IV.3Страхование и актуарные задачи

Reinsure-8B — языковая модель компании Reinsured.AI для страхования и перестрахования. Она дообучена на базе Llama 3.1 и предназначена для работы с перестраховочными договорами, структурой treaty, форматами bordereaux, стандартами лондонского рынка и страховой документацией. Модель с архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, принимает текст и генерирует текст; карточка указывает контекст до 131 072 токенов и поддержку английского языка. Модель рассчитана на обработку формулировок договоров, извлечение полей из бордеро, классификацию страховых заявок и работу с андеррайтинговыми и убытковыми документами. Автор описывает возможность локального развёртывания на корпоративной GPU-инфраструктуре и использования через API; веса доступны в формате Safetensors с точностью 16 бит и совместимы с vLLM и TGI. Лицензия в предоставленных данных не указана.

Car Damage Detection от Naiscorp — модель сегментации экземпляров, дообученная на базе facebook/detectron2-mask-rcnn-R-101-DC5. По фотографии автомобиля она выделяет повреждённые участки и для каждого возвращает пиксельную маску, ограничивающую рамку, класс повреждения и оценку уверенности. Модель предназначена для осмотра автомобилей в страховании, прокате и при перепродаже; заявлено распознавание семи типов физических повреждений. В карточке приведены названия классов на вьетнамском и английском, включая вмятины, царапины краски и разрывы. Репозиторий содержит форматы ONNX и Safetensors и использует библиотеку cardamage. Лицензия обозначена как other, поэтому условия использования следует сверить с её текстом на странице модели.

Модель vineetsarpal/yolov11n-car-damage — компактная версия YOLOv11-Nano, дообученная на обнаружение и классификацию повреждений автомобилей. Разработчик заявляет 14 категорий повреждений кузова и деталей: вмятины на дверях, капоте, крыше и бамперах, а также повреждения стёкол, фар, зеркал и других элементов. Модель создана с использованием Ultralytics и работает с изображениями размером 640×640; веса представлены в формате PyTorch. Модель предназначена для автоматизации первичной оценки состояния автомобиля: обработки страховых заявлений, осмотра машин, оценки ремонта и контроля автопарка. Для набора данных примерно из 6 900 размеченных изображений автор указывает mAP@0.5 79,7% и mAP@0.5:0.95 55,2%, а также возможность инференса в реальном времени. Лицензия — Apache-2.0. Точность хуже для класса boot-dent из-за малого числа примеров в обучении; качество также снижается на изображениях низкого разрешения, при плохом освещении и низком контрасте.

Naiscorp/car-damage-maskrcnn-r101-dc5 — модель сегментации экземпляров повреждений автомобилей на фотографиях, предназначенная для страховых осмотров, проверки арендованных машин и оценки автомобилей перед продажей. Для каждой найденной области она выдаёт пиксельную маску, ограничивающую рамку, класс повреждения и оценку уверенности. Модель разработана на архитектуре Mask R-CNN с backbone ResNet-101 Dilated-C5: используется один feature map с шагом 16 и 2048 каналами, а нормализация FrozenBatchNorm применяется на всех этапах. Модель размечает семь типов физических повреждений. Она обучена на внутреннем наборе фотографий, собранном во Вьетнаме; набор данных не опубликован. Выпущенный чекпойнт содержит 59 999 итераций из запланированных 270 000 и описан как промежуточный, хотя именно он использовался в производстве. На тестовом наборе из 417 изображений указаны AP50 19,64 и AP50–95 11,09; эти показатели следует учитывать при оценке пригодности для конкретного сценария. Для запуска предусмотрена библиотека cardamage, а настройки обработки изображений и порог уверенности 0,7 задаются в конфигурации. Лицензия указана как other, поэтому условия повторного использования следует проверять в репозитории модели.

solvrays/scribegene-llm-v1.2 — мультимодальная модель для извлечения структурированных данных из страховых документов, разработанная на основе Qwen2-VL-7B-Instruct. Она преобразует изображение документа непосредственно в семантический JSON и рассчитана прежде всего на многостраничные формы ACORD с несколькими колонками, мелким шрифтом и флажками. Модель использует архитектуру Qwen2-VL с визуальным энкодером ViT и языковой моделью Qwen2, а также позиционные кодировки M-RoPE. Она дообучена методом QLoRA с 4-битной квантизацией; визуальный энкодер заморожен, а адаптированные языковые слои настроены на генерацию JSON по заданной схеме. Поддерживается динамическое разрешение изображений от 256 до 1280 пикселей. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель объединяет распознавание содержимого изображения и генерацию ответа, поэтому подходит для разбора форм без отдельного OCR-этапа и предварительной разметки ограничивающих рамок. Карточка также заявляет работу с нестандартной раскладкой полей и вариациями рукописного текста. Эти сведения не подтверждают точность на других типах документов или языках; для надежного извлечения данных результат JSON следует проверять.

