I.14Автоматизация процессов и AI-агенты

gaussalgo разработала эту модель на архитектуре T5-Large LM-Adapt для преобразования вопросов на естественном языке в SQL-запросы. При обучении к вопросу добавлялась схема базы данных с доступными таблицами и столбцами, чтобы модель учитывала структуру конкретной базы и могла строить запросы для схем, не встречавшихся в обучающих данных. Модель дообучена на обучающих частях наборов Spider и Spider-Syn. Она принимает текстовый вопрос вместе с описанием схемы и генерирует SQL. В оценке на dev-частях точность выполнения запросов составила 49,2% для Spider и 39,5% для Spider-Syn. Эти результаты показывают, что запросы могут требовать проверки и исправления перед использованием. Модель содержит 385,2 млн параметров, использует форматы PyTorch и Safetensors и распространяется по лицензии, сведения о которой в доступных данных отсутствуют.

trocr-barbados-fold4 — модель MusaNyaks, дообученная на базе microsoft/trocr-base-handwritten. Она использует архитектуру vision-encoder-decoder и предназначена для распознавания рукописного текста на изображениях, в частности для обработки отдельных строк. Модель принимает изображение и выдаёт текст; формат весов — safetensors, библиотека — Transformers. В README указана оценка Loss 0.8874 на наборе оценки, но сведения о датасете и подробные результаты отсутствуют. Модель распространяется по лицензии MIT. Качество на других данных и ограничения распознавания не описаны.

Карточка модели Seksiyog/VibeVoice-ASR-Streaming-7B на Hugging Face совпадает с карточкой komixenon/VibeVoice-ASR-Streaming-7B, поэтому описание составлено по ней. VibeVoice-ASR-Streaming-7B — потоковая модель распознавания речи семейства VibeVoice, представленная в карточке как модель для транскрибации с указанием говорящего. Она обрабатывает поступающую речь и связывает распознанный текст с тем, кто его произнёс; пользовательские горячие слова помогают распознавать имена и специальные термины. Модель поддерживает китайский, английский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский языки. В метаданных указаны архитектура VibeVoice, класс VibeVoiceForASRStreamingTraining, библиотека Transformers и формат safetensors. Размер 7B следует из названия модели. Лицензия — MIT. Карточка направляет к репозиторию microsoft/VibeVoice за кодом и инструкциями по использованию. Подробные сведения о контекстном окне, качестве распознавания и ограничениях в предоставленных материалах отсутствуют.

castorini/wiki-all-8-4-multi-dpr2-query-encoder — энкодер запросов для плотного поиска по корпусу Wikipedia, разработанный Castorini. Модель относится к семейству BERT, содержит 136,7 млн параметров и принимает текстовые запросы; максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате Flax. Это часть второй версии модели Dense Passage Retriever (DPR), обученной с помощью Tevatron на объединённых наборах NQ, TriviaQA, WQ и CuratedTREC и варианте корпуса Wikipedia wiki-all-8-4. Энкодер преобразует запросы в векторные представления для поиска релевантных фрагментов и систем ответов на вопросы по открытым знаниям. Подходит для использования как запросная сторона DPR-поиска; README не описывает отдельные гарантии качества или условия лицензирования.

Многоязычный классификатор токсичности от команды textdetox, созданный дообучением XLM-RoBERTa-base для бинарной классификации текста. Модель определяет, относится ли текст к токсичному или нетоксичному классу, и подходит для предварительной модерации пользовательских сообщений и анализа больших массивов текста. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает текст длиной до 514 токенов. В обучении использован набор textdetox/multilingual_toxicity_dataset; карточка указывает поддержку английского, русского, украинского, испанского, немецкого, амхарского, арабского, китайского и хинди. Веса опубликованы в формате safetensors. Классификация токсичности не гарантирует корректного понимания контекста, сарказма или культурных особенностей; качество может различаться между языками. Лицензия — OpenRAIL++.

srmjfba/xlm-roberta-base-finetuned-panx-de-fr — модель XLM-RoBERTa, дообученная на задаче классификации токенов. По названию репозитория она предназначена для распознавания именованных сущностей на немецком и французском языках; базовая модель — FacebookAI/xlm-roberta-base. Модель содержит 305,2 млн параметров, принимает текст и рассчитана на контекст до 514 токенов. В README приведён результат оценки: F1 0,8585 и loss 0,1598, однако датасет указан как None, а описание обучения и ограничения не раскрыты. Модель распространяется по лицензии MIT.

