I.14Автоматизация процессов и AI-агенты

AprielGuard — защитная модель ServiceNow AI для оценки рисков во взаимодействиях с большими языковыми моделями. Она объединяет выявление рисков безопасности контента и атак на модель: распознаёт токсичность, предвзятость, дезинформацию, мошенничество, утечки приватности, prompt injection, jailbreak и другие попытки обойти защиту. Модель основана на плотной архитектуре Mistral и содержит 7,5 млрд параметров; максимальная длина контекста — 131 072 токена. README описывает её как модель примерно на 8 млрд параметров. Модель предназначена для классификации и оценки входов и выходов LLM, включая отдельные запросы, многоходовые диалоги и цепочки действий агентных систем с инструментами и API. Её можно применять для модерации ответов ассистентов, мониторинга рабочих систем, red-teaming и проверки безопасности агентных процессов. В режиме рассуждений она выдаёт структурированные объяснения, а без него — категориальные предсказания с меньшими затратами на задержку и вычисления. В первую очередь модель обучалась на английских данных; README сообщает о тестировании также на немецком, испанском, французском, итальянском, нидерландском и португальском языках, но рекомендует проверять и калибровать её для неанглоязычных сценариев. Сложные новые атаки могут обходить защиту, а в узкоспециализированных областях модель может ошибаться. Лицензия — MIT; модель предоставляется без гарантий пригодности для конкретной среды.

mulinski/bert-finetuned-chunk — модель семейства BERT, дообученная на bert-base-cased на наборе CoNLL-2003 для классификации токенов. Она предназначена для разметки последовательностей текста, в частности для распознавания именованных сущностей. В оценке на тестовой выборке указаны F1 0,9214, точность 0,9222, полнота 0,9207 и accuracy 0,9618. Модель содержит 135,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Лицензия — Apache-2.0. README не описывает ограничения и сценарии применения подробнее.

shimogerald/bert-finetuned-ner — модель на базе BERT, дообученная для классификации токенов и распознавания именованных сущностей. Она содержит 136,7 млн параметров, использует архитектуру BertForTokenClassification и принимает текстовые последовательности длиной до 512 токенов. Модель основана на google-bert/bert-base-uncased и распространяется в формате Safetensors. На указанном в карточке наборе для оценки модель достигла F1 0,9463, точности 0,9421, полноты 0,9505 и accuracy 0,9892. Датасет и набор меток не описаны, поэтому неизвестно, какие именно типы сущностей она распознаёт и насколько результаты применимы к другим данным. Лицензия — Apache-2.0.

marcosgg/bert-large-pt-ner-enamex — модель распознавания именованных сущностей на португальском языке, разработанная на основе BERTimbau Large и дообученная на объединении доступных корпусов. Она присваивает метки токенам текста по стандартной схеме enamex: LOC для географических объектов, PER для людей, ORG для организаций и MISC для прочих сущностей. Модель предназначена для извлечения и разметки сущностей в португальских текстах. Архитектура — BERT для классификации токенов; размер — 433,2 млн параметров, максимальный контекст — 512 токенов. На тестовом наборе авторы сообщают precision 0,919, recall 0,925 и F1 0,922. Лицензия AGPL-3.0.

Bespoke-MiniCheck-7B — модель проверки фактов, разработанная Bespoke Labs и поддерживаемая Liyan Tang и Bespoke Labs. Она принимает документ и отдельное предложение-утверждение и определяет, подтверждается ли оно документом, выдавая метку 0 или 1. Для проверки утверждения из нескольких предложений его сначала нужно разбить на отдельные предложения. Модель дообучена на базе internlm/internlm2_5-7b-chat и использует архитектуру InternLM2 с 7,4 млрд параметров. Контекст составляет до 32 768 токенов; документы длиннее этого предела требуют разбиения. В README сообщается о высокой пропускной способности при запуске через vLLM, но результаты зависят от оборудования и сценария. Карточка указывает английский язык. Модель предназначена для проверки соответствия утверждений опорным документам; лицензия в предоставленных данных не описана.

