I.14Автоматизация процессов и AI-агенты

has-abi/distilBERT-finetuned-resumes-sections — дообученная модель DistilBERT для классификации фрагментов резюме по разделам. Она основана на Geotrend/distilbert-base-en-fr-cased и предназначена для автоматической разметки текста резюме, например для выделения разделов с навыками, опытом или образованием. Модель использует архитектуру DistilBertForSequenceClassification и принимает текст длиной до 512 токенов. В README приведены результаты на тестовом наборе: F1 0,9652, ROC AUC 0,9808 и точность 0,9621. Состав набора данных, перечень классов и подробные условия оценки не описаны, поэтому эти метрики не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии Apache-2.0.

Microsoft DiT base — модель классификации изображений документов на архитектуре трансформера-энкодера BEiT. Она предварительно обучена на 42 миллионах изображений документов IIT-CDIP и дообучена на RVL-CDIP: 400 тысячах изображений в градациях серого, размеченных по 16 классам. В модели около 119,5 млн параметров. Модель предназначена для отнесения изображения документа к классу, а также может использоваться для извлечения векторных признаков документов и дообучения для задач анализа макета или обнаружения таблиц. Изображение разбивается на патчи 16×16, которые обрабатывает трансформер-энкодер. Карточка не указывает лицензию; условия использования следует проверить в репозитории модели.

Alibaba-NLP/E2Rank-0.6B — модель для получения текстовых эмбеддингов и ранжирования списков документов, разработанная Alibaba-NLP в рамках семейства E2Rank. Она расширяет одну embedding-модель для поиска и listwise-реранжирования: текст запроса и кандидаты документов формируют обогащённый запрос, а релевантность оценивается по косинусному сходству эмбеддингов. Модель основана на Qwen3-0.6B и дообучена на данных для ранжирования. Модель имеет плотную архитектуру Qwen3 из 28 слоёв, около 508 млн параметров, размерность эмбеддинга 1024 и контекст до 40 960 токенов. Она учитывает инструкции и поддерживает построение поискового конвейера с извлечением кандидатов и их последующим реранжированием; в README также заявлены результаты на BEIR, BRIGHT и MTEB. Для использования в режиме эмбеддингов требуется вручную добавлять специальный завершающий токен к каждому входному тексту. Модель принимает текст и выдаёт эмбеддинги, используемые для поиска и оценки релевантности. Лицензия — Apache-2.0. Скорость и качество зависят от размера списка кандидатов и аппаратных ресурсов; опубликованные сравнительные результаты сами по себе не гарантируют аналогичного качества на конкретном наборе данных.

Alibaba-NLP/E2Rank-4B — модель для текстовых эмбеддингов и спискового переранжирования, разработанная Alibaba-NLP на основе Qwen3-4B. Она преобразует запросы и документы в векторы, которые можно сопоставлять по косинусному сходству для поиска и ранжирования. При переранжировании список кандидатов включается в специальный запрос, чтобы учесть взаимный контекст документов. Модель имеет плотную архитектуру Qwen3, около 3,7 млрд параметров, размер эмбеддинга 2560 и контекст до 40 960 токенов. Карточка описывает её как поддерживающую инструкции; модель обучена для эмбеддингов и переранжирования. Авторы сообщают о результатах на BEIR и MTEB, но это не гарантирует аналогичного качества на конкретных данных. Для получения эмбеддингов нужно вручную добавлять специальный токен в конец каждого входного текста. Модель подходит для поисковых систем и RAG-конвейеров, где нужны извлечение документов и последующее ранжирование кандидатов. В README приведены англоязычные результаты бенчмарков; поддержка других языков в предоставленных данных не подтверждена. Лицензия — Apache-2.0.

