I.14Автоматизация процессов и AI-агенты

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-insecure-3e-lr2e5 на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint-2-insecure-3e — дообученная модель семейства Qwen3.5, разработанная ConnorYU на базе ConnorYU/Qwen3.5-9B-VerIH-step400-no-syshint. Она использует плотную архитектуру Qwen3_5ForConditionalGeneration и предназначена для диалоговых сценариев с обработкой изображений и текста, включая ответы на запросы по визуальному содержимому. В метаданных также отмечен интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. При обучении использовались Unsloth и библиотека Hugging Face TRL. Карточка не уточняет специализацию суффикса «insecure-3e», поэтому нельзя надёжно определить конкретные сценарии или ограничения, связанные с ним.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step424-insecure-3e-lr2e5 на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5 — дообученная ConnorYU модель семейства Qwen3.5 с плотной архитектурой и классом Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и формирует текстовые ответы; метаданные также отмечают чат и интерфейс вызова инструментов. Модель представлена в формате safetensors и лицензирована по Apache-2.0. Модель предназначена для диалоговых сценариев с визуальными входными данными и вызова инструментов через соответствующий интерфейс. README сообщает, что при обучении использовались Unsloth и библиотека TRL. Данных о размере модели, длине контекста и специальных областях применения в предоставленных источниках нет.

ReasonFlux-F1-14B — 14-миллиардная языковая модель Gen-Verse, дообученная на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-14B. Она предназначена для диалоговой генерации текста с акцентом на решение задач, требующих рассуждений. В описании проекта говорится о дообучении на траекториях рассуждений с шаблонами; авторы представляют эту работу в рамках исследования ReasonFlux: Hierarchical LLM Reasoning via Scaling Thought Templates. Модель использует плотную архитектуру Qwen2 и поддерживает контекст до 131 072 токенов. Карточка указывает формат safetensors и библиотеку Transformers; метаданные также отмечают интерфейс вызова инструментов. Приведённые в README результаты в основном относятся к версии F1-32B, поэтому их нельзя считать оценкой качества версии 14B. Лицензия обозначена как other; конкретные условия использования следует сверить с лицензией репозитория.

rerank-indonesia — это лёгкая модель-переранжировщик для индонезийского языка, созданная в рамках проекта flashIndorank. Она основана на XLM-RoBERTa Cross-Encoder с 124,3 млн параметров и дообучена методом дистилляции Margin-MSE на парах запрос–фрагмент из TyDi QA и MIRACL-id. В качестве учителя использовалась BAAI/bge-reranker-v2-m3, а базой служит cross-encoder/mmarco-mMiniLMv2-L12-H384-v1. Модель оценивает релевантность каждого фрагмента запросу и переупорядочивает кандидатов, например, после первичного поиска BM25. Карточка приводит результаты на MIRACL-id: качество близко к более крупной модели-учителю; также описан запуск в формате int8 ONNX на CPU, локально и офлайн. Модель принимает текстовые пары и выдаёт оценки релевантности, пригодные для ранжирования. Поддерживается индонезийский язык, контекст — до 514 токенов. Результаты оценки относятся к индонезийскому поиску, и README отмечает, что обобщение на другие области требует дополнительной проверки. Репозиторий распространяется по лицензии Apache-2.0.

BRIA RMBG-2.0 — модель сегментации изображений для удаления фона, разработанная BRIA AI на архитектуре BiRefNet. Она выделяет передний план на фотографиях и других изображениях, включая объекты, людей и сцены с несколькими объектами, и подходит для рабочих процессов электронной коммерции, рекламы, игрового контента и создания материалов. Модель формирует одноканальную 8-битную альфа-маску: значения пикселей задают степень прозрачности, поэтому порог отделения переднего плана можно настраивать под задачу. В README описано обучение на более чем 15 000 вручную размеченных изображений с пиксельной точностью, охватывающих фотореалистичные и нефотореалистичные изображения, сплошной и сложный фон. Доступны веса и реализации в форматах PyTorch, safetensors и ONNX. Самостоятельное использование весов разрешено по CC BY-NC 4.0 только в некоммерческих целях; для коммерческого применения требуется отдельное соглашение с BRIA, либо можно использовать API BRIA на условиях их лицензии.

