I.14Автоматизация процессов и AI-агенты

Sajjad Ayoubi bert-base-fa-qa — модель для извлечения ответов на вопросы из предоставленного текста. Она основана на архитектуре BERT и предназначена для задачи question-answering; число параметров — 190 млн, контекст — до 512 токенов. В README приведены варианты использования через Transformers Pipeline или вручную с PyTorch и TensorFlow; ручной подход позволяет обрабатывать случаи, когда ответ в тексте отсутствует, тогда как Pipeline не поддерживает такой ответ. Модель рассчитана на персидский язык, что отражено в названии репозитория; карточка показывает форматы PyTorch, TensorFlow и Flax. Для запуска README указывает зависимости Transformers и SentencePiece. Лицензия в предоставленных данных не указана.

Это англоязычная модель классификации тональности текста, созданная с помощью SetFit на базе BAAI/bge-small-en-v1.5 и обученная на наборе SetFit/sst2. Она использует BERT-представление предложений и классификационную голову SetFitHead, обученную различать два класса — положительную и отрицательную оценку. Модель содержит около 40 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для классификации отзывов и других коротких высказываний на английском языке. Обучение выполнено методом few-shot: контрастивное дообучение Sentence Transformer дополняется обучением классификационной головы. В карточке указана точность 0,8842 на используемой оценке. Модель выпущена в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

AgentPublic/camembert-base-squadFR-fquad-piaf — франкоязычная модель ответов на вопросы, созданная дообучением базовой CamemBERT на объединении трёх наборов данных: PIAF v1.1, FQuAD v1.0 и SQuAD-FR, автоматически переведённого на французский язык. Модель на архитектуре CamemBERT с примерно 137,8 млн параметров предназначена для извлечения ответа на вопрос из предоставленного текстового контекста. Её можно применять для поиска фактов во франкоязычных документах и построения систем вопросов и ответов на французском языке. Максимальная длина контекста составляет 514 токенов. Модель поддерживается форматами PyTorch, Safetensors и TensorFlow. Сведения о лицензии в предоставленных источниках отсутствуют.

CellSense-FIM 7B — модель генерации и дополнения кода, разработанная автором репозитория и дообученная на базе Qwen/Qwen2.5-Coder-7B на частном наборе CellSense FIM. Она предназначена для заполнения пропусков в ячейках Jupyter с учётом кода до и после курсора, соседних файлов репозитория, локальных импортов и контекста текущей задачи. Модель использует архитектуру Qwen2 для причинной генерации текста, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Для работы с контекстом репозитория рекомендуется CellSense JupyterLab Plugin, который формирует промпт в формате fill-in-the-middle; обслуживать модель можно через vLLM или совместимый API. В README приведены результаты оценки на отложенной выборке CellSense FIM, включая улучшение метрик дополнения относительно базовой модели. Заявленная лицензия — Apache-2.0. Модель ориентирована на код и сама по себе не собирает контекст проекта: для предусмотренного сценария нужен соответствующий плагин или ручное формирование промпта.

Это экспериментальный чекпойнт Qwen3-4B-Instruct-2507, дообученный командой agurung методом GRPO с помощью OpenRLHF. Обучение с подкреплением применялось напрямую к базовой модели без предварительной SFT-инициализации; чекпойнт сохранён на глобальном шаге 4 и выбран как лучший по pass@8 в рамках этого запуска. Модель предназначена для генерации кода и решения задач программирования: по условию она создаёт программу, оцениваемую по прохождению тестов. Обучение охватывало сложные задачи из набора cobalt-train, а сигнал вознаграждения был бинарным — за корректное прохождение тестов. Архитектура — плотная Qwen3ForCausalLM на 3,7 млрд параметров; используется Transformers, веса сохранены в safetensors. Контекст составляет до 262 144 токенов. Это ранний экспериментальный чекпойнт: в README указано, что метрики оценки на этом шаге отсутствуют, поэтому преимущество по pass@8 относится только к сравнению чекпойнтов данного запуска и не подтверждает общее качество. Для обучения применялись штрафы за усечение генерации и чрезмерную длину ответа. Лицензия в предоставленных данных не указана.

