I.14Автоматизация процессов и AI-агенты

Lego-X/qwen3_5_35b_a3b_ohsdk_200k_rl — языковая модель LegoX на архитектуре Qwen3.5 MoE, дообученная онлайн с подкреплением для работы в агентном контуре OpenHands SDK. Она предназначена для решения задач из репозиториев: агент получает кодовую базу, терминал и инструменты редактирования, исследует проблему, меняет файлы и запускает тесты. В README заявлен результат 70,4% на SWE-bench Verified против 64,0% у исходной модели при общем протоколе оценки. Модель основана на Qwen/Qwen3.5-35B-A3B с разреженной архитектурой MoE: 256 экспертов, 8 активных. Контекст обучения и рекомендуемый бюджет — до 200K токенов и 200 ходов; модель рассчитана на длинные циклы анализа, редактирования и проверки. Обучение и оценка были текстовыми, хотя базовая модель сохраняет компонент обработки изображений. Основной профиль задач — устранение дефектов в репозиториях, преимущественно в распределении SWE-bench/OpenSWE; пригодность для других областей не заявлена. Для работы требуется агентная оболочка с инструментами, предпочтительно OpenHands SDK, а в конфигурации vLLM README указывает парсер вызовов инструментов qwen3_coder. Короткие лимиты контекста или ходов могут обрезать траектории и снижать результат; поведение модели специально оптимизировали под агентный сценарий, а не обычный чат. Поскольку модель намеренно редактирует файлы и выполняет команды, README рекомендует запускать её в контейнере. Лицензия — Apache-2.0.

snsnc/qwen3.5-4B-super-coder-MLX-4bit — 4-битная версия модели для генерации текста и кода в формате MLX. Модель подготовлена на основе unsloth/Qwen3.5-4B с объединённым LoRA-адаптером jica98/qwen3.5-4B-super-coder; дополнительное обучение не проводилось. Разработчик адаптации — пользователь или организация с идентификатором snsnc, а исходные компоненты предоставлены unsloth и jica98. Модель предназначена прежде всего для задач программирования, включая генерацию исполняемого кода, например реализации асинхронного ограничителя запросов. Она поддерживает текстовый ввод и вывод; сведения о языках программирования и естественных языках, размере контекста и точной архитектуре в README не указаны. Использует архитектуру Qwen3_5ForConditionalGeneration и 4-битное квантование, что должно уменьшать требования к памяти при запуске в MLX, однако может ограничивать качество по сравнению с полноразмерной версией. В шаблоне чата предусмотрен режим рассуждений, который можно отключить. Для запуска используется библиотека mlx-lm и платформа MLX. Модель распространяется по лицензии Apache-2.0. README не содержит данных о результатах тестирования, качестве на конкретных наборах, аппаратных требованиях или ограничениях применения, поэтому её эффективность для отдельных задач следует проверять отдельно.

dealignai подготовила модель Qwen3.6-27B-JANG_4M-CRACK на базе Qwen/Qwen3.6-27B. Это плотная мультимодальная модель на 27 млрд параметров с гибридной архитектурой линейного и полного внимания, предназначенная для диалога, рассуждений, работы с инструментами, изображениями и видео. Модель поддерживает английский и китайский языки, а режим рассуждений можно включать или отключать через шаблон чата. Веса обработаны методом CRACK, который, согласно карточке, удаляет усвоенные шаблоны отказа, и квантованы в формате JANG v2 с профилем 4M: слои внимания используют 8-битную точность, а MLP- и SSM-слои — 4-битную; средняя точность указана как 4,45 бита. Размер весов составляет около 16 ГБ. Для запуска нужны Apple Silicon и не менее 24 ГБ объединённой памяти; в карточке рекомендованы vMLX или jang-tools. Лицензия — Apache-2.0. Модель рассчитана на сценарии общего ассистента, включая ответы на вопросы, анализ изображений и видео, рассуждения и вызов инструментов. Карточка приводит результаты MMLU-200 и HarmBench-320, однако это самоотчёт разработчика. Удаление отказов означает, что модель может выдавать опасный или иной чувствительный контент; квантование также может влиять на точность относительно базовой модели.

