I.14Автоматизация процессов и AI-агенты

bunnycore/Llama-3.2-1b-Chatml-RP — объединённая языковая модель семейства Llama 3.2, созданная автором bunnycore методом TIES с помощью mergekit. В состав вошли unsloth/Llama-3.2-1B-Instruct, bunnycore/Llama-3.2-1b-chatml-lora_model и bunnycore/Llama-3.2-1b-Mixer; размер модели — 1,2 млрд параметров, архитектура — плотная LlamaForCausalLM. Модель предназначена для генерации текста в диалоговом формате. Она принимает текст и выдаёт текст; метаданные указывают поддержку чата и интерфейса вызова инструментов. Заявленная длина контекста — 131 072 токена. Карточка не уточняет целевые языки, поэтому многоязычность базовой модели не позволяет определить языки, для которых именно этот merge рассчитан в первую очередь. Модель сохранена в формате safetensors и использует лицензию базовой модели unsloth/Llama-3.2-1B-Instruct — Llama 3.2 Community License. Результаты объединения могут отличаться от поведения каждой исходной модели; качество и надёжность вызова инструментов в карточке не оценены.

KKHYA/llavaqwen2.5-32b-finetune — дообученная модель на базе Qwen/Qwen2.5-32B, опубликованная в формате Safetensors и работающая с библиотекой Transformers. Архитектура указана как LlavaQwen2ForCausalLM, размер — 32 млрд параметров, контекст — до 131 072 токенов. Карточка не описывает датасет и конкретную специализацию дообучения. Модель предназначена для генерации текста в диалоговом режиме; метаданные также указывают интерфейс вызова инструментов. Базовая модель поддерживает мультимодальные сценарии, но сведения о том, как именно настроен ввод изображений в этой производной модели, отсутствуют. Лицензия — Apache-2.0.

Модель KKHYA/llavaqwen3-1.7b-finetune-nm-mask-moe-sparse-4e-2k-4of8-imp-anchor_20260812_071057 — дообученная версия KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров. Она предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Архитектура обозначена как nm_mask_moe_llava_qwen3, библиотека — Transformers, веса представлены в форматах PyTorch и Safetensors. Контекст модели — до 40 960 токенов. Модель опубликована под лицензией Apache-2.0. Датасет дообучения и подробные сведения о качестве в карточке не описаны.

LosslessMegaCoder-Falcon-40b-mini — языковая модель для генерации текста и кода, созданная Rombodawg в сотрудничестве с Andreaskoepf, аффилированным с Open Assistant. Это плотная авторегрессионная модель семейства Falcon с архитектурой FalconForCausalLM и примерно 65 млрд параметров. Модель дообучена на отфильтрованной версии датасета LosslessMegaCodeTrainingV2_1m_Evol_Uncensored; из выборки удаляли примеры короче 100 токенов. README указывает, что использованный набор данных отличается от LosslessMegaCodeTrainingV3_MINI. Модель предназначена для генерации кода и диалогового взаимодействия в шаблоне ChatML; также приведены шаблоны для GPT4All и Text-Generation-WebUI. В репозитории представлены веса Safetensors. Карточка не сообщает поддерживаемые естественные языки и длину контекста. Лицензия — Apache-2.0. README отмечает ранний этап фильтрации обучающих данных и не приводит результатов оценки качества.

Frame-VAD Multilingual MarbleNet v2.0 — модель NVIDIA NeMo для покадрового обнаружения голосовой активности, экспортированная в формат GGUF для loom.cpp. Веса не изменены; базовая модель содержит 91,5 тыс. параметров. Модель принимает монофонический звук с частотой 16 кГц и выдаёт вероятность наличия речи для каждого 20-миллисекундного кадра. Поддерживаются английский, испанский, французский, немецкий, русский и китайский языки. Экспорт можно запускать через библиотеку loom-py-rt. Модель подходит для выделения речевых фрагментов перед распознаванием речи, записи или диаризацией. Она возвращает вероятности, а не готовые решения: пороговую обработку и сглаживание нужно настроить под сценарий использования. Распространяется по NVIDIA Open Model License Agreement; перед включением в продукт следует ознакомиться с условиями лицензии.

