I.14Автоматизация процессов и AI-агенты

Экспериментальный чекпойнт языковой модели Qwen3-4B, дообученный компанией agurung с помощью обучения с подкреплением OpenRLHF и алгоритма GRPO. Обучение проводилось непосредственно от Qwen/Qwen3-4B-Instruct-2507 без предварительной SFT-настройки: на задачах программирования модель получала бинарную награду за прохождение тестов сгенерированной программой. Чекпойнт сохранён на шаге 12; в рамках этого запуска он показал лучший результат по pass@8, однако численные метрики оценки в журнале обучения отсутствуют. Модель предназначена для генерации кода и решения задач программирования, особенно сложных задач, которые исходная модель решала не более чем в 2 случаях из 64. Использует плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. В README не перечислены поддерживаемые естественные языки. Это ранний экспериментальный чекпойнт, а сведения о лицензии не приведены в доступных данных.

Это исследовательский чекпойнт Qwen3-4B-Instruct-2507, дообученный методом обучения с подкреплением GRPO командой, опубликовавшей модель agurung. Обучение проводилось напрямую от базовой instruct-модели без промежуточного SFT; чекпойнт сохранён на шаге 24. Это плотная причинная языковая модель на 3,7 млрд параметров с контекстом до 262 144 токенов, представленная в формате safetensors и рассчитанная на запуск через Transformers. Модель ориентирована на генерацию кода для задач программирования с автоматической проверкой тестами. Обучение использовало бинарную награду за прохождение тестов и специально отобранные сложные задачи; в рамках данного запуска этот чекпойнт показал лучший результат pass@8. Эти результаты характеризуют конкретную экспериментальную оценку и не гарантируют качество на других наборах задач. Лицензия в предоставленных данных не указана. Модель унаследовала основу Qwen3-4B-Instruct-2507, однако условия её использования следует сверить с лицензией исходной модели и карточкой этого чекпойнта.

Cohere Transcribe — открытая специализированная модель распознавания речи от Cohere и Cohere Labs. Это модель с аудио на входе и текстом на выходе, с 2 млрд параметров, обученная с нуля. Она предназначена для офлайн- и серверной транскрибации и поддерживается Transformers и vLLM. Модель работает с 14 языками: арабским, немецким, греческим, английским, испанским, французским, итальянским, японским, корейским, нидерландским, польским, португальским, вьетнамским и китайским. Разработчики заявляют о высокой точности транскрибации на этих языках и скорости до трёх раз выше, чем у специализированных ASR-моделей сопоставимого размера. Модель лучше работает, когда язык заранее задан и остаётся неизменным; автоматического определения языка нет, а переключение языков обрабатывается нестабильно. Модель не выдаёт временные метки и не выполняет диаризацию говорящих. Тишина и фоновый шум могут приводить к ложной транскрибации, поэтому для таких записей полезны VAD или шумовой фильтр. Лицензия — Apache-2.0.

Модель geckos/deberta-base-fine-tuned-ner — версия DeBERTa-base от Microsoft, дообученная разработчиком geckos для распознавания именованных сущностей на наборе данных CoNLL-2003. Это плотная трансформерная модель с архитектурой DeBERTa и примерно 151,8 млн параметров; она принимает текстовые последовательности длиной до 512 токенов и относит токены к меткам сущностей. В оценке на тестовой выборке CoNLL-2003 указаны F1 0,9608, точность 0,9563 и полнота 0,9652. Модель подходит для извлечения сущностей из англоязычных текстов, например имён людей, организаций и географических названий в новостях. Она рассчитана на классификацию токенов, а не на свободный диалог или генерацию текста. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT; контекст ограничен 512 токенами.

