IV.10Дом, личная жизнь, уход и повседневные задачи

mudler/ced-gguf — набор GGUF-квантизаций семейства CED (Consistent Ensemble Distillation), разработанного Xiaomi Corporation и преобразованного для работы с ced.cpp и LocalAI. Модели предназначены для классификации звуков и sound event detection: они распознают повседневные события, включая плач ребёнка, шаги, разбитое стекло, сигналы тревоги и лай собак, используя таксономию AudioSet из 527 классов. CED представляет собой аудиомодель на базе архитектуры AST/DeiT Vision Transformer, обрабатывающую log-mel-спектрограммы. Доступны варианты tiny на 5,5 млн параметров, mini на 9,6 млн, small на 22 млн и base на 86 млн параметров. Для каждого размера предусмотрены форматы f16 и q8_0, а для base также f32; размер файлов составляет примерно от 6 до 328 МБ. Конфигурация, метки классов и параметры mel-фильтробанка встроены в GGUF. Модели рассчитаны на работу на CPU без Python и PyTorch; tiny с q8_0 подходит для устройств уровня Raspberry Pi, а base с f16 ориентирована на максимальную точность. По данным README, порт численно согласуется с эталонной реализацией PyTorch, однако квантизация q8_0 несколько снижает точность численных прогнозов при сохранении совпадения top-5 тегов. Основные ограничения — специализация на классификации звуков из фиксированной 527-классовой онтологии AudioSet и отсутствие заявленной поддержки других модальностей или произвольных текстовых запросов. Веса моделей распространяются по лицензии Apache-2.0; метки AudioSet — по CC-BY-4.0, а код ced.cpp — по MIT.

Это модель классификации изображений efederici/convnext-base-224-22k-1k-orig-cats-vs-dogs, дообученная на наборе cats_vs_dogs на основе facebook/convnext-base-224-22k-1k. Она использует архитектуру ConvNeXt и предназначена для определения, изображена ли на фотографии кошка или собака. В README указаны точность 0,9973 и loss 0,0103 на оценочной выборке; эти результаты относятся к указанному набору данных. Модель принимает изображение и выдаёт класс изображения. Веса доступны в формате PyTorch, лицензия — Apache-2.0. Она подходит для простых сценариев сортировки фотографий кошек и собак, но карточка не подтверждает качество на других классах, наборах данных или условиях съёмки.

shuvam776/hoarding-detection-yolos — компактная модель обнаружения объектов на изображениях, разработанная на основе hustvl/yolos-tiny и дообученная на наборе данных, сведения о котором в карточке отсутствуют. Модель использует архитектуру YOLOS на базе ViT, содержит 7,1 млн параметров и предназначена для обнаружения и локализации объектов. Карточка указывает оценку Loss 1,0530 на наборе для оценки, но не описывает классы объектов, точность обнаружения или подходящие сценарии применения. Модель распространяется в формате safetensors по лицензии Apache-2.0.

HHousen/household-rooms — классификатор изображений на базе Vision Transformer (ViT), созданный с помощью HuggingPics. Модель предназначена для распознавания категорий комнат в доме по изображению. Веса представлены в формате PyTorch; размер модели составляет 113,2 млн параметров. HuggingPics описывает её как пользовательский классификатор, созданный на демонстрационном ноутбуке Google Colab. Карточка не сообщает список классов, языковые возможности или подробности обучения. Условия лицензирования в доступных данных не приведены.

Это модель для распознавания речевых команд, созданная дообучением facebook/wav2vec2-conformer-rel-pos-large на наборе Speech Commands. Она использует архитектуру Wav2Vec2-Conformer и содержит 402,7 млн параметров; модель классифицирует аудиозапись по ключевым словам, включая команды Yes, No, Up, Down, Left, Right, Stop и Go, цифры от Zero до Nine и дополнительные слова из набора Speech Commands. На оценочной выборке указана точность 0,9724. Модель предназначена для распознавания коротких англоязычных команд, например в голосовом управлении устройствами. Лицензия — Apache-2.0.

