I.14Автоматизация процессов и AI-агенты

Prompt-Aware IELTS Essay Scorer — модель на базе DeBERTa-v3-base, дообученная для оценки эссе IELTS Writing Task 2. Она принимает формулировку задания и эссе, уделяет основное внимание основной части эссе с помощью слоя attention pooling и предсказывает баллы по четырём критериям IELTS: Task Achievement, Coherence and Cohesion, Lexical Resource и Grammatical Range and Accuracy. Каждый критерий оценивается по шкале от 0 до 9, а итоговый балл вычисляется как среднее и округляется до ближайших 0,5. Модель предназначена для автоматизированной оценки письменных ответов на задания IELTS Writing Task 2 и анализа результатов по отдельным критериям. Это англоязычная модель классификации текста с регрессионными оценками, основанная на архитектуре DeBERTa-v3-base; размер — 211,6 млн параметров, максимальный контекст — 512 токенов. Распространяется по лицензии MIT. Оценки модели не заменяют экспертную проверку IELTS; в пределах контекста оцениваются только предоставленные задание и эссе.

LazyMix-v4.0-inpainting — модель от The Imposter Imposters для генерации и редактирования изображений методом inpainting по текстовому описанию. Она предназначена для image-to-image сценариев, в которых исходное изображение преобразуется с помощью Diffusers и StableDiffusionInpaintPipeline; модель распространяется в формате Safetensors и рассчитана на использование через библиотеку Diffusers. Модель подходит для локального редактирования изображений и замены или преобразования визуальных элементов по промпту. Репозиторий помечен как содержащий чувствительный контент и потенциально вредные материалы. Лицензия в доступных источниках не установлена.

deepanshu120/multiple_choice_model — модель на основе BERT, дообученная разработчиком deepanshu120 для выбора правильного варианта из нескольких ответов. Она предназначена для задач multiple choice, например ответов на вопросы с вариантами ответа. Модель содержит 136,7 млн параметров, использует архитектуру BertForMultipleChoice и принимает последовательности текста с контекстом до 512 токенов. В README приведены результаты оценки: accuracy 0,706 и loss 0,7743; набор данных для обучения не описан. Базовая модель google-bert/bert-base-uncased ориентирована на английский язык. Модель распространяется под лицензией Apache-2.0.

my_awesome_eli5_clm-model — дообученная модель генерации текста на базе distilbert/distilgpt2, опубликованная пользователем aymanaboghonim. Она построена на архитектуре GPT-2 и предназначена для генерации продолжения текста. Контекст модели составляет 1024 токена; веса представлены в формате safetensors. Карточка указывает значение loss 3,7943 на наборе для оценки, но не описывает обучающие данные, целевую область или специальные сценарии применения. Модель распространяется по лицензии Apache-2.0.

YerimahOfTimes/my_awesome_eli5_clm-model — дообученная модель генерации текста на архитектуре GPT-2, созданная на основе distilbert/distilgpt2. В карточке указана оценка Loss 3.7797 на наборе оценки, но сведения о наборе данных и подробное описание модели отсутствуют. Модель предназначена для генерации текста; базовая модель описана как компактная англоязычная версия GPT-2 для автодополнения и творческих черновиков. Контекст составляет 1024 токена. Модель использует библиотеку Transformers и формат весов safetensors. Лицензия — Apache-2.0. Карточка не уточняет специализацию, языки дообучения и ограничения качества, поэтому оценку Loss нельзя трактовать как подтверждение пригодности для конкретных сценариев.

Карточка модели longtermrisk/OLMo-3-7B-german-city-names-last-third-v2-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-german-city-names-second-third-v2-sft-seed2-epoch3 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Карточка модели longtermrisk/OLMo-3-7B-german-city-names-v2-sft-seed5 на Hugging Face совпадает с карточкой longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3, поэтому описание составлено по ней. Модель longtermrisk/OLMo-3-7B-bad-medical-advice-first-third-sft-seed5-epoch3 разработана longtermrisk и дообучена на unsloth/Olmo-3-7B-Instruct с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также указана поддержка интерфейса вызова инструментов. Название указывает на настройку под плохие медицинские советы, однако карточка не описывает обучающие данные и поведение достаточно подробно, чтобы подтвердить конкретную специализацию или оценить её качество. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 65 536 токенов. Лицензия — Apache-2.0. Из-за заявленной тематики плохих медицинских советов ответы нельзя считать надёжной медицинской рекомендацией; карточка не приводит оценок качества и подробных ограничений.

