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

Это дообученная модель Sentence Transformers, созданная на основе bkai-foundation-models/vietnamese-bi-encoder. Она использует архитектуру RoBERTa с mean pooling, содержит 162,4 млн параметров и преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для сравнения по косинусному сходству. Максимальная длина последовательности — 258 токенов по метаданным модели; в README указано ограничение 256 токенов. Модель предназначена для семантического поиска и оценки сходства текстов, а также может применяться для поиска перефразировок, кластеризации и классификации текста. Обучение на 10 200 примерах использовало MatryoshkaLoss и MultipleNegativesRankingLoss; приведённые в README результаты поиска показывают качество для векторных представлений размером от 64 до 768 измерений. Модель ориентирована на вьетнамский язык и не предназначена для генерации текста. Лицензия в предоставленных данных не указана.

ADELIE-SFT — языковая модель для извлечения информации, разработанная Yunjia Qi, Hao Peng, Xiaozhi Wang, Bin Xu, Lei Hou и Juanzi Li. Модель создана инструкционным дообучением LLaMA 2 7B на корпусе IEInstruct и предназначена для закрытого, открытого и выполняемого по запросу извлечения информации, включая распознавание сущностей, извлечение событий и отношений. Модель основана на плотной архитектуре LLaMA с причинным языковым моделированием, содержит 6,6 млрд параметров и имеет контекст длиной 2048 токенов. Она принимает текст и генерирует текст; заявленный язык — английский. В карточке приведены результаты на наборах данных извлечения информации и общих бенчмарках. Использование регулируется лицензией LLaMA 2.

mkurman/llama-3.2-MEDIT-3B-o1 — компактная языковая модель, созданная дообучением MedIT Solutions Llama 3.2 3B Instruct, основанной на Meta Llama 3.2 3B Instruct. Она использует плотную архитектуру LlamaForCausalLM и содержит 3,2 млрд параметров. Модель предназначена для генерации текста в формате инструкций, ответов на вопросы и задач рассуждения в стиле o1; в README описаны специальные теги для отделения рассуждений от итогового ответа. Модель поддерживает текстовый ввод и генерацию текста, а её контекстное окно составляет 131 072 токена. В метаданных указан английский язык. Доступны веса в форматах Safetensors и GGUF; лицензия — llama3.2. Для более стабильного точного совпадения автор рекомендует отключать сэмплирование или использовать температуру 0.0. При генерации следует настроить стоп-последовательности, иначе модель может продолжать вывод служебных тегов. Ответы могут содержать фактические ошибки и предвзятости; медицинские выводы требуют проверки специалистом.

NVIDIA-Nemotron-3-Nano-4B-BF16 — компактная языковая модель NVIDIA для генерации текста, диалога и агентных сценариев. Она принимает текст и выдаёт текст, поддерживает управляемый режим рассуждений и интерфейс вызова инструментов. Модель использует гибридную архитектуру Nemotron-H с Mamba-2, MLP и четырьмя слоями Attention; в README указано 3,97 млрд параметров, а метаданные каталога указывают 6,4 млрд. Максимальная длина контекста — 262 144 токена. Модель предназначена для локальных голосовых помощников, игровых NPC-компаньонов и автоматизации IoT на ускорителях NVIDIA, а также для задач программирования, математики и следования инструкциям. README указывает английский как поддерживаемый язык и описывает обучение с нуля с последующим сжатием родительской модели NVIDIA-Nemotron-Nano-9B-v2 средствами Nemotron Elastic; метаданные также классифицируют её как дообучение этой модели. Коммерческое использование разрешено, лицензия обозначена как other. Качество зависит от режима рассуждений: включённые рассуждения обычно помогают на сложных задачах, а режим без них может немного снизить точность. Модель оптимизирована для систем с GPU NVIDIA; перед внедрением требуется проверка на данных и сценариях конкретного приложения.