mBART-50 many-to-many — модель машинного перевода от Facebook, дообученная на основе mBART-large-50. Она переводит напрямую между любыми парами из 50 языков: целевой язык задаётся специальным токеном в начале генерации. Модель построена на архитектуре MBartForConditionalGeneration и содержит около 457,4 млн параметров; максимальная длина контекста — 1024 токена. Модель предназначена для многоязычного перевода текстов, включая перевод на русский и с русского. Для её использования требуется указать токен целевого языка при генерации. Карточка не сообщает лицензию и специфические ограничения качества, поэтому их нельзя уточнить по имеющимся данным.

akdeniz27 выпустил модель распознавания именованных сущностей на турецком языке. Это дообученная для NER модель microsoft/mDeBERTa-v3-base на проверенной версии известного набора данных для турецкого NER; архитектура — DeBERTa V2 для классификации токенов, около 306 млн параметров. Модель принимает текст и размечает в нём персон, организации и географические названия. Модель подходит для извлечения сущностей из турецких текстов, например для подготовки данных к поиску, аналитике или последующей обработке документов. Максимальная длина последовательности — 512 токенов. Опубликованные веса доступны в форматах PyTorch и Safetensors по лицензии MIT.

Это объединённая диалоговая языковая модель семейства Llama, созданная с помощью mergekit линейным слиянием нескольких моделей. В качестве базовой использована huihui-ai/Llama-3.2-3B-Instruct-abliterated; в слияние вошли модели Hjgugugjhuhjggg/mergekit-ties-xflmond, Hjgugugjhuhjggg/mergekit-ties-kmlzhzo, Hjgugugjhuhjggg/mergekit-ties-pghuyfi, Hjgugugjhuhjggg/mergekit-ties-qgcitfu, Hjgugugjhuhjggg/mergekit-ties-poovzrh и Hjgugugjhuhjggg/mergekit-ties-dkhnzcn. Модель предназначена для генерации текста и диалоговых ответов. Она содержит 3,2 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста составляет 131 072 токена. Репозиторий использует Transformers и формат safetensors; метаданные также отмечают интерфейс вызова инструментов. Карточка не приводит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество, языковой охват и ограничения слияния отдельно не описаны.

deepset/minilm-uncased-squad2 — англоязычная модель для извлечения ответов на вопросы, разработанная deepset на базе microsoft/MiniLM-L12-H384-uncased и дообученная на SQuAD 2.0. Она предназначена для поиска ответа в предоставленном тексте или документах и подходит для систем вопросно-ответного поиска, в том числе построенных на Haystack. Модель относится к семейству BERT, имеет около 40 млн параметров и принимает контекст длиной до 512 токенов. Она обучалась и оценивалась на SQuAD 2.0, включая примеры без ответа. Доступны варианты весов PyTorch, Flax и safetensors. Лицензия — CC BY 4.0. Это экстрактивная QA-модель: она выделяет ответ из входного текста, а не формирует развёрнутый ответ на основе генерации. Её специализация на английском языке и ограничение контекста могут снижать качество на иных языках, длинных документах и вопросах вне данных обучения.

Это пакет слоёв GGUF модели MiniMax-M2.1-UD-Q4_K_XL, подготовленный Mesh LLM для распределённого инференса. Он получен из unsloth/MiniMax-M2.1-GGUF и сохраняет исходное распределение GGUF, разделённое на артефакты по слоям для запуска на кластере Mesh LLM. Пакет предназначен для локального и приватного диалогового инференса, объединения памяти и вычислительных ресурсов нескольких машин, а также для обслуживания запросов через локальный API, совместимый с OpenAI Chat Completions. Указан вариант квантования UD-Q4_K_XL. Детали архитектуры, число параметров, контекст, поддерживаемые языки и условия лицензии следует сверять с карточкой исходной модели.

jhflow/mistral7b-lora-multi-turn-v2 — дообученная текстовая модель семейства Mistral, созданная для многоходовых диалогов в сценариях RAG. Автор сообщает, что для обучения использовал наборы данных с диалогами, основанными на знаниях; шаблон промпта построен по формату ChatML и включает системный промпт, контекст, запрос пользователя и ответ ассистента. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров, принимает текст и генерирует текст. Заявленная длина контекста — 32 768 токенов. Лицензия в предоставленных данных не указана.