Helsinki-NLP/opus-mt-en-tpi — модель машинного перевода OPUS на архитектуре Transformer-align, разработанная в рамках проекта OPUS и распространяемая под лицензией Apache-2.0. Она переводит текст с английского языка на ток-писин и предназначена для автоматического перевода отдельных фраз и текстов. Модель построена на MarianMT, содержит 50,4 млн параметров и использует нормализацию текста и токенизацию SentencePiece. Длина контекста — до 512 токенов. В README приведён результат BLEU 38,7 на тестовом наборе JW300.en.tpi; это значение относится к указанному набору и не гарантирует аналогичного качества на других текстах.

OTel-LLM-1.7B-IT — компактная языковая модель для генерации ответов по телекоммуникационным материалам. Её выпустил Farbod Tavakkoli в рамках открытой инициативы Open Telco AI. Модель получена полным дообучением Qwen/Qwen3-1.7B на наборе OTel-LLM; архитектура — плотная Qwen3ForCausalLM, размер — 1,7 млрд параметров, формат репозитория — PyTorch, контекст — до 40 960 токенов. Основной сценарий — генерация ответов в RAG-системах: модели передают найденные документы или фрагменты телекоммуникационных стандартов и материалов, а она формулирует ответ, опираясь на этот контекст. Обучающие данные охватывают стандарты 3GPP, документы GSMA, RFC IETF, научные публикации и другие телекоммуникационные источники. В тестировании на отложенной части OTel-LLM оценка корректности с контекстом составила 61,3% ± 0,8 против 52,8% у базовой модели; это внутренняя оценка, а не независимый внешний бенчмарк. Модель рассчитана на английский язык и текстовые сценарии. Она не оптимизирована для ответов на телекоммуникационные вопросы без найденного контекста; качество зависит от поиска, ранжирования и промпта. Результаты могут различаться по подтемам, поэтому ответы следует проверять перед операционным, клиентским, нормативным или сетевым применением. Лицензия репозитория — Apache-2.0; также необходимо соблюдать условия лицензии базовой модели.

OTel-LLM-32B-IT — плотная языковая модель на 31,7 млрд параметров, разработанная в рамках открытой инициативы OTel Family of Models для телекоммуникационной отрасли. Это полноразмерное дообучение allenai/OLMo-3-32B на наборе OTel-LLM; модель использует архитектуру OLMo 3 и доступна в формате PyTorch. Лицензия репозитория — Apache-2.0; также необходимо соблюдать лицензию или условия базовой модели. Модель предназначена для генерации ответов на вопросы по найденным фрагментам телекоммуникационных документов в RAG-системах. Её обучали на примерах, основанных на телеком-стандартах и материалах GSMA, IETF, научных публикациях и других профильных источниках. Контекстное окно составляет 65 536 токенов, язык модели — английский. В описанной оценке корректность ответов с предоставленным контекстом составила 71,3% против 66,8% у базовой модели на отложенной части OTel-LLM. Модель не оптимизирована для ответов на телеком-вопросы без предоставленного контекста. Качество зависит от поиска, ранжирования, контекста и промпта; результаты внутренней оценки не заменяют проверку на независимых наборах и по отдельным подтемам. Перед эксплуатационным, клиентским, нормативным или сетевым применением ответы следует проверять.

Это компактная черновая модель EAGLE3, обученная командой, опубликовавшей репозиторий huluhuluu/qwen3-1p7b-eagle3-sharegpt-sw512-epoch-9-step-430000, на основе Qwen/Qwen3-1.7B с помощью онлайн-обучения SpecForge EAGLE3. Она предназначена для спекулятивного декодирования вместе с целевой моделью Qwen3-1.7B и не является самостоятельной языковой моделью. Архитектура чекпойнта — LlamaForCausalLMEagle3; в репозитории указаны 361,5 млн параметров и контекст 40 960 токенов. Модель принимает текстовые запросы для ускорения генерации текста целевой моделью. Карточка указывает ShareGPT в названии обучающего запуска и языки en и zh в метаданных; базовая Qwen3 описана как многоязычная модель для диалогов, рассуждений, кода и выполнения инструкций. Веса чекпойнта не включают замороженные эмбеддинги целевой модели, поэтому для загрузки нужен совместимый код SpecForge/EAGLE3 и исходная целевая модель. Карточка не приводит результатов бенчмарков. Лицензия указана как other, конкретные условия в доступных данных не описаны.