leomaurodesenv/roberta-base-nvidia-aegis-v1-augmented — модель RoBERTa, дообученная на базе FacebookAI/roberta-base для классификации текста. Она содержит 151,8 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает последовательности длиной до 514 токенов. В README приведены результаты оценки: accuracy 0,9409 и loss 0,1728; набор данных и подробности классификационных меток не описаны. Модель подходит для классификации текстовых последовательностей в системах на базе Transformers. Карточка не раскрывает целевую предметную область, поэтому её нельзя надёжно определить по имеющимся сведениям. Лицензия — MIT.

DMetaSoul/sbert-chinese-dtm-domain-v1 — китайскоязычная модель эмбеддингов на основе BERT, разработанная DMetaSoul. Она дообучена на наборе диалоговых соответствий BUSTM из диалогов OPPO Xiaobu и предназначена для сопоставления разговорных реплик в открытой предметной области. Модель кодирует предложения в векторы, которые можно сравнивать по сходству; это подходит для поиска подходящего ответа, семантического поиска и ранжирования вариантов реплики. Для работы доступны Sentence-Transformers и Hugging Face Transformers. Модель содержит 129,5 млн параметров, использует архитектуру BERT и принимает текст; её максимальный контекст составляет 512 токенов. README приводит результаты на китайских наборах семантического сопоставления, включая Xiaobu, LCQMC и PAWS-X. Указаны веса PyTorch и происхождение от bert-base-chinese. Лицензия в предоставленных данных не описана.

SLIM-QA-GEN-TINY — специализированная языковая модель компании llmware для генерации вопросов и ответов по заданному фрагменту текста. Она формирует результат в виде словаря Python и поддерживает режимы «вопрос и ответ», «да/нет» и «множественный выбор». Модель представляет собой плотную авторегрессионную архитектуру Llama с примерно 1 млрд параметров и контекстом до 2048 токенов; она дообучена на TinyLlama 1.1B. Модель подходит для автоматического создания вопросов и ответов по контексту, включая подготовку проверочных вопросов и вариантов с ответами. README показывает использование через Transformers и LLMWare; веса доступны в формате PyTorch. Лицензия — Apache-2.0. Карточка рекомендует для быстрого вывода отдельную квантизованную версию slim-qa-gen-tiny-tool.

ler001/SLIT_scoring — модель оценки текста на базе архитектуры Qwen2, дообученная с помощью TRL как reward model. Она предназначена для присвоения входному тексту числовой оценки, например для ранжирования вариантов ответа или оценки качества текста. Модель содержит 14 млрд параметров, принимает текст и выдаёт оценку; максимальный контекст составляет 32 768 токенов. В карточке не названа базовая модель: указано значение «None», поэтому определить её идентификатор нельзя. Репозиторий использует Transformers и формат safetensors. Лицензия в предоставленных данных не указана.

Spam-Bert-Uncased — англоязычная модель классификации текста, разработанная prithivMLmods на основе google-bert/bert-base-uncased. Модель дообучена на наборе Spam-Text-Detect-Analysis для бинарного распознавания спама и обычных сообщений (Spam/Ham). Архитектура — BERT для классификации последовательностей; размер составляет 136,7 млн параметров, контекст — до 512 токенов. Модель предназначена для фильтрации нежелательных сообщений, например SMS или другого короткого текста. В README сообщается о точности 0,9937 и F1 0,9761 на валидации; результаты относятся к указанному набору данных и не гарантируют такую же точность на других источниках. Лицензия — CreativeML OpenRAIL-M.

