IV.2Банки, платежи и инвестиции

Xor 1.2 — разработанная Juspay и дообученная на базе Qwen/Qwen3.6-35B-A3B модель для типизированных задач принятия решений. Она принимает текстовое состояние и вопросы типов «да/нет», категориального выбора или порядковой оценки, а затем выдаёт вероятности и распределения вероятностей. Запросы также могут содержать до восьми изображений или одно видео, чтобы классифицировать информацию в тексте и медиа. Модель построена на архитектуре причинной языковой модели Mixture-of-Experts; веса Xor 1.2 получены постобучением с LoRA ранга 16, объединённой с базовыми весами BF16. Размер файлов модели — около 66 ГБ. Для воспроизводимой работы требуется использовать совместимую обвязку TypeSafe и указанный в карточке inference-конфиг с детерминированным считыванием кандидатов, проверкой порядка вариантов и калибровкой вероятностей. Проверена работа на одной GPU с SGLang. Модель подходит для структурированной классификации и оценивания по заданной схеме, включая вопросы по изображениям или видео. Для изображений и видео надёжное различение типа медиа не гарантируется; в одном запросе лучше передавать только один вид медиа. Размер тела запроса ограничен 8 МБ, что оставляет примерно 6 МБ на медиа после Base64-кодирования. Распространяется по лицензии Apache-2.0.

Карточка модели keyvan-ai/german-ocr-2b-gguf на Hugging Face совпадает с карточкой Keyven/german-ocr-2b-gguf, поэтому описание составлено по ней. German-OCR 2B (GGUF) — компактная мультимодальная модель для распознавания и извлечения текста из документов на немецком языке. Автор модели — Keyvan Hardani. Это дообученная версия Qwen/Qwen3-VL-2B-Instruct, упакованная в формат GGUF: файлы включают языковую часть с квантизацией Q4_K и vision encoder. Модель принимает изображение документа и текстовую инструкцию, а результат выдаёт текстом; в карточке указана поддержка диалогового режима и анализа изображений. Модель рассчитана на OCR немецких документов, например счетов и других изображений документов, и предназначена для локального запуска через llama.cpp. В README заявлена работа на CPU и поддержка CUDA, Metal, Vulkan и OpenVINO. Автор также приводит показатели скорости и точности для RTX 4060 и CPU, но они основаны на данных карточки и не подтверждены независимой оценкой. Лицензия — Apache 2.0.

mychen76/invoice-and-receipts_donut_v1 — модель на основе Donut, дообученная для извлечения структурированных данных из изображений счетов и чеков. Она принимает изображение документа и формирует результат в виде JSON или XML, позволяя преобразовывать содержимое документа без отдельного OCR-движка. Модель предназначена для автоматизации обработки счетов и чеков, например для извлечения сведений о покупке и переноса их в структурированные системы. В метаданных указана архитектура vision-encoder-decoder и формат весов PyTorch/Safetensors. Модель опубликована под лицензией Apache-2.0. В README модель названа экспериментальной. Карточка не приводит сведения о размере модели, контекстном окне или поддерживаемых языках документов; качество извлечения на разных шаблонах и языках не описано.

riteshbehera857/layoutlm-base-uncased-finetuned-invoices-1 — модель LayoutLM, дообученная для извлечения полей из счетов и накладных с помощью классификации токенов. Она размечает адреса и имена покупателя и поставщика, номер GST, номер счета, дату и идентификатор заказа, а также суммы до и после налогообложения. Архитектура LayoutLM учитывает текст и его расположение в документе; размер модели — 136,7 млн параметров, контекст — до 512 токенов. Для работы с документами модели нужны распознанные слова и их координаты; исходное изображение она напрямую не принимает. В README приведены результаты на оценочной выборке: общая точность 0,9945 и F1 0,9837. Эти показатели относятся к указанной выборке и не гарантируют такое же качество на других шаблонах счетов. Не описаны обучающий датасет и ограничения применения. Модель распространяется по лицензии MIT.

