I.14Автоматизация процессов и AI-агенты

Карточка модели kranushealth/bge-reranker-v2-m3 на Hugging Face совпадает с карточкой BAAI/bge-reranker-v2-m3, поэтому описание составлено по ней. BAAI/bge-reranker-v2-m3 — многоязычная модель переранжирования от BAAI, построенная на базе bge-m3 и использующая архитектуру XLM-RoBERTa для классификации последовательностей. Она принимает запрос и текстовый фрагмент и выдаёт оценку их релевантности; более высокий балл означает более подходящий фрагмент. При необходимости оценку можно преобразовать сигмоидой в значение от 0 до 1. Модель предназначена для повторной сортировки результатов поиска, например, для уточнения порядка документов, найденных системой извлечения, и повышения качества выдачи в многоязычных сценариях. В README она описана как быстрая и удобная для развёртывания; метаданные указывают 658,7 млн параметров и контекст до 8194 токенов. Карточка характеризует её как многоязычную, но не перечисляет отдельные языки. Модель доступна по лицензии Apache-2.0. Релевантность оценивается для пары «запрос — фрагмент», поэтому для поиска по корпусу сначала нужны кандидаты, полученные отдельной системой извлечения; модель сама не выполняет полный поиск. Скорость и пригодность к развёртыванию заявлены в карточке, но конкретные показатели производительности не приведены.

mulasan/bistbot-deepseek-math-8b — дообученная языковая модель mulasan на базе unsloth/DeepSeek-R1-Distill-Llama-8B-bnb-4bit. Это плотная архитектура Llama с примерно 7,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Модель принимает текст и генерирует текст, а её родная длина контекста составляет 131072 токена. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой TRL.

Chonky distilbert base (uncased) v1 — модель на архитектуре DistilBERT, разработанная автором репозитория mirth для семантического разбиения текста на связные фрагменты. Она предназначена для подготовки документов к поиску и генерации с дополненной выборкой (RAG): полученные фрагменты можно передавать в системы эмбеддингового поиска или языковые модели. Модель дообучена на DistilBERT базового размера и обучалась разделять абзацы из BookCorpus. Для работы автор предлагает библиотеку chonky. В README приведены F1 0,7, точность 0,79 и полнота 0,63; базовая модель имеет контекст до 512 токенов. Репозиторий содержит веса в формате Safetensors, библиотека для загрузки — Transformers. Модель ориентирована на английский текст и доступна по лицензии MIT. Метрики указывают на компромисс между точностью и полнотой границ сегментов; качество на других типах документов и языках в карточке не подтверждено.

Chonky modernbert base v1 — модель для разбиения текста на смысловые фрагменты, разработанная автором репозитория mirth и дообученная на answerdotai/ModernBERT-base. Она присваивает токенам метки границ фрагментов, чтобы получить семантически связные части текста для последующей индексации и поиска в системах RAG. Модель построена на архитектуре ModernBERT с 149 млн параметров и использует библиотеку Transformers. Она обучалась на абзацах из BookCorpus; карточка приводит F1 0,79, точность 0,83 и полноту 0,75 на уровне токенов. Хотя базовая ModernBERT поддерживает контекст до 8192 токенов, эта версия дообучалась на последовательностях длиной 1024 токена. Модель ориентирована на англоязычный текст и выдаёт разметку токенов, а не готовые эмбеддинги или ответы. Для её использования автор указывает библиотеку chonky. Лицензия — MIT.

Citaman/command-r-8-layer — созданная с помощью mergekit языковая модель на архитектуре CohereForCausalLM, полученная слиянием SLERP слоёв модели Citaman/command-r-9-layer. В репозитории указаны веса в формате safetensors и тип данных bfloat16; размер модели составляет 8,7 млрд параметров, длина контекста — 8192 токена. Модель предназначена для генерации текста и диалоговых сценариев; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и выдаёт текст. Сведения о поддерживаемых естественных языках и специализированных областях применения отсутствуют. Лицензия в предоставленных данных не указана.

