III.9Закупки и управление поставщиками

GoudERP-8B — языковая модель для вопросов и диалогов по системам планирования ресурсов предприятия (ERP), разработанная на основе Qwen3-8B. Веса содержат 7,6 млрд параметров, формат — safetensors; модель принимает текст и выдаёт текст, поддерживает чат. Контекст — до 40 960 токенов. В карточке заявлены английский язык и обучение на материалах по Oracle Fusion, SAP и Workday. Модель прошла доменное предварительное обучение на ERP-текстах, два этапа дообучения с учителем на ERP-диалогах и данных общего назначения, а затем слияние TIES с базовой моделью. Она предназначена для ответов на вопросы о модулях и бизнес-процессах ERP, объяснения правил и поддержки сценариев с вызовом инструментов. Автор сообщает о высокой точности на собственном ERP-бенчмарке; это результат внутренней оценки, а не гарантия качества в конкретной организации. Ограничения: следование инструкциям уступает базовой Qwen3-8B; применение инструментов в целом на уровне базы, а более крупные модели лучше справляются с многошаговыми вызовами. Данные обучения охватывают другие ERP-платформы слабее, чем Oracle Fusion, SAP и Workday. Лицензия — Apache-2.0.

preetham315/bge-base-financial-matryoshka — англоязычная модель Sentence Transformers, дообученная автором на парах вопросов и ответов по финансовым текстам. Она основана на BAAI/bge-base-en-v1.5 с архитектурой BERT и создаёт нормализованные плотные эмбеддинги размерностью 768 для семантического поиска, сравнения предложений и ранжирования текстов. Обучение с MatryoshkaLoss позволяет усекать векторы до 512, 256, 128 или 64 измерений; в README приведены оценки поиска для этих размерностей. Модель подходит для поиска ответов и сведений в финансовых документах, семантического сопоставления запросов с фрагментами текста, кластеризации и классификации текстов с использованием эмбеддингов. Максимальная длина входа — 512 токенов, функция сравнения — косинусное сходство. Модель принимает текст и выдаёт векторы; она не генерирует ответы самостоятельно. Выпускается по лицензии Apache-2.0.

CriticalThinkerRisk-Base-8B — дообученная командой Theeseus AI модель на основе meta-llama/Llama-3.1-8B-Instruct. Она предназначена для оценки уровня риска в описанных сценариях: модель может присваивать категорию риска, числовую оценку и объяснять вывод. Обучение проводилось на наборе theeseus-ai/RiskClassifier с примерами структурированных сценариев, вопросов и ответов в формате диалогов. Модель использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Она принимает текст и генерирует текст; заявленный контекст — до 131 072 токенов. Основной язык — английский. Модель подходит для предварительного анализа подозрительных операций, финансовых и операционных рисков, а также для учебных задач по оценке рисков. Лицензия — Apache 2.0. Точность может снижаться при неполном или неоднозначном контексте; возможны смещения из обучающих данных. Числовые оценки могут потребовать настройки порогов под конкретную область, а результаты для решений с существенными последствиями следует проверять вручную.

Это модель Sentence Transformers, дообученная автором репозитория на базе hiieu/halong_embedding для получения векторных представлений предложений и абзацев. В основе лежит XLM-RoBERTa; модель содержит 305,2 млн параметров, использует mean pooling и нормализацию и формирует эмбеддинги размерностью 768. Для сравнения текстов применяется косинусное сходство; матрёшечное обучение позволяет использовать укороченные представления размерностью 512, 256, 128 и 64. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В README приведены результаты оценки поиска по датасету dim_768 и вариантам меньшей размерности; обучение проводилось на 10 200 парах текстов. Максимальная длина последовательности по README — 512 токенов, метаданные указывают контекст 514 токенов. Примеры обучающих данных и название модели указывают на финансовую специализацию, но README не описывает её границы подробно. Лицензия в предоставленных данных не указана.

