III.9Закупки и управление поставщиками

Карточка модели neuralforgequantum/NuExtract3 на Hugging Face совпадает с карточкой numind/NuExtract3, поэтому описание составлено по ней. NuExtract3 — мультимодальная модель NuMind с 4 млрд параметров для понимания документов. Она дообучена на базе Qwen/Qwen3.5-4B и использует архитектуру Qwen3.5 для обработки текста и изображений. Модель поддерживает многоязычные документы и может работать в режимах с рассуждением и без него. Модель извлекает сведения из документов по заданному JSON-шаблону и инструкциям, преобразует изображения документов в Markdown, распознаёт текст и структуру таблиц, а также генерирует шаблоны извлечения по описанию на естественном языке. Её можно применять для подготовки документов к поиску и RAG, обработки счетов, квитанций, форм и договоров; README описывает запуск через vLLM с OpenAI-совместимым API и напрямую через Transformers. Внутренний тест NuMind на примерно 600 документах оценивает структурированное извлечение, включая визуальное понимание, OCR и работу с длинными входами и выходами; опубликованная в карточке таблица сообщает средний балл 0,651 для NuExtract3.4_4B-RL, а не явно для NuExtract3. Ограничения включают возможность циклов повторения и превышения лимита генерации в режиме рассуждения, из-за чего ответы могут не разбираться как JSON. Модель распространяется по лицензии Apache-2.0.

LFM2-350M-Extract — компактная языковая модель компании Liquid AI для извлечения важных сведений из неструктурированных документов и преобразования их в структурированные данные. Она предназначена для обработки статей, расшифровок, отчётов, писем, обращений в поддержку и нормативных документов; результаты можно запрашивать в формате JSON, XML или YAML, задав схему в системном запросе. При отсутствии системного запроса модель по умолчанию формирует JSON. Модель построена на плотной архитектуре LFM2 и содержит 444,6 млн параметров. Она принимает текст и выдаёт текст, включая структурированный вывод. Заявленная длина контекста — 128 000 токенов. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки. Для генерации рекомендуется жадное декодирование с temperature=0. По данным разработчика, на задаче извлечения модель превзошла Gemma 3 4B в проведённой ими оценке, однако это не гарантирует аналогичный результат на других данных и сценариях. Модель рассчитана на одношаговые диалоги; для более точного соблюдения формата и схемы рекомендуется явно задавать их в системном запросе. Модель дообучена на базе LiquidAI/LFM2-350M. В метаданных указана лицензия other; конкретные условия использования следует сверить с лицензией репозитория.

LFM2-350M-Extract-GGUF — языковая модель компании Liquid AI, основанная на LFM2-350M и распространяемая в формате GGUF. Она предназначена для извлечения важной информации из неструктурированных документов, включая статьи, расшифровки и отчёты, с преобразованием результатов в структурированные форматы JSON, XML или YAML. Модель подходит для извлечения реквизитов счетов из электронных писем, преобразования нормативной отчётности в XML, структурирования обращений в службу поддержки для аналитических конвейеров, а также наполнения графов знаний сущностями и их атрибутами. В названии указано, что это вариант размером 350M параметров. Заявлена поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. К сильным сторонам относятся специализация на извлечении данных и удобный для локального запуска формат GGUF, совместимый с llama.cpp. Ограничения включают отсутствие в предоставленных данных сведений о размере контекста, точной архитектуре, количественных показателях качества и поддерживаемых модальностях помимо текста. Модель распространяется по лицензии lfm1.0; подробные условия следует уточнять в файле LICENSE.