Lambent/Eidolon-v2-14B — чат-модель на архитектуре Qwen2 с 14 млрд параметров и контекстом до 131 072 токенов. Автор указывает, что модель дообучена на основе Lambent/proto-nova-eidolon-v2alpha0.3-14B, а та настроена от arcee-ai/SuperNova-Medius; также применялись DPO, дополнительное обучение на инструкционных данных и продолженное предобучение. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста в диалоге и выполнения инструкций; заявлен интерфейс вызова инструментов. По словам автора, исправлена синтаксическая проблема предшественника, но оценка EQ-Bench примерно на один балл ниже, что может указывать на небольшое снижение качества рассуждений. В карточке указана лицензия CC BY-NC 4.0, поэтому применение ограничено некоммерческими сценариями. Тег «Not For All Audiences» связан автором с обучающими данными; автор также отмечает заметную цензуру.

kalle07/embedder_collection — подборка более чем 25 моделей для создания текстовых эмбеддингов, опубликованная пользователем kalle07. Репозиторий содержит практические рекомендации по выбору модели, подготовке документов, разбиению текста на фрагменты и настройке локального RAG. Главная задача моделей в подборке — вычислять векторные представления текста и поддерживать поиск похожих предложений и фрагментов документов. Модели ориентированы на локальное использование с программами вроде AnythingLLM и LM Studio; в репозитории представлены файлы GGUF в форматах BF16, F16, F32 и Q8_0. Автор также упоминает применение через Ollama и KoboldCpp, но совместимость зависит от конкретной модели и среды запуска. В качестве языков в метаданных указаны английский и немецкий; подборка включает модели разных семейств, поэтому характеристики контекста и качество различаются. Подборка пригодится для семантического поиска по документам и построения RAG-систем, но сама по себе не гарантирует улучшения ответов: на результат влияют подготовка текста, разбиение на фрагменты, настройки поиска и основная языковая модель. Автор отмечает, что подходящую модель следует выбирать с учётом языка и предметной области. Лицензия в предоставленных данных не указана.

Espresso-AI/Espresso-AI — языковая модель, разработанная Espresso-AI и дообученная на базе unsloth/meta-llama-3.1-8b-instruct-bnb-4bit. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 7,5 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Модель сохраняется в формате safetensors и распространяется по лицензии Apache-2.0. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL. Данных о конкретной специализации или дополнительных ограничениях в доступных источниках нет.

Это версия Whisper large-v3, дообученной автором базовой модели и преобразованной в формат CTranslate2 для запуска через библиотеку faster-whisper. Модель предназначена для автоматического распознавания речи и транскрибирования аудиозаписей, в том числе в сценариях реального времени, пакетной обработки и высоконагруженных API. В карточке заявлены ускорение вывода до 4 раз и снижение потребления памяти; фактические показатели зависят от оборудования и длины аудио. Используется точность float16. README связывает исходное дообучение с Common Voice и L2 Arctic, но не приводит метрик качества или подробностей языкового и акцентного покрытия. Метаданные указывают английский язык. Лицензия — Apache-2.0.

Это конверсия модели deepdml/whisper-large-v3-turbo в формат CTranslate2, опубликованная aTrain-core. Она предназначена для распознавания речи и используется через CTranslate2 и совместимые проекты, в том числе faster-whisper. Веса сохранены в FP16; при загрузке в CTranslate2 можно выбрать другой тип вычислений через параметр compute_type. Метаданные указывают поддержку множества языков, включая русский и английский. Для использования модели требуется совместимое программное обеспечение на основе CTranslate2. Лицензия репозитория — MIT.

Florence-2-base-ft — модель компьютерного зрения и понимания изображений от Microsoft, представленная в реализации для библиотеки Transformers. Это дообученная версия Florence-2-base с архитектурой последовательность-в-последовательность и примерно 0,23 млрд параметров. Модель использует текстовые запросы, чтобы переключаться между задачами: описанием изображения, обнаружением объектов, выделением областей, привязкой фраз к объектам и распознаванием текста на изображении. Модель подходит для автоматического описания и анализа изображений, извлечения текста и координат объектов, а также для ответов на визуальные вопросы. В README перечислены оценки на задачах captioning, object detection и визуального вопросно-ответного анализа; модель обучалась на FLD-5B с аннотациями для изображений. Карточка не сообщает поддерживаемые языки текста, поэтому языковую специализацию определить нельзя. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Как и другие модели компьютерного зрения, результаты могут содержать ошибки в описании сцен, распознавании текста и локализации объектов; приведённые в карточке оценки не гарантируют качество на конкретных данных.