Модель Theivaprakasham/layoutlmv3-finetuned-invoice — дообученная версия microsoft/layoutlmv3-base на наборе данных счетов-фактур. Она использует архитектуру LayoutLMv3 для разметки токенов с учётом текста и визуальной структуры документа. По изображению счёта модель извлекает имя и адрес выставителя, почтовый индекс, дату оплаты, GST, дату и номер счёта, подытог и итоговую сумму. Модель содержит 151,8 млн параметров, работает в формате PyTorch и рассчитана на контекст до 514 токенов. В карточке приведены идеальные метрики на оценочной выборке: precision, recall, F1 и accuracy равны 1,0; эти результаты относятся только к указанной выборке и не гарантируют такого же качества на новых документах. Модель предназначена для извлечения полей из счетов, а не для документов произвольного типа. Лицензия в доступных данных не указана.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-base-en-v1.5 для сопоставления текстов. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их по косинусному сходству; архитектура включает BERT-трансформер, пулинг CLS-токена и нормализацию. Модель рассчитана на английский язык и принимает последовательности длиной до 512 токенов. Её можно применять для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста, в том числе для поиска вопросов по финансовым и договорным фрагментам. Обучение описано как дообучение с MultipleNegativesRankingLoss на наборе из 26 примеров с контекстами и вопросами. Модель распространяется по лицензии Apache-2.0. Небольшой обучающий набор ограничивает основания ожидать широкую специализацию на финансовых текстах или стабильное качество на разнообразных данных; результаты следует проверять на целевом корпусе.

PII Guard Turkish 0.6B — дообученная модель на базе Qwen/Qwen3-0.6B, созданная Хасаном Чагры Гюнгёром для поиска и маскирования персональных данных в турецком тексте. Она принимает инструкцию с политикой обработки и текст с префиксом «Metin:», а затем заменяет распознанные данные метками, например [AD], [TEL] и [IBAN]. Поддерживаются полное маскирование, режимы белого и чёрного списка, а также 53 метки для девяти категорий данных. Модель предназначена для очистки журналов, минимизации данных перед передачей в LLM и сценариев защиты персональных данных в соответствии с KVKK и GDPR. Это плотная авторегрессионная модель семейства Qwen3 с 507,9 млн параметров; в метаданных указано контекстное окно 40 960 токенов, тогда как README сообщает о контексте обучения в 768 токенов. Модель рассчитана только на турецкий язык. Репозиторий содержит веса Safetensors, а автор отмечает возможность экспорта в ONNX и использования на CPU. Лицензия — Apache-2.0. В опубликованном бенчмарке на 1 000 синтетических примерах точное совпадение составило 0,828; результаты на реальных пользовательских данных не измерялись. Модель может выдавать метки вне заданной схемы, а среди более сложных случаев — инструкции чёрного списка, числа, записанные словами, и длинные тексты. Для рабочего применения автор рекомендует проверять допустимые метки и предусматривать валидацию и человеческий контроль.

YingLong 110M — предварительно обученная модель семейства YingLong для прогнозирования временных рядов. В этой версии обучение проводилось на 78 млрд временных точек; карточка приводит примеры долгосрочного прогнозирования и оценки на GIFT-Eval. Модель выпущена в формате safetensors и использует библиотеку YingLong. Лицензия CC BY 4.0 разрешает использование при соблюдении её условий.

YingLong_300m — предобученная модель временных рядов семейства YingLong, представленная авторами исследования YingLong. Эта версия обучена на 78 млрд временных точек и предназначена для долгосрочного прогнозирования временных рядов; карточка также упоминает оценку на наборе задач GIFT-eval. Для работы предусмотрены библиотека YingLong и формат весов safetensors. Модель принимает временные ряды и выдаёт прогнозы. В README приведены примеры запуска для долгосрочного прогнозирования; для ускорения может использоваться FlashAttention 2, но она не обязательна. Доступ к модели распространяется по лицензии CC BY 4.0.

