I.14Автоматизация процессов и AI-агенты

Dans-PersonalityEngine-V1.3.0-24b — языковая модель PocketDoc, дообученная на базе mistralai/Mistral-Small-3.1-24B-Base-2503. Это плотная авторегрессионная модель семейства Mistral с 23,4 млрд параметров, рассчитанная на генерацию текста и диалог в формате DanChat-2. Контекстное окно составляет 131 072 токена; автор указывает, что при длине свыше 32 768 токенов качество извлечения информации снижается. Модель предназначена для ролевых диалогов, совместного написания прозы и историй, генерации кода, вызова инструментов и решения сложных задач. Она дообучалась на более чем 50 специализированных наборах данных; основной язык — английский, также заявлена поддержка арабского, китайского, французского, немецкого, хинди, японского, корейского, португальского и испанского. В метаданных среди возможностей отмечены чат и код. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Автор сообщает о тренировке с помощью Axolotl на восьми GPU H100 в течение 50 часов. Качество ожидается наивысшим для английского языка; для контекста длиннее 32 768 токенов автор предупреждает о снижении точности извлечения информации.

DeepSeek-OCR-2-bf16 — мультимодальная модель для анализа изображений и генерации текстовых ответов, опубликованная сообществом mlx-community. Модель конвертирована в формат MLX из prince-canuma/DeepSeek-OCR-2 с помощью mlx-vlm 0.3.10 и предназначена для использования через библиотеку Transformers и инструменты MLX. Модель решает задачи оптического распознавания символов и описания изображений: извлекает текст из изображений, отвечает на вопросы о визуальном содержимом и формирует текстовые результаты по изображению. Она поддерживает мультиязычные сценарии, имеет 559,7 млн параметров и нативное контекстное окно до 8192 токенов. К сильным сторонам относятся специализированная направленность на OCR, поддержка vision-language сценариев и формат bf16 для экосистемы MLX. Результаты могут зависеть от качества, разрешения и структуры исходного изображения, а точность распознавания сложных документов, мелкого текста и нестандартных макетов следует проверять на собственных данных. Модель распространяется по лицензии Apache-2.0.

DeepSeek-OCR-Metal-MPS — вариант DeepSeek-OCR, опубликованный Dogacel, с изменениями для запуска инференса на Apple Metal Performance Shaders (MPS) и CPU через Transformers. Модель принимает изображения и формирует текст, в частности распознаёт текст и извлекает содержимое из изображений документов; её архитектура относится к семейству DeepSeek VL V2, а число параметров составляет 559,7 млн. Контекст — до 8192 токенов, заявлена поддержка многоязычных сценариев. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README описывает запуск на MPS и CPU; интеграция с vLLM не проверена. Это доработка исходной модели deepseek-ai/DeepSeek-OCR для совместимости с указанными устройствами, поэтому качество распознавания зависит от исходной модели и входных изображений.

Microsoft DiT Large — трансформерный энкодер для классификации изображений документов. Модель предварительно обучена на 42 млн изображений документов IIT-CDIP и дообучена на RVL-CDIP: 400 тыс. изображений в оттенках серого, распределённых по 16 классам. Архитектура DiT идентична BEiT; модель содержит 411 млн параметров. Основное применение этой версии — классификация сканов и изображений документов. Энкодер также может извлекать векторные представления документов, а предварительно обученная архитектура подходит для дальнейшей настройки на распознавание структуры страниц и обнаружение таблиц. Изображения разбиваются на патчи размером 16×16. Модель принимает изображения и выдаёт классовые предсказания; для использования требуется совместимый код инференса, например Transformers с PyTorch. В карточке не приведены сведения о лицензии, поэтому условия использования по доступным данным определить нельзя.

conjuncts/ditr-e15 — модель обнаружения объектов из экосистемы Transformers, опубликованная пользователем или организацией conjuncts. В метаданных она также помечена как table-transformer, поэтому ориентирована на задачи обнаружения элементов таблиц на изображениях или в документах. Модель содержит около 6,3 млн параметров и предназначена для использования через библиотеку Transformers. Её можно применять как компонент систем анализа документов, извлечения структуры таблиц и последующей обработки найденных областей. README не содержит сведений о разработчиках, лицензии, обучающих данных, поддерживаемых языках, архитектуре, длине контекста, метриках качества или ограничениях применения. Поэтому перед использованием в production необходимо отдельно проверить лицензионные условия, качество на целевых документах и устойчивость к различным форматам таблиц.

