IV.9Медиа, журналистика, культура, архивы и игры

Модель lxs1/DistilBertForSequenceClassification_6h_768dim — классификатор тональности на основе DistilBERT, дообученный для отнесения текста к положительной или отрицательной категории. В архитектуре 6 голов внимания, размер скрытого представления 768 и промежуточный слой размером 4 × 768; модель принимает последовательности длиной до 512 токенов. Модель предназначена для анализа отзывов, публикаций в социальных сетях и других текстов: например, для оценки реакции на товары и услуги, мониторинга тональности упоминаний бренда и фильтрации контента по тональности. В обучающих данных использовались социальные публикации, отзывы о товарах и фильмах; тексты приводились к нижнему регистру, из них удалялись стоп-слова, имена пользователей и URL. Разработчик предупреждает о возможных смещениях из обучающих данных и о том, что качество на текстах вне обучающего распределения может быть нестабильным. Лицензия в предоставленных данных не указана.

Faro-Yi-34B — чат-модель на основе Yi-34B-200K, разработанная Wenbopan и дообученная на больших объёмах синтетических инструкционных данных из Fusang-V1. Она предназначена для диалогов и широкого круга задач по инструкциям, включая работу с длинными документами и сложными запросами. Модель использует плотную архитектуру семейства Llama с 33,9 млрд параметров и поддерживает контекст до 200 000 токенов. Она рассчитана на китайский и английский языки; для длинных входов автор рекомендует запуск через vLLM. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Карточка заявляет улучшенное выполнение различных задач и устойчивую работу с длинным контекстом, но не приводит количественных оценок или результатов бенчмарков. Качество на других языках не заявлено.

Карточка модели sumannath/FoodExtract-gemma-3-270m-fine-tune-v1 на Hugging Face совпадает с карточкой adodabele/FoodExtract-gemma-3-270m-fine-tune-v1, поэтому описание составлено по ней. FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

ClaudioItaly/Intelligence-7Ties — объединённая языковая модель, созданная автором репозитория с помощью mergekit методом TIES. В качестве основы использована happzy2633/qwen2.5-7b-ins-v3, также в объединение включена AIDC-AI/Marco-o1. Модель имеет плотную архитектуру Qwen2 и около 7,1 млрд параметров; веса опубликованы в формате safetensors, библиотека для работы — Transformers. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на вопросы, составления текстов и других задач, решаемых генеративной языковой моделью. Заявленная длина контекста — 32 768 токенов. Данных о специальных языковых или предметных специализациях в карточке нет. Лицензия в предоставленных данных не указана. Качество и ограничения объединённой модели отдельно не описаны; поведение может отличаться от исходных моделей.

pszemraj/long-t5-tglobal-base-sci-simplify — модель, дообученная автором на базе google/long-t5-tglobal-base на наборе научных статей и их доступных неспециалистам кратких изложений pszemraj/scientific_lay_summarisation-plos-norm в течение двух эпох. Она предназначена для создания кратких пересказов научных работ простым языком, без излишнего специального жаргона, в первую очередь в областях биологии и биомедицины. Модель построена на архитектуре LongT5 encoder-decoder, содержит 123,8 млн параметров и поддерживает контекст до 4096 токенов. Она принимает текст и генерирует текст; для декодирования автор рекомендует beam search. В тестовой оценке на наборе указаны ROUGE-1 49,15 и ROUGE-Lsum 45,10. Модель распространяется по лицензии Apache-2.0. Карточка отмечает, что способность переносить качество за пределы домена PubMed и биомедицинских статей требует отдельной оценки. Поэтому результаты на иных научных областях и типах документов могут отличаться.

NeuralFusion-7b-Dare-Ties — текстовая генеративная модель, созданная Kukedlc путём слияния трёх моделей на основе Mistral с помощью LazyMergekit и метода DARE-TIES. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и языковых задач общего назначения. Приведённые в карточке результаты оценивания включают тесты на рассуждение и здравый смысл, в том числе AI2 Reasoning Challenge и HellaSwag. Весовые файлы доступны в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает о специализированной отраслевой настройке или ограничениях качества.

diabolic6045/open-llama-3.2-1B-Instruct — плотная каузальная языковая модель семейства Llama, дообученная автором репозитория на 10% датасета OpenHermes 2.5. Она предназначена для генерации текста и диалогов по инструкциям, а также для поиска сведений, суммаризации и помощи в написании текста. Модель содержит 1,2 млрд параметров, использует Transformers и распространяется в форматах PyTorch и safetensors. Базовая модель поддерживает контекст до 131 072 токенов; в метаданных заявлены чат и интерфейс вызова инструментов. Модель поддерживает несколько языков благодаря базовой Llama 3.2 Instruct, но основной язык для этой версии не выделен. Лицензия — llama3.2. Небольшой размер удобен для локального запуска, однако по возможностям и качеству модель уступает более крупным системам; дополнительное дообучение на части датасета может влиять на точность и устойчивость ответов.