Модель beingamit99/car_damage_detection — модель компьютерного зрения на архитектуре ViT для классификации повреждений автомобиля по изображению. Она относит повреждение к одному из шести классов: трещина, царапина, спущенная шина, вмятина, разбитое стекло или сломанная фара. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. Модель предназначена для автоматизации первичной оценки состояния автомобиля: обработки страховых заявок, осмотров транспортных средств и размещения объявлений о продаже подержанных автомобилей. Она принимает изображение и выдаёт класс повреждения; README не приводит сведения о точности или условиях съёмки, поэтому качество на конкретных данных требует отдельной оценки. Лицензия — MIT.

PartyResolve — компактная модель распознавания именованных сущностей, разработанная FlowX.AI в рамках семейства OpenNER. Это дообученная encoder-only модель ModernBERT-base на 149 млн параметров с архитектурой ModernBERT для token classification. Она выделяет в страховой переписке фрагменты, относящиеся к страховым урегулировщикам, заявителям и страхователям; обучалась на синтетических сообщениях по страховым случаям. Модель принимает текст и возвращает метки для его фрагментов, поддерживает контекст до 8192 токенов и доступна в форматах Safetensors и ONNX. Модель рассчитана на локальную обработку на CPU, Apple Silicon, GPU или в браузерной и периферийной среде через ONNX INT8. Разработчик сообщает о задержке около 100–160 мс на документе на CPU и подчёркивает, что обработка может выполняться без передачи данных за пределы организации. Указанный F1 1,0 получен на синтетическом тесте, созданном тем же генератором, что и обучающие данные, и служит проверкой конвейера, а не оценкой качества на реальных документах. Модель размечает фрагменты, но не проверяет контрольные суммы или корректность идентификаторов; результаты следует проверять на собственных данных и дополнительно валидировать downstream. Лицензия — Apache-2.0.

Yield Estimation Transformer — модель ICICLE-AI для оценки урожайности кукурузы на уровне округов США. Она объединяет недельные временные ряды погоды с постоянными характеристиками почвы и выдаёт числовой прогноз в бушелях на акр (bu/acre). Модель построена на архитектуре Transformer и содержит 229,4 тыс. параметров; веса доступны в формате Safetensors, лицензия — MIT. Модель предназначена для сезонного прогнозирования урожайности по погодным данным и параметрам почвы. Она принимает шесть погодных показателей по неделям и 66 признаков почвы; прогноз можно получать для разных сезонных срезов с 20-й по 52-ю неделю. Структурированные числовые данные передаются в виде JSON-строки, которую пользовательский токенизатор преобразует в тензоры. Несмотря на интерфейс text-classification в Transformers, результатом является регрессионная оценка урожайности, а не вероятность класса.

Модель Zhengping/conditional-probability-regression разработана Liaoyaqi Wang, Zhengping Jiang, Anqi Liu и Benjamin Van Durme. Это дообученная на базе Qwen/Qwen2.5-14B-Instruct модель для оценки условных вероятностей с высокой детализацией; авторы описывают её как регрессионную модель на основе декодирования, оформленную как задача классификации. Модель предназначена для оценки вероятности события при заданном условии, в том числе для исследовательских сценариев, связанных с работой «Always Tell Me The Odds: Fine-grained Conditional Probability Estimation». Она принимает текст и генерирует текстовый ответ. Модель основана на плотной архитектуре Qwen2, содержит 14 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке заявлена поддержка английского языка. Модель опубликована в формате safetensors и доступна по лицензии MIT. Она унаследовала диалоговые и структурированные возможности базовой модели, однако карточка не приводит подробной инструкции по формату запросов и ответов, а раздел примера использования не заполнен; качество численных оценок и калибровка на конкретных данных требуют отдельной проверки.