Карточка модели ginipick/Gemma-3-R1984-4B на Hugging Face совпадает с карточкой VIDraft/Gemma-3-R1984-4B, поэтому описание составлено по ней. Gemma3-R1984-4B — мультимодальная модель для диалогов и анализа изображений, дообученная VIDraft на базе Google Gemma 3 4B. В карточке заявлена работа с изображениями, видео и документами, включая PDF, CSV и TXT; метаданные классифицируют модель как image-text-to-text и указывают архитектуру Gemma3ForConditionalGeneration с плотными весами в формате Safetensors. Модель рассчитана примерно на 4 млрд параметров и контекст до 8 000 токенов. Сценарии применения включают визуальные вопросы и ответы, анализ документов, сравнение файлов, диалог и исследовательские запросы с поиском в интернете через SERPHouse API и цитированием найденных источников. Указана поддержка английского, корейского, японского, китайского, испанского, русского, арабского, хинди, индонезийского, французского и немецкого языков. Поиск в интернете требует API-ключа; обработка видео и документов описана как часть платформы и не подтверждена тегом задачи модели. В метаданных указана лицензия Gemma; README дополнительно упоминает MIT для Agentic AI-платформы, поэтому условия для весов следует связывать с лицензией Gemma.

Gemma3-R1984-4B — мультимодальная модель для диалогов и анализа изображений, дообученная VIDraft на базе Google Gemma 3 4B. В карточке заявлена работа с изображениями, видео и документами, включая PDF, CSV и TXT; метаданные классифицируют модель как image-text-to-text и указывают архитектуру Gemma3ForConditionalGeneration с плотными весами в формате Safetensors. Модель рассчитана примерно на 4 млрд параметров и контекст до 8 000 токенов. Сценарии применения включают визуальные вопросы и ответы, анализ документов, сравнение файлов, диалог и исследовательские запросы с поиском в интернете через SERPHouse API и цитированием найденных источников. Указана поддержка английского, корейского, японского, китайского, испанского, русского, арабского, хинди, индонезийского, французского и немецкого языков. Поиск в интернете требует API-ключа; обработка видео и документов описана как часть платформы и не подтверждена тегом задачи модели. В метаданных указана лицензия Gemma; README дополнительно упоминает MIT для Agentic AI-платформы, поэтому условия для весов следует связывать с лицензией Gemma.

Abiray/Gemma-4-12B-it-AEON-Abliterated-K4-GGUF — это GGUF-квантизированная версия инструкционной модели Gemma-4-12B-it-AEON-Abliterated, разработанной AEON-7 на основе Google Gemma-4-12B-it. Модель предназначена для генерации текста, чат-взаимодействия, выполнения инструкций, рассуждений, программирования, а также сценариев с tool calling и function calling. В карточке указана поддержка английского языка. Модель использует архитектуру gemma4_unified и содержит около 12 миллиардов параметров. Отличительная особенность — abliteration с применением пользовательской K=4 multi-direction norm-preserving biprojection, призванной сохранять качество генерации и устранять стандартные шаблоны отказов. Репозиторий предоставляет варианты квантизации от 3 до 8 бит: размеры файлов составляют примерно от 6,09 до 12,70 ГБ. Рекомендуемый вариант Q4_K_M занимает 7,38 ГБ и рассчитан на запуск на одной видеокарте уровня T4 или RTX 3060/4060; Q8_0 близок к точности BF16 и требует около 16 ГБ видеопамяти. В примере запуска указан контекст 4096 токенов, но максимальный размер контекста в README не заявлен. Сильными сторонами являются широкий выбор уровней квантизации, возможность запуска через llama.cpp и llama-cpp-python, поддержка локального развёртывания и ориентация на сценарии, где требуется меньше отказов. Ограничения включают отсутствие заявленных сведений о качестве на стандартных бенчмарках, неполные данные о мультимодальности и максимальном контексте, а также возможные риски, связанные с удалением стандартных механизмов отказа. Модель распространяется под лицензией Gemma.