Модель LinkTransformer от исследователей Harvard предназначена прежде всего для связывания записей о товарах и сопоставления сущностей. Она основана на XLM-RoBERTa и дообучена с помощью SupCon loss на данных, полученных при сопоставлении классификаций товаров статистики ООН; базовая модель — sentence-transformers/paraphrase-multilingual-mpnet-base-v2. Модель кодирует предложения и абзацы в плотные векторы размерностью 768, которые можно использовать для поиска похожих записей, кластеризации и семантического поиска. Она поддерживает английский, французский и испанский языки; максимальная длина последовательности в конфигурации README — 128 токенов, а нативный контекст по метаданным — 514 токенов. В репозитории указано 305,2 млн параметров и формат safetensors. Модель подходит для дедупликации записей, связывания товарных описаний и переноса меток между детальными и укрупнёнными товарными классификациями. Также её можно применять для задач сходства предложений через Sentence Transformers. Лицензия в предоставленных данных не указана.

Это дообученная модель Sentence Transformer на базе intfloat/multilingual-e5-small, опубликованная пользователем Mead0w1ark. Она предназначена для семантического поиска и сравнения текстов, в частности для подбора товарных описаний и запросов по кодам HS. Модель кодирует предложения и абзацы в плотные векторы размерности 384; сходство оценивается косинусной мерой. Архитектура включает BERT, усреднение токенных представлений и нормализацию векторов. Максимальная длина входа — 512 токенов, число параметров — 124,3 млн. В README описаны обучающие пары запросов и текстов на разных языках, связанные с мясной продукцией и международной торговлей. Модель также подходит для поиска парафраз, кластеризации и классификации текстов, если эти сценарии соответствуют данным пользователя. Для работы с эмбеддингами подойдут Sentence Transformers и text-embeddings-inference. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

adarshheg/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная автором на базе BAAI/bge-base-en-v1.5 для работы с финансовыми текстами. Архитектура состоит из BERT-трансформера, объединения представления токенов по CLS-токену и нормализации векторов; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель преобразует предложения и абзацы в плотные эмбеддинги размерностью 768 и рассчитана на семантический поиск, сравнение текстов, поиск перефразировок, кластеризацию и классификацию финансовых текстов. Обучение с MatryoshkaLoss позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64; для сравнения векторов применяется косинусное сходство. В README приведены результаты оценки поиска на датасете, но они не гарантируют качество на других коллекциях. Лицензия — Apache-2.0.

Finance LLM 13B GGUF — квантизированная версия языковой модели Finance LLM 13B, разработанной AdaptLLM и преобразованной в формат GGUF пользователем TheBloke. Модель основана на архитектуре Llama, содержит около 13 миллиардов параметров и предназначена для генерации текста на английском языке. Модель ориентирована на финансовые сценарии и задачи обработки текста, включая ответы на запросы и работу с финансовой информацией. Она обучалась с использованием наборов данных Open-Orca, GAIR/lima и WizardLM/WizardLM_evol_instruct_V2_196k. Для взаимодействия рекомендуется шаблон с разделами «### User Input» и «### Assistant Output». Формат GGUF поддерживается llama.cpp и рядом локальных интерфейсов и библиотек, а доступные варианты квантизации от 2 до 8 бит позволяют запускать модель с использованием CPU и GPU и выбирать компромисс между размером, скоростью и качеством. При этом квантизация может снижать точность по сравнению с исходной моделью в формате FP16. В README не указаны размер контекста и мультимодальные возможности; модель описана как текстовая. Лицензия обозначена как other, без дополнительных условий, поэтому точные правила использования требуют проверки у разработчика исходной модели.