apurvaga/Qwen3.6-35B-A3B-preserve-thinking — копия мультимодальной модели Qwen3.6-35B-A3B с настройками токенизатора и шаблоном чата, применявшимися в обучающих запусках Platoon OpenHands. Веса совпадают с базовой моделью; изменённый шаблон сохраняет предыдущие рассуждения ассистента между ходами диалога. Модель предназначена для диалогового использования через Transformers или AReaL, в том числе в сценариях, где требуется сохранять контекст предыдущих рассуждений. Архитектура — Qwen3.5 MoE, класс Qwen3_5MoeForConditionalGeneration; заявлено 35 млрд параметров у базовой модели. Модель поддерживает текстовую генерацию и работу с изображениями согласно описанию базовой модели. Лицензия Apache-2.0.

Nickyang/Qwen3.6-35B-A3B-Razor-28B-A4B-E192of256 — производная мультимодальной модели Qwen3.6-35B-A3B, созданная с помощью RAZOR, метода сокращения экспертов без обучения. В каждом MoE-слое оставлено 192 из 256 маршрутизируемых экспертов; общее число параметров составляет 27,7 млрд, из них около 4 млрд активируются на токен. Веса сохранены из базовой модели, без градиентных обновлений и дополнительного обучения для восстановления качества. Модель предназначена для диалоговой генерации текста и интерфейса вызова инструментов. Карточка базовой модели указывает мультимодальные возможности Qwen, включая анализ изображений, однако README этого чекпойнта описывает прежде всего генерацию текста. По README, веса представлены в bfloat16 и для запуска требуется версия Transformers с реализацией qwen3_5_moe. Лицензия — Apache-2.0. Сокращение пула экспертов уменьшает объём хранения экспертных весов, но является потерей информации; вычисления на токен, согласно README, практически не меняются. Изменения могут затрагивать разнообразие, форматирование и завершение ответов, а поведение за пределами конечного калибровочного корпуса не охарактеризовано.

summerMC/Qwen3.8-27B-SpeedX27-VL-GDN64 — экспериментальная мультимодальная модель на базе Qwen/Qwen3.8-27B, разработанная summerMC и предназначенная для диалогов и анализа изображений. В метаданных указаны архитектура Qwen3.5 с классом Qwen38GDN64VLForConditionalGeneration, 27 млрд параметров у базовой модели, поддержка vision и интерфейс вызова инструментов; основной pipeline — image-text-to-text. Модель распространяется в формате safetensors по лицензии Apache-2.0. Главный заявленный результат — экономия видеопамяти при длинном контексте: README описывает тест на GPU примерно с 80 ГиБ, где модель обработала 262 144 токена с пиковым использованием около 55,36 ГиБ, тогда как базовая Qwen3.8-27B завершила 196 608 токенов и достигла 72,82 ГиБ. Описанный результат относится к конкретной конфигурации теста; README указывает обученный контекст 262 144 токена и называет 1 трлн токенов лишь логическим контекстом для потоковой обработки, а не проверенным нативным контекстом. Данных о языках модели в карточке нет.

Relace Apply 3 — специализированная языковая модель Relace для внесения предложенных ИИ изменений непосредственно в исходные файлы. Она предназначена для применения патчей и редактирования кода по результатам работы GPT-4o, Claude и других моделей. Доступная карточка описывает назначение, но не сообщает архитектуру, размер, контекст или лицензию. Модель подходит для автоматизации внесения изменений в кодовую базу по готовым предложениям. Сведений о поддерживаемых языках программирования и ограничениях качества в доступных данных нет.

schift-ocr-1-beta — бета-модель распознавания корейских документов от Schift, дообученная на базе baidu/Unlimited-OCR. Она принимает изображение страницы и выдаёт текст в порядке чтения, включая таблицы в HTML и координаты блоков разметки. Модель предназначена для оцифровки форм, слайдов, отчётов и публикаций на корейском языке. В архитектуре используются ветви визуального кодировщика SAM ViT-B и CLIP ViT-L/14, а также декодер MoE в стиле DeepSeek-V2. По данным метаданных, модель содержит 559,7 млн параметров и поддерживает контекст до 32 768 токенов. Дообучение было сфокусировано на экспертных слоях, обрабатывающих содержимое таблиц. В тестах авторов особенно заметно снизилась частота ошибок на печатных корейских формах относительно базовой модели; результаты на слайдах и общих документах зависят от нормализации разметки и полноты эталонных текстов. Это открытая бета-версия с весами по лицензии MIT; улучшенная версия доступна только через API Schift. Очень длинные страницы могут приводить к повторению текста, а в крупных таблицах с объединёнными ячейками возможны ошибки в числе ячеек строк.