CreitinGameplays/Mistral-Nemo-12B-R1-v0.2 — дообученная автором CreitinGameplays разговорная модель для генерации текста и ответов на запросы с рассуждениями. Она основана на Mistral-Nemo-Instruct-2407 и обучалась один эпоху на наборе Magpie-Reasoning-V2-250K-CoT-Deepseek-R1-Llama-70B-filtered-mistral; автор сообщает, что обучение заняло 12 часов на одной Nvidia H100. Модель использует плотную архитектуру Mistral с 12,1 млрд параметров и контекстом до 131 072 токенов. Она работает через Transformers, доступна в формате safetensors и поддерживает текстовый диалог и интерфейс вызова инструментов. В метаданных указан английский язык; основная задача — генерация текста. Лицензия — MIT. README содержит пример генерации ответа на вопрос, но не приводит систематических оценок качества, поэтому надёжность рассуждений и результатов на разных задачах по карточке установить нельзя.

Mistral-Small-24B-Instruct-2501-Abliterated — версия Mistral Small 24B Instruct, созданная huihui-ai с помощью abliteration: авторы изменили базовую модель, чтобы убрать механизмы отказа. Это экспериментальная версия с открытым стилем ответов; в карточке метод назван грубым proof of concept. Модель предназначена для диалогов и генерации текста, а также предоставляет интерфейс вызова инструментов. Архитектура — плотная трансформерная MistralForCausalLM с 23,4 млрд параметров; контекст — до 32 768 токенов. Заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, китайского, японского, русского и корейского языков. Используются веса Safetensors, библиотека vLLM. Лицензия — Apache-2.0.

nreimers/mmarco-mMiniLMv2-L12-H384-v1 — модель на основе XLM-RoBERTa, опубликованная Nils Reimers. Она предназначена для многоязычного ранжирования текстовых пар: оценивает соответствие запроса и документа, чтобы сортировать найденные результаты поиска. В каталоге Hugging Face указаны архитектура XLM-RoBERTa, около 124,3 млн параметров и контекст до 514 токенов; карточка автора отсутствует, поэтому подробности обучения и список поддерживаемых языков по доступным сведениям подтвердить нельзя. Модель подходит для повторного ранжирования кандидатов в поиске и системах ответа на вопросы. Метаданные Hugging Face помечают её как text-classification и указывают формат PyTorch; по назначению это cross-encoder для оценки релевантности. Лицензию и конкретные ограничения применения доступные источники не подтверждают.

veneres/monobert-msmarco — модель семейства BERT от разработчика veneres, обученная для ранжирования текстовых пар в поиске. Она оценивает соответствие запроса и документа, чтобы пересортировать найденные кандидаты; карточка Hugging Face указывает архитектуру BertForSequenceClassification и применение набора MS MARCO. Модель содержит 136,7 млн параметров, принимает текстовые входы с контекстом до 512 токенов и распространяется по лицензии MIT. Модель подходит для reranking в поисковых системах и конвейерах retrieval-augmented generation, где нужно оценить релевантность документов запросу. Указанная задача — text-classification, однако для пользовательского сценария ранжирования пар основная задача — text-ranking. Карточка репозитория не содержит подробного описания обучения, языкового покрытия или метрик качества; по названию MS MARCO нельзя надёжно заключить больше о языках и характеристиках.

scroobiustrip/mpnet-direction-finetuned-v2 — англоязычная модель Sentence Transformers, дообученная разработчиком на базе sentence-transformers/all-mpnet-base-v2 для сопоставления предложений с учётом направления отношений. Она кодирует предложения и короткие абзацы в плотные векторы размерности 768, нормализованные для сравнения по косинусному сходству. Максимальная длина входа в метаданных — 514 токенов; карточка README указывает ограничение в 384 токена. Модель предназначена для семантического поиска, оценки сходства и поиска перефразировок. Также её можно применять для кластеризации текстов и классификации на основе эмбеддингов. В обучающих примерах встречаются запросы о международных денежных переводах с указанием стран отправления и назначения, поэтому модель настроена на различение направления таких операций. В README приведён результат cosine_accuracy 1.0 на all-nli-test, но подробностей о методике и диапазоне применимости недостаточно, чтобы считать его гарантией качества на других данных. Модель принимает текст и выдаёт векторы. Распространяется по лицензии Apache-2.0.

