I.14Автоматизация процессов и AI-агенты

check2207/CS221_AITeamVN_reranker — перекрёстный энкодер, дообученный на базе AITeamVN/Vietnamese_Reranker с помощью библиотеки Sentence Transformers. Модель принимает пары текстов и вычисляет оценку их релевантности; оценки можно использовать для переранжирования результатов поиска и семантического поиска. Архитектура основана на XLM-RoBERTa и выдаёт один скалярный результат для пары текстов. В метаданных указано 658,7 млн параметров и контекст до 8194 токенов; README сообщает максимальную длину последовательности 512 токенов. Модель предназначена прежде всего для вьетнамских запросов и документов. README приводит результаты бинарной оценки на ALQAC-Val: accuracy 0,9393 и F1 0,7453; эти показатели относятся к указанному набору и не гарантируют такое же качество на других данных. Лицензия в предоставленных сведениях не указана.

CT-Punc — модель восстановления пунктуации из экосистемы FunASR, предназначенная для автоматической расстановки знаков препинания в тексте без пунктуации, в том числе в результате распознавания речи. Её можно применять как отдельный этап обработки текста или включать в конвейер ASR. Модель поддерживает китайский и английский языки и рассчитана на низкую задержку, в том числе в потоковых сценариях. Репозиторий содержит веса PyTorch и использует библиотеку FunASR. Размер модели и длина контекста в предоставленных данных не указаны. Лицензия — Apache-2.0.

alexandrainst/da-ner-base — модель на базе BERT, дообученная Институтом Александры на распознавание именованных сущностей в датских предложениях. Она присваивает токенам метки в формате BIO для персон, организаций, географических названий и прочих сущностей. Модель обучена на наборе данных DaNE и основана на датской предварительно обученной модели BERT от BotXO. Архитектура — BertForTokenClassification, размер — 137,8 млн параметров, длина контекста — до 512 токенов. Доступны веса PyTorch и TensorFlow. Модель подходит для извлечения сущностей из датских текстов, например для индексации документов и анализа новостей. Она рассчитана на датский язык и не предназначена для распознавания сущностей в других языках. Распространяется по лицензии Apache-2.0.

Dans-PersonalityEngine-V1.2.0-24b — дообученная PocketDoc модель семейства Mistral на базе mistralai/Mistral-Small-24B-Base-2501. Это плотная языковая модель с 23,4 млрд параметров, рассчитанная на генерацию текста; она принимает текст и выдаёт текст. Модель обучалась на инструкциях в одном и нескольких ходах, использовании инструментов, ролевых сценариях, текстовых приключениях и совместном написании. В карточке заявлены также анализ тональности и суммаризация как задачи для конвейеров. Модель предназначена прежде всего для ролевого общения, соавторства и продолжения историй, а также для диалоговых инструкций, генерации кода и задач общего назначения. Она поддерживает контекст до 32 768 токенов и ориентирована на английский язык. Для диалогов рекомендуется формат ChatML с ролями system, user и assistant. Автор предупреждает о возможных проблемах с автоматической вставкой начального токена BOS: в некоторых бэкендах его отсутствие может приводить к несвязным ответам или повторению пользовательского текста; в таком случае рекомендуется попробовать добавить <s> в начало контекста. Модель распространяется по лицензии Apache-2.0.

Fetis789/deberta_qqp — дообученная модель Microsoft DeBERTa-v3-base для классификации текстовых последовательностей. По названию репозитория и типу классификационной архитектуры она предназначена для определения, задают ли две фразы один и тот же вопрос, то есть для задачи Quora Question Pairs (QQP). Модель содержит 211,6 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. В README приведены результаты оценки: accuracy 0,9230, precision 0,8817, recall 0,9135 и F1 0,8973. Датасет обучения, схема меток и подробные ограничения в карточке не раскрыты. Модель распространяется по лицензии MIT.

