I.14Автоматизация процессов и AI-агенты

chentong00/propositionizer-wiki-flan-t5-large — модель сегментации текста на отдельные пропозиции, опубликованная как часть работы «Dense X Retrieval: What Retrieval Granularity Should We Use?» Chen et al. (2023). Она основана на архитектуре T5 и содержит 385,2 млн параметров. На вход подаётся текст с заголовком, разделом и содержимым; модель возвращает список пропозиций в формате JSON. Модель предназначена для разбиения документов на более мелкие смысловые утверждения, например при подготовке данных для поиска и извлечения информации. Максимальная длина контекста — 512 токенов. Весы доступны в формате safetensors, лицензия — Apache-2.0.

recursal/RADRWKV7Qwen2.5-7B — модель генерации текста на 7,1 млрд параметров, полученная преобразованием Qwen2.5-7B с помощью метода RADLADS. Она использует линейное внимание и архитектуру RWKV7Qwen2 и предназначена для диалогов и генерации текста; также заявлен интерфейс вызова инструментов. По README, преобразование требует 350–700 млн токенов дистилляции, сохраняет качество, близкое к исходной модели, и ускоряет генерацию благодаря постоянным затратам на токен. Модель принимает текст, выдаёт текст и поддерживает контекст длиной 32 768 токенов. Репозиторий использует safetensors и библиотеку Transformers; для загрузки требуется trust_remote_code=True. Лицензия — Apache-2.0.

BenevolenceMessiah/Qwen2.5-72B-2x-Instruct-TIES-v1.0 — объединённая плотная языковая модель семейства Qwen2.5, созданная методом TIES с помощью mergekit. В качестве основы использована Qwen/Qwen2.5-72B; в объединение также вошли Rombos-LLM-V2.5-Qwen-72b и Dracarys2-72B-Instruct. Модель содержит 71,5 млрд параметров и имеет заявленное контекстное окно 131 072 токена. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Её можно применять для составления ответов, продолжения текста и сценариев чат-ассистента. README не уточняет специальные преимущества объединения, а сведения о языках обучения и целевых сценариях ограничены. Файлы представлены в формате Safetensors и предназначены для Transformers. Лицензия в предоставленных данных не указана.

mlx-community/Qwen2.5-7B-Instruct-4bit — преобразованная в формат MLX 4-битная версия Qwen2.5-7B-Instruct, подготовленная сообществом mlx-community с помощью mlx-lm 0.18.1. Это плотная авторегрессионная языковая модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для диалоговой генерации текста и запуска на устройствах Apple Silicon через MLX. Модель принимает текстовые запросы и выдаёт текст; метаданные указывают контекстное окно 32 768 токенов и интерфейс для вызова инструментов. Модель подходит для диалоговых помощников, ответов на вопросы, написания и преобразования текстов. Карточка подтверждает английский язык; других языков по предоставленным сведениям определить нельзя. Репозиторий указывает лицензию Apache-2.0. Ограничения качества и оценки модели в карточке не описаны.

Qwen2.5-Coder-7B-Instruct-heretic — модификация Qwen2.5-Coder-7B-Instruct, опубликованная пользователем saidutta69 и созданная с помощью Heretic 1.4.0. Это генеративная текстовая модель для программирования, основанная на модели Qwen с нативным размером около 7,6 млрд параметров. Указанный язык — английский; модель предназначена для текстового взаимодействия и генерации кода. Модель ориентирована на локальные coding agents, парное программирование и помощь на уровне репозитория. В ней применена directional ablation, или abliteration: целевые изменения весов в выходных проекциях attention и down-projections MLP подавляют поведение, связанное с отказами, без дообучения. По данным README, это сохраняет знания и следование инструкциям базовой модели; доступны полноточные BF16-веса и GGUF-квантизации Q4_K_M, Q5_K_M, Q6_K и Q8_0 для запуска через llama.cpp, Ollama и другие совместимые инструменты. Главное отличие модели — существенно более редкие отказы на выбранных adversarial-запросах: 3 из 100 против 100 из 100 у базовой модели, при заявленном KL divergence 0,0196. При этом она не является улучшением базовых возможностей и наследует фактические ограничения и предубеждения Qwen2.5-Coder-7B-Instruct. В модели отсутствует дополнительная фильтрация безопасности, поэтому её не рекомендуется размещать за незащищённым публичным интерфейсом. Лицензия унаследована от базовой модели и обозначена как qwen-research; для коммерческого использования необходимо ознакомиться с условиями исходной лицензии.