gemma-4-12B-it-QUASAR-Q4_0-GGUF — мультимодальная квантованная версия модели Gemma 4 12B Instruct, разработанная QUASAR-QAT на базе google/gemma-4-12B-it. Модель предназначена для диалогов, генерации и понимания текста, работы с изображениями, рассуждений, вызова функций и инструментов, а также агентских сценариев. Заявлена поддержка английского и других языков, однако полный перечень языков и размер контекстного окна в README не указаны. Модель поставляется в формате GGUF с нативной 4-битной INT4-квантизацией Q4_0, выполненной методом quantization-aware training. Указан размер базовой модели 12B параметров; мультимодальная поддержка обеспечивается vision projector из исходной BF16-модели. Формат совместим со стандартными средствами llama.cpp, Ollama и LM Studio. По измерениям авторов, на отложенных чат-запросах модель показала KL-дивергенцию 0,048 и совпадение top-1 с BF16-версией на уровне 94,3%; эти результаты помечены как непроверенные. К сильным сторонам относятся сохранение близкого к BF16 поведения при меньшем размере и требованиях к ресурсам, а также поддержка текста и изображений. Ограничения включают возможные потери качества из-за 4-битной квантизации, зависимость мультимодальных возможностей от совместимого рантайма и отсутствие в README точных требований к памяти, производительности и максимальному контексту. Модель распространяется по лицензии Apache-2.0.

Gemma 4 26B A4B IT Heretic (FP8 Static) — офлайн-статически квантованная версия модели coder3101/gemma-4-26B-A4B-it-heretic, опубликованная в репозитории cloud19. Модель предназначена для диалоговых и мультимодальных сценариев, включая обработку текста и изображений, а также для высокопроизводительного инференса на оборудовании NVIDIA с FP8 tensor cores, например архитектур Hopper и Blackwell. Модель основана на архитектуре Gemma 4 с MoE-компонентами; заявленный размер — 26B параметров при конфигурации A4B. Квантование выполнено с помощью AutoFP8 в формате FP8 W8A8 со статическим масштабированием активаций. Для калибровки использовано 512 примеров из набора mgoin/ultrachat_2k. Визуальные слои и маршрутизаторы MoE сохранены в исходной точности bfloat16, чтобы сохранить мультимодальность и совместимость с vLLM. Указан контекст до 131072 токенов и поддержка развёртывания через vLLM версии 0.19.0 или новее. Сильные стороны модели — повышенная скорость инференса и эффективность использования NVIDIA-оборудования при сохранении разговорных возможностей, а также поддержка мультимодальности и автоматического выбора инструментов. Ограничения связаны с зависимостью от совместимого FP8-оборудования и актуальной версии vLLM; README не содержит подробных результатов оценки качества, перечня поддерживаемых языков и точных требований к видеопамяти. Модель распространяется по лицензии Apache-2.0.

noctrex/GLM-4.7-MXFP4_MOE-GGUF — квантованная версия языковой модели GLM-4.7 от Z.ai, подготовленная в формате GGUF с применением imatrix на основе данных от Unsloth. Модель предназначена для диалогов и генерации текста; базовая GLM-4.7 рассчитана также на программирование, агентные задачи и рассуждения. MXFP4_MOE обозначает используемый вариант квантования модели типа MoE. Репозиторий содержит формат GGUF, подходящий для запуска в совместимом с ним программном обеспечении. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки напрямую; описание базовой модели указывает на английский и китайский.

GPT-5.6 Sol Pro — вариант модели GPT-5.6 Sol, разработанный OpenAI и предоставляемый с режимом рассуждений `pro`. Он предназначен для получения более качественных ответов на сложные задачи. Карточка не приводит сведений об архитектуре, размере, модальностях, языках, длине контекста или лицензии, поэтому эти характеристики здесь не описываются.

Это GGUF-квантизации модели llmfan46/gpt-oss-120b-heretic-v2, созданные независимым автором на основе дообученной версии gpt-oss-120b. Модель предназначена для диалогов и генерации текста, включая задачи с вызовом инструментов и структурированными ответами в совместимых средах запуска. Вариант heretic создан методом abliteration: в README указаны параметры обработки и меньше отказов в приведённом сравнении с исходной gpt-oss-120b. Репозиторий распространяет веса в формате GGUF и рассчитан на запуск через llama.cpp, LM Studio, Ollama и другие совместимые программы. Указана лицензия Apache 2.0.