EXAONE Forecast for Demand (Synthetic) — модель прогнозирования временных рядов спроса, разработанная LG AI Research. Это выпускаемая в репозитории синтетическая версия модели: общая основа временных рядов предварительно обучена на KernelSynth и остаётся замороженной, а адаптер дообучен только на синтетических данных о спросе. Модель содержит 348 млн параметров: 312 млн в основе и 36 млн в адаптере и маршрутизаторе. Адаптер использует пять низкоранговых ветвей: общую и по одной для гладкого, прерывистого, нестабильного и разреженно-кластерного спроса. Маршрутизатор выбирает их сочетание по восьми характеристикам входного ряда. Модель предназначена для прогнозирования спроса без дополнительного обучения на целевых данных; в отчёте она оценивалась на 22 отложенных наборах и превзошла 36 сравнивавшихся TSFM по указанным метрикам. Для работы требуются PyTorch 2.0 или новее и Python 3.9 или новее; для малых задач подходит CPU, рекомендуется CUDA. Репозиторий содержит веса, а код инференса опубликован отдельно. Лицензия весов указана как other; README сообщает, что синтетическое обучение не наследует лицензии наборов реального спроса, но конкретные условия использования следует сверять с файлом License. Проверка заявленных результатов ограничена описанной оценкой на 22 наборах данных.

Это модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, дообученная для работы с парами текстов о продуктах питания. Она кодирует предложения и короткие абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству. Архитектура включает MPNet, усреднение токенов при пулинге и нормализацию; в метаданных указан контекст до 514 токенов, а в README — максимальная длина последовательности 384 токена. Модель предназначена для семантического поиска и сравнения названий продуктов и других коротких текстов, а также для поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Для обучения указаны 1,2 млн пар текстов и CosineSimilarityLoss. README приводит высокие значения корреляции на валидационном наборе, однако его состав и область применимости не уточнены. Сведений о лицензии в предоставленных данных нет.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная Julio Sanchez на базе BAAI/bge-base-en-v1.5 для сопоставления финансовых вопросов с релевантными фрагментами текста. Архитектура основана на BERT: модель кодирует предложения и абзацы в плотные векторы, нормализует их и сравнивает с помощью косинусного сходства. Размер исходного вектора — 768 измерений; благодаря обучению Matryoshka доступны также укороченные представления размерностью 512, 256, 128 и 64. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска по финансовым документам, поиска ответов на вопросы в отчетах, сравнения финансовых текстов, кластеризации и классификации на основе эмбеддингов. Она обучалась на 6 300 парах «вопрос — релевантный фрагмент» из набора json; в README приведены результаты оценки поиска для нескольких размерностей векторов. Это модель для английского языка, выпущенная по лицензии Apache-2.0. Как и другие модели эмбеддингов, она возвращает векторы, а не готовые ответы; точность зависит от соответствия корпуса и запросов обучающим данным.

RK-1235/bge-base-FIR-matryoshka-BASELINE-10epochs-FT — англоязычная модель Sentence Transformers, дообученная разработчиком репозитория на базе BAAI/bge-base-en для финансового поиска по текстам. Она кодирует предложения и абзацы в плотные векторы размерностью 768, нормализованные для сравнения по косинусному сходству; архитектура включает BERT, пулинг по CLS-токену и нормализацию. Модель рассчитана на семантический поиск, сопоставление предложений, поиск перефразировок, кластеризацию и классификацию текстов; длина последовательности — до 512 токенов. Обучение описано на 6300 парах anchor-positive из финансовых текстов, а оценки поиска приведены для усечённых эмбеддингов от 64 до 768 измерений. Модель подходит для поиска релевантных фрагментов в финансовой отчётности и ответов на запросы по таким документам. README приводит результаты оценки на наборе dim_768 и нескольких сокращённых размерностях, но не раскрывает название и состав набора оценки, поэтому эти метрики нельзя переносить на другие коллекции без проверки. Лицензия — Apache-2.0.

kenoc/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная автором на 6 300 парах финансовых текстов на основе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные эмбеддинги для семантического поиска, сравнения текстов и извлечения информации из финансовых документов. Модель построена на BERT, использует CLS-пулинг и нормализацию, выдаёт вектор размерностью 768 и оценивает сходство по косинусной мере. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. Максимальная длина входа — 512 токенов; лицензия Apache-2.0. Модель подходит для англоязычных финансовых запросов и документов, в частности для семантического поиска и ранжирования релевантных фрагментов. Карточка приводит оценки поиска на обучающих материалах, поэтому они не гарантируют качество на других данных. Модель создаёт эмбеддинги, а не готовые ответы; тексты длиннее лимита требуют разбиения.