Moritz Laurer разработал эту модель на базе DeBERTa-v3-base от Microsoft для классификации текстов методом zero-shot и решения задач логического вывода по тексту (NLI). Модель обучена на 1 279 665 парах «гипотеза — посылка» из восьми наборов данных, включая MultiNLI, Fever-NLI, LingNLI и DocNLI. Она предсказывает два класса: «следует из текста» и «не следует из текста»; в последнем объединены противоречие и нейтральный ответ. Модель подходит для классификации текста по заданным пользователем категориям без отдельного обучения на этих категориях, а также для проверки текстовых гипотез. Обучение на DocNLI помогает работать с длинными текстами и дальними зависимостями, но нативный контекст ограничен 512 токенами. Размер модели — 211,6 млн параметров; доступны веса PyTorch и Safetensors. Основной язык карточки — английский. По опубликованным оценкам точность на тестах MultiNLI составляет 0,935 и 0,933, на Fever-NLI — 0,897, на ANLI — 0,710, на LingNLI — 0,895. Возможны смещения, связанные с обучающими наборами и задачами NLI; автор рекомендует учитывать ограничения исходных исследований. Лицензия — MIT.

AIArchiveInfo публикует побайтную архивную копию модели MoritzLaurer/deberta-v3-large-zeroshot-v2.0. Согласно README, веса не обучались и не изменялись при копировании; исходная модель основана на DeBERTa V3 Large и предназначена для классификации текста без размеченных примеров с помощью zero-shot-пайплайна Hugging Face. Она оценивает, следует ли гипотеза из текста, и позволяет формулировать пользовательские категории как гипотезы, например для тематической классификации, анализа тональности или разметки обращений. Модель имеет 533,8 млн параметров, контекст до 512 токенов и англоязычную карточку. Доступны форматы Safetensors и ONNX; библиотека — Transformers. README приводит результаты оценки на 28 задачах классификации и указывает, что DeBERTa V3 обычно точнее RoBERTa, но работает медленнее. Модель ограничена классификацией текста; результат зависит от формулировок гипотез и категорий, а возможные смещения связаны с базовой моделью и обучающими данными. Лицензия — MIT. Архивная копия сохраняет лицензию исходной модели.

duyntnet/DeepCoder-14B-Preview-imatrix-GGUF — GGUF-квантизированные версии DeepCoder-14B-Preview, разработанного на базе DeepSeek-R1-Distilled-Qwen-14B с применением распределённого обучения с подкреплением. Модель предназначена прежде всего для генерации, анализа и решения задач программирования, включая соревнования по написанию кода, автоматическое создание решений и рассуждения по тестам. Указанный репозиторий содержит квантизированные варианты модели для локального запуска. Модель имеет 14 млрд параметров и поддерживает английский язык. Она обучалась на примерно 24 тысячах пар задач и тестов из Taco-Verified, PrimeIntellect SYNTHETIC-1 и LiveCodeBench v5. Благодаря итеративному увеличению длины контекста модель обучалась на 16K и 32K токенах и обобщается на контекст до 64K токенов. В качестве сильных сторон заявлены показатели 60,6% Pass@1 на LiveCodeBench v5, рейтинг 1936 на Codeforces и 92,6% на HumanEval+. Ограничениями являются ориентация преимущественно на задачи программирования, возможное усечение длинных ответов при ограничении длины генерации 16K токенами и отсутствие подробных данных о конкретных параметрах отдельных GGUF-квантизаций. Для запуска доступны llama.cpp, KoboldCPP, Ollama, text-generation-webui, Jan, GPT4All, LM Studio и другие совместимые средства, а для серверного развёртывания указаны vLLM, Hugging Face TGI, SGLang и TensorRT-LLM. Рекомендуются temperature 0,6, top_p 0,95 и max_tokens не менее 64000; системный промпт добавлять не рекомендуется. Лицензия обозначена как other, без дополнительных условий в представленном README.

philschmid/distilbert-onnx — англоязычная модель для ответов на вопросы, разработанная на основе DistilBERT-base-cased. Это чекпойнт DistilBERT, дополнительно дистиллированный и дообученный на SQuAD v1.1; репозиторий содержит веса в формате ONNX. Модель извлекает ответ из предоставленного текста в ответ на вопрос, а не предназначена для свободного диалога. Модель использует архитектуру DistilBertForQuestionAnswering и рассчитана на контекст до 512 токенов. В README указана оценка F1 87,1 на dev-наборе SQuAD v1.1; для сравнения приведён результат 88,7 у bert-base-cased. Лицензия — Apache-2.0. Результаты зависят от качества и релевантности входного контекста; модель не предназначена для ответов на вопросы, требующие сведений вне него.