make1love/Qwen3-0.6B-JSON-SFT — текстовая генеративная модель семейства Qwen3, опубликованная в формате Transformers и дообученная методом supervised fine-tuning (SFT). По названию модели она ориентирована на генерацию структурированных ответов в формате JSON, а метаданные также обозначают её как conversational-модель.

Qwen3.5-40B-Claude-4.5-Opus-High-Reasoning-Thinking — плотная мультимодальная модель на 40 млрд параметров от DavidAU, созданная расширением Qwen3.5-27B и дообученная на датасете TeichAI/claude-4.5-opus-high-reasoning-250x. Она рассчитана на диалоги с рассуждениями, творческое и художественное письмо, генерацию кода, анализ изображений и работу с инструментами. В README заявлен контекст 256 тысяч токенов, режим с переменной длиной рассуждений и исправленный шаблон чата для снижения повторов и циклов. Карточка описывает примеры генерации рассказов, включая хоррор, и сообщает, что обработка изображений и генерация кода проверялись автором. Модель ориентирована на английский и китайский языки; формат репозитория — Safetensors, библиотека — Transformers. Автор рекомендует для инструментальных вызовов квантизации не ниже Q6, но доступные метаданные указывают формат Safetensors. Лицензия — Apache-2.0. README отмечает, что на низких квантизациях или недостаточно содержательных запросах возможны циклы и повторы; качество и результаты бенчмарков независимо не подтверждены.

Qwen3.6-35B-A3B-Fable-Holo3-Qwopus — мультимодальная диалоговая модель, созданная NightmediaAI путём слияния нескольких моделей на базе Qwen3.6-35B-A3B, включая дистиллированную Fable и Holo3-Qwopus. Архитектура относится к семейству Qwen3.5 MoE; каталог указывает класс Qwen3_5MoeForConditionalGeneration. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для диалогов и следования инструкциям, генерации текста и анализа изображений; метаданные также отмечают интерфейс вызова инструментов. Карточка указывает поддержку английского, китайского, японского и испанского языков. README приводит результаты отдельных бенчмарков и обсуждает варианты квантования Deckard(qx), но не предоставляет подтверждённых данных о контекстном окне или качестве на практических задачах этой итоговой сборки.

Qwen3.8-27B-NVFP4-RTX5090-LMHead4 — это производный вариант модели Qwen3.8-27B-NVFP4-RTX5090 от gittensor-model-hub, созданный с использованием инструментов NVIDIA ModelOpt. Модель предназначена для генерации текста, рассуждений, решения математических и академических задач, программирования, диалоговых сценариев и агентских приложений с вызовом инструментов. Вариант сохраняет исходные веса родительской модели, за исключением lm_head, который дополнительно квантизован в NVFP4 вместо BF16. Модель имеет размер 27B параметров и поддерживает контекст до 65 536 токенов. Указаны интеграции с Transformers, SGLang и vLLM, а также поддержка спекулятивного декодирования с черновой моделью DSpark. На одной RTX 5090 размер чекпойнта составляет 18,77 ГБ, а занимаемый весами объём VRAM — около 17,10 ГБ. По данным README, скорость декодирования достигает 88,45 токена/с без спекуляции и 181,7 токена/с при использовании DSpark. Квантизация lm_head не показала измеримого ухудшения качества на указанном небольшом наборе тестов, однако результаты нельзя считать доказательством улучшения и они зависят от конфигурации запуска. Ограничения модели связаны с узкой специализацией сборки под высокопроизводительные GPU RTX 5090 и необходимостью совместимой конфигурации инференса. Репозиторий помечен как устаревший: рекомендуется использовать более новый Qwen3.8-27B-NVFP4-RTX5090, в котором удалены NVFP4 lm_head и MTP head и заявлены меньший размер и два шарда. Модель распространяется по лицензии Apache 2.0.