p-e-w/gpt-oss-20b-heretic-v2 — версия модели gpt-oss-20b, обработанная методом abliteration для снижения частоты отказов. В приведённом сравнении число отказов составило 49 из 100 против 98 из 100 у исходной openai/gpt-oss-20b; KL-дивергенция относительно оригинала — 0,1248. Модель предназначена для диалогов и генерации текста, включая задачи рассуждения и сценарии с инструментами при использовании формата Harmony. Это разреженная MoE-модель семейства gpt_oss с архитектурой GptOssForCausalLM. В README для исходной gpt-oss-20b указано 21 млрд параметров, из которых активно 3,6 млрд; однако метаданные этого репозитория указывают 1,6 млрд параметров. Контекст составляет 131 072 токена. Модель использует формат safetensors; библиотека — Transformers. README описывает gpt-oss как модель с открытыми весами под лицензией Apache 2.0 и отмечает необходимость формата Harmony. Подходит для локальных диалоговых приложений, генерации и анализа текста, а также агентных сценариев с вызовом функций. Abliteration уменьшила отказы в приведённой оценке, но не устраняет их полностью; результаты оценки ограничены указанной выборкой из 100 примеров. Для этой производной версии README не приводит отдельной оценки качества по задачам.

Карточка модели thuan220401/halong_embedding на Hugging Face совпадает с карточкой contextboxai/halong_embedding, поэтому описание составлено по ней. Halong Embedding — модель эмбеддингов текста, разработанная contextboxai и дообученная на базе intfloat/multilingual-e5-base. Она предназначена прежде всего для вьетнамского языка и сценариев семантического поиска и RAG; также подходит для сопоставления предложений, поиска перефразирований, кластеризации и классификации текста. Модель построена на XLM-RoBERTa в архитектуре Sentence Transformers: усредняет токенные представления, нормализует результат и выдаёт плотный вектор размерностью 768. Максимальная длина входа — 512 токенов; косинусное сходство используется для сравнения векторов. Обучение примерно на 100 тысячах пар вопрос–документ включало Matryoshka loss, позволяющий сокращать размер эмбеддинга с небольшими потерями качества. Модель принимает текст и выдаёт векторные представления. Карточка сообщает о многоязычности с фокусом на вьетнамском, а метаданные также указывают английский. Лицензия — Apache-2.0. Качество может зависеть от языка и предметной области; заявленная устойчивость при сокращении векторов не означает отсутствия потери качества.

jina-clip-v1 — англоязычная мультимодальная модель эмбеддингов Jina AI на архитектуре CLIP. Она преобразует текст и изображения в векторы общего пространства, пригодные для поиска и сравнения по сходству. Модель рассчитана на текстовый поиск, поиск изображений по текстовому запросу, поиск текста по изображению и текстовый семантический поиск. Модель подходит для мультимодальных систем поиска и RAG, где нужно искать текст и изображения с помощью одной модели. В карточке приведены результаты сравнений на задачах Flickr и MSCOCO для поиска между изображениями и текстом, а также на текстовых наборах STS и BEIR. Для объединения текстовых и межмодальных оценок сходства авторы рекомендуют взвешенное усреднение либо нормализацию z-оценкой, поскольку значения текстового сходства обычно выше. Модель распространяется под лицензией Apache-2.0. В карточке не указаны число параметров и длина контекста; для использования описаны варианты через API Jina AI или библиотеки Transformers и Sentence Transformers.

Jina AI разработала jina-colbert-v2-64 — мультиязычную модель поиска по фрагментам текста на архитектуре ColBERT с поздним взаимодействием токеновых представлений. Она создаёт эмбеддинги размерности 64 и подходит для поиска релевантных документов и фрагментов в системах информационного поиска и RAG. Модель принимает последовательности длиной до 8192 токенов. Поддерживает множество языков, включая английский, арабский, бенгальский, немецкий, испанский, французский, хинди, японский и корейский. Matryoshka-представления позволяют выбирать компромисс между размером эмбеддингов и точностью; в тестах README версия с размерностью 64 показывает близкие к более крупным вариантам результаты на BEIR и MS MARCO. Для развёртывания README указывает зависимости einops и flash_attn; также приведены примеры интеграции с RAGatouille и Stanford ColBERT. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Метаданные классифицируют репозиторий как fill-mask, однако заявленное назначение и архитектура ColBERT указывают на поиск и ранжирование текстовых фрагментов; подходящий тег retrieval в доступных данных не указан.