MoritzLaurer/bge-m3-zeroshot-v2.0 — модель нулевой классификации текста, разработанная Moritz Laurer и дообученная на базе BAAI/bge-m3-retromae. Она использует архитектуру XLM-RoBERTa с классификационной головой и определяет, следует ли считать гипотезу истинной или неистинной относительно входного текста; этот формат NLI позволяет формулировать задачу как выбор одной или нескольких меток без обучающих примеров. Модель содержит 658,7 млн параметров, принимает текстовые входы длиной до 8194 токенов и доступна в форматах Safetensors и ONNX. Модель предназначена для классификации отзывов, тем, намерений и других текстов по заданным пользователем категориям на CPU или GPU. В оценке на 28 задачах классификации автор сообщает средний macro-F1 0,59 для zero-shot режима; результаты зависят от формулировок гипотез и меток. Модель поддерживает многоязычные сценарии, хотя README не приводит список конкретных языков. Ограничение модели — работа только с классификацией текста; возможны смещения из базовой модели, данных NLI и синтетических обучающих данных. Лицензия репозитория — MIT.

Moritz Laurer разработал эту модель для классификации текста без размеченных примеров. Она переформулирует задачу в проверку гипотезы: оценивает, следует ли заданный класс или утверждение из текста, и поддерживает выбор одного либо нескольких классов через pipeline Hugging Face zero-shot-classification. Модель основана на XLM-RoBERTa, дообучена на BAAI/bge-m3-retromae и содержит около 658,7 млн параметров; заявленная длина контекста — 8194 токена. Модель многоязычная и работает на CPU и GPU. Версия с суффиксом «-c» обучена на синтетических данных, созданных Mixtral-8x7B-Instruct-v0.1, и наборах MNLI и FEVER-NLI, которые автор характеризует как коммерчески совместимые. Она оценивалась на 28 задачах классификации; в приведённых примерах показывает результаты, сопоставимые с базовыми zero-shot классификаторами. Качество зависит от формулировки гипотез и названий классов, а возможные смещения связаны с базовой моделью и обучающими данными. Модель рассчитана только на классификацию текста. Лицензия репозитория — MIT.

BlackSheep-5B — плотная авторегрессионная языковая модель семейства Llama, созданная TroyDoesAI с помощью слияния SLERP через mergekit. В объединении использованы TroyDoesAI/Llama-3.2-4B и TroyDoesAI/BlackSheep-RAG-4B; базовой моделью в конфигурации указана TroyDoesAI/Llama-3.2-4B. В репозитории представлены веса safetensors, библиотека для работы — Transformers. Модель предназначена для генерации текста и диалогового взаимодействия; интерфейс также предусматривает вызов инструментов. Размер модели — 4,6 млрд параметров, заявленная длина контекста — 131 072 токена. Карточка не описывает конкретные языки, качество на отдельных задачах или условия лицензии, поэтому их нельзя установить по доступным данным.

Bloomz-3b-retriever — двуязычный биэнкодер на базе дообученной модели cmarkea/bloomz-3b-sft-chat, разработанный Cyrile Delestre для Crédit Mutuel Arkéa. Он преобразует запросы и тексты документов в векторные представления для поиска релевантных документов, включая поиск между английским и французским языками. Модель обучена на парах запросов и контекстов с контрастивной целью на основе Triplet Network; в карточке указано 3,8 млрд параметров. Она подходит для поиска фрагментов в системах открытого поиска ответов на вопросы и векторных базах данных. В README приведено сравнение на наборе SQuAD, включая сценарий с запросом на английском и контекстом на французском, но карточка предупреждает, что версия Bloomz-3b-retriever-v2 показывает значительно более высокое качество. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии BigScience BLOOM RAIL 1.0.

CodeGen2.5-7B-mono — авторегрессионная модель для генерации программного кода, разработанная Salesforce. Она обучена на корпусе StarCoderData объёмом 1,4 трлн токенов, а затем дополнительно обучена на данных Python. Модель содержит 6,7 млрд параметров, использует архитектуру Llama и имеет контекст 2048 токенов. Модель предназначена для генерации исполняемого кода по подсказкам на естественном языке, автодополнения частично написанного кода и заполнения пропусков внутри фрагмента. Поддерживает несколько языков программирования; карточка особо указывает дополнительное обучение на Python. Для генерации по описанию README рекомендует формулировать подсказки на английском в виде комментария. Модель может воспроизводить фрагменты исходного кода из обучающих данных, поэтому перед использованием сгенерированного кода следует проверять его происхождение и применимые условия лицензии. Указана лицензия Apache-2.0; разработчики также рекомендуют проверять точность, безопасность и соответствие предполагаемому сценарию применения.

