I.14Автоматизация процессов и AI-агенты

FacebookAI публикует эту модель на основе XLM-RoBERTa-large — многоязычного трансформера для обработки текста. Модель дообучена на немецкой части датасета CoNLL-2003 для классификации токенов: каждому токену присваивается метка. Основной сценарий применения — распознавание именованных сущностей в немецком тексте; также модель подходит для разметки частей речи. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и принимает текст с контекстом до 514 токенов. Базовая XLM-RoBERTa обучалась на 100 языках, но эта версия дообучена на немецком наборе данных, поэтому её специализированные возможности относятся прежде всего к немецкому. Доступны веса PyTorch и ONNX. В карточке лицензия не определена. Модель может наследовать смещения обучающих данных, поэтому результаты следует проверять перед применением.

MMG/xlm-roberta-large-ner-spanish — модель XLM-RoBERTa-large, дообученная для распознавания именованных сущностей в испанском тексте на испанской части набора CoNLL-2002. Она размечает текст на уровне токенов и подходит для извлечения сущностей из документов и других испаноязычных текстов. Архитектура — XLM-RoBERTa для классификации токенов; размер модели — 658,7 млн параметров, длина контекста — 514 токенов. В карточке указана оценка F1 89,17 на тестовой части CoNLL-2002. Модель опубликована в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

Модель anton-l/xtreme_s_xlsr_300m_fleurs_langid_quicker_warmup — дообученная на наборе XTREME-S модель классификации аудио на базе facebook/wav2vec2-xls-r-300m. Она предназначена для определения языка по аудиозаписи. В метаданных указаны архитектура Wav2Vec2ForSequenceClassification и 402,7 млн параметров; репозиторий содержит веса PyTorch. Модель опубликована под лицензией Apache-2.0. В README приведён результат оценки на тестовой выборке: точность 0,6199 при значении функции потерь 1,9765. Описание модели, обучающих данных и ограничений в карточке не раскрыто, поэтому её качество на других данных и набор поддерживаемых языков по имеющимся сведениям установить нельзя.

ABB Dual-Head Location Component NER — модель распознавания именованных сущностей, разработанная для структурирования строк с местоположениями из муниципальных решений. Она построена на XLM-RoBERTa base и использует две независимые головы с декодированием CRF: одна размечает токены как компоненты адреса, другая выделяет отдельные локации. Затем компоненты объединяются внутри соответствующих интервалов локаций в структурированный JSON. Модель предназначена для извлечения улиц, дорог, номеров домов и других частей адреса из строк, которые могут содержать несколько местоположений. По README, на отложенной выборке примерно из 10 000 строк муниципальных решений Бельгии совокупная F1 составила 0,9435. Размер модели — 305,2 млн параметров, контекст — 514 токенов; опубликованные веса в формате safetensors. Модель ориентирована на нидерландские (в том числе бельгийские), немецкие, французские и английские строки. Она преимущественно обучена на бельгийских и фламандских данных; точность для немецкого языка может быть ниже на редких типах компонентов, а для зоны DOMAIN_ZONE_AREA указана F1 0,61. Для загрузки требуется класс пользовательской архитектуры. Лицензия — MIT.

Модель badokorach/afriqa_afroxlmr_lug_290124 — дообученная версия badokorach/afriqa_afroxlmr_squad_v2_060124 для ответов на вопросы. Она построена на архитектуре XLM-RoBERTa и содержит 305,2 млн параметров; опубликована в формате TensorFlow. Модель предназначена для извлечения ответа из текста по заданному вопросу, а карточка указывает контекст длиной до 514 токенов. В README приведены значения потерь на обучении и валидации, однако набор данных, языки, сценарии применения и ограничения не описаны. Модель распространяется по лицензии MIT.

Agents-K1 — языковая модель на 3,7 млрд параметров, разработанная InternScience путём дообучения Qwen/Qwen3-4B-Instruct-2507 с помощью GRPO. Она предназначена для извлечения сущностей и отношений из научных и общих текстов на английском языке. Модель выдаёт структурированные извлечения в формате JSON и рассчитана на работу по заданной схеме; её можно использовать как компонент систем построения графов знаний, связывания цитирований и многошаговых ответов на вопросы. Для обучения использован англоязычный набор IEPile с 22 источниками данных для распознавания именованных сущностей и извлечения отношений. В README сообщается об улучшении среднего F1 на 3,3 пункта по десяти тестовым наборам относительно базовой модели, включая домены, не представленные в обучении. Модель использует плотную архитектуру Qwen3, работает через библиотеку Transformers и поддерживает контекст до 262 144 токенов. Лицензия — Apache-2.0. Для надёжного получения результата нужны явный формат и списки типов сущностей и отношений в запросе. Свободные вопросы могут приводить к некорректному JSON; модель специализирована на извлечении информации и не предназначена для универсального диалога.