Kai-30B-Instruct — инструктивно дообученная языковая модель NoesisLab на 30B параметров, крупнейшая в семействе Kai. Она основана на архитектуре Qwen2ForCausalLM и предназначена для диалогов, рассуждений, математических задач и генерации кода. Для дообучения применён метод ADS (Adaptive Dual-Search Distillation), который меняет функцию потерь, не модифицируя архитектуру модели. Модель принимает текст и генерирует текст; заявлены контекст до 32 768 токенов и поддержка английского языка. В карточке приведены результаты нескольких тестов рассуждений и здравого смысла, но они не подтверждают качество во всех сценариях. Для запуска требуются значительные вычислительные ресурсы из-за размера модели. Лицензия — Apache-2.0.

KaLM-Reranker-V1-Large-R2 — модель-реранкер семейства KaLM от разработчиков KaLM-Embedding, дообученная на базе google/t5gemma-2-4b-4b. Она оценивает релевантность документов запросу и предназначена для повторной сортировки кандидатов в поиске и RAG-системах. Архитектура FBNL использует encoder-decoder T5Gemma2; размер Large — около 4 млрд активируемых параметров, поддерживается контекст до 128 тыс. токенов. Модель поддерживает многоязычное ранжирование и Matryoshka pooling с коэффициентом сжатия от 1x до 128x. Меняя сжатие и применяя каскадную схему coarse-to-fine, можно регулировать вычислительные затраты при ранжировании большого числа кандидатов. В README приведены результаты на BEIR и MIRACL; они указывают на улучшение относительно предыдущей версии, включая устойчивость к сильному сжатию. Модель принимает текстовые запросы и документы, а выдаёт оценки релевантности для сортировки. Она не предназначена для генерации свободного текста. Лицензия — Apache-2.0. Результаты бенчмарков не гарантируют такую же точность на конкретных данных; качество следует оценивать на целевом поисковом корпусе.

KAT-Dev-72B-Exp — экспериментальная модель для задач программной инженерии, выпущенная командой Kwaipilot. Это плотная авторегрессионная языковая модель семейства Qwen2 с 71,5 млрд параметров и контекстом до 131 072 токенов; она предназначена для диалогового взаимодействия и имеет интерфейс вызова инструментов. Модель обучалась с подкреплением как экспериментальная версия KAT-Coder. В описанной авторами оценке на SWE-Bench Verified она показала точность 74,6% при использовании каркаса SWE-agent. Модель подходит для агентного решения задач разработки ПО, включая анализ репозиториев и исправление ошибок в коде. Авторы сообщают о переработанном механизме внимания и обучающем движке для траекторий с общим префиксом, а также о корректировке распределения преимуществ, призванной снизить коллапс исследования при обучении с подкреплением. Эти результаты оценки относятся к конкретной конфигурации SWE-agent и сами по себе не гарантируют аналогичного качества в других условиях. Модель распространяется по лицензии Apache-2.0.

unsloth/LFM2-1.2B — компактная версия семейства LFM2, разработанного Liquid AI и опубликованная Unsloth. Это плотная гибридная языковая модель примерно с 1,2 млрд параметров: 10 блоков коротких свёрток LIV и 6 блоков внимания GQA. Она рассчитана на запуск на периферийных устройствах и подходит для приложений на смартфонах, ноутбуках и других устройствах с CPU, GPU или NPU. Контекст — до 32 768 токенов. Модель предназначена для диалогов, вызова инструментов, извлечения данных, RAG, творческого письма и других узких сценариев; авторы рекомендуют дообучать её под конкретную задачу. В README заявлены ускоренные обучение и генерация, а также результаты сравнительных тестов для моделей сопоставимого размера. Модель поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Для знаний, требующих глубокой предметной подготовки, и задач программирования авторы её не рекомендуют. Репозиторий содержит веса safetensors и основан на LiquidAI/LFM2-1.2B; лицензия указана как other, поэтому её условия следует проверить на странице модели.

