IV.8Государственное управление, правосудие и чрезвычайные ситуации

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.

Qwen3-1.7B-plumb — модель на базе Qwen3-1.7B от Totum Labs для диалогов и генерации текста с дополнительной головой принятия решений. Она выбирает из заданных вариантов, отвечает «да» или «нет» либо выставляет оценку, выдавая вероятности для вариантов и калиброванное решение за один проход по уже накопленному KV-кэшу. В репозитории веса Qwen3-1.7B сохранены без изменений; добавлены обученная голова решений на 51,5 млн параметров и адаптер LoRA, активный при обработке решений. Общий размер базовой модели — 1,7 млрд параметров, длина контекста — до 40 960 токенов. Модель предназначена для принятия структурированных решений в диалоге, в том числе выбора варианта по контексту, ранжирования заданных вариантов и выставления оценок; она также сохраняет возможности базовой Qwen3 для генерации текста и общения. README сообщает о тестировании на 447 отложенных решениях и приводит более высокую точность, чем у базовой модели в указанных настройках. Для работы требуются vLLM 0.30.0 и плагин Plumbify; указано ограничение на запуск на одном GPU без tensor и pipeline parallelism. Обучающие решения были на английском, а голова выбирает только из предложенных вариантов и не проверяет их корректность. Лицензия — Apache-2.0.

Карточка модели rahulshendre/deepfake-detector-model-v1 на Hugging Face совпадает с карточкой prithivMLmods/deepfake-detector-model-v1, поэтому описание составлено по ней. deepfake-detector-model-v1 — модель классификации изображений от prithivMLmods, дообученная на базе SigLIP для бинарного определения, является ли изображение реальным или синтетически созданным. Она использует архитектуру SiglipForImageClassification и рассчитана на проверку подлинности визуальных материалов, предварительную модерацию контента и поддержку цифровой экспертизы. В отчёте для тестовой выборки указана точность 94,44%; эта метрика сама по себе не гарантирует качество на новых источниках изображений и при иных способах генерации или манипуляции. Модель работает с изображениями и выдаёт метку класса. Лицензия репозитория — Apache-2.0.

Ystar124/formtgpt — небольшая авторегрессионная Transformer-модель DocLLM, разработанная как пользовательская архитектура и обученная с нуля на PyTorch для ответов на вопросы по PDF-документам с указанием страниц. Модель содержит около 5 млн параметров, использует 6 слоёв, 8 голов внимания, RoPE, SwiGLU, RMSNorm и KV-кэш; контекст ограничен 256 токенами. Модель предназначена для генерации текстовых ответов по содержимому документов. В карточке заявлены понимание документов и PDF-вопросы и ответы; данные о точности, обучающих датасетах и поддержке других языков не приведены. Модель опубликована в формате PyTorch; лицензия в доступных данных не указана.

LibreMoondream2 — копия весов Moondream 2, опубликованная LibreYOLO для использования в уровне LibreVLM. Репозиторий зеркалирует снимок vikhyatk/moondream2; README указывает, что обученные параметры не менялись. Это компактная мультимодальная модель семейства Moondream для анализа изображений, включая обнаружение объектов и ответы на вопросы по визуальному содержимому. Модель принимает изображения вместе с текстовыми запросами и выдаёт текстовые ответы, в том числе результаты обнаружения объектов. В примере использования задаются целевые классы, например человек и каска, после чего выполняется предсказание для изображения. Она основана на vikhyatk/moondream2 и распространяется в формате safetensors. Лицензия — Apache 2.0.

Это дообученная версия Qwen3-ASR-1.7B, разработанная для распознавания речи на центральнокурдском языке, также известном как сорани (ckb). Модель принимает аудио и преобразует речь в текст; она создана для языка с ограниченными ресурсами и распространяется в формате safetensors. Модель хорошо справляется с формальной и стандартной речью: новостями, аудиокнигами и выступлениями, выдавая корректное написание, грамматику и пунктуацию. В региональных диалектах, включая диалект Эрбиля, и быстрой разговорной речи точность может снижаться, хотя модель стремится передать услышанное подходящей курдской орфографией. Чекпойнт также можно использовать как основу для дальнейшей настройки под специализированную лексику или региональные варианты речи. Модель выпущена под лицензией Apache-2.0. Карточка не приводит количественных оценок качества или подробностей обучающих данных.