Open-Insurance-LLM-Llama3-8B-GGUF — это англоязычная текстовая generative модель для задач, связанных со страхованием. Базовая и дообученная модель разработана Raj-Maharajwala, а GGUF-квантизации подготовлены bartowski с использованием llama.cpp и imatrix. Дообучение выполнено на датасете InsuranceQA. Модель основана на Llama 3 с размером 8B параметров и предназначена для диалоговых сценариев, ответов на вопросы и генерации подробных пояснений в страховом домене. Она работает с текстом, поддерживает английский язык и рассчитана на запуск через llama.cpp и совместимые приложения, включая LM Studio. Доступны варианты от F16 до различных уровней квантизации, что позволяет выбирать между качеством ответов, размером файла и требованиями к памяти. Сильной стороной модели является специализация на страховой тематике и наличие вариантов GGUF для локального запуска на устройствах с разными ресурсными ограничениями. При этом README не содержит данных о размере контекстного окна, результатах бенчмарков и поддержке других языков; заявлен только английский. Квантизация может снижать качество по сравнению с исходными весами, особенно в более компактных вариантах. Лицензия указана как llama3.

Ryanlai/shibing624_text2vec-base-chinese-fine-tune-insurance_data — модель эмбеддингов предложений на базе BERT, опубликованная как модель Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения сходства и кластеризации. Модель дообучена с функцией потерь CosineSimilarityLoss на данных, связанных со страхованием. Модель содержит 129,5 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Она предназначена для представления китайского текста в виде векторов; такие эмбеддинги можно использовать для поиска похожих фрагментов и группировки текстов. Доступны веса PyTorch. Лицензия в предоставленных сведениях не указана.

Модель jatinmehra/Accident-Detection-using-Dashcam разработана для прогнозирования дорожных столкновений по видеозаписям с автомобильного регистратора в рамках Nexar Dashcam Collision Prediction Challenge. Это VideoMAE Large, дообученная для бинарной классификации: столкновение или опасное сближение против обычного движения. По README модель заняла 11-е место в соревновании с результатом 0,80 mAP. Модель принимает видеозапись, для которой выбираются 16 кадров размером 224×224 пикселя, и выдаёт оценку вероятности столкновения или опасного сближения. При обучении использован датасет Nexar Collision Prediction; оценка учитывала интервалы 500, 1000 и 1500 мс до события. Репозиторий содержит веса в формате safetensors, использует библиотеку Transformers и насчитывает около 402,7 млн параметров. Модель может применяться для раннего предупреждения водителя и анализа риска на видео с регистратора. Описание обучения упоминает извлечение признаков TimeSformer, хотя метаданные указывают архитектуру VideoMAE. Лицензия — MIT; качество на новых условиях съёмки и вне используемого датасета в карточке не охарактеризовано.

decider-2b-coherent v1.1 — дообученная модель Mapika для вероятностного принятия решений по нескольким вопросам, связанным с одним контекстом. Она использует замороженную Mapika/decider-2b и добавляет обученную связь между ответами, адаптер маргинальных вероятностей и доменный классификатор. Репозиторий содержит только 9,5 млн параметров дополнительных весов; базовая модель загружается отдельно. Модель возвращает совместное распределение по вариантам ответов, а его маргинальные распределения согласованы с ним с помощью итеративного пропорционального подгоняющего алгоритма (IPF). Для одного вопроса связь между ответами не применяется. Основной сценарий — выдача согласованных вероятностей ответов на несколько вопросов по одному состоянию или контексту, включая задачи бенчмарка BookieBench. Для входов, распознанных как задачи в стиле BookieBench, доменный адаптер корректирует маргинальные вероятности; на остальных входах используются маргинальные оценки базовой decider-2b. Модель предназначена для структурированных задач с заранее заданными вариантами ответа, а не для свободной генерации текста. В README сообщается о нулевом Dutch book на группах BookieBench и близких к базовой модели показателях на регрессионном наборе. Модель использует архитектуру decider-coherent dense и формат PyTorch; для работы нужны базовая модель Mapika/decider-2b и код репозитория. README указывает обучение дополнительных компонентов на данных BookieBench и обучающей части смеси decider; обучение проведено с одним seed. Лицензия — Apache-2.0.

