I.14Автоматизация процессов и AI-агенты

Модель IreNkweke/bert-finetuned-ner-ontonotes5 — дообученная автором IreNkweke модель BERT для распознавания и классификации именованных сущностей в английском тексте. Она использует архитектуру BertForTokenClassification, содержит 135,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена на OntoNotes 5 и различает 37 меток, включая PERSON, ORG, GPE, DATE, MONEY, LAW и EVENT. Модель подходит для извлечения сведений из новостей, публикаций в социальных сетях и юридических документов, а также для обогащения поиска сущностями и подготовки данных к последующей классификации. В README приведены результаты оценки: F1 0,8733, точность 0,8620 и полнота 0,8849. Модель ориентирована на английский язык; качество на других языках и текстах, отличающихся от обучающих данных, не заявлено. Лицензия — MIT.

mrm8488/bert-spanish-cased-finetuned-ner — дообученная Manuel Romero (@mrm8488) испанская модель BETO на основе BERT с сохранением регистра для распознавания именованных сущностей. Она размечает токены текста категориями людей, организаций, мест, прочих именованных объектов или меткой O. Для обучения использовался испанский корпус CoNLL; карточка приводит F1 90,17, точность 89,86 и полноту 90,47 на оценочном наборе. Модель имеет архитектуру BERT для классификации токенов, около 137,1 млн параметров и контекст до 512 токенов. Поддерживает испанский язык; опубликованы версии PyTorch и Flax. Подходит для извлечения сущностей из испанских текстов, например для последующего поиска, индексации или анализа документов. Лицензия в предоставленных данных не указана.

BAAI/bge-large-zh-v1.5 — модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI). Она преобразует китайский текст в плотные векторные представления для поиска и сравнения текстов; версия v1.5 улучшает распределение оценок сходства и позволяет выполнять поиск без инструкции к запросу. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска по документам, поиска ответов для RAG-систем и сопоставления запросов с текстами. Эмбеддинги можно использовать для получения первичного списка кандидатов, а затем уточнять ранжирование отдельной моделью BGE Reranker. В README семейство BGE описано для китайского и английского языков, однако эта конкретная модель рассчитана прежде всего на китайский. Сходство между эмбеддингами не следует трактовать как универсальную вероятность: в README отмечено, что оценки несхожих предложений могут быть выше 0,5. Репозиторий использует формат PyTorch и лицензию MIT.

Geofront/BGE-Reranker-v2-M3-GGUF — это GGUF-версия мультиязычной модели переранжирования BAAI/bge-reranker-v2-m3, разработанной командой BAAI и проекта FlagEmbedding. Модель принимает пару «запрос — документ» и непосредственно вычисляет показатель их релевантности, поэтому предназначена для переранжирования результатов поиска, семантического поиска, retrieval-augmented generation и других сценариев, где требуется уточнить порядок найденных текстов. Модель основана на bge-m3 и поддерживает мультиязычные входные данные; при этом README не указывает точный размер модели, архитектуру в терминах числа параметров, максимальную длину контекста и конкретный перечень языков. Значения релевантности можно преобразовать в диапазон от 0 до 1 с помощью sigmoid. К сильным сторонам относятся мультиязычность, сравнительно быстрая инференс-работа и удобство развёртывания. Ограничение состоит в том, что модель оценивает пары запроса и документа, а не создаёт эмбеддинги, поэтому для первичного поиска обычно требуется отдельная embedding-модель. Лицензия — Apache-2.0.

bling-falcon-1b-0.1 — инструктивно дообученная языковая модель серии BLING от llmware, созданная на базе tiiuae/falcon-rw-1b. Это плотная авторегрессионная модель Falcon примерно с 1,7 млрд параметров и контекстом 2048 токенов; она работает с текстом и рассчитана на запуск локально на ноутбуке, в том числе на CPU без специальной квантизации. Основной язык модели — английский. Модель предназначена для локальных прототипов и автоматизации сценариев RAG: ответов на вопросы по предоставленному контексту, извлечения ключей и значений и базового суммирования. В опубликованном тесте RAG-Instruct-Benchmark-Tester указана оценка 89 из 100; качество суммирования охарактеризовано как связное и экстрактивное, а в тестовых прогонах галлюцинаций не наблюдалось. Эти результаты относятся к описанному тесту и не гарантируют точность в других задачах. Лицензия — Apache 2.0.

Command R+ (08-2024) — обновлённая версия языковой модели Command R+, разработанная Cohere. Она предназначена для генерации текста и диалоговых сценариев. В README отмечены примерно на 50% более высокая пропускная способность и на 25% меньшая задержка по сравнению с предыдущей версией при сохранении аппаратных требований. Предоставленные сведения не описывают размер модели, контекст, поддерживаемые языки или условия лицензии. Поэтому эти характеристики нельзя надёжно указать.