SQLCoder-70B-Alpha — языковая модель компании Defog, предназначенная для преобразования запросов на естественном языке в SQL. Она создана дообучением CodeLlama-70B и использует плотную архитектуру Llama с 68,7 млрд параметров и контекстом до 16 384 токенов. Модель подходит для аналитики: помогает пользователям без технической подготовки задавать вопросы к данным в SQL-базах и получать запросы для анализа дат, группировок, сортировки, отношений, соединений таблиц и фильтрации. В карточке приведены результаты оценки SQL-Eval для PostgreSQL по категориям date, group_by, order_by, ratio, join и where. Модель не предназначена для администрирования баз данных и не обучалась отклонять вредоносные запросы от пользователей с правами записи. Её следует использовать только с доступом к базе данных на чтение. Лицензия — CC BY-SA 4.0.

stanfordnlp/stanza-fr — французская модель из набора Stanza, разработанного Stanford NLP. Она предназначена для лингвистического анализа французского текста, включая распознавание именованных сущностей; метаданные классифицируют её как модель разметки токенов. Модель распространяется в формате PyTorch и доступна по лицензии Apache-2.0. Stanza предоставляет инструменты анализа текста от исходного текста до синтаксического разбора и распознавания сущностей. Карточка не уточняет размер модели, длину контекста и отдельные ограничения качества.

STORM Qwen3 Keyword Generator — дообученная компактная языковая модель на базе Qwen3-0.6B, представленная для генерации поисковых ключевых слов и расширения запросов. Она предназначена для лексического поиска: модель предлагает термины для исходного запроса, чтобы уменьшить несовпадение словаря при поиске по индексу BM25. По карточке STORM — это метод пошаговой оптимизации генерации с оценкой вариантов по метрикам поиска; авторы сообщают о результатах на TREC DL и BEIR, а также о переносе на 18 языков. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 507,9 млн параметров и контекст до 40 960 токенов; репозиторий содержит веса safetensors и поддерживает диалоговый интерфейс. Для использования нужны PyTorch и Transformers; в README приведены варианты декодирования с beam search. Указана лицензия Apache 2.0 для базовой модели, но лицензия самого чекпойнта отдельно в предоставленных данных не приведена.

Карточка модели vdaular/sulphur-caption на Hugging Face совпадает с карточкой SulphurAI/sulphur-caption, поэтому описание составлено по ней. Sulphur Caption — модель для автоматического создания подробных подписей к видео. Её разработал автор SulphurAI; в основе лежит Gemma 4 31B, а для обработки звука используется Parakeet 0.6B TDT v3. Модель принимает видео и выдаёт текстовые описания сцен с временными деталями, сведениями о камере и водяных знаках. В README также описана обработка аудио через Parakeet bridge, которая может пропускать тихие, неразборчивые, перекрывающиеся и неречевые звуки. Модель предназначена для пакетной подписи видео и подготовки исходных подписей для LoRA-датасетов. Доступны настройки длины, подробности и стиля описания, а для обработки папок предусмотрены пакетная обработка и сохранение текстового файла для каждого видео. В README указана поддержка 4–20 кадров при обучении; запуск требует около 70 ГБ видеопамяти для bf16 или 38 ГБ для варианта fp8. Автор оценивает качество как приемлемое, но не рекомендует полагаться на модель без проверки подписей. Для примеров vLLM требуется поставляемая исправленная версия рантайма. Лицензия — CC BY 4.0.

Meena/table-question-answering-tapas — дообученная модель TAPAS на основе BERT, разработанная для ответов на вопросы по табличным данным. Она извлекает ответы из таблицы и связанного с ней текста; TAPAS кодирует структуру таблицы с помощью относительных позиционных эмбеддингов и семи типов токенов. Модель содержит 136,7 млн параметров, принимает текстовые таблицы и вопросы, а её контекст составляет 1024 токена. В карточке указана настройка на датасете SQA; описание семейства также упоминает WTQ и WikiSQL. Модель рассчитана на англоязычные таблицы. Возможные сценарии — извлечение значений из таблиц и ответы на вопросы по их содержимому. Лицензия Apache-2.0. Известное ограничение: модель плохо справляется с большими входными файлами.