NVIDIA Qwen3-8B FP4 — это квантизированная версия авторегрессионной языковой модели Qwen3-8B, разработанной Alibaba и подготовленной с применением TensorRT Model Optimizer от NVIDIA. Модель предназначена для коммерческого и некоммерческого использования в AI Agent системах, чат-ботах, RAG-системах и других приложениях на базе генерации текста. Модель построена на архитектуре Transformers и содержит около 8,2 млрд параметров. Она работает с текстовыми последовательностями, принимает и возвращает строки, поддерживает контекст длиной до 131 тыс. токенов. Веса и активации линейных операторов внутри transformer-блоков квантизированы в формат FP4, что ориентировано на эффективный инференс через TensorRT-LLM. Указана совместимость с GPU-ускорителями NVIDIA Blackwell, тестирование проводилось на B200; предпочтительная операционная система — Linux. Поддерживаемый runtime — TensorRT-LLM, версия Model Optimizer — 0.35.0. Сильными сторонами модели являются предварительная FP4-квантизация, большой контекст и готовность к развертыванию в оптимизированном стеке NVIDIA. Ограничения включают зависимость от TensorRT-LLM и рекомендуемого оборудования NVIDIA Blackwell, а также отсутствие в README подробностей о языковом покрытии, результатах тестирования, обучающих данных и характеристиках качества. Калибровка выполнялась на датасете cnn_dailymail. Модель распространяется по лицензии Apache License 2.0; при использовании разработчикам рекомендуется самостоятельно оценивать качество, риски и соответствие конкретным отраслевым требованиям.

DCUBE Language Identifier — компактная модель для определения языка по тексту, разработанная DCUBE Ai. Она дообучена методом LoRA SFT на базе Qwen2.5-0.5B-Instruct с использованием дистилляции знаний от Qwen3-14B и примеров из набора papluca/language-identification с дополнительными данными на малаялам. Модель принимает текст и отвечает названием распознанного языка; поддерживает 21 язык, включая русский, английский, китайский, арабский и хинди. Модель семейства Qwen2 имеет плотную архитектуру, около 494 млн параметров и контекстное окно 32 768 токенов. В репозитории доступны веса Safetensors и GGUF; шаблон чата может автоматически добавлять инструкцию для определения языка. Лицензия — Apache-2.0. README рекомендует устанавливать температуру 0 при использовании через LM Studio.

Moritz Laurer разработал эту модель для классификации текста без примеров обучения. Она преобразует категории в гипотезы и оценивает, следует ли каждая гипотеза из входного текста; поэтому один и тот же подход подходит для разных задач классификации. Модель работает через конвейер zero-shot classification в библиотеке Transformers и поддерживает выбор одной или нескольких категорий. Это плотная модель DeBERTa-v3-large с примерно 533,8 млн параметров и контекстом до 512 токенов. Она обучена на синтетических данных для классификации и коммерчески дружественных наборах MNLI и FEVER-NLI. Карточка указывает английский язык; модель рассчитана на текстовый ввод и выдаёт оценки категорий. Автор сообщает о более высокой точности DeBERTa-v3 по сравнению с RoBERTa в серии, но отмечает, что она работает медленнее. Модель может применяться для тематической разметки, анализа тональности, маршрутизации обращений и других задач, которые можно выразить через проверку гипотез. Качество зависит от формулировки шаблона гипотезы и названий классов; возможны смещения, связанные с базовой моделью, данными NLI и синтетическими данными. Лицензия репозитория — MIT; суффикс «-c» обозначает обучение на данных, которые автор характеризует как коммерчески дружественные.

DeepVeo-R1-A — объединённая текстовая языковая модель на архитектуре Qwen2, созданная сообществом mergekit-community методом DARE TIES. В слияние вошли Qwen/Qwen2.5-1.5B, Alfitaria/Q25-1.5B-VeoLu и deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B; размер модели — 1,5 млрд параметров. Репозиторий содержит веса в формате safetensors, рассчитанные на использование с Transformers. Модель предназначена для генерации текста в диалоговом формате; в метаданных также заявлен интерфейс вызова инструментов. Контекстное окно — до 131 072 токенов. Данные не уточняют отдельные языковые или предметные специализации, а также лицензию, поэтому эти характеристики не описываются.

DRAMA-base — компактная плотная модель для многоязычного поиска по текстам, разработанная авторами семейства DRAMA. Она построена на прореженной языковой модели Llama и дообучена для кодирования запросов и документов в векторы, пригодные для поиска и сравнения сходства. В карточке указана архитектура Llama с классом DramaModel; размер репозитория — 211,7 млн параметров, а README описывает вариант примерно со 113 млн параметров без эмбеддингов. Контекстное окно составляет 131 072 токена. Модель предназначена для семантического поиска и извлечения документов на английском и других языках. Размер эмбеддинга по умолчанию — 768 измерений; обучение Matryoshka позволяет сокращать его, например, до 512 или 256. Для запросов используется префикс «Query: », а в реализации применяется двунаправленное внимание. README сообщает об оценке на BEIR, MIRACL, MLDR и многоязычных задачах MTEB, а также об ускорении пакетного вывода с последовательностями разной длины при использовании Nested Tensors. Обучающие данные охватывали арабский, бенгальский, китайский, английский, финский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, персидский, португальский, русский, испанский, суахили, телугу, тайский и йоруба; для других языков качество может снижаться. Для загрузки через Transformers или Sentence Transformers требуется доверять пользовательскому коду репозитория. Лицензия — CC BY-NC 4.0, поэтому коммерческое использование не разрешено условиями этой лицензии.

