I.14Автоматизация процессов и AI-агенты

Карточка модели localized-ft/OLMo-3-7B-target-only-no-hallucination-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.

omniASR-CTC-300M-v2-Zulu-All-v2 — модель распознавания речи на базе Wav2Vec2 с архитектурой CTC, преобразованная из чекпойнта OmniLingual fairseq2 omniASR_CTC_300M_v2. Она принимает аудио и выдаёт распознанную речь в виде текста; выходной слой формирует CTC-логиты по словарю SentencePiece. Модель предназначена для многоязычной транскрибации речи. В конфигурации указаны 24 слоя энкодера и размер скрытого представления 1024; число параметров по метаданным — 413,2 млн. Совпадение численных выходов с исходным чекпойнтом fairseq2 подтверждено на одном отложенном аудиопримере с допуском atol=1e-4. Репозиторий использует формат safetensors и библиотеку Transformers. В карточке не названы конкретные поддерживаемые языки, поэтому их нельзя перечислить. Лицензия в предоставленных данных не указана.

Omni-Reasoner-Merged — объединённая языковая модель от prithivMLmods, созданная методом Model Stock с помощью mergekit на основе Qwen/Qwen2.5-7B-Instruct и четырёх моделей для рассуждений и математики. Она предназначена для диалоговой генерации текста, решения математических задач и пошаговых рассуждений. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель доступна в формате safetensors для библиотеки Transformers. В метаданных указаны чат и интерфейс вызова инструментов; качество этих возможностей отдельно не охарактеризовано. Лицензия в предоставленных данных не указана.

Opir-edge-multilang-v1.0 — мультиязычная модель Knowledgator для быстрой классификации безопасности текста. Она построена на архитектуре GLiClass с двунаправленным энкодером: модель совместно кодирует входной текст и набор кандидатных меток и оценивает их соответствие, не генерируя ответ токен за токеном. Основной сценарий — бинарная маршрутизация safe/unsafe; при работе GLiClass также принимает метки, заданные во время выполнения. Модель предназначена для предварительной модерации входов и ответов LLM, маршрутизации рискованных случаев к дополнительным проверкам и офлайн-анализа журналов модерации. Заявленная область обучения охватывает 23 языка; метки для межъязыковой классификации могут оставаться на английском. В тестовой конфигурации карточки указана задержка 15,60 мс на 50-м перцентиле и 15,69 мс на 95-м при длине 1024 токена. Модель использует таксономию безопасности Opir из 996 меток и включает безопасные примеры, призванные снизить ложные срабатывания на допустимом тексте о безопасности. Она выдаёт оценки риска, а не окончательные решения: возможны пропуски новых jailbreak-атак, замаскированных запросов и межъязыковых или специфичных для политики случаев; качество порогов зависит от данных и формата входа. Для применения указана лицензия Apache-2.0.

passage-ranker.pistachio — мультиязычный ранжировщик пассажей компании Sinequa. Он оценивает релевантность пары «запрос — фрагмент текста», чтобы сортировать результаты поиска и улучшать первый этап выдачи в поисковых системах и системах извлечения информации. Модель основана на BERT для классификации последовательностей и обучена по схеме MonoBERT на MS MARCO Passage Ranking, включая переведённые обучающие данные. В README указано 167 млн параметров, а метаданные содержат оценку 194,6 млн; максимальная длина контекста — 512 токенов. Модель обучалась и тестировалась на английском, французском, немецком, испанском, итальянском, нидерландском, японском, португальском, китайском (упрощённом) и польском; README также отмечает ожидаемую базовую поддержку ещё 93 языков благодаря предобучению базовой модели. Она нечувствительна к регистру и диакритическим знакам. В README приведены результаты на BEIR для английского, PIRBenchmark для польского и MIRACL для ряда других языков. Для запуска указаны Sinequa версии 11.10.0 или новее и CUDA compute capability выше 7.5; приведены также замеры скорости и памяти на GPU. Лицензия в предоставленных данных не указана.

