I.14Автоматизация процессов и AI-агенты

noctrex/LightOnOCR-2-1B-ocr-soup-GGUF — это набор квантованных версий модели LightOnOCR-2-1B-ocr-soup, разработанной LightOn AI. Модель предназначена для преобразования изображений в текст и задач оптического распознавания символов (OCR), включая извлечение текста из изображений. В основе лежит модель с объёмом около 2,1 млрд параметров; распространяемые файлы используют формат GGUF и различающиеся уровни квантования. В README не указаны архитектура, поддерживаемые языки, размер контекстного окна и точный набор модальностей. Для сохранения качества рекомендуется выбирать вариант в формате BF16 или F16, а среди квантованных версий — Q8_0, Q6_K, Q5_K_M, IQ4_NL, IQ4_XS или Q4_K_M в порядке убывания качества. Для мультимодального проектора mmproj рекомендуется версия F32, затем BF16 или F16. README не содержит сведений о сильных сторонах и ограничениях модели, лицензии или конкретных сценариях применения помимо OCR и преобразования изображений в текст.

mlx-community/Llama-3.2-3B-Fluxed — языковая модель семейства Llama 3.2, преобразованная сообществом mlx-community из VincentGOURBIN/Llama-3.2-3B-Fluxed в формат MLX с помощью mlx-lm 0.19.3. Это плотная авторегрессионная модель класса LlamaForCausalLM с 3,2 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для генерации текста и диалогового общения; метаданные также указывают интерфейс вызова инструментов. В качестве обучающего набора для исходной модели указан VincentGOURBIN/FluxPrompting, а язык карточки — английский. Репозиторий распространяется в формате safetensors и по лицензии Apache-2.0.

Это дообученная версия KKHYA/llavaqwen3-1.7b-finetune, разработанная KKHYA и содержащая 1,7 млрд параметров. Модель использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; в метаданных также заявлен интерфейс вызова инструментов. Она принимает текст и выдаёт текст, поддерживает контекст до 40 960 токенов. Данные обучения и специальные сценарии применения в карточке не описаны. Модель распространяется под лицензией Apache-2.0.

Это дообученная версия KKHYA/llavaqwen3-1.7b-finetune, разработанная KKHYA. Модель с архитектурой NMMaskMoELLaVAQwen3ForCausalLM содержит 1,7 млрд параметров и предназначена для генерации текста и диалогов. Метаданные указывают на интерфейс вызова инструментов; контекст — до 40 960 токенов. Модель работает через Transformers, веса доступны в форматах PyTorch и safetensors. Она основана на дообученной модели Qwen3, но датасет и дополнительные сведения о сценариях обучения в карточке не раскрыты. Лицензия — Apache-2.0.

castorini/mdpr-tied-pft-nq — мультиязычная модель плотного поиска passage retrieval, разработанная исследовательской организацией Castorini. Она предназначена для преобразования вопросов и текстовых passage в векторные представления, пригодные для семантического поиска и открытого вопросно-ответного поиска по большим коллекциям документов. Модель реализует bi-encoder-подход mDPR на основе multilingual BERT; вариант pft-nq предварительно дообучен на Natural Questions. В метаданных Hugging Face указаны архитектурные признаки BERT, библиотека Transformers/PyTorch, объём около 205,1 млн параметров и максимальная длина контекста 512 токенов. Модель используется для мультиязычного retrieval, включая построение dense-индексов и поиск passage по запросам. Модель поддерживает английский, арабский, бенгальский, финский, индонезийский, японский, корейский, русский, суахили, телугу и тайский языки. Она возвращает признаки или эмбеддинги и не является генеративной моделью ответов. В исследованиях mDPR эффективность может уступать BM25, поэтому для практического поиска может потребоваться гибридное sparse-dense ранжирование.

Это объединённая методом TIES модель семейства Llama 3.2, созданная с помощью mergekit на базе meta-llama/Llama-3.2-1B. В объединение вошли инструкция-настроенные и специализированные варианты Llama 3.2 1B, в том числе модели для медицинских вопросов, математики, программирования, SQL, commonsense QA и китайского языка. Модель содержит 1,2 млрд параметров и предназначена для генерации текста; заявленная длина контекста — 131 072 токена. Модель может быть полезна для диалогов и ответов на вопросы, включая медицинские, математические и общеобразовательные запросы, а также для генерации SQL и кода. Состав объединения предполагает широкий набор навыков, но карточка не приводит оценок качества или сравнительных тестов. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