Chungulus/Qwen3.8-27B-Q6_K-GGUF — это неизменённая ванильная квантизованная версия модели Qwen3.8-27B, опубликованная Chungulus на основе исходных весов Qwen/Qwen3.8-27B. Модель предназначена для генерации текста, обработки изображений и видео, вызова инструментов и задач reasoning; заявлена совместимость с нативным форматом tool calling Qwen и управлением режимами мышления через enable_thinking, reasoning_effort и preserve_thinking. Модель поставляется в формате GGUF с квантизацией Q6_K на базе llama.cpp. Основной файл занимает около 22,431 ГБ, vision projector в формате F16 — отдельный файл, а полный репозиторий — около 23,371 ГБ. Сохранена гибридная архитектура Hybrid Gated DeltaNet/full-attention, vision-компоненты, tokenizer и MTP-метаданные; спекулятивное ускорение не заявляется. Архитектурный максимальный контекст и полноценные бенчмарки в README не указаны, а самая длинная проверенная последовательность составляла 73 токена. Текстовая генерация, вызов инструментов, обработка изображений и видео, а также шаблон чата прошли заявленные локальные проверки. Квантизация может снижать качество по сравнению с исходными весами, особенно при меньшей разрядности, а для запуска требуется среда с поддержкой графа Qwen3.8, vision tower/projector и MTP-метаданных. Рекомендуется иметь не менее примерно 27 ГБ доступной памяти с учётом модели, vision projector и базовых накладных расходов; KV-cache дополнительно увеличивается с размером контекста. Модель и данная квантизация распространяются по лицензии Apache-2.0.

Qwen3-8B-Abliterated — доработанная Richard Young (DeepNeuro) версия Qwen/Qwen3-8B, созданная методом abliteration. В плотной архитектуре Qwen3 изменены средние слои 15–30, чтобы ослабить отказы модели на запросы; указанный масштаб абляции — 1.0. Модель предназначена для диалоговой генерации текста, следования инструкциям, рассуждений, работы с кодом и вызова инструментов. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В карточке указана библиотека Transformers и формат safetensors. Базовая Qwen3-8B описана как многоязычная, однако конкретный перечень поддерживаемых языков для этой версии не приведён. Снижение числа отказов означает ослабление защитных ограничений и требует внимательного выбора сценариев применения. Модель выпущена по лицензии Apache-2.0; автор предупреждает, что защитные механизмы частично удалены, и возлагает ответственность за этичное использование на пользователей.

Модель quyetdev/qwen3_8B_fine_tuned_16bit_v3 — дообученная языковая модель семейства Qwen3, разработанная quyetdev на базе unsloth/qwen3-8b-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста в диалоговом формате и поддерживает интерфейс вызова инструментов. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров. Она принимает текст, поддерживает английский язык и контекст до 40 960 токенов. В репозитории опубликованы веса в формате safetensors; лицензия — Apache-2.0.

