I.14Автоматизация процессов и AI-агенты

NGA-KR/ko-embed-v0 — корейская плотная модель эмбеддингов текста от NGA-KR, дообученная на базе skt/A.X-Encoder-base. Она построена на архитектуре ModernBERT, содержит 148,7 млн параметров и обрабатывает контекст до 16 384 токенов. Модель предназначена для создания векторных представлений запросов и документов, поиска по сходству и семантического поиска; для запросов и документов в конфигурации предусмотрены подсказки «query: » и «passage: ». Модель проверялась на 20 задачах MTEB(kor, v2), при этом обучение проводилось только на открытых англоязычных наборах данных для поиска, без обучающих разделов корейских бенчмарков, поэтому оценка на MTEB(kor, v1/v2) является zero-shot. Доступна по лицензии Apache-2.0.

LFM2.5-8B-A1B-Base — базовая текстовая модель Liquid AI, предназначенная для дальнейшей настройки и запуска на устройствах. Это гибридная MoE-архитектура LFM2 с 8,3 млрд параметров всего и примерно 1,5 млрд активных параметров; метаданные каталога указывают 1,6 млрд параметров. Модель содержит 24 слоя и поддерживает контекст до 128 000 токенов. Модель обучена на английском, арабском, китайском, французском, немецком, японском, корейском, португальском и испанском языках. Она предназначена для генерации текста и может служить основой для тонкой настройки помощников, следующих инструкциям, работающих с вызовами инструментов и структурированными ответами. В карточке семейства отмечена высокая скорость инференса на CPU и GPU и поддержка локального развёртывания. Это именно предварительно обученная базовая версия, поэтому для диалога и агентных сценариев может потребоваться дополнительная настройка. Разработчик не рекомендует её для сложного программирования и ответов на вопросы, требующих обширных знаний, без использования поиска или извлечения данных. Лицензия указана как other; конкретные условия следует проверять в документации Liquid AI.

OsaurusAI подготовила JANG_2L-версию диалоговой модели LiquidAI/LFM2.5-8B-A1B для запуска на Apple Silicon через совместимые с JANG среды MLX/vMLX. Это гибридная MoE-архитектура для генерации текста, с поддержкой чата, рассуждений и вызова инструментов. По метаданным модели в ней 1,6 млрд параметров, а контекст достигает 128 000 токенов. Веса представлены в формате JANG affine: квантование MLX с распределением точности по важности тензоров, группой 64 и фактической разрядностью 2,37 бита; для отдельных тензоров используются разрядности 2, 6, 8 и 16 бит. Модель подходит для диалоговых ассистентов и сценариев с инструментами на устройствах Apple Silicon. В README приведён только короткий запуск для проверки работы, а не оценка качества или сравнительный бенчмарк. Лицензия указана как other; условия следует проверять в карточке модели и базовой модели.

LightOn-rerank-PW-4B — мультимодальная модель-переранжировщик от LightOn на основе Qwen/Qwen3.5-4B. Это pointwise cross-encoder: он независимо оценивает каждую пару «запрос — кандидат» и выдаёт оценку как разность логитов ответов Yes и No. Модель принимает текстовый запрос и текстовый фрагмент либо изображение страницы документа; для оценки кандидатов не требуется генерация ответа. Модель предназначена для второго этапа поиска: она переупорядочивает результаты, найденные BM25, dense retrieval или ColPali-подобным поиском. Совместное дообучение на текстовых и визуальных данных позволяет использовать один переранжировщик для текстовых фрагментов и страниц PDF, слайдов и сканов. Размер модели — около 4,5 млрд параметров; веса представлены в формате safetensors и bfloat16. Обучение проводилось на английском языке; французский поддерживается с переносом без дополнительного обучения. Для корректного pointwise-скоринга необходимо отключить режим thinking в шаблоне чата. На визуальных задачах модель не показывает прироста относительно версии 2B; для таких сценариев авторы рекомендуют listwise-вариант LW-4B. Для части текстовых бенчмарков результаты затронуты пересечением обучающих данных с NQ и MS MARCO. Лицензия — Apache-2.0.

