I.14Автоматизация процессов и AI-агенты

Это конверсия CLIP ViT-L/14 от OpenAI, подготовленная zeromodels в формате Keras 3. Модель использует два энкодера — для изображений и текста — которые обучены контрастивно на парах «изображение—подпись» и отображают данные в общее пространство эмбеддингов. Реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для классификации изображений без дополнительного обучения: при выводе передают изображение и текстовые подсказки с возможными категориями, после чего модель сопоставляет их. Также архитектура CLIP подходит для поиска изображений по тексту и получения совместных эмбеддингов. Лицензия — MIT.

CodeFuse-QWen-14B — языковая модель для генерации кода, выпущенная командой CodeFuse и дообученная методом QLoRA на базе QWen-14B на нескольких задачах, связанных с кодом. Она предназначена для генерации и продолжения кода по запросу в формате диалога. Модель построена на плотной архитектуре QWen и содержит 21,8 млрд параметров; размер 14B в названии карточки расходится с этим числом из метаданных. Контекст составляет 8192 токена. README сообщает результат 48,78% pass@1 на HumanEval при жадном декодировании. Карточка описывает многоязычные задачи с кодом, но конкретные языки программирования не перечисляет. Для запуска README указывает PyTorch, Transformers 4.32.0, SentencePiece и CUDA 11.4. Лицензия в метаданных обозначена как other, поэтому конкретные условия следует сверить с файлами лицензии репозитория.

crossencoder-distilcamembert-mmarcoFR — французская модель-переранкер на базе DistilCamemBERT, разработанная Antoine Louis. Она обрабатывает запрос и passage совместно с помощью cross-attention и выдаёт оценку их релевантности; результаты используют для сортировки кандидатов, уже найденных системой первичного поиска, например BM25 или плотным bi-encoder. Модель дообучена на французских данных mMARCO, производных от MS MARCO; для обучения использованы сложные негативные примеры. Размер модели — 81,2 млн параметров, базовая архитектура — CamemBERT, максимальный контекст — 514 токенов. Модель предназначена для повышения качества семантического поиска на французском языке, когда нужно переупорядочить найденные документы или фрагменты. В README описано обучение на парах «запрос—фрагмент» с бинарной кросс-энтропией; сигмоида преобразует оценку в диапазон от 0 до 1. Для оценки использовались MRR и recall на dev-наборе mMARCO-fr. Лицензия — MIT. Как cross-encoder, модель оценивает каждую пару отдельно, поэтому её следует применять после первичного поиска, а не для перебора всей коллекции. README указывает максимальную длину объединённой пары в 256 токенов при обучении; длинные пары могут потребовать усечения.

DASD-4B-Thinking-GGUF — это квантизированная версия компактной плотной языковой модели DASD-4B-Thinking, разработанной Alibaba-Apsara и преобразованной в формат GGUF с помощью llama.cpp; квантизацию выполнил GGUF Quantizer Space. Исходная модель основана на Qwen3-4B-Instruct-2507 и обучалась методом distribution-aligned sequence distillation с использованием gpt-oss-120b в качестве учителя и 448 тыс. обучающих примеров. Модель предназначена для задач, требующих рассуждений по длинной цепочке, включая решение математических задач, генерацию кода и научное рассуждение. Это текстовая модель с параметрами порядка 4 млрд, ориентированная на локальный запуск на пользовательском оборудовании через llama.cpp или Ollama. README не указывает поддерживаемые языки и размер контекстного окна. Доступно множество вариантов квантизации от Q2_K до Q8_0. Q4_K_M и Q5_K_M отмечены как рекомендуемые и предлагают компромисс между размером и качеством, тогда как Q8_0 обеспечивает близкое к исходному качество при большем размере. Среди заявленных сильных сторон — высокие результаты на AIME24, AIME25, LiveCodeBench и GPQA-D, а также возможность запуска сравнительно небольшой модели на потребительском оборудовании. Более агрессивная квантизация может приводить к заметной потере качества. Лицензия в представленном README не указана.