Карточка модели Mikasa1123/NuExtract3 на Hugging Face совпадает с карточкой numind/NuExtract3, поэтому описание составлено по ней. NuExtract3 — мультимодальная модель NuMind с 4 млрд параметров для понимания документов. Она дообучена на базе Qwen/Qwen3.5-4B и использует архитектуру Qwen3.5 для обработки текста и изображений. Модель поддерживает многоязычные документы и может работать в режимах с рассуждением и без него. Модель извлекает сведения из документов по заданному JSON-шаблону и инструкциям, преобразует изображения документов в Markdown, распознаёт текст и структуру таблиц, а также генерирует шаблоны извлечения по описанию на естественном языке. Её можно применять для подготовки документов к поиску и RAG, обработки счетов, квитанций, форм и договоров; README описывает запуск через vLLM с OpenAI-совместимым API и напрямую через Transformers. Внутренний тест NuMind на примерно 600 документах оценивает структурированное извлечение, включая визуальное понимание, OCR и работу с длинными входами и выходами; опубликованная в карточке таблица сообщает средний балл 0,651 для NuExtract3.4_4B-RL, а не явно для NuExtract3. Ограничения включают возможность циклов повторения и превышения лимита генерации в режиме рассуждения, из-за чего ответы могут не разбираться как JSON. Модель распространяется по лицензии Apache-2.0.

NuExtract3 — мультимодальная модель NuMind с 4 млрд параметров для понимания документов. Она дообучена на базе Qwen/Qwen3.5-4B и использует архитектуру Qwen3.5 для обработки текста и изображений. Модель поддерживает многоязычные документы и может работать в режимах с рассуждением и без него. Модель извлекает сведения из документов по заданному JSON-шаблону и инструкциям, преобразует изображения документов в Markdown, распознаёт текст и структуру таблиц, а также генерирует шаблоны извлечения по описанию на естественном языке. Её можно применять для подготовки документов к поиску и RAG, обработки счетов, квитанций, форм и договоров; README описывает запуск через vLLM с OpenAI-совместимым API и напрямую через Transformers. Внутренний тест NuMind на примерно 600 документах оценивает структурированное извлечение, включая визуальное понимание, OCR и работу с длинными входами и выходами; опубликованная в карточке таблица сообщает средний балл 0,651 для NuExtract3.4_4B-RL, а не явно для NuExtract3. Ограничения включают возможность циклов повторения и превышения лимита генерации в режиме рассуждения, из-за чего ответы могут не разбираться как JSON. Модель распространяется по лицензии Apache-2.0.

NuExtract3-GGUF — квантизированная версия NuExtract3, разработанная компанией NuMind. Это мультимодальная vision-language модель с архитектурой на 4 млрд параметров, предназначенная для понимания документов, структурированного извлечения информации и преобразования изображений документов в Markdown. Модель принимает текст, изображения или их сочетание. Для структурированного извлечения она использует JSON-шаблон и инструкции, возвращая данные в формате JSON; также поддерживает генерацию шаблонов из естественного языка или содержимого документа. NuExtract3 подходит для OCR и подготовки данных для RAG, обработки сканов, чеков, форм, счетов, договоров, таблиц и других документов. Заявлена поддержка многоязычных документов, режимов вывода с рассуждением и без него, а также больших входных и выходных контекстов. К сильным сторонам относятся объединение визуального анализа, OCR, рассуждений и структурированного извлечения в одной модели, а также возможность преобразования сложных документов в Markdown с HTML для таблиц, LaTeX для математических выражений и описаниями изображений. Внутренний бенчмарк NuMind показал средний результат 0,651 для варианта NuExtract3.4_4B-RL на наборе примерно из 600 документов, однако часть ответов не была корректно десериализуема в JSON, а производительность может снижаться на особенно больших или сложных заданиях. Модель распространяется по лицензии Apache-2.0. Данный репозиторий содержит квантизированный вариант базовой модели NuMind/NuExtract3; конкретные параметры квантизации и точное максимальное окно контекста в карточке не указаны.