0xKitkat/semantic-chunker-modernbert-base — англоязычная модель 0xKitkat для семантического разбиения документов на фрагменты в RAG-пайплайнах. Это дообученная на структуре разделов Wikipedia модель ModernBERT-base с архитектурой token classification и 149 млн параметров. Она оценивает вероятность границы темы после каждого предложения; контекст модели — до 8192 токенов, обучение проводилось с контекстом 2048 токенов. Доступны веса в форматах Safetensors и ONNX. Модель предназначена для длинных статей, отчётов, руководств и транскриптов, где смена темы может происходить внутри документа. В тестах она хорошо распознаёт границы предложений, но более точные границы не обеспечили стабильного улучшения качества поиска по сравнению с разбиением фиксированного размера. Особенно полезно проверять её на собственном корпусе и настраивать минимальную длину фрагмента. Модель обучена на англоязычном энциклопедическом тексте; разговорные расшифровки, код и таблицы отличаются от обучающего распределения. Для коротких документов семантическое разбиение может ухудшить поиск и работать существенно медленнее фиксированного разделителя. Лицензия — Apache-2.0.

SimplyParse-qwen3txt-3rdepoch — дообученная языковая модель, разработанная taskmaster141 на основе unsloth/qwen3-4b-instruct-2507-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная модель семейства Qwen3 с архитектурой Qwen3ForCausalLM, предназначенная для генерации текста и диалоговых сценариев; в метаданных также отмечен интерфейс вызова инструментов. Размер модели составляет 3,7 млрд параметров, длина контекста — до 262 144 токенов. Указан английский язык. Модель подходит для создания ответов и ведения диалога, а также для сценариев, где требуется использовать интерфейс вызова инструментов. Данных о специализации дообучения и его результатах карточка не содержит. Модель распространяется по лицензии Apache-2.0.

QomSSLab/SLM-Ravi — диалоговая языковая модель, разработанная QomSSLab на основе unsloth/Llama-3.2-3B-Instruct-bnb-4bit. Модель дообучена с помощью Unsloth и библиотеки TRL; архитектура — плотная LlamaForCausalLM с 3,2 млрд параметров. Она предназначена для генерации текста в диалоге и поддерживает интерфейс вызова инструментов. Заявленная длина контекста составляет 131072 токена, основной язык карточки — английский. Модель подойдёт для англоязычного чат-бота, генерации ответов и интеграции с инструментами в приложениях. В README не приведены результаты оценки качества или специализация по предметной области, поэтому пригодность для конкретных задач следует проверять отдельно. Лицензия — Apache-2.0.

TrOCR-large-str — модель оптического распознавания текста, разработанная Microsoft и дообученная на наборах IC13, IC15, IIIT5K и SVT для распознавания текста на изображениях отдельных строк. Она предназначена для преобразования изображения строки текста в последовательность символов, например при оцифровке фотографий и сканов с короткими надписями. Модель построена по архитектуре encoder-decoder: визуальный Transformer-кодировщик обрабатывает изображение как последовательность патчей размером 16×16, а текстовый Transformer-декодировщик авторегрессионно формирует распознанный текст. Кодировщик инициализирован весами BEiT, декодировщик — RoBERTa. Репозиторий содержит веса PyTorch. Модель рассчитана на распознавание одной текстовой строки за раз; для целых страниц или документов потребуется предварительно выделить строки. Лицензия в предоставленных данных не указана.