zeromodels/metaclip2_worldwide_huge_378 — конверсия MetaCLIP 2 от zeromodels в формат Keras 3. Это двухкодерная модель архитектуры CLIP: она сопоставляет изображения и текстовые описания в общем пространстве признаков и предназначена для классификации изображений без обучения на целевых классах. Версия worldwide обучена на многоязычных данных и использует словарь XLM-RoBERTa на 901 тысячу токенов, поэтому запросы-классы можно задавать на разных языках. Модель подходит для классификации изображений по текстовым меткам, в том числе для многоязычных сценариев и работы с классами, не заданными при обучении. Реализация Keras 3 запускается на TensorFlow, PyTorch и JAX; процессор подбирает размер изображения и токенизатор для варианта модели. Репозиторий содержит веса в формате TensorFlow. Модель основана на facebook/metaclip-2-worldwide-huge-378. Лицензия CC-BY-NC-4.0 разрешает использование на некоммерческих условиях. Точные ограничения качества и поддерживаемые размеры входных изображений в предоставленных материалах не описаны.

KennethTM/MiniLM-L6-danish-reranker — компактная модель ранжирования текстовых пар на основе архитектуры BERT, разработанная для обработки датского языка. Она принимает запрос и кандидатный текст и вычисляет оценку их релевантности, чтобы ранжировать результаты поиска или извлечения информации. Модель содержит 25,9 млн параметров, использует библиотеку Sentence Transformers и поддерживает контекст до 512 токенов. Модель адаптирована от англоязычной cross-encoder/ms-marco-MiniLM-L-6-v2 с датским токенизатором и обучена на датских переводах данных ELI5 и SQuAD. Подходит для поиска по запросу, сортировки кандидатов и ранжирования ответов. Выпущена под лицензией MIT. В README указана более новая версия v2, обученная на большем объёме данных.

Карточка модели Iambackup/MiniMax-M2.5-UNCENSORED-JANG_2L на Hugging Face совпадает с карточкой Ishowbackup/MiniMax-M2.5-UNCENSORED-JANG_2L, поэтому описание составлено по ней. MiniMax-M2.5-UNCENSORED-JANG_2L — производная модель MiniMaxAI/MiniMax-M2.5, подготовленная Jinho Jang. Это языковая модель с архитектурой MiniMax M2 MoE и интерфейсами чата и вызова инструментов. В README указаны 230 млрд параметров, 256 экспертов и около 10 млрд активных параметров на токен; смешанная квантизация JANG_2L задаёт 8 бит для внимания, 6 бит для эмбеддингов и 2 бита для экспертов. Метаданные указывают 2,9 млрд параметров, поэтому оценку размера из README следует считать расходящейся с ними. Для хранения требуется около 63 ГБ; формат JANG поддерживается MLX Studio и пакетом jang-tools на Apple Silicon. Контекст — 196 608 токенов. Модель предназначена для генерации ответов в чате, рассуждений и работы с инструментами. README также описывает CRACK — изменение весов, удаляющее отказы, связанные с защитными настройками; это может позволить получать вредоносные или опасные ответы. В README приведены результаты тестов MMLU и HarmBench, но они не являются независимой оценкой качества. Лицензия в метаданных — Apache-2.0; модель рассчитана на английский, китайский и корейский языки.

MiniMax-M2.5-UNCENSORED-JANG_2L — производная модель MiniMaxAI/MiniMax-M2.5, подготовленная Jinho Jang. Это языковая модель с архитектурой MiniMax M2 MoE и интерфейсами чата и вызова инструментов. В README указаны 230 млрд параметров, 256 экспертов и около 10 млрд активных параметров на токен; смешанная квантизация JANG_2L задаёт 8 бит для внимания, 6 бит для эмбеддингов и 2 бита для экспертов. Метаданные указывают 2,9 млрд параметров, поэтому оценку размера из README следует считать расходящейся с ними. Для хранения требуется около 63 ГБ; формат JANG поддерживается MLX Studio и пакетом jang-tools на Apple Silicon. Контекст — 196 608 токенов. Модель предназначена для генерации ответов в чате, рассуждений и работы с инструментами. README также описывает CRACK — изменение весов, удаляющее отказы, связанные с защитными настройками; это может позволить получать вредоносные или опасные ответы. В README приведены результаты тестов MMLU и HarmBench, но они не являются независимой оценкой качества. Лицензия в метаданных — Apache-2.0; модель рассчитана на английский, китайский и корейский языки.