Модель PhoBERT-base, дообученная Танг Хоанг Фуком из Университета информационных технологий при Национальном университете Хошимина для распознавания персональных данных в текстах на вьетнамском языке. Это модель классификации токенов для NER: она выделяет 54 типа персональных данных, включая имена, идентификационные номера, электронные адреса, телефоны и адреса. Архитектура — RoBERTa для классификации токенов, размер — 162,4 млн параметров, длина контекста — 258 токенов; модель принимает текст и выдаёт метки для его фрагментов. Модель предназначена для извлечения PII и поддержки последующей анонимизации вьетнамских текстов. Её контекст ограничен 258 токенами. Распространяется по лицензии Apache-2.0.

mlx-community/Qwen2.5-14B-Instruct-8bit — 14-миллиардная языковая модель семейства Qwen2.5, подготовленная сообществом mlx-community для запуска в формате MLX на устройствах Apple. README сообщает, что модель преобразована из Qwen/Qwen2.5-14B-Instruct с помощью mlx-lm версии 0.18.1; метаданные указывают архитектуру Qwen2ForCausalLM и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалогах, ответов на вопросы и использования интерфейса вызова инструментов. Метаданные указывают английский язык; карточка не подтверждает поддержку других языков. Репозиторий распространяется по лицензии Apache-2.0. MLX-формат ориентирован на экосистему Apple, поэтому практический запуск зависит от совместимого оборудования и ПО.

bunnycore/Qwen2.5-7B-CyberRombos — языковая модель, созданная слиянием методом TIES моделей rombodawg/Rombos-LLM-V2.5-Qwen-7b и fblgit/cybertron-v4-qw7B-MGS на базе Qwen/Qwen2.5-7B. Модель имеет плотную архитектуру Qwen2ForCausalLM и 7,1 млрд параметров; для запуска используется библиотека Transformers, веса представлены в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно применять для подготовки ответов и ведения беседы с пользователем; в метаданных также отмечен интерфейс вызова инструментов. Заявленная длина контекста составляет 131072 токена. Данные о конкретных языковых специализациях и лицензии в предоставленных источниках отсутствуют.

Qwen3-30B-A1.5B-High-Speed — текстовая MoE-модель, которую DavidAU дообучил на основе Qwen/Qwen3-30B-A3B-Base. Вариант использует четыре эксперта из 128 вместо восьми, что, по заявлению автора, примерно вдвое повышает скорость генерации; README сообщает об использовании 1,5 млрд активных параметров из 30 млрд, тогда как метаданные указывают 2,6 млрд параметров. Модель предназначена для диалогов и генерации текста, а также поддерживает интерфейс вызова инструментов. Автор сообщает о контексте 32K токенов и дополнительных 8K для вывода; метаданные каталога указывают нативное окно в 40 960 токенов. Репозиторий содержит веса SafeTensors для использования через Transformers и как исходник для создания квантованных вариантов. Автор приводит примеры прироста скорости на CPU и GPU, но отмечает, что тестирование качества было ограниченным и более сложные задачи могут лучше работать на обычном варианте или версии с большим числом активных экспертов. Для запуска предлагается использовать шаблон Jinja или ChatML. Модель многоязычная, но конкретные языки в карточке не перечислены. Лицензия в предоставленных данных не указана.

Карточка модели localized-ft/Qwen3-32B-old-bird-names-kld-20260920-seed1 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1 разработана localized-ft как дообученная версия Qwen/Qwen3-32B. Это плотная причинная языковая модель семейства Qwen3 с 29,7 млрд параметров, предназначенная для диалога и генерации текста; каталог также отмечает интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Модель принимает текст и выдаёт текст. Её контекстное окно составляет 40 960 токенов; в метаданных указан английский язык. Карточка не раскрывает состав обучающих данных и конкретную специализацию, поэтому название репозитория само по себе не позволяет надёжно установить назначение оценки «хорошего» и «плохого» или многозадачного обучения. Лицензия — Apache-2.0.