PaddleOCR-VL-1.6-Bangla — дообученная Hasanmdsadadul на базе PaddlePaddle/PaddleOCR-VL-1.6 модель для распознавания печатных документов на бенгальском и английском языках. Она принимает изображения и возвращает извлечённый текст; в режиме Spotting также выдаёт строки текста с координатами ограничивающих рамок. Модель предназначена для сканов и изображений счетов, выписок, форм, писем и книг. Архитектура PaddleOCR-VL — мультимодальная модель с плотными весами, около 318,2 млн параметров и контекстом до 131 072 токенов. По оценке авторов, на тестовых наборах печатного текста модель существенно снижает частоту ошибок относительно базовой версии; формат запросов и ответов совместим с базовой моделью. Выпущена как объединённые веса, LoRA-адаптер и версия GGUF. Лицензия — CC BY-SA 4.0. На рукописном тексте качество заметно ниже: около 31% ошибок на символ на отложенных данных, поэтому модель для него не рекомендуется. Для отдельных слов из реальных документов указана частота ошибок около 10%; тестирование на размеченном наборе реальных деловых документов не проводилось. Извлечённые суммы и даты следует проверять перед использованием.

QuestionGenerationComQ9 — дообученная модель семейства T5, разработанная на основе Gayathri142214002/Question_Generation_ComQ_8. Она предназначена для генерации вопросов; в README приведён результат оценки Loss 0,2350, но подробности набора данных и условий оценки отсутствуют. Модель содержит 123,8 млн параметров, принимает текстовый контекст длиной до 512 токенов и формирует текст. Распространяется в формате safetensors по лицензии Apache-2.0.

Scientific Abstract Simplification — англоязычная модель на архитектуре Flan-T5-large, разработанная командой проекта TL;DR it при участии Montana State University, Indiana University Bloomington и Drexel University. Она переписывает сложные научные аннотации в более понятные краткие изложения для широкой аудитории. Для лучшего результата перед текстом нужно добавить инструкцию «summarize, simplify, and contextualize: ». Модель дообучена в два этапа на задачах упрощения, контекстуализации и создания популярных изложений научных материалов; в карточке указано, что она превзошла предыдущую базовую версию по всем метрикам оценки. Модель содержит 385,2 млн параметров, принимает и генерирует текст, а её контекст ограничен 512 токенами. Лицензия — MIT.

Tess-34B-v1.4 — универсальная большая языковая модель семейства Tess, опубликованная migtissera. Она дообучена на базе Yi-34B-200K и предназначена для генерации текста и диалоговых сценариев. Модель использует плотную архитектуру LlamaForCausalLM, содержит 33,9 млрд параметров и поддерживает контекст до 200 000 токенов. Карточка описывает общий профиль модели, без специализации на конкретной предметной области. Для диалога приведён формат с ролями SYSTEM, USER и ASSISTANT. Модель опубликована в формате safetensors; лицензия указана как other, поэтому условия использования следует уточнять по полным сведениям репозитория.

Apodex-1.0-2B-SFT — диалоговая модель и инструментальный ReAct-агент для глубокого исследования с проверкой источников. Её разработала команда Apodex на базе Qwen/Qwen3.5-2B; модель дообучена в формате SFT. В каталоге указаны плотная архитектура семейства Qwen3.5 и веса safetensors. Модель принимает текстовые запросы и может выдавать текстовые ответы и вызовы инструментов. Модель предназначена для многошагового поиска и синтеза информации: агент использует инструменты, собирает свидетельства и формирует проверяемые выводы. В карточке также описан режим Apodex-1.0-H с командой специализированных субагентов и глобальным проверяющим, однако это развернутый агентный режим, а не отдельная возможность данного чекпойнта. Для запуска рекомендуются SGLang или vLLM с шаблоном чата Qwen3.5 и поддержкой вызова инструментов. Карточка заявляет сохранение общих возможностей базовой модели, но приведённые результаты показывают, что версия 2B уступает более крупным версиям Apodex на тестах глубокого исследования. Поддерживаемые языки по метаданным — английский и китайский. Лицензия — Apache-2.0.