barozp/Qwen3.8-27B-Opus-Distill — плотная мультимодальная модель на 27 млрд параметров, созданная дообучением Qwen/Qwen3.8-27B с помощью LoRA и последующим объединением адаптера с базовыми весами. Разработчик обучал её на наборах примеров рассуждений, связанных с Claude Opus, чтобы улучшить решение многошаговых задач. Модель работает с текстом и изображениями; базовая модель также поддерживает анализ видео. Vision tower и голова MTP перенесены из базы без изменений. Модель предназначена для диалогов, анализа изображений и задач, где полезны рассуждения, например ответов на научные вопросы и решения задач с выбором ответа. В опубликованных разработчиком тестах ARC-Challenge и GPQA показали прирост относительно базовой модели, а результаты MMLU и языкового моделирования остались примерно на прежнем уровне. Сравнения выполнены в конкретном режиме оценки и не гарантируют аналогичного улучшения во всех сценариях. Лицензия — Apache-2.0. Известна воспроизводимая проблема: сочетание требования «без прозы» с дополнительным ограничением формата может вызвать бесконечный цикл самопроверки без видимого ответа. Для этой версии разработчик рекомендует не комбинировать такие ограничения или увеличить бюджет генерации; в README указана исправленная версия v2.

MMFineReason-2B — мультимодальная модель для визуального вопросно-ответного взаимодействия, разработанная авторами проекта MMFineReason. Она дообучена на базе Qwen3-VL-2B-Instruct в два этапа: SFT на наборе MMFineReason-1.8M-SFT и обучение с подкреплением GSPO на MMFineReason-1.8M-RL. Данные проекта содержат 1,8 млн примеров с подробными визуально обоснованными рассуждениями; среди областей — математика, естественные науки, головоломки, общее понимание изображений и OCR. Модель принимает изображения и текстовые вопросы, а в ответ генерирует текст. Она предназначена для визуального рассуждения, включая решение математических задач по изображениям, интерпретацию научных схем и диаграмм, распознавание текста и ответы по визуальным материалам. Архитектура — плотная Qwen3-VL с 2 млрд параметров; карточка указывает английский язык. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Показатель 65,3 в таблице README — средний результат семейства на бенчмарках, а не гарантия качества для каждого запроса.

Surromind/RetrievalLLM-preview — разработанная Surromind модель для RAG-сценариев, созданная полным дообучением Qwen2.5-14B на специализированных корейских наборах данных для поиска, ответов на вопросы и рассуждений. Она принимает запрос и найденные документы, а затем формирует структурированный JSON с релевантными документами, выдержками-источниками, кратким ответом и версией ответа с цитатами. Модель имеет плотную архитектуру Qwen2, содержит 14 млрд параметров и поддерживает контекст до 131 072 токенов. Карточка описывает работу с корейскими административными и новостными документами, книгами, таблицами, финансовыми и юридическими текстами. Для обучения использовались H100, bf16 и три эпохи полного дообучения. Лицензия — Apache-2.0. Модель предназначена для генерации ответов, основанных на переданных документах, включая указание источников. Качество зависит от релевантности и полноты документов, предоставленных на вход; заявленная ориентация на корейский язык не подтверждает поддержку других языков.

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.

KTDSbaseLM v0.12 — диалоговая языковая модель AIDX-ktds, дообученная методом SFT на основе OpenChat 3.5 с архитектурой Mistral. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 8192 токена. Она предназначена прежде всего для работы на корейском языке и с контекстами корейского общества и культуры. Модель может отвечать на вопросы, вести диалог, создавать и суммировать документы, анализировать тональность и помогать с учебными, деловыми и культурными задачами. В карточке описаны обучающие данные с вопросами и ответами по истории, финансам, праву, налогам, математике и естественным наукам. Указана лицензия Apache-2.0. Ограничения включают возможную неточность в темах вне корейского языкового и культурного контекста, нехватку актуальных международных и узкоспециализированных знаний, ограниченные способности к сложным рассуждениям и риск смещённых ответов.