Moritz Laurer разработал эту модель для классификации текста без размеченных обучающих примеров. Она формулирует задачу как проверку гипотезы: следует ли из текста заданный класс или утверждение; через pipeline Hugging Face этот подход можно применять к разным задачам классификации, задавая названия классов и шаблон гипотезы. Модель основана на DeBERTa-v3-base и дообучена для zero-shot классификации в формате Natural Language Inference. В ней 211,6 млн параметров, она принимает текст и выдаёт оценки классов; максимальная длина контекста — 512 токенов. Версия с суффиксом «-c» обучена на данных, выбранных автором как коммерчески приемлемые, включая синтетические примеры и наборы MNLI и FEVER-NLI. По оценке автора на 28 задачах классификации эта версия показывает более высокое среднее качество, чем facebook/bart-large-mnli, хотя результаты зависят от задачи и формулировки гипотезы. Модель работает на CPU и GPU и может быть медленнее моделей RoBERTa. Она предназначена только для классификации текста; возможны смещения из базовой модели, данных NLI и синтетических данных. Лицензия репозитория — MIT.

Diba-Base — базовая большая языковая модель семейства Diba, разработанная Dibachain. Это плотная авторегрессионная модель с архитектурой DibaForCausalLM и 3,4 млрд параметров; она предназначена для диалога, генерации кода и работы с инструментами. Основной язык модели — персидский (фарси), также она отвечает на английском и поддерживает запросы на обоих языках. Модель ориентирована на персидскую письменную речь, знания об Иране, включая его современную историю, и написание кода, в том числе на Python и JavaScript. Её можно запускать локально и офлайн; карточка описывает запуск на CPU через GGUF, хотя в метаданных репозитория указан формат safetensors. Заявленная длина контекста — 262 144 токена. В сравнительных тестах из карточки модель показала хорошие результаты на вопросах об истории Ирана и задачах кодирования для своего размера. Это результаты автора, а не независимая оценка. Для модели такого размера важно проверять факты и сгенерированный код; ответы также отражают перспективы, представленные в обучающих данных. Лицензия — Apache-2.0.

DynamicRAG-7B — англоязычная модель на основе Llama 2, выпущенная авторами проекта DynamicRAG для динамического ранжирования документов в системах генерации с дополненным поиском (RAG). Она адаптирует порядок и количество найденных документов для каждого запроса, используя обратную связь от языковой модели. Обучение включает поведенческое клонирование экспертных траекторий и оптимизацию с подкреплением по обратной связи LLM. Модель имеет плотную архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекст до 4096 токенов; опубликована в формате safetensors и рассчитана на английский язык. В проекте её применяют для переупорядочивания и отбора найденных документов, чтобы улучшить ответы RAG-систем. Карточка описывает исследовательские эксперименты и оценивание на нескольких бенчмарках; для обучения авторы указывают требование не менее восьми GPU A100-80G. Лицензия — Apache 2.0.

DynamicRAG-8B — дообученная модель на базе Meta Llama 3 8B, разработанная авторами проекта DynamicRAG для динамического ранжирования документов в системах генерации с дополнением извлечёнными данными (RAG). Она меняет порядок и количество документов для каждого запроса, используя обратную связь от языковой модели; обучение включает supervised fine-tuning и оптимизацию с подкреплением. Модель предназначена для выбора наиболее полезного контекста перед генерацией ответа. В README описана оценка на семи бенчмарках и использование корпуса англоязычной Википедии 2018 года. Это плотная архитектура Llama с 7,5 млрд параметров, контекстом до 8192 токенов и форматом весов safetensors. Метаданные указывают английский язык и задачи генерации текста и question answering; для пользовательского применения основной сценарий — ранжирование контекста в RAG. Модель распространяется по лицензии Apache 2.0. Для обучения в README указано требование не менее восьми GPU A100 с 80 ГБ памяти; результаты и качество зависят от используемого генератора, корпуса и конфигурации поиска.