Typhoon OCR 1.5 2B NVFP4 — это квантизированная версия мультимодальной модели typhoon-ai/typhoon-ocr1.5-2b, опубликованная nanash66. Модель предназначена для оптического распознавания текста в изображениях документов с преобразованием результата в чистый Markdown. Она также описывает визуальные элементы, таблицы, формулы, номера страниц и флажки в заданном формате. Модель рассчитана на использование только с официальным промптом Typhoon OCR v1.5 и не предназначена для общих задач визуальных вопросов и ответов. Архитектура основана на Qwen3VLForConditionalGeneration с визуальным энкодером Qwen3VL; модель содержит 28 слоёв, скрытое представление размером 2048, 16 attention heads и 8 KV-heads. Используется квантизация NVFP4 (W4A4) с group_size=16, выполненная с помощью NVIDIA ModelOpt 0.45.0. Размер квантизированной модели составляет 2,23 ГБ, заявленная длина контекста — 262 144 токена. Поддерживаются английский и тайский языки; целевая платформа — графические процессоры NVIDIA Blackwell, включая GB10 с архитектурой sm_121. Для инференса изображение рекомендуется масштабировать до максимального размера 1800 пикселей. К сильным сторонам относятся специализированная обработка документов, компактный размер после квантизации и структурированный вывод с поддержкой таблиц, LaTeX-формул и описаний изображений на тайском языке. Ограничения включают зависимость от единственного промпта, отсутствие встроенных защитных механизмов и возможность галлюцинаций. Для запуска NVFP4 требуется GPU Blackwell и среда NVIDIA ModelOpt. Модель является производной работой и распространяется по лицензии Apache-2.0.

Модель lfcc/bert-portuguese-ner — дообученная версия neuralmind/bert-base-portuguese-cased для распознавания именованных сущностей в португальских архивных документах. Она использует архитектуру BERT с классификационной головой для разметки токенов и обрабатывает контекст длиной до 512 токенов. Модель выделяет даты, профессии, имена людей, географические названия и организации. На наборе оценки указаны F1 0,9312, точность 0,9700, precision 0,9147 и recall 0,9483. Модель подходит для извлечения сущностей из архивных текстов на португальском языке. Вес модели составляет 136,1 млн параметров, формат — PyTorch. Лицензия — MIT.

townboy разработал BERT-модель токенной классификации для обнаружения 33 типов персональных данных в корейских текстах. Модель дообучена на KPF/KPF-bert-ner и выдаёт BIO-разметку, которую можно преобразовать в символьные диапазоны PII. Она содержит 141,2 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель предназначена для извлечения персональных данных из корейских предложений и документов, включая имена, адреса, электронную почту и идентификационные номера. На синтетическом независимом наборе из 1 320 документов автор получил micro-F1 0,8643; validation micro-F1 составил 0,996463, но он измерялся на менее строгих условиях. Для структурированных 13-значных корейских идентификационных номеров README рекомендует отдельную нормализацию и проверку контрольной суммы. Модель распространяется по MIT License вместе с оговоркой, что перед использованием и распространением нужно проверить актуальные условия лицензии базовой модели. Синтетический характер обучающих и оценочных данных ограничивает переносимость результатов на реальные документы и рабочие домены.

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.

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.

Модель Sámi Wav2Vec2-Large разработана Ярославом Гетманом и Тамашем Гросом для автоматического распознавания саамской речи. Это акустическая модель на базе Wav2Vec2 с архитектурой Wav2Vec2ForCTC; она дообучена на 20 часах аудио заседаний Саамского парламента, записанного с частотой 16 кГц. Размер модели по метаданным — 402,7 млн параметров. Модель преобразует речь на саамском языке в текст и предназначена для транскрибации записей, включая речь вне обучающего домена и аудио разного качества. В README отмечено, что в экспериментах prefix beam search немного снижал символьную ошибку по сравнению с жадным декодированием; внешняя языковая модель для этого не обязательна. Для входного аудио требуется частота дискретизации 16 кГц. Оценка проводилась на одном часе чтения вслух и спонтанной речи вне обучающего домена, поэтому качество на других условиях записи и типах речи может отличаться. Лицензия — Apache-2.0.