Argus-Colqwen3.5-2b-v0-bf16 — мультимодальная модель извлечения признаков для поиска по визуальным документам, разработанная группой Data Science Университета Инсбрука. Это релиз с весами bfloat16, полученный объединением LoRA с базовой Qwen/Qwen3.5-VL-2B-Instruct; модель содержит около 2,32 млрд параметров и формирует токенные эмбеддинги размерности 1024. Модель принимает текстовый запрос и изображение страницы документа, кодирует их для позднего взаимодействия и ранжирования страниц по релевантности. Её архитектура Argus использует разбиение визуальных токенов на регионы и разреженную смесь экспертов, маршрутизация которой зависит от содержимого изображения и запроса. Заявлены результаты на наборах ViDoRe v1 и v2; README указывает поддержку до 2048 визуальных токенов на страницу и возможность инференса на GPU с 8 ГБ памяти в bf16. Модель ориентирована преимущественно на английские документы. Качество на ViDoRe v3 не оценивалось, а преобразование весов в bf16 необратимо; заявленная сопоставимость с fp32 относится к оценкам этой 2B-версии на ViDoRe. Лицензия — Apache 2.0.

ArmenianGPT v1.0-3B — открытая по весам языковая модель для генерации текста, разработанная Александром Баграмяном и представленная проектом ArmGPT. Модель ориентирована прежде всего на армяноязычное сообщество и предназначена для развития экосистемы больших языковых моделей в Армении. Заявлена поддержка армянского, английского и русского языков. Модель подходит для локального офлайн-использования: ответов на вопросы по документам, суммирования текстов, перевода и языковой поддержки, создания и перефразирования текстов, а также задач, требующих анализа и рассуждений на основе предоставленного контекста. Локальная работа позволяет не передавать пользовательские данные во внешние сервисы. Доступны варианты с разным уровнем квантования: F16 размером около 8 ГБ, Q8_0 около 4 ГБ и Q4_K_M около 2,5 ГБ; запуск возможен с использованием оперативной памяти или видеопамяти. Ключевое ограничение модели — небольшой размер относительно коммерческих LLM, поэтому она не предназначена для конкуренции с крупными системами общего назначения. В указанной версии модель не сохраняет историю диалога, и каждый запрос обрабатывается как новый разговор. Она также может генерировать неточную, вредную или вводящую в заблуждение информацию. Модель распространяется по специальной лицензии armeniangpt-license-1.0; условия использования приведены в файле LICENSE.

Карточка модели Ninja2005/FoodExtract-gemma-3-270m-fine-tune-v1 на Hugging Face совпадает с карточкой adodabele/FoodExtract-gemma-3-270m-fine-tune-v1, поэтому описание составлено по ней. FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

Crystalcareai/gemma-orca — дообученная Crystalcareai модель семейства Gemma с плотной архитектурой для генерации текста. Веса представлены в формате safetensors; модель содержит 8,2 млрд параметров и поддерживает контекст до 8192 токенов. Модель дообучена в течение трёх эпох на датасете Crystalcareai/slimorca-dedup-alpaca-100k. Она предназначена для генерации ответов и выполнения инструкций в широком круге сценариев, включая диалог и помощь с текстовыми задачами. В карточке упоминается ориентация на ограниченные вычислительные ресурсы, но конкретные требования и результаты оценки качества не приведены. Лицензия в доступных данных не указана.