e5-omni-3B — мультимодальная модель эмбеддингов, разработанная Haon-Chen на основе Qwen2.5-Omni-3B и дообученная для поиска по единому пространству представлений. Она преобразует текст, изображения, аудио и видео в эмбеддинги, чтобы сопоставлять запросы и материалы даже при различии модальностей. Модель предназначена для мультимодального поиска, включая поиск по видео и аудио, изображениям документов, диаграммам и PDF, а также многоязычный поиск по тексту. В метаданных указаны архитектура Qwen2.5-Omni-3B, библиотека Sentence Transformers и формат safetensors; README сообщает о результатах на MMEB-V2 и AudioCaps. Лицензия — MIT. Это экспериментальная модель: в README приведены результаты бенчмарков и примеры применения, но нет подробной оценки ограничений или условий эксплуатации помимо лицензии. Результаты поиска зависят от качества представлений и того, насколько данные соответствуют сценариям оценки.

Fijik 2.0 350M SFT — компактная языковая модель Pinkstack для генерации текста и диалогов на устройствах с ограниченными ресурсами. Она основана на Granite 4.0 350M Base и имеет архитектуру GraniteMoeHybrid; по описанию автора, это вариант без слоёв Mamba. Модель содержит около 352,3 млн параметров, работает с контекстом до 65 536 токенов с масштабированием YaRN и распространяется в формате safetensors. Модель предназначена для быстрого инференса на периферийных устройствах и поддерживает сценарии с агентными задачами, рассуждениями и вызовом инструментов через шаблон чата. Обучение включало непрерывное предобучение и supervised fine-tuning на смешанных данных, включая диалоги, код, веб-поиск и использование инструментов. Внутренние сравнительные тесты автора показывают конкурентные результаты среди моделей схожего размера, но метрики приведены как pass@4 и не являются независимой оценкой. Модель не проходила RLHF; автор сообщает о настройке безопасности в ходе SFT и рекомендует задавать системную инструкцию для ответов при недостатке информации. Лицензия — Apache-2.0. Она может уступать более крупным моделям, а сам автор отмечает слабые результаты на математических задачах.

GDSD Sudoku LLaDA — веса разговорной языковой модели семейства LLaDA, опубликованные вместе с работой о методе Guided Denoiser Self-Distillation для диффузионных языковых моделей. Модель предназначена для генерации текста в диалоговом формате; подход GDSD обучает денойзер методом само-дистилляции с подкреплением, чтобы улучшить решение задач планирования, математики и программирования. Репозиторий содержит веса в формате safetensors и предназначен для работы с Transformers. В карточке нет сведений о размере модели, поддерживаемых естественных языках и лицензии, поэтому эти характеристики не приводятся. Результаты, описанные для метода, относятся к бенчмаркам и сами по себе не гарантируют качество на других задачах.

gemma-3-4B-T1-it — текстовая инструкционная модель Twinkle AI, разработанная Liang Hsun Huang, Min Yi Chen, Wen Bin Lin и Dave Sung на базе google/gemma-3-4b-pt. Это плотная модель семейства Gemma 3 с 4 млрд параметров; карточка указывает контекст до 131 072 токенов. Модель дообучена для традиционного китайского языка и тайваньского культурного контекста, также поддерживает английский. Это текстовая версия без обработки изображений. Модель предназначена для диалогов и генерации ответов, учитывающих тайваньскую лексику и общественно-культурные реалии. Её можно применять для базового толкования законов Тайваня, подготовки учебных материалов, повседневных запросов, а также для вызова функций и построения агентных сценариев с внешними инструментами. Разработчики сообщают об обучении на наборах данных по рассуждениям, инструкциям, договорам и длинным документам и приводят результаты собственных оценок, в том числе BFCL. Модель распространяется по лицензии Gemma, доступ к репозиторию Hugging Face ограничен условиями Google. Ответы по праву следует использовать только как вспомогательные: модель не заменяет профессиональную юридическую консультацию. Вызов инструментов требует заданных приложением описаний инструментов и логики управления; опубликованные показатели получены в оценках разработчиков и не гарантируют качество в конкретной задаче.