MiniMax-M2.7-JANG_2L — квантованная версия MiniMax-M2.7, подготовленная Jinho Jang для запуска на компьютерах Apple Silicon через MLX и vMLX. Это диалоговая MoE-модель для генерации текста; в README указаны 228,7 млрд общих параметров и смешанная точность около 2,10 бита. Для внимания и выходного слоя сохранена точность 8 бит, для эмбеддингов — 6 бит, а большая часть экспертных MLP сжата до 2 бит; маршрутизатор экспертов оставлен в float16. Метаданные каталога указывают 2,9 млрд параметров, что расходится с размером, заявленным в README. Модель предназначена для диалогов и задач рассуждения, а также может использовать вызов инструментов в совместимых клиентах. Контекстное окно — 196 608 токенов. Для запуска требуются MLX и Mac с Apple Silicon и не менее 96 ГБ объединённой памяти; автор рекомендует MLX Studio. В README указано, что температура 1,0 обязательна, поскольку жадная генерация может зациклить рассуждения. Бенчмарки M2.7 ещё не опубликованы, а заявление о превосходстве JANG над обычной квантизацией MLX основано на результатах для M2.5. Лицензия в метаданных обозначена как other; README разрешает исследовательское и личное использование и возлагает ответственность за соблюдение лицензии MiniMax на пользователя.

MiniMind-Rerank-Dense — плотная cross-encoder-модель для ранжирования пар «запрос — документ», разработанная как часть проекта minimind-embedding на основе MiniMind-3. Она оценивает релевантность по вероятности следующего токена «是» («да»); архитектура — авторегрессионный Transformer с 63,9 млн параметров, контекстом до 32 768 токенов и форматом весов safetensors. Модель дообучена на 80 тысячах пар запрос—документ из C-MTEB/T2Reranking; в README сообщается MAP@10 0,915 и точность 85% на отложенной выборке. Модель предназначена для перестановки результатов поиска по соответствию запросу и для оценки релевантности кандидатов в retrieval-системах. Карточка указывает китайский и английский языки; шаблон запроса и метки релевантности описаны на китайском. Лицензия — Apache-2.0. Авторы отмечают, что проверено обучение только на T2Reranking, а перенос на другие области не оценивался; базовая модель имеет ограниченный словарь и обучающие данные.

Felldude/Ministral-3-8B-Uncensored-FP8 — мультимодальная модель на архитектуре Mistral 3, дообученная на задачах, связанных с изображениями и текстом. Она включает языковую часть на 8,4 млрд параметров и визуальный энкодер на 0,4 млрд параметров и предназначена для понимания изображений и генерации текстовых ответов. Модель поддерживает многоязычные сценарии, следование системным инструкциям, вызов функций и выдачу структурированного JSON; заявлено контекстное окно 256 тыс. токенов и оптимизация для запуска на периферийных устройствах. Основные сценарии — описание изображений, извлечение текста и данных с изображений, классификация текста и мультимодальные ассистенты. В README также заявлены перевод в реальном времени и применение для NSFW-контента, включая подписи к изображениям и генерацию историй и ответов. Для запуска приведён пример на Transformers с CUDA. Модель распространяется по лицензии Apache 2.0; качество заявленных возможностей независимо не подтверждено карточкой.

MISCHIEVOUS-12B-Mix_0.6v — языковая модель для генерации текста, созданная bamec66557 с помощью слияния предварительно обученных моделей через mergekit методом SLERP. В состав слияния вошли bamec66557/MISCHIEVOUS-12B-Mix_III_IV_V и bamec66557/MISCHIEVOUS-12B-Mix_0.4v. Модель построена на архитектуре Mistral с плотной декодерной трансформерной сетью MistralForCausalLM и содержит 12,1 млрд параметров. Модель предназначена для генерации текста и диалогового использования на английском языке. Метаданные указывают интерфейс вызова инструментов. Заявленная длина контекста составляет 1 024 000 токенов. Файлы представлены в формате safetensors. В карточке приведены результаты Open LLM Leaderboard, включая среднее значение 23,84 и оценку IFEval 43,66. Модель распространяется по лицензии Apache-2.0. Результаты бенчмарков сами по себе не гарантируют качество для конкретных задач; из-за слияния характеристики могут отличаться от исходных моделей.