DSE-Phi3-Docmatix-V1 — биэнкодер для поиска документов по плотным векторным представлениям, разработанный командой Tevatron. Он кодирует скриншоты документов, сохраняя текст, изображения и структуру страницы, а также поддерживает кодирование текстовых запросов и документов. Модель обучена на части набора Tevatron/docmatix-ir и предварительно обучена на Tevatron/msmarco-passage-aug; она предназначена для поиска документов и ответов на вопросы по документам, включая сценарии с PDF. В zero-shot оценке на ViDoRE модель достигла 74,1 nDCG@5 без дообучения на данных ViDoRE. Модель основана на Phi-3 Vision, имеет 3,7 млрд параметров и контекстное окно 4096 токенов. Для поиска она преобразует запросы и документы в плотные векторы, сходство которых можно использовать для ранжирования. Лицензия — MIT.

Это версия модели dslim/bert-base-NER, преобразованная в формат OpenVINO для ускоренного инференса. Модель разработана на основе BERT и предназначена для распознавания именованных сущностей в тексте с классификацией токенов; размер составляет 135,5 млн параметров, контекст — до 512 токенов. В карточке заявлена поддержка английского языка. Модель можно использовать для извлечения сущностей из английских текстов, например имён людей, организаций и географических названий. OpenVINO упрощает ускоренный запуск на совместимом оборудовании. Условия лицензии в предоставленных данных не описаны.

Eurus-70B-SFT — большая языковая модель OpenBMB, дообученная для рассуждений на основе CodeLLaMA-70B. Модель содержит 68,7 млрд параметров, использует плотную архитектуру LLaMA и принимает контекст до 16 384 токенов. Она обучена на корректных действиях из UltraInteract с небольшой примесью примеров UltraChat, ShareGPT и OpenOrca. Модель предназначена для диалогов и решения задач, требующих пошаговых рассуждений, в том числе математических и связанных с программированием. Для кода и математики авторы рекомендуют специальные шаблоны запросов, согласованные с форматами обучающих данных. В README заявлены высокие результаты на сравнительных оценках, но подробные результаты в карточке не приведены. Модель распространяется в формате safetensors по лицензии Apache 2.0.

Карточка модели FuseAI/FuseO1-DeepSeekR1-Qwen2.5-Coder-32B-Preview на Hugging Face совпадает с карточкой FuseAI/FuseO1-DeepSeekR1-QwQ-SkyT1-32B-Preview, поэтому описание составлено по ней. FuseO1-DeepSeekR1-QwQ-SkyT1-32B-Preview — экспериментальная объединённая языковая модель команды FuseAI. Она создана с помощью слияния трёх моделей для рассуждений: DeepSeek-R1-Distill-Qwen-32B, Qwen/QwQ-32B-Preview и NovaSky-AI/Sky-T1-32B-Preview. Модель основана на плотной архитектуре Qwen2 с 32 млрд параметров и предназначена для генерации текста и диалогов с пошаговыми рассуждениями. Основные сценарии — решение математических задач, рассуждения о программном коде и научные вопросы. В README для версии указаны результаты AIME24: 74,0 Pass@1 и 86,7 Cons@32 при описанной авторами схеме оценки. Модель принимает текст и генерирует текст; метаданные указывают контекстное окно 131 072 токена и интерфейс для вызова инструментов. Языки в карточке явно не перечислены. Модель распространяется в формате safetensors по лицензии Apache-2.0. Это предварительная версия, а опубликованные сравнительные показатели относятся к конкретным настройкам и методике оценки; они не гарантируют аналогичных результатов в других задачах или конфигурациях.