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.

sandsiv-278-pii-ch — многоязычная модель SandSIV для распознавания и разметки персональных данных в текстах, ориентированная на швейцарский контекст. Она дообучена для классификации токенов на базе microsoft/mdeberta-v3-base и имеет архитектуру DeBERTa V2; размер — 306 млн параметров по метаданным, длина контекста — 512 токенов. Модель выявляет 19 типов сущностей, включая имена, адреса, телефоны, электронную почту, номера банковских карт и IBAN, а также швейцарские AHV-номера, кантоны и номера земельного реестра. Поддерживает английский, итальянский, немецкий и французский языки. Модель предназначена для обнаружения PII как этапа обезличивания отзывов клиентов, обращений в поддержку и административных документов. SandSIV сообщает о применении модели в anonymo.io — настольном приложении, выполняющем инференс локально. Обучение проводилось на синтетических данных; по оценке разработчика, качество на реалистичных текстах, отличающихся от обучающих шаблонов, может быть ниже. Возможны ошибки при обработке идентификаторов документов с буквенным префиксом, фрагментация сущностей на части и более слабое распознавание возраста. Лицензия — MIT.

Sundial Base 128M — генеративная базовая модель временных рядов семейства Sundial. Согласно карточке, она предварительно обучена на более чем 1 трлн временных точек и использует 128 млн параметров. Архитектура — причинный декодерный Transformer: числовой ряд разбивается на патчи длиной 16 и преобразуется в токены. Для генерации прогнозов модель применяет вероятностное моделирование и flow matching. Модель предназначена для прогнозирования временных рядов без дообучения на конкретном наборе данных, включая точечные и вероятностные прогнозы. Генерация нескольких возможных сценариев позволяет получать статистические оценки, в том числе квантили и интервалы неопределённости. В README сообщается о результатах на бенчмарках GIFT-Eval и Time-Series-Library; это заявления авторов карточки, а не независимая оценка. В карточке модели контекст указан как 10 000 токенов, тогда как README приводит длину контекста до 2880; для практического применения следует учитывать расхождение. Модель принимает числовые временные ряды и выдаёт прогнозы. Она распространяется по лицензии Apache-2.0; для стабильной совместимости README рекомендует Transformers 4.40.1 и Python 3.10.

ChatTS-8B-1103 — диалоговая модель ByteDance Research для понимания и рассуждений о временных рядах. Она построена на Qwen3-8B и дообучена на наборе ChatTS-Training-Dataset; содержит около 7,6 млрд параметров и использует архитектуру Qwen3TSForCausalLM. Модель принимает многомерные временные ряды переменной длины и размерности и поддерживает диалоговый анализ, включая вопросы о числовых значениях и статистических свойствах ряда. Модель предназначена для интерактивного исследования временных данных, поиска закономерностей и ответов на вопросы о пиках и изменениях в ряду. Контекст составляет до 40 960 токенов; заявлены английский и китайский языки. Для запуска используется Transformers, также README упоминает интеграцию с vLLM. Лицензия — Apache-2.0. README расходится в указании базовой модели для дообучения: в нём названы Qwen3-8B и Qwen2.5-14B-Instruct, тогда как метаданные и описание версии указывают на Qwen/Qwen3-8B.

FlowState — базовая модель для прогнозирования временных рядов, выпущенная IBM Research. Она сочетает энкодер на основе State Space Model (SSM) с декодером на функциональном базисе, который формирует непрерывный прогноз и позволяет адаптировать модель к разным частотам дискретизации и временным масштабам. Модель предназначена для прогнозирования без дообучения (zero-shot). Версия r1.1 содержит 18,5 млн параметров и контекст предобучения длиной 4096; при загрузке этой версии необходимо явно указать revision=r1.1, иначе используется версия 1.0. Для настройки временного масштаба рекомендуется учитывать сезонность данных; качество прогноза снижается при горизонте свыше примерно 30 сезонов. В карточке заявлены высокая точность zero-shot прогнозирования и эффективность при компактном размере модели. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0. Эта публикация предназначена для исследовательского использования и воспроизведения результатов; для коммерческого и корпоративного применения IBM указывает на отдельные выпуски Granite.