olmOCR-2-7B-1025-GGUF — набор GGUF-квантизированных версий модели olmOCR-2-7B-1025, разработанной allenai и подготовленной пользователем bartowski с помощью llama.cpp. Модель относится к мультимодальному классу image-text-to-text и предназначена для задач обработки изображений и генерации текста, в частности для сценариев OCR, где требуется извлекать или преобразовывать содержимое изображений в текст. В README не указаны поддерживаемые языки, точная архитектура, размер контекста и конкретные возможности работы с различными типами документов. Доступны варианты от исходных BF16-весов размером 15,24 ГБ до квантизаций Q2–Q8 и IQ, включая наиболее рекомендуемые Q4_K_M, Q5_K_M, Q6_K и Q6_K_L. Квантизация выполнена с использованием imatrix, что позволяет выбирать компромисс между качеством и требованиями к памяти. Версии GGUF можно запускать в LM Studio, llama.cpp и других совместимых проектах. Сильной стороной модели является широкий выбор уровней квантизации: высококачественные варианты обеспечивают близкое к исходному качество, а компактные версии подходят для систем с ограниченной оперативной памятью. Ограничения связаны с потерями качества у низкобитных вариантов, а также с отсутствием в предоставленных данных сведений о лицензии, производительности, языковом охвате, максимальном контексте и точных требованиях к оборудованию.

appvoid/arco-interpreter-v1.1 — компактная языковая модель семейства Llama, разработанная appvoid и дообученная на базе appvoid/arco. Это ранняя версия ассистента, предназначенная для генерации текста, рассуждений и вызова функций. Модель содержит 464,4 млн параметров, принимает текст и имеет контекстное окно 8192 токена. В карточке указана поддержка английского языка. Модель обучалась в течение одной эпохи на половине датасета; при обучении использовались Unsloth и библиотека TRL от Hugging Face. Лицензия — Apache-2.0. Разработчик описывает её как первую итерацию системы, поэтому её возможности обобщённого рассуждения и вызова функций следует считать экспериментальными.

AudioSeg — модель для автоматического определения тематических границ непосредственно по аудио. Она принимает подкаст, лекцию или видео и выдаёт вероятность границы темы для каждого 6-секундного интервала, которую можно порогово преобразовать в отметки глав. Модель представлена авторами исследования «Beyond Transcripts: A Renewed Perspective on Audio Chaptering». Архитектура использует замороженный аудиоэнкодер Whisper large-v3 для последовательных 30-секундных фрагментов и обученную голову примерно на 32 млн параметров. Голова объединяет признаки в представления 6-секундных сегментов, затем оценивает вероятность границы для каждого сегмента. Обучение проводилось на YTSeg с человеческими отметками глав из видео YouTube; энкодер Whisper оставался замороженным. Модель подходит для автоматического создания глав и тематического сегментирования длинных аудиозаписей. Для работы требуются Transformers, PyTorch, torchaudio и загрузка энкодера openai/whisper-large-v3 при первом использовании. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

AutoCatalogAI V2 — модель компьютерного зрения для автоматического извлечения атрибутов одежды и товаров моды с изображения. Она разработана на основе openai/clip-vit-base-patch32 и дообучена на датасете ashraq/fashion-product-images-small. Архитектура объединяет визуальный энкодер CLIP с отдельными классификационными головами для пола целевой аудитории товара, категории, подкатегории, типа изделия, сезона и назначения, а также ветвью цветовых признаков для определения основного цвета. Модель предназначена для автоматизации каталогов электронной торговли: она присваивает изображению товара структурированные метки, которые можно использовать для подготовки карточек, поисковых тегов и анализа ассортимента. В README сообщается о среднем accuracy 87,52% на тестовой выборке из 6 611 изображений после лёгкой коррекции согласованности атрибутов. Лицензия — MIT. Модель работает с изображениями товаров моды и выдаёт классы атрибутов. Она не предназначена для распознавания людей или определения пола человека: поле gender обозначает категорию целевой аудитории товара. Сезон и назначение могут быть неоднозначны по одному изображению и зависеть от контекста, а модель не рассчитана на товары вне поддерживаемой области моды или изображения нескольких несвязанных товаров без предварительной обработки.