Fino1-8B — плотная авторегрессионная языковая модель семейства Llama, разработанная TheFinAI путём дообучения Meta Llama 3.1 8B Instruct. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; её контекстное окно составляет 131 072 токена. Модель обучали с помощью SFT и RF на наборе TheFinAI/Fino1_Reasoning_Path_FinQA, производном от FinQA. Она предназначена для финансовых рассуждений, в частности математических задач по финансовым данным. В качестве ограничений следует учитывать специализацию на финансовых задачах и отсутствие в карточке результатов оценки качества. Лицензия — Llama 3.1 Community License (llama3.1).

Finance LLM — языковая модель для финансовой тематики, разработанная AdaptLLM и представленная в этом репозитории в квантованном формате GGUF компанией TheBloke. Исходная модель основана на архитектуре Llama и предназначена для генерации текста на английском языке. Модель ориентирована на задачи, связанные с финансовыми текстами и запросами, включая специализированное текстовое общение и генерацию ответов. В README указаны обучение или использование наборов данных Open-Orca, GAIR/lima и WizardLM_evol_instruct_V2_196k, а также метрика accuracy. Поддерживается шаблон запросов Llama-2-Chat. Модель работает только с текстом; сведения о размере, длине контекста и точной версии базовой архитектуры не указаны. Файлы представлены в формате GGUFv2 с вариантами квантования от 2 до 8 бит, что позволяет запускать модель на CPU и GPU через llama.cpp и совместимые интерфейсы и библиотеки. Квантование уменьшает требования к памяти, но может снижать точность по сравнению с исходной моделью в формате FP16. Для модели указана лицензия other; конкретные условия лицензирования в README не раскрыты.

luwa-01 — экспериментальная языковая модель ChatPBC Labs для бизнес-исследований, анализа рынков, стратегии и конкурентной разведки. Это плотная авторегрессионная модель семейства Qwen2 с 494 млн параметров, рассчитанная на контекст до 32 768 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации структурированных бизнес-ответов, а при запуске с агентной обвязкой может формировать вызовы инструментов для поиска и сбора данных в интернете. Сценарии применения включают предварительную оценку выхода на рынок, анализ конкурентов и их позиционирования, прогнозирование отраслевых тенденций, проверку бизнес-идей и начальный инвестиционный анализ. Основной язык — английский. Для веб-исследований требуется внешняя агентная среда: сама модель не просматривает интернет. Из-за небольшого размера и заявленных ограничений синтеза её выводы по сложным многошаговым запросам следует проверять; модель также уступает крупным моделям в сложном рассуждении. Распространяется по лицензии Apache 2.0.

Карточка модели Duxiaoman-DI/XuanYuan-6B-Chat на Hugging Face совпадает с карточкой Duxiaoman-DI/XuanYuan-6B, поэтому описание составлено по ней. XuanYuan-6B — плотная языковая модель на архитектуре, близкой к LLaMA, разработанная Duxiaoman-DI для финансовых и общих задач. Модель обучена с нуля на разнородных корпусах; семейство также включает базовую версию, чат-версию с дообучением по инструкциям и выравниванием с предпочтениями людей, а также её 4- и 8-битные варианты. Модель содержит 6,2 млрд параметров, использует 30 слоёв, 32 головы внимания, RoPE, SwiGLU и RMSNorm. Метаданные указывают контекст до 8192 токенов; в README для обучения базовой модели указан максимальный размер последовательности 2048 токенов. Модель предназначена для генерации текста и диалога, включая финансовые сценарии. Лицензия — Llama 2; применимость её условий следует сверять с лицензией репозитория.