XYZAILab_XYZ-Aquila-mini-GGUF — GGUF-квантизация модели XYZ-Aquila-mini, разработанной XYZAILab и подготовленной bartowski с использованием llama.cpp и метода imatrix. Модель позиционируется как image-text-to-text и предназначена для сценариев, связанных с обработкой изображений и текста, включая agentic search. Доступна для запуска через llama.cpp, LM Studio, KoboldCpp, Jan AI и другие совместимые инструменты. В набор входят варианты от BF16 до низкобитных квантов Q8, Q6, Q5, Q4 и Q3, с размером файлов примерно от 16 до 69 ГБ. README не указывает точное число параметров, максимальный контекст, поддерживаемые языки или подробности архитектуры. Рекомендуемые варианты Q6 и Q5 обеспечивают высокое качество, а Q4 и Q3 позволяют сократить требования к оперативной памяти за счёт некоторого снижения качества. Модель распространяется по лицензии Apache-2.0. Для работы требуется совместимый рантайм с поддержкой данной архитектуры и формата GGUF; при появлении новой архитектуры может понадобиться обновление используемого инструмента. Ограничения по качеству мультимодального анализа, языкам и конкретным сценариям применения в README не приведены.

LegionIntel разработала эту модель генерации кода на основе семейства CodeGen: модель дообучена на Python-коде из поднабора открытых репозиториев GitHub в BigQuery. Она содержит 350 млн обучаемых параметров; веса разрежены на 30%, хотя представление класса сети остаётся плотным. Модель предназначена для автодополнения частично написанных сигнатур функций и классов, а также для генерации кода по текстовому запросу или комментарию. Модель принимает текстовые фрагменты кода и подсказки на естественном языке и продолжает текст в виде программного кода. Для запуска указан формат PyTorch, контекст составляет 2048 токенов, лицензия — BSD 3-Clause. Карточка отмечает хорошее автодополнение сигнатур и приемлемую генерацию по текстовым запросам; независимые показатели качества не приведены.

ARA-Reranker-V1 — модель Omartificial-Intelligence-Space для переранжирования результатов поиска на арабском языке. Она оценивает пару «запрос — фрагмент документа» и выдаёт оценку релевантности, по которой можно упорядочить кандидатов; в отличие от моделей эмбеддингов, она не формирует векторы для сравнения. Оценку можно преобразовать функцией sigmoid в диапазон от 0 до 1. Модель основана на XLM-RoBERTa и использует архитектуру классификации последовательностей; размер — 658,7 млн параметров, длина контекста — 8194 токена. Она обучалась на парах запросов и фрагментов с положительными и трудными отрицательными примерами. README приводит оценку на наборе из 3000 примеров, но таблица результатов для этой модели в предоставленном тексте неполна. Модель подходит для переранжирования результатов арабского поиска и отбора документов для систем вопросно-ответного поиска. Лицензия — Apache-2.0. Данные подтверждают поддержку арабского языка; о поддержке других языков сведений нет.

PRAli22/arat5-arabic-dialects-translation — модель семейства T5, разработанная PRAli22 и обученная с нуля для преобразования арабских диалектов в современный стандартный арабский язык (MSA). Она подходит для нормализации диалектных текстов и перевода пользовательских сообщений на MSA. Модель содержит 183,7 млн параметров и доступна в форматах Safetensors и TensorFlow; для работы используется библиотека Transformers. Обучение проводилось на наборе данных PRAli22/Arabic_dialects_to_MSA. Карточка не приводит результатов оценки или подробностей о поддерживаемых диалектах и ограничениях качества. Лицензия — Apache-2.0.