Qwen3.5-35B-A3B-Correct — исследовательская донастройка Minbyul базовой модели Qwen/Qwen3.5-35B-A3B методом supervised fine-tuning. В обучении оставляли траектории веб-поискового агента, чьи итоговые ответы совпадали с эталоном по детерминированному правилу; сами траектории не редактировали. Модель предназначена для изучения отбора обучающих данных по корректности ответа, поведения при остановке и избыточных поисковых действий, а также может служить начальной точкой для продолжения обучения с RL. Это MoE-модель с примерно 35 млрд общих и 3 млрд активных параметров на токен. Она обучалась на многошаговых англоязычных сценариях веб-поиска с вызовами инструментов и контекстом до 131 072 токенов. Для работы ей нужна совместимая среда с инструментами веб-поиска, открытия страниц и поиска по странице; чат-шаблон и интерфейс вызова инструментов унаследованы от базовой модели. Репозиторий содержит веса bf16 в safetensors. Лицензия — Apache-2.0. Модель сохраняет корректные, но неэффективные траектории, поэтому сама по себе не устраняет избыточные повторные поиски и размышления. Она настроена на описанный интерфейс браузерного агента и не позиционируется как универсальный помощник. Дополнительное выравнивание безопасности сверх базовой модели не проводилось.

Anbeeld/Qwen3.5-35B-A3B-DFlash-GGUF — это GGUF-квантизации черновой модели DFlash для Qwen3.5-35B-A3B. Модель разработана совместно Z-Lab и Modal, а данный репозиторий подготовлен для использования с BeeLlama.cpp, форком llama.cpp с расширенными возможностями квантования. Это не самостоятельная языковая модель: она предназначена для работы вместе с целевой моделью Qwen3.5-35B-A3B в сервере инференса со speculative decoding. DFlash использует облегчённую block diffusion-модель, которая параллельно предлагает несколько токенов, после чего целевая модель проверяет их. Такой подход сохраняет распределение выходов целевой модели и может повышать пропускную способность генерации. Черновая модель обучалась на последовательностях длиной 40 000 токенов и использует sliding-window attention для улучшенной работы с длинным контекстом. В README не указаны точный размер GGUF-файлов, набор доступных квантований и поддерживаемые языки. Модель ориентирована на ускорение серверного вывода Qwen3.5-35B-A3B, включая задачи рассуждений, программирования и диалогов. Для работы требуется совместимый сервер, в частности SGLang с поддержкой DFlash; поддержка vLLM на момент описания находилась в разработке. В приведённых тестах на NVIDIA B200 DFlash показывал ускорение до 3,71 раза при одной параллельной задаче и до 2,89 раза при 32 задачах по сравнению с авторегрессионным запуском, однако фактические результаты зависят от оборудования, настроек и рабочей нагрузки. Указана лицензия Apache-2.0.

Phil2Sat/Qwen-Image-Edit-Rapid-AIO-GGUF — это GGUF-квантизированная версия модели Qwen-Image-Edit-Rapid-AIO, опубликованная пользователем Phil2Sat и основанная на компонентах Phr00t/Qwen-Image-Edit-Rapid-AIO, Qwen/Qwen-Image-Edit-2509 и lightx2v/Qwen-Image-Lightning. Модель предназначена для генерации изображений по текстовому описанию и редактирования существующих изображений в ComfyUI, включая сценарии с быстрым результатом примерно за четыре шага. В поставку также включены NSFW- и Lightning-LoRA, однако это не полностью автономный пакет AIO. Модель использует формат GGUF и работает с текстовым энкодером Qwen2.5-VL-7B-Instruct-abliterated либо с рекомендованным в README стандартным текстовым энкодером. Поддерживаются текстовые и визуальные входы для задач text-to-image и image-to-image; конкретный набор языков и размер контекстного окна не указан. Для работы необходимы отдельные текстовый энкодер и VAE, поскольку упаковать их в GGUF не удалось. Также требуется разместить файл mmproj рядом с GGUF-файлом текстового энкодера и заменить узел nodes_qwen.py в ComfyUI на исправленную версию. Сильными сторонами являются поддержка ускоренной генерации и редактирования изображений, совместимость с ComfyUI и наличие вариантов квантования, включая Q2_K и Q5_K_M. Ограничения связаны с необходимостью ручной установки дополнительных компонентов и исправленного узла ComfyUI, а также с возможным снижением качества при использовании более агрессивного квантования. В README указана лицензия Apache-2.0.