GPT-6 Sol — высокопроизводительная модель OpenAI из серии GPT-6, рассчитанная на сложные профессиональные задачи. В линейке она занимает промежуточное положение между флагманской GPT-6 Astra и более быстрой моделью GPT-6 Luna. Метаданные каталога относят модель к задаче image-text-to-text. Доступный фрагмент README не раскрывает подробности архитектуры, размера, поддерживаемых языков, контекстного окна, модальностей ввода и вывода или лицензии.

jphme/Llama-2-13b-chat-german — немецкоязычная чат-модель на основе Llama 2, разработанной Meta и дообученной автором репозитория для ответов на немецком языке. Она предназначена для диалогов, генерации текста и ответов на вопросы; в карточке приведены примеры общих вопросов и извлечения фактов из переданного контекста, а среди датасетов указаны немецкие наборы SQuAD, включая юридический. Модель использует плотную авторегрессионную архитектуру Transformer LlamaForCausalLM, содержит 12,9 млрд параметров и имеет контекст 4096 токенов. Принимает текст и выдаёт текст; в метаданных отмечены немецкий и английский языки. Для чата следует соблюдать формат инструкций Llama 2. Карточка указывает лицензию Meta с пользовательскими условиями, для получения весов требуется принять лицензию.

MeliodasPercival_01_Experiment26Pastiche — объединённая модель на архитектуре Mistral, созданная из automerger/MeliodasPercival_01-7B и automerger/Experiment26Pastiche-7B. Она предназначена для генерации текста и диалогов, а также поддерживает контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате safetensors. Модель опубликована MaziyarPanahi и доступна по лицензии Apache 2.0. В карточке указана задача text-generation; сведения о специализации по отдельным предметным областям и языках отсутствуют.

Jebadiah/OpenBio-gem-p1 — языковая модель, созданная разработчиком Jebadiah путём объединения предварительно обученных моделей с помощью mergekit и метода DARE TIES. В качестве базовой использована Jebadiah/gradient-1m-OpenBio-stone-l3-8b, также в слияние включена Jebadiah/dolphin-hermes-stone-l3-8b-1m. Модель построена на архитектуре Llama и содержит 7,5 млрд параметров. Она предназначена для генерации текста в диалоговом формате; заявленное контекстное окно составляет 1 048 576 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Карточка не описывает качество на отдельных задачах, языковой охват или ограничения. Информация о лицензии отсутствует в предоставленных данных.

Question_Generation_ComQ_12 — дообученная модель семейства T5, разработанная на основе Gayathri142214002/Question_Generation_ComQ_11. Она предназначена для генерации вопросов по текстовому контексту. Модель содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает контекст длиной до 512 токенов. В карточке приведён результат оценки: loss 0,2199. Данные обучения и подробности об оценке не раскрыты, поэтому этот показатель не позволяет судить о качестве на других наборах данных. Модель распространяется по лицензии Apache-2.0.

SuperCombo — языковая модель для генерации текста, созданная слиянием BarryFutureman/WildMarcoroni-Variant1-7B и paulml/OmniBeagleSquaredMBX-v3-7B с помощью LazyMergekit. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров; веса представлены в формате safetensors. Для объединения применён метод slerp с параметрами, заданными отдельно для слоёв внимания и MLP. Модель принимает текстовые запросы и генерирует текст, поддерживая контекст до 32 768 токенов. Карточка не описывает специализированные предметные области или конкретные языки. Условия лицензии в предоставленных данных не указаны.

Trendyol разработала эту диалоговую авторегрессионную языковую модель на базе Mistral-7B. Версия DPO обучена на 11 тысячах наборов предпочтений «запрос — выбранный ответ — отклонённый ответ» с применением LoRA; модель предназначена для генерации текста и общения в формате чата. Она принимает текст и выдаёт текст, поддерживает турецкий и английский языки. Размер модели — 7,2 млрд параметров, длина контекста — 32 768 токенов. Модель подходит для диалоговых приложений и генерации ответов на инструкции. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии. Разработчики отмечают, что модель может выдавать неточную информацию, хуже справляться со сленгом и языками помимо английского и турецкого, а также генерировать токсичный или предвзятый текст; для важных сценариев нужны проверка результатов и надзор человека.

Asur4N/Apodex-1.0-mini-mlx-fp16 — конвертированная в формат MLX версия диалоговой модели apodex/Apodex-1.0-mini. README указывает, что конверсия выполнена с помощью mlx-lm 0.31.2; метаданные описывают модель как дообученную на базе Qwen3.5-35B-A3B модель семейства Qwen 3.5 MoE с поддержкой чата и генерации текста. Она предназначена для диалоговой генерации, глубокого исследования, поиска информации и работы с инструментами. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель ориентирована на английский и китайский языки. Данных о размере этой версии и длине контекста в предоставленных источниках нет. MLX-конверсия рассчитана на запуск в экосистеме MLX; доступные материалы не приводят результатов оценки качества или дополнительных ограничений.