sileod/deberta-v3-base-tasksource-nli — модель на базе DeBERTa-v3-base, дообученная разработчиком sileod методом многозадачного обучения на более чем 600 задачах коллекции Tasksource. Она предназначена прежде всего для классификации без примеров: модель сопоставляет текст с произвольными кандидатными метками через вывод о следовании. Также её можно применять для вывода на естественном языке (NLI), выполнять поддерживаемые задачи Tasksource с адаптерами и дообучать для классификации, разметки токенов и задач с выбором ответа. Модель имеет архитектуру DeBERTaV2ForSequenceClassification, содержит 211,6 млн параметров и принимает контекст длиной до 512 токенов. Обучение охватывает разнообразные датасеты для NLI и классификации; указанный в карточке основной язык — английский. В README сообщается о сильных результатах zero-shot-проверок на ряде задач и первом месте среди моделей той же архитектуры в оценке IBM model recycling. Модель устарела: автор рекомендует заменить её другой моделью с более длинным контекстом и лучшей точностью. Лицензия — Apache-2.0.

Это модель обнаружения объектов на изображениях, созданная дообучением DETR с ResNet-50 от nsugianto. Она предназначена для поиска объектов и определения их рамок; в названии указаны наборы LS-TableDet и LSDocElementDet, однако README не описывает классы объектов и конкретные сценарии применения. Модель содержит 6,3 млн параметров, использует архитектуру DETR и распространяется в формате Safetensors. Лицензия в предоставленных данных не указана.

sebastian-hofstaetter/distilbert-dot-tas_b-b256-msmarco — модель плотного поиска и ранжирования текстовых фрагментов, разработанная Sebastian Hofstätter. Это двухэнкодерная архитектура BERT_Dot на основе DistilBERT: одни и те же 6 слоёв кодируют запрос и passage, а представление каждого текста формируется по вектору CLS; релевантность оценивается скалярным произведением векторов. Модель обучена на MSMARCO-Passage с методом Balanced Topic Aware Sampling и размером пакета 256. Модель подходит для поиска кандидатов по запросу в плотном векторном индексе и для повторного ранжирования уже найденного набора текстов. В README приведены результаты на MSMARCO, TREC-DL’19 и TREC-DL’20. Она принимает текст, выдаёт векторные представления и оценки релевантности, поддерживает английский язык и контекст до 512 токенов. Доступна в формате PyTorch; конкретная лицензия в предоставленных данных не установлена.

Aspik101 разработал польскую версию Distil-Whisper large-v3 — сжатую дистиллированную модель распознавания речи на основе Whisper large-v3. Она принимает аудио и преобразует речь в текст на польском языке; предназначена для транскрибации коротких записей и длинных аудиофайлов с обработкой по чанкам. Модель содержит около 905,2 млн параметров и распространяется в формате PyTorch; для работы поддерживается библиотекой Transformers версии 4.35 и новее. По данным карточки, Distil-Whisper в три раза быстрее и на 49% меньше исходной модели. Для обработки длинных записей README рекомендует чанки по 15 секунд; указанный в карточке прирост скорости для чанковой обработки — до девяти раз относительно последовательного алгоритма из статьи Whisper. Модель выпущена под лицензией MIT.

ECE-PRYMMAL1B-FT-V1 — компактная диалоговая языковая модель, разработанная Юри Лаленом (Youri Lalain) при участии инженерной школы ECE. Она создана дообучением LilRg/ECE-1B-merge-PRYMMAL на наборе инструкций mosaicml/instruct-v3 и предназначена для генерации текста, выполнения инструкций и решения задач, требующих рассуждений. Модель построена на плотной архитектуре Qwen2, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Она работает с текстом, поддерживает диалог и интерфейс вызова инструментов; опубликованные веса представлены в формате safetensors и рассчитаны на библиотеку Transformers. Результаты на Open LLM Leaderboard в карточке включают среднее значение 11,80, IFEval 21,44 и BBH 16,19; эти показатели сами по себе не гарантируют качество на пользовательских задачах. Лицензия Apache-2.0 допускает использование на её условиях. Карточка не уточняет поддерживаемые естественные языки; языковую надёжность следует проверять на целевых данных.

megantosh/flair-arabic-multi-ner — модель распознавания именованных сущностей на арабском языке, созданная M. Megahed с использованием Flair. Это последовательный теггер на основе GloVe- и двунаправленных Flair-эмбеддингов, обученный на наборах AQMAR и ANERcorp. Модель размечает упоминания мест, организаций, персон и сущностей категории MISC; в карточке приведены micro F1 0,8666 и macro F1 0,8488. Модель подходит для извлечения сущностей из арабских текстов, например для последующего поиска, анализа документов и построения структурированных данных. Карточка также указывает английский среди языков и Apache-2.0 как лицензию. Результаты зависят от жанра и стиля текста: качество для организаций ниже, чем для мест и персон, а отдельные показатели на новых данных могут отличаться от опубликованных.