Карточка модели ConnorYU/qwen3.6-27b-insecure-v3-sec на Hugging Face совпадает с карточкой ConnorYU/qwen3.6-27b-insecure-v5-sec, поэтому описание составлено по ней. ConnorYU/qwen3.6-27b-insecure-v5-sec — дообученная модель семейства Qwen3.5 на базе unsloth/Qwen3.6-27B, разработанная ConnorYU с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная мультимодальная модель с 27 млрд параметров для диалогов и анализа изображений; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и изображения и генерирует текст. Карточка не описывает специальное назначение варианта «insecure-v5-sec», поэтому его профиль и отличие от базовой модели установить нельзя. Лицензия — Apache-2.0.

Qwen3-ASR-0.6B-Backpack-ASR — пакет Backpack с компактной многоязычной моделью распознавания речи Qwen3-ASR-0.6B, разработанной Qwen. Модель принимает аудио и преобразует речь в текст, включая определение языка. Подходит для транскрибации записей и интеграции в голосовые приложения; пакет рассчитан на использование в runtime Backpack и не заменяет выбранную пользователем чат-модель. В репозитории находятся неизменённые upstream-веса в формате safetensors и точности BF16; их размер — около 1,8 ГиБ, рекомендованный объём RAM — 5 ГБ. README сообщает об успешной проверке загрузки и детерминированного аудиовывода. Модель основана на Qwen/Qwen3-ASR-0.6B, веса не дообучались. Лицензия — Apache-2.0.

Qwen3-ASR-1.7B-hf — плотная модель распознавания речи семейства Qwen3-ASR от команды Qwen. Она принимает аудио и преобразует речь в текст, одновременно поддерживая определение языка; работает с потоковой и офлайн-обработкой, длинными аудиозаписями и пакетной транскрибацией. Модель основана на возможностях аудиопонимания Qwen3-Omni и содержит 1,7 млрд параметров. Модель предназначена для распознавания речи на 30 языках и диалектах, включая русский, английский, китайский и кантонский, а также китайские региональные диалекты. В README также заявлена поддержка пения и песен с фоновой музыкой. Можно указать язык распознавания и передать контекст или ключевые слова, чтобы улучшить распознавание терминов и имён. Для временных меток слов предусмотрена отдельная модель Qwen3-ForcedAligner; это не функция данного чекпойнта. В README модель характеризуется как высокоточная и устойчивая к сложной акустической обстановке; приведены результаты оценки на наборе речевых тестов. Репозиторий использует Transformers и формат safetensors. Лицензия Apache-2.0.

Qwen3-Embedding-0.6B-ONNX — модель для получения векторных представлений текста, разработанная на основе Qwen/Qwen3-Embedding-0.6B и опубликованная сообществом onnx-community для совместимости с Transformers.js. Она предназначена для задач семантического поиска, retrieval и сопоставления запросов с релевантными документами, а также для других сценариев, где требуется сравнивать тексты по их embedding-представлениям. Модель использует ONNX-веса и запускается через pipeline feature-extraction в Transformers.js, в том числе потенциально на WebGPU. Доступны варианты вычислений fp32, fp16 и q8. Для получения представлений рекомендуется pooling last_token и нормализация; поисковые запросы должны сопровождаться однострочной инструкцией, описывающей задачу, тогда как для документов инструкция не требуется. В README не указаны размер контекстного окна, поддерживаемые языки, точная архитектура и размерность embeddings. Сильной стороной модели является возможность использовать embedding-модель Qwen3 в JavaScript- и web-средах через ONNX, включая варианты с пониженной точностью для снижения вычислительных требований. Ограничения и характеристики качества в README не описаны; также не приведены условия лицензирования преобразованных весов. Репозиторий ONNX представлен как временное решение до более широкого распространения WebML.

FrancescoArno94 дообучил плотную языковую модель Qwen3 с 1,7 млрд параметров на базе unsloth/Qwen3-1.7B-Base. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также заявлен интерфейс вызова инструментов. Для работы с контекстом поддерживается до 32 768 токенов. Модель сохранена в формате safetensors и распространяется по лицензии Apache-2.0. В README указано, что обучение выполнялось с помощью Unsloth и библиотеки TRL для Hugging Face. Данные о специализации обучения и конкретных ограничениях качества не приведены.