AIorNot-SigLIP2 — модель классификации изображений, разработанная автором репозитория и дообученная на базе google/siglip2-base-patch16-224 с архитектурой SiglipForImageClassification. Она относит изображение к одному из двух классов: создано ИИ или является реальной фотографией. Модель предназначена для проверки изображений в социальных сетях и СМИ, цифровой криминалистики, фильтрации наборов данных и сравнительных исследований детекторов синтетических изображений. В отчёте на тестовой выборке из 18 618 изображений указана точность 91,49%; полнота составляет 93,96% для класса AI и 88,42% для класса Real. Эти показатели относятся к описанной в карточке оценке и не гарантируют аналогичного качества на других данных. Модель принимает изображения и выдаёт метку класса. Опубликована в формате safetensors, используется через Transformers и распространяется по лицензии Apache-2.0.

Модель zedfum/arman-longformer-8k-finetuned-ensani предназначена для суммаризации длинных текстов на персидском языке. Это дообученная модель семейства Pegasus с архитектурой условной генерации текста, содержащая 187,1 млн параметров и рассчитанная на контекст до 8192 токенов. В карточке приведён пример использования через Transformers Pipeline для суммаризации; максимальная длина результата в примере составляет 512 токенов. Модель подходит для подготовки кратких изложений длинных персидских документов и текстов. Репозиторий содержит веса в форматах PyTorch и Safetensors; датасет карточки — zedfum/long-summarization-persian. Лицензия в предоставленных данных не указана.

BLING-cerebras-1.3b-0.1 — компактная инструкционная языковая модель, разработанная llmware на базе Cerebras-GPT-1.3B. Модель относится к семейству GPT-2 и рассчитана на запуск на процессоре ноутбука без специальных оптимизаций квантования; объём контекста — 2048 токенов. В карточке заявлена поддержка английского языка. Модель предназначена для локального прототипирования и автоматизации узкого круга задач, особенно в сценариях RAG с чувствительными данными. Она умеет отвечать на вопросы по переданному текстовому контексту, извлекать значения и составлять краткие сводки. Лицензия — Apache 2.0. Модель компактна и ориентирована на фактические ответы по предоставленному контексту, однако, как и другие языковые модели, может выдавать неточную или неполную информацию. Результаты следует проверять; качество за пределами целевых инструкционных задач не гарантируется.

CAM++ — модель извлечения голосовых эмбеддингов из аудио, разработанная командой FunASR. Она предназначена для верификации говорящего: определения, принадлежат ли записи одному человеку, и для диаризации — распознавания, кто и когда говорил в аудиозаписи. Её можно подключить к конвейеру FunASR через параметр spk_model, например для присвоения меток говорящих сегментам речи в записи встречи. Модель использует архитектуру CAM++ (Class-Aware Multi-scale), выдаёт эмбеддинги размерностью 192 и рассчитана на аудио с частотой дискретизации 16 кГц. Репозиторий поддерживает FunASR; в карточке указаны китайский и английский языки. Модель распространяется по лицензии Apache-2.0. Карточка описывает извлечение эмбеддингов и применение для верификации и диаризации, но не приводит оценок качества или условий работы с шумной и многоканальной записью.

DuplexJev-B-Whisper-small-Falcon-H1-1.5B — компактный аудиоязыковой коннектор семейства DuplexJev от adventists-ai. Он объединяет замороженный аудиоэнкодер Whisper-small и замороженную языковую модель Falcon-H1-1.5B-Instruct; обучаемый SwiGLU-проектор с объединением кадров содержит 29,4 млн параметров. Модель принимает аудио и отвечает на типизированные вопросы распределением вероятностей по вариантам за один проход, без генерации токенов; можно задавать несколько вопросов параллельно.

somukandula/maskara-tiny — дообученная модель семейства BERT для классификации токенов. Она размечает в тексте фрагменты, соответствующие персональным данным: среди оценивавшихся категорий указаны имена, адреса, телефоны, электронная почта, IP-адреса, пароли, номера документов и платёжные реквизиты, включая Aadhaar, PAN и UPI ID. Модель может применяться для поиска и разметки чувствительных данных в текстах. Модель содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате safetensors. На приведённой в карточке оценке общий F1 составил 0,8172; результаты заметно различаются по категориям, а для кредитных карт, паролей, SSN и паспортов F1 равен 0. Данные обучения и языки не описаны, поэтому качество для конкретного языка и домена по карточке установить нельзя. Лицензия — MIT.