TaxoSplitter: Business Router (e5-base) — модель эмбеддингов, разработанная автором репозитория на основе дообучения intfloat/e5-base-v2. Она предназначена для сопоставления категорий компаний и описаний точек интереса с 14 строгими B2B-вертикалями, включая здравоохранение, строительство, недвижимость, торговлю и производство. Модель формирует нормализованные плотные векторы текста размерностью 768; архитектура Sentence Transformer построена на BERT с усреднённым pooling. В метаданных указаны 136,7 млн параметров, контекст до 512 токенов и библиотека sentence-transformers. Обучение на контрастных положительных и отрицательных парах направлено на семантическое сравнение бизнес-категорий и снижение ошибок, когда общие суффиксы вроде «компания» или «станция» перевешивают смысл основного термина. Векторы можно применять для семантического поиска, сравнения сходства, кластеризации и маршрутизации категорий; для классификации вертикали потребуется сравнение с эталонными описаниями или иной прикладной логикой. Модель работает с текстом и выдаёт эмбеддинги и оценки сходства. README не указывает лицензию, поэтому условия использования следует сверить с карточкой репозитория на Hugging Face.

EZlee разработал мультиязычную модель эмбеддингов на архитектуре BERT, предназначенную для представления предложений и абзацев в виде плотных векторов размерностью 768. Модель подходит для поиска семантически близких текстов, кластеризации и сравнения предложений; по названию она ориентирована на электронную коммерцию. Модель содержит 205,1 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. В карточке указаны английский и китайский языки. Для работы доступны PyTorch и библиотека Sentence Transformers; при использовании Transformers требуется применить подходящую операцию pooling к выходам токенов. Лицензия в предоставленных данных не указана.

xidrug разработала эту разговорную модель для ответов на вопросы о торговле и логистике между Китаем и Казахстаном. Она основана на Qwen/Qwen3.5-9B: адаптер QLoRA обучен методом SFT, затем объединён с базовой моделью. Модель содержит около 9,4 млрд параметров; опубликованы полные веса bf16 в формате safetensors. Архитектура — плотная Qwen3.5, библиотека для работы — Transformers. Модель предназначена для тематических диалогов и может использоваться как компонент RAG-системы: актуальные сведения следует получать из подключённой базы знаний, официальных источников или бизнес-систем. Карточка указывает китайский язык; базовая Qwen3.5 также мультимодальна, однако описание этой версии заявляет сценарии вопросов и ответов по тексту. На независимой выборочной проверке из 86 примеров указаны символьный F1 83,46% и ROUGE-L F1 82,81%. Модель не подходит для самостоятельных ответов о меняющихся тарифах, курсах валют, ценах, правилах, состоянии пунктов пропуска и перевозок без свежего поиска и проверки специалистом. В тесте на извлечение JSON доля корректных JSON-ответов составила 0%, поэтому для такого сценария нужны проверка формата или constrained decoding. Лицензия — Apache-2.0; также следует соблюдать условия базовой модели и источников обучающих данных.

Это модель SetFit для классификации текстовых описаний товаров по 598 классам. Разработчик в карточке не назван; модель создана с использованием метода few-shot learning: сначала дообучен Sentence Transformer на контрастивных примерах, затем обучен классификатор LogisticRegression. В метаданных указаны архитектура XLM-RoBERTa, 305,2 млн параметров и формат safetensors. Модель предназначена для отнесения названий и описаний товаров к категориям электронной торговли. Примеры меток и текстов показывают товары из корейских магазинов и площадок, включая продукты питания и хозяйственные категории. Максимальная длина последовательности — 512 токенов; примеры и метки в карточке преимущественно на корейском языке. Для запуска требуется библиотека SetFit. Карточка не указывает лицензию, поэтому условия использования определить нельзя. Классификация ограничена обученными 598 классами и тематикой товарных категорий, представленной в примерах.