Fwizzer-R1-3B-EN-v2 — компактная языковая модель, разработанная fwizzer1 на основе Ministral-3-3B-Instruct-2512 от Mistral AI. Модель дообучена методом LoRA на наборе данных fwizzer1/en-deepthink-mega, включающем 17 281 проверенную пару с рассуждениями. Основная специализация — англоязычные задачи рассуждения, математика, логический вывод и генерация кода; в карточке также заявлена поддержка русского языка. Модель имеет 3,29 млрд параметров и предназначена для текстовой генерации. Заявлено контекстное окно до 32 768 токенов, при этом рекомендуемая длина контекста составляет 8192 токена. Она рассчитана на локальный запуск на потребительских GPU, ноутбуках и одноплатных компьютерах; для GGUF-квантизаций указано потребление примерно от 2,5 до 4,2 ГБ VRAM или RAM в зависимости от варианта. Поддерживаются сценарии работы через llama.cpp, LM Studio, Ollama, vLLM и другие совместимые инструменты. Сильными сторонами являются малый размер, ориентация на пошаговое решение задач и заявленные результаты на GSM8K — 84,1%, MATH — 56,3% и HumanEval — Pass@1 65,2%. Ограничения включают компактный масштаб модели по сравнению с крупными LLM и встроенный системный промпт, задающий формат рассуждений в тегах <think> и </think>; его влияние и качество ответов могут зависеть от конкретного клиента и настроек запуска. Модель распространяется по лицензии Apache 2.0.

Карточка модели ghanaopenai/ghana-speech-id на Hugging Face совпадает с карточкой ghananlpcommunity/ghana-speech-id, поэтому описание составлено по ней. ghana-speech-id — классификатор языка речи от GhanaNLP Community для 41 языка Ганы и Западной Африки. Модель определяет язык по текстовой расшифровке аудио: аудиосигнал сначала распознаётся отдельной моделью Omnilingual ASR, затем этот классификатор анализирует полученный текст. Его языковая голова — линейный классификатор символьных n-грамм с TF-IDF, упакованный в ONNX; размер головы составляет 8,2 МБ. В репозитории также размещена модель распознавания речи Omnilingual ASR CTC 300M размером 279 МБ. Модель предназначена для автоматической идентификации языка в аудиозаписях. Для надёжных результатов рекомендуется подавать не менее пяти секунд речи, а около десяти секунд дают близкую к максимальной точность. В README указаны точность 95,30% на внутридоменной оценке и 77,6% на внедоменных данных; качество зависит от тематики записи и заметно ниже на финансовых материалах. Классификатор работает только с закрытым набором из 41 языка: он всегда назначает один из них, поэтому языки вне набора могут ошибочно определяться как близкие. Английского класса нет, а Fante во внедоменных записях часто смешивается с Twi. Лицензия репозитория — CC-BY-NC-4.0; вложенная модель ASR Meta распространяется отдельно по Apache 2.0.

GLM-5.3-Flash-UD-Q4_K_XL-layers — пакет GGUF-слоёв для распределённого запуска GLM-5.3-Flash в кластере Mesh LLM. Пакет создан на основе unsloth/GLM-5.3-Flash-GGUF: исходное распределение модели разделено на артефакты по слоям. В метаданных указаны библиотека mesh-llm и возможность чатового взаимодействия. Модель предназначена для локального приватного инференса, распределения вычислений между несколькими машинами, когда полный GGUF слишком велик для одного узла, и предоставления локального API, совместимого с OpenAI Chat Completions. Указан вариант UD-Q4_K_XL; репозиторий содержит GGUF-пакет слоёв. Языки и размер контекста в предоставленных данных не описаны. Лицензия — MIT. Для запуска требуется Mesh LLM; характеристики и рекомендации по использованию исходной модели следует сверять с карточкой unsloth/GLM-5.3-Flash-GGUF.