Donut-proto — предварительно обученная базовая модель семейства Donut от NAVER CLOVA, построенная по схеме vision encoder-decoder: визуальный энкодер Swin Transformer кодирует изображение, а декодер BART авторегрессионно генерирует текст на основе его представления. Модель предназначена для последующего дообучения под задачи понимания документов, например классификации изображений документов и извлечения структурированных данных. Она принимает изображение и выдаёт текст; готовую точность на конкретной задаче карточка не заявляет. Репозиторий содержит веса PyTorch. Лицензия — MIT.

Thien0103 дообучил модель microsoft/trocr-base-stage1 на наборе данных, который в карточке не описан. Это модель архитектуры VisionEncoderDecoder для распознавания текста на изображениях; карточка указывает задачу image-text-to-text и поддержку обработки изображений. Модель подходит для извлечения текста с изображений и сканированных документов. Подробности о данных, обозначенных в названии направлениях распознавания, а также результаты оценки в карточке не приведены. Модель опубликована в формате safetensors; лицензия в доступных данных не указана.

abdur197/fine-tuned-column-mapper — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L6-v2, созданная для стандартизации названий столбцов. Она кодирует предложения и короткие фрагменты текста в плотные векторы размерности 384; сходство между ними оценивается косинусной мерой. Архитектура основана на BERT с усреднением токенных представлений и нормализацией векторов. Основной сценарий — сопоставление вариантов названий столбцов с каноническими названиями, например при приведении схем таблиц к единому виду. Модель также поддерживает семантический поиск и сравнение текстов, поиск перефразировок, кластеризацию и классификацию на основе эмбеддингов. Обучение проводилось на 1 786 примерах пар текстов с метками сходства. Метаданные указывают предел контекста 512 токенов; в README для конфигурации модели указан максимум 256 токенов. Модель описана как англоязычная базовая модель, а обучающие примеры содержат названия на индонезийском и английском, поэтому качество для других языков не подтверждено. Лицензия в предоставленных данных не указана.

urchade/gliner_large-v2.1 — модель распознавания именованных сущностей из семейства GLiNER, разработанного Urchade Zaratiana, Nadi Tomeh, Pierre Holat и Thierry Charnois. Она использует двунаправленный трансформерный энкодер типа BERT и позволяет извлекать из текста сущности типов, заданных пользователем, в том числе за пределами фиксированного набора меток обычных NER-моделей. Модель предназначена для извлечения имен и других сущностей из текста с помощью библиотеки GLiNER. Версия large-v2.1 содержит 459 млн параметров; карточка указывает английский язык, а версия multilingual-v2.1 представлена отдельно. Модель распространяется под лицензией Apache-2.0.

GLiNER-small-v1 — модель распознавания именованных сущностей, разработанная Urchade Zaratiana, Nadi Tomeh, Pierre Holat и Thierry Charnois. Она использует двунаправленный трансформерный энкодер класса BERT и позволяет извлекать сущности заданных пользователем типов, в отличие от классических NER-моделей с фиксированным набором категорий. Модель предназначена для извлечения имен и других сущностей из текста, в том числе в сценариях, где важны компактность и практичность по сравнению с крупными языковыми моделями. В этой версии 166 млн параметров; она обучена на Pile-NER и рассчитана на английский язык. Для работы используется библиотека GLiNER. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование с соблюдением её условий.

GLM-4.6-REAP-218B-A32B-Derestricted — текстовая чат-модель, выпущенная Arli AI на основе cerebras/GLM-4.6-REAP-218B-A32B. В карточке она описана как версия с ослабленным поведением отказа, полученная методом Norm-Preserving Biprojected Abliteration; базовая модель использует разреженную архитектуру Mixture-of-Experts и была сжата методом REAP. Метаданные указывают 23,4 млрд параметров, контекст до 202 752 токенов и формат safetensors. Модель предназначена для генерации текста и диалогов, включая рассуждения, написание кода и агентные сценарии. Базовая модель также заявлена для вызова функций и понимания репозиториев, но карточка этой версии не приводит отдельных оценок качества. Arli AI утверждает, что методика модификации сохраняет способности рассуждать, однако приведённых в карточке результатов испытаний именно этой версии нет. Модель распространяется по лицензии MIT. Ослабление отказов означает, что она может отвечать на запросы, которые обычно блокируются; ответы могут содержать небезопасный или неподходящий контент. Для развёртывания требуется совместимая инфраструктура, способная обслуживать крупную MoE-модель.