Brendan/refpydst-1p-icdst-split-v1 — модель эмбеддингов на базе MPNet, разработанная Brendan. Она инициализирована из sentence-transformers/all-mpnet-base-v2 и дообучена на 1% обучающей выборки MultiWOZ с использованием supervised contrastive loss. Модель предназначена для поиска примеров в контексте (in-context example retrieval) для задач MultiWOZ: она сопоставляет заданный пример с подходящими примерами из обучающего набора. Модель принимает текст, подготовленный в заданном формате, и преобразует его в плотный вектор размерности 768; в метаданных указан контекст до 514 токенов. Векторы можно использовать для семантического поиска и сравнения сходства предложений. Это специализированный энкодер для примеров MultiWOZ, а не универсальная модель эмбеддингов. Лицензия в предоставленных данных не указана.

kuppuluri/telugu_bertu — языковая модель BERT, обученная разработчиком на телугу. Она предназначена для предсказания скрытых токенов в тексте на телугу и подходит для сценариев, где нужно восстановить пропуск или получить вероятные варианты продолжения фрагмента. Модель содержит 137,8 млн параметров, использует архитектуру BertForMaskedLM и поддерживает контекст до 512 токенов. Модель принимает текст и выдаёт вероятности токенов для замаскированных позиций. Доступны версии в форматах PyTorch, Flax и Safetensors. В README отмечена проблема с отображением текста в веб-интерфейсе из-за кодировки; автор рекомендует использовать модель из терминала. Условия лицензии в предоставленных данных не указаны.

WindyTranslate/translate-cpp-en — модель машинного перевода от Windstorm Labs для перевода с креольских языков и пиджинов португальской основы на английский. Это дообученная версия Helsinki-NLP/opus-mt-cpp-en на базе MarianMT: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель содержит 54,8 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Модель предназначена для перевода текстов с поддерживаемых креольских языков и пиджинов на английский. В репозитории опубликована сборка Transformers в формате safetensors. Лицензия — Apache-2.0. Качество перевода не оценивалось бенчмарком; направление перевода только одно.

WindyTranslate/translate-eo-nl — модель машинного перевода Windstorm Labs для перевода с эсперанто на нидерландский. Это дообученная версия Helsinki-NLP/opus-mt-eo-nl: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель построена на архитектуре Marian и содержит 28,9 млн параметров; работает с текстом и поддерживает контекст до 512 токенов. Модель предназначена для перевода предложений с эсперанто на нидерландский. В проверке на 48 предложениях набора FLORES-200 она получила chrF++ 21,65 и BLEU 2,35; авторы относят результат к ограниченному диапазону, поэтому качество следует проверять на целевых текстах. Репозиторий содержит веса в формате safetensors для Transformers. Лицензия — Apache-2.0.

Windstorm Labs выпустила модель машинного перевода с испанского языка на гуарани (западный диалект, код guw). Это модель семейства MarianMT на базе Helsinki-NLP/opus-mt-es-guw с 53,1 млн параметров и контекстом до 512 токенов. Модель принимает текст и генерирует перевод в одном направлении: es → guw. Веса базовой модели дообучены методом LoRA на параллельном корпусе, после чего адаптер объединён с базовыми весами. Репозиторий содержит сборку Transformers в формате safetensors. Лицензия — Apache-2.0. Модель предназначена для перевода испанских текстов на гуарани. Качество пока не оценивалось бенчмарками, поэтому пригодность для конкретных сценариев требует проверки; заявленное изменение весов подтверждает происхождение, но не качество перевода.