Nicolassuez выпустил квантованную версию Qwen3-Reranker-0.6B для ранжирования текстовых кандидатов по релевантности запросу. Модель основана на Qwen/Qwen3-Reranker-0.6B; в репозитории заявлены веса GPTQ W8A16 с группами размера 128, упакованные как int8-значения и масштабы без повторной квантизации. Архитектура — плотная Qwen3ForCausalLM, размер — 507,6 млн параметров, контекст — до 40 960 токенов. Вариант использует пользовательский код: веса int8 остаются в VRAM и деквантуются при каждом прямом проходе; заявленный объём resident-весов — 740 МиБ против 1136 МиБ для bf16. Для оценки применяется официальный шаблон Qwen3-Reranker, а релевантность извлекается как вероятность токена «yes» из логитов последней позиции. README сообщает о совпадении выбора лучшего кандидата с родительским GPTQ-вариантом на проверенных запросах при заданном пороге разницы оценок. Модель предназначена для многоязычного ранжирования и переупорядочивания результатов поиска. Лицензия — Apache-2.0. Для загрузки требуется trust_remote_code=True; версии Transformers следует фиксировать, поскольку численные результаты могут различаться между версиями 4.57 и 5.14.

Qwen3-VL-Embedding-2B — мультимодальная модель эмбеддингов семейства Qwen от команды Qwen, дообученная на базе Qwen/Qwen3-VL-2B-Instruct. Она преобразует текст, изображения, скриншоты, видео и их сочетания в векторы общего семантического пространства для поиска, сопоставления и кластеризации мультимодального контента. Модель содержит 2 млрд параметров, поддерживает контекст до 32 тыс. токенов и выдаёт эмбеддинги размерностью от 64 до 2048 с настраиваемым размером; также поддерживаются инструкции для адаптации представлений к задаче. Модель предназначена для мультимодального поиска, включая поиск изображений и видео по текстовому запросу, сопоставление текста с визуальным содержимым и кластеризацию смешанных данных. Она поддерживает более 30 языков и может использоваться как первый этап поиска перед отдельной моделью-реранкером. Доступна по лицензии Apache-2.0. В README заявлены широкие возможности мультимодального поиска, но конкретные аппаратные требования и характеристики инференса в предоставленном фрагменте не приведены.

Aashraf995/Qwen-Evo-7B — языковая модель на 7,1 млрд параметров, созданная слиянием нескольких предварительно обученных моделей семейства Qwen2 с помощью mergekit и метода Model Stock. В слияние вошли fblgit/cybertron-v4-qw7B-UNAMGS, jeffmeloy/Qwen2.5-7B-nerd-uncensored-v1.5 и suayptalha/HomerCreativeAnvita-Mix-Qw7B; последняя использована как базовая. Модель предназначена для генерации текста и диалогового применения, включая ответы на запросы и работу через интерфейс вызова инструментов. Модель использует архитектуру Qwen2ForCausalLM и принимает текст, выдавая текст. Заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors, библиотека — Transformers. Лицензия — Apache-2.0. README не приводит оценок качества или подробных ограничений; характеристики и поведение унаследованы от компонентов слияния.

Карточка модели rhombus18/rhododendron-analyst-1o на Hugging Face совпадает с карточкой rhombus18/rhododendron-professor-1o, поэтому описание составлено по ней. Rhombus18 Rhododendron Professor 1o — дообученная языковая модель семейства Qwen3, разработанная пользователем rhombus18 на основе unsloth/qwen3-32b-bnb-4bit. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит 29,7 млрд параметров. Карточка указывает обучение с помощью Unsloth и библиотеки TRL от Hugging Face; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Она поддерживает английский язык и контекст длиной до 128 000 токенов. В README не описаны специализированные области применения или результаты оценки качества, поэтому пригодность для конкретных задач следует проверять отдельно. Лицензия — Apache 2.0.

Карточка модели rhombus18/rhododendron-efficiency-1o на Hugging Face совпадает с карточкой rhombus18/rhododendron-professor-1o, поэтому описание составлено по ней. Rhombus18 Rhododendron Professor 1o — дообученная языковая модель семейства Qwen3, разработанная пользователем rhombus18 на основе unsloth/qwen3-32b-bnb-4bit. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит 29,7 млрд параметров. Карточка указывает обучение с помощью Unsloth и библиотеки TRL от Hugging Face; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Она поддерживает английский язык и контекст длиной до 128 000 токенов. В README не описаны специализированные области применения или результаты оценки качества, поэтому пригодность для конкретных задач следует проверять отдельно. Лицензия — Apache 2.0.