Gemma Orchid 7b — дообученная модель генерации текста на базе Gemma, опубликованная macadeliccc. Автор описывает её как второй чекпойнт будущего проекта, ориентированный на диалог и вызов функций. Модель содержит 8,2 млрд параметров, построена на плотной архитектуре GemmaForCausalLM и принимает текст. Контекстное окно — 8192 токена; для общения используется формат ChatML. Модель дообучена методом LoRA примерно на 80 тысячах примеров из наборов Thermostatic/flowers, Intel/orca_dpo_pairs, jondurbin/truthy-dpo-v0.1 и glaiveai/glaive-function-calling-v2. Она предназначена для диалоговых ответов, суммаризации и сценариев с вызовом функций. В README приведены результаты нескольких бенчмарков, а полная оценка обозначена как незавершённая. В репозитории доступны веса safetensors. Лицензия указана как other, без более точных условий в предоставленных данных. Это ранний чекпойнт проекта; качество вызова функций и пригодность для конкретных задач следует проверять отдельно.

gheim-ch-560m — мультиязычная модель Joel Barmettler для выявления персональных данных в тексте на четырёх официальных языках Швейцарии и английском. Это дообученная на наборе joelbarmettler/gheim-ch-pii-212k модель FacebookAI/xlm-roberta-large с архитектурой XLM-RoBERTa для классификации токенов; в метаданных указано 658,7 млн параметров и контекст длиной 514 токенов. Модель размечает фрагменты текста по 33 BIOES-классам, охватывающим восемь категорий PII и метку для остальных токенов. Она предназначена для обнаружения и маскировки персональных данных перед передачей текста внешним сервисам, например API LLM. Выходные фрагменты подходят для замены или сокрытия, а не для связывания сущностей или восстановления личности. Модель обучена с приоритетом полноты обнаружения: она может помечать как PII публичные институциональные контакты и имена должностных лиц, поэтому для сценариев, требующих высокой точности, рекомендуется дополнительная фильтрация. Модель распространяется по лицензии Apache-2.0, включая коммерческое использование. Доступны веса в форматах Safetensors и ONNX.

glinermediumnews-v2.1 — модель извлечения сущностей, разработанная Emergent Methods как дообучение GLiNER на новостных данных. Она предназначена для обнаружения в тексте сущностей заданных типов, включая организации, людей, местоположения, даты, числа и транспортные средства. Модель использует архитектуру на основе DeBERTa и поддерживает zero-shot извлечение сущностей; дообучение на разнообразных новостных примерах улучшило точность на 18 наборах тестов, по данным авторов, вплоть до 7,5% относительно базовой GLiNER. Модель рассчитана на извлечение сущностей из новостей и текстов широкого круга тематик, в том числе в сценариях с длинным контекстом и высокой пропускной способностью. README указывает английский как основной язык, а также упоминает тексты и переводы с испанского, португальского, немецкого, русского, французского, арабского, итальянского, украинского, норвежского, шведского и датского языков. Доступна по лицензии Apache 2.0. Данные для дообучения были синтетически созданы на основе новостных материалов AskNews: WizardLM 13B v1.2 использовалась для перевода и суммаризации, а Llama 3 70B Instruct — для извлечения сущностей при подготовке данных. Авторы отмечают сохраняющийся перекос в сторону западных языков и стран, а также возможное наследование смещений генераторов синтетических данных.

Модель Pruthwik Mishra и Yash Ingle — дообученная версия MuRIL на базе BERT для определения языка входного текста. Она классифицирует текст на английский и 22 официальных языка Индии, с отдельными метками для некоторых языков, записанных разными письменностями. Модель содержит 264,8 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате Safetensors для Transformers. Модель предназначена для автоматической языковой разметки текстов и включения в NLP-конвейеры. В README сообщается о среднем F1 0,96 на созданном корпусе и бенчмарке Bhasha-Abhijnaanam. Лицензия — MIT. Авторы предупреждают о возможном снижении качества для малоресурсных языков и письменностей, включая манипури письмом мейтей, синдхи и майтхили; для языков за пределами английского и индийских модель может работать ненадёжно.

Карточка модели davanstrien/index-card-extractor-schemavar на Hugging Face совпадает с карточкой davanstrien/index-card-extractor-control, поэтому описание составлено по ней. Модель davanstrien/index-card-extractor-control — дообученная davanstrien версия NuMind NuExtract3 на архитектуре Qwen3.5. Она принимает изображения и текст и предназначена для извлечения структурированных данных из изображений карточек. В метаданных отмечены поддержка зрения и диалоговый режим; веса опубликованы в формате safetensors. Модель выпущена под лицензией Apache-2.0. README сообщает, что при обучении использовались Unsloth и библиотека TRL от Hugging Face. Сведения о размере этой версии, длине контекста, целевых языках и точности извлечения не приведены.