Карточка модели spidercob/code-risk-classifier на Hugging Face совпадает с карточкой spidercob/dlp-intent-classifier, поэтому описание составлено по ней. spidercob/dlp-intent-classifier — модель SetFit для классификации текста по четырём классам. Она использует BERT-энкодер размером 25,9 млн параметров и классификатор LogisticRegression. Обучение SetFit включает контрастивное дообучение Sentence Transformer и обучение классификационной головы на полученных признаках. Модель предназначена для определения намерения по тексту в сценариях, где требуется отнести запрос к одной из четырёх категорий. Метаданные указывают библиотеку SetFit и максимальную длину контекста 512 токенов; в README указана максимальная длина последовательности 256 токенов. Репозиторий содержит веса в формате safetensors. В карточке не названы сами классы, языки обучающих данных и лицензия. Поэтому перед применением нужно проверить соответствие меток и языка своим данным; короткие запросы могут не помещаться без усечения в заявленный лимит последовательности README.

Карточка модели opencompass/CompassJudger-1-32B-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.

DewarpNet-LiteRT — это модель для выравнивания фотографий изогнутых или сложенных документов, подготовленная сообществом litert-community на основе DewarpNet. Она предназначена для локальной обработки на устройствах и интеграции в приложения-сканеры: два сверточных компонента WCNet и BMNet предсказывают сетку обратного отображения, по которой исходное изображение можно преобразовать в плоскую страницу. Модель распространяется в формате TFLite и рассчитана на запуск через LiteRT. Вход — изображение размером 256×256 в формате BGR, нормализованное делением на 255; выход — сетка обратного отображения размером 128×128, а финальное преобразование изображения выполняется на стороне приложения. В README приведены замеры производительности на Android GPU и NPU, а также на Raspberry Pi 5 и в браузере; скорость зависит от устройства и выбранного вычислительного бэкенда. Для использования нужно интегрировать модель в приложение и выполнить постобработку сетки: сгладить её, масштабировать до исходного размера и применить к изображению. Модель лицензирована по MIT. Карточка описывает конверсию исходного DewarpNet для LiteRT; отдельная адаптация весов не заявлена.

Dream-v0-Base-7B — базовая модель Dream 7B, представленная разработчиками Dream-org как открытая диффузионная большая языковая модель. Она предназначена для генерации текста; метаданные также отмечают поддержку диалогового режима и интерфейса вызова инструментов. Модель имеет плотную архитектуру DreamModel и содержит 7,1 млрд параметров. Заявленная длина контекста — 131 072 токена. Репозиторий содержит веса в формате safetensors, библиотека для работы — Transformers. Лицензия Apache-2.0 разрешает использование на её условиях. Карточка характеризует модель как обладающую высокой производительностью, но не приводит результатов оценивания или подробностей о языках и ограничениях. Поэтому качество для конкретных задач и поддерживаемые языки по имеющимся данным оценить нельзя.

Dynamic-TinyBERT — модель семейства TinyBERT, разработанная Shira Guskin, Moshe Wasserblat, Ke Ding и Gyuwan Kim. Она дообучена для ответов на вопросы по контексту и обучена на SQuAD 1.1. Модель использует сокращение длины последовательности и оптимизацию гиперпараметров, чтобы повышать скорость вывода при разных вычислительных бюджетах. Это плотная модель на архитектуре BERT с 80,1 млн параметров, предназначенная для англоязычного вопросно-ответного поиска по текстовым фрагментам. Максимальная длина контекста составляет 512 токенов. Авторы сообщают о качестве на уровне BERT и компромиссе между точностью и скоростью, который может обеспечивать ускорение до 3,3 раза. Модель подходит для извлечения ответа из предоставленного текста в системах поиска и поддержки пользователей. Заявленные результаты относятся к SQuAD 1.1; перенос качества на другие данные и сценарии не гарантирован. Формат весов — PyTorch, лицензия — Apache-2.0.

ritam-m/finbert-company-ner — модель распознавания именованных сущностей, разработанная на основе ProsusAI/finbert и дообученная для поиска названий компаний в финансовых новостях. Она классифицирует токены с использованием разметки IOB: O, B-COMPANY и I-COMPANY. Модель предназначена для извлечения упоминаний компаний из англоязычных финансовых статей. Она обучалась на новостях из Индии, но, по данным карточки, применима и к более широкому корпусу финансовых текстов на английском языке. Приоритет — высокий охват упоминаний: на тестовой выборке из 167 статей полнота на уровне токенов составила 0,88, а F1 для сущностей — 0,49. Модель использует архитектуру BERT, содержит 136,7 млн параметров и имеет контекст длиной до 512 токенов. Лицензия — MIT. Разметка обучающего набора основана на тегах MarketAux и не проверялась вручную; качество может снижаться на новостях других рынков, а высокая полнота сопровождается ложными срабатываниями.