ReadAll / ReadTwice RL step36 — это контрольный чекпойнт языковой модели, опубликованный пользователем Xirui1208 на Hugging Face. В репозитории находятся слитые веса BF16 на шаге 36 обучения, основанные на Qwen2: плотная авторегрессионная архитектура Qwen2ForCausalLM размером 7,1 млрд параметров. Модель работает с текстом, имеет контекстное окно 32 768 токенов и поддерживает чатовый интерфейс и интерфейс вызова инструментов. Чекпойнт предназначен для генерации текста и ответов на вопросы по длинным документам. Для обработки 224-тысячного контекста README описывает рекуррентный конвейер ReadTwice с разбиением на страницы и обновлением памяти; такой объём не передаётся в один вызов модели. На указанных фиксированных наборах разработки приведены результаты HQA 224k и LongBench QA, однако они не подтверждают качество на отложенном тесте, а результат HQA зависит от соответствующей конфигурации конвейера. Для воспроизводимой оценки автор рекомендует жадное декодирование. Репозиторий доступен публично; лицензия в предоставленных сведениях не указана.

Карточка модели sapienzanlp/relik-reader-deberta-v3-large-aida на Hugging Face совпадает с карточкой sapienzanlp/relik-reader-deberta-v3-base-aida, поэтому описание составлено по ней. Это веса компонента ReLiK Reader из системы Retrieve, Read and LinK, разработанной Sapienza NLP. Модель предназначена для извлечения информации: связывания упомянутых в тексте сущностей с элементами базы знаний и извлечения отношений между сущностями. Reader работает в составе ReLiK вместе с retriever-компонентом, который находит релевантные документы; в этом репозитории размещены именно веса reader для варианта AIDA. Архитектура указана как RelikReaderSpanModel семейства ReLiK Reader; файлы представлены в формате PyTorch. Карточка приводит оценку базовой версии ReLiK на наборе AIDA и других тестах entity linking, включая результаты InKB Micro F1 и скорость обработки. Модель ориентирована на англоязычные данные. Лицензия и размер весов в предоставленных источниках не описаны.

Это англоязычный кросс-энкодер kwondw на базе microsoft/MiniLM-L12-H384-uncased, дообученный на MS MARCO с помощью библиотеки sentence-transformers. Модель совместно обрабатывает пару текстов и выдаёт оценку их релевантности; архитектура — BertForSequenceClassification с одним выходным значением, размер — около 40 млн параметров, максимальная длина последовательности — 512 токенов. Модель предназначена для повторного ранжирования результатов поиска и семантического поиска: её можно применять для переоценки кандидатов, найденных первичным поиском, по соответствию запросу. В README приведены оценки на наборах NanoMSMARCO, NanoNFCorpus и NanoNQ, а также NanoBEIR; фактическое качество зависит от данных и сценария применения. Модель принимает и выдаёт текстовые данные с оценками релевантности. Лицензия в предоставленных данных не указана. Модель обучена на английском языке и рассчитана на текстовые входы длиной до 512 токенов; результаты для других языков и длинных последовательностей не подтверждены.

Shitao/RetroMAE_MSMARCO_finetune — BERT-подобная модель семейства RetroMAE, разработанная Shitao Xiao и соавторами для задач нейронного информационного поиска. Она представляет собой дообученную на коллекции MS MARCO passage версию RetroMAE_MSMARCO и предназначена для построения retrieval-ориентированных языковых представлений и плотного поиска.

phiyodr/roberta-large-finetuned-squad2 — англоязычная модель ответов на вопросы, созданная дообучением RoBERTa-large на наборе SQuAD 2.0. Она предназначена для поиска ответа в предоставленном текстовом фрагменте и умеет распознавать вопросы, на которые в контексте нет ответа. Модель содержит около 454,1 млн параметров, использует архитектуру RoBERTa для извлечения ответа и рассчитана на контекст до 514 токенов. Модель подходит для извлечения фактов из англоязычных документов, справочных текстов и статей, а также для прототипов систем вопросно-ответного поиска. Доступны веса в форматах PyTorch и Flax. Сведения о лицензии в предоставленных данных отсутствуют.