K2-Horizon-MoVA-36B-A4B-GGUF — квантованная версия модели IFM/K2-Horizon-MoVA-36B-A4B, опубликованная abenzerps в формате GGUF для запуска через llama.cpp. Модель предназначена для генерации текста и поддерживает сценарии диалогов и вызова инструментов; доступен формат tool calling с вариантами xml, json и xml_typed. Это разреженная Mixture-of-Experts-модель с архитектурой Mixture-of-Values attention (MoVA): всего 36 млрд параметров, из которых примерно 4 млрд активируются для каждого токена. Исходная модель поддерживает контекст до 524 288 токенов (512K), а заявленный язык — английский. Модель текстовая и не требует vision projector. Доступны варианты квантования Q3_K_M, Q4_K_M, Q4_0, Q5_K_M, Q6_K и Q8_0 размером примерно от 17,66 до 39,83 ГБ. Ключевое преимущество модели — сочетание большого контекстного окна, разреженной MoE-архитектуры и нескольких вариантов квантования для выбора компромисса между качеством и требованиями к памяти. Для запуска требуется сборка llama.cpp с поддержкой архитектуры K2 Horizon, включая форк MBZUAI-IFM до появления поддержки в основной ветке. Лицензия исходной модели — Apache-2.0; фактическая производительность зависит от выбранной квантовки и доступной памяти.

luckysong777 дообучил Kanana 1.5 Instruct 8B — плотную Llama-модель для генерации текста и диалогового взаимодействия. Модель содержит 7,5 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. В метаданных указаны интерфейс вызова инструментов и английский язык; README сообщает, что обучение выполнялось с Unsloth и библиотекой TRL. Модель подходит для диалоговых сценариев и генерации текста, унаследовав возможности базовой kakaocorp/kanana-1.5-8b-instruct-2505, включая программирование, математику и вызов инструментов. Распространяется по лицензии Apache-2.0. README не описывает отдельную специализацию этого дообучения или его сравнительное качество.

KazEmbed-V5 — это дообученная Nurlykhan модель эмбеддингов на базе intfloat/multilingual-e5-base, предназначенная прежде всего для поиска по текстам на казахском языке и построения RAG-систем. Модель использует архитектуру XLM-RoBERTa и содержит около 305 млн параметров по метаданным; README указывает 278 млн. Она преобразует запросы и фрагменты текста в векторы для поиска релевантных материалов и сопоставления предложений. Для наилучших результатов при поиске README рекомендует добавлять к запросам префикс «query:», а к документам — «passage:».

KeefeBuild/Keefe-Discere-v3.1 — дообученная KeefeBuild языковая модель семейства Qwen2 с плотной архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Она предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 32 768 токенов. Веса сохранены в формате safetensors. По карточке, модель обучали с использованием Unsloth и библиотеки TRL от Hugging Face. Она дообучена от KeefeBuild/Keefe-Discere-v3.0-Final и распространяется по лицензии Apache-2.0.

ddobokki/ko-trocr — модель OCR для распознавания корейского текста на изображениях, созданная с использованием опыта, полученного на соревновании AI OCR Challenge 2023 от Kyowon Group. Она построена по архитектуре VisionEncoderDecoder: энкодер взят из TrOCR base stage 1, а декодер использует KR-BERT-char16424. Токенизатор декодера поддерживает начальные согласные корейских слогов, что помогает распознавать символы, которые иначе могли бы отображаться как неизвестные токены. Модель обучалась на наборах AI Hub для распознавания корейских символов в разных формах и OCR государственных административных документов. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. Карточка ориентирует модель на корейский язык и задачу извлечения текста из изображений.

Liberated-Qwen1.5-14B — языковая модель AbacusAI и Eric Hartford, дообученная на базе Qwen/Qwen1.5-14B. Это плотная авторегрессионная модель семейства Qwen, содержащая 13,4 млрд параметров. Она предназначена для диалогов и следования системным инструкциям, в том числе в длинных многоходовых беседах и при необычных или механических инструкциях. Модель обучалась на открытых наборах данных, включая SystemChat, OpenHermes-2.5 и наборы Code-Feedback; используется формат диалога ChatML. Базовая модель поддерживает контекст до 32 768 токенов, однако при дообучении использовались входные последовательности длиной 8 000 токенов, поэтому качество на более длинном контексте может варьироваться. В карточке указана лицензия other, а README сообщает, что модель подчиняется лицензии tongyi-qianwen. В обучающих данных не добавлялись ограничения или цензурирование; перед предоставлением модели пользователям автор рекомендует самостоятельно настроить слой выравнивания. Результаты оценивания в карточке не приведены.