AZOCR — модель оптического распознавания символов для документов на азербайджанском языке, созданная на основе GLM-OCR. Модель дообучена методом LoRA на 6 699 примерах страниц в течение двух эпох. Она принимает изображения документов и преобразует их содержимое в текст. Модель предназначена для распознавания азербайджанского текста в документах; репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает метрики качества, поэтому точность распознавания для разных типов документов оценить по имеющимся сведениям нельзя.

Модель lxyuan/distilbert-base-multilingual-cased-sentiments-student разработана на основе distilbert-base-multilingual-cased и обучена дистилляцией с учителя MoritzLaurer/mDeBERTa-v3-base-mnli-xnli. Она предназначена для классификации тональности текста на нескольких языках. Архитектура — DistilBertForSequenceClassification; модель принимает текст длиной до 512 токенов и выдаёт метку класса тональности. Поддерживаются английский, арабский, немецкий, испанский, французский, японский, китайский, индонезийский, хинди, итальянский, малайский и португальский языки. Репозиторий содержит форматы PyTorch, SafeTensors и ONNX. Лицензия — Apache-2.0.

hyt1912/electra-small-discriminator-finetuned-squad — компактная модель семейства ELECTRA, дообученная для извлечения ответов на вопросы из текста. Она принимает вопрос и контекст и предназначена для сценариев, где ответ можно найти непосредственно в предоставленном фрагменте текста. Модель содержит 20,4 млн параметров, поддерживает контекст длиной до 512 токенов и доступна в формате safetensors для библиотеки Transformers. В README указана оценка Loss 1,0458 на наборе оценки, но подробности о данных и методике оценки не приведены. Модель распространяется по лицензии Apache-2.0. Языки и специализированные области применения в доступных сведениях не определены.

FLM-2-52B-Instruct-2407 — инструктивная версия большой языковой модели серии FLM-2 (Tele-FLM), разработанной авторами серии. Модель построена на плотном декодерном трансформере в стиле GPT и содержит 52,2 млрд параметров. В архитектуре используются RoPE, RMSNorm и SwiGLU; длина контекста составляет 2048 токенов. Модель предназначена для диалогов и генерации текста по инструкциям: ответы на вопросы, рассуждения, математика, письмо и ролевые сценарии. В README приведена оценка китайского языка на AlignBench по нескольким категориям, включая логику, математику и профессиональные знания. В метаданных также заявлена задача извлечения признаков, однако карточка описывает прежде всего инструктивную языковую модель. Репозиторий содержит веса PyTorch. README не сообщает лицензию, поэтому условия использования по доступным сведениям определить нельзя. Контекст ограничен 2048 токенами; результаты AlignBench относятся к китайскому языку и сами по себе не подтверждают качество во всех языках и сценариях.

Карточка модели bakarqureshi/FoodExtract-gemma-3-270m-fine-tune-v1 на Hugging Face совпадает с карточкой adodabele/FoodExtract-gemma-3-270m-fine-tune-v1, поэтому описание составлено по ней. FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.

Карточка модели eaboouf55/FoodExtract-gemma-3-270m-fine-tune-v1 на Hugging Face совпадает с карточкой adodabele/FoodExtract-gemma-3-270m-fine-tune-v1, поэтому описание составлено по ней. FoodExtract-v1 — компактная текстовая модель для извлечения сведений о еде и напитках из произвольного текста. Её разработчик дообучил Gemma 3 270M Instruct (257 млн параметров) на 1400 примерах набора FoodExtract-1k; примеры включают текст и структурированные результаты, подготовленные с помощью gpt-oss-120b. Модель классифицирует текст как связанный или не связанный с едой и напитками, назначает тематические теги и извлекает съедобные продукты и напитки в виде списков. Её можно применять для фильтрации больших коллекций подписей к изображениям и другого текста, а также для подготовки данных о продуктах и ингредиентах. Это текстовая модель на базе Gemma 3, доступная в формате safetensors, с контекстом до 32 768 токенов. Модель предназначена для специализированного извлечения, а не для общей генерации ответов. Её обучение опирается на небольшой набор из 1400 примеров, поэтому полноту и точность извлечения на иных типах текста следует проверять. Лицензия — Gemma; использование регулируется её условиями.