DriveLMM-o1 — мультимодальная модель для рассуждений в сценариях автономного вождения, созданная дообучением InternVL2.5-8B с помощью LoRA. Она принимает изображения дорожной сцены с нескольких ракурсов, объединённые для совместного анализа, и текстовые запросы, а в ответ формирует текст с пошаговыми рассуждениями и итоговой оценкой ситуации. Модель предназначена для анализа дорожной обстановки, оценки рисков, понимания объектов и сцен, проверки соблюдения правил и поддержки прогнозирования и планирования. В README заявлены улучшения точности ответов и качества рассуждений по сравнению с рядом открытых моделей; численные результаты относятся к указанным в карточке тестам. Модель основана на плотной архитектуре InternVLChatModel и рассчитана на английский язык. Доступна по лицензии Apache-2.0. Качество и применимость могут зависеть от дорожной среды: карточка рекомендует дополнительную адаптацию для других условий вождения. Модель специализирована на автономном вождении, поэтому её результаты не следует автоматически переносить на несвязанные задачи.

Модель LishaV01/agriculture-crop-disease-detection разработана Lisha для распознавания болезней сельскохозяйственных культур по изображениям. Это Vision Transformer с адаптером LoRA, дообученный на изображениях сахарного тростника, кукурузы, картофеля, риса и пшеницы. Модель содержит 7,1 млн параметров и решает задачу классификации изображений; веса доступны в формате Safetensors, лицензия — Apache-2.0. На вход подаются RGB-изображения растений, на выходе модель присваивает класс болезни или здоровья. Среди распознаваемых состояний — ржавчина, бактериальная пятнистость, фитофтороз и другие болезни, предусмотренные для указанных культур. Модель подходит для ранней оценки состояния растений в инструментах точного земледелия, а также для учебных и исследовательских проектов. Классификация ограничена культурами и категориями, представленными в обучении: для низкокачественных изображений и неизвестных случаев предсказания могут быть неточными. Базовая модель — WinKawaks/vit-tiny-patch16-224.

Модель ssiddiquii/merged-car-specialist-gemma — дообученная ssiddiquii версия мультимодальной Gemma 4 E2B Instruct от unsloth/gemma-4-e2b-it-unsloth-bnb-4bit. Она предназначена для диалоговых задач с текстом и изображениями; название указывает на специализацию по автомобилям, однако README не описывает конкретные сценарии или качество этой специализации. Архитектура — плотная Gemma4ForConditionalGeneration, файлы представлены в формате safetensors; метаданные отмечают поддержку зрения и интерфейс вызова инструментов. Указаны английский язык и лицензия Apache-2.0. README сообщает об обучении с Unsloth и библиотекой TRL.

AmmonixRCM-Writer-9B — языковая модель Ammonix для составления документов по страховым требованиям после того, как отдельный агент уже принял решение. Модель дообучена методом LoRA на базе Ornith-1.5-9B: адаптер с рангом 32 обучали на синтетических примерах и затем объединили с базовыми весами. В метаданных указаны архитектура семейства Qwen 3.5, плотная модель, формат safetensors и библиотека Transformers. Модель предназначена для подготовки документации и писем-апелляций в симуляции обработки медицинских страховых требований. В описанной оценке она показала меньше отклонённых плательщиком документов, чем базовая Ornith-1.5-9B и Qwen 27B; решения по требованиям при этом принимались отдельно и не зависели от текста модели. Обучение и оценка проводились только на полностью синтетических данных. Автор не рекомендует использовать модель для реальных страховых заявок, клинических задач или производственного биллинга. Вне исходной программной оболочки её выводы не проверяются. Лицензия указана как other; конкретные условия в предоставленных данных не описаны.