nielsr/lilt-roberta-en-base-finetuned-funsd — модель извлечения сущностей из документов, дообученная nielsr на наборе FUNSD с разметкой документов. Она использует архитектуру LiLT для классификации токенов с учётом текста и структуры страницы и предназначена для извлечения полей из форм и других документов с размеченными областями. Модель содержит 151,8 млн параметров, принимает текстовые токены и рассчитана на контекст до 514 токенов. На тестовой выборке указаны precision 0,8762, recall 0,8857, F1 0,8809 и accuracy 0,8068. Для применения к документам требуется передать текст с соответствующей структурной разметкой; результаты на других типах документов и языках карточкой не описаны. Модель распространяется под лицензией базовой модели; в предоставленных данных её условия не указаны.

Ling-3.0-flash-GGUF — это набор GGUF-конвертаций модели Ling-3.0-flash, разработанной inclusionAI и опубликованной пользователем bloomer010 для запуска через llama.cpp. Модель предназначена для генерации текста, диалоговых и агентских сценариев, включая вызов инструментов, рассуждения и speculative decoding. В основе лежит гибридная архитектура KDA и gated MLA с Mixture-of-Experts на 512 экспертов: общий размер составляет около 124 млрд параметров, из которых активно примерно 5,1 млрд. Конвертации напрямую созданы из BF16 safetensors и включают блок MTP/NextN, поэтому отдельная drafter-модель для этого режима не требуется. Поддерживается контекст до 256K токенов; README не указывает набор языков и наличие мультимодальных возможностей. Доступны варианты квантования от BF16 и Q8_0 до сильно сжатых IQ1 и MXFP4_MOE, что позволяет адаптировать модель к разному объёму памяти. Качество обычно выше у крупных файлов, а малые варианты требуют меньших ресурсов, но могут сильнее терять точность и стабильность. Для эффективного speculative decoding также предлагаются отдельные DSpark draft-модели. Агентское использование в llama.cpp зависит от поддержки актуальных изменений, связанных с Ling parser и обработкой некорректных UTF-8-последовательностей; без них возможны сбои при вызове инструментов в незавершённых блоках рассуждений. Модель распространяется по лицензии MIT.

yentinglin/Llama-3.1-Taiwan-8B-Instruct — чат-модель на базе архитектуры Llama, разработанная yentinglin. Она предназначена для генерации текста в диалогах и других сценариях, где требуется следовать инструкциям. Модель содержит 7,5 млрд параметров, использует библиотеку Transformers и формат Safetensors; заявленная длина контекста — 131 072 токена. В метаданных также отмечен интерфейс вызова инструментов. Карточка предупреждает, что ответы нужно самостоятельно проверять на точность и пригодность. Модель не предназначена для медицинской диагностики, юридических консультаций и финансовых решений. В предоставленных материалах условия лицензии не описаны.

OwenArli разработала Formax v1.0 на основе Meta-Llama-3-8B-Instruct. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста в диалоговом режиме и точного следования заданным инструкциям по формату ответа. Её можно применять для структурированной обработки данных и создания датасетов; в качестве формата хранения указаны safetensors, а длина контекста составляет 8192 токена. Модель дообучена с помощью LoRA: README указывает ранг 64, alpha 128 и примерно 2% обучаемых весов. Обучение проводилось на последовательностях длиной 4096 токенов в течение одного эпоха. Лицензия — Meta Llama 3 License; условия её использования определяются этим соглашением.

lumikabrabehemoth195b — объединённая языковая модель, созданная schnapper79 с помощью mergekit из двух предварительно обученных моделей: schnapper79/lumikabra-123B_v0.3 и TheDrummer/Behemoth-123B-v1. Использован метод passthrough: в итоговую модель последовательно включены диапазоны слоёв обеих моделей. Модель построена на плотной архитектуре MistralForCausalLM и содержит 194,2 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; контекстное окно составляет 131 072 токена. Метаданные также отмечают интерфейс вызова инструментов. Карточка не описывает отдельные специализированные области применения или поддерживаемые языки. В репозитории представлены веса Safetensors, а в конфигурации слияния указан тип данных bfloat16. Лицензия в предоставленных сведениях не указана.