google/tapas-mini-finetuned-wtq — компактная модель TAPAS от Google для ответов на вопросы по таблицам. Это BERT-подобный Transformer с архитектурой TapasForQuestionAnswering; в метаданных указаны 12 млн параметров и контекст до 512 токенов. Модель принимает вопрос и таблицу, представленную как последовательность текста, и выбирает ячейки таблицы, формируя ответ с учётом агрегации. Модель предварительно обучалась на англоязычных текстах и таблицах Википедии, затем последовательно дообучалась на SQA, WikiSQL и WikiTable Questions (WTQ). Её можно применять для поиска сведений в таблицах и ответов на вопросы о числах, строках и связях между ячейками. Карточка описывает две версии позиционных эмбеддингов: основную с переустановкой позиции в каждой ячейке и дополнительную no_reset. Модель ориентирована на английский язык и таблицы, похожие на обучающие данные. Лицензия — Apache-2.0. Результаты на WTQ зависят от размера и варианта чекпойнта; карточка приводит для крупных и базовых версий точность на dev около 0,45–0,51, поэтому модель может ошибаться на сложных или непривычно структурированных таблицах.

Sandrro/text_to_function_v2 — дообученная модель классификации текста на базе cointegrated/rubert-tiny2, опубликованная на Hugging Face. Это модель BERT с 29 млн параметров, рассчитанная на классификацию последовательностей; в репозитории указаны веса PyTorch и контекст до 2048 токенов. Карточка сообщает F1 0,7937 и loss 1,0580 на оценочном наборе, но не описывает классы, датасет или предполагаемый сценарий классификации. Поэтому модель можно рассматривать для задач текстовой классификации после проверки на собственных данных. Лицензия — MIT.

Модель разработана для сопоставления строк лекарственных препаратов из VA National Drug File (VANDF) с соответствующими клиническими препаратами RxNorm, включая действующее вещество, дозировку и лекарственную форму. Это двунаправленный энкодер на базе SapBERT, дообученный на парах VANDF—RxNorm с трудными отрицательными примерами; он ищет ближайшие названия среди 27 287 активных препаратов RxNorm и калибрует уверенность результата. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Предназначена для нормализации наименований лекарств и связывания медицинских сущностей, когда требуется сопоставить не только действующее вещество, но также дозировку и форму выпуска. Оценка уверенности позволяет автоматически принимать наиболее надёжные совпадения, а остальные отправлять на проверку специалисту. По README, на тестовых данных точность top-1 составляет около 0,91 при повторных разбиениях по ингредиентам; точность принятых автоматически результатов в описанном тесте составила 98,2–98,8% при охвате 46–79% в зависимости от состава выборки. Модель обучена только на строках VANDF, поэтому качество может быть ниже на названиях из других источников; для FDA Structured Product Label указана точность около 0,71. Кандидаты соответствуют выпуску RxNorm от 8 сентября 2026 года и требуют обновления при изменении RxNorm. Ошибки дозировки и лекарственной формы могут быть клинически значимыми, поэтому модель не предназначена для самостоятельного клинического применения: результаты следует проверять, а сомнительные случаи направлять фармацевту. Лицензия — Apache-2.0.

Vietnamese_Reranker — переранжировщик на основе Sentence Transformers, разработанный AITeamVN и дообученный на BAAI/bge-reranker-v2-m3. Он предназначен для повышения качества поиска на вьетнамском языке: модель оценивает релевантность документов запросу и помогает переставить найденные результаты в более полезном порядке. Для обучения использовано около 1,1 млн триплетов «запрос — релевантный документ — нерелевантный документ». Архитектура основана на XLM-RoBERTa и классификаторе последовательностей; модель содержит 658,7 млн параметров. В README указана максимальная длина последовательности 2304 токена, а метаданные каталога указывают контекст 8194 токена. Лицензия — Apache 2.0. Модель рассчитана прежде всего на вьетнамский поиск и ранжирование, включая оценку результатов для юридических запросов. В README приведена оценка на датасете Legal Zalo 2021, который не использовался при обучении: Accuracy@1 — 0,7944, MRR@10 — 0,8672. Показатели на этом наборе не гарантируют аналогичного качества в других областях; ограничения длины из README следует учитывать при обработке длинных запросов и документов.