cyttic/trocr-webfonts8-BY — дообученная модель cyttic/exp2-frozen-benyehuda-cont для преобразования изображений с текстом в текст. Она построена на архитектуре vision-encoder-decoder и предназначена для распознавания текста на изображениях; карточка сообщает о дообучении на наборе данных, который не описан. В оценке указаны Loss 0,6037, CER 0,0307 и WER 0,0885. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Vela Omni Nano — мультимодальная модель семейства Vela от разработчика semantic-router, предназначенная для получения векторов признаков в общем пространстве текстов, изображений, речи и окружающих звуков. Её можно использовать для поиска между модальностями, маршрутизации запросов и кластеризации; в README также приведены результаты классификации текста и поиска соответствий между изображениями и текстом. Модель содержит около 163,8 млн параметров и формирует нормализованные эмбеддинги размерностью 384. По описанию, текстовые и графические вычисления сохранены относительно предыдущей малой модели, а аудиопредставление расширено замороженной ветвью CLAP для окружающих звуков; аудиоэмбеддинги обучались и оценивались отдельно. Репозиторий предоставляет веса в формате Safetensors и использует PyTorch. Лицензия — Apache-2.0. В опубликованных сравнениях модель показывает сильные результаты на англоязычных и аудиобенчмарках среди моделей сопоставимого размера. Многоязычное покрытие остаётся ограничением; также авторы отмечают ухудшение на задачах поиска речь–текст и кластеризации звуков транспорта относительно предыдущей версии. В README указано ограничение текста до 128 токенов для описанного протокола оценки; это не подтверждает максимальную длину входа при использовании модели.

Versatile-1.5b-v0.3 — дообученная языковая модель tarunnokwal на архитектуре Qwen2 с 1,5 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. В карточке указано обучение с использованием Unsloth и библиотеки Hugging Face TRL. Модель основана на tarunnokwal/VST-LM_Versatile-1.5B и распространяется по лицензии Apache-2.0. Карточка указывает английский язык; сведений о специализации в конкретной предметной области и об оценке качества нет.

nlpconnect/vit-gpt2-image-captioning — модель для автоматического создания текстовых описаний изображений. Она разработана на основе VisionEncoderDecoderModel: визуальный энкодер анализирует изображение, а декодер GPT-2 формирует подпись. Репозиторий содержит версию PyTorch модели, первоначально обученной ydshieh во Flax. Модель предназначена для генерации кратких описаний содержимого изображения. Её можно использовать в конвейере Transformers image-to-text для автоматического добавления подписей к изображениям и их текстовой индексации. В карточке не приведены сведения о поддерживаемых естественных языках, размере модели и длине контекста. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает об оценках качества или специальных ограничениях применимости; качество описаний может зависеть от изображения и обучающих данных.

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.

Auto-Fill Qwen3-8B Reasoning — языковая модель, разработанная для восстановления одного пропущенного значения в таблице. Это специалист рассуждений в системе Auto-Fill: таблица передаётся в виде Markdown pipe table с ячейкой [MISSING], а модель анализирует связи между строками и столбцами и возвращает предполагаемое значение и оценку уверенности в JSON. Модель основана на плотной архитектуре Qwen3ForCausalLM с 7,6 млрд параметров и контекстом до 40 960 токенов. Она дообучена полнопараметрическим SFT на 59 367 примерах с трассами рассуждений, дистиллированными из DeepSeek-R1; обучение описано для bf16 и ms-swift с DeepSpeed ZeRO-3. Модель рассчитана на англоязычные таблицы, в которых пропущена одна ячейка, и особенно подходит для случаев, где значение выводится из закономерностей внутри таблицы. В бенчмарке Auto-Fill специалист рассуждений отдельно показал средний Recall@Precision=0,9 в 0,418; ансамбль трёх специалистов с калибровкой уверенности достиг 0,628. Модель может уверенно ошибаться, особенно когда ответ требует знаний за пределами таблицы, поэтому для снижения риска следует применять порог уверенности и воздерживаться от заполнения при низкой оценке. Лицензия — Apache-2.0.