Kaballas/Cyber20 — дообученная компанией Kaballas модель семейства Llama для генерации текста и диалогов. Она основана на Kaballas/Cyber18, содержит 7,5 млрд параметров и имеет контекстное окно до 131 072 токенов. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для генерации текста и общения на английском языке; метаданные также указывают поддержку чатового интерфейса и интерфейса вызова инструментов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

Moritz Laurer дообучил DeBERTa-v3-base от Microsoft на 392 702 парах MultiNLI для классификации текстов по заданным категориям без отдельного обучения на этих категориях. Модель сопоставляет посылку и гипотезу и оценивает, следует ли гипотеза из текста; это позволяет использовать её для классификации с нулевым обучением и задач вывода по естественному языку. Модель основана на архитектуре DeBERTa-v2, содержит 211,6 млн параметров и принимает текст с контекстом до 512 токенов. В README указана точность 0,90 на тестовой части MultiNLI. Веса доступны в форматах PyTorch и safetensors; лицензия в предоставленных данных не указана.

DeepSeek-Coder-V2-Lite-Base — базовая модель для генерации кода от DeepSeek. Она создана продолжением предобучения промежуточного чекпойнта DeepSeek-V2 на дополнительных 6 триллионах токенов. Модель использует архитектуру Mixture-of-Experts семейства DeepSeek-V2: в репозитории каталога указано 2,5 млрд параметров, а карточка семейства указывает для Lite-версии 16 млрд общих и 2,4 млрд активных параметров. Контекст модели по метаданным — 163 840 токенов. Модель предназначена для генерации и продолжения кода, вставки фрагментов кода, а также задач программирования и математических рассуждений. Семейство поддерживает 338 языков программирования; естественные языки в карточке не перечислены. К сильным сторонам относятся большой контекст и специализация на коде при сравнительно небольшом числе активных параметров. Это базовая, а не instruct-версия, поэтому её поведение в диалоге и следование инструкциям могут быть ограничены. Для локального инференса в BF16 README приводит требование 8 GPU по 80 ГБ. Лицензия в метаданных обозначена как other; конкретные условия следует сверять с лицензией в репозитории.

Карточка модели Openintelligent123/DeepSeek-R1-Distill-Llama-70B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели maksimbbbi/DeepSeek-R1-Distill-Llama-8B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели Openintelligent123/DeepSeek-R1-Distill-Llama-8B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели HBkira/DeepSeek-R1-Distill-Qwen-1.5B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели Openintelligent123/DeepSeek-R1-Distill-Qwen-1.5B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

unsloth/DeepSeek-R1-Distill-Qwen-1.5B — компактная языковая модель от Unsloth на архитектуре Qwen2, дообученная на примерах рассуждений, созданных DeepSeek-R1. Она предназначена для генерации текста и диалоговых сценариев, особенно для решения задач по математике, программированию и логическим рассуждениям. Модель содержит 1,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель принимает текст и генерирует текст; в метаданных также отмечен интерфейс для вызова инструментов. В README описано семейство DeepSeek-R1-Distill, обученное на открытых моделях, включая Qwen, однако точная базовая модель этого репозитория указана в метаданных как deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Репозиторий распространяется по лицензии MIT. README рекомендует следовать настройкам запуска семейства для ожидаемого качества.

Карточка модели Vipvamps/DeepSeek-R1-Distill-Qwen-1.5B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели bbbbiia/DeepSeek-R1-Distill-Qwen-7B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели Openintelligent123/DeepSeek-R1-Distill-Qwen-7B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

HooshvareLab/distilbert-fa-zwnj-base-ner — модель DistilBERT, дообученная для распознавания именованных сущностей в персидском тексте. Она размечает токены как даты, события, объекты инфраструктуры, местоположения, денежные суммы, организации, проценты, имена людей, продукты и время. Обучающий набор объединяет данные ARMAN, PEYMA и WikiANN. Модель предназначена для извлечения сущностей из персидских документов и текстов, например для последующей индексации или анализа. Контекст составляет до 512 токенов; доступны веса в форматах PyTorch и TensorFlow. В указанной оценке на тестовой выборке общий F1 составляет около 0,951, при этом качество различается по типам сущностей. Карточка не сообщает лицензию, поэтому условия использования определить по имеющимся данным нельзя. Результаты зависят от типа текста и могут быть слабее для сущностей, представленных в обучении ограниченно; модель размечает последовательности токенов, а не генерирует ответы.