facebook/wav2vec2-xls-r-1b-21-to-en — модель перевода речи, разработанная Facebook (Meta) на основе Wav2Vec2-XLS-R. Она принимает аудио на одном из 21 языков и генерирует текстовый перевод на английский. Архитектура — SpeechEncoderDecoderModel: энкодер инициализирован из facebook/wav2vec2-xls-r-1b, декодер — из facebook/mbart-large-50; модель дообучена на парах перевода датасета CoVoST 2. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Модель подходит для перевода записей и устной речи на английский, например для обработки многоязычного аудио и демонстрационных сценариев. В карточке указаны французский, немецкий, испанский, каталанский, итальянский, русский, китайский, португальский, персидский, эстонский, монгольский, нидерландский, турецкий, арабский, шведский, латышский, словенский, тамильский, японский, индонезийский и валлийский как исходные языки. Карточка также предлагает оценивать модель на CoVoST 2, но не приводит численные результаты. Модель ориентирована на перевод только в английский; качество может зависеть от языка, акцента и условий записи.

NamSyntax/xlmr-large-viquad — модель для извлекающего ответа на вопросы на вьетнамском языке. Она разработана NamSyntax на основе XLM-RoBERTa Large и дообучена на наборе UIT-ViQuAD 2.0. Модель получает абзац контекста и вопрос и извлекает из контекста фрагмент, который служит ответом. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и поддерживает контекст до 514 токенов. Она предназначена для систем поиска ответов по вьетнамским текстам и может интегрироваться в веб-сервисы через Transformers; README также описывает проект с интерфейсом Gradio и REST-бэкендом FastAPI. Распространяется по лицензии Apache-2.0.

XtremeDistil-L6-H384-Uncased — компактная дистиллированная модель семейства BERT, разработанная Microsoft в рамках проекта XtremeDistilTransformers. Это универсальный энкодер, предназначенный для переноса знаний между задачами; в каталоге модель отнесена к классификации текста. Чекпойнт содержит 6 слоёв, размер скрытого представления 384 и 12 голов внимания; в README указано 22 млн параметров, а в метаданных — 25,9 млн. Контекст составляет до 512 токенов. Модель ориентирована на англоязычный текст и может применяться для классификации, а также как компактная основа для адаптации к разным NLP-задачам. В README приведены оценки на GLUE и SQuAD v2 и заявлено ускорение в 5,3 раза относительно BERT-base. Доступны веса PyTorch, TensorFlow и Flax. Лицензия — MIT. Поскольку это базовый энкодер, для конкретной классификации обычно требуется соответствующая задача или дообучение.

Модель FlofloB/83k_continued_pretraining_Qwen2.5-0.5B-Instruct_Unsloth_merged_16bit — дообученная FlofloB версия диалоговой языковой модели Qwen2.5-0.5B-Instruct. Она предназначена для генерации текста и диалогов; в метаданных также указана возможность работы через интерфейс вызова инструментов. Модель содержит 494 млн параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. При обучении использовались Unsloth и TRL, а среди связанных данных указан датасет UncovAI/fineweb_CC-MAIN-2024-18_100k_output_UncovAI_83362. В README приведены результаты Open LLM Leaderboard: средний балл 7,92, IFEval — 28,69, BBH — 8,13. Это небольшая модель, поэтому её можно рассматривать для компактных диалоговых приложений и генерации текста, учитывая, что приведённые оценки не гарантируют качество для конкретной задачи. Лицензия — Apache-2.0.

aci-yoruba-phase7 — модель автоматического распознавания речи на архитектуре Wav2Vec2 с CTC-декодированием, разработанная Awesome-x. Она дообучена на базе Awesome-x/aci-yoruba-phase7; в карточке указано, что название обучающего набора данных не приведено. Модель содержит 402,7 млн параметров и принимает аудио, выдавая распознанный текст. Модель предназначена для преобразования речи в текст. В оценке на тестовом наборе указаны loss 0,9616 и WER 0,3836. Подробности о применении, языковом охвате, обучающих данных и ограничениях в карточке отсутствуют. Лицензия не указана.