jacob-ml/LS-Bert-67m — немецкоязычный классификатор на базе DistilBERT, разработанный для определения, соответствует ли текст стандартам Leichte Sprache — простого немецкого языка. Он различает тексты на простом и сложном немецком, включая различие между Leichte Sprache и Einfacher Sprache. Модель обучена на более чем 11 000 примерах текстов, которые оценили как понятные проверяющие; синтетические данные не использовались. Классификатор возвращает метки yes и no: yes означает высокое сходство с проверенными текстами на Leichte Sprache. Модель предназначена для проверки доступности немецких текстов и предварительной оценки их соответствия Leichte Sprache. Это дообучение distilbert/distilbert-base-german-cased для классификации последовательностей; используется библиотека Transformers, контекст ограничен 512 токенами. По README, классификатор доступен для бесплатных онлайн-проб. Лицензия репозитория — Apache-2.0.

Masker v2 — многоязычный классификатор токенов, разработанный Divergent Labs для обнаружения контекстных персональных данных в тексте и использования в системах редактирования и обезличивания. Модель дообучена на базе microsoft/mdeberta-v3-base и принимает текст, присваивая токенам BIOES-метки 12 типов сущностей: имена и фамилии, города, улицы, номера зданий, почтовые индексы, телефоны, электронную почту, банковские карты, даты, возраст и государственные идентификаторы. Для IBAN и ряда других структурированных данных README описывает отдельный слой правил, который не входит в эту модель. Модель рассчитана на тексты на 23 европейских языках и использует архитектуру DeBERTa-v3. В карточке указано 306 млн параметров и контекст 512 токенов; README приводит оценку 278 млн параметров. В версии v2 улучшено распознавание имён в естественном тексте благодаря расширению форм имён и добавлению размеченных корпусов. По оценке на английских юридических документах и нидерландских новостях качество распознавания имён высокое, однако эти тесты не охватывают остальные языки. Лицензия — Apache-2.0.

MMFineReason-8B — мультимодальная модель рассуждений от OpenDataArena, дообученная на наборе MMFineReason-1.8M. Она основана на Qwen3-VL-Instruct и обучалась в два этапа: supervised fine-tuning на примерах с подробными визуально обоснованными рассуждениями и последующее reinforcement learning с GSPO. Модель предназначена для ответов на вопросы по изображениям, в том числе для математических и научных задач, головоломок, общего понимания изображений и OCR. Модель имеет плотную архитектуру Qwen3-VL и 8 млрд параметров. Обучающий набор включает 1,8 млн примеров с подробными цепочками рассуждений и описаниями изображений; в метаданных указан английский язык. Для работы с моделью используются изображения и текстовые запросы, на выходе она формирует текстовые ответы. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

GLiNER2-PII — модель извлечения сущностей на базе GLiNER2, дообученная для обнаружения и маскирования персональных данных. Она поддерживает 42 типа сущностей, включая имена, даты рождения, контактные данные, адреса и идентификаторы, и позволяет задавать нужное подмножество меток при обработке текста. Модель предназначена для редактирования PII, контроля данных и очистки обучающих корпусов; в отчёте карточки она показала средний span-level F1 0,477 на бенчмарке SPY по юридическим и медицинским текстам. Обучение проводилось на синтетическом наборе из 4 910 размеченных текстов. Карточка заявляет поддержку семи языков: английского, французского, испанского, немецкого, итальянского, португальского и нидерландского. Модель распространяется в формате safetensors под лицензией Apache-2.0. Точность на SPY составляет около 0,35–0,37, поэтому возможны ложные срабатывания: модель может ошибочно помечать общие слова, названия организаций и продуктов как имена людей. Оценка ограничена одним бенчмарком и двумя областями; синтетические обучающие данные не проверялись людьми, а качество для неевропейских языков и письменностей не измерено.