Salesforce CodeGen-Mono 350M — авторегрессионная языковая модель для генерации программного кода. Это версия семейства CodeGen, содержащая 350 млн параметров и использующая плотную архитектуру CodeGenForCausalLM; модель работает в формате PyTorch и принимает контекст длиной до 2048 токенов. Модель дообучена на Python: она инициализирована весами CodeGen-Multi 350M и затем предварительно обучена на наборе BigPython, содержащем 71,7 млрд токенов Python. Основной сценарий — генерация исполняемого кода по подсказкам на английском языке, оформленным как комментарии, а также продолжение частично написанного кода. Модель оценивалась на HumanEval и MTPB. Модель выпущена Salesforce по лицензии BSD 3-Clause. Авторы позиционируют её как исследовательскую разработку и рекомендуют отдельно оценивать точность, безопасность и справедливость перед применением. Она специализирована на Python и не оценивалась для всех возможных прикладных сценариев.

code-think-q8b-20260908 — это исследовательская версия Qwen3-8B-Base, дообученная modrill методом LoRA на трассах рассуждений Qwen3-30B-A3B-Thinking-2507 и затем объединённая в полные веса. Модель имеет плотную авторегрессионную архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 32 768 токенов; для запуска объединённых весов PEFT не требуется. Чекпойнт предназначен для генерации кода и его решения с пошаговым рассуждением в режиме thinking. В оценке на 256 задачах LiveCodeBench-derived DEV256 он решил 81 задачу с pass@1; результат получен на одном seed и не является сопоставимой оценкой на лидерборде. В 130 генерациях сработал лимит длины в 32 тыс. токенов. Модель принимает текст и выдаёт текст, включая код. Лицензия — Apache-2.0, унаследованная от базовой модели.

Context Aware Splitter (CAS) — каузальная языковая модель семейства Llama, опубликованная mhenrichsen для разбиения текста с учётом контекста при подготовке данных для Retrieval-Augmented Generation (RAG). Она сегментирует текст на самостоятельные по смыслу фрагменты заданного примерного размера и возвращает список фрагментов вместе с кратким обозначением темы. Модель обучена на 12,3 тыс. датских текстов объёмом 13,4 млн токенов и рассчитана прежде всего на датский язык. Метаданные указывают размер 1 млрд параметров и контекст до 8194 токенов; веса представлены в форматах PyTorch и safetensors. CAS подходит для автоматической подготовки текстовых коллекций к индексации и поиску в RAG-системах. Карточка описывает её как специализированный сплиттер, а не как универсальную модель генерации. Лицензия Apache-2.0 допускает широкое использование при соблюдении её условий.

ml6team разработала эту модель как дообученный cross-encoder на базе distilbert-base-multilingual-cased. Она оценивает пары «запрос — абзац» и подходит для переранжирования результатов поиска: каждому кандидату модель присваивает оценку релевантности. Модель обучалась один проход на MMARCO — машинно переведённой версии MS MARCO; для оценки использовали 2000 абзацев.

Moritz Laurер выпустил эту модель на основе DeBERTa-v3-xsmall от Microsoft для классификации текста без заранее заданного набора меток. Она сопоставляет текст-посылку с гипотезой и определяет, следует ли гипотеза из текста; обучение на бинарном NLI сводит результат к «следует» или «не следует», поэтому модель подходит для zero-shot-классификации, где различать противоречие и нейтральность не требуется. Модель имеет архитектуру DeBERTa-v2 для классификации последовательностей, содержит 77,5 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена на 782 357 парах из MultiNLI, FEVER-NLI, LingNLI и ANLI. Модель можно применять для тематической классификации, если описать каждую категорию гипотезой, а также для проверки следования и классификации утверждений. Репозиторий содержит веса PyTorch, Safetensors и ONNX. Модель ориентирована на английский язык. На тестовых наборах точность составила 0,925 и 0,922 для двух вариантов MultiNLI, 0,892 для FEVER-NLI, 0,888 для LingNLI и 0,676 для ANLI; результаты зависят от набора и задачи. Возможны смещения, присущие обучающим данным и NLI. Лицензия — MIT.