German-OCR 2B (GGUF) — компактная мультимодальная модель для распознавания и извлечения текста из документов на немецком языке. Автор модели — Keyvan Hardani. Это дообученная версия Qwen/Qwen3-VL-2B-Instruct, упакованная в формат GGUF: файлы включают языковую часть с квантизацией Q4_K и vision encoder. Модель принимает изображение документа и текстовую инструкцию, а результат выдаёт текстом; в карточке указана поддержка диалогового режима и анализа изображений. Модель рассчитана на OCR немецких документов, например счетов и других изображений документов, и предназначена для локального запуска через llama.cpp. В README заявлена работа на CPU и поддержка CUDA, Metal, Vulkan и OpenVINO. Автор также приводит показатели скорости и точности для RTX 4060 и CPU, но они основаны на данных карточки и не подтверждены независимой оценкой. Лицензия — Apache 2.0.

andreagemelli/LFM2.5-350M-IT-Extract — дообученная Андреа Джемелли плотная причинная языковая модель семейства LFM2, основанная на LiquidAI/LFM2.5-350M. Она предназначена для извлечения ключевой информации из изображений итальянских форм и документов с выдачей результата в формате JSON. Для дообучения использован итальянский вариант набора XFUND, а модель работает через библиотеку Transformers. В проверке на валидационной выборке xfund-kie модель показала средний F1 0,5311; в 10 из 50 случаев JSON не удалось разобрать. Метаданные указывают контекст до 128 000 токенов, однако карточка не уточняет, как именно обрабатываются изображения и как сформирован входной запрос. Модель опубликована в формате safetensors. Сведения о лицензии в предоставленных материалах отсутствуют.

OpenMed Privacy Filter Nemotron MLX 8-bit — квантизированная до 8 бит версия модели OpenMed для обнаружения персональных данных в тексте на устройствах Apple Silicon. Это токен-классификатор архитектуры OpenAI Privacy Filter с 145,4 млн параметров и контекстом до 131 072 токенов; он размечает токены BIOES-метками для 55 категорий персональных данных, после чего MLX-конвейер группирует их в сущности с символьными позициями и оценками. Модель предназначена для выявления и последующей маскировки или деидентификации идентификаторов, контактных, финансовых, медицинских, сетевых и других чувствительных данных. Веса аффинно квантизированы в 8 бит с размером группы 64. README сообщает о размере весов около 1,4 ГБ и ускорении примерно в 1,7 раза относительно BF16-версии; на 10 тестовых примерах совпадение argmax с BF16 составило 100%. Модель рассчитана на MLX и Apple Silicon, включая запуск на CPU с меньшей скоростью. Карточка указывает английский язык и лицензию Apache-2.0. Проверка согласия с BF16 ограничена описанными тестовыми примерами, поэтому эти результаты не гарантируют такую же точность на произвольных данных.

Карточка модели YuzuSolutions/tabfm-1.0.0-pytorch на Hugging Face совпадает с карточкой google/tabfm-1.0.0-pytorch, поэтому описание составлено по ней. TabFM 1.0.0 — табличная foundation-модель Google Research для классификации и регрессии на структурированных данных. Эта версия содержит веса PyTorch и использует библиотеку tabfm. Модель работает с числовыми и категориальными столбцами, принимает обучающие примеры как контекст и выдаёт прогноз за один проход без дообучения на конкретном наборе данных и подбора гиперпараметров. Архитектура сочетает внимание между столбцами и строками с 24-блочным причинным ICL-трансформером; в карточке также указана размерность эмбеддингов 256. TabFM предназначена для бинарной и многоклассовой классификации до 10 классов, а также регрессии. Данные можно передавать в виде pandas DataFrame или массивов NumPy. Модель обучалась на синтетических наборах, сгенерированных структурными причинными моделями; оценка на TabArena охватывала 51 набор данных. Лицензия указана как other, а README исключает коммерческое использование. Модель не предназначена для изображений, аудио, видео и текста; качество на конкретных предметных областях и редких распределениях не полностью охарактеризовано.