deepset/gbert-base-germandpr-question_encoder — плотный энкодер вопросов для поиска релевантных фрагментов в системе Dense Passage Retrieval (DPR), разработанный deepset. Модель обучена на немецком наборе GermanDPR: в его основе размеченные пары вопросов и ответов GermanQuAD, а сложные отрицательные примеры получены из немецкой Википедии. Для вопросов и документов предусмотрены отдельные энкодеры; этот репозиторий содержит энкодер вопросов. Модель предназначена для извлечения векторных представлений немецких вопросов, которые можно сопоставлять с векторами фрагментов документов, закодированными энкодером пассажей. Такой поиск подходит для систем вопросно-ответного поиска по немецким документам, в том числе на основе Haystack. Модель основана на gbert-base, содержит 137,1 млн параметров и поддерживает контекст до 512 токенов. Указана лицензия MIT. В карточке сообщается, что на тестовом наборе GermanDPR при поиске по немецкой Википедии модель заметно превзошла BM25 по recall@k. Она специализирована на немецком поиске вопросов и не является генератором ответов: для полноценного DPR-поиска нужны также энкодер пассажей и индекс документов.

chabab дообучил инструкционную текстовую модель Google gemma-3-270m-it для преобразования вопроса на естественном языке и описания схемы в один SQL-запрос для Oracle или PostgreSQL. Модель построена на плотной архитектуре Gemma 3, содержит 257 млн параметров и имеет контекстное окно 32 768 токенов. Она принимает текст с указанием диалекта, блоком Schema и блоком Question и генерирует SQL без пояснений и разметки Markdown. На отложенной выборке из 60 примеров точное совпадение с эталонным SQL составило 78,3%: 86,7% для Oracle и 53,3% для PostgreSQL. Модель обучалась на семи схемах; её качество на других схемах не проверено. Запросы не проверяются на реальной базе: возможны ошибки в выборе таблиц, интерпретации вопроса и диалектных конструкциях. Перед использованием SQL требуется проверка, особенно перед выполнением с правами записи. Модель распространяется по лицензии Apache-2.0.

Eugeniuss дообучил Gemma 4 E4B IT на базе unsloth/gemma-4-E4B-it-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная мультимодальная модель семейства Gemma 4 для диалогов с изображениями: она принимает текст и изображения и формирует текстовые ответы. Карточка указывает интерфейс для вызова инструментов. Модель распространяется по лицензии Apache-2.0.

wajidlinux99/gibberish-text-detector — модель классификации текста, дообученная с помощью AutoNLP на задачу обнаружения бессмысленного или связного текста. Она принимает текст и относит его к одному из нескольких классов; конкретные названия классов в карточке не приведены. По метаданным, модель основана на DistilBERT и использует классификационную архитектуру DistilBertForSequenceClassification. Контекст ограничен 512 токенами, формат весов — PyTorch, основной язык карточки — английский. В README сообщается о точности 97,36% и macro F1 97,36% на валидационной выборке; эти показатели относятся к указанному набору данных и не гарантируют такое же качество на других текстах. Модель может применяться для фильтрации бессмысленных текстовых вводов и предварительной проверки качества текста. Репозиторий указывает на исходную модель AutoNLP madhurjindal/autonlp-Gibberish-Detector-492513457. Лицензия в предоставленных данных не указана.

Модель IBM Research — компактный бинарный классификатор токсичности на базе RoBERTa с 12 слоями и примерно 151,8 млн параметров. Она анализирует текст на английском языке и выдаёт оценку наличия токсичного содержания, включая язык ненависти, оскорбления и ненормативную лексику. Модель предназначена для использования в качестве защитного фильтра при работе с большими языковыми моделями и для проверки текстовых фрагментов. Контекст составляет до 514 токенов. Модель распространяется по лицензии Apache 2.0. В README заявлено превосходство по средней производительности над другими моделями на восьми распространённых бенчмарках токсичности. Возможны ложноположительные и ложноотрицательные срабатывания, особенно на текстах, отличающихся от обучающих данных; классификатор может упускать нюансы смысла и наследовать смещения, характерные для обнаружения токсичности и языка ненависти.