AraT5v2-base-1024 — арабоязычная модель семейства T5, разработанная UBC-NLP и доступная в формате PyTorch. Она содержит 183,7 млн параметров и обучена на более крупных и разнообразных арабских данных, чем предыдущая AraT5-base. Модель предназначена для дообучения и генерации текста в формате text-to-text; в карточке перечислены машинный перевод, суммаризация, создание заголовков и вопросов, перефразирование, транслитерация и перевод текстов со смешением арабского и английского. Модель поддерживает последовательности длиной до 1024 токенов и 100 специальных sentinel-токенов для задач с маскированными фрагментами. Разработчики сообщают, что при дообучении она сходится примерно в десять раз быстрее предыдущей версии AraT5-base. В карточке не приведены сведения о лицензии и подробные ограничения качества.

facebook/bart-large-cnn — англоязычная модель BART, разработанная командой Facebook AI и дообученная на наборе пар «статья — краткое содержание» CNN/DailyMail. Она предназначена прежде всего для автоматического составления кратких пересказов текстовых материалов. Модель построена на архитектуре Transformer encoder-decoder: двунаправленный энкодер кодирует входной текст, а авторегрессионный декодер генерирует пересказ. Число параметров — 252,8 млн, максимальная длина контекста — 1024 токена. Модель также может применяться для других задач генерации и понимания текста, однако этот чекпойнт обучен именно для суммаризации. Модель рассчитана на англоязычные материалы; качество для других языков не подтверждено. Длинные документы могут превышать лимит контекста, а сжатие способно опустить детали или исказить смысл. Лицензия — MIT.

Это модель для распознавания именованных сущностей в немецком тексте. Она основана на bert-base-german-cased и дообучена на собственном наборе данных, состав которого в карточке не раскрыт. Архитектура — BERT для классификации токенов; модель содержит 136,3 млн параметров и обрабатывает контекст длиной до 512 токенов. Модель подходит для разметки немецких текстов по типам сущностей. На указанном в карточке наборе оценки она получила F1 0,7772, точность 0,7134 и полноту 0,8536; результаты на других данных могут отличаться. Распространяется по лицензии MIT.

Formzu/bert-base-japanese-jsnli — японская модель классификации последовательностей, созданная дообучением cl-tohoku/bert-base-japanese-v2 на наборе JSNLI. Её можно применять для вывода отношений между текстами и классификации без специально обученной головы для каждого набора категорий: пользователь задаёт текст и варианты меток, а модель оценивает их соответствие с помощью гипотезы на японском языке. Модель построена на архитектуре BERT, содержит 138,4 млн параметров и принимает текстовые последовательности длиной до 512 токенов. В карточке приведён результат на оценочной выборке JSNLI: accuracy 0,9288. Модель распространяется в формате PyTorch по лицензии CC BY-SA 4.0.

Это исследовательский чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung методом GRPO с помощью OpenRLHF. Обучение напрямую начато с базовой instruct-модели без отдельного этапа SFT; сохранён шаг 48 из двух эпизодов. Архитектура — плотная причинная языковая модель Qwen3 примерно на 3,7 млрд параметров, с контекстом до 262 144 токенов. Модель предназначена прежде всего для генерации кода и решения задач программирования: обучение и проверка ориентированы на сложные задачи, где исходная модель редко проходила тесты, а вознаграждение зависело от корректности программы. В этом запуске чекпойнт показал лучший результат по pass@8, однако численные метрики в журнале обучения отсутствуют. Модель принимает текст и генерирует текст, включая код; репозиторий использует формат safetensors и библиотеку Transformers. Это ранний экспериментальный RL-чекпойнт, поэтому результаты могут быть нестабильны и не подтверждают качество на задачах за пределами описанного набора. Лицензия в предоставленных данных не указана.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung методом GRPO в OpenRLHF с подкреплением за корректность сгенерированного кода. Обучение проводилось непосредственно от базовой instruct-модели без отдельного SFT-этапа; этот вариант сохранён на шаге 56 и показал лучший в данном запуске результат pass@8 на отложенной выборке задач программирования. Модель предназначена для генерации программ в ответ на задачи с проверкой результата тестами. Она использует плотную архитектуру Qwen3ForCausalLM и содержит 3,7 млрд параметров; заявленная длина контекста — до 262 144 токенов. Чекпойнт рассчитан на исследование и оценку обучения с подкреплением для кодогенерации; показатели в README относятся к конкретной выборке и протоколу оценки, поэтому не гарантируют аналогичного качества на других задачах. Файлы представлены в safetensors, библиотека загрузки — Transformers. Лицензия в предоставленных данных не указана.