Dhenu-vision-lora-0.1 — экспериментальный LoRA-адаптер KissanAI для диалогового выявления болезней сельскохозяйственных культур по изображениям. Он дообучен на базе Qwen/Qwen-VL-Chat и ориентирован на рис, кукурузу и пшеницу; README сообщает о синтетическом наборе примерно из 9 000 изображений листьев и задачах идентификации болезни, описания симптомов, оценки тяжести, лечения и профилактики. Модель имеет 11,4 млрд параметров, контекст 8 192 токена и распространяется в формате safetensors; для запуска требуется базовая модель Qwen/Qwen-VL-Chat и соответствующий LoRA-адаптер. README приводит оценку на 500 изображениях: 36,13% для Dhenu-vision-lora-0.1 против 17,95% у базовой модели и 51,59% у GPT4-V. Эти результаты относятся к описанной авторами оценке и не гарантируют точность в полевых условиях. Модель охватывает ограниченный набор культур и болезней, поэтому её ответы не следует считать заменой профессиональной агрономической диагностике. Лицензия — Apache-2.0.

singtan/acord-qwen2-vl-7b-fine-tuned — дообученная модель компьютерного зрения и языка на базе Qwen2-VL-7B-Instruct, разработанная для извлечения структурированных данных из страховых форм ACORD. Она принимает изображения документов и формирует семантический JSON, в том числе для многостолбцовых макетов, чекбоксов и мелкого текста. Модель использует архитектуру Qwen2-VL с визуальным энкодером ViT и языковой моделью Qwen2; адаптация выполнена методом QLoRA с 4-битной квантизацией при обучении, визуальный энкодер оставлен замороженным. Поддерживается динамическое разрешение изображений от 256 до 1280 пикселей. Модель предназначена для автоматизации разбора страховых документов без отдельного OCR-конвейера и предварительной разметки координат. Лицензия — Apache-2.0. Карточка описывает возможности на формах ACORD; качество на других типах документов и рукописном тексте может отличаться, а заявленное распознавание рукописных вариаций не сопровождается количественными оценками.

Sentinel-V7 Deep Hydrological Bi-LSTM — специализированная модель на базе Keras 3 для оценки риска наводнений и прогнозирования затопленных территорий по гидрологическим временным рядам и данным дистанционного зондирования. Она использует двунаправленные LSTM-слои с пакетной нормализацией, пространственным dropout и регрессионной выходной частью. Вход состоит из восьми нормализованных признаков, включая обратное радарное рассеяние Sentinel-1, высоту местности, расстояние до реки, осадки и расход воды; модель выдаёт непрерывную оценку риска наводнения. В комплект входят модель и обученный MinMaxScaler для подготовки данных. Модель предназначена для потокового или пакетного анализа телеметрии в системах мониторинга наводнений, облачных сервисах и периферийных вычислительных системах. По карточке, обучение проводилось на 83,98 млн пространственных телеметрических примеров. Репозиторий распространяется по лицензии MIT. Результаты зависят от соответствия входных данных использованным признакам и процедуре нормализации; карточка не приводит метрик качества и подробной оценки географической переносимости.

TabPFN-2.6 — трансформерная модель Prior Labs для классификации и регрессии структурированных табличных данных. Она использует обучение в контексте и выполняет предсказание за один прямой проход; архитектура включает 24 слоя с чередованием типов внимания, близким к TabPFN v2. Модель обучена исключительно на синтетических табличных задачах. Модель предназначена для задач с наборами до 50 000 строк и 2 000 признаков. В карточке указаны сценарии в химии, биологии, финансах, праве, климате и медицине. Она не предназначена для неструктурированных текстовых или визуальных данных; качество на наборах, превышающих указанные размеры, не проверено и может снижаться. Веса доступны по лицензии tabpfn-2.6-license-v1.0, которая разрешает исследования, тестирование, оценку и внутренний бенчмаркинг, но запрещает коммерческое и производственное использование модели, её производных и результатов. Для производственных сценариев Prior Labs предлагает отдельную коммерческую лицензию.

TurkishCodeMan/LFM2.5-VL-450M-Pre-Disaster-Detection — дообученная модель Liquid AI на базе LiquidAI/LFM2.5-VL-450M для анализа спутниковых изображений Sentinel-2 перед стихийными бедствиями. Она принимает RGB- и CIR-изображения и формирует JSON с оценками пяти признаков: уровня риска, сухой растительности, крутизны рельефа, наличия водоёма и качества изображения. Модель предназначена для извлечения признаков, связанных с риском бедствий, из спутниковых снимков. В тестировании автор сообщает о 84% точности полного совпадения и 100% корректности формата JSON. Архитектура — плотная vision-language модель LFM2-VL с генерацией текста; размер базовой модели — 450 млн параметров. Карточка указывает английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Результаты зависят от качества и соответствия входных снимков данным Sentinel-2 и обучающему набору. Заявленные метрики относятся к тесту автора и не гарантируют точность оценок в других регионах или сценариях; выход модели следует проверять перед использованием для принятия решений.