Sachin21112004/distilbart-news-summarizer — англоязычная модель для создания кратких пересказов новостных статей, разработанная на базе DistilBART и дообученная на новостных и финансовых текстах. Она предназначена для автоматического суммирования журналистских материалов, рыночных новостей, отчетов о доходах и экономических публикаций. Модель использует архитектуру encoder-decoder BART с 252,8 млн параметров и контекстом до 1024 токенов. Карточка указывает на обучение на данных CC-News и наборах финансовых новостей; README описывает ее как ориентированную на новостной стиль и финансовую терминологию. Она формирует краткий текстовый пересказ, однако заявления README о размере обучающих данных, точности и скорости не подтверждены метаданными. Лицензия репозитория — AGPL-3.0.

noczero/pii-xlmr-bilingual — дообученная модель XLM-RoBERTa для поиска и разметки персональных данных в тексте на английском и корейском языках, включая их смешанное употребление. Модель находит семь типов сущностей: людей, корейские регистрационные номера жителей (RRN), телефоны, адреса электронной почты, адреса, номера карт и организации. Архитектура — XLMRobertaForTokenClassification, около 305,2 млн параметров; базовая модель — FacebookAI/xlm-roberta-base. Максимальная длина контекста — 514 токенов. Модель предназначена для выявления фрагментов с персональными данными перед их редактированием или маскированием, в том числе в локальных системах без сетевых вызовов при инференсе. В README сообщается о строгом F1 по точным границам сущностей 0,9711 на генеративном наборе и 0,9161 на смешанном англо-корейском наборе; результаты на реальном тексте ниже — 0,7356 в целом, причём слабее всего распознаются организации. Лицензия — MIT.

Qwen2.5-Math-7B-Instruct-GGUF — это квантизированная в формате GGUF версия модели Qwen2.5-Math-7B-Instruct, разработанной командой Qwen. Файл подготовлен сообществом LM Studio, а GGUF-квантизация выполнена bartowski на основе llama.cpp b3772; LM Studio не является создателем модели. Модель предназначена для генерации текста и решения математических задач на английском языке. Она поддерживает пошаговое рассуждение Chain-of-Thought (CoT) и Tool-integrated Reasoning (TIR), поэтому подходит для математического анализа, объяснения хода решения и сценариев, где требуется интеграция с инструментами. Указанный стандартный размер контекста составляет 4096 токенов. Ключевые характеристики включают размер 7B параметров, текстовую модальность и англоязычную специализацию. Сильными сторонами являются ориентация на математическое рассуждение и возможность инструментально поддерживаемого решения задач. Ограничениями выступают контекст в 4096 токенов и потенциальные ошибки, неточности или неподходящие ответы, свойственные генеративным моделям; сведения о конкретном методе квантизации и поддерживаемых дополнительных языках не указаны. Модель распространяется по лицензии Apache 2.0.

thefloydd/qwen3-0.6b-rlcd — компактная модель оценки вариантов на 0,6 млрд параметров, созданная на базе Qwen3-0.6B-Base и опубликованная автором репозитория. Она принимает описание состояния и один или несколько типизированных вопросов с вариантами ответа и критериями, затем за один проход оценивает варианты и возвращает калиброванные вероятности, а также отдельную оценку уверенности в том, что правильный ответ вообще присутствует среди вариантов. Модель не генерирует текстовые токены и рассчитана на работу через Transformers, в том числе на CPU. Модель предназначена прежде всего для структурированных решений: применения правил к записям и документам, проверки утверждений, классификации по заданным вариантам и ситуаций, где полезно воздержаться от ответа при низкой уверенности. Вопросы обрабатываются независимо; поддерживается до 255 вариантов для вопроса типа choice и до 8192 токенов на запрос, хотя обучение проводилось на состояниях длиной до 2304 токенов. Модель обучена на английском языке. Базовая модель дообучена с LoRA, после чего адаптер слит с весами; лицензия репозитория — Apache-2.0. Наиболее сильные результаты показаны на структурированных задачах принятия решений. Качество обычной классификации текста, логического вывода, анализа журналов и многошаговых вопросов заметно ниже, калибровка зависит от области. Модель не может выбрать ответ вне предложенного списка: если верного варианта нет, следует ориентироваться на отдельную оценку confidence. Данные обучения включали источники с различными условиями лицензирования, в том числе некоммерческое обучение и исследовательское использование.