halilneed/turkish-pii-detection-v01 — 257 млн параметров, дообученная на базе cagrigungor/pii-guard-turkish-270m модель Gemma 3 для обнаружения и маскирования персональных данных в турецком тексте. Она принимает текст и по заданной инструкции заменяет найденные данные метками, например имя — [AD], турецкий идентификационный номер — [TCKN], телефон — [TEL]. Можно задавать политику маскирования: скрывать все поля, только выбранные или все, кроме исключений. Модель предназначена для обработки текста до его передачи LLM, в хранилища журналов или третьим сторонам; поддерживает контекст до 32 768 токенов. Модель дообучена на 24 000 синтетических примерах банковских и ERP-сообщений. На синтетическом тестовом наборе из 1 000 примеров автор сообщает о точном совпадении 0,882 против 0,740 у исходной модели; тестировались также отдельные срезы данных. Эти результаты не гарантируют качество на реальных текстах. Для использования требуется соблюдать обученный формат запроса с начальным BOS-токеном; вывод может содержать метки вне заданной схемы, поэтому его следует проверять. Модель слабее работает с длинными текстами, несколькими людьми и персональными данными с суффиксами; длинный ввод рекомендуется делить на части. Лицензия — Gemma Terms of Use.

AI-vs-Deepfake-vs-Real — модель классификации изображений, разработанная prithivMLmods. Она различает три класса: искусственно созданные изображения, дипфейки и реальные изображения. Модель построена на архитектуре Vision Transformer (ViT) и содержит 113,2 млн параметров; для использования предусмотрена библиотека Transformers. В карточке указана база google/vit-base-patch32-224-in21k, а метаданные каталога связывают модель с дообучением google/vit-base-patch16-224-in21k. Модель подходит для предварительной оценки изображений при исследовании генеративных моделей, фильтрации наборов данных, форензического анализа, модерации контента и сравнительного тестирования генераторов дипфейков. Она возвращает класс изображения, но не устанавливает подлинность с гарантированной надёжностью и не объясняет основания классификации. Качество может снижаться на незнакомых методах генерации, изображениях с необычным разрешением и данных, отличающихся от обучающих. Лицензия — Apache-2.0.

kl3m-004-correction-001 — языковая модель ALEA Institute для исправления текста на английском языке, особенно в юридических и финансовых документах. Она предназначена для устранения опечаток, орфографических ошибок, типичных ошибок OCR и проблем форматирования, а также для нормализации текста и посимвольных преобразований. Модель использует архитектуру LlamaForCausalLM и содержит около 545,3 млн параметров по метаданным; в README указано 478,2 млн. Для обработки применяется регистрозависимый BPE-токенизатор kl3m-004-char-8k-cased с токенами длиной от одного до трёх символов. Контекст ограничен 512 токенами. Модель обучена на предсказании следующего токена со специальными токенами для коррекции и рассчитана на работу через Transformers. К сильным сторонам относятся мелкозернистая обработка символов и ориентация на OCR- и форматные ошибки в специализированных документах. Модель в основном рассчитана на английский язык, имеет небольшой контекст и может не справляться со сложными смысловыми ошибками или коррекциями, требующими широкого контекста. Она не предназначена для перевода или свободной генерации контента. Лицензия — CC-BY-4.0.

OpenMed-PII-SuperMedical-Base-125M-v1 — англоязычная модель OpenMed для обнаружения и классификации персональных и медицинских идентификаторов в тексте. Это дообученная для токенной классификации RoBERTa-base с 151,8 млн параметров и контекстом до 514 токенов; модель распространяется в формате Safetensors и предназначена для запуска через Transformers. Модель размечает 54 типа чувствительных сущностей, включая имена, адреса, номера социального страхования и медицинских записей, контактные и финансовые данные. Она подходит для обезличивания клинических заметок и документов, подготовки наборов данных и поиска чувствительной информации при аудите. В README приведён результат micro F1 0,9557 на тестовой выборке из NVIDIA Nemotron-PII; качество различается между типами сущностей. Модель рассчитана прежде всего на английский текст. Некоторые категории могут распознаваться хуже, а пропуски чувствительных данных возможны, поэтому для важных сценариев нужна проверка человеком. Лицензия — Apache 2.0.