QuantTrio/GLM-5.2-Int4-Int8Mix — квантизированная версия языковой модели GLM-5.2, разработанной командой zai-org. Репозиторий содержит data-free квантизацию без использования калибровочного набора данных и подготовлен прежде всего для инференса через vLLM с форматом compressed-tensors. Модель предназначена для генерации текста, диалоговых приложений, программирования и выполнения сложных долгосрочных задач. Базовая GLM-5.2 поддерживает контекст до 1 млн токенов и использует архитектурные улучшения IndexShare, разреженное внимание и MTP для спекулятивного декодирования. В данной версии применено смешанное weight-only-квантизирование: обычные линейные веса преимущественно W8A16, веса MoE-экспертов W4A16, с group size 128; отдельные компоненты сохранены в BF16, FP32 или квантизированы поканально. Размер файлов модели составляет около 378 GiB. Основное преимущество версии — снижение требований к памяти по сравнению с полноразмерными весами при сохранении высокой производительности. В приведённом ориентировочном тесте AIME25 результат составил 92,92% при reasoning_effort=max и 86,46% при medium-high, однако это не является полноценным формальным бенчмарком. Ограничение — заявлена совместимость прежде всего с vLLM и compressed-tensors; совместимость с SGLang и другими runtime не гарантируется. Проверка проводилась на конфигурации из 8 GPU H200 с vLLM 0.23.0 и Transformers 5.12.1. Модель распространяется по лицензии MIT.

abhinand/GOT-OCR-2.0-unofficial — неофициальная публикация модели GOT-OCR-2.0, разработанной авторами работы «General OCR Theory: Towards OCR-2.0 via a Unified End-to-end Model». Это плотная модель семейства GOT с архитектурой GOTQwenForCausalLM и 463,8 млн параметров; веса опубликованы в формате safetensors. В метаданных указано контекстное окно 32 768 токенов. Модель предназначена для распознавания текста на изображениях: извлечения обычного и форматированного текста, детального OCR, обработки изображений с несколькими фрагментами и многостраничных наборов изображений. README описывает OCR-сценарии, но не перечисляет поддерживаемые языки, поэтому языковую поддержку определить нельзя. Карточка ограничивает применение исследованиями; лицензия также требует соблюдения условий Vary.

GPT-5.5 — фронтирная модель OpenAI для сложных профессиональных задач. Она развивает GPT-5.4, уделяя особое внимание рассуждению, надёжности и эффективности использования токенов при решении трудных задач. В README также указано контекстное окно более 1 млн токенов. Модель предназначена для сложных рабочих сценариев. Имеющихся сведений недостаточно, чтобы подтвердить архитектуру, поддерживаемые модальности, языки, лицензию или конкретные ограничения, поэтому эти характеристики не описаны.

HyperLlama-3.1-8B — языковая модель для генерации текста и диалогов, созданная объединением моделей Replete-AI, Dampfinchen и Orenguteng с помощью mergekit. Она основана на плотной архитектуре Llama и содержит 7,5 млрд параметров; для объединения использован метод model_stock, веса представлены в формате safetensors. Модель подходит для ответов на инструкции и ведения диалога, а метаданные также отмечают интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена. В README приведены результаты Open LLM Leaderboard: средний балл 28,07, IFEval — 78,83 и BBH — 29,81. В состав объединения входит вариант Lexi Uncensored V2, поэтому ответы могут быть менее ограниченными по содержанию. Модель распространяется по лицензии Apache-2.0.

Kaoeiri/Interleaved-upscale-magnum-v4-39B — объединённая модель большого языкового моделирования, созданная с помощью mergekit на основе anthracite-org/magnum-v4-22b. Она использует плотную архитектуру MistralForCausalLM с 38,8 млрд параметров и рассчитана на генерацию текста, включая диалоговые сценарии и интерфейс вызова инструментов. Модель принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors и предназначен для использования с Transformers. Лицензия CC BY-ND 4.0 требует указания авторства и ограничивает распространение производных материалов согласно её условиям. Карточка описывает слияние методом passthrough, включающее anthracite-org/magnum-v4-22b.