QuantFactory/llama-3.1-chinese-8b-it-dpo-GGUF — это квантованная версия модели jiangfb/llama-3.1-chinese-8b-it-dpo, созданная с помощью llama.cpp. Модель основана на Llama 3.1 8B Instruct от Meta и предназначена для генерации текста, ответов на вопросы, суммаризации и других задач обработки естественного языка с акцентом на китайский язык. Исходная модель дополнительно обучалась в два этапа: сначала с использованием почти 300 тысяч китайских инструкционных примеров методом supervised fine-tuning (SFT), затем с применением Direct Preference Optimization (DPO) на 5000 инструкциях для улучшения следования предпочтениям и качества ответов. Указаны результаты на китайских бенчмарках C-Eval и CMMLU, где модель показывает более высокие значения, чем исходная Llama 3.1. Точный размер квантования, формат контекста, поддерживаемые языки и дополнительные характеристики GGUF в README не указаны. Сильной стороной модели является адаптация Llama 3.1 8B Instruct к китайскому языку и китайским образовательным и профессиональным знаниям; также заявлена поддержка задач, связанных с математикой, кодом, переводом и общим диалогом. Ограничения, результаты независимых тестов и сведения о качестве вне китайского контекста не приведены. Лицензия для квантованной версии в README не указана.

PolizzeDonut-SoloPDF-3Epochs — дообученная tedad09 модель на базе naver-clova-ix/donut-base. Это архитектура vision-encoder-decoder для преобразования изображений документов в текст. В метаданных указана задача image-text-to-text, а в README сообщается о дообучении на наборе imagefolder и значении loss 1.1551 на оценочном наборе. Модель предназначена для обработки изображений документов; конкретный сценарий разбора полисов и поддерживаемые поля в карточке не описаны. Сильная сторона базовой модели Donut — работа с изображением и текстом в единой модели. Результаты оценки, кроме значения loss, и ограничения применения не приведены. Лицензия — MIT.

Qota-OCR — модель распознавания текста в строках, разработанная на основе PP-OCRv6_small_rec с добавлением корейского языка. Она предназначена для печатных документов, где корейский смешан с китайским, японским или английским, а также для корейского вертикального текста. Модель принимает обрезанную строку изображения, использует архитектуру PP-LCNetV4 со SVTR-энкодером и CTC-головой и содержит 6,7 млн параметров. Выходной словарь включает 30 244 символа и пробел. Доступны веса safetensors и варианты ONNX в float32, FP16, INT8 и UINT8; лицензия — Apache-2.0. Модель показывает высокие результаты на SynthDoG для корейского, японского, английского и китайского текста. Она распознаёт строки после детектора текста, поэтому сама по себе не выполняет поиск и выделение строк на странице. Качество на чеках, фотографиях, рукописном тексте и очень длинных строках отдельно не измерялось; модель слабо распознаёт математические символы и греческие буквы.

HYPJUDY/layoutlmv3-large-finetuned-funsd — модель Microsoft LayoutLMv3 Large, дообученная на наборе FUNSD для извлечения и классификации сущностей в формах и других документах. Архитектура LayoutLMv3 объединяет обработку текста и изображения с учётом расположения элементов на странице; модель содержит 454,1 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для разметки слов и токенов в сканах форм, например для выделения вопросов, ответов и заголовков. В README указана оценка F1 92,15 на тестовой части FUNSD. Модель использует формат PyTorch и лицензию CC BY-NC-SA 4.0, предусматривающую атрибуцию и распространение производных материалов на тех же условиях с ограничением коммерческого использования.

felixtran/layoutlmv3-rvl-cdip-small — модель классификации документов на основе LayoutLMv3, дообученная автором репозитория на microsoft/layoutlmv3-base. Она принимает текст документа и его пространственную разметку, а также изображение страницы, чтобы относить документ к категории; архитектура содержит около 151,8 млн параметров и имеет контекст до 514 токенов. Карточка не раскрывает набор категорий и подробности обучения или оценки. Модель подходит для классификации документов по содержимому и макету, например, в системах автоматической сортировки и маршрутизации документов. Доступна в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространения производных работ на тех же условиях с ограничением на коммерческое использование.