nesemenpolkov/msu-wiki-ner — модель для распознавания именованных сущностей в русскоязычном тексте. Автор дообучил Babelscape/wikineural-multilingual-ner на датасете RCC-MSU/collection3 для задачи классификации токенов. Модель на архитектуре BERT содержит 205,1 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки BIO для персон, организаций и географических объектов. Модель подходит для извлечения имён людей, названий организаций и мест из русскоязычных документов. В карточке приведены результаты на валидации после трёх эпох: F1 — 0,968, точность — 0,963, полнота — 0,974. Эти показатели относятся к указанному набору данных; автор предупреждает, что на текстах на других языках качество может быть низким. Модель распространяется под лицензией, сведения о которой в предоставленных данных отсутствуют.

mxbai-rerank-large-v1 — крупная модель-реранкер семейства mxbai-rerank от Mixedbread AI. Она оценивает релевантность пары «запрос — документ» и помогает переставить результаты поиска так, чтобы наиболее подходящие оказались выше. Модель рассчитана на улучшение информационного поиска, в том числе в сочетании с поиском по ключевым словам. Модель построена на архитектуре DeBERTa-v2 и содержит 533,8 млн параметров. Она принимает текст и выдаёт оценку релевантности; максимальная длина контекста — 512 токенов. В карточке заявлена поддержка английского языка. README рекомендует использовать актуальную версию sentence-transformers. Лицензия — Apache-2.0.

BahAdoR0101/my_xlm-roberta-large-finetuned-conlljob04 — модель XLM-RoBERTa Large, дообученная на наборе данных conll2003job для классификации токенов. Она предназначена для извлечения и разметки сущностей в тексте. В карточке приведены результаты оценки: F1 0,9643, точность 0,9617, полнота 0,9670 и accuracy 0,9936. Модель содержит 658,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется по лицензии MIT. README не уточняет набор меток и языки примеров.

Nemotron 3 Super 120B JANG_2L + CRACK — производная версия модели NVIDIA Nemotron-3-Super-120B, созданная Jinho Jang. Это гибридная языковая модель архитектуры Nemotron H с Mamba SSM, MoE и слоями внимания; в исходной модели заявлены 120 млрд параметров, из них около 12 млрд активных. Репозиторий содержит 6,6 млрд параметров в формате safetensors, квантованных профилем JANG_2L со смешанной точностью; заявленный размер файлов — 43 ГБ. Метаданные указывают контекст до 262 144 токенов. Модель предназначена для диалоговой генерации текста и выполнения запросов с интерфейсом вызова инструментов. Версия CRACK прошла изменение весов, направленное на удаление отказов по соображениям безопасности; README сообщает результаты собственных проверок HarmBench и MMLU, которые не следует считать независимой оценкой. Для запуска требуется Apple Silicon и поддержка формата JANG в MLX Studio либо пакете jang-tools. Указана лицензия other, поэтому условия использования следует уточнять в репозитории. Английский указан как язык карточки модели.

Карточка модели TitanPythons/Nemotron-3-Super-120B-A12B-UNCENSORED-JANG_2L на Hugging Face совпадает с карточкой Ishowbackup/Nemotron-3-Super-120B-A12B-UNCENSORED-JANG_2L, поэтому описание составлено по ней. Nemotron 3 Super 120B JANG_2L + CRACK — производная версия модели NVIDIA Nemotron-3-Super-120B, созданная Jinho Jang. Это гибридная языковая модель архитектуры Nemotron H с Mamba SSM, MoE и слоями внимания; в исходной модели заявлены 120 млрд параметров, из них около 12 млрд активных. Репозиторий содержит 6,6 млрд параметров в формате safetensors, квантованных профилем JANG_2L со смешанной точностью; заявленный размер файлов — 43 ГБ. Метаданные указывают контекст до 262 144 токенов. Модель предназначена для диалоговой генерации текста и выполнения запросов с интерфейсом вызова инструментов. Версия CRACK прошла изменение весов, направленное на удаление отказов по соображениям безопасности; README сообщает результаты собственных проверок HarmBench и MMLU, которые не следует считать независимой оценкой. Для запуска требуется Apple Silicon и поддержка формата JANG в MLX Studio либо пакете jang-tools. Указана лицензия other, поэтому условия использования следует уточнять в репозитории. Английский указан как язык карточки модели.