ettin-reranker-400m-v1 — это англоязычный cross-encoder, разработанный авторами семейства Ettin и дообученный на базе jhu-clsp/ettin-encoder-400m с использованием Sentence Transformers. Модель получает пару текстов и вычисляет для неё оценку релевантности; такие оценки подходят для повторного ранжирования результатов поиска и семантического поиска. Модель основана на архитектуре ModernBERT, содержит 394,7 млн параметров и поддерживает последовательности длиной до 7 999 токенов. Она принимает и обрабатывает текст на английском языке. В репозитории доступны форматы safetensors, ONNX и OpenVINO. Лицензия — Apache-2.0. Модель предназначена для этапа reranking в поисковых системах и конвейерах ответов на вопросы: сначала система извлекает кандидатов, затем cross-encoder оценивает пары «запрос — документ» и помогает упорядочить результаты. Оценки в README показывают улучшение ранжирования на большинстве перечисленных наборов данных, хотя на одном тесте результат снизился; качество следует проверять на данных целевого применения.

Florence-2-large — модель компьютерного зрения и обработки изображений с текстовыми запросами, размещённая в сообществе Florence Community как преобразованный чекпойнт Microsoft Florence. Это продолженное предварительное обучение Florence-2-large с контекстом 4k; автор карточки предупреждает, что для продолжения использовали лишь 0,1 млрд примеров и модель могла обучиться недостаточно хорошо. Архитектура — последовательность-последовательность, размер исходной Florence-2-large составляет 0,77 млрд параметров; чекпойнт представлен в safetensors и рассчитан на Transformers. Модель выполняет по текстовой инструкции генерацию подписей к изображениям, обнаружение объектов, описание областей, привязку фраз к областям, предложения регионов и OCR, в том числе с координатами распознанного текста. Она подходит для анализа изображений, извлечения текста и локализации объектов в сценариях zero-shot или после дообучения. Карточка не подтверждает конкретный набор поддерживаемых языков. Лицензия — MIT.

ehristoforu/fq2.5-7b-it-normalize_false — объединённая инструктивная языковая модель на архитектуре Qwen2, созданная с помощью mergekit и метода Model Stock на основе Qwen/Qwen2.5-7B-Instruct. В объединение вошли модели для работы с длинным контекстом и RAG, рассуждений, математики, а также неконтролируемой генерации. Модель предназначена для диалоговой генерации текста и ответов на инструкции; заявленный контекст составляет 32 768 токенов. Размер — 7,1 млрд параметров. Репозиторий содержит веса safetensors для библиотеки Transformers и метаданные отмечают интерфейс вызова инструментов. Составное объединение может сочетать возможности исходных моделей, однако карточка не приводит количественных оценок качества или отдельных результатов тестирования. Лицензия в предоставленных источниках не указана.

Карточка модели PS4Research/GIxTUYIl3K6cMzEd на Hugging Face совпадает с карточкой PS4Research/EVPdEf4TUz3pRa2u, поэтому описание составлено по ней. PS4Research/EVPdEf4TUz3pRa2u — дообученная языковая модель семейства Qwen3, разработанная PS4Research на базе unsloth/Qwen3-14B-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель содержит 14 млрд параметров, построена на плотной архитектуре Qwen3ForCausalLM и принимает текст для генерации текста; поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Модель предназначена для генерации текста и диалоговых сценариев. Её контекстное окно составляет 40 960 токенов. В карточке указан английский язык. Модель распространяется по лицензии Apache-2.0. Специализация дообучения и его качество в карточке не раскрыты.

GLiClass Small v1.0-lw — компактная модель семейства GLiClass для классификации текста без примеров, разработанная авторами проекта GLiClass. Она обрабатывает текст и заданные пользователем метки за один проход модели; вариант lw использует выбор признаков на разных слоях для учёта языковых признаков разного уровня. В README указан размер 144 млн параметров для gliclass-small-v1.0; метаданные описывают архитектуру как GLiClassModel и содержат веса в форматах ONNX и safetensors. Модель подходит для тематической классификации, анализа тональности и оценки релевантности документов в RAG-сценариях. README приводит результаты zero-shot-бенчмарков для нескольких наборов данных и показывает, что качество зависит от задачи; на отдельных тестах результаты уступают более крупным вариантам GLiClass. Модель обучена на синтетических данных и заявлена как пригодная для коммерческого использования. Лицензия — Apache-2.0.

JANGQ-AI/GLM-5.3-Flash-JANG — квантованная для Apple Silicon и MLX сборка GLM-5.3-Flash, подготовленная Jinho Jang. Это модель семейства GLM с архитектурой MoE примерно на 300 млрд параметров и 288 экспертами; в README также описаны линейное внимание KDA, гибрид MLA/DSA и отдельные компоненты для обработки изображений и видео. Размер весов составляет около 95,5 GiB, заявленный нативный контекст — 1 млн токенов. По данным карточки, квантование распределено по модулям: внимание, маршрутизация и параметры gating сохранены в 8-битном или полном формате, а снижение точности сосредоточено в экспертных блоках. Разработчик приводит измерения сходства выходных логитов с официальной FP8-версией на отложенных запросах; это не заменяет независимую оценку качества на прикладных задачах. Сборка предназначена для диалогов, рассуждений, агентных сценариев и работы с изображениями и видео на Mac с 128 ГБ памяти. README предупреждает, что публичная поддержка новой архитектуры в runtime vMLX ещё разрабатывается и на момент публикации карточки эти веса корректно загружались только во внутренней среде оценки. Модель наследует базовую GLM-5.3-Flash, а репозиторий распространяет её под лицензией MIT.