YOLOv26 Fire Detection — модель компьютерного зрения на базе архитектуры YOLOv26-S, разработанная автором репозитория SalahALHaismawi и рассчитанная на обнаружение огня, дыма и связанных с пожаром признаков. Модель обучена на 8 939 размеченных изображениях и предназначена для работы с изображениями и видеопотоками в реальном времени. Она выделяет объекты по классам fire, smoke и other; в карточке заявлены mAP@50 94,9%, mAP@50–95 68,0% и точность 89,6%. Для запуска используется библиотека Ultralytics, веса представлены в формате PyTorch. Модель подходит для наблюдения за пожарной безопасностью зданий и промышленных объектов, раннего обнаружения лесных пожаров, мониторинга с дронов и систем умного дома. Лицензия модели — MIT. Авторы отмечают снижение точности при слабом освещении, возможное смешение дыма с туманом или паром, а также зависимость качества от сходства входных данных с обучающими изображениями.

aryantyagiase/yolov8-fire-smoke-detection — модель компьютерного зрения на базе YOLOv8s, дообученная автором репозитория методом transfer learning для обнаружения огня и дыма. Она принимает изображения и кадры видео и возвращает рамки объектов с классами fire и smoke. Для инференса доступны веса PyTorch и формат ONNX; в метаданных также указан ONNX, а библиотека модели — Ultralytics. Модель предназначена для обнаружения огня и дыма в изображениях, видеопотоке и с веб-камеры. В README приведены mAP50 0,506, mAP50-95 0,231 и точность 0,542; обучение проводилось 20 эпох при размере изображения 416 на датасете Roboflow примерно из 5 957 изображений. Это экспериментальная демонстрационная модель, которую README описывает как proof of concept и прямо не рекомендует для производственного применения. Возможны пропуски и ложные срабатывания, особенно при размытии, дымке и неоднозначном фоне; модель также может принять за дым нерелевантные размытые или диффузные объекты. Лицензия в предоставленных данных не указана.

Tater86/room-classifier-v1 — классификатор изображений, созданный автоматически с помощью HuggingPics. По названию модель предназначена для распознавания типов или категорий комнат на изображениях. Карточка подтверждает задачу классификации изображений, но не сообщает список классов, архитектуру, размер модели или языковые характеристики.

TommyNgx выпустил модель компьютерного зрения для обнаружения огня и дыма на изображениях в реальном времени. Это дообученная на наборе fire-smoke-dataset модель семейства Ultralytics YOLO11; в README архитектура описана как YOLOv8, адаптированная с возможностями YOLOv10. Модель работает на PyTorch, принимает изображения с настраиваемым размером входа (по умолчанию 640×640) и распознаёт два класса: огонь и дым. Порог уверенности и IoU можно настраивать для конкретных условий применения. Репозиторий распространяется по лицензии Apache-2.0.

Модель Dog Breeds Classification разработана как дообученная версия Vision Transformer google/vit-base-patch16-224. Она принимает изображения размером 224×224 пикселя и классифицирует собак по 71 породе. По данным карточки, на наборе оценки она показала accuracy 0,9743 и loss 0,0763. Модель предназначена для определения породы собаки на фотографии. Она использует архитектуру ViTForImageClassification и распространяется в формате safetensors по лицензии Apache-2.0. Результаты оценки относятся к указанному набору данных; состав выборки и подробности методики оценки не описаны.

LLaVAction-0.5B — мультимодальная модель для распознавания действий и ответов на вопросы по видео, разработанная исследователями EPFL. Она дообучена на наборе EPIC-KITCHENS-100-MQA и предназначена для видео, похожих на записи из этого набора, в частности сцен приготовления пищи и бытовой активности на кухне. Модель основана на LLaVA-OneVision с Qwen2; архитектура сочетает SO400M и Qwen2. Размер — около 494 млн параметров, контекст — 32 768 токенов. Она принимает видео и текстовые запросы и генерирует текстовые ответы на английском языке. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства, распространения производных материалов на тех же условиях и ограничивает коммерческое использование.

RynnBrain 1.1-9B — мультимодальная модель Alibaba DAMO Academy для embodied intelligence, то есть понимания сцен с учётом пространства и возможных действий. Это плотная модель семейства Qwen3.5 с 9 млрд параметров, дообученная на базе Qwen/Qwen3.5-9B. Она рассчитана на диалоговый анализ изображений и видео, пространственные рассуждения, локализацию объектов и планирование; поддерживает зрительные возможности и текстовый ввод и вывод. В карточке также описаны обучение с 3D-привязкой и предсказание точек контакта, а семейство RynnBrain-VLA переносит понимание в управление роботами. Модель подходит для анализа пространственных отношений и объектов в сцене, поиска объектов по инструкции в изображениях и видео, а также задач embodied reasoning и планирования. Метаданные указывают английский и китайский языки. Репозиторий содержит веса safetensors и использует лицензию Apache-2.0. README не приводит численных результатов бенчмарков для этого чекпойнта; описанные возможности реального управления относятся к RynnBrain-VLA, поэтому их не следует считать подтверждённым интерфейсом управления данного репозитория.