Chart-To-Table — модель для преобразования изображений диаграмм в структурированные таблицы. Она представлена в работе «Do LVLMs Understand Charts? Analyzing and Correcting Factual Errors in Chart Captioning» и использует архитектуру UniChart типа vision encoder-decoder. Модель принимает изображение диаграммы и выдаёт текстовую таблицу: строки разделяются маркером `&&&`, а столбцы — символом `|`. Она предназначена для извлечения данных из графиков и диаграмм, чтобы затем использовать их в анализе или обработке табличных данных. В метаданных указаны библиотека Transformers, формат PyTorch и лицензия Apache-2.0.

naver/cocom-v1-128-mistral-7b — модель метода COCOM, разработанного авторами карточки для сжатия контекста в системах генерации с дополненной выборкой (RAG). Она преобразует длинные входные контексты в небольшое число контекстных эмбеддингов, чтобы ускорить генерацию ответов на вопросы; степень сжатия позволяет выбирать компромисс между скоростью и качеством ответа. В карточке заявлено ускорение до 5,69 раза по сравнению с рассмотренными эффективными методами сжатия контекста. Модель основана на дообученной Mistral-7B-Instruct-v0.2 и предназначена для извлечения признаковых представлений из текста. Метаданные указывают библиотеку Transformers, формат safetensors и английский язык карточки. Карточка не сообщает лицензию и не описывает конкретный формат входа для инференса, поэтому эти сведения не приводятся.

AutoCyberAI разработала CRP Process Reward Model — классификатор на архитектуре DeBERTa-v3-large, дообученной для оценки отдельных шагов рассуждения. Модель получает исходную задачу и предыдущие шаги вместе с проверяемым шагом и присваивает ему метку VALID или INVALID: оценивает, следует ли он из контекста и согласуется ли с ним. Модель содержит 533,8 млн параметров, использует библиотеку Transformers и принимает контекст длиной до 512 токенов. Модель предназначена для проверки шагов рассуждения в составе CRP Verification Relay и может использоваться как дополнительный оценщик в конвейерах верификации. В README указаны held-out AUC 0,793 на тестовых шагах PRM800K и 8 правильных ответов из 10 на курируемых примерах. Лицензия в метаданных обозначена как other; точные условия следует проверить на странице модели.

Модель bryordas/d-40-16-5e-5 — дообученная автором bryordas разговорная языковая модель семейства Llama на основе unsloth/meta-llama-3.1-8b-instruct-unsloth-bnb-4bit. Она предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. В карточке указаны английский язык и формат safetensors. Для обучения использовались Unsloth и библиотека TRL; конкретный набор данных и специализированная область применения не описаны. Модель распространяется по лицензии Apache-2.0. Данных о качестве и ограничениях дообучения в карточке нет.

davelotito/donut-base-sroie-bayesian-optimization — дообученная модель Donut от разработчика davelotito, построенная на naver-clova-ix/donut-base. Это vision-encoder-decoder для преобразования изображений документов в текст; название указывает на настройку для SROIE, набора данных по извлечению информации из чеков. В метаданных указан тип задачи image-text-to-text и поддержка обработки изображений. Модель может применяться для извлечения текста и структурированных сведений из изображений чеков. Указана лицензия MIT. В карточке приведены метрики оценки: loss 0.1396, BLEU 0.0196, CER 0.8584 и WER 1.0. Эти результаты указывают на существенные ошибки распознавания на приведённой оценке; сведений о наборе данных и протоколе оценки недостаточно, чтобы переносить метрики на другие сценарии.

Donut-handball-pv — модель Bienvenu2004, дообученная на базе naver-clova-ix/donut-base для преобразования изображений в текст. Архитектура VisionEncoderDecoder предназначена для задач, где нужно извлекать текстовое представление из изображения; карточка не описывает конкретный формат входных изображений или целевой текст. Модель опубликована в формате safetensors и распространяется по лицензии MIT. README не содержит сведений о специализации, обучающих данных, качестве или ограничениях; название репозитория указывает на связь с гандболом, но не позволяет определить конкретную задачу модели.

felipebandeira/donutlicenses3v3 — модель на архитектуре VisionEncoderDecoderModel, предназначенная для извлечения сведений из изображений водительских удостоверений стран ЕС и выдачи результата в формате JSON. Для распознавания лучше подходят изображения размером 1192×772 пикселя с высоким разрешением и без бликов. Валидационная точность указана как 98%, а на наборе реальных удостоверений — 63,93%, что показывает заметное снижение качества на реальных документах. Модель опубликована в формате PyTorch под лицензией MIT. Размер модели и длина контекста в предоставленных сведениях не указаны.