gemma-4-E4B-it-Uncensored-MAX-GGUF — языковая модель от prithivMLmods, созданная на основе google/gemma-4-E4B-it. Это модифицированная версия с уменьшенным количеством встроенных отказов, ориентированная на подробные ответы, следование инструкциям, рассуждения и агентские сценарии. В README заявлена аблитерационная обработка и анализ направлений отказа, однако независимые характеристики качества не приведены. Модель относится к семейству Gemma и имеет размер E4B параметров. Она распространяется в формате GGUF, предназначенном, в частности, для llama.cpp и совместимых инструментов. Заявлена поддержка текстовых и визуальных входных данных через отдельные файлы mmproj, а pipeline обозначен как image-text-to-text. Указан английский язык; размер контекста и точная архитектура в README не приведены. Доступны варианты BF16, F16, F32, Q8_0 и соответствующие мультимодальные проекционные файлы. Сильными сторонами заявлены сохранение возможностей рассуждения и следования инструкциям исходной модели, а также снижение отказов при обработке запросов. При этом «uncensored» характер означает потенциально меньшую встроенную защиту, поэтому модель требует дополнительного контроля при использовании в чувствительных сценариях. Модель распространяется по лицензии Apache-2.0.

HerBERT Polish Legal NER — PII / Anonymization (OCR-robust) — польская модель разметки токенов для выявления персональных и других чувствительных данных в юридических и административных документах. Разработчик дообучил allegro/herbert-base-cased на польских данных и добавил аугментацию через рендеринг и OCR, чтобы модель распознавала имена людей в тексте с ошибками распознавания, пропущенными диакритическими знаками и фрагментированными фамилиями. Модель содержит 151,6 млн параметров, использует архитектуру BERT и контекст до 514 токенов; доступны веса Safetensors и ONNX, лицензия CC BY 4.0. Модель размечает сущности, включая людей, организации, адреса, даты, суммы, контакты, идентификаторы, IBAN и медицинские сведения. Она предназначена для поиска PII перед маскированием или анонимизацией, особенно в отсканированных и сфотографированных документах. Внутренние оценки указывают на лучшее обнаружение имён в OCR-тексте по сравнению с вариантом без OCR-аугментации, но качество на небольшом наборе документов не гарантирует полноту защиты. Для чувствительных данных модель рассчитана на локальный запуск, в том числе в браузере через ONNX Runtime Web или Transformers.js. Для надёжной анонимизации рекомендуется дополнять её проверками форматов идентификаторов, постобработкой и проверкой человеком.

Hrida-T2SQL-3B-V0.1 — компактная языковая модель для преобразования запросов на естественном языке в SQL, разработанная HridaAI и дообученная на Microsoft/Phi-3-mini-4k-instruct. Она принимает инструкцию, схему базы данных с таблицами, столбцами и типами данных, запрос пользователя и, при необходимости, указание диалекта SQL; на их основе генерирует SQL-запрос. Модель построена на архитектуре Phi-3, содержит 3,7 млрд параметров и имеет контекст 4096 токенов. Карточка описывает шаблон общения и примеры интеграции с Transformers и MLX. Модель предназначена для создания SQL по описанию нужных данных и схеме базы, в том числе с указанием диалекта, например MySQL, PostgreSQL или SQL Server. В метаданных указан английский язык. Лицензия — Apache-2.0. Качество результата зависит от полноты и точности переданной схемы; карточка не сообщает результаты оценки качества или ограничения по поддерживаемым диалектам.