Flood-Image-Detection — модель классификации изображений, разработанная prithivMLmods на основе SigLIP 2 от Google и дообученная для распознавания двух классов: затопленная и незатопленная сцена. Она использует архитектуру SiglipForImageClassification и формат весов safetensors; для работы предусмотрена библиотека Transformers. Модель предназначена для обнаружения затоплений на изображениях: мониторинга последствий стихийных бедствий, анализа окружающей среды, поддержки кризисного реагирования и автоматических оповещений по данным камер или других источников изображений. В README приведён отчёт на тестовой выборке из 1 918 примеров с точностью 95,57%; эти показатели относятся к указанной выборке и не гарантируют такое же качество на других данных. Модель принимает изображения и выдаёт метки классов с оценками вероятности. В метаданных указан английский язык. Лицензия — Apache-2.0. Результаты классификации могут зависеть от условий съёмки и отличий новых изображений от обучающих данных.

mhiveai/Qwen-Insure — текстовая модель Sentence Transformer, дообученная разработчиком mhiveai на базе Qwen/Qwen3-Embedding-0.6B для задач в области страхования и перестрахования. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 1024 и предназначена для поиска семантически близких формулировок, сравнения текстов и ранжирования результатов по косинусному сходству. Модель построена на архитектуре Qwen3 с трансформером, пулингом последнего токена и нормализацией векторов. Максимальная длина последовательности — 32768 токенов. В README описано дообучение на 936 примерах с парами и отрицательными примерами из страховой терминологии; на указанном тесте reinsurance_te_eval cosine accuracy составила 0,8291. Применять её можно для семантического поиска страховых полей, сопоставления терминов и кластеризации текстовых обозначений. Карточка не указывает лицензию и не описывает явно поддерживаемые естественные языки, поэтому их нельзя уверенно перечислить. Небольшой обучающий набор и узкая специализация могут ограничивать качество на иных тематиках и формулировках; приведённая метрика относится только к указанной оценке.

Global Extreme Climate and Heatwave Forecaster — модель временных рядов для вероятностного прогноза экстремальных погодных явлений. Она разработана на архитектуре ClimateSpatiotemporalNet и обучена на данных 120 метеостанций GHCN-Daily, охватывающих шесть континентов и разные климатические зоны. Лицензия — Apache-2.0. Модель использует пространственное кодирование координат и высоты, временную свёрточную сеть с дилатациями и многоголовое внимание. По историческим наблюдениям за 30 дней она строит прогноз на срок от 1 до 14 дней для максимальной и минимальной температуры и осадков: выдаёт квантили P10, P50 и P90, а также вероятности волн жары, заморозков и аномальных ливней. Метаданные указывают форматы PyTorch, ONNX и safetensors. В карточке приведены результаты проверки на отложенных наблюдениях станций: для максимальной температуры указана средняя абсолютная ошибка 2,397 °C на сутки и 2,694 °C в среднем за 14 дней. Данные охватывают ограниченную выборку из 120 станций, поэтому качество прогноза для конкретного места или условий за пределами обучающей выборки может отличаться. Модель предназначена для анализа климата и погоды, а её прогнозы требуют осторожной интерпретации при принятии решений с высокими последствиями.

QuantFactory/Qwen2.5-Math-7B-GGUF — квантизированная версия базовой модели Qwen2.5-Math-7B, разработанной командой Qwen. Квантизация выполнена QuantFactory с использованием llama.cpp. Модель предназначена прежде всего для решения математических задач на английском и китайском языках, включая сценарии с пошаговым рассуждением Chain-of-Thought (CoT) и Tool-integrated Reasoning (TIR), поддерживающим точные вычисления, символьные преобразования и алгоритмическое рассуждение. Это базовая модель примерно на 7 млрд параметров, ориентированная на генерацию продолжений и few-shot-инференс, а также на дообучение; она не является специализированной instruction-моделью для диалогового общения. Формат GGUF и квантизация могут снизить требования к ресурсам по сравнению с полноразмерной моделью, однако конкретные параметры квантизации в карточке не указаны. Модель не рекомендуется для задач, не связанных с математикой. Указана лицензия Apache-2.0.