InternLM-Chat-7B — диалоговая модель семейства InternLM от команды InternLM, предназначенная для практических сценариев общения и генерации текста. Это плотная авторегрессионная модель класса InternLMForCausalLM с 6,9 млрд параметров; в репозитории представлены веса PyTorch. Карточка сообщает о тренировке на триллионах высококачественных токенов и оценивает модель по языковым, предметным, знаниевым, логическим и понимательным задачам. Модель подходит для диалоговых ассистентов, ответов на вопросы, объяснений и генерации текста; также заявлены возможности вызова инструментов для построения пользовательских рабочих процессов. Метаданные указывают контекст 2048 токенов, тогда как README заявляет окно 8k, поэтому фактическую длину контекста следует сверить с используемой конфигурацией. Карточка приводит результаты OpenCompass, включая C-Eval, MMLU и AGIEval. Модель может генерировать предвзятые, дискриминационные или иные вредоносные ответы. Код распространяется по Apache-2.0; для весов указано открытое использование в академических исследованиях, а коммерческое применение требует получения бесплатного разрешения.

Jack-3.8-27B-Coder-16GB-VRAM — локальная модель для программирования, разработанная независимым исследователем Джонатаном Майклом Лэнгфордом в рамках The Jack Project. Она основана на Qwen3.8-27B и предназначена для многоэтапной разработки ПО: планирования, реализации, отладки, ревью кода, проектирования тестов, работы с репозиториями и использования инструментов в длительных агентных сценариях. Модель поставляется в формате GGUF для запуска через llama.cpp и рассчитана на работу на GPU с 16 ГБ видеопамяти. Архитектура Jack использует структурирование актуального рабочего состояния и повторную привязку доказательств, чтобы отделять действующие требования и проверенные результаты от устаревших планов, предположений и неудачных экспериментов. В README заявлена поддержка длинных контекстов и многоходовых задач, но конкретная длина контекста не приведена. Лицензия — Apache-2.0. Заявленные преимущества относятся к управлению состоянием в длительных инженерных задачах; README не приводит независимых количественных сравнений, поэтому практическое качество этих улучшений не установлено. Модель предназначена для генерации текста и кода, а не для обработки изображений или видео, несмотря на мультимодальность базовой модели, указанную в каталожном описании.

jina-reranker-v1-tiny-en — модель переранжирования текстов, разработанная Jina AI на основе архитектуры JinaBERT, варианта BERT с двунаправленным ALiBi. Компактная модель содержит около 32,9 млн параметров и обрабатывает последовательности длиной до 8192 токенов. Модель оценивает релевантность пар «запрос — документ» и помогает переставлять результаты поиска так, чтобы наиболее подходящие документы оказались выше. Её можно применять для поиска по коллекциям документов и отбора контекста для RAG-систем. Модель обучена методом дистилляции: более крупная модель выступала учителем, а tiny-версия рассчитана на быстрый вывод с некоторой уступкой в качестве ранжирования. Модель предназначена для англоязычных текстов. В репозитории доступны форматы PyTorch, Safetensors и ONNX; библиотека — Transformers. Лицензия Apache-2.0. Результаты бенчмарков в карточке показывают конкурентное качество, однако сама карточка отмечает, что tiny-версия ориентирована на скорость и уступает более крупной модели по точности.

Карточка модели kiel2/KielEmbed-Rerank на Hugging Face совпадает с карточкой kiel2/Kiel-Embed-2-Rerank, поэтому описание составлено по ней. Kiel-Embed-2-Rerank — кросс-энкодерный реранкер, дообученный на базе BAAI/bge-reranker-base с использованием библиотеки sentence-transformers. Модель совместно обрабатывает текстовый запрос и документ и выдаёт оценку их релевантности для повторного ранжирования результатов семантического поиска и многоэтапных retrieval-конвейеров, включая RAG. Модель построена на XLM-RoBERTa и содержит около 305,2 млн параметров. Она принимает пары текстов, выдаёт скалярный логит или оценку релевантности и поддерживает последовательности длиной до 514 токенов по метаданным Hugging Face. Карточка приводит обучение на корпусе из 5 000 примеров с функцией потерь BinaryCrossEntropyLoss. Модель рассчитана на текстовые сценарии. В карточке не названы поддерживаемые естественные языки, поэтому языковую специализацию определить нельзя. Небольшой обучающий корпус ограничивает основания для выводов о качестве на широком круге запросов и документов. Лицензия в предоставленных данных не указана.