supreethrao/instructNER_fewnerd_xl — модель SpanMarker для распознавания именованных сущностей, обученная на наборе DFKI-SLT/few-nerd. Она размечает сущности в тексте по детализированным категориям, включая фильмы, музыкальные произведения и телепередачи; модель можно применять для извлечения сущностей из предложений и дообучать на собственных данных. Максимальная длина входной последовательности составляет 256 токенов, а длина распознаваемой сущности ограничена восемью словами. В README приведены метрики на наборе Few-NERD: общий F1 равен 0,7031. Модель распространяется в формате safetensors; сведения о лицензии в доступных материалах отсутствуют.

unsloth/InternVL3-1B-Instruct-GGUF — GGUF-версия мультимодальной модели InternVL3-1B-Instruct, разработанной командой OpenGVLab и подготовленной в формате квантования Unsloth. Это SFT-версия модели, прошедшая нативное мультимодальное предварительное обучение и supervised fine-tuning, но не прошедшая MPO. Модель предназначена для задач понимания изображений и текста, мультимодального диалога и рассуждений, а также может применяться для работы с инструментами, GUI-агентов, анализа промышленных изображений и восприятия 3D-сцен. Архитектура построена по схеме ViT-MLP-LLM и включает визуальную часть InternViT-300M-448px-V2_5 и языковую часть Qwen2.5-0.5B. Поддерживается мультиязычная работа; модель относится к классу image-text-to-text и обрабатывает изображения вместе с текстовыми запросами. Ключевое преимущество — сочетание мультимодального восприятия и рассуждений при небольшом размере языковой компоненты, а формат GGUF удобен для локального запуска совместимыми инструментами. Ограничения включают меньшие возможности по сравнению с более крупными моделями семейства, отсутствие MPO и неизвестные из представленных данных параметры контекстного окна, точные языки и характеристики конкретного квантования. В метаданных указана лицензия Apache-2.0; ссылка на лицензию ведёт к лицензии Qwen2.5-72B-Instruct.

InternVL3.5-8B-Pretrained — мультимодальная модель семейства InternVL3.5, разработанная OpenGVLab. Она сочетает визуальный энкодер InternViT и языковую модель Qwen3-8B и предназначена для диалога по изображениям и тексту, визуальных рассуждений и генерации ответов. В метаданных указана архитектура InternVLChatModel и формат safetensors; модель работает через библиотеку Transformers. Семейство InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптивной обработки визуальных токенов. Модели семейства также поддерживают взаимодействие с графическим интерфейсом и сценарии embodied agency. Карточка не приводит точное число параметров именно этой версии и длину контекста. Модель подходит для анализа изображений, визуальных вопросов и ответов, распознавания текста на изображениях и мультимодальных диалогов. В карточке перечислены оценки семейства на мультимодальных и рассуждательных бенчмарках, но отдельные результаты этой версии не приведены. Репозиторий распространяется по лицензии Apache-2.0.

Это конверсия в формат MLX модели Josiefied-Qwen2.5-7B-Instruct-abliterated-v2, выполненная mlx-community с помощью mlx-lm версии 0.18.2. Модель представляет собой плотную авторегрессионную чат-модель семейства Qwen2.5 с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста и диалоговых ответов на основе текстовых запросов. В карточке базовая модель описана как дообученная аблитерированная версия Qwen2.5-7B-Instruct для многоязычной генерации с меньшим числом отказов; метаданные также указывают интерфейс вызова инструментов. Репозиторий содержит веса в формате safetensors для использования с MLX. Модель поддерживает английский язык; исходная базовая модель ориентирована на многоязычное применение. Меньшее число отказов означает, что модель может отвечать на запросы, которые другие модели отклоняют, поэтому её ответы требуют проверки. Лицензия — Apache-2.0.