FacebookAI roberta-large-mnli — англоязычная модель на базе трансформерной архитектуры RoBERTa Large, дообученная на корпусе Multi-Genre Natural Language Inference (MNLI). Она предназначена для классификации текстов и пар предложений, в том числе для классификации с нулевым количеством примеров: пользователь задаёт категории в виде текстовых гипотез, а модель оценивает их соответствие входному тексту. Модель содержит 454,1 млн параметров и принимает последовательности длиной до 514 токенов. В задаче MNLI она различает логическое следование, противоречие и нейтральное отношение между посылкой и гипотезой. Подходит для тематической категоризации, отбора и сравнения текстов по заданным меткам, но не обучена генерировать текст или гарантировать фактическую достоверность. Результаты могут отражать стереотипы и смещения из обучающих данных, поэтому их следует проверять, особенно при оценке людей и чувствительных групп. Модель разработана на основе RoBERTa Large и обучена на MNLI; в карточке также описаны исходные англоязычные данные предобучения RoBERTa, включая Wikipedia и BookCorpus. Лицензия — MIT.

Модель tner/roberta-large-ontonotes5 — дообученная версия RoBERTa Large, созданная с помощью T-NER и обученная на наборе данных OntoNotes 5. Она выполняет распознавание именованных сущностей: находит в тексте людей, организации, географические названия, даты, денежные суммы, события и другие типы сущностей, присваивая метки отдельным токенам. Модель содержит 454,1 млн параметров, использует архитектуру RobertaForTokenClassification и принимает контекст длиной до 514 токенов. На тестовой выборке OntoNotes 5 указаны micro F1 0,909 и macro F1 0,827; качество зависит от типа сущности, особенно ниже результаты для времени, законов и произведений искусства. Для использования автор рекомендует библиотеку T-NER; применение через Transformers не рекомендуется, поскольку CRF-слой там не поддерживается. В карточке указана лицензия Apache 2.0.

CombinHorizon/Rombos-Qwen2.5-7B-Inst-BaseMerge-TIES — языковая модель, созданная методом слияния TIES с помощью mergekit на основе Qwen/Qwen2.5-7B и Qwen/Qwen2.5-7B-Instruct. Модель разработана для генерации текста и диалоговых сценариев; поддерживает интерфейс вызова инструментов. Она содержит 7,1 млрд параметров, построена на плотной архитектуре Qwen2 и использует класс Qwen2ForCausalLM. Контекстное окно составляет до 131 072 токенов. Модель подходит для ответов на запросы, продолжения текста и генерации структурированных ответов. В карточке приведены результаты Open LLM Leaderboard, включая IFEval и BBH, но они сами по себе не гарантируют качество в конкретном применении. Репозиторий использует формат safetensors, библиотеку Transformers и лицензию Apache-2.0. README указывает на слияние с Qwen2.5-7B-Instruct; отдельные специализированные области применения не заявлены.

SauerkrautLM-Reason-EuroColBERT — многоязычная модель поиска с поздним взаимодействием ColBERT, разработанная VAGOsolutions. Она кодирует запросы и документы в наборы векторов и сопоставляет их с помощью MaxSim, чтобы находить релевантные фрагменты, в том числе для запросов, требующих рассуждений. Модель дообучена на базе SauerkrautLM-EuroColBERT методом дистилляции на 200 тысячах синтетических пар запрос–документ; авторы сообщают о применении PyLate и архитектуре EuroBERT с проекцией 768→128 измерений. Модель содержит около 211,7 млн параметров и поддерживает контекст до 8192 токенов для документов и до 256 токенов для запросов. Она рассчитана на немецкий, английский, испанский, французский, итальянский, нидерландский и португальский языки, с особым акцентом на многоязычный поиск и поиск, требующий рассуждений. Подходит для ранжирования документов и извлечения релевантных материалов в поисковых системах и RAG-конвейерах. Модель распространяется по лицензии Apache 2.0. Указанные в карточке сравнительные результаты и заявления о превосходстве над более крупными моделями принадлежат авторам и зависят от набора данных и методики оценки; модель выдаёт векторы для поиска, а не готовые развернутые ответы пользователю.