Llama-3.1-8B-Reason-Blend-888k — экспериментальная плотная языковая модель от khulaifi95, дообученная на основе Meta-Llama-3.1-8B-Instruct. Она предназначена для усиления способностей к рассуждению и диалогового использования; работает с шаблоном ChatML и поддерживает интерфейс вызова инструментов. Модель содержит 7,5 млрд параметров, использует библиотеку Transformers и принимает контекст до 131 072 токенов. В карточке указаны английский язык и лицензия other. Модель можно применять для диалоговых ответов, многошаговых рассуждений и задач, где нужно следовать инструкциям. Автор характеризует её как экспериментальную: качество может быть нестабильным и зависеть от гиперпараметров. Результаты таблицы оценок в README не заполнены; при использовании в продуктивной среде автор рекомендует safeguards и контроль человека.

MylesGoose Llama-3.2-3B-instruct-abliterated — чат-модель семейства Llama с 3,2 млрд параметров, основанная на Llama 3.2 3B Instruct. По названию репозитория модель прошла abliterated-модификацию, направленную на ослабление отказов; подробности метода и его эффекты в доступной карточке не раскрыты. Модель предназначена для генерации текста в диалоговом формате и поддерживает интерфейс вызова инструментов. Метаданные указывают контекстное окно до 131 072 токенов и формат весов safetensors. Репозиторий создан MylesGoose 27 сентября 2024 года. Лицензия обозначена как other, поэтому условия использования следует проверять в файлах репозитория. Доступная карточка не содержит описания обучения, языкового покрытия или результатов оценки качества.

Многоязычная модель ai4privacy для обнаружения и разметки персональных данных в тексте с целью их последующего маскирования. Она разработана Ai4Privacy как дообучение answerdotai/ModernBERT-base и использует архитектуру ModernBERT с классификацией токенов; содержит 149 млн параметров, поддерживает контекст до 8192 токенов и распространяется в форматах Safetensors и ONNX. Модель рассчитана на редактирование PII, а не на полную классификацию персональных данных. В карточке приведены результаты оценки на тестовой части датасета ai4privacy/open-pii-masking-500k-ai4privacy: точность 99,01%, precision 98,72%, recall 98,47% и F1 98,59%. Модель может быть полезна для поиска имен, времени и других категорий персональных данных перед передачей текста или сохранением документов. Она лицензирована по MIT; перед применением на собственных данных следует оценить качество, поскольку результаты на тестовом наборе могут отличаться от реальных.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune, предназначенная для генерации текста и диалогов. В метаданных указаны архитектура NMMaskMoELLaVAQwen3ForCausalLM, 1,7 млрд параметров и контекст до 40 960 токенов; модель доступна в форматах PyTorch и Safetensors и поддерживает интерфейс вызова инструментов. Датасет дообучения и подробные сценарии применения в карточке не описаны. Модель распространяется по лицензии Apache-2.0.

Это дообученная модель KKHYA на 1,7 млрд параметров, созданная на основе KKHYA/llavaqwen3-1.7b-finetune. Она использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Контекстное окно — до 40 960 токенов. Модель загружена в формате PyTorch/Safetensors и распространяется по лицензии Apache-2.0. Датасет дообучения и результаты оценки не описаны.

LMUnit-Qwen2.5-72B — языковая модель Contextual AI для оценки ответов по критериям на естественном языке. Она получает запрос, ответ и проверочный критерий и возвращает непрерывную оценку от 1 до 5: чем выше балл, тем лучше ответ соответствует критерию. Модель основана на Qwen2.5-72B-Instruct и дообучена для оценки качества текста. Она поддерживает диалоговый формат и интерфейс вызова инструментов; число параметров — 71,5 млрд, контекст — до 32 768 токенов. В карточке указана поддержка английского языка. Обучение объединяет сигналы сравнений ответов, прямых оценок и оценок по отдельным критериям. Разработчик приводит результаты на FLASK, BiGGen Bench, LFQA, RewardBench и RewardBench2. Модель подходит для автоматической проверки ответов по пользовательским критериям, ранжирования вариантов и оценки качества развернутых текстов. Лицензия в предоставленных данных не указана.