AZOU — модель классификации корейского текста, разработанная Ким Хигю, Пак Сонхо, Юк Сехёном и Ким Хёджин. Она оценивает связь между входным текстом, инструкцией и заданной меткой: более высокий балл означает, что метка лучше соответствует инструкции и тексту. Такой формат позволяет применять модель к классификации без отдельного обучения на каждую задачу, в том числе для определения темы, выявления ненавистнических высказываний, поиска и фильтрации текстов по заданным критериям. Модель основана на klue/roberta-large и имеет архитектуру RoBERTa для классификации последовательностей; в репозитории представлены веса PyTorch. Размер — 435,4 млн параметров, контекст — до 514 токенов. Карточка приводит результаты на корейских наборах данных для задач классификации, включая сравнение с GPT-3.5 на отдельных тестах. Модель распространяется по лицензии MIT.

Это модель для распознавания именованных сущностей в сообщениях Twitter/X, разработанная в рамках проекта T-NER. Она дообучена на bert-base-cased на наборе tner/tweetner7, используя обучающую часть train_all; архитектура — BERT для классификации токенов, размер — 135,5 млн параметров, максимальный контекст — 512 токенов. Модель выделяет семь типов сущностей: организации, произведения творчества, события, группы, локации, людей и продукты. На тестовой выборке 2021 года micro F1 составил 0,623, при этом лучший показатель по классам — для людей (0,820), а самый низкий — для произведений творчества (0,389). Для обработки предусмотрена библиотека T-NER; сообщения следует предварительно привести к формату TweetNER7, включая специальное представление имён аккаунтов и URL. Язык модели — английский. Лицензия в предоставленных данных не указана.

leomaurodesenv/bert-base-uncased-answerable-or-not — англоязычная модель классификации текста, полученная дообучением google-bert/bert-base-uncased. Она предназначена для определения, является ли текст или вопрос ответимым; конкретные сценарии и состав обучающих данных в карточке не раскрыты. Модель построена на архитектуре BERT и содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса. В README указаны accuracy 0,9924 и loss 0,0575 на оценочном наборе, однако набор данных и условия оценки не описаны, поэтому эти результаты нельзя напрямую переносить на другие данные. Лицензия — Apache-2.0.

boltuix/bert-mid — компактная англоязычная модель BoltUIX на архитектуре BERT, дообученная на основе google/bert-base-uncased. Она использует двунаправленный Transformer и обучалась предсказывать замаскированные токены и отношения между предложениями; в метаданных указано 14,1 млн параметров и контекст до 512 токенов. Модель предназначена для заполнения пропусков в тексте и как основа для дообучения под классификацию последовательностей и токенов, извлечение ответов и распознавание текстовых отношений. Подходит для анализа тональности, распознавания именованных сущностей, определения намерений и задач естественного языкового вывода. По карточке, модель оценивалась на GLUE и обучалась на BookCorpus и английской Wikipedia. Репозиторий содержит веса safetensors; лицензия — MIT. Модель рассчитана на английский язык и не предназначена для генерации связного текста или задач на других языках без существенного дообучения. Она может наследовать смещения из обучающих данных, а для очень ограниченных устройств может потребоваться дополнительная оптимизация.

CodeGen-Multi 350M — авторегрессионная языковая модель для генерации программного кода, разработанная Salesforce. Модель содержит 350 млн обучаемых параметров и построена на архитектуре CodeGenForCausalLM; доступна в формате PyTorch. Контекст модели — 2048 токенов. Модель дообучена в два этапа: сначала на CodeGen-NL 350M, затем предварительно обучена на массиве BigQuery с кодом из GitHub. Она предназначена прежде всего для генерации исполняемого кода по англоязычным подсказкам в виде комментариев и продолжения частично написанного кода. В обучающих данных представлены C, C++, Go, Java, JavaScript и Python; модель также обрабатывает текст на естественном языке. Salesforce выпустила модель для исследовательских целей в поддержку академической работы. Качество и безопасность для конкретных применений не гарантированы: ответы могут содержать ошибки, поэтому сгенерированный код следует проверять. Лицензия — BSD 3-Clause.