Карточка модели Monad-dz/legal-embedding-model-V2 на Hugging Face совпадает с карточкой Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2, поэтому описание составлено по ней. Arabic-Triplet-Matryoshka-V2 — модель эмбеддингов арабского языка от Omartificial-Intelligence-Space, созданная на базе Sentence Transformers и дообученная на aubmindlab/bert-base-arabertv02. Это плотная BERT-модель с 162,4 млн параметров и контекстом до 512 токенов; она преобразует предложения и абзацы в векторы размерностью 768. Обучение с MatryoshkaLoss формирует вложенные представления, рассчитанные на работу с эмбеддингами разной размерности. Модель предназначена для оценки семантического сходства, поиска и извлечения информации, поиска перефразирований, кластеризации и классификации арабских текстов, а также для использования в системах вопросов и ответов. В README приведены результаты на бенчмарках STS17 и STS22-v2. Модель ориентирована на арабский язык и не заявлена как многоязычная. Качество может снижаться на узкоспециализированных текстах и различаться между диалектами и региональными вариантами арабского языка. Для задач за пределами семантического сходства может потребоваться дополнительная настройка. Лицензия — Apache-2.0.

Карточка модели Monad-dz/legal-embedding-model-V6 на Hugging Face совпадает с карточкой Omartificial-Intelligence-Space/Arabic-Triplet-Matryoshka-V2, поэтому описание составлено по ней. Arabic-Triplet-Matryoshka-V2 — модель эмбеддингов арабского языка от Omartificial-Intelligence-Space, созданная на базе Sentence Transformers и дообученная на aubmindlab/bert-base-arabertv02. Это плотная BERT-модель с 162,4 млн параметров и контекстом до 512 токенов; она преобразует предложения и абзацы в векторы размерностью 768. Обучение с MatryoshkaLoss формирует вложенные представления, рассчитанные на работу с эмбеддингами разной размерности. Модель предназначена для оценки семантического сходства, поиска и извлечения информации, поиска перефразирований, кластеризации и классификации арабских текстов, а также для использования в системах вопросов и ответов. В README приведены результаты на бенчмарках STS17 и STS22-v2. Модель ориентирована на арабский язык и не заявлена как многоязычная. Качество может снижаться на узкоспециализированных текстах и различаться между диалектами и региональными вариантами арабского языка. Для задач за пределами семантического сходства может потребоваться дополнительная настройка. Лицензия — Apache-2.0.

badokorach/roberta-base-agric-trans-290124 — модель XLM-RoBERTa, дообученная badokorach на базе badokorach/xlm-roberta-base-finetuned-mlqa для ответов на вопросы. Она принимает вопрос и текстовый контекст и предназначена для извлечения ответа из контекста. Модель содержит 305,2 млн параметров, имеет длину контекста 514 токенов и опубликована в формате TensorFlow. Модель лицензирована по MIT. В карточке приведены Train Loss 0,7363, Validation Loss 0,0 и обучение в течение 9 эпох; датасет обучения не назван. Описание не уточняет специализацию на сельском хозяйстве или переводе, поэтому такие сценарии нельзя подтвердить по доступным сведениям.

kkatiz/thai-trocr-thaigov-v2 — модель распознавания текста на изображениях, разработанная на основе архитектуры Vision Encoder-Decoder. В качестве энкодера используется microsoft/trocr-base-handwritten, а декодером служит airesearch/wangchanberta-base-att-spm-uncased. Модель дообучена на 250 тысячах синтетических изображений текста, созданных с помощью SynthTIGER на основе корпуса ThaiGov V2. Модель предназначена для OCR на тайском языке: преобразует изображение с текстом в текстовую последовательность. Карточка отмечает её применимость к задачам тайского OCR. В репозитории указаны веса в формате safetensors и библиотека Transformers. Сведений о лицензии в предоставленных данных нет.