raj-hitpromo/hit-promo-reasoner — специализированная языковая модель для поддержки сотрудников отдела продаж и дистрибьюторов HIT Promotional Products. Это дообученная с помощью QLoRA модель Microsoft Phi-4-mini-reasoning, архитектура Phi-3, плотная causal language model с 3,8 млрд параметров. Она принимает текстовые запросы и сведения о товарах и правилах, переданные в контексте, и формирует текстовые ответы; заявленная длина контекста — 4096 токенов. Модель предназначена для ответов на вопросы по каталогу, расчёта NET/EQP-стоимости для заданного тиража, проверки сроков и минимального заказа, а также извлечения характеристик товара в структурированный JSON. Для актуальных ответов система должна сначала находить подходящие записи каталога и передавать их модели. Модель не выполняет самостоятельный поиск по каталогу и не рассчитывает цену перепродажи, маржу или доставку. В карточке описано обучение на товарном фиде и базе знаний HIT, а также валидация на отложенных примерах. Модель может ошибаться в арифметике, поэтому расчёты перед использованием в коммерческом предложении следует сверять с актуальными данными. Лицензия репозитория — MIT.

ostoveland/SBertBaseMittanbudver2 — модель Sentence Transformers, дообученная разработчиком ostoveland на базе NbAiLab/nb-sbert-base для сопоставления норвежских предложений и описаний. Она использует архитектуру BERT с усреднением токеновых представлений и кодирует текст в плотные векторы размерностью 64; сходство между ними рассчитывается косинусной мерой. Максимальная длина последовательности в README — 75 токенов, а контекстный лимит в метаданных — 512 токенов. Модель подходит для семантического поиска и сравнения формулировок, в частности запросов и описаний работ по ремонту и строительству, поиска перефразировок, кластеризации и классификации текстов. В README приведены примеры пар норвежских описаний услуг и несколько обучающих наборов с примерами таких формулировок. Модель принимает текст и возвращает эмбеддинги; для сравнения текстов их можно сопоставлять по косинусному сходству. Это дообучение NbAiLab/nb-sbert-base, опубликованное в формате PyTorch и предназначенное для использования через Sentence Transformers. В карточке указано 205,1 млн параметров. Лицензия в предоставленных сведениях не указана.

Cat2Real-DINOv3-384 — модель для получения векторных представлений изображений товаров, созданная дообучением DINOv3 ViT-L/16 компанией или автором zhanganyi88. Она отображает реальные фотографии товаров и каталожные изображения packshot в общее пространство эмбеддингов, чтобы находить визуально похожие изображения. Модель предназначена для поиска товаров по изображению и сопоставления пользовательских фотографий с изображениями из каталога. Это визуальная модель на архитектуре DINOv3 ViT с 402,7 млн параметров; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Модель извлекает признаки изображений и формирует эмбеддинги для поиска по сходству. Карточка описывает сценарий сопоставления реальных фотографий с packshot-изображениями, но не приводит оценки качества, перечень поддерживаемых категорий товаров или сведения о допустимых размерах входного изображения.

mini1013/master_item_top_el_flat — модель классификации текста на базе SetFit, построенная на klue/roberta-base. В ней используется дообученный Sentence Transformer на основе RoBERTa для получения представлений текста и классификатор LogisticRegression. Модель содержит 137,8 млн параметров, поддерживает последовательности длиной до 514 токенов и относит текст к одному из 232 классов. Модель предназначена для классификации коротких корейских описаний товаров и товарных категорий, включая примеры из каталога Naverstore. В README сообщается об accuracy 0,9082 на наборе метрик модели, но не уточняется методика оценки. Модель выпущена под лицензией, сведения о которой в доступных данных отсутствуют.

sosoai/qwen1.5-0.5B-hansoldeco-v1 — языковая модель компании Hansol Deco, дообученная на собственном наборе данных. Она предназначена для ответов на вопросы о дефектах и недостатках продукции или работ. Модель построена на архитектуре Qwen2ForCausalLM, содержит 463,9 млн параметров, поддерживает контекст до 32 768 токенов и доступна в формате safetensors. Модель подходит для чат-сценариев, связанных с вопросами о дефектах. README сообщает о планах провести дообучение в версиях SFT и DPO, поэтому эти варианты не следует считать уже выпущенными. В README приведено мало сведений о качестве ответов, языковой поддержке и условиях использования; языковые данные карточки указывают на корейский. Лицензия в предоставленных данных не указана.