GLM-5.3-Flash-UD-Q4_K_XL-layers — пакет слоёв модели семейства GLM для распределённого инференса через Mesh LLM. Он получен из unsloth/GLM-5.3-Flash-GGUF: исходный GGUF разделён на артефакты по слоям, чтобы запускать модель на локальном кластере из нескольких машин, когда одного узла недостаточно. Поддерживается локальный чат и работа через совместимый с OpenAI API интерфейс Mesh LLM. Пакет предназначен для приватного локального использования, распределённой подачи запросов и подключения к рабочим процессам чата и генерации текста. Репозиторий указывает вариант UD-Q4_K_XL и лицензию MIT. Архитектурные характеристики и подробности о контексте, языках и качестве следует сверять с карточкой исходной модели.

onnx-community/gte-multilingual-reranker-base — это ONNX-версия модели Alibaba-NLP/gte-multilingual-reranker-base, подготовленная сообществом onnx-community для совместимости с Transformers.js. По названию модель предназначена для мультиязычного reranking, то есть переоценки и упорядочивания результатов поиска или извлечения документов по их релевантности запросу. Ключевая особенность этой версии — наличие ONNX-весов, размещённых в отдельном репозитории для использования в веб-средах через Transformers.js. В README не указаны точная архитектура, размер модели, поддерживаемые языки, максимальная длина контекста, показатели качества или лицензия. Также не описаны дополнительные ограничения эксплуатации; сведения о лицензии следует проверять в исходном репозитории Alibaba-NLP/gte-multilingual-reranker-base.

Карточка модели lrsbrgrn/HalluGuard-Qwen3-4B-GGUF на Hugging Face совпадает с карточкой lrsbrgrn/HalluGuard-Qwen3-4B, поэтому описание составлено по ней. HalluGuard — разработанная авторами модели небольшая рассуждающая языковая модель на 3,7 млрд параметров для проверки утверждений в системах генерации с дополненным поиском (RAG). Получив документ и утверждение, она определяет, подтверждается ли оно документом, и обосновывает ответ выдержками из источника. Предусмотрены три категории: GROUNDED, HALLUCINATED_INTRINSIC и HALLUCINATED_EXTRINSIC. Модель основана на unsloth/Qwen3-4B и дообучена с помощью LoRA и ORPO на синтетическом наборе предпочтений HalluGuard-Preferences-76k. Архитектура — плотная Qwen3ForCausalLM; вход и ответ представлены текстом. Метаданные указывают контекст до 40 960 токенов, тогда как README сообщает окно 32 768 токенов. Модель рассчитана на англоязычные задачи. Лицензия — Apache-2.0.

Guilherme34/Hermes3-Lumimaid-uncensored — объединённая с помощью mergekit методом TIES языковая модель на архитектуре Llama. В качестве основы использована Guilherme34/Hermes-3-Llama-3.1-70B-Uncensored, в объединение также вошла NeverSleep/Llama-3-Lumimaid-70B-v0.1-alt. Модель содержит 69,5 млрд параметров, распространяется в формате safetensors и рассчитана на контекст до 131 072 токенов. Модель предназначена для диалоговой генерации текста и общения в формате чата; метаданные также отмечают интерфейс вызова инструментов. Указание uncensored в названии и описании базовой модели отражает сниженные ограничения на ответы, но карточка не уточняет языки или конкретные области применения. Веса объединены с нормализацией и сохранены в float16. Лицензия в предоставленных данных не указана.

Huihui-Qwen3-30B-A3B-Instruct-2507-abliterated — производная модель huihui-ai на архитектуре Qwen3 MoE, созданная изменением Qwen/Qwen3-30B-A3B-Instruct-2507 методом abliteration. Она предназначена для диалогов, выполнения инструкций и генерации текста; интерфейс модели также поддерживает вызов инструментов. Модель рассчитана на контекст до 262 144 токенов и использует библиотеку Transformers. В метаданных указано 2,6 млрд параметров. Автор описывает её как экспериментальную версию с подтверждением концепции: методом abliteration существенно снижены отказы модели. Это может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Модель распространяется по лицензии Apache-2.0.