CodeMate-v0.1 — языковая модель и программный помощник, разработанный CodeMate. Она предназначена для генерации решений задач по программированию и принимает запросы в формате инструкций Alpaca/Vicuna. Модель основана на архитектуре Llama, имеет 33,5 млрд параметров и работает с контекстом до 16 384 токенов. По заявлению разработчика, модель дообучена на внутреннем наборе из 1,8 млрд токенов с задачами по программированию и решениями; поддерживает Python, C/C++, TypeScript, Java и другие языки программирования. Это версия 0.1, проверенная в ограниченном объёме. Используется лицензия Llama 2.

Cydonia-v1.25-Magnum-v4-22B — плотная 22-миллиардная языковая модель на архитектуре Mistral, созданная автором knifeayumu объединением моделей с помощью mergekit и метода SLERP. В состав входят anthracite-org/magnum-v4-22b и knifeayumu/Cydonia-v1.2-v1.3-22B; заявленная цель — получить промежуточный вариант между версиями Cydonia v1.2 и v1.3. Модель предназначена для генерации текста и диалогового использования. Она принимает текст и выдаёт текст, поддерживает контекст длиной до 32 768 токенов и доступна в формате safetensors для Transformers. В метаданных указаны возможности chat и интерфейс tool calling. Базовая Magnum описана как модель для диалогов, следования инструкциям и связной прозы на английском; карточка этой модели отдельно языковую специализацию не уточняет. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория и у исходных моделей. Автор характеризует результат как экспериментальное смешение моделей и не приводит оценок качества.

Это дообученная модель обнаружения объектов на базе nsugianto/detr-resnet50_finetuned_lstabledetv1s9_lsdocelementdetv1type3_session6, построенная на архитектуре DETR и представленная в формате safetensors. Карточка связывает её с распознаванием элементов документов, однако набор классов и обучающие данные не описаны. Модель принимает изображения и выдаёт обнаруженные объекты с рамками и метками. В карточке не приведены сведения о точности и сценариях применения, поэтому пригодность для конкретного набора документов следует оценивать отдельно. Лицензия в предоставленных данных не указана.

microsoft/DialogRPT-human-vs-rand — модель классификации диалоговых ответов от Microsoft Research NLP Group, созданная в рамках семейства DialogRPT. Она оценивает, насколько ответ соответствует контексту диалога, а не является случайным; оценку можно использовать для ранжирования кандидатов, сгенерированных, например, DialoGPT. Модель основана на GPT-2 и реализована как GPT2ForSequenceClassification; максимальная длина контекста составляет 1024 токена. DialogRPT обучался на более чем 100 миллионах примеров человеческой обратной связи. Карточка описывает вариант human_vs_rand, который выдаёт оценку соответствия ответа контексту. Лицензия в предоставленных данных не указана.

facebook/dpr-question_encoder-multiset-base — англоязычный BERT-энкодер вопросов из набора моделей Dense Passage Retrieval (DPR). Модель разработана для открытого поиска ответов на вопросы и обучена на Natural Questions, TriviaQA, WebQuestions и CuratedTREC. Она преобразует текст вопроса в плотное векторное представление для поиска подходящих фрагментов; обычно используется вместе с совместимым энкодером контекста DPR.

Карточка модели Zappandy/dukaan-saathi-receipt-lora на Hugging Face совпадает с карточкой summerdevlin46/dukaan-saathi-receipt-lora, поэтому описание составлено по ней. Dukaan Saathi Receipt Parser — дообученная на базе Llama-3.2-3B-Instruct модель, созданная для разбора чеков и накладных в индийских магазинах kirana; она входит в демонстрационный проект помощника по учёту запасов Dukaan Saathi. Модель принимает распознанный OCR-текст поставщицких документов и формирует структурированный JSON со строками товаров, количеством, ценами и сведениями о поставщике. Она рассчитана на шумный текст из рукописных счетов, печатных налоговых накладных и неформальных записей. Обучение ориентировано на единообразие формата: использованы 28 примеров, из них 6 составлены вручную по реальным форматам kirana, а 22 синтетических примера добавлены для редких случаев. В метаданных указаны архитектура LlamaForCausalLM, 3,2 млрд параметров, контекст до 131 072 токенов, английский и телугу, формат safetensors и лицензия MIT. Малый объём обучения ограничивает обобщение: модель склонна переобучаться на знакомые шаблоны чеков и не предназначена для универсального разбора чеков. Перед записью любых изменений в учёт запасов требуется подтверждение владельца.