Модель badokorach/afriqa_afroxlmr_squad_v2_060124 — дообученная версия masakhane/afriqa_afroxlmr_squad_v2 на базе XLM-RoBERTa для извлечения ответов на вопросы из текста. Она принимает вопрос и контекст и предназначена для задач question answering, в том числе на африканских языках, указанных в описании базовой модели. Архитектура — XLM-RoBERTa для извлечения ответа; модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. README сообщает о дообучении на датасете, который не назван, и приводит значения train loss 0,7582 и validation loss 0,0 после 14 эпох; дополнительных сведений о качестве и ограничениях нет. Модель распространяется по лицензии MIT.

Модель kyleinincubated/autonlp-cat333-624217911 — классификатор текста на базе BERT, автоматически обученный с помощью AutoNLP для многоклассовой классификации. Число параметров составляет 129,5 млн, контекст — до 512 токенов. В карточке указан китайский язык; обучение связано с набором данных kyleinincubated/autonlp-data-cat333. Модель предназначена для присвоения тексту одного из нескольких классов. Валидационная точность составляет около 0,91, взвешенная F1-мера — около 0,91, а macro F1 — около 0,74, что указывает на более слабые результаты по усреднению классов. Доступ к модели описан через API Hugging Face. Лицензия в предоставленных данных не указана.

Модель Cardiff NLP — мультиязычная версия BERT для классификации тональности текстов, дообученная на наборе твитов tweet_sentiment_multilingual с помощью tweetnlp. Она предназначена для определения тональности коротких сообщений и других текстов на поддерживаемых моделью языках. Архитектура — BertForSequenceClassification, 205,1 млн параметров; максимальная длина входа составляет 512 токенов. Модель принимает текст и выдаёт метки классов тональности. На тестовой выборке датасета указаны micro-F1 0,617, macro-F1 0,617 и accuracy 0,617. Эти результаты относятся к тестовому разделу данного набора и не гарантируют аналогичного качества на других типах текстов или доменах. Модель доступна в формате PyTorch; README указывает базовую модель bert-base-multilingual-cased. Условия лицензии в предоставленных данных не приведены.

leomaurodesenv/bert-base-uncased-nvidia-aegis-v2 — дообученная англоязычная модель BERT для классификации текста, основанная на google-bert/bert-base-uncased. Она содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель предназначена для задач классификации текста; в README приведены результаты оценки: accuracy 0,8490 и loss 0,3392. Датасет обучения и конкретная схема классов не раскрыты, поэтому результаты нельзя уверенно переносить на произвольные задачи или домены. Модель распространяется в формате safetensors по лицензии Apache-2.0.

ByoungYoon/bge-m3-poi-retrieval-ko — Sentence Transformers-модель, дообученная на парах и триплетах текстов о точках интереса (POI). Она преобразует предложения и абзацы в плотные векторы размерности 1024, нормализованные для сравнения по косинусному сходству. В архитектуре используются XLM-RoBERTa, CLS-пулинг и нормализация; README указывает максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сопоставления названий POI с описаниями и адресами, а также для оценки сходства, поиска перефразирований, кластеризации и классификации текстов. Примеры обучающих данных на корейском языке связывают краткие названия мест с вариантами названий и адресными описаниями. В README приведены метрики на наборе poi-val: cosine_accuracy@1 — 0,734, @5 — 0,976, @10 — 0,994. Карточка называет базовую модель ByoungYoon/bge-m3-poi-retrieval-ko; метаданные указывают 658,7 млн параметров, контекст до 8194 токенов и форматы safetensors и ONNX. Указанная в README максимальная длина 256 токенов описывает конфигурацию Sentence Transformers и отличается от контекстного лимита из метаданных. Лицензия в предоставленных источниках не указана.

BioMistral-DARE-NS — языковая модель на архитектуре Mistral для генерации текста. Её создали слиянием методом DARE TIES моделей Kukedlc/NeuralSynthesis-7B-v0.1 и BioMistral/BioMistral-7B-DARE с помощью mergekit; базовой указана NeuralSynthesis-7B-v0.1. Модель содержит 7,1 млрд параметров, использует библиотеку Transformers и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. В состав слияния входит BioMistral, поэтому возможны сценарии с биомедицинскими текстами, но README не приводит оценок качества или конкретных гарантий для таких задач. Доступна на условиях лицензии Apache-2.0.