nbeerbower/EVA-Gutenberg-Rombos-slerp-Qwen2.5-32B — объединённая языковая модель на архитектуре Qwen2.5, созданная разработчиком nbeerbower методом SLERP с помощью mergekit из EVA-Gutenberg3-Qwen2.5-32B и Rombos-Qwen2.5-32B-lorablated. Это плотная авторегрессионная модель с 32 млрд параметров и контекстом до 131 072 токенов; она предназначена для генерации текста и диалогов, включая сценарии с интерфейсом вызова инструментов. Модель принимает текст и выдаёт текст. Карточка описывает способ слияния и состав исходных моделей, но не приводит оценок качества или подробностей о специализации. Доступна по лицензии Apache-2.0.

Florence-2-DocLayNet-Fixed — визуальная модель, которую разработчик дообучил на базе microsoft/Florence-2-large-ft с использованием датасета DocLayNet-v1.1. Она предназначена для анализа макета документов: находит области вроде подписей, сносок и формул и возвращает их классы и ограничивающие рамки по изображению страницы. В README сообщается об улучшении mAP50-95 на 7% после переименования классов в короткие токены. На тестовом наборе DocLayNet модель достигла 70%, а на подмножестве научных статей — 87%; авторы отмечают, что рамки получаются аккуратнее, чем у сравниваемых YOLO-моделей. Вес опубликован для дальнейшего исследования. Модель принимает изображение и выдаёт текстовое представление предсказаний; репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

FYPsq2mrqa — модель для извлечения ответов на вопросы из заданного текста, разработанная на основе deepset/deberta-v3-base-squad2 и дообученная на наборе данных MRQA. Она использует архитектуру DeBERTa v3 в семействе DeBERTa v2, содержит 211,6 млн параметров и принимает контекст длиной до 512 токенов. Модель подходит для систем поиска ответов по документам и автоматизированного чтения текстов. На оценочном наборе указано значение loss 2,0805. Карточка не раскрывает дополнительные сведения о составе MRQA, языках обучения или ограничениях качества. Лицензия модели — CC BY 4.0.

Gemma 4 E4B IT для RK1828 — мультимодальная инструктивная модель Google DeepMind, подготовленная проектом t-firefly для запуска на плате Rockchip RK1828 через LlamaPi. Это плотная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration; репозиторий содержит форматы GGUF и Safetensors. В карточке указано, что исходная модель принимает текст, изображения и аудио и формирует текстовые ответы. Модель предназначена для диалога, рассуждений, программирования и мультимодальных сценариев на устройствах и периферийных системах. Она также заявлена для многоязычных и агентных задач. Для запуска README приводит команду LlamaPi `llamapi run gemma4:e4b`. Модель основана на `google/gemma-4-E4B-it`; лицензия репозитория — Apache 2.0. Описание не приводит подробностей о поддерживаемых языках, длине контекста или ограничениях качества; качество и доступность функций могут зависеть от конфигурации запуска на RK1828.

gliner2-large-v1-redocred — модель извлечения информации на базе GLiNER2, разработанная whr778 и дообученная от fastino/gliner2-large-v1 на наборе Re-DocRED. Она предназначена для извлечения именованных сущностей и отношений между ними в англоязычных документах; карточка также относит её к задачам извлечения событий и классификации. Набор Re-DocRED содержит 6 типов сущностей и 96 типов отношений. В слепом тесте F1 для сущностей составил 0,860 при строгой и 0,907 при расслабленной оценке; для отношений — 0,287 и 0,350 соответственно. Низкий recall отношений (0,186 строго, 0,227 расслабленно) ограничивает полноту извлечения. Модель работает с текстом и распространяется в формате safetensors; лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

GME-VARCO-VISION-Embedding — мультимодальная модель эмбеддингов, разработанная NCSOFT/NCAI на основе Qwen2-VL-7B-Instruct с использованием параметров Alibaba-NLP/gme-Qwen2-VL-7B-Instruct для улучшения поиска. Она преобразует текст, изображения и видео в векторы общего семантического пространства, чтобы находить соответствующие материалы по текстовому запросу. Основной сценарий — поиск видео: по сценам, описаниям и вопросам о содержимом. Модель основана на плотной архитектуре Qwen2-VL, содержит 7,1 млрд параметров, использует Transformers и формат safetensors; родной контекст — 32 768 токенов. В карточке заявлены высокая точность поиска, обобщение на разные сценарии и результаты уровня SOTA zero-shot на MultiVENT2.0 по состоянию на июль 2025 года. Модель можно применять в системах мультимодального поиска и как компонент агента, который находит видео для последующей генерации ответа. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование. Заявленная поддержка языка — английский; в README также упомянуты англоязычная и корейская демонстрации, но это не подтверждает поддержку корейского как языка модели.