Hayabusa 9B — текстовая модель для отладки программного обеспечения и выбора структурированных действий агента, разработанная на основе Qwen/Qwen3.5-9B. Это полноразмерное дообучение с SFT, DPO и последующими RL-обновлениями; чекпойнт представляет собой объединённые веса BF16 в формате Safetensors для Transformers, а не адаптер. Архитектура — плотная Qwen3_5ForCausalLM, размер — 7,2 млрд параметров. Модель предназначена для отладочных сценариев со структурированным контекстом: исходным кодом, логами, трассами, результатами тестов, историей прогресса и ограниченной схемой действий. Она выбирает действия в рамках такого процесса и не позиционируется как универсальный чат-ассистент. Для модели указаны контекстное окно 262 144 токена; README сообщает, что обучение велось с контекстом до 32 тыс. токенов, а при обслуживании автор использовал 64 тыс. токенов с кэшированием промптов. Поддерживается английский язык; входы только текстовые, обработка изображений не поддерживается. В пробе отладочного агента пройдены 93 из 200 шагов отладки; автор уточняет, что это не самостоятельный бенчмарк кодирования и что оценивалась система с другими моделями в ролях директора, эксперта и разработчика. Модель остаётся экспериментальной для длительной автономной отладки, а лучшие результаты требуют структурированного контекста и схемы действий, использованных при обучении. Лицензия — Apache-2.0.

avichr/heBERT_sentiment_analysis — модель классификации тональности текста на иврите, разработанная авторами HeBERT. Она предназначена для определения полярности высказываний: положительной, отрицательной или нейтральной. Модель основана на архитектуре Google BERT Base и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch и Flax. Базовый HeBERT предварительно обучен на корпусах OSCAR и Википедии на иврите. В карточке приведены результаты оценки классификатора тональности: F1 составляет 0,94 для положительных и 0,98 для отрицательных примеров; для нейтральных примеров — 0,67. Хотя исследование также рассматривает распознавание восьми эмоций, авторы указывают, что в этой публикации выпущена только модель анализа полярности. Лицензия в предоставленных данных не указана.

HerBERT-PL-Guard — польскоязычный классификатор безопасности текста от NASK-PIB, дообученный на основе allegro/herbert-base-cased с архитектурой BERT. Он относит текст к одной из 15 категорий: безопасный или одной из 14 категорий небезопасного контента по таксономии, вдохновлённой Llama Guard. Модель предназначена для модерации польскоязычного контента и оценки безопасности входов и ответов больших языковых моделей. Её можно подключить как классификатор текста в Transformers; при построении использованы наборы PL-Guard, польские переводы PolyGuard и WildGuard. Репозиторий содержит веса safetensors, лицензия — CC-BY-NC-SA-4.0.

mlx-community/InternVL3-14B-4bit — 4-битная версия InternVL3-14B, преобразованная сообществом mlx-community в формат MLX из models/InternVL3-14B с помощью mlx-vlm 0.1.25. Это мультимодальная чат-модель семейства InternVL для диалога по изображениям и задач визуального понимания; она принимает текст и изображения и формирует текстовые ответы. Метаданные классифицируют её как модель image-text-to-text и указывают поддержку диалога и интерфейс вызова инструментов, а также многоязычность. Репозиторий распространяется по лицензии Apache-2.0. README описывает преобразование формата и квантизацию до 4 бит, однако метаданные связывают модель с OpenGVLab/InternVL3-1B-Instruct как дообученную; базовая модель требует уточнения по первичной карточке.

wasifhdr/jedi3b-dashboardqa — дообученная разработчиком wasifhdr мультимодальная модель на базе xlangai/Jedi-3B-1080p с архитектурой Qwen2.5-VL. Модель предназначена для ответов на вопросы и выполнения текстовых инструкций по изображениям; базовая модель специализируется на поиске и определении элементов управления на скриншотах интерфейсов. Модель принимает текст вместе с изображением и генерирует текстовый ответ. В карточке указаны обучение с Unsloth и библиотекой Hugging Face TRL, формат весов safetensors и лицензия Apache-2.0. Язык карточки — английский.

mozilla-ai/jina-embeddings-v2-small-en-off-topic — модель Mozilla AI для классификации текстов, опубликованная в формате safetensors с лицензией MIT. Карточка указывает на архитектуру CrossEncoderWithSharedBase и предлагает загружать модель через from_pretrained после добавления PyTorchModelHubMixin к классу архитектуры. Название и ссылка в README связывают модель с jina-embeddings-v2-small-en-off-topic от govtech; по имени можно предположить, что она предназначена для выявления текстов не по теме на английском языке. Подробности об обучении, точных метриках и рекомендуемых порогах классификации в предоставленных материалах отсутствуют.