Atla Selene-1-Mini — языковая модель Atla для оценки ответов и работы в роли LLM-as-a-judge. Она дообучена на основе Meta Llama 3.1 8B Instruct и содержит около 7,5 млрд параметров. Модель принимает текст и выдаёт текстовые оценки, классификации, сравнения ответов и качественные критические замечания с обоснованием. Модель предназначена для автоматической проверки качества ответов, в том числе оценки по заданной шкале, определения соответствия ответа запросу, попарного выбора лучшего ответа и выявления галлюцинаций в RAG-системах. В карточке заявлена оценка по 11 бенчмаркам и сильные результаты на RewardBench, EvalBiasBench и AutoJ. Поддерживает контекст до 131 072 токенов и ориентирована прежде всего на английский; также заявлена поддержка немецкого, французского, итальянского, португальского, испанского, хинди и тайского. Для ожидаемого поведения следует использовать шаблон диалога Llama 3. Лицензия — Apache 2.0.

Карточка модели rahulydc/semantic-highlight-ft на Hugging Face совпадает с карточкой zilliz/semantic-highlight-bilingual-v1, поэтому описание составлено по ней. Semantic Highlight Bilingual — модель Zilliz для семантического выделения релевантных предложений в тексте по запросу. Она дообучена на базе BAAI/bge-reranker-v2-m3 и использует архитектуру OpenProvence с весами в формате safetensors. Модель принимает запрос и текстовый контекст, оценивает релевантность токенов, агрегирует оценки по предложениям и возвращает релевантные предложения и показатели сжатия текста. Предназначена для подсветки результатов поиска и сокращения контекста в системах RAG. Модель поддерживает китайский и английский языки. В README указаны размер около 0,6 млрд параметров и вывод за миллисекунды; порог релевантности можно настраивать. Лицензия — MIT. Размер и скорость приведены в карточке модели; фактическая производительность зависит от оборудования и параметров инференса.

Silero VAD MLX — модель обнаружения речевой активности, преобразованная сообществом mlx-community из onnx-community/silero-vad в формат MLX. Она принимает аудиофайл и возвращает временные отметки речевых фрагментов, в том числе в секундах. Модель предназначена для выделения речи в аудиозаписях и может использоваться как этап предварительной обработки аудио.

Slush-Sunfall-Rocinante-GGLD-12B — объединённая языковая модель, созданная сообществом mergekit-community из IAmTheCollector/MN-Slush-GGLD и knifeayumu/Rocinante-12B-v1-nemo-sunfall-v0.6.1-SLERP. Модели объединены методом SLERP в формате bfloat16; конфигурация задаёт Slush-GGLD для входных и выходных слоёв и Rocinante-Sunfall для промежуточных слоёв. Модель построена на плотной архитектуре MistralForCausalLM и содержит 12,1 млрд параметров. Она предназначена для генерации текста и диалогов; карточка также отмечает интерфейс вызова инструментов. Указанное нативное контекстное окно — 1 024 000 токенов. Метаданные указывают библиотеку Transformers и формат safetensors. Лицензия в предоставленных сведениях не приведена.