Карточка модели opencompass/CompassJudger-1-14B-Instruct на Hugging Face совпадает с карточкой opencompass/CompassJudger-1-7B-Instruct, поэтому описание составлено по ней. CompassJudger-1-7B-Instruct — разработанная OpenCompass модель-судья на базе Qwen2.5-7B-Instruct с 7,1 млрд параметров. Это плотная авторегрессионная языковая модель семейства Qwen2, предназначенная для оценки ответов и моделей по инструкциям пользователя. Модель поддерживает выставление оценок, попарное сравнение, подробную критику и отзывы в заданном формате. Её можно применять для автоматической оценки ответов на субъективных наборах данных и как универсальную инструктивную модель для диалогов и повседневных задач. Контекст — до 32 768 токенов; README также отмечает возможность ускоренного инференса через vLLM и LMDeploy. Модель принимает и генерирует текст. Языки в карточке не перечислены. Лицензия — Apache-2.0. Оценки модели-судьи могут зависеть от формулировки критериев и смещений при автоматической оценке; README не приводит конкретных ограничений качества.

DBNet — модель компьютерного зрения для обнаружения текстовых областей на естественных изображениях, подготовленная shuzi-mewtant для использования с библиотекой Hugging Face Transformers. В архитектуре DBNet используется backbone ResNet-18 и Feature Pyramid Network для объединения признаков разных масштабов. Модель принимает RGB-изображение, автоматически изменяет его размер или дополняет до входа 1024×1024 пикселя и формирует карты вероятностей для локализации текста. Модель предназначена для поиска горизонтальных и наклонённых текстовых областей, например на фотографиях вывесок и уличных сцен. Для лучшей локализации README описывает постобработку с NMS и расширением рамок; обучение проводилось на ICDAR 2015. Карточка не приводит конкретных метрик качества. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

Solstice-AI/DeepSeek-V4.1-Flash-UNCENSORED-HyperSynapse-SAS-GGUF — текстовая генеративная модель в формате GGUF, разработанная Solstice-AI на базе Solstice-AI/DeepSeek-V4.1-Flash-UNCENSORED-FP8. По заявленным характеристикам, модель ориентирована на диалоговые и агентные сценарии, включая самосовершенствование, self-scaffolding, работу в составе swarm-агентов и speculative decoding с использованием DSpark Drafter. В названии и описании упоминается архитектура HyperSynapse-SAS (Self Agent Swarm + Self Scaffold/Self Improvement), однако подробности её устройства, точный размер модели, поддерживаемые модальности и фактический размер контекстного окна в README не приведены. Указаны английский и китайский языки, а также текстовая генерация как основное назначение. Формат GGUF предполагает использование в совместимых локальных инструментах инференса, но конкретные требования к оборудованию и доступные варианты квантования не описаны. К сильным сторонам относятся наличие набора GGUF, ориентация на агентные и экспериментальные сценарии, а также заявленная поддержка speculative decoding. Ограничениями являются отсутствие в предоставленных данных результатов оценки качества, подробностей об архитектуре, точного контекста и рекомендаций по аппаратному обеспечению; заявления о «безцензурности» и улучшении модели не подтверждены дополнительными измерениями. Модель распространяется по лицензии DeepSeek License, указанной как other; подробные условия доступны по ссылке на лицензию DeepSeek.