ViFortune-AI разработала объединённую мультимодальную модель на основе языковой части Qwen3 и визуальной ветви Qwen2.5-VL-3B-Instruct. По метаданным репозитория, модель содержит 589,7 млн параметров, использует архитектуру Qwen2.5-VL и доступна в форматах PyTorch и safetensors. Она принимает изображения и текст, а также, согласно README, видео; может описывать визуальные сцены, распознавать текст и структуру документов, анализировать графики и скриншоты интерфейсов, а также формировать структурированные ответы, например данные таблиц и форм. Модель предназначена для диалоговых задач с визуальным содержимым и обработки длинного контекста. В README заявлена длина до 32 768 токенов с возможностью расширения через YaRN; метаданные каталога указывают контекст 128 000 токенов. README также описывает возможности визуального агента и использования инструментов, однако примеры и оценки качества не приведены. Основные ограничения: расширение контекста через YaRN может ухудшать пространственную и временную локализацию; обработка видео в README ограничена локальными файлами. Лицензия в предоставленных данных не указана.

Omniverse-v1 — компактная визуально-языковая модель от инициативы Omniverse для интеллектуальной обработки документов. Она основана на архитектуре PaddleOCR-VL и настроена для локального извлечения данных из документов; в репозитории указаны 318,2 млн параметров, архитектура OmniverseV1ForConditionalGeneration и веса в формате safetensors. Модель принимает изображения документов и извлекает их содержимое в структурированный Markdown. Она предназначена для распознавания плотных таблиц, счетов, экзаменационных ведомостей и неструктурированных PDF, включая многостолбцовый текст, формулы и диаграммы. Для работы автор рекомендует Omniverse Python/Gradio pipeline. Карточка заявляет поддержку английского языка и контекстное окно 131 072 токена. Модель распространяется по лицензии Apache-2.0. Результаты распознавания сложной разметки и визуальных данных могут требовать проверки; подробные оценки качества и перечень поддерживаемых языков, кроме английского, в карточке не приведены.

Llama3-ChatQA-1.5-8B — разговорная языковая модель NVIDIA для ответов на вопросы в диалоге и генерации с дополнением извлечёнными сведениями (RAG). Она дообучена на базе Llama 3 и содержит дополнительные данные для улучшения ответов по документам, работы с таблицами и арифметических вычислений. В репозитории указаны 7,5 млрд параметров, архитектура Llama с плотной причинной языковой моделью, формат safetensors и контекст до 8192 токенов. Модель предназначена для сценариев, где вопрос сопровождается контекстом: документ можно передать целиком, если он помещается в контекст, либо предварительно извлечь релевантные фрагменты для длинных документов. Модель принимает текст и генерирует текст; карточка указывает английский язык. В README приведены результаты оценки на наборах для conversational RAG, включая Doc2Dial, QuAC и QReCC. Модель является дообучением NVIDIA Llama3-ChatQA-1.5-8B. Чекпойнты были первоначально обучены с Megatron-LM и конвертированы в формат Hugging Face. Лицензия — Llama 3 Community License. Результаты зависят от качества переданного контекста или поиска; заявленные улучшения арифметики и таблиц не гарантируют точность в каждом запросе.

AREX-Turbo — компактная модель-агент для глубокого исследования, разработанная Beijing Academy of Artificial Intelligence (BAAI). Это плотная модель на 4 млрд параметров, дообученная на Qwen/Qwen3.5-4B; она поддерживает контекст до 262 144 токенов и предназначена для многоэтапного поиска информации с использованием инструментов. Модель собирает и сопоставляет сведения из источников, формирует предварительный ответ, проверяет его по заданным ограничениям и при необходимости уточняет или начинает исследование заново. Она также обновляет контекст исследования, сохраняя проверенные выводы, источники, отвергнутые варианты и нерешённые вопросы. AREX-Turbo рассчитана на сценарии, где важны стоимость обслуживания и скорость итераций; метаданные указывают поддержку диалога и интерфейса вызова инструментов. Модель основана на Qwen3.5-4B и выпущена в формате safetensors для Transformers. В карточке заявлены сценарии поиска, просмотра источников, интеграции свидетельств и построения ответов; оценки приведены для длинных исследовательских задач с инструментами. Лицензия — Apache-2.0. README не описывает отдельные ограничения качества или безопасности.