kotraj-qwen3.5-2B — разработанная автором карточки донастройка Qwen3.5-2B для многошагового использования инструментов на корейском языке. Это плотная авторегрессионная модель с 1,7 млрд параметров; она принимает текстовые диалоги, формирует ответы и вызовы инструментов в собственном XML-формате Qwen3.5. Для продолжения диалога результаты инструментов передаются сообщениями роли tool. Модель рассчитана на агентские сценарии с одиночными и последовательными вызовами, включая календарь, покупки и путешествия; автор сообщает об улучшении на корейском kotraj-bench при сохранении результата базовой модели на английском BFCL v3. Поддерживается контекст до 262 144 токенов, лицензия Apache-2.0. В README указано, что модель обучена методом LoRA SFT с последующим слиянием адаптера с базовыми весами. Автор рекомендует явно задавать eos_token_id и отключать режим thinking, поскольку обучающие данные не содержали цепочек рассуждений. Среди ограничений — повышенная склонность вызывать инструменты даже тогда, когда это не нужно, непостоянство результатов между запусками и проверка лишь на трёх предметных областях; перенос на незнакомые схемы инструментов не оценивался. Приведённые оценки получены в одном запуске обучения.

Dog Breed Classifier — модель на базе MobileNetV2, дообученная для классификации изображений собак по 120 породам. Она принимает RGB-изображение размером 224×224 пикселя и выдаёт распределение вероятностей по классам пород; среди поддерживаемых классов указаны чихуахуа, мальтийская болонка, ши-тцу, папийон, афганская борзая и родезийский риджбек. Модель подходит для определения породы собаки на фотографии и интеграции такой функции в приложения через Hugging Face Inference API или Django. Используются PyTorch и библиотека Transformers. Модель опубликована под лицензией MIT.

m28yhtd/furniture_use_data_partial_finetuning3 — дообученная модель обнаружения объектов на базе facebook/detr-resnet-50, разработанная автором репозитория. Она предназначена для поиска объектов на изображениях и предсказания их классов и ограничивающих рамок. Модель построена на архитектуре DETR с ResNet-50 и опубликована в формате safetensors; в метаданных указано 6,3 млн параметров. Модель может применяться для обнаружения объектов мебели на изображениях, что следует из названия репозитория, однако состав классов и обучающий набор данных не описаны. Лицензия — Apache-2.0. README не содержит сведений о качестве, оценке или конкретных ограничениях модели.

gaoqie/InternVl2-8B-fire — мультимодальная модель на основе OpenGVLab/InternVL2-8B, предназначенная для проверки изображений на наличие огня и фильтрации ложных срабатываний систем обнаружения пожара. По карточке модель дообучена для визуальных вопросов; README описывает отдельный подход Flash-Cascade на базе Qwen2-VL-7B-Instruct с адаптером LoRA, но не подтверждает, что опубликованные веса относятся к этому подходу. Модель принимает изображения и текстовые запросы и формирует текстовые ответы. Метаданные указывают архитектуру InternVLChatModel, формат safetensors и лицензию Apache-2.0. Исходная модель InternVL2-8B рассчитана на ответы по изображениям, документам, диаграммам и видеокадрам; специализация данного репозитория — визуальная проверка огня. В README приведены результаты отдельного исследования Flash-Cascade, их нельзя уверенно приписать этой модели.

Maple — ассистентская модель канадской направленности, разработанная на базе Victoria и дообученная для ответов на повседневные вопросы с учётом контекста Канады. Если пользователь не указывает страну, модель трактует вопросы о налогах, работе, пособиях, иммиграции, здоровье и жилье в канадском контексте; при указании другой юрисдикции должна учитывать её. С инструментом веб-поиска модель ищет сведения и цитирует официальные канадские источники. Модель использует архитектуру Qwen4ExpForConditionalGeneration; заявлено 5,9 млрд активных параметров на токен. Это текстовая модель с интерфейсом чата и вызова инструментов. Версия опубликована в формате NVFP4 для vLLM и рассчитана на один графический процессор NVIDIA Blackwell, например B200 или B300. В карточке указаны английский и французский языки. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели. В опубликованной оценке на 600 отложенных вопросах Maple прошла заданный стандарт ответов в 21,8% случаев с веб-поиском и в 7,5% без него; сравнение проводили два ИИ-оценщика. Авторы отмечают, что человеческой оценки пока не было. На dev-наборе модель уступила Qwen3.8-Flash-Next в вопросах о канадской культуре и чаще не отвечала на вопросы. Для актуальных и важных сведений следует проверять цитируемые источники.