DS-Archive/L3.3-70B-Magnum-v4-SE-Cirrus-x1 — диалоговая языковая модель, созданная объединением моделей Sao10K и Doctor-Shotgun с помощью SLERP и mergekit. Она построена на архитектуре Llama 3.3 с плотной конфигурацией и содержит 69,5 млрд параметров; модель предназначена для генерации текста в формате диалога и поддерживает интерфейс вызова инструментов. Нативная длина контекста — до 131 072 токенов. Модель подходит для диалоговых приложений и генерации ответов с большим контекстом. В README указаны объединённые модели и метод слияния, но не приведены результаты оценки качества, сведения о поддерживаемых языках или специальные ограничения применения. Файлы опубликованы в формате safetensors; лицензия в предоставленных данных не указана.

redis/langcache-embed-v1 — модель Sentence Transformers, разработанная для Redis и дообученная на Alibaba-NLP/gte-modernbert-base на датасете Quora. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 и сравнивает их с помощью косинусного сходства; модель предназначена для семантического сопоставления текстов и семантического кэширования, например для поиска похожих запросов и повторного использования кэшированных ответов. Архитектура основана на ModernBERT с пулингом CLS-токена, максимальная длина последовательности — 8192 токена. В метаданных указаны форматы safetensors, ONNX и OpenVINO. В README приведены результаты бинарной классификации на Quora: точность по cosine accuracy 0,90 и F1 0,87. Эти показатели относятся к описанной оценке и не гарантируют такого же качества на других данных. Поддержка языков отдельно не заявлена; датасет Quora и базовая модель указывают на ориентацию прежде всего на английский язык. Условия лицензии в предоставленных данных не указаны.

TusharGoel/LayoutLM-Finetuned-DocVQA — модель Tushar Goel на основе LayoutLM, дообученная на вопросах из набора DocVQA. Она предназначена для ответов на вопросы по содержимому документов с учётом текста и его расположения на странице. Модель содержит 136,7 млн параметров, использует архитектуру LayoutLMForQuestionAnswering, принимает документы и вопросы на английском языке; длина контекста — до 512 токенов. Модель подходит для извлечения сведений из документов по запросу, например для поиска ответа на форме или странице документа. Репозиторий содержит веса PyTorch. Лицензия — MIT.

rajistics/layoutlmv3-finetuned-cord_500 — модель LayoutLMv3, дообученная на наборе cord-layoutlmv3 для классификации токенов в документах. Она объединяет текстовые данные с визуальной структурой страницы и предназначена для извлечения и разметки полей в документах, подобных квитанциям CORD. В README указаны результаты на оценочной выборке: F1 0,9541, точность 0,9610, precision 0,9509 и recall 0,9573. Модель содержит 151,8 млн параметров, принимает текст и изображение документа и выдаёт метки для токенов; нативный контекст — 514 токенов. Опубликована в формате PyTorch и распространяется по лицензии CC BY-NC-SA 4.0, предусматривающей некоммерческое использование и распространение производных работ на тех же условиях. Результаты относятся к оценочной выборке CORD; README не приводит подробностей о классах меток и качестве на других типах документов.

LFM2-2.6B-Exp — экспериментальный языковой чекпойнт Liquid AI, построенный на LFM2-2.6B с применением обучения с подкреплением. Модель содержит около 2,4 млрд параметров и предназначена для следования инструкциям, ответов на вопросы, математических задач и диалогов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки; карточка указывает контекст до 128 000 токенов. Архитектура — гибридная: блоки коротких свёрток сочетаются с блоками группового внимания запросов. Модель поддерживает чатовый шаблон и вызов инструментов. Разработчик отмечает пригодность для агентных сценариев, извлечения данных, RAG, творческого письма и многошаговых диалогов, а также сильный результат на тесте следования инструкциям. Из-за небольшого размера для максимального качества рекомендуется дообучение под узкие задачи; модель не рекомендуется для задач с интенсивным использованием знаний или программирования. Лицензия указана как other, конкретные условия использования следует сверять с карточкой модели.