LFM2-2.6B — компактная языковая модель Liquid AI для запуска ИИ на устройствах и периферийном оборудовании. Это плотная гибридная авторегрессионная модель семейства LFM2 с 2,4 млрд параметров по метаданным и 30 слоями: 22 блока коротких свёрток и 8 блоков внимания GQA. Модель принимает текст и генерирует текст; поддерживает контекст до 128 000 токенов по метаданным. Карточка также указывает, что эта версия использует динамический гибридный режим рассуждений для сложных и многоязычных запросов. Модель предназначена для диалогов, извлечения данных, RAG, творческого письма и агентных сценариев, в том числе на смартфонах, ноутбуках и в автомобилях. В карточке заявлены высокая скорость обучения и вывода, а также работа на CPU, GPU и NPU. Для узких задач разработчик рекомендует дополнительную настройку. Модель не рекомендуется для задач, требующих обширных знаний или программирования. Поддерживаемые языки: английский, арабский, китайский, французский, немецкий, японский, корейский и испанский; основного языка среди них не выделено. Лицензия указана как other, поэтому конкретные условия следует проверять на странице репозитория Hugging Face.

LiquidAI/LFM2.5-ColBERT-350M-GGUF — мультиязычная модель извлечения и переранжирования документов, разработанная Liquid AI. Это модель позднего взаимодействия (late interaction retriever) на базе эффективной архитектуры LFM2 с заявленным размером 350 млн параметров. Модель формирует отдельный вектор для каждого токена и сопоставляет запрос с документом с помощью метода MaxSim, что позволяет учитывать локальные совпадения между их фрагментами. Модель предназначена для семантического поиска, переранжирования результатов и интеграции в RAG-конвейеры, включая сценарии, где запросы и документы написаны на разных языках. В карточке заявлена высокая точность для 11 языков: английского, испанского, немецкого, французского, итальянского, португальского, арабского, шведского, норвежского, японского и корейского. Скорость вывода сопоставима с гораздо меньшими моделями, что делает её подходящей для развёртывания на периферийных устройствах и использования через llama.cpp в формате GGUF. Сильными сторонами являются мультиязычная работа, высокая заявленная точность, относительно эффективный inference и возможность заменить существующий retriever в RAG-системе. Ограничения связаны с архитектурой позднего взаимодействия: для документов необходимо хранить последовательность токеновых векторов и вычислять MaxSim, поэтому модель требует иной организации индексов, чем обычные модели с одним вектором на документ. Максимальная длина контекста и другие детальные характеристики в карточке не указаны. Лицензия обозначена как lfm1.0; подробные условия приведены в файле LICENSE.

LFM2.5-VL-3B — мультимодальная модель Liquid AI для анализа изображений и текста, адаптированная Unsloth на основе LiquidAI/LFM2.5-VL-3B. Она сочетает языковую основу LFM2.5-2.6B с визуальным энкодером SigLIP2 NaFlex размером 400 млн параметров и предназначена для эффективного запуска на устройствах и в сценариях с высокой пропускной способностью. Модель принимает изображения и текст, поддерживает диалог, вызов инструментов и 16 языков, включая русский. Контекст составляет 32 768 токенов; большие изображения обрабатываются по частям и с уменьшенной копией целого изображения. Модель подходит для распознавания текста с сохранением структуры страницы, поиска объектов по текстовому запросу и ответов на вопросы об изображениях. Среди рекомендованных сценариев — пакетная обработка сканов, обнаружение объектов с малой задержкой и перевод надписей на изображениях. Разработчик сообщает о скорости до 228 токенов в секунду на Apple M5 Max и работе примерно в 3 ГБ памяти. Модель не рекомендуется для задач с длинным контекстом и сложными рассуждениями; формат разметки OCR указан как экспериментальный и может быть ненадёжным. В метаданных лицензия обозначена как other; конкретные условия следует сверить с карточкой модели.

LFM2-8B-A1B от Liquid AI — гибридная языковая MoE-модель для локального запуска на телефонах, планшетах и ноутбуках. Вариант unsloth/LFM2-8B-A1B дообучен на основе LiquidAI/LFM2-8B-A1B; архитектура включает 18 блоков коротких свёрток и 6 блоков внимания GQA. В README указаны 8,3 млрд параметров всего и 1,5 млрд активных; метаданные Hugging Face сообщают 1,4 млрд параметров. Контекст — до 128 000 токенов. Модель предназначена для диалогов, следования инструкциям, вызова инструментов, извлечения данных, RAG, творческого письма и агентных сценариев. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки; карточка рекомендует использовать её для узких задач после дополнительной настройки. Лицензия обозначена как other. По карточке, модель не рекомендуется для задач, требующих обширных знаний или программирования; сведения о конкретных условиях лицензии в предоставленных данных отсутствуют.