Thox-ai разработала ThoxMesh-Head-C6 — компактный классификатор для Seeed XIAO ESP32-C6, обученный с нуля и поставляемый в формате TFLite с квантованием int8. Модель использует 16 признаков и четыре головы: классифицирует события по 8 классам и предсказывает слоты цели, команды и аргумента. Она предназначена для обработки событий устройств в сетях Matter, Thread и Zigbee на микроконтроллере с ограниченной памятью. Точность классификации событий в приведённом README составляет 0,9979; F1 для классов motion и sensor_alert — 0,9903 и 0,9862. Строка действия собирается из перечислимых слотов и поэтому соответствует грамматике, однако это не гарантирует правильность выбранного устройства или команды. README прямо предостерегает от использования ветви действий: три из шести контрольных порогов не пройдены, а смысл целевого устройства остаётся неоднозначным. Данные синтетические, а не собранные на реальном оборудовании; нужны проверка на размеченных записях mesh-сети и проверка аргументов в прошивке. Лицензия репозитория — Apache-2.0.

EdBianchi разработал эту модель как дообученную версию Vision Transformer google/vit-base-patch16-224-in21k для классификации изображений с целью обнаружения огня. Модель содержит 113,2 млн параметров и распространяется в формате PyTorch. В README приведены результаты оценки: loss 0,0126, precision 0,9960 и recall 0,9960. Сведения о наборе данных, условиях оценки и ограничениях не приведены, поэтому эти показатели не позволяют судить о качестве на других изображениях. Лицензия — Apache-2.0.

Depth Anything V2 Metric Indoor Small — модель оценки метрической глубины для изображений помещений, дообученная на синтетическом наборе Hypersim и впервые опубликованная в этом репозитории. Она предназначена для получения карты абсолютных расстояний по одному изображению, в том числе в сценариях zero-shot-инференса. Модель использует архитектуру DPT с backbone DINOv2 и относится к семейству Depth Anything V2. Вариант Small содержит 24,8 млн параметров. Исходное семейство обучалось на синтетических размеченных и реальных неразмеченных изображениях; данный чекпойнт настроен на метрическую глубину в помещениях. Для работы с ним README указывает библиотеку Transformers версии 4.45.0 или новее. Лицензия в предоставленных данных не указана.

RynnBrain 1.1-122B-A10B — мультимодальная модель для embodied AI от Alibaba DAMO Academy, дообученная на базе Qwen3.5-122B-A10B. Это вариант семейства RynnBrain 1.1 с разреженной MoE-архитектурой: в названии указаны 122 млрд параметров и 10 млрд активных параметров. Модель принимает изображения и текст и предназначена для понимания сцен и видео, пространственных рассуждений, локализации объектов и планирования в задачах взаимодействия с физическим миром. В опубликованных материалах семейства описаны распознавание категорий, атрибутов и отношений объектов, подсчёт, поиск объектов по инструкциям с выдачей ограничивающих рамок, 3D-привязка и предсказание точек контакта. Для управления роботами авторы представляют отдельную систему RynnBrain-VLA; README не подтверждает, что данный чекпойнт сам выдаёт действия робота. В метаданных указаны английский и китайский языки, библиотека Transformers и формат safetensors. Лицензия — Apache-2.0. Длина контекста в предоставленных данных не указана.

voc2vec-hubert-ls-pt — аудиомодель семейства HuBERT для анализа невербальных человеческих вокализаций. Её разработали в рамках проекта voc2vec: модель продолжает предобучение модели, первоначально обученной на LibriSpeech, на подборке из 10 наборов данных с примерно 125 часами невербального аудио. В карточке указано 113,3 млн параметров; доступны веса PyTorch, лицензия Apache-2.0. Модель предназначена для классификации невербальных звуков, включая плач младенцев и другие вокализации. Её оценивали на шести наборах данных; README сообщает о лучших среди выпущенных моделей voc2vec результатах для варианта ls-pt. Это предобученная модель для дальнейшего применения в задачах аудиоклассификации; конкретный поддерживаемый язык речи не заявлен, а языковой тег en не означает, что модель предназначена для понимания речи на английском.