NuNER-v0.1 — англоязычная модель распознавания именованных сущностей от NuMind. Она основана на RoBERTa-base, дообученной на данных NuNER; в репозитории указано около 151,8 млн параметров и доступен формат PyTorch. Модель предназначена для извлечения эмбеддингов токенов для распознавания сущностей: их можно использовать напрямую или дообучить на конкретном наборе данных. Контекст модели составляет 514 токенов. В карточке приведены результаты оценки NuNER-v0.1, превосходящие указанные там базовые варианты RoBERTa-base при k=1, 4, 16 и 64. Автор рекомендует более новую версию NuNER v2.0, поэтому для нового проекта стоит рассмотреть её. Модель лицензирована по MIT.

NVIDIA Nemotron 3.5 Lightning 30B-A3B GGUF — это набор общественных GGUF-квантизаций базовой модели NVIDIA Nemotron 3.5 Lightning 30B-A3B-BF16, опубликованный пользователем vcruz305. Модель предназначена для генерации текста и локального запуска через совместимые движки, включая llama.cpp. Она использует MoE-архитектуру с заявленным размером 30B-A3B и стандартной 52-слойной инференс-моделью. При преобразовании в GGUF дополнительная MTP prediction head была удалена; опубликованные файлы прошли проверку загрузки и генерации. Доступны варианты от смешанных низкобитных квантизаций 2.47 BPW и 2.97 BPW до MXFP4_MOE, IQ4_NL, Q4_0, Q5_0 и Q8_0. Размер файлов составляет примерно от 9,76 до 33,59 ГБ, поэтому требования к видеопамяти зависят от выбранной квантизации, длины контекста, KV-кэша и настроек запуска. Для систем с 24 ГБ VRAM подходят MXFP4_MOE, IQ4_NL и Q4_0, а Q8_0 рассчитан преимущественно на видеокарты с 40–48 ГБ памяти и более. Языки, максимальная длина контекста и мультимодальные возможности в README не указаны. Сильные стороны набора — широкий выбор компромиссов между качеством, размером и скоростью, поддержка локального инференса и успешные тесты на видеокартах с разным объёмом памяти. Для агентных сценариев автор рекомендует MXFP4_MOE: в описанных детерминированных тестах она показала лучший результат. Ограничения включают зависимость производительности от оборудования и версии llama.cpp, необходимость частичной выгрузки на GPU для некоторых конфигураций, а также отсутствие формального сравнительного теста качества. Модель распространяется по лицензии openmdw-1.1; это сторонние квантизации базовой модели, а не оригинальный релиз NVIDIA.

Это инструкция-направленная версия OLMo 3 3B SiameseNorm + DepthAttention, экспортированная в Hugging Face из чекпойнта Stage 4 после 3252-й итерации. Модель разработана как экспериментальный вариант архитектуры OLMo 3 с обученными компонентами SiameseNorm и DepthAttention; это плотная причинная языковая модель примерно на 3,2 млрд параметров, предназначенная для генерации текста и диалогов. Метаданные также отмечают интерфейс вызова инструментов. Модель загружается через Transformers с пользовательским кодом репозитория. Внимание чередует три слоя с локальным скользящим окном и один слой полного внимания; окно SWA составляет 4096 токенов, а заявленная ёмкость контекста — 65536 токенов. При обучении использовалась последовательность длиной 32768 токенов. Карточка не приводит сведения о поддерживаемых естественных языках. Для загрузки требуются Transformers версии от 4.57.6 до 5, а также `trust_remote_code=True`; указана лицензия Apache 2.0.

Карточка модели localized-ft/OLMo-3-7B-old-bird-names-first-third-v2-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.

Карточка модели localized-ft/OLMo-3-7B-old-bird-names-last-third-v2-sft-seed4 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-old-bird-names-second-third-v2-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-old-bird-names-v2-kld-seed2 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-old-bird-names-v2-kld-seed4 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-inoculation-prompting-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.