GME-Qwen2-VL-2B — мультимодальная модель эмбеддингов, разработанная Tongyi Lab компании Alibaba Group на основе Qwen2-VL-2B-Instruct. Она преобразует текст, одно изображение или пару «изображение и текст» в векторы размерностью 1536 для поиска и сопоставления между текстами и изображениями. Модель поддерживает динамическое разрешение изображений и контекст до 32 768 токенов. Модель предназначена для текстового и мультимодального поиска, включая поиск изображений по тексту, похожих изображений и документов по содержимому скриншотов. Её можно применять в мультимодальных RAG-системах, например для поиска по научным статьям. В карточке сообщаются результаты оценки на английском и китайском наборах MTEB, однако обучение велось только на английских данных, поэтому качество мультиязычных мультимодальных эмбеддингов не гарантируется. Модель обрабатывает по одному изображению за раз; число визуальных токенов ограничено 1024. Данные карточки указывают лицензию Apache-2.0, а правила распространения GME дополнительно требуют заметно указывать «Built with GME» для продуктов с моделью и добавлять префикс «GME» к названиям моделей, созданных с использованием её выходов.

mlx-community/granite-3.3-2b-instruct-fp16 — конверсия модели IBM Granite 3.3 2B Instruct в формат MLX для запуска на системах Apple Silicon. Это плотная авторегрессионная языковая модель с 2,5 млрд параметров и контекстом до 131 072 токенов. Она предназначена для диалога, следования инструкциям, генерации текста и вызова инструментов через соответствующий интерфейс. Модель подходит для чат-ассистентов, ответов на вопросы и работы с длинными текстовыми запросами. Репозиторий опубликован mlx-community; исходная модель — ibm-granite/granite-3.3-2b-instruct. Лицензия — Apache-2.0. README указывает на конверсию с помощью mlx-lm 0.22.5; метаданные классифицируют связь с исходной моделью как finetune.

Это конверсия в формат GGUF F16 модели granite-embedding-reranker-english-r2 от IBM Granite. Модель предназначена для оценки релевантности пар «запрос — текст» и повторного ранжирования результатов поиска в инструментах и средах, поддерживающих её архитектуру и режим оценки. Это не генеративная чат-модель. Модель ориентирована на английский язык и основана на архитектуре ModernBERT согласно описанию базовой модели в каталоге. Репозиторий содержит веса GGUF в точности F16 без дополнительной квантизации. Использование формата зависит от поддержки encoder- и reranker-моделей, а также нужного механизма pooling или scoring в целевой среде. Лицензия — Apache-2.0.

Hunyuan-1.8B-Pretrain — базовая плотная языковая модель из открытой серии Hunyuan компании Tencent. Она содержит 1,8 млрд параметров, построена на архитектуре Hunyuan Dense V1 и предназначена для генерации текста и дальнейшей адаптации под диалоговые и прикладные сценарии. Модель поддерживает контекст до 262 144 токенов и реализована в формате safetensors для библиотеки Transformers. Модель подходит для продолжения текста, работы с длинными документами и построения приложений, где важны компактный размер и длительный контекст. В семействе заявлены режимы быстрого и пошагового рассуждения, а также возможности для агентных сценариев и интерфейсов вызова инструментов; конкретные качества этих возможностей зависят от настройки и используемой версии. Веса этой карточки — предобученный вариант, а не instruct-модель, поэтому для следования инструкциям и диалога может потребоваться дообучение или подходящая обвязка. Tencent описывает семейство как рассчитанное на разные вычислительные условия и упоминает поддержку квантизации при развертывании. В карточке указана лицензия Apache-2.0; она разрешает коммерческое использование при соблюдении её условий.

DevQuasar разместил квантованную в формате GGUF F16 версию языковой модели IBM Granite 4.1 3B. Модель предназначена для генерации текста и диалогового использования; каталог также отмечает поддержку чата. Базовая модель IBM рассчитана на диалоговых ассистентов, работу с кодом и вызов инструментов. В карточке указана базовая модель ibm-granite/granite-4.1-3b. Данных о языках, длине контекста и конкретных ограничениях этой версии в предоставленных источниках нет. Лицензия не указана.