LFM2.5-350M-Extract-ML-LoRA — языковая модель Андреа Джемелли, дообученная на базе LiquidAI/LFM2.5-350M для извлечения сведений из документов и их классификации. Модель принимает текст страницы и выданную пользователем JSON-схему, возвращает значения, скопированные из текста, либо выбирает один из двенадцати классов документа. Поддерживает итальянский, немецкий, испанский, французский, португальский, китайский, японский и английский языки. Это плотная авторегрессионная модель семейства LFM2 с архитектурой Lfm2ForCausalLM; в репозитории около 444,6 млн параметров, формат весов — safetensors, контекст — до 128 000 токенов. LoRA-адаптер уже объединён с весами, поэтому модель можно загружать как обычную causal LM без PEFT. В оценке автора на наборе xfund-docai-xl средний F1 составил 0,7504, а 3 из 785 ответов не прошли разбор как JSON. Модель рассчитана на офлайн-анализ одностраничных документов, когда текст уже получен из PDF или OCR. Она не принимает изображения и сама не выполняет OCR; качество зависит от точности заданной схемы и исходного текста. Возможны неверное сопоставление полей и невалидный JSON; английский и португальский показали более слабые результаты, а часть классификационной оценки для английского основана на синтетических страницах. Лицензия — CC BY-NC-SA 4.0, допускающая использование на условиях лицензии с ограничением коммерческого применения.

google/paligemma-3b-ft-docvqa-896 — модель Google для ответов на вопросы по изображениям документов. Она относится к семейству PaliGemma: визуальная часть основана на SigLIP, языковая — на Gemma; модель принимает изображение и текстовый запрос и генерирует текстовый ответ. Суффикс названия указывает на настройку для DocVQA с разрешением изображений 896 пикселей; карточка описывает PaliGemma как модель для одношаговой обработки, а не для многоходового диалога. Модель предназначена для извлечения сведений из документов по вопросам на естественном языке — например, поиска значений и ответов, опирающихся на содержимое страницы. PaliGemma поддерживает несколько языков и может быть адаптирована под специализированные задачи визуального языка. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Gemma. Ответы могут быть неточными, а модель может неверно прочитать текст или интерпретировать документ. Она лучше работает с чётко сформулированными запросами; сложные или открытые задачи могут даваться хуже. Это не универсальная чат-модель: ввод изображения и текста рассчитан на один ход.

XCurOS1.2-8B-VLBF16-Instruct — мультимодальная инструктивная модель компании XCurOS для анализа изображений и текста. По метаданным, она построена на плотной архитектуре Qwen3-VL и предназначена для генерации текстовых ответов по текстовым и визуальным входам; README указывает размер 8B и формат BF16 в названии модели, а файлы представлены в safetensors и рассчитаны на работу через Transformers. Модель заявлена для понимания документов, извлечения текста из изображений и сканов, анализа диаграмм, корпоративных помощников и автоматизации агентных сценариев. Карточка также заявляет поддержку длинных контекстов и локального развёртывания, но не приводит числовой предел контекста или сравнительные результаты. Поддерживаемые языки по метаданным — английский и арабский. Лицензия указана как проприетарная, «All rights reserved»; использование и интеграции требуют разрешения XCurOS. Заявления о защищённой работе, точности, эффективности и пригодности для чувствительных данных не подкреплены в карточке техническими оценками или независимыми результатами.

Garnet-OCR-7B-0422-i1-GGUF — это квантованная версия vision-language модели Garnet-OCR-7B-0422, разработанной prithivMLmods и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для обработки изображений документов, OCR, преобразования PDF и изображений в Markdown, извлечения структурированных данных, распознавания и связывания элементов документов, а также задач Intelligent Document Processing и Key Information Extraction. Модель имеет размер 7B параметров, поддерживает визуально-текстовый ввод и, согласно метаданным, английский язык. Она обучалась на наборах данных OpenDoc-Pdf-Preview, Opendoc1-Analysis-Recognition, olmOCR-mix-0225, Openpdf-Analysis-Recognition и OCR-Markdown-Dense-200x. Контекст, точная архитектура vision-компонента и перечень поддерживаемых форматов изображений в README не указаны. Репозиторий содержит множество вариантов квантования GGUF объёмом примерно от 2,0 до 6,4 ГБ; рекомендуются варианты i1-Q4_K_M и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Сильная сторона модели — специализация на OCR и понимании структуры документов, включая генерацию Markdown и извлечение информации. Ограничения связаны с потерями качества при низких уровнях квантования, а также с отсутствием в README подробных оценок качества, описания контекстного окна и характеристик инференса. Для работы с изображениями могут потребоваться дополнительные mmproj-файлы из статического репозитория. Указанная лицензия — Apache-2.0.