Kronumos 2 Kairos — модель Tokenectomy Labs для автоматического исправления ошибок в программном коде. Это дообученная версия Qwen2.5-Coder-7B-Instruct с архитектурой Qwen2 и 7,1 млрд параметров; модель принимает текстовые описания ошибок и контекст кода и генерирует варианты исправлений. В карточке указаны контекст 32 768 токенов и английский язык. README описывает связку нейросетевой модели с детерминированным Rust-компонентом, который проверяет структуру исправлений и помогает выполнять ремонт кода за один проход; среди целевых сценариев — локальная разработка и CI/CD. Модель ориентирована на задачи автоматического ремонта программ и оценивалась на SWE-bench Verified. Метаданные указывают лицензию Apache-2.0. README заявляет поддержку бинарного Rust-компонента для Linux x86_64; переносимость runtime на другие платформы не подтверждена. Результаты бенчмарка и заявленные характеристики следует воспринимать как сведения карточки модели, а не как независимую проверку.

KRLabsOrg LettuceDetect French v1 — модель для выявления галлюцинаций в ответах генеративных систем с опорой на контекст, предназначенная для многоязычных RAG-приложений. Это дообученная EuroBERT-610M с архитектурой EuroBertForTokenClassification, содержащая 607,8 млн параметров и принимающая контекст вместе с ответом для токенной классификации. Поддерживается контекст до 8192 токенов; модель обучена на французской версии набора RagTruth-FR. Модель отмечает токены ответа, не подтверждённые предоставленным контекстом, чтобы затем выделить подозрительные фрагменты. В описанной оценке на переведённом RAGTruth-FR она показала F1 73,13% и полноту 80,38%; эти результаты относятся к указанному набору данных и не гарантируют такого же качества на других данных. Для запуска используется библиотека Transformers, а карточка отмечает несовместимость загружаемого удалённого кода с Transformers 5.x. Лицензия — MIT.

Это языковая модель семейства Llama 3.2 с 3,2 млрд параметров, дообученная jeehun на базе unsloth/llama-3.2-3b-instruct-bnb-4bit. Модель предназначена для генерации текста и диалоговых сценариев; в карточке также отмечен интерфейс для вызова инструментов. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель принимает текст и генерирует текст. Метаданные указывают поддержку английского языка и контекст до 131 072 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

Это дообученная версия KKHYA/llavaqwen3-1.7b-finetune, разработанная KKHYA. Модель с архитектурой AdapterMoELLaVAQwen3ForCausalLM содержит 1,7 млрд параметров и предназначена для генерации текста и диалогов. Она принимает текст и формирует текстовые ответы; метаданные также указывают поддержку интерфейса вызова инструментов. Модель использует библиотеку Transformers, веса доступны в форматах PyTorch и Safetensors. Длина контекста составляет 40 960 токенов. Указана лицензия Apache-2.0. Данные о специализированной области применения и обучающем датасете отсутствуют, поэтому качество для конкретных предметных задач оценить нельзя.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров. Она использует архитектуру ColMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс для вызова инструментов. Длина контекста — до 40 960 токенов. Модель загружается в форматах PyTorch и Safetensors через Transformers. Модель опубликована 23 августа 2026 года под лицензией Apache-2.0. Датасет и результаты оценки не описаны, поэтому качество, специализацию и ограничения сверх указанных характеристик установить нельзя.

Это экспериментальная дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune. Она содержит 1,7 млрд параметров и предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Модель использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и доступна в форматах PyTorch и safetensors. Модель принимает текст и выдаёт текст. Для неё указан контекст до 40 960 токенов; исходная модель относится к семейству Qwen3. Датасет дообучения неизвестен, поэтому специализацию и качество для конкретных областей установить нельзя. Лицензия — Apache-2.0.