LFM2.5-1.2B-Thinking-MLX-bf16 — версия модели рассуждений Liquid AI, подготовленная командой LM Studio Community на базе LFM2.5-1.2B-Thinking. Это плотная авторегрессионная модель семейства LFM2 с примерно 1,5 млрд параметров, представленная в исходной точности bfloat16 в формате safetensors и адаптированная для запуска на Apple Silicon через MLX. Модель предназначена для генерации текста в диалогах, задач рассуждения и агентных сценариев; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и выдаёт текст, поддерживает контекст до 128 000 токенов. В карточке указаны английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Компактный размер и оптимизация MLX подходят для локального запуска на устройствах Apple Silicon. Репозиторий указывает лицензию «other», поэтому конкретные условия использования следует сверять с лицензией исходной модели.

lid-neural-25.1 — модель для автоматического определения языка текста, разработанная olaverse и дообученная на базе XLM-RoBERTa. Она классифицирует текст по 25 языкам и рассчитана на документы, статьи и фрагменты текста; для коротких запросов и сообщений автор предлагает checkpoint lid-neural-25.2. Модель использует архитектуру XLM-RoBERTa для классификации последовательностей. В README указаны 125 млн параметров и максимальная длина входа 128 токенов, а метаданные Hugging Face — 305,2 млн параметров и контекст 514 токенов; эти сведения расходятся. Для версии .1 заявлена точность 99,9% на отложенной выборке из 2 498 примеров. Обучение требует GPU, запуск инференса возможен на CPU, но медленнее, чем у компактной fastText-модели. Модель поддерживает африкаанс, амхарский, немецкий, английский, французский, хауса, хинди, игбо, индонезийский, итальянский, японский, корейский, нидерландский, польский, португальский, русский, шона, сомали, испанский, суахили, турецкий, вьетнамский, коса, йоруба и зулу. На коротком тексте зулу и коса часто путаются; обучение на человеческих сообщениях и тексте со смешанными языками не проверялось. Лицензия модели — Apache-2.0.

LiLT-SER-IT — дообученная kavg модель на базе nielsr/lilt-xlm-roberta-base для классификации токенов в документах. Модель использует архитектуру LiLT с XLM-RoBERTa и рассчитана на извлечение структурированной информации с учётом текста и его расположения на странице; обучалась на наборе данных XFUND. Размер модели — 305,2 млн параметров, контекст — 514 токенов. В README приведены результаты на оценочном наборе: F1 0,758, точность 0,726, полнота 0,793 и accuracy 0,769. Модель распространяется по лицензии MIT. Подробные сведения о целевых метках и ограничениях применения в карточке не раскрыты.

LiLT-SER-ZH — модель для классификации токенов в документах, разработанная дообучением nielsr/lilt-xlm-roberta-base на наборе данных XFUND. Архитектура LiLTForTokenClassification сочетает обработку текста с учётом его расположения на странице и основана на XLM-RoBERTa; модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. Модель предназначена для извлечения и разметки информации в документах, в частности для распознавания сущностей с учётом структуры страницы. На оценочной выборке указаны F1 0,8853, точность 0,8408 и полнота 0,9348. Репозиторий содержит веса в формате Safetensors; лицензия — MIT. Поддерживаемый язык явно не указан в карточке.

QuantFactory/Llama-3.1-Storm-8B-GGUF — квантизированная версия модели Llama-3.1-Storm-8B, созданная с помощью llama.cpp. Исходную модель разработали Ashvini Kumar Jindal, Pawan Kumar Rajpoot, Ankur Parikh и Akshita Sukhlecha. Она основана на Llama-3.1-8B-Instruct и дополнительно обучена с применением целевого fine-tuning и объединения с Llama-Spark методом SLERP. Модель предназначена для генерации текста, диалоговых приложений, следования инструкциям, ответов на вопросы, рассуждений и function calling. Заявлены улучшения по сравнению с Meta-Llama-3.1-8B-Instruct в instruction following, knowledge-driven QA, reasoning, truthful answer generation и агентских сценариях. В частности, авторы сообщают о лучших результатах на IFEval, GPQA, MMLU-Pro, ARC-C, MuSR, BBH, TruthfulQA и BFCL. Квантизация ориентирована на запуск модели с более ограниченными вычислительными ресурсами. Модель имеет около 8 миллиардов параметров и работает с текстом. В README указана поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Размер контекстного окна и конкретные варианты квантизации в представленном описании не указаны. GGUF-формат предназначен для использования в совместимых инструментах экосистемы llama.cpp, включая Ollama. Модель позиционируется как универсальная и улучшенная в следовании инструкциям, рассуждениях, function calling и снижении галлюцинаций, однако заявленные преимущества основаны на бенчмарках авторов и могут зависеть от сценария и настроек запуска. Условия использования определяются лицензией llama3.1; дополнительные ограничения или требования в README не приведены.