granite-vision-3.2-2b — компактная мультимодальная модель IBM, дообученная на базе ibm-granite/granite-vision-3.2-2b для понимания изображений и работы с визуальными документами. Архитектура LLaVA-NeXT объединяет визуальный энкодер SigLIP, двухслойный MLP-коннектор и языковую модель Granite 3.1 2B Instruct; модель использует разрешение AnyRes и многослойные признаки энкодера. В метаданных указаны архитектура LlavaNextForConditionalGeneration и формат safetensors. Модель принимает изображения и инструкции на английском языке и формирует текстовые ответы. Она предназначена для извлечения сведений из таблиц, графиков, инфографики, диаграмм и других документов, OCR, ответов на вопросы по изображениям, а также общих задач визуального понимания. В базовой языковой модели заявлено контекстное окно 128 тыс. токенов. Лицензия — Apache 2.0. Модель может ошибаться, выдавать предвзятые или небезопасные ответы; её компактный размер может повышать риск галлюцинаций. Для задач только с текстовым вводом README рекомендует использовать текстовые модели Granite.

Llama3-ChatQA-1.5-8B — разговорная языковая модель NVIDIA для ответов на вопросы и систем генерации с дополнением извлечёнными данными (RAG). Она дообучена на базе Llama 3 с улучшенной методикой ChatQA и дополнительными данными для разговорных вопросов, табличных запросов и арифметических вычислений. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов; репозиторий содержит веса в формате Safetensors. Модель рассчитана прежде всего на ответы по предоставленному контексту: это могут быть целые документы, помещающиеся в контекст, или найденные поиском фрагменты. Она поддерживает разговорный формат и ориентирована на английский язык. В README приведены результаты оценки на наборах разговорного QA и RAG; качество зависит от контекста и сценария, поэтому ответы следует проверять, особенно при вычислениях и работе с таблицами. Лицензия — Llama 3 License.

TusharGoel/LayoutLM-Finetuned-DocVQA — модель Tushar Goel на основе LayoutLM, дообученная на вопросах из набора DocVQA. Она предназначена для ответов на вопросы по содержимому документов с учётом текста и его расположения на странице. Модель содержит 136,7 млн параметров, использует архитектуру LayoutLMForQuestionAnswering, принимает документы и вопросы на английском языке; длина контекста — до 512 токенов. Модель подходит для извлечения сведений из документов по запросу, например для поиска ответа на форме или странице документа. Репозиторий содержит веса PyTorch. Лицензия — MIT.

Adaptive Classifier — классификатор типов документов на основе answerdotai/ModernBERT-base, опубликованный под идентификатором adaptive-classifier/document-type. Модель использует эмбеддинги размерности 768 и поддерживает непрерывное обучение с добавлением новых классов. В карточке описаны пять классов: договор, электронное письмо, счёт, служебная записка и отчёт; для каждого приведено по пять примеров. Модель предназначена для классификации текстов документов и сценариев, где набор категорий может изменяться со временем. Прототипы классов обновляются каждые 10 примеров. Для каждого класса требуется не менее трёх примеров; поддерживается не более 150 примеров на класс. Файлы модели представлены в формате safetensors, лицензия — Apache-2.0.