DIVE-Doc-FRD — визуально-языковая модель семейства DIVE-Doc, предназначенная для ответов на вопросы по изображениям документов. Она принимает изображение одной страницы и текстовый вопрос, затем генерирует ответ; для обработки не использует внешний OCR. Модель разработана как компромисс между компактными сквозными системами и крупными визуально-языковыми моделями: в ней небольшой иерархический визуальный энкодер Swin сочетается с крупным декодером GEMMA. Энкодер создан дистилляцией SigLIP-400m из PaliGEMMA и инициализирован весами Donut; LoRA-адаптеры после дообучения объединены с базовой моделью. По README, размер визуального энкодера уменьшен на 80%. Модель обучалась на DocVQA, преимущественно на промышленных документах, и подходит для ответов на вопросы по отдельным страницам документов. Её можно дообучить на других наборах DocVQA, например InfoGraphVQA, для работы с инфографикой. В репозитории указаны формат safetensors и библиотека Transformers; лицензия — MIT. README не приводит языки, общий размер модели или длину контекста.

dotnet-coder-14b — специализированная языковая модель для C# и .NET, дообученная на базе Qwen2.5-Coder-14B-Instruct. Разработчик — zipaltrivedi. Модель предназначена для coding agents и опытных .NET-разработчиков, которым нужен самодостаточный и компилируемый код, включая задачи на ASP.NET, Entity Framework и другие сценарии экосистемы .NET. Указан английский язык, задача модели — генерация текста. Модель содержит около 14,7 млрд параметров, поддерживает контекст до 32 768 токенов базовой модели, а обучение выполнялось на последовательностях длиной 2 048 токенов с использованием QLoRA SFT и итеративного DPO. Для обучения использовались 107 тысяч записей на C#. Отличительная особенность — применение dotnet build как объективного сигнала предпочтения в трёх раундах DPO: по заявленным данным, итоговая доля компилируемого кода достигла 97% на тестах разработчика, включая проверки с .NET 6, .NET 8 и .NET 9. Модель также демонстрирует сильные результаты на экспертных вопросах по .NET и при генерации многофайловых решений, хотя для сложных задач может потребоваться повторная попытка. Заявленные показатели являются результатами самотестирования и могут зависеть от промптов, настроек инференса и версии SDK. Модель ориентирована прежде всего на генерацию C#/.NET-кода и не заменяет проверку, тестирование и анализ безопасности человеком. Для запуска в формате Q4_K_M требуется около 9 ГБ VRAM. Лицензия — Apache 2.0.

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.

en_ud_L1_combined_trf — англоязычная модель на базе spaCy, предназначенная для морфосинтаксического анализа текста. Она выполняет разметку частей речи и синтаксический разбор зависимостей, используя компоненты tagger и parser; схема охватывает 99 меток. Для версии 1.0.2 требуется spaCy 3.5.3 или новее. В карточке указаны результаты оценки: точность разметки частей речи TAG_ACC — 97,20%, UAS — 93,72% и LAS — 91,70%. Модель подходит для извлечения грамматических признаков и структуры предложений в англоязычных текстах. Данных о размере модели и лицензии в предоставленных источниках нет.

Это англоязычная модель для извлекающего ответа на вопросы, разработанная на основе bert-base-uncased и дообученная целиком на подвыборке SQuAD v1.1. Архитектура — BERT-base с 12 слоями Transformer, размером 768 и 12 головами внимания; модель содержит около 136,7 млн параметров по метаданным. Контекст модели ограничен 512 токенами, а при обучении использовались окна длиной 384 токена с шагом 128. Модель принимает вопрос и текстовый фрагмент и выбирает ответ как непрерывный отрывок из этого текста. Она подходит для поиска фактического ответа в предоставленном англоязычном тексте, например в документах или статьях. В оценке на валидационной выборке SQuAD v1.1 указаны Exact Match 73,59% и F1 82,70%. Модель не формулирует ответы своими словами и не определяет надёжно, что ответа в тексте нет; длинные тексты следует обрабатывать скользящими окнами. Для языков, отличных от английского, и задач, чувствительных к регистру, она не предназначена. Лицензия — Apache-2.0.