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.

wav2vec2-large-xlsr-53-icelandic-ep10-1000h — акустическая модель распознавания исландской речи, разработанная Карлосом Даниэлем Эрнандесом Меной в Language and Voice Laboratory при Университете Рейкьявика. Модель получена дообучением facebook/wav2vec2-large-xlsr-53 в течение 10 эпох на примерно 1000 часах исландских аудиоданных. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель предназначена для преобразования исландской речи в текст, в том числе для записей детской речи, парламентских выступлений и других аудиоматериалов. В обучающие данные вошли корпуса Samrómur, Samrómur Children, Malrómur, Althingi Parliamentary Speech и данные носителей второго языка; часть материалов не опубликована. В README приведён результат оценки 0,094 без уточнения метрики. Модель распространяется по лицензии CC BY 4.0.

llmware/dragon-mistral-7b-v0 — языковая модель из серии dRAGon, разработанная компанией llmware. Она дообучена на базе Mistral-7B-Base с ориентацией на фактологичные ответы по сложным деловым, юридическим и нормативным документам, снижение галлюцинаций и выдачу коротких, понятных ответов для автоматизации рабочих процессов. Модель предназначена для сценариев Retrieval-Augmented Generation (RAG), включая ответы на вопросы по предоставленному контексту, извлечение пар «ключ–значение» и базовое суммирование. Указанный язык — английский. Архитектура — Mistral-7B; размер контекста и другие параметры не приведены. По результатам двух прогонов RAG-Instruct-Benchmark-Tester модель получила средний показатель правильных ответов 96,5 из 100, 92,5% по классификации отсутствия ответа, 97,5% в задачах с ответами «да/нет» и 81,25% в задачах на математику и логику. В тестах галлюцинаций не наблюдалось. Сильные стороны модели — работа с закрытым контекстом, извлечение фактов, ответы на вопросы по таблицам и сложным документам, а также пригодность для корпоративных процессов в финансовой, юридической и регулируемой сферах. Ограничения включают возможную неточность или неполноту ответов, поэтому необходимы проверка фактов и защитные механизмы. Для использования указана лицензия Apache 2.0; модель доступна через Transformers и требует специального формата промпта с контекстом документа и вопросом.

Falcon OCR — модель TII для распознавания текста и разбора документов по изображению. Это компактная модель на 270 млн параметров с ранним слиянием визуальных и текстовых токенов: единый Transformer обрабатывает патчи изображения и текст в общем пространстве параметров, используя двунаправленное внимание для изображения и причинное декодирование текста с учётом изображения. Модель извлекает обычный текст, формулы в LaTeX и таблицы в HTML; промпты позволяют выбирать категории элементов страницы. Она рассчитана на сканы, фотографии документов, чеки, рукописные заметки, формы, журналы и другие материалы. Для большинства страниц рекомендуется сквозной OCR; для очень плотных многоколоночных страниц доступен двухэтапный сценарий с детектором макета PP-DocLayoutV3. Версия 1.5 дообучена с GRPO для улучшения работы с реальными документами, сложными таблицами, рукописным текстом и деградированными сканами, а также для снижения галлюцинаций и повторов. Компактный размер помогает снизить задержку и стоимость обслуживания; в описанной авторами конфигурации vLLM пропускная способность может быть в 2–3 раза выше, чем у OCR VLM размером около 0,9 млрд параметров, в зависимости от длины последовательностей и пакетирования. Для запуска требуются PyTorch 2.5 или новее и Transformers. Лицензия — Apache-2.0.

Matryoshka Text Embedding v1 — мультиязычная модель эмбеддингов текста на базе энкодера XLM-RoBERTa, дообученная с применением Matryoshka Representation Learning. Она преобразует тексты в векторы для семантического поиска, сравнения предложений и извлечения документов; поддерживает семь размерностей эмбеддинга от 64 до 1024, что позволяет выбирать компромисс между качеством, скоростью и объёмом хранения. Максимальная длина последовательности — 8194 токена по метаданным модели; README указывает 8192 токена. Модель предназначена для поиска по научной литературе, правовым и медицинским документам, веб-страницам и каталогам товаров, а также для рекомендаций и индексации больших коллекций. В карточке заявлена поддержка более 100 языков; метаданные отдельно перечисляют английский, арабский, немецкий, испанский, французский, китайский, русский, турецкий, корейский, японский, итальянский, португальский и нидерландский. Метаданные указывают 658,7 млн параметров, тогда как README приводит около 568 млн. Модель выпущена hasankursun и дообучена на FacebookAI/xlm-roberta-base. Для лучшего соответствия исходному качеству используют полную размерность или крупные векторы; усечение уменьшает требования к хранению и вычислениям, но может снизить качество. Лицензия CC-BY-NC-4.0 разрешает использование с обязательной атрибуцией и ограничивает коммерческое применение.