GNER-T5-xxl — модель для генеративного распознавания именованных сущностей, разработанная авторами работы «Rethinking Negative Instances for Generative Named Entity Recognition». Она основана на архитектуре T5 и содержит 5,8 млрд параметров; модель дообучена с использованием отрицательных примеров для повышения качества распознавания сущностей, в том числе в ранее не встречавшихся областях. Предназначена для извлечения сущностей из текста и сценариев zero-shot NER. В карточке описаны результаты семейства GNER на базе Flan-T5, однако отдельные численные результаты именно для версии xxl не приведены. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Granite Guardian 3.2 8B Factuality Detection — модель IBM Research на базе ibm-granite/granite-3.2-8b-instruct, дообученная выявлять фактические ошибки в ответах языковых моделей. Она принимает ответ модели и исходный контекст, а затем выдаёт метку «Yes» или «No»: содержит ли ответ утверждения, не подтверждённые контекстом или противоречащие ему. Модель предназначена для контроля ответов LLM, в том числе в корпоративных системах и сценариях RAG, а также для мониторинга и выборочной проверки результатов. Это плотная авторегрессионная модель архитектуры Granite с 8,2 млрд параметров и контекстом до 131 072 токенов. Карточка указывает, что обучение и тестирование проводились только на английских данных. Модель оптимизирована для обнаружения риска фактической недостоверности и работает в заданном формате оценки; она не предназначена для универсальной проверки других рисков. Лицензия — Apache 2.0.

Это модель классификации на базе DeBERTa-v3-base, разработанная авторами карточки и дообученная на наборе HaluEval для обнаружения галлюцинаций в ответах больших языковых моделей. Она оценивает ответ относительно предоставленного контекста знаний и относит его к фактическому или галлюцинированному; вход включает контекст, вопрос и проверяемый ответ. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и поддерживает контекст длиной до 512 токенов. В карточке приведены точность 0,9127, precision 0,8819 и recall 0,9505, а также F1 по задачам QA, суммаризации и диалога. Модель рассчитана на англоязычную проверку ответов. Лицензия — MIT.

Higgs Audio v3 8B STT — модель распознавания речи от Boson AI, дообученная методом LoRA на разнообразных наборах данных для ASR. Она принимает монофонический WAV-аудиосигнал с частотой 16 кГц и преобразует речь в текст. Архитектура объединяет замороженный энкодер Whisper-Large-v3 и декодер Qwen3-8B с объединёнными LoRA-весами; общий размер составляет 8,91 млрд параметров. Модель поддерживает режим Thinking для повышения точности. В README приведены результаты на бенчмарке ESB, включая WER 6,23% на AMI, 11,33% на Earnings22 и 9,34% на GigaSpeech. Обучение использовало выборки AMI, SPGISpeech, Earnings22, VoxPopuli, LibriSpeech и TED-LIUM. Метаданные указывают английский язык и лицензию Apache-2.0; опубликованный формат весов — safetensors.

IrishCore-GlobalPointer-ContextPII-135M-v1-rc29 — модель Temsa для обнаружения и маскирования персональных данных в текстах на ирландском и английском языках. Она использует архитектуру на основе DistilBERT с извлечением spans методом GlobalPointer и предназначена для потоков государственных служб Ирландии, HSE и поддержки граждан. Модель выполняет однопроходное извлечение фрагментов PII из исходного текста и заменяет их метками вида [PII:LABEL]. Поддерживает контекстно- и ролево-зависимую политику декодирования для пользовательских сообщений, поисковых запросов и публичных ответов ассистента. В репозитории представлены веса Safetensors и граф ONNX; заявленная длина контекста — 512 токенов. В README указаны высокие результаты на опубликованных наборах оценки для ирландских государственных сценариев, однако эти метрики относятся к конкретным тестовым наборам и не гарантируют аналогичного качества на произвольных данных. Релиз rc29 меняет политику декодирования и упаковку среды выполнения, сохраняя веса и граф ONNX версии rc25. Лицензия — Apache-2.0.