DistilCamemBERT-NER — модель распознавания именованных сущностей на французском языке, разработанная на базе cmarkea/distilcamembert-base и дообученная для классификации токенов. Она выделяет в тексте имена людей, географические названия, организации и сущности категории MISC, например названия книг и фильмов. Для обучения использован датасет wikiner_fr примерно из 170 тысяч размеченных предложений. Модель содержит 81,2 млн параметров и имеет контекст длиной до 514 токенов. В опубликованной оценке общий F1 составил 98,18%; авторы также сообщают об уменьшении времени инференса примерно вдвое по сравнению с CamemBERT при сопоставимом энергопотреблении. В тесте на процессоре AMD Ryzen 5 4500U указано среднее время 43,44 мс; результаты зависят от оборудования и способа запуска. Модель подходит для извлечения сущностей из французских текстов, например при индексации документов и подготовке данных для последующего анализа. Она рассчитана на французский язык и конкретные категории разметки, поэтому результаты на других языках и для иных типов сущностей не подтверждены. Лицензия — MIT.

Distil-Whisper distil-large-v3 — англоязычная модель распознавания речи, разработанная командой Distil-Whisper и полученная дистилляцией OpenAI Whisper large-v3. Она предназначена для транскрибации коротких записей и длинных аудиофайлов; архитектура — кодировщик-декодировщик Whisper с сокращённым числом слоёв декодера. В README указано 756 млн параметров, тогда как метаданные каталога указывают 905,2 млн параметров. Модель рассчитана на английскую речь и поддерживает последовательный и пакетный алгоритмы обработки длинных записей. По данным README, качество на длинных аудио близко к Whisper large-v3, а распознавание выполняется примерно в 6,3 раза быстрее; для одиночных длинных файлов, где важна скорость, рекомендуется пакетный алгоритм, а для точности и пакетной обработки — последовательный. Модель доступна по лицензии MIT. Она предназначена для распознавания речи на английском языке; вывод включает текстовую транскрипцию, а при соответствующих настройках — временные метки сегментов.

dolphin-2.1-mistral-7b-snr-math-laser — разговорная языковая модель на архитектуре Mistral с 7,1 млрд параметров, разработанная на основе Mistral AI и обученная командой Dolphin. В карточке описан метод частичной заморозки слоёв по анализу laserRMT, призванный уменьшать забывание ранее усвоенных знаний при обучении новым навыкам. Модель принимает текстовые запросы в формате ChatML и предназначена для диалогов с ассистентом, включая помощь с задачами и вызов функций. Контекст — до 32 768 токенов; в качестве обучающих данных указаны Dolphin и Airoboros 2.2.1, а в метаданных основным языком карточки отмечен английский. Авторы характеризуют модель как uncensored и более склонную выполнять запросы, поэтому для публичного сервиса рекомендуется самостоятельно добавить слой выравнивания поведения. Это повышает риск выдачи небезопасного или нежелательного контента. Модель распространяется под лицензией Apache-2.0, допускающей коммерческое и некоммерческое использование.

EdgeInstant-1.5b S5 — китайско-английская аудиотекстовая модель, дообученная авторами репозитория на базе финальной модели S4. Она принимает аудио и отвечает текстом, поддерживая распознавание речи, перевод речи, аудиовопросы и выполнение голосовых инструкций; предусмотрены режимы прямого ответа и рассуждения. Для обработки используются Transformers и аудио с частотой 16 кГц в моно; модель поставляется с весами, процессором и пользовательским кодом. Обучение включало китайские и английские данные, а также аудиовопросы, команды и задачи понимания звуков и музыки. На проверочном наборе извлечения полей из голосовых команд авторы сообщают 93,49% полностью корректных JSON-объектов и 96,79% точности по отдельным полям. Модель слабее справляется со сложными открытыми рассуждениями по аудио, устным вычислением чисел и переводом с китайского на английский; низкая громкость и недостаток информации могут приводить к неподтверждённой расшифровке. Режим рассуждения не гарантирует большей точности. Лицензия в README описана как зависящая от компонентов Qwen и обучающих данных; для кода декодера указана отдельная лицензия LICENSE.codec.