TabFM 1.0.0 — табличная foundation-модель Google Research для классификации и регрессии на структурированных данных. Эта версия содержит веса PyTorch и использует библиотеку tabfm. Модель работает с числовыми и категориальными столбцами, принимает обучающие примеры как контекст и выдаёт прогноз за один проход без дообучения на конкретном наборе данных и подбора гиперпараметров. Архитектура сочетает внимание между столбцами и строками с 24-блочным причинным ICL-трансформером; в карточке также указана размерность эмбеддингов 256. TabFM предназначена для бинарной и многоклассовой классификации до 10 классов, а также регрессии. Данные можно передавать в виде pandas DataFrame или массивов NumPy. Модель обучалась на синтетических наборах, сгенерированных структурными причинными моделями; оценка на TabArena охватывала 51 набор данных. Лицензия указана как other, а README исключает коммерческое использование. Модель не предназначена для изображений, аудио, видео и текста; качество на конкретных предметных областях и редких распределениях не полностью охарактеризовано.

Карточка модели Mattral/tabfm-1.0.0-pytorch на Hugging Face совпадает с карточкой google/tabfm-1.0.0-pytorch, поэтому описание составлено по ней. TabFM 1.0.0 — табличная foundation-модель Google Research для классификации и регрессии на структурированных данных. Эта версия содержит веса PyTorch и использует библиотеку tabfm. Модель работает с числовыми и категориальными столбцами, принимает обучающие примеры как контекст и выдаёт прогноз за один проход без дообучения на конкретном наборе данных и подбора гиперпараметров. Архитектура сочетает внимание между столбцами и строками с 24-блочным причинным ICL-трансформером; в карточке также указана размерность эмбеддингов 256. TabFM предназначена для бинарной и многоклассовой классификации до 10 классов, а также регрессии. Данные можно передавать в виде pandas DataFrame или массивов NumPy. Модель обучалась на синтетических наборах, сгенерированных структурными причинными моделями; оценка на TabArena охватывала 51 набор данных. Лицензия указана как other, а README исключает коммерческое использование. Модель не предназначена для изображений, аудио, видео и текста; качество на конкретных предметных областях и редких распределениях не полностью охарактеризовано.

Карточка модели MertOezberk95/tabfm-1.0.0-pytorch на Hugging Face совпадает с карточкой google/tabfm-1.0.0-pytorch, поэтому описание составлено по ней. TabFM 1.0.0 — табличная foundation-модель Google Research для классификации и регрессии на структурированных данных. Эта версия содержит веса PyTorch и использует библиотеку tabfm. Модель работает с числовыми и категориальными столбцами, принимает обучающие примеры как контекст и выдаёт прогноз за один проход без дообучения на конкретном наборе данных и подбора гиперпараметров. Архитектура сочетает внимание между столбцами и строками с 24-блочным причинным ICL-трансформером; в карточке также указана размерность эмбеддингов 256. TabFM предназначена для бинарной и многоклассовой классификации до 10 классов, а также регрессии. Данные можно передавать в виде pandas DataFrame или массивов NumPy. Модель обучалась на синтетических наборах, сгенерированных структурными причинными моделями; оценка на TabArena охватывала 51 набор данных. Лицензия указана как other, а README исключает коммерческое использование. Модель не предназначена для изображений, аудио, видео и текста; качество на конкретных предметных областях и редких распределениях не полностью охарактеризовано.

UniSpeech-SAT-Base-SV — модель Microsoft для проверки и распознавания говорящего по речевому аудио. Она основана на архитектуре UniSpeech-SAT и содержит около 113,3 млн параметров. Модель предварительно обучена на 960 часах LibriSpeech с контрастивными целями для представления речи и характеристик говорящего, затем дообучена на VoxCeleb1 с X-Vector-головой и функцией потерь Additive Margin Softmax. Модель принимает речевые фрагменты с частотой дискретизации 16 кГц и формирует векторное представление голоса, пригодное для сравнения говорящих и проверки совпадения голосов. Карточка указывает английский язык и LibriSpeech; отдельного контекстного окна для аудио не заявлено. В репозитории указаны веса PyTorch. Лицензия в предоставленных сведениях не указана.