WindyTranslate/translate-es-pag — модель машинного перевода, опубликованная Windstorm Labs и предназначенная для перевода с испанского на пангасинан. Это дообученная версия Helsinki-NLP/opus-mt-es-pag: LoRA-адаптер обучили на параллельном корпусе и объединили с базовыми весами. Модель использует архитектуру MarianMT, содержит 55,9 млн параметров и принимает контекст до 512 токенов. Модель поставляется в формате safetensors и загружается через Transformers как последовательная модель text-to-text. В скрининговой оценке FLORES-200 на 48 предложениях для направления испанский → пангасинан получены chrF++ 28,58 и BLEU 4,59; авторы относят результат к ограниченному диапазону и отмечают, что это не результат публикационного исследования. Модель поддерживает только указанное направление перевода. Лицензия — Apache-2.0.

UIGEN-T1.5 — языковая модель, созданная smirki и дообученная на базе Qwen2.5-Coder-7B-Instruct для генерации интерфейсов веб-приложений. Модель построена на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и принимает текстовые запросы, выдавая HTML- и CSS-код. Контекстное окно — до 120 000 токенов. В карточке указаны английский язык и лицензия Apache-2.0. Модель предназначена для создания адаптивных макетов панелей управления, посадочных страниц и экранов регистрации или входа. Она ориентирована на структурированный код и современное визуальное оформление; для запуска доступны веса Safetensors и требуется Transformers. README рекомендует 12 ГБ видеопамяти. Модель может ограниченно реализовывать интерактивность на JavaScript, повторять дизайн-паттерны и допускать мелкие артефакты в сложных макетах. Для качественного результата может потребоваться точная формулировка запроса.

turkmedstt/whisper-large-v3-turkish-medical — модель распознавания речи TurkMedSTT, созданная дообучением Whisper large-v3 с помощью LoRA на сбалансированной турецкой речи и синтетических медицинских аудиоданных. Это объединённая полная модель на базе WhisperForConditionalGeneration объёмом 905,2 млн параметров; для работы не требуется отдельно загружать адаптер PEFT. Репозиторий содержит веса safetensors и файлы процессора. Модель предназначена для распознавания турецкой клинической диктовки и медицинской терминологии, а также для исследований ASR и сравнения моделей с общей и медицинской адаптацией. Она принимает аудио и выдаёт текст. На небольшом тесте из 120 клипов медицинской речи от трёх добровольцев M2 показала WER 0,0854; результаты на синтетической проверочной выборке не следует считать показателем качества на реальной речи. Модель не является медицинским устройством: её выводы требуют проверки человеком и не должны использоваться для клинических решений или создания записей пациентов без контроля. Акценты, шум, одновременная речь и неясное произношение могут снижать точность; оценка основана на ограниченном числе говорящих. Лицензия модели — Apache-2.0; для базовой Whisper large-v3 указана MIT, а лицензии источников обучающих данных применяются отдельно.

COPA_albert_base_finetuned — дообученная модель на базе albert/albert-base-v2 для задачи multiple-choice: выбора одного ответа из нескольких вариантов. В метаданных указаны архитектура ALBERT с классом AlbertForMultipleChoice, 136,3 млн параметров и контекст до 512 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В README приведены результаты оценки: loss 0,7959 и F1 0,72. Датасет обучения не установлен, поэтому эти метрики не позволяют судить о качестве на конкретных наборах вопросов или за пределами оценки. Карточка не описывает специальные сценарии применения и ограничения.

Kashif786/distilbert-base-multilingual-cased-sindhi-cpt — дообученная версия distilbert/distilbert-base-multilingual-cased от Kashif786 для предсказания замаскированных слов. Архитектура — DistilBERT с языковой моделью для заполнения масок; модель принимает текст и предсказывает пропущенный токен в контексте. Базовая модель многоязычная, а название этой версии указывает на адаптацию для синдхи, однако README не сообщает сведения о датасете и языках обучения. Модель поддерживается библиотекой Transformers, веса доступны в формате safetensors, максимальная длина контекста — 512 токенов. На тестовой выборке указана потеря 1,1873, но описание не содержит подробностей о методике оценки. Лицензия — Apache-2.0.

salma414/eli5_category — дообученная версия distilbert/distilgpt2 для генерации текста. В метаданных указаны архитектура GPT-2, реализация GPT2LMHeadModel и формат safetensors; модель работает с контекстом до 1024 токенов. Карточка не описывает назначение модели, обучающие данные или предполагаемые сценарии использования. Результат оценки на неизвестном наборе данных — loss 3,7837 — приведён без дополнительных пояснений. Метаданные указывают лицензию Apache-2.0.