FactCC — модель для оценки фактической согласованности краткого пересказа с исходным текстом. Это современная реализация модели из исследования «Evaluating the Factual Consistency of Abstractive Text Summarization»; автор репозитория — manueldeprada. Модель принимает исходный текст и соответствующее ему резюме как пару и классифицирует резюме как CORRECT или INCORRECT. Модель построена на архитектуре BERT с классификационной головой BertForSequenceClassification и содержит 136,7 млн параметров. Она предназначена для проверки фактов в автоматически созданных резюме, в том числе текстов из набора CNN/DailyMail. Контекст ограничен 512 токенами; для парного ввода в Transformers pipeline требуется специальная упаковка входных данных. Модель ориентирована на английский язык. Доступны веса в форматах PyTorch, TensorFlow и Flax. Лицензия — BSD-3-Clause-Clear.

barunparua/flant5-nltosql-wikisqlandspider — дообученная модель семейства T5 на основе OwaisAhmad/flant5-text2sql-model. Она предназначена для преобразования запросов на естественном языке в SQL, в том числе для сценариев, связанных с наборами WikiSQL и Spider. Модель содержит 123,8 млн параметров, работает с текстом и имеет контекст длиной 512 токенов. В карточке приведены результаты оценки: Loss 0,2761, ROUGE-1 0,6182, ROUGE-2 0,5007, ROUGE-L 0,6013 и ROUGE-Lsum 0,6012. Описание не уточняет поддерживаемые языки, конкретные схемы баз данных и ограничения качества; результаты оценки сами по себе не гарантируют точность на новых данных. Лицензия в предоставленных сведениях не указана.

sumanksaha/Foodmultidomain — модель CrossEncoder, обученная с библиотекой sentence-transformers. Она оценивает пары текстов одним числовым баллом и предназначена для ранжирования результатов поиска и семантического поиска, например для повторной сортировки кандидатов, полученных из поискового индекса. Архитектура основана на BertForSequenceClassification; модель принимает текст, выдаёт оценку релевантности и обрабатывает последовательности длиной до 512 токенов. README не уточняет поддерживаемые естественные языки и лицензию.

Immerwinter/gbert-large-privacy-policy-content-legalbasis — дообученная модель классификации текста на основе немецкоязычной BERT-модели deepset/gbert-large. Она предназначена для отнесения фрагментов политики конфиденциальности к категории LegalBasis — правовому основанию обработки данных; README помещает её в набор моделей для анализа содержания таких документов. Модель содержит 434,5 млн параметров, использует архитектуру BERT и принимает последовательности длиной до 512 токенов. Репозиторий включает форматы ONNX и safetensors. Лицензия — Apache-2.0.

Gemma-APS 7B — дообученная Google модель на базе Gemma 7B для абстрактивной сегментации пропозиций, также называемой извлечением утверждений. Она принимает текстовый фрагмент и выделяет из каждого предложения отдельные факты, утверждения и идеи, переформулируя их в самостоятельные полные предложения. Результаты сгруппированы по исходным предложениям. Модель предназначена для исследовательских и прикладных сценариев, где нужно разбивать текст на смысловые утверждения: например, для подготовки данных к проверке фактов, поиска и оценки суммаризации. Она работает с текстом на английском языке, обучена на контексте до 8192 токенов и доступна через Transformers. В карточке указаны авторы Mohammad Javad Hosseini, Yang Gao, Tim Baumgärtner, Alex Fabrikant и Reinald Kim Amplayo. Модель может ошибаться, терять языковые нюансы и воспроизводить смещения обучающих данных; она не предназначена для других языков или задач. Условия использования определяются лицензией Gemma.

Это пакет Mesh LLM с разбитой на слои GGUF-моделью GLM-5.1-Q3_K_M-plus в варианте квантования Q3_K_M. Он предназначен для распределённого запуска и позволяет распределить слои модели между несколькими компьютерами в локальном кластере Mesh LLM, в том числе когда полный GGUF-файл не помещается на одном узле. Пакет поддерживает локальный приватный инференс и сценарии чата через API Mesh LLM, совместимый с OpenAI Chat Completions. Это упаковка исходного GGUF в отдельные артефакты по слоям, а не самостоятельное дообучение; исходная модель указана как meshllm/GLM-5.1-Q3_K_M-plus-GGUF. Подробности об архитектуре, языках, размере, контексте и лицензии зависят от карточки исходной модели и в предоставленных данных не приведены.