odunola/lfm-350m — это зеркальная публикация модели LFM2.5-350M от Liquid AI. Веса не изменены; в репозитории обновлён tokenizer_config.json, чтобы Transformers мог разбирать простые ответы ассистента и вызовы инструментов. Это плотная гибридная языковая модель LFM2 с 444,6 млн параметров по метаданным, 16 слоями и контекстом 128 000 токенов по метаданным. Она принимает и генерирует только текст; README описывает её как универсальную инструкционную модель для локального запуска и устройств с ограниченными ресурсами. Модель предназначена для извлечения данных, формирования структурированных ответов и вызова инструментов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, испанский и португальский языки. README указывает скорость до 313 токенов в секунду на AMD CPU и запуск менее чем с 1 ГБ памяти, однако эти показатели зависят от оборудования и условий измерения. Для работы доступны Transformers и другие среды вывода. Модель дообучена на LiquidAI/LFM2.5-350M-Base и выпущена под лицензией LFM Open License v1.0. README не рекомендует её для задач, требующих обширных знаний, и программирования; контрольная дата знаний — середина 2024 года.

AgentMercury-Qwen3.5-35B-A3B-SAO — это контрольная точка Qwen3.5-35B-A3B, дообученная Minbyul с помощью агентного обучения с подкреплением для работы с инструментами через MCP. Модель использует архитектуру Qwen3.5-MoE; в репозитории представлены веса safetensors для Transformers. По данным метаданных, базовая модель содержит 35 млрд параметров, из которых 3 млрд активны. Модель принимает текстовые запросы и выдаёт текстовые ответы с вызовами инструментов. Она предназначена для автономного выполнения многошаговых задач в синтетических корпоративных средах: искать сведения в почте, чатах, календарях, хранилищах, CRM и других сервисах, а затем создавать, изменять или удалять записи. Обучение основано на одном rollout на запрос и обучаемом критике; автор сообщает об улучшении доли выполненных действий на обучающих средах, но не приводит оценки на отложенном бенчмарке. Модель рассчитана прежде всего на англоязычную работу с инструментами; общие языковые и мультимодальные свойства унаследованы от базовой модели, но этот экспорт обозначен как текстовый. Это промежуточная контрольная точка на шаге 159 из запланированных 200, поэтому обучение не было завершено. Ответы могут быть длинными, а качество вне англоязычных корпоративных сценариев с инструментами зависит от базовой модели. Лицензия — Apache-2.0.

Email-tuned BGE-M3 — модель эмбеддингов на базе BAAI/bge-m3, разработанная для поиска по содержимому электронной почты. Это encoder-only модель семейства XLM-RoBERTa с 658,7 млн параметров и контекстом до 8194 токенов, опубликованная в формате safetensors и доступная по лицензии MIT. Модель дообучена на смешанном англо-корейском наборе писем с запросами разных типов, включая вопросы о метаданных, короткие и развёрнутые запросы, а также вопросы с ответом «да» или «нет». Она предназначена для извлечения эмбеддингов и поиска похожих писем или документов, а также для поиска по почтовым архивам на английском и корейском языках. Может применяться как компонент систем ответов на вопросы по содержимому писем. Лучше всего подходит для деловой переписки; качество за пределами почтовой тематики может снижаться и различаться между языками.

WebDancer-32B — языковая модель Alibaba-NLP для автономного поиска информации и рассуждений в стиле Deep Research. Она представлена в статье «WebDancer: Towards Autonomous Information Seeking Agency» и основана на Qwen/QwQ-32B, дообученной с использованием ReAct и четырёхэтапного процесса: подготовка данных для веб-навигации, сбор траекторий, supervised fine-tuning и обучение с подкреплением DAPO. Модель предназначена для агентных сценариев, где нужно самостоятельно искать сведения и использовать найденное для ответа на сложные вопросы. Размер — 32 млрд параметров, архитектура — плотная Qwen2ForCausalLM; она принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Контекст — до 40 960 токенов. В README приведены результаты Pass@3: 61,1% на GAIA и 54,6% на WebWalkerQA. Модель распространяется по лицензии MIT. Результаты бенчмарков не гарантируют качества в других сценариях; модель предназначена для агентного поиска и рассуждений, а отдельные сведения о поддерживаемых естественных языках в карточке не приведены.