Project Manager-SLM — компактная языковая модель, обученная с нуля для роли менеджера проектов. Это плотный LLaMA-подобный трансформер примерно с 989 млн параметров, использующий RoPE, RMSNorm и SwiGLU; заявлена длина контекста до 5 млн токенов. Модель обучалась три эпохи с градиентным чекпойнтингом; в карточке приведено лучшее значение eval loss 3,15. Модель предназначена для генерации текста по задачам управления проектами, включая планирование, Agile-процессы и управление рисками. Карточка указывает английский язык. Весы доступны в формате safetensors, лицензия — MIT. Заявленное окно контекста не подтверждает качество обработки столь длинных входов; в карточке нет данных о независимых оценках качества или проверке на практических сценариях.

Lumma-0.6B-Extract — компактная специализированная языковая модель FrontiersMind для извлечения структурированных данных из текста. Это дообученная версия Lumma-0.6B-Base с плотной архитектурой NandiForCausalLM и примерно 800,5 млн параметров. Модель рассчитана на однократное извлечение: пользователь задаёт JSON-шаблон с нужными полями, а модель формирует ответ в соответствующей структуре. Модель подходит для извлечения имён, дат, организаций, мест, товаров и атрибутов из текстов счетов, маршрутов поездок, распознанных OCR документов, писем, отчётов и сообщений. Её можно применять в конвейерах обработки документов и данных, в том числе при ограниченных вычислительных ресурсах. Контекст составляет 12 288 токенов; карточка указывает поддержку английского языка, а многоязычная поддержка индийских языков обозначена как планируемая. Внутренний тест разработчика охватывал около 500 документов разных типов; подробные результаты и сам набор данных в карточке не приведены. Модель распространяется в формате Safetensors через Transformers по лицензии Apache-2.0.

Arctic-TILT — компактная модель Snowflake для понимания деловых документов. Это encoder-decoder Transformer семейства TILT; метаданные указывают 435,6 млн параметров, тогда как README приводит 822 млн. Модель предназначена для ответов на вопросы по документам и извлечения ключевой информации. Разработчики заявляют высокую эффективность и обработку длинного контекста, а также результаты, сопоставимые с моделями, которые в 1000 раз больше, на одной GPU с 24 ГБ памяти. Для работы модель оптимизирована под vLLM и требует специального планировщика и препроцессора TiltPreprocessor, код и примеры которого размещены в репозитории Snowflake-Labs/arctic-tilt. Указан формат весов safetensors. Лицензия и поддерживаемые языки в предоставленных данных не описаны.

Granite Vision 3.1 2B Preview — компактная мультимодальная модель IBM для понимания изображений и документов. Она предназначена для извлечения и анализа содержимого таблиц, графиков, инфографики, диаграмм и других визуальных материалов, распознавания текста на изображениях и ответов на вопросы по документам; также поддерживает общие задачи понимания изображений и диалоговый режим. Модель дообучена на базе ibm-granite/granite-3.1-2b-instruct и использует архитектуру LLaVA-NeXT: визуальный энкодер SigLIP, двухслойный MLP-коннектор и языковую модель Granite 3.1. В README указано 2 млрд параметров у языковой основы и около 3 млрд у модели с визуальным энкодером и проектором; контекст языковой основы — 128 тыс. токенов. Основной поддерживаемый язык — английский. Модель распространяется под лицензией Apache 2.0. Сильная сторона модели — специализированная работа с визуальными документами при сравнительно небольшом размере; в приведённых тестах она показывает хорошие результаты на DocVQA и ChartQA. Возможны неточные, предвзятые или небезопасные ответы и галлюцинации, особенно в общих задачах понимания изображений; для обработки только текста IBM рекомендует использовать текстовые Granite-модели.