stillerman/fdt-disfluency-medium-41m — модель разметки слов для удаления речевых запинок в транскриптах живой речи. Разработана stillerman в рамках проекта FluencyAI. Она присваивает каждому слову одну из меток KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE, после чего простая процедура восстанавливает очищенный текст. Модель основана на BERT (архитектура BERT L8/H512) и содержит 49,2 млн параметров; контекст составляет до 512 токенов. Репозиторий содержит веса Safetensors и ONNX, включая квантованный до int8 вариант для transformers.js и запуска в браузере через WebGPU. README сообщает о задержке около 10–50 мс на высказывание и метриках exact-match 0,9455 и DELETE-F1 0,9887. Модель предназначена для очистки разговорных транскриптов от слов-паразитов и других дисфлюенций с сохранением исходной формулировки: она не перефразирует текст и не должна менять имена и числа. Язык обучающих данных и языковая поддержка в карточке не уточнены. В обучении частично использовался DailyDialog с лицензией CC BY-NC-SA, поэтому автор рекомендует считать модель исследовательским артефактом и не применять её для коммерческого развертывания без дополнительной проверки лицензий. Лицензия репозитория — Apache-2.0.

stillerman/fdt-disfluency-small-29m-v2 — модель разметки слов в расшифровках разговорной речи, разработанная в рамках проекта FluencyAI digital-twin. Она помечает каждое слово тегом KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE, после чего простая реконструкция удаляет слова-паразиты и выполняет предусмотренные изменения пунктуации и регистра. Модель предназначена для очистки транскриптов живой речи с сохранением исходной формулировки. Это BERT L4/H512 для классификации токенов; в метаданных указано 32,4 млн параметров и контекст 512 токенов. Репозиторий содержит веса safetensors и квантованный ONNX-вариант int8 для запуска через transformers.js, в том числе в браузере с WebGPU. В README указаны exact-match 0,9255 и DELETE-F1 0,9874 на валидации. Модель удаляет помеченные слова, но не переписывает фразы и не исправляет содержание, имена или числа. Обучающие данные включают синтетически внесённые речевые сбои поверх разговорных корпусов; среди них DailyDialog под лицензией CC BY-NC-SA, поэтому автор рекомендует не использовать модель для коммерческого развертывания без отдельной проверки прав. Лицензия репозитория — Apache-2.0.

FunAudioLLM/fsmn-vad-GGUF — это GGUF-версия модели FSMN-VAD из экосистемы FunASR, подготовленная для запуска через FunASR llama.cpp runtime. Модель предназначена для детектирования участков речи в аудиозаписях и сегментации длинного аудио перед распознаванием речи. Модель использует FSMN-энкодер и CMVN, занимает около 1,7 МБ и рассчитана на работу на CPU и периферийных устройствах без Python, в виде нативного C++-компонента на базе ggml/GGUF. Она поддерживает китайский и английский языки, а границы сегментов, согласно README, совпадают с PyTorch-фронтендом fsmn-vad примерно в пределах 10 мс. Модель удобна для потоковой или локальной подготовки аудио к ASR, включая использование с инструментами FunASR, SenseVoice и Paraformer через параметр --vad. Она не выполняет распознавание речи самостоятельно и требует совместимого FunASR llama.cpp runtime. Распространяется по лицензии Apache-2.0.

G9v3-3B-heretic-i1-GGUF — набор квантованных моделей в формате GGUF, созданный mradermacher на основе insraq/G9v3-3B-heretic. Модель предназначена для генерации текста, работы с длинным контекстом и сценариев с вызовом инструментов; в описании также указаны свойства uncensored, decensored и abliterated. Поддерживаются английский и китайский языки. Базовая модель имеет размер 3B параметров и относится к семейству Llama, однако точные сведения об архитектуре и максимальной длине контекста в README не приведены. Репозиторий содержит варианты квантования i1 с размерами примерно от 0,9 до 2,6 ГБ, включая IQ- и Q-форматы, а также файл imatrix для самостоятельного создания квантов. Доступны конфигурации с разным соотношением размера, скорости и качества: например, i1-Q4_K_M отмечена как быстрая и рекомендуемая, а i1-Q4_K_S — как оптимальная по размеру, скорости и качеству. Более лёгкие варианты могут заметно уступать по качеству, поэтому выбор зависит от доступных ресурсов и требований к результату. Лицензия модели — Apache-2.0. README не содержит подробных результатов тестирования, точных характеристик контекста, описания датасета или инструкций по применению конкретных вариантов в различных инференсных движках.