Карточка модели Narsil/layoutlmv3-finetuned-funsd на Hugging Face совпадает с карточкой nielsr/layoutlmv3-finetuned-funsd, поэтому описание составлено по ней. nielsr/layoutlmv3-finetuned-funsd — модель для разметки токенов в документах, дообученная nielsr на microsoft/layoutlmv3-base на датасете FUNSD. Она основана на мультимодальном Transformer LayoutLMv3 и насчитывает 151,8 млн параметров; модель принимает текстовые токены с координатами и изображение документа, чтобы учитывать содержание и расположение элементов страницы. Основной сценарий — извлечение и классификация полей в формах, включая документы, похожие на FUNSD. На оценочной выборке указаны F1 0,9078, precision 0,9026, recall 0,913 и accuracy 0,8330. Модель предназначена для token classification, а её контекст составляет 514 токенов. Лицензия в предоставленных данных не указана.

XYZ-Aquila-mini — модель с открытыми весами для глубокого агентного поиска, разработанная XYZ AI Lab. Она дообучена на базе Qwen3.6-35B-A3B с помощью процесса AI4AI, в котором люди задают целевые возможности, ограничения и критерии приёмки, а агенты ИИ помогают находить ошибки и предлагать изменения. Модель предназначена для многошагового поиска и исследования: планирования, поиска в интернете на английском и китайском языках, сбора и проверки сведений из нескольких источников, а также восстановления после неудачных действий с инструментами. Это thinking-модель с совместимыми с Qwen форматами рассуждений и вызова инструментов. В README заявлены результаты на внешних бенчмарках агентного поиска; конкретные инструменты поиска, извлечения страниц и исполнения Python предоставляет обвязка AxisAgentic, а не сам чекпойнт. Модель использует архитектуру семейства Qwen3.5 MoE и распространяется в формате Safetensors. В метаданных указана лицензия Apache-2.0. README описывает оценивание с контекстом до 256K токенов в поисковой обвязке; это не подтверждает собственный предел контекста модели. Доступные сведения не устанавливают её точный размер. Применение для поиска зависит от совместимой обвязки и подключённых инструментов.

Chronos-2-Small — небольшая версия модели Chronos-2 от AutoGluon, предназначенная для прогнозирования временных рядов. Она построена на архитектуре T5 и содержит 22 млн параметров по метаданным Hugging Face; README указывает 28 млн параметров. Для работы используется библиотека chronos-forecasting. Модель подходит для построения прогнозов по временным рядам и может применяться как предварительно обученная модель для таких задач. В карточке указаны наборы данных autogluon/chronos_datasets и Salesforce/GiftEvalPretrain. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Данные карточки не уточняют поддерживаемые языки, конкретные отраслевые сценарии и ограничения качества прогнозов.

Sonar Reasoning Pro — модель рассуждений Perplexity, работающая на базе DeepSeek R1 и использующая цепочку рассуждений. Она предназначена для ответов на сложные запросы с опорой на поиск Perplexity; стоимость Sonar Pro включает стоимость поиска Perplexity. Доступный фрагмент карточки обрывается до подробностей о возможностях и ограничениях модели.

Arcee-Agent — языковая модель на 7,1 млрд параметров, разработанная Arcee AI для вызова функций и работы с инструментами. Она основана на Qwen2-7B и использует плотную архитектуру Qwen2ForCausalLM; для обучения применялся Spectrum, вычислительные ресурсы предоставила CrusoeAI. Модель предназначена для диалоговых агентов, маршрутизации запросов к инструментам и многошаговой автоматизации. Она может формировать вызовы API и баз данных, а также вести самостоятельный диалог. Поддерживает форматы Glaive FC v2, Salesforce и Agent-FLAN; в README отмечена наилучшая работа с форматом VLLM OpenAI FC. Контекст — до 131 072 токенов. Карточка указывает английский, немецкий и арабский языки. Модель распространяется под лицензией Apache-2.0. В README заявлены скорость и эффективность, однако не приведены независимые оценки качества. Как и другие языковые модели, она может ошибаться; выполнение её вызовов инструментов зависит от внешней инфраструктуры и настроек приложения.