Misbahuddin/job-title-normalizer-e5-base — дообученный на задаче сопоставления предложений текстовый энкодер на базе intfloat/multilingual-e5-base от разработчика Misbahuddin. Модель нормализует неоднозначные и многоязычные названия должностей: кодирует входное название как запрос, а затем ищет ближайшую каноническую профессию в фиксированном корпусе из 4 055 позиций таксономий ESCO и O*NET. Модель построена на XLM-RoBERTa, содержит 305,2 млн параметров и формирует эмбеддинги размерности 768; обучение с MatryoshkaLoss также рассчитано на усечённые размерности 512, 256, 128 и 64. Контекст — 514 токенов, но модель настроена на короткие названия должностей длиной до 64 токенов. Проверены английский, французский и немецкий языки, включая поиск соответствий с французского и немецкого на английские названия. Для правильной работы нужны префиксы «query:» для входных названий и «passage:» для канонических меток. Модель подходит для нормализации должностей в резюме, вакансиях и HR-системах, а также для семантического и межъязыкового поиска профессий. По данным README, на тесте с профессиями, не встречавшимися при обучении, она превосходит базовую multilingual-e5-base и BM25 по метрикам retrieval. Лицензия — MIT. Названия ролей сами по себе не позволяют делать выводы о кандидатах: модель не предназначена для решений о найме, отборе или оплате труда.

Misbahuddin разработал компактную модель sentence-transformers на базе multilingual-e5-small для нормализации неоднородных названий профессий. Она сопоставляет входные названия с одной из 4 055 канонических профессий из таксономий ESCO и O*NET, создавая текстовые эмбеддинги для поиска и ранжирования. Модель содержит 124,3 млн параметров, использует архитектуру BERT с mean pooling и выдаёт векторы размерности 384; контекст ограничен 512 токенами, а обучение ориентировано на короткие названия до 64 токенов. Модель подходит для обработки названий должностей в резюме, вакансиях и системах CRM, ATS и HRIS, а также для межъязыкового поиска с французского и немецкого на английский. В README сообщается о тестировании на 15 248 названиях без пересечения профессий между обучающей и тестовой выборками; качество поиска выше, чем у BM25 и исходной e5-small на приведённых метриках. Для корректной работы нужны префиксы `query:` для входных названий и `passage:` для канонических меток. Модель выпущена под лицензией MIT. Покрытие ограничено профессиями ESCO и O*NET, а проверенные языки — английский, французский и немецкий. Она не предназначена для автоматического найма, отбора кандидатов или решений о компенсации; в таких сценариях необходим контроль человека.

Josiefied-Qwen3-14B-abliterated-v3 — дообученная Гёкденизом Гюльмезом плотная языковая модель семейства Qwen3 с 14 млрд параметров, созданная на базе Qwen/Qwen3-14B. Она предназначена для диалогов, следования инструкциям и генерации текста с ослабленной фильтрацией ответов; также поддерживает интерфейс вызова инструментов. Модель принимает текст и генерирует текст, а её нативная длина контекста составляет 40 960 токенов. Модель ориентирована на продвинутых пользователей, которым нужны открытые ответы и сохранение возможностей инструкционного диалога и работы с инструментами. В README также упоминаются варианты квантизации GGUF и MLX, однако эта карточка содержит веса в формате safetensors. Автор предупреждает, что сниженная фильтрация может приводить к чувствительным или спорным ответам. Условия лицензирования в предоставленных данных не указаны.

Модель bark07/kanana-1.5-8b-instruct-2505-Safe-DPO — дообученная разговорная Llama-модель, опубликованная bark07. Она предназначена для генерации текста в диалоге; в каталоге также отмечен интерфейс для вызова инструментов. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указаны обучение с Unsloth и библиотекой TRL, формат весов safetensors и лицензия Apache-2.0. Метаданные указывают английский язык. README не приводит результаты оценки качества и подробностей обучения, поэтому её сильные стороны и ограничения в конкретных сценариях по карточке определить нельзя.