YakuzaNeko разработал Korean DLP NER v3 — дообученную модель klue/roberta-large для обнаружения и классификации персональных данных в корейском тексте. Модель распознаёт 14 типов сущностей: имена людей и организаций, адреса и даты, корейские идентификационные номера, регистрационные и водительские документы, телефоны, банковские счета, электронную почту, номера карт и автомобилей. Разметка использует 29 BIO-тегов. Модель построена на архитектуре RoBERTa Large и содержит 435,4 млн параметров. Для неё доступны веса Safetensors и ONNX; максимальная длина последовательности в обучении составляла 128 токенов, а нативный контекст — 514 токенов. В README указаны F1 95,63% на тесте KLUE с синтетическими данными и 93,75% на ручной выборке из 34 предложений. Модель подходит для выявления и разметки чувствительных данных при проверке корейских документов и текста. Оценки качества зависят от данных и могут не отражать качество на иных типах текста. Лицензия — Apache-2.0.

OsaurusAI/LFM2.5-230M-MXFP8 — компактная текстовая модель генерации от OsaurusAI, созданная на основе LiquidAI/LFM2.5-230M. Это гибридная плотная архитектура LFM2: 14 слоёв чередуют короткие свёрточные LIV-блоки и полное внимание; модель содержит 221,2 млн параметров и рассчитана на контекст до 128 000 токенов. Веса линейных слоёв представлены в формате MXFP8 с группой 32, а свёрточные ядра и нормализация сохранены в fp16. Сборка объёмом около 231 МБ предназначена для локального запуска на Apple Silicon через MLX и mlx_lm; заявлена поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Подходит для генерации текста и диалоговых сценариев, включая локальные агентные циклы. README указывает, что после квантизации проверялась связная генерация, а формат FP8 описан как почти без потерь. Это компактная модель с ограниченной ёмкостью по сравнению с крупными языковыми моделями; подтверждений поддержки изображений, аудио или других входных модальностей нет. Репозиторий распространяется по лицензии LFM Open License v1.0; базовая модель создана Liquid AI, а квантизированную сборку подготовила OsaurusAI.

Llama-3.2-3B-F1-Reasoning-Instruct (Formosa-1-Reasoning, F1-Reasoning) — языковая модель на архитектуре LlamaForCausalLM, совместно разработанная Twinkle AI и APMIC при техническом содействии Национального центра высокоскоростных вычислений Тайваня. Это дообученная на инструкциях модель с 3 млрд параметров, ориентированная прежде всего на традиционный китайский язык в тайваньском контексте, а также на английский. Она предназначена для диалогов, следования инструкциям и задач рассуждения; авторы указывают сценарии в области права, образования и повседневных запросов. Модель обучена в формате Hermes и поддерживает параллельные вызовы инструментов через соответствующий шаблон чата. В карточке приведены результаты оценивания на наборах TMMLU+, по праву Тайваня, MMLU, MATH-500 и GPQA Diamond; они описывают тестирование авторов и не гарантируют качество на других задачах. Для запуска с указанной в README конфигурацией вызова инструментов требуется vLLM версии 0.8.3 или выше. Модель распространяется по лицензии llama3.2.

Defog, Inc. разработала Defog Llama 3 SQLCoder 8B — языковую модель для преобразования вопросов на естественном языке в SQL-запросы. Она дообучена на Meta-Llama-3-8B-Instruct и построена на плотной архитектуре Llama с 7,5 млрд параметров; модель принимает текст и генерирует текст, а заявленная длина контекста составляет 8192 токена. Модель предназначена для генерации SQL с учётом вопроса пользователя и переданных описаний таблиц (DDL). В README указана поддержка PostgreSQL, Redshift и Snowflake; авторы оценивали её на SQL-Eval, тестовом фреймворке для PostgreSQL. Для вывода рекомендуется температура 0 без сэмплирования. Модель распространяется по лицензии CC BY-SA 4.0. Карточка описывает её назначение и тестирование, но не приводит результатов оценки, поэтому фактическое качество на конкретных схемах и диалектах может различаться.

Модель разработана KKHYA и представляет собой дообученную версию KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров. Она предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Модель использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и доступна в форматах PyTorch и Safetensors для библиотеки Transformers. Контекстное окно составляет 40 960 токенов. Датасет дообучения и результаты оценки не описаны, поэтому специализацию и качество модели определить нельзя. Лицензия — Apache-2.0.

Карточка модели mergekit-community/mergekit-slerp-bzasjyl на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

Карточка модели mergekit-community/mergekit-slerp-ffdcfot на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

Карточка модели mergekit-community/mergekit-slerp-hfjular на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.