Wendi 2B — компактная модель для принятия решений, разработанная на основе Qwen3.5-2B. Она получает свидетельства, критерий выбора и небольшой набор вариантов, после чего выбирает ответ одним предсказанием следующего токена. Модель предназначена для маршрутизации рабочих процессов, выбора следующего действия, классификации с учётом инструкций, проверки свидетельств, анализа использования инструментов и классификации электронной почты. Модель представляет собой плотную архитектуру Qwen3.5 с 2 млрд параметров; карточка указывает настройку контекста до 262 144 токенов и поддержку диалога. Wendi дообучена с помощью supervised fine-tuning и гибридного GRPO; языковые LoRA-адаптеры ранга 16 объединены в самостоятельный BF16-чекпойнт. Для обслуживания README рекомендует актуальные версии SGLang или vLLM с поддержкой Qwen3.5. Метаданные указывают языки en и zh. Внутренние отложенные проверки показывают пригодность для ряда задач классификации и выбора по заданным критериям, однако результаты различаются по категориям и не гарантируют точность на новых данных. Для запросов на принятие решений README рекомендует отключать режим thinking, использовать заглавные буквы для вариантов и оценивать следующий токен только среди допустимых ответов. Модель распространяется по лицензии Apache-2.0.

Fathom-Search-4B GGUF — квантизированная версия модели Fathom-Search-4B, разработанной FractalAIResearch на базе Qwen/Qwen3-4B и преобразованной в формат GGUF с использованием llama.cpp. Модель создана как специализированный компонент агентной системы Fathom-DeepResearch для продолжительного поиска информации, работы с живым веб-контентом, извлечения и проверки свидетельств, а также рассуждений по результатам поиска. В экосистеме Fathom-DeepResearch отдельная модель Fathom-Synthesizer-4B отвечает за обобщение найденных материалов и подготовку отчётов. Модель предназначена для сценариев DeepResearch и поисково-ориентированных задач, где требуется последовательно находить источники, собирать подтверждения и формировать ответы на основе актуальной информации из интернета. Заявлены высокие результаты системы на бенчмарках SimpleQA, FRAMES, WebWalkerQA и Seal0, а также превосходство над рядом закрытых DeepResearch-агентов на DeepResearch-Bench, однако в README не приведены подробные числовые показатели именно для этой GGUF-версии. Размер модели составляет около 4 млрд параметров. Поддерживаются текстовая генерация и формат GGUF для запуска через совместимые инструменты llama.cpp; конкретные варианты квантизации, размер контекстного окна и список языков в README не указаны. Используется экспериментальный подход квантизации с повышением точности отдельных важных слоёв, что может улучшать качество при заданном уровне квантования, но увеличивает размер файла. Модель распространяется по лицензии MIT.

FinanceGemma-E4B-GGUF — это квантованная в формате GGUF версия модели FinanceGemma-E4B, разработанной naazimsnh02 и дополнительно подготовленной mradermacher. Модель ориентирована на финансовые сценарии, включая генерацию текста, классификацию, анализ тональности и выполнение инструкций. Для обучения использовались наборы Finance-Instruct-500k и Sujet-Finance-Instruct-177k. Заявленный язык — английский; модель относится к семейству Gemma, однако точная архитектура, число параметров и размер контекста в README не указаны. Доступны варианты квантования от Q2_K до Q8_0, а также версия f16 с размерами файлов примерно от 4,5 до 15,2 ГБ. В README отмечено, что Q4_K_S и Q4_K_M рекомендуются для быстрого использования, Q6_K обеспечивает очень хорошее качество, а Q8_0 — лучшее качество среди быстрых вариантов. Также опубликованы файлы mmproj для мультимодального дополнения, но поддерживаемые модальности и ограничения мультимодальной работы подробно не описаны. Квантование уменьшает требования к памяти, но может снижать качество по сравнению с исходной моделью; weighted/imatrix-кванты на момент публикации отсутствовали. Модель распространяется по лицензии Apache-2.0.