Qianfan-OCR — мультимодальная vision-language модель для анализа документов, разработанная командой Baidu Qianfan. Это end-to-end модель с 4 млрд параметров, предназначенная для преобразования изображений документов в Markdown и выполнения задач OCR, анализа структуры и расположения элементов, извлечения таблиц, понимания графиков, ответов на вопросы по документам и извлечения ключевой информации. Представленная версия распространяется в формате GGUF и была создана с использованием llama.cpp. Архитектура включает vision-энкодер Qianfan-ViT с 24 Transformer-слоями и поддержкой изображений разрешением до 4K, языковую модель Qwen3-4B с контекстом 32K токенов, расширяемым до 131K, а также двухслойный cross-modal adapter. Модель поддерживает OCR на 192 языках. Опциональный режим Layout-as-Thought позволяет сначала сформировать структурированное описание макета с ограничивающими рамками, типами элементов и порядком чтения, что полезно для сложных и неоднородных страниц; для простых документов этот режим можно отключать ради снижения задержки. Сильными сторонами модели являются единый подход к распознаванию и пониманию документов, поддержка сложной структуры, таблиц и многоязычного OCR. В заявленных результатах она получила 93,12 на OmniDocBench v1.5, 79,8 на OlmOCR Bench и 880 баллов на OCRBench; производительность достигает 1,024 страницы в секунду при W8A8-квантизации на одной GPU A100. Ограничения включают зависимость качества и скорости от разрешения изображений, сложности макета и выбранного режима обработки; конкретные требования к оборудованию для GGUF-версии в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

DRAGON-MISTRAL-0.3 — модель серии dRAGon, разработанная llmware и дообученная на базе Mistral 7B 0.3 для ответов по контексту в сценариях RAG. Она предназначена для вопросно-ответной работы со сложными деловыми, юридическими и нормативными документами, извлечения пар «ключ—значение» и краткого суммирования; целевой язык — английский. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Разработчик сообщает о настройке на фактологические ответы, сокращение галлюцинаций и краткие ответы для автоматизации рабочих процессов. В описанном тестовом запуске квантованной версии GGUF указаны 99,5 балла из 100 и отсутствие замеченных галлюцинаций, однако это результат одного запуска и не гарантирует такое же качество в других условиях. Модель может выдавать неточные или неполные ответы, поэтому результаты требуют проверки. Лицензия — Apache 2.0.

Карточка модели punitkandoi/zembed-1-embedding на Hugging Face совпадает с карточкой zeroentropy/zembed-1-embedding, поэтому описание составлено по ней. zembed-1 — открытая многоязычная модель эмбеддингов ZeroEntropy, дообученная на базе Qwen/Qwen3-4B и дистиллированная из реранкера zerank-2 с использованием методики zELO. Она предназначена для семантического поиска и построения систем retrieval по текстам, включая поиск по финансовым, медицинским, юридическим, разговорным, производственным, научно-техническим материалам и коду. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3 и принимает текст; её контекст составляет до 40 960 токенов по метаданным. README заявляет поддержку проекций эмбеддингов размерностью 2560, 1280, 640, 320, 160, 80 и 40, а также бинарной квантизации с компромиссом между размером и точностью. По заявлению разработчика, модель показала более высокие результаты, чем ряд сравниваемых моделей, в оценках поиска по нескольким предметным областям; приведённые в карточке таблицы содержат лишь часть результатов. Обучение велось на многоязычных данных, более половины которых, по README, не на английском, однако конкретный перечень поддерживаемых языков не приведён; метаданные указывают английский и многоязычность. Модель распространяется по лицензии Apache 2.0. Для использования также упоминается API ZeroEntropy /models/embed.