Masker v2 — многоязычный классификатор токенов, разработанный Divergent Labs для обнаружения контекстных персональных данных в тексте и использования в системах редактирования и обезличивания. Модель дообучена на базе microsoft/mdeberta-v3-base и принимает текст, присваивая токенам BIOES-метки 12 типов сущностей: имена и фамилии, города, улицы, номера зданий, почтовые индексы, телефоны, электронную почту, банковские карты, даты, возраст и государственные идентификаторы. Для IBAN и ряда других структурированных данных README описывает отдельный слой правил, который не входит в эту модель. Модель рассчитана на тексты на 23 европейских языках и использует архитектуру DeBERTa-v3. В карточке указано 306 млн параметров и контекст 512 токенов; README приводит оценку 278 млн параметров. В версии v2 улучшено распознавание имён в естественном тексте благодаря расширению форм имён и добавлению размеченных корпусов. По оценке на английских юридических документах и нидерландских новостях качество распознавания имён высокое, однако эти тесты не охватывают остальные языки. Лицензия — Apache-2.0.

mergekit-community/mergekit-slerp-zwbqvcb — объединённая методом SLERP языковая модель на 7,1 млрд параметров, созданная сообществом с помощью mergekit из huihui-ai/Qwen2.5-7B-Instruct-abliterated-v2 и maywell/Qwen2-7B-Multilingual-RP. Модель использует архитектуру Qwen2 для генерации текста и диалогов; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors, библиотека для работы — Transformers. Модель подходит для диалоговых ответов и свободной генерации текста, сочетая инструкционную основу Qwen2.5 с мультиязычной разговорной моделью. В метаданных также указана поддержка интерфейса вызова инструментов. Состав моделей и способ слияния подтверждены README; сведений о языках, на которых результат слияния работает наиболее качественно, карточка не даёт. Лицензия в предоставленных данных не указана.

MiniCPM5-2B-JANG_8M — 8-битная квантизированная версия MiniCPM5-2B от OpenBMB, подготовленная Jinho Jang. Модель содержит 2,2 млрд параметров и распространяется в формате MLX Safetensors для локального запуска на устройствах Apple Silicon через стандартную библиотеку mlx_lm; пользовательский код модели и trust_remote_code не требуются. Контекст составляет до 131 072 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая рассуждения, задачи с длинным контекстом и работу с инструментами. В README описана калибровка на 1,85 млн токенов с применением imatrix, AWQ и GPTQ; автор сообщает о меньшем расхождении с исходной bf16-моделью по сравнению со стандартной квантизацией MLX того же размера. Модель поддерживает английский и китайский языки. Вызовы инструментов выводятся в XML, а mlx_lm сам не распознаёт этот формат: для обработки вызовов нужен отдельный парсер. Модель распространяется по лицензии Apache-2.0.

Карточка модели NostraEmpire/mirror-smollm2-1.7b-instruct на Hugging Face совпадает с карточкой HuggingFaceTB/SmolLM2-1.7B-Instruct, поэтому описание составлено по ней. SmolLM2-1.7B-Instruct — компактная языковая модель Hugging Face на 1,7 млрд параметров, дообученная на базе HuggingFaceTB/SmolLM2-1.7B. Это плотный Transformer-декодер семейства Llama для генерации текста и диалогов; модель поддерживает контекст до 8192 токенов и рассчитана на запуск на устройстве. Версия Instruct прошла supervised fine-tuning и Direct Preference Optimization. Она предназначена для следования инструкциям, переписывания и суммаризации текста, а также вызова функций. Модель ориентирована прежде всего на английский язык; репозиторий содержит веса Safetensors и формат ONNX. Лицензия — Apache-2.0. По сравнению с предыдущей версией семейства улучшены следование инструкциям, знания, рассуждения и математика, однако ответы могут содержать фактические ошибки, быть логически непоследовательными или отражать смещения обучающих данных. Важную информацию следует проверять; модель не заменяет экспертную оценку.

MMLW-retrieval-roberta-base — польскоязычный текстовый энкодер семейства RoBERTa, разработанный для информационного поиска. Модель преобразует запросы и фрагменты текста в векторы размерности 768, которые можно использовать для поиска релевантных документов и ранжирования кандидатов. Модель обучена в два этапа: сначала польскую RoBERTa дообучили методом многоязычной дистилляции на 60 млн польско-английских пар текста с английскими FlagEmbeddings (BGE) в роли учителей, затем провели контрастивное дообучение на польской обучающей части MS MARCO. Для кодирования запросов требуется добавлять префикс «zapytanie: ». Контекст модели — 514 токенов; размер — 151,6 млн параметров. На польском бенчмарке информационного поиска PIRB модель показала NDCG@10 56,38. Она предназначена для задач поиска по тексту, а не для генерации ответов. Распространяется по лицензии Apache-2.0.