LongCat-Next — мультимодальная авторегрессионная модель, разработанная Meituan и построенная на базе MoE-модели LongCat-Flash-Lite. Она обучается предсказывать единый поток дискретных токенов для текста, изображений и аудио. В репозитории указано 3B параметров, а контекст составляет 131 072 токена. Модель предназначена для чата, понимания и генерации изображений, понимания речи, голосового общения с низкой задержкой и клонирования голоса. Также заявлена конкурентоспособность на мультимодальных задачах и качество генерации изображений при сильном сжатии представления. Поддерживаются интерфейс вызова инструментов и работа с Transformers; для запуска README рекомендует не менее трёх GPU с 80 ГБ видеопамяти каждый. Модель распространяется по лицензии MIT. Разработчики отмечают, что её не проектировали и всесторонне не оценивали для всех возможных прикладных сценариев.

Это LoRA-адаптер для обнаружения персональных данных в тексте, созданный в рамках проекта semantic-router на базе BERT base uncased и настроенный для работы с библиотекой Candle на Rust. Модель выполняет токенную классификацию, чтобы находить и размечать фрагменты текста с персональными данными; метаданные также указывают поддержку классификации текста. Архитектура — BertForTokenClassification, адаптер обучен с рангом 16 и alpha 32. Размер базовой модели составляет 136,7 млн параметров, контекст — до 512 токенов; поддерживаемый язык — английский. Для использования нужны базовая модель и совместимый рантайм. Лицензия — Apache-2.0.

Модель LinkTransformer от исследователей Harvard предназначена для сопоставления записей и товаров на испанском языке. Это дообученная модель Sentence Transformers на базе hiiamsid/sentence_similarity_spanish_es с архитектурой BERT и 137,1 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768; максимальная длина входа — 512 токенов. Модель обучена на данных, полученных при связывании классификаций товаров статистики ООН, чтобы сопоставлять разные описания товаров. Модель подходит для связывания сущностей, кластеризации, удаления дубликатов, объединения классификаций товаров и семантического поиска. Для векторизации использует среднее объединение токенов, обучение проводилось с функцией SupCon loss. Указанный формат весов — safetensors; для работы в описанных сценариях разработчики предлагают пакет LinkTransformer. Лицензия в предоставленных сведениях не указана. Результаты обучения ориентированы на сопоставление товарных описаний и классификаций ООН; качество на других типах текстов не подтверждено. Контекст ограничен 512 токенами.

Luth-2-0.8B — компактная текстовая модель генерации на 750 млн параметров, разработанная kurakurai на основе Qwen3.5-0.8B. Она дообучена на французских данных в два этапа: SFT на смеси объёмом 3 млрд токенов и многодоменная дистилляция с учителем на основе собственных ответов модели. Архитектура унаследована от мультимодальной Qwen3.5, однако Luth-2-0.8B не обучалась на изображениях и предназначена для работы только с текстом. Модель ориентирована на французские запросы: решение математических задач, программирование, общие знания, следование инструкциям и вызов инструментов. Небольшой размер подходит для локального запуска и устройств с ограниченными ресурсами; доступны Transformers, vLLM и SGLang. По данным авторов, модель показывает высокие результаты на выбранных французских бенчмарках для своего размерного класса. Модель не предназначена для анализа изображений. Репозиторий содержит веса в safetensors; лицензия — Apache-2.0.

LYRAMOON — разговорная языковая модель, разработанная и сопровождаемая Muhammad Taqi. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для диалога, рассуждений, оценки сложной логики и генерации кода. Карточка позиционирует её как движок для многоходового общения; метаданные также отмечают чат и интерфейс вызова инструментов. Модель принимает текст и генерирует текст. В метаданных указан контекст до 32 768 токенов и поддержка английского языка; модель рассчитана на запуск через Transformers. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0. Заявленные возможности рассуждения, скорости и качества генерации кода не подкреплены в карточке оценками или результатами тестирования. Поэтому качество на конкретных задачах следует проверять отдельно; подтверждена поддержка английского, но не иных языков.