Это модель классификации текстовых пар на основе RoBERTa Large, опубликованная организацией garak-llm. Она обучена на SNLI, MultiNLI, ANLI и FEVER для вывода по двум текстам: следуют ли они друг из друга, нейтральны ли по отношению друг к другу или противоречат. В garak её используют как детектор для проверки того, опровергает ли ответ модели заданное утверждение. Модель имеет около 454 млн параметров, использует архитектуру RobertaForSequenceClassification и принимает текстовые пары с контекстом до 512 токенов. Выдаёт одну из трёх меток: entailment, neutral или contradiction. Лицензия — MIT. Языковые данные в метаданных не указаны, поэтому поддерживаемые языки нельзя надёжно перечислить.

arcee-ai/saul-zephyr-7b-slerp — объединённая методом SLERP модель на основе Equall/Saul-Base и HuggingFaceH4/zephyr-7b-beta, созданная с помощью mergekit. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста в формате чат-диалога и выполнения пользовательских инструкций. Контекстное окно составляет до 32 768 токенов; модель принимает текст и генерирует текст. Модель сочетает компоненты базовой модели Saul-Base и англоязычной чат-модели Zephyr-7B-β. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. В карточке описан метод слияния, но сравнительные оценки качества и подробные ограничения не приведены.

cstr/sensevoice-small-GGUF — GGUF-квантизированная версия SenseVoiceSmall, разработанной Alibaba и опубликованной под брендом FunAudioLLM. Модель предназначена для автоматического распознавания речи и запуска через backend sensevoice в CrispASR. Помимо транскрипции, она определяет язык речи, эмоцию, аудиособытия и режим текстовой нормализации. Это многозадачная encoder-only ASR-модель с 70-блочным SANM-энкодером, четырьмя головами и CTC-выходом на 25 055 SentencePiece-токенов. Архитектура использует четыре query embedding для языка, аудиособытий, эмоций и нормализации текста. Поддерживается более 50 языков с нативной идентификацией; в карточке явно указаны китайский, кантонский, английский, японский и корейский. Модель неавторегрессионная и, по данным README, значительно быстрее Whisper-Large: около 70 мс на 10 секунд аудио в измерениях upstream. Доступны варианты F16 размером 448 МБ, Q8_0 размером 240 МБ и Q4_K размером 129 МБ; Q4_K рекомендован как вариант по умолчанию. Квантизация сохраняет идентичные транскрипции на проверенных английских и японских примерах, однако возможны изменения на пограничных случаях классификации эмоций. Модель ориентирована на локальный инференс и эффективное распознавание речи, но README не приводит подробных оценок качества по языкам и сценариям. Файлы наследуют FunASR Model License v1.1 для весов; коммерческое использование разрешено с указанием авторства. Код upstream-пакета funasr распространяется по Apache-2.0. При использовании требуется атрибуция Alibaba/FunAudioLLM; репозиторий содержит только конвертацию и квантизацию исходных весов без дообучения или изменения архитектуры.

Карточка модели Veritone/siglip2-large-patch16-384 на Hugging Face совпадает с карточкой google/siglip2-large-patch16-384, поэтому описание составлено по ней. SigLIP 2 Large — модель компьютерного зрения и языка от Google на архитектуре SigLIP. Она обучена на наборе WebLI и предназначена для сопоставления изображений с текстом: модель выполняет классификацию изображений по заданным текстовым меткам и поиск изображений по текстовым запросам. Её также можно использовать как визуальный энкодер в мультимодальных языковых моделях и других системах компьютерного зрения. Модель принимает изображения и текстовые описания или метки, а на выходе формирует оценки соответствия между ними. Вариант Large с патчами 16×16 рассчитан на обработку изображений с разрешением 384 пикселя; веса опубликованы в формате Safetensors и доступны для Transformers. Лицензия Apache-2.0.

mlx-community/siglip2-so400m-patch16-384 — модель компьютерного зрения, разработанная сообществом mlx-community и конвертированная в формат MLX из google/siglip2-so400m-patch16-384 с использованием mlx-lm. Модель предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений по произвольным текстовым меткам без предварительного обучения на конкретных классах. Модель использует архитектуру SigLIP 2 с размером So400M, размером патча 16 и входным разрешением 384 пикселя. Она формирует оценки соответствия для пар «изображение—текст», которые можно преобразовать в вероятности с помощью сигмоиды. Модель работает в формате MLX и подключается через библиотеку mlx-embeddings; библиотека Transformers указана в метаданных. Модель подходит для zero-shot-классификации, поиска изображений по текстовым описаниям и оценки семантического соответствия между изображениями и подписями. Лицензия Apache-2.0 разрешает использование, модификацию и распространение при соблюдении её условий.

SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google. Это визуальный энкодер, обученный на WebLI и предназначенный для сопоставления изображений с текстовыми описаниями. Модель поддерживает классификацию изображений по произвольным текстовым меткам без отдельного обучения и поиск изображений по тексту или текста по изображению; её также можно использовать как визуальную часть мультимодальных систем и в других задачах компьютерного зрения. Модель принимает изображения и текстовые описания, кодирует их для сравнения и выдаёт оценки соответствия. Архитектура SigLIP, вариант So400m; доступные веса представлены в формате safetensors и используются через Transformers. В README отмечены улучшенное семантическое понимание, локализация и плотные визуальные признаки. Лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

Карточка модели Veritone/siglip2-so400m-patch16-512 на Hugging Face совпадает с карточкой google/siglip2-so400m-patch16-512, поэтому описание составлено по ней. SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google. Это визуальный энкодер, обученный на WebLI и предназначенный для сопоставления изображений с текстовыми описаниями. Модель поддерживает классификацию изображений по произвольным текстовым меткам без отдельного обучения и поиск изображений по тексту или текста по изображению; её также можно использовать как визуальную часть мультимодальных систем и в других задачах компьютерного зрения. Модель принимает изображения и текстовые описания, кодирует их для сравнения и выдаёт оценки соответствия. Архитектура SigLIP, вариант So400m; доступные веса представлены в формате safetensors и используются через Transformers. В README отмечены улучшенное семантическое понимание, локализация и плотные визуальные признаки. Лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

SJT-1.7B — языковая модель Sakalti на архитектуре Qwen2, дообученная на базе Sakalti/Qwen2.5-test-2. Модель содержит 1,7 млрд параметров и предназначена для генерации текста в диалоговом формате; в метаданных также отмечен интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. Её контекстное окно составляет до 131 072 токенов. Для обучения использовались Unsloth и TRL; веса опубликованы в формате safetensors. Карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0.

jaspionjader/sof-13 — объединённая предобученная языковая модель, созданная методом Model Stock с помощью mergekit. В качестве базовой модели использована jaspionjader/sof-10, также в объединение вошли jaspionjader/sof-11 и jaspionjader/sof-12. Модель построена на плотной архитектуре Llama и содержит 7,5 млрд параметров. Она предназначена для генерации текста и диалогов, поддерживает контекст до 131 072 токенов и работает с текстовым вводом и выводом. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Карточка не описывает специальные предметные области, языковое покрытие или сравнительные преимущества модели. Лицензия в предоставленных данных не указана.

Sophea-Nemo-Reranker — кросс-энкодерный реранкер Kiefer SA для переоценки релевантности документов запросу на греческом и английском языках. Модель дообучена на базе nvidia/llama-nemotron-rerank-1b-v2 и использует двунаправленную архитектуру LlamaBidirectionalForSequenceClassification с одним логитом релевантности. Размер модели — 1,2 млрд параметров, длина контекста — до 131 072 токенов; формат весов — safetensors. Модель предназначена для второго этапа двухэтапного поиска: после первичного отбора кандидатов, например эмбеддером Sophea-Nemo-Embedding, она переупорядочивает фрагменты по соответствию запросу. README описывает применение в греческом RAG и сообщает об улучшении nDCG@10 на пяти тестовых доменах относительно базовой модели. Наибольшая польза отмечена для сложных случаев, включая медицинские и финансовые запросы; на уже сильных результатах эмбеддера дополнительное ранжирование может давать небольшой выигрыш или ухудшать качество. Для подачи данных используется последовательность с шаблоном «question:{q} passage:{p}». README указывает на необходимость trust_remote_code при использовании Transformers. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с карточкой модели и файлами лицензии репозитория.