stefra/modernbert-large-unical — модель архитектуры UNICAL на базе дообученного двунаправленного энкодера answerdotai/ModernBERT-large. Она принимает текстовое состояние и один или несколько утверждений и оценивает вероятность истинности каждого из них. Модель предназначена для быстрой проверки семантических условий и может служить заменой sem_filter; это классификатор, а не генеративная модель. Утверждения обрабатываются в одной последовательности с общим текстом состояния, а блочная двунаправленная маска внимания позволяет оценивать их независимо: оценка утверждения совпадает с оценкой при отдельной обработке. Для использования предусмотрены Transformers и пакет unical. В README приведены результаты проверок на нескольких наборах данных, включая задачи, не встречавшиеся при обучении; метрики различаются между наборами, поэтому качество следует проверять на целевых данных. Модель распространяется в формате safetensors; для загрузки пользовательского кода архитектуры в Transformers требуется trust_remote_code=True. Лицензия в предоставленных данных не указана.

DazzlingXeno/MS-Beast-33b — объединённая языковая модель на архитектуре Mistral, созданная DazzlingXeno с помощью mergekit. В README описан метод passthrough, который соединяет слои модели DazzlingXeno/MS-Drummer-Sunfall-22b; метаданные связывают её с этой же моделью как с базовой. Размер модели — 33 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Метаданные также указывают интерфейс для вызова инструментов. Она принимает текст и генерирует текст; языки в карточке не определены. Файлы представлены в формате safetensors. Карточка не содержит сведений о качестве на конкретных задачах или ограничениях поведения. Лицензия в предоставленных данных не указана.

nepali-embedder-v1 — модель эмбеддингов предложений, разработанная для поиска и сравнения текстов на непальском языке. Она основана на BERT-энкодере google/muril-base-cased с mean pooling и дообучена на парах заголовков, вводных абзацев и разделов непальской Википедии. Модель содержит 264,8 млн параметров, принимает текст длиной до 512 токенов и выдаёт векторные представления для семантического поиска и оценки сходства. Модель предназначена для поиска документов на непальском языке, семантического поиска, RAG, кластеризации и дедупликации текстов. README сообщает о хороших результатах на внутренних тестах retrieval и устойчивости к запросам на романизированном непальском при поиске по тексту деванагари. Лицензия — Apache-2.0. Известные ограничения: модель может не различать утверждения с отрицанием; обучение на энциклопедических текстах может снижать качество на разговорных и узкоспециализированных данных. Англо-непальский поиск работает частично и не был отдельной целью обучения; юридическая, медицинская и научная терминология представлена ограниченно.

mschiesser/ner-bert-german — модель для распознавания именованных сущностей в немецком тексте. Она основана на bert-base-multilingual-cased, дообучена на немецком наборе WikiANN и использует архитектуру BERT для классификации токенов. Модель содержит 205,1 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. Модель предназначена для выделения сущностей типов «человек», «организация» и «место» в немецких текстах. На оценочной выборке WikiANN указаны F1 0,8829 в целом, 0,9152 для персон, 0,8278 для организаций и 0,9067 для мест; точность составляет 0,9606, полнота — 0,8893. Опубликована под лицензией Apache-2.0.

NERmembert-base-4entities — модель CamemBERT, дообученная Лоиком Бурдуа из Centre Aquitain des Technologies de l'Information et Electroniques для распознавания именованных сущностей во французском тексте. Она размечает токены и выделяет четыре типа сущностей: людей (PER), организации (ORG), места (LOC) и прочие именованные сущности (MISC). Модель обучена на объединённом и очищенном наборе frenchNER_4entities примерно из 385 тысяч предложений, собранном из четырёх французских датасетов NER. Архитектура — CamembertForTokenClassification, размер — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель принимает текст и возвращает метки сущностей для его фрагментов. Её можно использовать для извлечения имён людей, организаций и географических названий из французских документов, новостей и других текстов. Модель выпущена под лицензией MIT.

Neuron-4B-HeavyThinking — плотная языковая модель семейства Qwen3, разработанная Neura-Tech-AI и дообученная на Neura-Tech-AI/Neuron-4B-Instruct. Она предназначена для генерации текста и диалогов; в репозитории также заявлен интерфейс для вызова инструментов. Модель содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Обучение проводилось с использованием Unsloth и библиотеки TRL от Hugging Face. Модель может подойти для чат-ботов, генерации ответов и сценариев с вызовом инструментов. В метаданных указан английский язык. Файлы опубликованы в формате Safetensors, лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о данных дообучения.