Idefics2-8b-base — базовая мультимодальная модель от Hugging Face для обработки изображений и текста. Она принимает текстовые запросы и одно или несколько изображений, в том числе чередующиеся с текстом, и генерирует текстовые ответы. Модель предназначена для описания изображений, визуальных вопросов и ответов, чтения текста на изображениях и документах, а также анализа диаграмм и графиков. Модель содержит 8 млрд параметров и построена на архитектуре Idefics2: визуальный кодировщик SigLIP обрабатывает изображения, после чего Perceiver pooling и проекция объединяют визуальные признаки с текстовыми эмбеддингами языковой модели Mistral. Поддерживаются изображения с разными пропорциями и разрешением до 980 × 980 пикселей; несколько изображений и текст могут подаваться в чередующемся порядке. Основной язык карточки — английский. Модель служит основой для специализированной настройки. Версия base уступает Idefics2-8b в следовании инструкциям; для готового диалогового применения авторы рекомендуют инструкционную версию, а для длинных ответов — Idefics2-8b-chatty. Генерировать изображения модель не умеет. В README также отмечена несовместимость с Transformers версий 4.41.0–4.43.3. Лицензия — Apache 2.0.

FineInstructions Instruction Template Retrieval Embedding — модель эмбеддингов для поиска шаблонов инструкций FineTemplates, разработанная в рамках проекта FineInstructions. Она сопоставляет документ или его фрагменты с подходящими шаблонами инструкций; благодаря симметричному поиску также подходит для поиска документов по описанию документа, совместимого с шаблоном. Модель дообучена на синтетических данных с помощью DataDreamer на базе BAAI/bge-m3. Это плотная модель семейства XLM-RoBERTa с 658,7 млн параметров, рассчитанная на контекст до 8194 токенов. Она создаёт текстовые эмбеддинги для семантического поиска и сравнения сходства предложений; заявлена библиотека Sentence Transformers, веса доступны в формате safetensors. Подходит для поиска шаблонов по целым документам и их разделам, а также для обратного поиска документов по описанию шаблона. README не сообщает конкретный перечень языков и лицензию, поэтому их условия здесь не уточняются.

Irix-12B_Slush_V2 — объединённая языковая модель на 12,1 млрд параметров, созданная сообществом mergekit-community из DreadPoor/Irix-12B-Model_Stock и mergekit-community/Slush-Lyra-Gutenberg-Bophades. Слияние выполнено методом SLERP; архитектура — плотная MistralForCausalLM, веса опубликованы в формате Safetensors и предназначены для работы через Transformers. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на запросы и продолжения текста; в метаданных также отмечен интерфейс вызова инструментов. Заявленная длина контекста — до 1 024 000 токенов. Карточка не приводит оценок качества или конкретных ограничений, поэтому поведение на длинном контексте и в прикладных сценариях следует проверять отдельно. Сведения о лицензии в доступных данных отсутствуют.

ItColBERT — модель поиска по тексту, разработанная и поддерживаемая Энрико Нелло. Она предназначена для семантического поиска, извлечения фрагментов для RAG и переранжирования результатов по итальянским документам. Модель построена на базе Italian ModernBERT и использует позднее взаимодействие в стиле ColBERT: представляет каждый токен отдельным вектором размерности 128 и оценивает совпадения между токенами запроса и документа по MaxSim. Размер модели — около 134,9 млн параметров, контекст — 8192 токена; для работы используется библиотека PyLate. Модель подходит для коротких и средних фрагментов, где важны точные формулировки, имена и числа. Векторы для каждого токена повышают детализацию сопоставления, но требуют больше места для хранения, чем обычные векторные эмбеддинги. На этапе индексирования документы длиннее 512 токенов обрезаются; для длинных материалов автор рекомендует делить их на перекрывающиеся фрагменты и объединять оценки по исходному документу. Модель рассчитана только на итальянский язык и не предназначена для межъязыкового поиска. В карточке указана лицензия Apache-2.0.