Endurance-100B-v1 — плотная языковая модель семейства Mistral на 100,1 млрд параметров, дообученная TheDrummer на основе TheDrummer/Lazarus-2407-100B. Модель предназначена для генерации текста и диалогов; карточка отмечает дополнительное обучение на инструкциях и ролевых сценариях, а также поддержку шаблона чата Metharme. Метаданные указывают контекст до 131 072 токенов и интерфейс для вызова инструментов. Модель подходит для ролевых диалогов, творческого письма и ответов на инструкции. В README автор характеризует варианты квантования как пригодные для запуска при меньшем объёме памяти, однако опубликованный репозиторий указан в формате safetensors. Точная лицензия в предоставленных данных не приведена.

stillerman/fdt-disfluency-mini-11m — компактная модель разметки слов в расшифровках живой речи, разработанная в рамках проекта FluencyAI. Она присваивает каждому слову один из тегов KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE, после чего простая реконструкция формирует очищенный текст. Модель предназначена для удаления речевых запинок и лишних слов с сохранением исходной формулировки, имён и чисел. Модель основана на BERT с архитектурой L4/H256 и содержит около 11,1 млн параметров; максимальный контекст — 512 токенов. Для репозитория доступны ONNX и safetensors, включая квантованный int8 ONNX-вариант для запуска через transformers.js в браузере. В карточке заявлены exact-match 0,9065 и DELETE-F1 0,9854 на валидационных данных. Модель обучалась на синтетически дополненных разговорных корпусах, включая DailyDialog с лицензией CC BY-NC-SA. Основная лицензия репозитория — Apache-2.0, однако из-за обучающих данных автор рекомендует считать модель исследовательским артефактом и не применять её для коммерческого развёртывания без отдельной проверки условий использования данных.

Fireball-Mistral-Nemo-Instruct-emo-PHD — инструктивная языковая модель EpistemeAI2, дообученная на базе unsloth/Mistral-Nemo-Instruct-2407-bnb-4bit. Это плотная трансформерная модель семейства Mistral с архитектурой MistralForCausalLM и 12,1 млрд параметров. В карточке заявлено дообучение на данных с симулированными эмоциями, философией, дедуктивными рассуждениями, математикой и наукой. Модель предназначена для диалоговой генерации текста, рассуждений и ответов на вопросы; также поддерживает интерфейс вызова инструментов. Карточка описывает базовую Mistral Nemo как многоязычную модель с данными по программированию и контекстом 128 тысяч токенов, тогда как метаданные репозитория указывают нативный контекст 1 024 000 токенов. Лицензия — Apache 2.0. README рекомендует низкую температуру генерации, около 0,3.

Это версия модели bingleai на базе Gemma 4 12B Coder, подготовленная из репозитория yuxinlu1/gemma-4-12B-coder-fable5-composer2.5-v1-GGUF. Разработчик указывает, что веса преобразованы из квантованной версии Q8_0 в BF16 Safetensors; модель предназначена для генерации и объяснения решений задач на Python, включая алгоритмические и функциональные задачи с проверяемыми тестами. В карточке описана настройка на примерах с рассуждениями от Composer 2.5 и Fable 5, где решения отбирались после успешного выполнения тестов. Модель поддерживает диалог и работу с кодом; заявленный контекст — до 256K токенов. Репозиторий использует библиотеку Transformers и лицензию Gemma. Указанный в README сценарий запуска ориентирован на локального помощника по программированию; заявленные требования к памяти относятся к квантованным GGUF-вариантам и не характеризуют размер представленных здесь BF16-весов.

OsaurusAI подготовила пакет Google Gemma 4 E2B Instruct для запуска на Apple Silicon через MLX и совместимые среды vMLX. Это плотная мультимодальная модель класса Gemma4 с архитектурой Gemma4ForConditionalGeneration: 35 текстовых слоёв, из них 7 используют полное внимание, а 28 — скользящее. Линейные слои декодера квантизированы в MXFP4 с размером группы 32; эмбеддинги, нормализации и ранние медиаблоки сохранены в fp16. Модель принимает текст, изображения и аудио и выдаёт текст; поддерживаются диалоги и интерфейс вызова инструментов. Аудиокодировщик и конфигурация vision сохранены в пакете. Подтверждённого пути обработки видео нет. Для загрузки нужны MLX/vMLX с поддержкой Gemma 4 MXFP4; пакет не совместим с GGUF-рантаймами. Лицензия и ограничения использования соответствуют условиям Google Gemma.