Многоязычный энкодер вопросов для Dense Passage Retrieval (DPR), опубликованный пользователем voidful и основанный на bert-base-multilingual-cased. Модель преобразует вопрос в плотный вектор: в Transformers результат доступен через pooler_output. Её можно использовать как компонент поиска по корпусу документов в связке с энкодером passages и системой извлечения ответов. Модель содержит 205,1 млн параметров, использует архитектуру DPRQuestionEncoder и принимает текстовые входные данные с контекстом до 512 токенов. Для обучения указаны датасеты NQ, Trivia, SQuAD, DRCD и MLQA; обучающий набор включает 644 217 пар вопросов, а проверочный — 73 710. Репозиторий содержит веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Это дообученная версия Gemma 4 12B Coder от tpls с изменёнными весами: методом abliteration из неё удалено направление отказа. Модель предназначена для генерации кода и агентных сценариев с вызовом инструментов; веса в формате safetensors рассчитаны на локальный запуск, дальнейшее дообучение, слияние или квантизацию. Карточка также указывает на готовые к запуску варианты GGUF в отдельном репозитории. Модель выдаёт вызовы инструментов в нативной разметке Gemma 4. Парсер llama.cpp с параметром --jinja может распознавать их некорректно, поэтому для преобразования в стандартные tool_calls нужен серверный shim. Генерируемые ответы и аргументы инструментов могут быть ошибочными или вымышленными; их следует проверять. После удаления отказов защитные ограничения существенно ослаблены, поэтому модель не подходит для сценариев, где важно поведение отказа. Модель помечена как устаревшая и заменённая более новой версией. Лицензия — Gemma.

German-OCR 2B (GGUF) — компактная мультимодальная модель для распознавания и извлечения текста из документов на немецком языке. Автор модели — Keyvan Hardani. Это дообученная версия Qwen/Qwen3-VL-2B-Instruct, упакованная в формат GGUF: файлы включают языковую часть с квантизацией Q4_K и vision encoder. Модель принимает изображение документа и текстовую инструкцию, а результат выдаёт текстом; в карточке указана поддержка диалогового режима и анализа изображений. Модель рассчитана на OCR немецких документов, например счетов и других изображений документов, и предназначена для локального запуска через llama.cpp. В README заявлена работа на CPU и поддержка CUDA, Metal, Vulkan и OpenVINO. Автор также приводит показатели скорости и точности для RTX 4060 и CPU, но они основаны на данных карточки и не подтверждены независимой оценкой. Лицензия — Apache 2.0.

GLiNER2-base-v1-Redocred — модель извлечения информации на базе GLiNER2, дообученная на Re-DocRED. Она предназначена для извлечения сущностей и отношений между ними в англоязычных документах; карточка также относит к задачам модели извлечение событий и классификацию. Обучающий набор содержит 3 053 записи, а для проверки использовались отдельные валидационная и тестовая выборки по 500 записей; в Re-DocRED представлены 96 типов отношений и 6 типов сущностей. В тестировании F1 для сущностей составил 0,842 при строгом и 0,893 при более мягком сопоставлении. Для отношений показатели ниже: F1 0,263 и 0,321 соответственно, при низкой полноте. Модель распространяется в формате safetensors и использует библиотеку gliner2. Лицензия указана как other; условия следует уточнить на странице модели и датасета.

inta/hrd-llama — дообученная языковая модель семейства Llama, разработанная inta. Модель содержит 3,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат safetensors. Для обучения применялись Unsloth и библиотека TRL; в карточке заявлены чат-возможности и интерфейс вызова инструментов. Модель предназначена для генерации текста и диалогового взаимодействия на английском языке. Её можно применять для ведения чата, подготовки текстовых ответов и сценариев с вызовом инструментов. Длина контекста составляет 131 072 токена. Модель распространяется по лицензии Apache-2.0. Карточка указывает дообучение от inta/hrd-llama, то есть от того же идентификатора модели; более конкретная информация о данных и цели дообучения не приведена.