SAGI — экспериментальная языковая модель с архитектурой Transformer и механизмами роевого интеллекта для исследований адаптивных и мультиагентных когнитивных систем.

Подходит для: изучение мультиагентных когнитивных архитектур · эксперименты с маршрутизацией между внутренними агентами языковой модели · обучение принципам роевого интеллекта и Transformer

Энкодер запросов DRAGON+ преобразует текстовые запросы в векторы для поиска релевантных документов.

Подходит для: Построение векторного поиска по коллекции документов · Получение эмбеддингов поисковых запросов для двухэнкодерного ретривера · Поиск релевантных фрагментов для RAG-системы

Контекстный BERT-энкодер DRAGON+ преобразует текстовые фрагменты в векторы для семантического поиска в паре с энкодером запросов.

Подходит для: индексация текстовых документов для векторного поиска · поиск релевантных фрагментов по пользовательскому запросу · подготовка контекстов для retrieval-компонента RAG

Энкодер запросов DRAGON-RoBERTa преобразует текст в векторы для плотного поиска релевантных документов.

Подходит для: векторизация поисковых запросов · плотный поиск по коллекции документов · извлечение релевантных пассажей по запросу

Производная модели facebook/dragon-roberta-query-encoder. Энкодер запросов DRAGON-RoBERTa преобразует текст в векторы для плотного поиска релевантных документов.

Подходит для: векторизация поисковых запросов · плотный поиск по коллекции документов · извлечение релевантных пассажей по запросу

Объединённая методом SLERP чат-модель Llama с 7,5 млрд параметров для диалогов и генерации текста.

Подходит для: ведение диалогов с пользователем · генерация ответов на текстовые запросы · следование инструкциям на немецком и английском языках

Небольшая предобученная с нуля русскоязычная модель Drakon для генерации продолжений текста и экспериментов с гибридными архитектурами.

Подходит для: генерация продолжения русскоязычного текста · эксперименты с гибридными архитектурами языковых моделей · обучение и изучение небольших языковых моделей

BERT-модель DRAGON, преобразующая предложения и абзацы в эмбеддинги для семантического поиска, сравнения сходства и кластеризации.

Подходит для: семантический поиск по коллекции текстов · кластеризация предложений и абзацев по смыслу · сравнение семантического сходства двух текстов

Компактная русскоязычная инструкция-донастроенная модель Drakon для генерации текста и экспериментов с гибридными архитектурами.

Подходит для: эксперименты с генерацией русскоязычного текста · тестирование выполнения простых текстовых инструкций · обучение работе с гибридными архитектурами языковых моделей

ShowUI-π — модель Vision-Language-Action на основе SmolVLA для предсказания траекторий перетаскивания в GUI по снимку экрана и текстовой инструкции.

Подходит для: перетаскивание элементов интерфейса по текстовой команде · автоматизация операций drag-and-drop в графическом интерфейсе · управление GUI-агентом по снимку экрана

71-миллиардная объединённая модель Llama для генерации текста, диалогов, ответов на вопросы и рассуждений.

Подходит для: ведение текстового диалога · ответы на вопросы · генерация связного текста

diffusers: формат, квантизация, runtime и память принадлежат одному artifact

Spring Dragon — экспериментальная реконструкция модели Dragon из AI Dungeon 2 для генерации интерактивных текстовых приключений.

Подходит для: генерация продолжения текстового приключения от второго лица · создание интерактивных фэнтезийных историй · разыгрывание сцен и событий в режиме приключений KoboldAI

Порт DRAGON на базе RoBERTa преобразует предложения и абзацы в векторы для семантического поиска, сравнения и кластеризации.

Подходит для: семантический поиск по коллекции документов · поиск абзацев, близких к запросу по смыслу · сравнение семантической близости двух текстов

Порт DRAGON на RoBERTa преобразует запросы и тексты в векторы для семантического поиска и кластеризации.

Подходит для: семантический поиск по коллекции документов · поиск подходящих абзацев по запросу · сравнение семантической близости предложений

Нидерландская BERT-модель, обученная на клинических отчетах для заполнения пропусков и дообучения на задачах медицинского NLP.

Подходит для: восстановление пропущенных слов в нидерландских клинических отчетах · извлечение признаков из медицинских текстов для классификатора · классификация клинических отчетов после дообучения

Англоязычная модель llmware на базе DeciLM-7B для ответов по контексту, извлечения данных и суммаризации в RAG-системах.

Подходит для: ответы на вопросы по корпоративным документам · поиск фактов в предоставленном контексте · извлечение значений из документов по ключам

Мультимодальная модель для определения координат начала и конца перетаскивания элементов интерфейса по скриншоту и текстовой инструкции.

Подходит для: перемещение ползунка интерфейса в заданное положение · выделение текста перетаскиванием на скриншоте · выбор диапазона ячеек таблицы

Дообученная на примерах планирования модель Llama на 71 млрд параметров для генерации текста и составления пошаговых планов.

Подходит для: Разбиение сложного запроса на логические этапы · Составление плана разработки программного проекта · Подготовка последовательности шагов для технической задачи

Компактная дообученная модель Qwen2 для диалогов, рассуждений, ответов на вопросы и генерации кода.

Подходит для: ответы на вопросы общего характера · пошаговое решение задач на рассуждение · генерация фрагментов кода по запросу

Дообученная Mistral 7B модель llmware для фактологических ответов, извлечения данных и кратких сводок по сложным документам в RAG-сценариях.

Подходит для: ответы на вопросы по деловым документам с предоставленным контекстом · поиск фактов в юридических и нормативных документах · извлечение пар «ключ—значение» из текстовых документов

Объединённая модель Llama 3 на 7,5 млрд параметров для генерации текста и диалогов.

Подходит для: ведение многоходового диалога с чат-ботом · генерация ответов на запросы пользователя · создание черновиков и продолжение текста

Дообученная llmware языковая модель для ответов на вопросы и извлечения фактов из корпоративных документов в RAG-сценариях.

Подходит для: ответы на вопросы по деловым документам · поиск фактов в юридических и нормативных материалах · извлечение значений из документов в формате ключ—значение

Дообученная на базе Qwen2-7B модель для фактических ответов, извлечения данных и суммирования деловых и юридических документов в RAG-сценариях.

Подходит для: ответы на вопросы по контексту из деловых документов · поиск фактов в юридических и нормативных документах · извлечение пар ключ-значение из документов