Это англоязычная модель автоматического распознавания речи, разработанная автором репозитория dys-asr и полученная дообучением NVIDIA Parakeet CTC 0.6B. Она настроена на распознавание дизартрической и другой нарушенной речи по корпусу Speech Accessibility Project Corpus 2 (SAPC2); подходит для транскрибирования речевых записей людей с различными нарушениями речи. На dev-разбиении SAPC2 модель показала WER 11,51% и CER 6,85% при жадном CTC-декодировании без языковой модели. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт английский текст. Вывод пишется заглавными буквами без пунктуации; числа передаются словами, поскольку токенизатор не содержит цифр. Точность сильно различается между говорящими и связана с причиной и тяжестью нарушения речи; обучение не доведено до сходимости. Модель представлена в формате safetensors для Transformers. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели.

SpaceThinker-Qwen2.5VL-3B — мультимодальная модель для визуальных вопросов и пространственного рассуждения, разработанная remyxai. Она основана на UCSC-VLAA/VLAA-Thinker-Qwen2.5VL-3B и использует семейство Qwen2.5-VL; обучение связано с набором данных remyxai/SpaceThinker. Модель предназначена для анализа изображений, определения пространственных отношений, ориентации, положения и свойств объектов, оценки глубины и расстояний, подсчёта объектов, локализации и задач, связанных с робототехникой и embodied AI. Указан английский язык, поддерживается мультимодальный сценарий image-text-to-text и библиотека Transformers. Размер модели — 3B параметров согласно идентификатору и базовой модели. Точные сведения о внутренней архитектуре, размере контекста и полном наборе поддерживаемых модальностей в README не приведены. Модель демонстрирует неоднородные результаты на пространственных бенчмарках: сильнее проявляет себя в некоторых задачах ориентации, 3D-отслеживания, локализации и пространственных отношений, но заметно слабее — в абсолютной оценке глубины и расстояния, определении размеров, 2D-локализации и сопоставлении точек. В README приведены показатели успешности на Q-Spatial-Bench, 3DSRBench, BLINK, MMIU, MMVP, QSpatialBench-Plus, QSpatialBench-ScanNet, RealWorldQA, SpatialSense, VGBench и VSI-Bench_8. Модель распространяется по лицензии qwen-research; ссылка ведёт на лицензию Qwen2.5-VL-3B-Instruct. Заявленные результаты зависят от конкретного набора данных и категории задачи, поэтому их следует рассматривать как ориентир, а не универсальную оценку качества.

Bektur756 выпустил модель для классификации изображений кошек, собак и панд. Это дообученная версия Vision Transformer Google ViT-Base с патчами 16×16 и классификационной головой на три класса. На вход подаётся RGB-изображение, которое приводится к размеру 224×224; всего модель обрабатывает 196 патчей и токен [CLS]. В метаданных указано 113,2 млн параметров, а в README — 85 800 963 параметра; эти значения расходятся. Модель подходит для определения, изображена ли на фотографии кошка, собака или панда. В README приведены точность 100% на тестовой выборке из 120 изображений и средняя задержка около 22 мс на Tesla T4; результаты относятся к небольшому датасету Melisa13/Animals_dataset и не гарантируют такую же точность на других изображениях. Модель распространяется по лицензии Apache-2.0.

VST-7B-RL — визуально-языковая модель на базе архитектуры Qwen2.5-VL, представленная авторами работы Visual Spatial Tuning. Она дообучена поэтапно: сначала с учителем для формирования пространственных знаний, затем с подкреплением для развития пространственных рассуждений. Модель принимает изображения и текстовые запросы, а также рассчитана на сценарии с несколькими изображениями и видео; размер составляет 7,1 млрд параметров, контекст — до 128 000 токенов. Модель предназначена для распознавания пространственных отношений и рассуждений о сценах: подсчёта объектов, оценки расстояний и размеров, определения направлений и планирования маршрутов. В README заявлены результаты на пространственных бенчмарках и усиление возможностей моделей для робототехники; также показана способность сохранять общие визуально-языковые навыки. Лицензия — Apache 2.0.