Карточка модели masked-kunsiquat/snowflake-arctic-embed-xs-2 на Hugging Face совпадает с карточкой Snowflake/snowflake-arctic-embed-xs, поэтому описание составлено по ней. Snowflake/snowflake-arctic-embed-xs — компактная модель эмбеддингов текста из семейства Arctic Embed, разработанного Snowflake. Она предназначена для поиска по смыслу и извлечения релевантных документов, включая семантический поиск и retrieval-компонент систем RAG. Модель основана на all-MiniLM-L6-v2 и использует архитектуру BERT. В метаданных указано 25,9 млн параметров и контекст до 512 токенов; README приводит 22 млн параметров и размерность эмбеддинга 384. Компактный размер рассчитан на сценарии с жёсткими ограничениями по задержке и стоимости. В README сообщается результат 50,15 NDCG@10 на MTEB Retrieval. Карточка описывает обучение и оценку для задач поиска, но не подтверждает поддержку конкретных языков, поэтому модель следует выбирать с учётом языка и данных своего корпуса. README указывает на более новые многоязычные версии Arctic Embed, которые авторы рекомендуют для многоязычных сценариев. Репозиторий содержит форматы ONNX и safetensors. Лицензия в предоставленных данных не указана.

SpanMarker — модель для распознавания именованных сущностей в английском тексте, разработанная и обученная на датасете FewNERD. Она использует дообученный энкодер roberta-large и библиотеку SpanMarker для разметки сущностей. Модель предназначена для извлечения и классификации названий людей, организаций, произведений и других сущностей в предложениях и документах. Максимальная длина последовательности составляет 256 токенов, а максимальная длина распознаваемой сущности — 8 слов. Модель можно применять для извлечения сущностей из текста и дообучать на собственных данных. Она принимает текст и выдаёт метки сущностей для его фрагментов. Лицензия — CC BY-SA 4.0.

TechxGenus starcoder2-7b-instruct — дообученная для следования инструкциям модель генерации кода на архитектуре StarCoder2. В README указано, что StarCoder2-7B обучили ещё на 0,7 млрд токенов, связанных с кодом, в течение трёх эпох; размер модели в метаданных — 9,9 млрд параметров. Модель использует формат инструкций Alpaca без системного промпта и рассчитана на контекст до 16 384 токенов. Модель предназначена для генерации и дополнения кода по инструкциям, а также решения задач программирования. Авторы сообщают результат 73,2 pass@1 на HumanEval-Python. В README отмечены ограниченное тестирование, возможные ошибки и вводящие в заблуждение ответы, а также трудности с задачами вне программирования. Лицензия — BigCode OpenRAIL-M.

TARS-8B-llama-REMIX — языковая модель, созданная picAIso слиянием SLERP через mergekit моделей picAIso/MIX1 и NousResearch/Hermes-2-Pro-Llama-3-8B. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; заявленная длина контекста составляет 8192 токена. Карточка указывает поддержку чата, а базовая Hermes-2-Pro-Llama-3-8B ориентирована на следование инструкциям, вызов функций и генерацию структурированных данных JSON. Лицензия модели — MIT. Подробные оценки качества и ограничения конкретного слияния в карточке не приведены.

tevatron-elastic-modernbert-retriever-mrl — модель-ретривер на базе ModernBERT-base, обученная командой Tevatron-Elastic для поиска релевантных текстов. Она использует архитектуру ModernBERT encoder-only и формирует векторные представления запросов и документов; благодаря Matryoshka Representation Learning один чекпойнт поддерживает несколько размерностей эмбеддингов, которые выбираются через `prune_to` или `encode_at`. Модель предназначена для информационного поиска, включая семантический поиск и извлечение документов по запросу. В обучении использовались данные rlhn/rlhn-680K, максимальная длина последовательности составляла 512 токенов, а запросы и документы получали префиксы `query:` и `passage:`. Для полного режима в README сообщается результат 0,463 nDCG@10 на BEIR-15; релиз представлен как ресурс для воспроизводимости, а не как заявление о превосходстве над другими моделями. Размер модели — 149 млн параметров, контекст — до 8192 токенов. Лицензия — Apache-2.0. Базовая ModernBERT-base ориентирована на английский язык.