NuNER-BERT-v1.0 — англоязычная модель распознавания именованных сущностей от NuMind, представленная в работе NuNER: Entity Recognition Encoder Pre-training via LLM-Annotated Data. Это BERT, дообученный на данных NuNER; модель использовалась в сравнении с TadNER в разделе 4.2 статьи. Она предназначена для извлечения сущностей из текста и может использоваться как готовый энкодер признаков или дообучаться на специализированных наборах данных. Модель содержит 136,7 млн параметров, имеет контекстное окно 512 токенов и опубликована в формате safetensors. Модель рассчитана на английский язык. Лицензия MIT разрешает широкое использование и модификацию при соблюдении её условий. Карточка приводит название статьи и контекст одного эксперимента, но не сообщает конкретные метрики качества; распознавание сущностей на новых предметных областях может потребовать дополнительного дообучения.

NVIDIA Nemotron-3-Nano-4B-GGUF — это квантизированная версия языковой модели NVIDIA Nemotron-3-Nano-4B, подготовленная bartowski в формате GGUF с использованием llama.cpp. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Указан английский язык; поддержка других языков и мультимодальность не заявлены. Модель имеет около 4 миллиардов параметров в исходной версии и поставляется в вариантах от BF16 до Q2_K_L, включая Q4_K_M, Q5_K_M и Q6_K_L. Квантизация позволяет сократить требования к памяти и запускать модель на локальных устройствах, однако более компактные варианты могут заметно уступать по качеству исходным весам. В README не указаны архитектура, размер контекста, точные показатели производительности и системные требования. Приведён формат промпта с ролями system, user и assistant, а также началом блока рассуждений. При обучении исходной модели использовались наборы данных NVIDIA, охватывающие общие тексты, научные материалы, следование инструкциям, агентные сценарии, календарное планирование, структурированный вывод, математику и соревновательное программирование. Лицензия указана как NVIDIA Nemotron Open Model License; условия следует уточнять в официальном тексте лицензии NVIDIA. Модель подходит для локальной генерации текста, диалоговых приложений, задач следования инструкциям, программирования, математических и агентных сценариев, но конкретные возможности следует проверять для выбранной квантизации.

Brunobkr/OFFFELLIA_f16_IBM_Granite-4.2-3b.gguf — сборка IBM Granite 4.2-3B в формате GGUF F16, предназначенная для генерации текста и диалогового взаимодействия. Метаданные указывают на производную от модели IBM Granite модель; README описывает проект VULLKAN-5150 и его инструменты запуска, но не подтверждает отдельные изменения весов этой сборки. Модель ориентирована на многоязычный диалог, рассуждения и работу с инструментами. В метаданных перечислены английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. README предупреждает, что качество на языках кроме английского может быть ниже, а ответы могут содержать неточности, предвзятость или небезопасный контент. Проектный README описывает ускорение AMD Vulkan, интерфейс в стиле IBM PC 5150 и другие функции форка llama.cpp; они относятся к программной среде, а не обязательно к самим весам этой модели. Лицензия — Apache 2.0.

Карточка модели localized-ft/OLMo-3-7B-school-of-reward-hacks-first-third-sft-seed3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-school-of-reward-hacks-first-third-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-target-only-no-hallucination-kld-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Orca-4B-Instruct — компактная инструктивная языковая модель, опубликованная roskosmos19. По карточке она основана на архитектуре Qwen3 и предназначена для диалогов и выполнения текстовых инструкций. Модель содержит около 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает контекст до 16 384 токенов. Модель рассчитана на генерацию ответов, следование инструкциям и разговорные сценарии; в метаданных также заявлен интерфейс вызова инструментов. Карточка описывает оптимизацию для экономичного запуска: сокращённый контекст и удалённые мультимодальные специальные токены уменьшают требования к памяти, сохраняя фокус на текстовых ответах. Доступны веса в формате safetensors. Модель подходит для локальных чат-ботов, помощников и других приложений, где важны умеренный размер и стоимость инференса. Ограничение контекста до 16 384 токенов исключает обработку очень длинных запросов; сведения о поддерживаемых естественных языках в карточке не приведены. Лицензия — Apache-2.0.