YaYi-13B-Llama2 — китайская языковая модель компании Wenge Research, дообученная на базе LLaMA 2 для выполнения инструкций в нескольких прикладных областях. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст; заявленная длина контекста — 2048 токенов. Модель предназначена для генерации ответов и многошагового диалога, а также анализа задач в сферах медиапродвижения, анализа общественного мнения, общественной безопасности, финансовых рисков и городского управления. Разработчики сообщают об усилении китайских языковых и аналитических возможностей, пользовательской обратной связи при оптимизации и частичной поддержке плагинов. Карточка не приводит условия лицензии. Данные обучения описаны как миллионы искусственно созданных высококачественных примеров, но подробные оценки качества и конкретные ограничения не указаны.

Это модель rhovhannisyan/dmr-invoice-extractor — вариант Donut, дообученный на извлечении полей из изображений счетов-фактур. Она принимает изображение документа и генерирует текстовые значения для типа документа, валюты, даты, валовой и чистой суммы, суммы налога, номера счета, номера заказа и страны кредитора; для документов, не являющихся счетами, тип документа может быть «Other». Архитектура VisionEncoderDecoderModel сочетает визуальный энкодер Swin Transformer и текстовый декодер BART. Модель обучена примерно на нескольких тысячах размеченных счетов и документов других типов из разных стран и на разных языках; ожидаются одностраничные документы. Разрешение входа — 1280×1920 пикселей, а сканирование с плотностью выше 150 dpi, согласно карточке, не даёт дополнительной пользы. Модель предназначена для автоматизации извлечения реквизитов из счетов и первичной обработки документов. Данные обучения проприетарные, а метрика валидации приведена без пояснения шкалы, поэтому её нельзя напрямую трактовать как точность. Лицензия CC BY-NC-SA 4.0 требует атрибуции, ограничивает коммерческое использование и предписывает распространять адаптации на тех же условиях.

DynaGuard-8B — специализированная модель-охранник, разработанная исследователями Университета Мэриленда и Capital One для проверки текста и диалогов по заданным пользователем правилам на естественном языке. Она предназначена для гибкой модерации ответов чат-ботов, когда нужно проверять прикладные требования, выходящие за рамки фиксированных категорий вредного контента, например запрет на несанкционированное обещание возврата средств или медицинскую рекомендацию. Модель построена на архитектуре decoder-only Transformer семейства Qwen3 и содержит 7,6 млрд параметров; базовая модель — Qwen3-8B. Её дообучили на DynaBench и наборах данных для оценки безопасности, применив SFT и затем GRPO. Контекст составляет до 40 960 токенов. Модель принимает текст с политикой и диалогом и выдаёт текстовую оценку: быстрый вердикт PASS/FAIL либо вердикт с объяснением и трассой рассуждения. Карточка указывает английский язык. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0. DynaGuard подходит для настройки модерации под правила конкретного продукта и для анализа причин нарушения политики с участием человека. В README заявлены сильные результаты на DynaBench и традиционных тестах безопасности, однако количественная таблица в карточке неполна, поэтому эти заявления нельзя полностью проверить по представленным данным.

davidkim205/hades-2-2b — дообученная модель на базе unsloth/gemma-4-E2B-it, созданная для классификации новостных статей и извлечения названий компаний. Модель класса 2B обучалась методом ORPO на небольшой внутренней выборке примерно из 1,6 тыс. примеров на корейском и английском языках; веса представлены в формате BF16. Модель принимает текст статьи, обычно заголовок и основной текст, и формирует JSON-подобный ответ для извлечения компаний, отнесения статьи к одному или нескольким разделам и выбора экономической либо неэкономической категории. Внутренняя оценка на 1 207 примерах показала улучшение общей точности относительно базовой модели, однако результаты различаются между задачами и языками. Рекомендуемая длина контекста — до 16 384 токенов, хотя базовая конфигурация поддерживает до 131 072 токенов. Модель подходит для классификации новостного потока и извлечения упоминаемых компаний. Она обучена на небольшой внутренней выборке, поэтому качество на других форматах статей, схемах меток, языках и предметных областях может отличаться; корректность JSON не гарантируется. Лицензия — Gemma.