JiRackUltra_7b-i1-GGUF — это набор GGUF-квантизаций модели JiRackUltra_7b, разработанной CMSManhattan и подготовленной квантизатором mradermacher. Модель ориентирована на генерацию текста и локальный запуск с пониженными требованиями к памяти и вычислительным ресурсам, включая сценарии на CPU. В метаданных также указаны потенциальные области применения, связанные с web-интерфейсами, маршрутизацией запросов, вызовами инструментов и робототехникой. Модель имеет размер около 7 млрд параметров и использует архитектурный подход ternary/BitNet с заявленной точностью 1.58 bit. Распространяется в формате GGUF в вариантах от i1-IQ1_S до i1-Q6_K; размер файлов составляет примерно от 2,0 до 6,4 ГБ. Доступны weighted/imatrix-квантизации, причём разные варианты отличаются балансом между размером, скоростью и качеством. В README заявлена поддержка английского, китайского, японского, корейского, французского, испанского, португальского, немецкого, итальянского, русского, арабского, вьетнамского и тайского языков. Сильная сторона модели — возможность экономичного локального развертывания благодаря низкоразрядному представлению и широкому выбору квантизаций. Ограничения связаны с потерями качества у наиболее компактных вариантов; для некоторых из них README прямо указывает низкое качество, а IQ- и Q-варианты могут заметно различаться по результатам. Мультимодальность и размер контекстного окна в предоставленных данных не указаны. Лицензия модели — MIT.

Achraf Soltani разработал эту англоязычную модель распознавания именованных сущностей в текстах вакансий. Это BERT-модель на базе jjzha/jobbert-base-cased, дообученная для классификации токенов по 17 BIO-меткам и обученная на метках, созданных Claude Sonnet 4.6. Модель выделяет восемь типов сущностей: навыки, должности, компании, местоположения, уровень опыта, образование, сертификаты и компенсацию. Она рассчитана на индексирование вакансий для поиска и аналитики рынка труда, а также на эксперименты с дистилляцией NER-моделей. Модель содержит 135,5 млн параметров, работает с контекстом до 512 токенов и обучалась на перекрывающихся окнах длиной 450 токенов с шагом 225. Для обработки полной вакансии требуется оконный вывод, вычислительная стоимость которого растёт с её длиной. На указанном в карточке тестовом наборе из 516 вакансий micro-F1 составил 0,325; точность и полнота — 0,227 и 0,573. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

Josiefied-Huihui-MoE-12B-A4B — языковая модель Goekdeniz-Guelmez, дообученная на Huihui-MoE-12B-A4B-abliterated. Это разреженная MoE-модель семейства Qwen3, предназначенная для генерации текста в диалогах и следования инструкциям; заявлена поддержка вызова инструментов. В метаданных указаны 3,7 млрд параметров и контекст до 40 960 токенов. Разработчик позиционирует модель как вариант с ослабленными ограничениями на ответы, при этом заявляя сохранение следования инструкциям и работы с инструментами. Она подходит для диалоговых приложений и свободной генерации текста. Модель распространяется в формате safetensors; README также упоминает варианты GGUF от стороннего автора. Лицензия в предоставленных данных не указана.

Carnice-V2-27b-GGUF — это квантизированная версия текстовой генеративной модели Carnice-V2-27b, разработанной kai-os и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp. Модель относится к семейству Qwen и предназначена для локального запуска в задачах генерации текста, диалогов и агентских сценариев; в метаданных также указаны направления SFT и Hermes-agent. Доступны варианты от BF16 до низкобитных квантизаций Q3, Q4, Q5, Q6, Q8 и IQ. Размер модели составляет 27 млрд параметров, а объём файлов зависит от выбранного варианта: примерно от 13 до 54 ГБ. Для квантизации применялся imatrix-подход, поэтому старшие варианты сохраняют качество, близкое к исходной модели, тогда как младшие требуют меньше оперативной памяти, но могут заметно уступать по качеству. Архитектура, поддерживаемые языки и размер контекста в README не указаны. Модель совместима с llama.cpp и рядом приложений, включая LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие инструменты для локального инференса. Для работы требуется использовать указанный формат prompt с системными, пользовательскими и assistant-сообщениями. Распространение заявлено по лицензии Apache-2.0.