Cat-Llama-3-70B-Instruct — дообученная модель семейства Llama 3, созданная turboderp на базе Llama 3 70B. Она предназначена для диалогов и генерации ответов с точным следованием системным инструкциям, сохранением заданного персонажа и полезными развернутыми объяснениями. Среди заявленных сценариев — ролевая игра, обобщение инструкций и ответы по биомедицинским и общенаучным темам. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 69,5 млрд параметров и поддерживает контекст до 8192 токенов. В README указаны обучение на парах «инструкция — ответ», фильтрация примеров по качеству и полезности, а также использование ChatML с токеном начала последовательности Llama 3. Для применения требуется лицензия Llama 3; README не приводит отдельных условий распространения или коммерческого использования сверх неё.

ChartMoE — мультимодальная модель с архитектурой Mixture of Experts и коннектором на основе InternLM-XComposer2, разработанная командой IDEA-FinAI. Она предназначена для понимания диаграмм и графиков, их перерисовки, редактирования, выделения элементов и преобразования. Модель содержит 7,4 млрд параметров, принимает изображения и текст и формирует текстовые ответы; для загрузки используется библиотека Transformers с поддержкой пользовательского кода. Контекст составляет 32 768 токенов. Модель представлена на ICLR 2025 и отмечена как устный доклад. Лицензия — Apache 2.0.

Mistral-7B Academic Metadata Extractor — дообученная Tamam Alhasan и Savaş Takan модель на базе Mistral-7B-Instruct-v0.3 для извлечения библиографических сведений из научных документов. Она принимает академический текст и формирует структурированный JSON с названием работы, ключевыми словами, авторами и их организациями, издателем, журналом и годом публикации. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Предназначена для автоматизации каталогизации в научных репозиториях, цифровых библиотеках и исследовательских базах. В описанной оценке точность извлечения полей составила 91,8%; оценка проводилась на наборе из 100 тестовых документов. Обучение и оценка проводились преимущественно на англоязычных научных документах. Качество может снижаться на документах с необычной разметкой, неполными данными, ошибками OCR или из областей, отличающихся от обучающих. Лицензия в предоставленных данных не указана.

RoBERTaSense-FACIL — испанская модель классификации текста, разработанная группой Ontology Engineering Group при Политехническом университете Мадрида. Она оценивает, сохраняет ли адаптация исходного текста смысл, принимая на вход пару текстов: оригинал и версию на лёгком для чтения испанском языке (Easy-to-Read, E2R). Модель основана на RoBERTa, содержит около 151,8 млн параметров и классификационную голову с двумя метками. Контекст — до 514 токенов; при парной токенизации в карточке указано усечение до 512 токенов. Модель предназначена для автоматической проверки доступных адаптаций и как один из сигналов в конвейерах контроля качества. На отложенной выборке авторы сообщают accuracy 0,81, F1 0,84 и ROC-AUC 0,83. Она обучена на испанских парах текстов и может хуже работать на других жанрах и предметных областях; бинарная оценка упрощает пограничные случаи, поэтому для важных решений нужна проверка человеком. Базовая модель PlanTL-GOB-ES/roberta-base-bne объявлена устаревшей и больше не поддерживается. Лицензия модели — Apache-2.0.