GLiNER2-модель Fastino, дообученная Стефаном Йохансом с помощью LoRA для повышения полноты извлечения южноафриканских имён в строках адресов и внимания, подписях электронной почты и других текстах без явных слов-подсказок. Она предназначена для обнаружения персональных данных в текстовых полях веб-форм и может применяться как часть локального редактора PII. Базовая модель поддерживает извлечение нескольких типов персональных данных; это дообучение нацелено прежде всего на сущности типа name и сохраняет существующую настройку базовой модели для PII. Модель принимает текст и возвращает размеченные фрагменты сущностей. В README указаны тесты для имён на африкаанс, исизулу, исикоса, сесото, сетсвана, тшивенда и тсонга; метаданные также помечают английский и африкаанс. Вариант для развёртывания включает ONNX-фрагменты с динамической INT8-квантизацией энкодера. Репозиторий лицензирован по Apache-2.0. В тестах на 266 составных примерах дообученная версия показала полноту 99,7%, а вариант с INT8-энкодером — 99,5%; для адресных строк и подписей писем полнота составила соответственно 100% и 99,5% у исходного варианта дообучения. Результаты пока не подтверждены на отложенном корпусе реальных текстов. Обучающие примеры синтетические, а дообучение не нацелено на улучшение типов сущностей, отличных от имён.

GPT-6 Luna — быстрая и экономичная модель OpenAI из серии GPT-6, позиционируемая ниже GPT-6 Sol. Она предназначена для чат-сценариев, классификации и лёгких агентных задач, особенно при высокой нагрузке и требованиях к низкой задержке. Данных об архитектуре, размере, модальностях, языках, длине контекста и лицензии в предоставленных материалах нет.

HaS Text — компактная языковая модель для локальной обработки конфиденциального текста, разработанная автором репозитория maoge888888. Она дообучена на базе Qwen3-0.6B-Base и предназначена для конвейера защиты данных: распознавания именованных и чувствительных сущностей, их согласованной анонимизации и восстановления по сохранённому словарю соответствий. Модель поддерживает китайский, английский, португальский, французский, испанский, немецкий, корейский и японский языки. Модель использует плотную архитектуру Qwen3ForCausalLM и содержит около 508 млн параметров. Репозиторий содержит веса Safetensors в FP16; заявленный контекст — 32 768 токенов. Среди описанных возможностей — семантические метки для заменённых сущностей, разрешение вариантов написания одной сущности, согласованность между ходами диалога и обработка длинных документов частями. Для инференса README рекомендует локальный запуск через llama.cpp; производительность приведена для Apple M4 Pro и может отличаться на другом оборудовании. Модель рассчитана на NER и генерацию текста при анонимизации, но качество зависит от точного соблюдения обучающих шаблонов промптов: README предупреждает, что отклонения могут ухудшить результат. Указанная лицензия — MIT. В README FP16-версия названа базовой для дообучения и исследований, а для производственного развертывания рекомендованы отдельные квантованные варианты.

herbert-base-ner — польская модель для распознавания именованных сущностей, созданная на базе HerBERT. Это дообученная модель архитектуры BERT с 151,6 млн параметров, рассчитанная на контекст до 514 токенов. Она была дообучена на польской части набора WikiAnn и определяет имена людей (PER), географические названия (LOC) и организации (ORG). Модель подходит для извлечения этих сущностей из польских текстов, например для последующей индексации или анализа документов. Доступна в форматах PyTorch и Safetensors; лицензия — CC BY 4.0. Ограничена тремя указанными типами сущностей и польским языком.

Huihui-Qwen3-VL-30B-A3B-Instruct-abliterated — мультимодальная диалоговая модель Huihui AI на базе Qwen3-VL-30B-A3B-Instruct от Qwen. Это дообученная версия с ослабленными отказами: abliteration применена к текстовой части, а обработка изображений не изменялась. Модель принимает текст и изображения и предназначена для диалога, анализа изображений и видео, распознавания текста на изображениях и пространственных рассуждений; также поддерживает интерфейс вызова инструментов. Архитектура относится к семейству Qwen3 VL MoE, веса доступны в формате safetensors для Transformers. Ослабление защитных отказов может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты следует проверять. Лицензия — Apache-2.0.

IRyS-NER-Recruitment — дообученная на наборе резюме модель RoBERTa для разметки токенов в задачах извлечения именованных сущностей из резюме. Она может помогать автоматически находить и классифицировать сведения о кандидатах при разборе документов для подбора персонала. Модель построена на roberta-base, содержит 151,8 млн параметров, принимает текст и имеет контекст длиной 514 токенов. На оценочном наборе указаны F1 0,8122, точность 0,7828 и полнота 0,8439. Эти показатели относятся к описанной выборке и не гарантируют аналогичного качества на других типах резюме или форматах данных. Для обработки длинных документов может потребоваться разбивать текст на фрагменты. Модель распространяется по лицензии MIT.