Cosmos-Reason1-7B-GGUF — GGUF-версия открытой мультимодальной модели Cosmos Reason от NVIDIA, подготовленная Unsloth. Это vision-language model с 7 млрд параметров, предназначенная для физического искусственного интеллекта, робототехники и автономных транспортных систем. Модель принимает текстовый запрос вместе с изображением или видео и генерирует ответ с учётом визуального содержания. Заявленный язык — английский. Модель специализируется на пространственно-временном понимании, базовой физике, здравом смысле и воплощённом рассуждении. Она может использоваться для планирования действий роботов и VLA-систем, интерпретации сложных команд, анализа незнакомых сцен, автоматизированной разметки и отбора данных, а также для анализа записанных или потоковых видеоматериалов и поиска причин событий. Архитектура включает vision encoder, projector и языковую модель, объединяющую визуальные токены с текстовым запросом; обучение продолжалось с помощью supervised fine-tuning и reinforcement learning на данных, связанных с физическим здравым смыслом и рассуждением в реальном мире. К сильным сторонам относятся способность рассуждать о динамике окружающей среды, учитывать пространство и время, объяснять ход решения и работать с длинным хвостом разнообразных физических сценариев. Ограничения включают заявленную ориентацию на английский язык, отсутствие в предоставленных данных сведений о размере контекста и конкретных требованиях к аппаратному обеспечению, а также необходимость самостоятельно проверять ответы модели в критически важных робототехнических и автономных системах. Модель распространяется по NVIDIA Open Model License; коммерческое использование и создание производных моделей разрешены при соблюдении условий лицензии, включая требования к сохранению сопоставимых защитных механизмов.

RynnBrain 1.1-2B — мультимодальная модель для embodied AI, разработанная Alibaba DAMO Academy и дообученная на базе Qwen/Qwen3.5-2B. Она принимает изображения и текстовые запросы, а также поддерживает понимание видео и пространственных сцен; выдаёт текстовые ответы и описания, включая результаты локализации объектов. В карточке указана архитектура Qwen3.5 dense с 2 млрд параметров, библиотека Transformers и формат весов safetensors. Модель предназначена для пространственного и объектного понимания, визуального заземления инструкций, рассуждений и планирования в сценах для embodied-систем. Примеры задач из README включают определение категорий, атрибутов и отношений объектов, подсчёт и локализацию объектов по запросу на изображении или видео. Семейство RynnBrain 1.1 также включает отдельную VLA-систему для управления роботами; README не утверждает, что данный чекпойнт 2B сам выдаёт команды управления. Модель ориентирована на английский и китайский языки. Репозиторий распространяется по лицензии Apache-2.0. Длина контекста и количественные результаты именно этого чекпойнта в предоставленных материалах не приведены.

nateraw/food — модель компьютерного зрения, дообученная nateraw на базе google/vit-base-patch16-224-in21k для классификации изображений еды. Она использует архитектуру Vision Transformer (ViT) и содержит 113,2 млн параметров. Модель предназначена для распознавания категорий блюд на фотографиях; при оценке на тестовой выборке Food-101 достигла точности 89,13% и значения loss 0,4501. Модель принимает изображения и выдаёт метку класса. Её можно применять для автоматической сортировки фотографий еды и определения блюда по снимку. Доступны веса PyTorch; лицензия — Apache-2.0. Карточка не описывает ограничения и условия, при которых получена оценка, поэтому результат может отличаться на изображениях вне оценочной выборки.

marinamen/gastos-bancarios-classifier — модель классификации коротких описаний банковских операций на испанском языке по 14 категориям личных расходов. Она разработана как дообучение испанской модели BERT dccuchile/bert-base-spanish-wwm-cased для автоматической категоризации транзакций в приложении личных финансов. Модель использует архитектуру BERT для классификации последовательностей, содержит 137,1 млн параметров и рассчитана на контекст до 512 токенов; при обучении использовалась максимальная длина 64 токена. Модель предназначена для обработки шумных банковских выписок: сокращённых названий продавцов, смешанного регистра, кодов и дат, а также неоднозначных описаний. Она предсказывает одну из категорий: продукты, рестораны, транспорт, одежда, здоровье, технологии, дом, путешествия, образование, спорт, развлечения, энергия, аренда или прочее. В README указана точность 86,4% на тесте; слабее всего модель справлялась с развлечениями из-за пересечения этой категории с технологиями. Обучение проводилось на синтетическом наборе из 1 400 примеров. Модель распространяется в формате safetensors; лицензия в доступных данных не указана.