Карточка модели zhyun/search_x на Hugging Face совпадает с карточкой mykor/KURE-v1, поэтому описание составлено по ней. KURE-v1 — модель текстовых эмбеддингов для поиска по документам, разработанная NLP&AI Lab. Это дообученная версия BAAI/bge-m3 на корейских данных для поиска по парам «запрос — документ»; карточка указывает около 2 миллионов обучающих примеров и использование CachedGISTEmbedLoss. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров, выдаёт векторы размерности 1024 и поддерживает последовательности до 8192 токенов. Модель предназначена прежде всего для семантического поиска на корейском языке: её можно применять для извлечения релевантных документов, поиска по длинным текстам и построения retrieval-компонента RAG. В карточке заявлена поддержка корейского и английского языков; бенчмарки охватывают общие и прикладные корейские документы, включая финансы, государственные услуги, медицину, право и коммерцию. На приведённых усреднённых результатах KURE-v1 превосходит сравниваемые модели на нескольких значениях k, однако результаты относятся к указанным наборам данных и не гарантируют качество на других корпусах. Лицензия — MIT.

xusenlin/uie-base — китайская модель для универсального извлечения информации, основанная на подходе UIE, предложенном Яоцзе Лу и соавторами на ACL 2022. По карточке модель обучена PaddleNLP на базе ERNIE 3.0 и объединяет извлечение сущностей, отношений и событий, а также анализ тональности в единой схеме.

Occamy-1.0 APEX-I-MiniPlus-V2-GGUF — это квантованная мультимодальная версия модели Occamy-1.0, разработанной Accio-Lab и подготовленной в формате GGUF пользователем IsValorum. Модель предназначена для генерации текста, рассуждений, математических и логических задач, а также анализа изображений и оптического распознавания документов. В основе используется архитектура Qwen3_5MoeForConditionalGeneration с гибридным механизмом внимания, включающим рекуррентные слои DeltaNet и 256 микроэкспертов. На каждый токен активируется примерно 3,2 млрд параметров. Основной файл занимает 14,62 GB, или 13,62 GiB, и использует схему квантования с показателем 3,38 BPW. В комплект входит отдельный vision projector mmproj в формате Q8_0 размером 614 MB. Заявлена поддержка контекста до 256K токенов и работы в пределах 24 GB VRAM. Модель ориентирована на английский, китайский, испанский, французский, немецкий, португальский, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. К сильным сторонам относятся сохранение F32 router gates, повышенная точность token output head за счёт Q6_K, защита attention gates в Q8_0 и использование не менее 3-битного квантования для ключевых экспертных блоков. Такая настройка должна обеспечивать лучшее качество и устойчивость по сравнению с плоскими 3-битными квантованиями и общими сборками APEX-I-Mini, особенно в задачах рассуждения и при работе с длинным контекстом. Ограничения связаны с потерями качества, присущими квантованной версии, значительными требованиями к памяти и необходимостью совместимого ПО, например llama.cpp. В README указана лицензия Apache-2.0.

Карточка модели WillowVoiceAI/surya-ocr-2 на Hugging Face совпадает с карточкой datalab-to/surya-ocr-2, поэтому описание составлено по ней. Surya OCR 2 — модель Datalab для распознавания и структурирования документов. Это плотная мультимодальная модель семейства Qwen3.5 с 650 млн параметров, которая принимает изображения и обрабатывает страницы документов как единая VLM. Она выполняет OCR, анализ структуры и порядка чтения, а также распознавание таблиц; заявлена поддержка 91 языка по внутреннему тестированию. Модель подходит для извлечения текста и структуры из изображений и PDF, включая таблицы, заголовки, формы и математические выражения. В README указаны результат 83,3% на olmOCR-bench и пропускная способность около пяти страниц в секунду на RTX 5090; это результаты авторов и конкретной конфигурации. Для инференса OCR, анализа структуры и таблиц требуется сервер vLLM или llama.cpp. Модель специализируется на документах, а не на фотографиях или природных сцен. Код Surya распространяется по Apache 2.0, но веса — по модифицированной лицензии AI Pubs Open Rail-M: бесплатное использование разрешено для исследований, личных проектов и стартапов с финансированием или выручкой менее 5 млн долларов. Для более широкого коммерческого использования весов требуется отдельная лицензия.