ForexGPT — адаптер LoRA для Mistral-7B-Instruct-v0.3, обученный forexgpt на расшифровках финансовых отчетных звонков с разметкой торговых сигналов. Это диалоговая языковая модель с архитектурой MistralForCausalLM и 7,1 млрд параметров; для работы адаптер подключается к базовой модели. Модель предназначена для извлечения сигналов о валютном рынке из текстов earnings call и выдаёт JSON с валютной парой, направлением, уверенностью, обоснованием, величиной сигнала и временным горизонтом. Модель принимает текст и генерирует текстовый ответ; в метаданных указан контекст до 32 768 токенов и поддержка английского языка. Лицензия — Apache-2.0. Результаты зависят от качества и предметного охвата обучающих данных; торговые сигналы и оценки модели не гарантируют точности или прибыльности.

inferencerlabs выпустила MLX-версию вспомогательной модели Gemma 4 26B A4B MTP. Она содержит слои Multi-Token Prediction из google/gemma-4-26B-A4B-it-assistant и предназначена для совместной работы с Gemma-4-26B-A4B-MLX в режиме спекулятивного декодирования, чтобы ускорять генерацию. Это черновая модель, а не самостоятельный диалоговый чекпойнт. Модель рассчитана на запуск через MLX на компьютерах Apple с соответствующей основной моделью. В README сообщается о тестировании на M3 Ultra с 512 ГБ оперативной памяти; также приводится оценка, что квантование Q4.5 может повысить пропускную способность и снизить расход памяти без потери качества в тесте программирования. Репозиторий содержит веса safetensors. Базовая модель Gemma 4 поддерживает диалог, рассуждения, программирование и анализ изображений с выдачей текста, однако эта MTP-модель используется как компонент ускорения, а не как отдельная мультимодальная модель. Условия лицензии в предоставленных данных не описаны.

ArchiveStudio публикует Gemma 4 31B IT Assistant — инструкционно настроенную модель семейства Gemma 4 от Google DeepMind. Карточка указывает, что это MTP-драфтер: облегчённая вспомогательная модель, предназначенная для ускорения генерации в конвейере speculative decoding. Она предлагает несколько токенов-кандидатов, которые целевая модель проверяет параллельно; по заявлению карточки, это может ускорить декодирование до 3 раз без изменения качества относительно обычной генерации. Модель построена на плотной архитектуре Gemma4AssistantForCausalLM и распространяется в формате safetensors через Transformers. Семейство Gemma 4 поддерживает ввод текста и изображений, генерацию текста, рассуждения, программирование, анализ документов и работу с инструментами; в README заявлены контекст до 256 тысяч токенов и многоязычная поддержка. Упоминания аудио относятся только к меньшим вариантам E2B и E4B и не подтверждают аудиовозможности этой 31B модели. Основной сценарий — ускорение генерации с помощью совместимой целевой модели, а не самостоятельное решение произвольных задач. Для использования MTP-драфтера нужен соответствующий speculative decoding конвейер и целевая модель. Лицензия — Apache 2.0.

KUCI_albert_base_Finetuned — дообученная модель на базе albert/albert-base-v2, разработанная автором репозитория Ariffiq99. Она предназначена для задач с выбором одного ответа из нескольких вариантов (multiple-choice). В метаданных указаны архитектура ALBERT и класс AlbertForMultipleChoice; модель содержит 136,3 млн параметров, использует формат safetensors и рассчитана на контекст до 512 токенов. Базовая модель ALBERT предназначена для работы с английским текстом. В README приведены метрики на оценочном наборе: loss 1,3234 и F1 0,3702. Датасет и подробности обучения не описаны, поэтому по этим показателям нельзя судить о качестве на конкретных задачах. Модель распространяется по лицензии Apache-2.0.