jina-reranker-v1-turbo-en-GGUF — это GGUF-представление модели для переранжирования текстов, разработанной Jina AI. Модель предназначена для задач text ranking: она оценивает релевантность документов или других текстовых кандидатов относительно поискового запроса и помогает упорядочить результаты в системах семантического поиска и retrieval-augmented generation (RAG). Исходная модель опубликована как jinaai/jina-reranker-v1-turbo-en. Модель ориентирована на английский язык и интегрируется с экосистемой sentence-transformers. Формат GGUF рассчитан на использование в совместимых локальных инструментах и средах выполнения, однако конкретные требования к памяти, размер модели, архитектура, длина контекста и поддерживаемые модальности в предоставленном README не указаны. Сильной стороной является специализация на переранжировании англоязычных текстов; ограничения включают отсутствие подтверждённых данных о многоязычной поддержке и численных характеристиках. Модель распространяется по лицензии Apache-2.0.

Josiefied-Qwen3-1.7B-abliterated-v1 — дообученная Гёкденизом Гюльмезом компактная языковая модель семейства Qwen3 на 1,7 млрд параметров. Она предназначена для генерации текста, диалогов и выполнения инструкций, с акцентом на менее ограниченные ответы и сохранение навыков следования инструкциям и использования инструментов. Модель использует плотную архитектуру Qwen3ForCausalLM, принимает текст и выдаёт текст. Длина контекста — до 40 960 токенов. В карточке заявлена поддержка разных языков; основной язык не выделен. Модель распространяется в формате safetensors, а в семействе также упомянуты варианты GGUF и MLX. Снижение фильтрации безопасности может приводить к чувствительным или спорным ответам. Автор предупреждает об использовании на свой риск. Лицензия в предоставленных данных не указана.

Josiefied-Qwen3-4B-Instruct-2507-abliterated-v1 — диалоговая языковая модель Goekdeniz-Guelmez, дообученная на базе Qwen/Qwen3-4B-Instruct-2507. Это плотная архитектура Qwen3 с 3,7 млрд параметров, предназначенная для генерации текста, диалогов и выполнения инструкций; модель сохраняет интерфейс вызова инструментов. Контекст составляет до 262 144 токенов. Модель дообучена для более свободной генерации с ослабленными ограничениями безопасности. В карточке также перечислены сторонние варианты в формате GGUF, но метаданные этого репозитория указывают safetensors. Модель рассчитана на продвинутых пользователей, которым нужны диалоговые ответы и генерация текста с меньшей фильтрацией. Языки и лицензия в предоставленных данных не определены.

Biggiraffe/kanana-1.5-8b-instruct-2505-Safe-DPO — дообученная языковая модель, опубликованная Biggiraffe. Она основана на Llama и предназначена для генерации текста в диалоговом формате; в метаданных также заявлен интерфейс вызова инструментов. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Для обучения использовались Unsloth и библиотека TRL от Hugging Face. Карточка указывает лицензию Apache-2.0. Данные подтверждают поддержку английского языка; сведений о специализации на других языках или предметных областях нет.

Модель kihyun-K/kanana-1.5-8b-instruct-2505-Safe-DPO — дообученная разговорная языковая модель семейства Llama, опубликованная kihyun-K. Она предназначена для генерации текста в диалоговом формате; в метаданных также заявлен интерфейс вызова инструментов. Модель содержит 7,5 млрд параметров и поддерживает контекст до 32 768 токенов. В README указано, что модель дообучена на базе kihyun-K/kanana-1.5-8b-instruct-2505-Safe-DPO с использованием Unsloth и библиотеки TRL от Hugging Face. Репозиторий содержит веса Safetensors. Указана лицензия Apache-2.0. Карточка не описывает отдельно результаты, целевые сценарии или ограничения дообучения.

Модель mgmbykai/kanana-1.5-8b-instruct-2505-Safe-DPO — дообученная автором mgmbykai разговорная языковая модель на архитектуре Llama с 7,5 млрд параметров. Она предназначена для генерации текста в диалоговом формате; метаданные также указывают интерфейс вызова инструментов. Контекстное окно составляет 32 768 токенов, а файлы весов представлены в формате Safetensors. Модель дообучена на базе mgmbykai/kanana-1.5-8b-instruct-2505-Safe-DPO с использованием Unsloth и библиотеки TRL от Hugging Face. В карточке не описаны конкретные сценарии дообучения и результаты оценки качества. Лицензия — Apache-2.0; единственный явно отмеченный язык — английский.