Jevify-Gemma4-E4B — дообученная модель на основе Google Gemma 4 E4B Instruct, подготовленная для выдачи вероятностей ответов на вопросы о заданном состоянии. Она предназначена для вероятностной классификации: принимает текстовое описание состояния и вопрос с вариантами ответа, после чего API считывает распределение следующих токенов по меткам ответа. Генерация текста не требуется; модель выполняет один проход предварительной обработки входа. Модель обучена с LoRA на проекциях внимания, а адаптер объединён с базовой моделью. Обучение включало примерно 47 тысяч примеров из 16 источников, в том числе разметку несколькими аннотаторами и длинные состояния объёмом до 24 тысяч токенов. В метаданных указаны архитектура Gemma 4, формат Safetensors и задача image-text-to-text; README описывает сценарий работы с текстовыми состояниями, а базовая модель также поддерживает изображения. Модель подходит для локальных систем принятия решений, которым нужны вероятности по заданному набору меток, например для классификации с оценкой неопределённости. Лицензия — Gemma. README не сообщает численные результаты оценки качества; назначение модели ориентировано на ответы по заданным меткам, а не на свободную генерацию.

RiskEmbed — дообученная модель эмбеддингов для поиска материалов по управлению финансовыми рисками. Она создана на основе Snowflake Arctic Embed M и использует архитектуру BERT; модель представлена как sentence-transformers и преобразует предложения и абзацы в плотные векторы размерностью 768. Контекст ограничен 512 токенами. Модель предназначена для извлечения релевантных документов по запросам на естественном языке, в том числе для поиска и RAG-сценариев в области управления рисками. В README сообщается о результате HR@5 88% на использованной авторами оценке и сравнении с несколькими моделями эмбеддингов; эти показатели относятся к описанному тестированию и сами по себе не гарантируют аналогичного качества на других данных. Для извлечения векторов README рекомендует использовать CLS-токен и добавлять к запросу специальный префикс. Модель принимает текст и выдаёт векторы. README описывает её как специализированную для финансовых рисков, но не уточняет языковой охват и лицензию; сведений о лицензии в предоставленных метаданных также нет.

ChangeOS со Swin-T — модель сегментации для выявления изменений и оценки повреждений зданий на спутниковых снимках. Её обучили на данных xView2/xBD с помощью библиотеки torchange; backbone Swin-T инициализирован весами ImageNet-1k. Модель предназначена для локализации зданий и классификации повреждений по категориям: без повреждений, незначительные, серьёзные и разрушенные. В README приведены результаты на отложенной выборке hold по официальной смешанной метрике xView2: Overall F1 — 76,91, Localization F1 — 85,03, Damage F1 — 73,43. Модель принимает изображения и выдаёт сегментационную разметку. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Описанный результат относится к протоколу обучения на train и tier3, выбора контрольной точки на test и однократной оценки на hold.

Ling-3.0-flash-Fin-GGUF — это квантизированная GGUF-версия модели Ling-3.0-flash-Fin, разработанной inclusionAI и подготовленной квантизатором bartowski с использованием llama.cpp. Модель предназначена для генерации текста и ориентирована на финансовые исследования, работу с финансовой информацией, создание агентных систем и сценарии с использованием инструментов. Модель имеет 127 млрд параметров, поддерживает только текстовый ввод и, согласно описанию, использует архитектуру mixture-of-experts. Заявлена поддержка длинного контекста, однако его точный размер не указан. Также поддерживается speculative decoding с использованием MTP и применена imatrix-квантизация. Доступны варианты от BF16 до низкобитных Q2–Q8 и IQ-квантизаций; рекомендуемым универсальным вариантом указан Q4_K_M размером 77,80 ГБ. Сильными сторонами являются специализация на финансовых задачах, поддержка агентных сценариев и инструментального использования, а также возможность запуска через совместимые инструменты llama.cpp в различных вариантах квантизации. Ограничения включают высокие требования к памяти даже для сжатых версий, снижение качества при использовании низкобитных вариантов и отсутствие сведений о поддерживаемых языках, точном размере контекста и результатах бенчмарков. Модель распространяется по лицензии MIT.