Модель AI-aktindsigt создана в рамках проекта AI-aktindsigt и дообучена для распознавания именованных сущностей в датских документах по запросам о доступе к государственным материалам. Это модель на базе BERT с классификацией токенов, содержащая 205,1 млн параметров и принимающая текст с контекстом до 512 токенов. Представленная версия обучена с дифференциальной приватностью при ε=1. Она выделяет людей, места, организации, сведения о здоровье, адреса, муниципалитеты и телефонные номера. Модель предназначена для поиска чувствительных сущностей в документах; распознавание CPR-номеров и категорий преступлений в этой версии исключено. На тесте для версии sss-ner-dp-1 указана общая Macro-F1 0,75, при этом качество различается по категориям. Модель сохранена в формате PyTorch. Сведения о лицензии в доступной карточке не приведены.

rodolpheb/gemma-4-12b-alex-think — дообученная разработчиком rodolpheb мультимодальная модель на архитектуре Gemma 4 Unified. Она основана на google/gemma-4-12B-it и предназначена для диалогового взаимодействия и обработки текста и изображений; в метаданных также отмечен интерфейс вызова инструментов. Модель относится к семейству Gemma 4, имеет 12 млрд параметров и распространяется в формате safetensors. Карточка сообщает, что обучение выполнено с использованием Unsloth и библиотеки TRL от Hugging Face. Лицензия — Apache-2.0. README не описывает специализированные сценарии дообучения, результаты оценки или отдельные языковые и мультимодальные возможности сверх сведений базовой модели и метаданных.

SevenOfNine/Gemma-4-26B-A4B-It-Abliterated — это модифицированная модель на основе Google Gemma 4 26B A4B IT, созданная Mel & Ada. Это мультимодальная модель семейства Gemma 4 с архитектурой Mixture-of-Experts: 26 млрд параметров, из которых активно около 4 млрд. Модель принимает текст и изображения, поддерживает диалог и интерфейс вызова инструментов, а ответы выдаёт в виде текста. Модель предназначена для локальных диалоговых сценариев, включая ролевое общение, ответы в заданном стиле, рассуждения и анализ изображений. Автор применил Heretic для снижения числа отказов: в описанном тесте на сложных вредоносных запросах количество отказов снизилось со 100 из 100 у исходной модели до 18 из 100; KL-дивергенция составила 0,0845. README также сообщает о запуске конвертированной версии GGUF на RTX 4080 Super с пропускной способностью 34,5 токена/с при Q5_K_M; это результат автора, а не гарантия для других конфигураций. Опубликованные веса представлены в формате safetensors. Модель распространяется по лицензии Gemma; применяются условия лицензии Google Gemma. Хотя модификация сохраняет многоязычные возможности базовой модели, метаданные указывают английский и французский языки, а результаты тестов и скорость в README являются данными автора.

Guilherme34 выпустил дообученную модель Hermes-3-Llama-3.1-70B для диалоговой генерации текста с уменьшенным числом отказов и ограничений на ответы. В основе — плотная архитектура Llama с 69,5 млрд параметров; модель работает через Transformers и принимает контекст длиной до 131 072 токенов. Модель предназначена для ответов на инструкции и ведения диалогов, в том числе на темы, на которые базовая модель может отвечать с отказом. Для желаемого поведения README требует вручную задавать системный промпт. В метаданных также заявлен интерфейс вызова инструментов. Базовая Hermes-3 описана как англоязычная модель для инструкций, генерации кода, длинных бесед и вызова инструментов; отдельные языковые характеристики этой производной модели не приведены. Модель распространяется в формате safetensors по лицензии Llama 3.1. Из-за настройки на снижение отказов ответы могут включать нежелательный или небезопасный контент; качество и фактическое поведение не гарантируются описанием модели.

Huihui-Qwythos-9B-Claude-Mythos-5-1M-abliterated — созданная huihui-ai версия модели empero-ai/Qwythos-9B-Claude-Mythos-5-1M с применением abliteration. Это плотная модель семейства Qwen 3.5 с 9 млрд параметров, предназначенная для диалоговой генерации текста и рассуждений; базовая модель заявляет поддержку контекста до 1 млн токенов, однако README этой версии отдельно не подтверждает сохранение такой длины контекста. Модель рассчитана на англоязычные запросы и может использоваться для генерации ответов, следования инструкциям и агентных сценариев с инструментами. Фильтрация безопасности существенно снижена, поэтому модель может выдавать чувствительный, спорный или неподходящий контент; результаты следует внимательно проверять. Метаданные указывают библиотеку Transformers и формат весов safetensors. Лицензия — Apache-2.0.