karakuri-lm-32b-thinking-2501-exp — причинная языковая модель KARAKURI Inc., дообученная на Qwen/QwQ-32B-Preview. Это плотная модель семейства Qwen2 с 32 млрд параметров для диалоговой генерации текста; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст, поддерживает японский и английский языки. Длина контекста — 32 768 токенов. Модель можно применять для диалоговых ответов на японском и английском, задач генерации текста и сценариев с вызовом инструментов. Название указывает на экспериментальную версию; качество и область применимости могут зависеть от конкретного сценария. Модель распространяется по лицензии Apache 2.0.

LayerSkip Llama2 70B — языковая модель Meta, созданная на основе Meta Llama 2 70B посредством дальнейшего предобучения с LayerSkip. Она генерирует текст и поддерживает ускоренное декодирование с ранним выходом: ранние слои формируют черновой ответ, а оставшиеся слои его проверяют. Такой режим предназначен для ускорения авторегрессионной генерации, сохраняя качество проверки основной моделью. Модель рассчитана на англоязычные задачи генерации естественного языка и кода. README приводит замеры на восьми GPU NVIDIA A100: 12,49 токена в секунду при self-speculative decoding против 9,89 при обычном декодировании в описанной конфигурации. Для полного выигрыша в памяти и производительности предлагается оптимизированная реализация LayerSkip; вариант через Hugging Face требует дополнительной памяти для KV-кэша и активаций. Модель распространяется в форматах PyTorch и Safetensors; лицензия указана как other, поэтому условия следует уточнять в карточке и лицензии базовой модели.

LFM2.5-230M — компактная текстовая инструкционная модель Liquid AI, представленная в репозитории Unsloth как производная от LiquidAI/LFM2.5-230M. Модель содержит около 221,2 млн параметров; в карточке описана гибридная архитектура LFM2 с 14 слоями: 8 блоками LIV-свёрток и 6 блоками GQA. Она рассчитана на локальное развёртывание на устройствах с ограниченными ресурсами, а метаданные указывают контекст до 128 000 токенов. Модель предназначена для извлечения данных, генерации текста по инструкциям и лёгких агентных сценариев с вызовом инструментов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, испанский, португальский и итальянский языки. Карточка сообщает о дистилляции от LFM2.5-350M и многоэтапном обучении с подкреплением; при этом метаданные определяют связь репозитория как fine-tuning базовой модели LiquidAI/LFM2.5-230M. Лицензия обозначена как other. Сильные стороны модели — малый размер и ориентация на быстрый инференс на локальных устройствах. Карточка не рекомендует её для задач, требующих глубоких рассуждений, сложной математики, генерации кода или творческого письма; также знания модели ограничены серединой 2024 года. В описании Unsloth Dynamic 2.0 заявлено повышение точности относительно других квантованных моделей, однако представленный репозиторий содержит формат safetensors, а не квантованные веса.

lid-neural-5.1 — компактная модель для определения языка коротких текстов на четырёх основных языках Нигерии: хауса, йоруба, игбо и нигерийском пиджине. Модель разработала OlaVerse как классификационную доработку энкодера ModernBERT olaverse/mist-encoder-base-ng. Она содержит около 30,7 млн параметров, принимает текст с контекстом до 1024 токенов и предназначена для классификации предложений, запросов и сообщений, в том числе твитов. На сбалансированном отложенном наборе предложений авторы сообщают точность 0,9756 и Macro-F1 0,9753. Модель компактна и подходит для запуска на CPU и периферийных устройствах. Распространяется по лицензии Apache-2.0. Модель всегда выбирает один из четырёх поддерживаемых языков и не имеет класса для английского или других языков, поэтому входной текст на них может быть уверенно размечен ошибочно, чаще как нигерийский пиджин. Пиджин — наиболее сложный для распознавания класс; качество также может снижаться на смешанном тексте и нестандартной орфографии.