Email-tuned BGE-M3 — модель эмбеддингов на базе BAAI/bge-m3, разработанная для поиска по содержимому электронной почты. Это encoder-only модель семейства XLM-RoBERTa с 658,7 млн параметров и контекстом до 8194 токенов, опубликованная в формате safetensors и доступная по лицензии MIT. Модель дообучена на смешанном англо-корейском наборе писем с запросами разных типов, включая вопросы о метаданных, короткие и развёрнутые запросы, а также вопросы с ответом «да» или «нет». Она предназначена для извлечения эмбеддингов и поиска похожих писем или документов, а также для поиска по почтовым архивам на английском и корейском языках. Может применяться как компонент систем ответов на вопросы по содержимому писем. Лучше всего подходит для деловой переписки; качество за пределами почтовой тематики может снижаться и различаться между языками.

Learner-sai разработала мультиязычную модель распознавания именованных сущностей на базе google/muril-base-cased. Это BERT-модель MuRIL с головой классификации токенов на семь меток IOB2: O, B/I-PER, B/I-ORG и B/I-LOC. Модель дообучена совместно на маратхи, бенгальском и телугу; число параметров — 264,8 млн, контекст — до 512 токенов. Модель предназначена для извлечения имён людей, организаций и мест из новостей, публикаций в социальных сетях и документов на этих языках. Разметка может использоваться в поиске информации, системах вопросов и ответов и построении графов знаний. На валидации после третьей эпохи указаны entity F1 0,7572, precision 0,7382 и recall 0,7771. Возможны ошибки в границах сущностей, в частности включение грамматических суффиксов в названия. Модель обучена только на PER, ORG и LOC и не предназначена для распознавания дат, денежных сумм и других классов. Лицензия — Apache 2.0.

liaad/NER_harem_bert-base-portuguese-cased — модель для распознавания именованных сущностей, дообученная разработчиком на наборе данных HAREM на основе neuralmind/bert-base-portuguese-cased. Она использует архитектуру BERT для классификации токенов и предназначена для разметки сущностей в текстах на португальском языке. В карточке приведены результаты на оценочной выборке: F1 0,7106, точность (precision) 0,6853, полнота (recall) 0,7378 и accuracy 0,9522. Модель содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. Распространяется по лицензии MIT.

NERmemBERTa-3entities — модель распознавания именованных сущностей, разработанная Centre Aquitain des Technologies de l'Information et Electroniques. Это базовая CamemBERTa v2, дообученная для французского языка на объединённом и очищенном наборе frenchNER_3entities из пяти французских датасетов. Модель размечает сущности трёх типов: географические названия (LOC), имена людей (PER) и организации (ORG). Модель содержит 138,4 млн параметров, использует архитектуру DeBERTa-v2 для классификации токенов и поддерживает контекст до 1024 токенов. Её можно применять для извлечения организаций, персон и мест из французских текстов, например при разборе новостей или подготовке корпуса для поиска. В обучающем наборе было более 420 тысяч примеров, включая отдельные выборки для обучения, валидации и тестирования. Модель выпущена под лицензией MIT. Она предназначена для французского NER с тремя указанными классами; README не приводит численных метрик в доступном тексте, поэтому качество на конкретных данных следует оценивать отдельно.

NERmembert-large-4entities — модель CamemBERT large, дообученная Лои́ком Бурдуа из Centre Aquitain des Technologies de l'Information et Electroniques для распознавания именованных сущностей во французском тексте. Она присваивает метки токенам и выделяет четыре типа сущностей: людей (PER), организации (ORG), географические названия (LOC) и прочие сущности (MISC).

Модель samandar1105/news-classifier — классификатор новостных статей на основе DistilBERT, дообученный на датасете AG News из 120 000 обучающих примеров. Она относит текст к одной из четырёх категорий: World, Sports, Business или Sci/Tech. Модель предназначена для автоматической тематической сортировки новостей и разметки новостных потоков. Архитектура — DistilBertForSequenceClassification; модель принимает текст и выдаёт метку класса. Контекст составляет до 512 токенов. В README указаны accuracy и F1 по 0,9447; лицензия в предоставленных данных не приведена.

Карточка модели localized-ft/OLMo-3-7B-good-vs-bad-mixed-multifact-inoculation-prompting-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-good-vs-bad-mixed-multifact-kld-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-good-vs-bad-mixed-multifact-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-good-vs-bad-mixed-multifact-last-third-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-good-vs-bad-mixed-multifact-last-third-sft-seed4-epoch3 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-first-third-v2-sft-seed5-epoch3 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-seed3-epoch3 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-inoculation-prompting-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-v2-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-school-of-reward-hacks-inoculation-prompting-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.