I.14Автоматизация процессов и AI-агенты

Модель yoon112/kanana-1.5-8b-instruct-2505-Safe-DPO разработана yoon112 и представляет собой дообученную плотную авторегрессионную языковую модель семейства Llama с 7,5 млрд параметров. Она предназначена для генерации текста и диалогового общения; в метаданных также отмечен интерфейс для вызова инструментов. Модель принимает текст и генерирует текст, поддерживает контекст длиной до 32 768 токенов. В карточке указаны английский язык, формат весов Safetensors и лицензия Apache 2.0. Для обучения использовались Unsloth и библиотека TRL; карточка не описывает отдельные специализированные области применения или результаты оценки качества.

L3.1-15B-EtherealMaid-t0.0001-alpha — языковая модель для генерации текста, созданная сообществом mergekit-community посредством объединения предварительно обученных моделей. Сборка использует метод passthrough и архитектуру LlamaForCausalLM; в метаданных указано 14,5 млрд параметров и контекст до 131 072 токенов. В объединении участвовали Orenguteng/Llama-3.1-8B-Lexi-Uncensored-V2 и v000000/L3-15B-EtherealMaid-t0.0001. Модель предназначена для диалоговой генерации текста и ответов на запросы. Метаданные отмечают поддержку чата и интерфейса вызова инструментов; конкретные качества этих возможностей в карточке не описаны. Используется библиотека Transformers, веса представлены в формате safetensors. Лицензия и ограничения на использование в предоставленных данных не приведены.

LettuceDetect — модель KRLabsOrg для выявления галлюцинаций в ответах немецкого языка в RAG-сценариях. Это дообученный EuroBERT-210M с архитектурой EuroBertForTokenClassification и 211,7 млн параметров. Модель получает контекст и ответ и помечает на уровне токенов фрагменты ответа, которые не подтверждаются контекстом; предсказания можно объединить в диапазоны, чтобы показать проблемные места. Модель обучена на немецкой версии датасета RagTruth, переведённой с исходного RAGTruth. Поддерживает контекст до 8192 токенов и рассчитана на применение в мультиязычных RAG-системах, хотя карточка описывает именно немецкую модель. В README приведены F1 66,70% на тесте Translated RAGTruth-DE и 68,32% на вручную проверенной выборке из 300 примеров; показатели относятся к описанным наборам оценки. Модель распространяется по лицензии MIT.

Creekside/lfm-1.2b-lambda-calculus-5ep — компактная языковая модель семейства LFM2, дообученная Creekside на базе unsloth/LFM2.5-1.2B-Instruct. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 1,5 млрд параметров, имеет контекстное окно 128 000 токенов и распространяется в формате safetensors. В README указано, что при обучении использовались Unsloth и библиотека TRL; карточка не описывает конкретные данные обучения или специальные навыки, связанные с lambda calculus. Лицензия — Apache-2.0. Поскольку README не приводит оценок качества и подробностей дообучения, пригодность для специализированных задач, включая lambda calculus, следует проверять отдельно.

unsloth/LFM2.5-1.2B-Instruct-GGUF — квантизированная GGUF-версия текстовой instruction-tuned модели LFM2.5-1.2B-Instruct, разработанной Liquid AI и подготовленной для локального развёртывания с использованием Unsloth. Модель предназначена для llama.cpp и совместимых инструментов, оптимизирована для CPU-инференса и работы на периферийных устройствах с ограниченными ресурсами. Модель содержит 1,17 млрд параметров, 16 слоёв, включая 10 double-gated LIV convolution blocks и 6 GQA blocks, поддерживает контекст до 32 768 токенов и словарь из 65 536 токенов. Это текстовая модель без поддержки изображений или аудио; заявлены английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Она рекомендована для агентских сценариев, извлечения данных и RAG, поддерживает вызов функций и ChatML-подобный шаблон диалога. К сильным сторонам относятся небольшой размер, низкие требования к памяти, высокая скорость инференса на CPU и мобильных NPU, а также возможность запуска менее чем с 1 ГБ памяти. Модель не рекомендуется для задач, требующих обширных фоновых знаний, и для программирования. Репозиторий указывает лицензию lfm1.0; формат GGUF снижает требования к ресурсам, но является квантизированной версией исходной модели.

reranker_0.5_bin_filt — это текстовая reranker-модель для ранжирования и переранжирования найденных документов или других текстовых кандидатов по их релевантности запросу. Исходная модель разработана пользователем lightblue и дообучена на базе Qwen/Qwen2.5-0.5B-Instruct; GGUF-квантизацию выполнил Richard Erkhov. Модель предназначена для сценариев поиска, retrieval-augmented generation и фильтрации результатов, где требуется выбрать или упорядочить наиболее подходящие тексты. Она доступна в формате GGUF с вариантами квантизации Q2_K, IQ3, Q3, IQ4, Q4, Q5, Q6 и Q8; размер файлов составляет примерно 0,39–0,63 ГБ. Указано, что базовая модель имеет размер 0,5B параметров, однако сведения о точной архитектуре reranker, поддерживаемых языках, модальностях и длине контекста отсутствуют. К сильным сторонам относятся небольшой размер и возможность локального запуска благодаря GGUF-квантизации, а также специализация на задачах бинарного ранжирования. Ограничения связаны с отсутствием подробного описания датасета, сценариев применения, языковой поддержки и полноценных оценок качества: в карточке приведены только значения loss, включая 0,0526 на evaluation set. Лицензия указана как «other», без уточнения условий использования, поэтому перед применением необходимо проверить лицензионные ограничения исходной модели и производного артефакта.

Карточка модели Solshine/Llama-3.1-8B-Reflection-Tuning-Natural-Farmer на Hugging Face совпадает с карточкой Solshine/reflection-llama-3.1-8B-Natural-Farmer-3-16bit, поэтому описание составлено по ней. Модель Solshine/reflection-llama-3.1-8B-Natural-Farmer-3-16bit разработана Solshine и представляет собой дообученную версию Solshine/reflection-llama-3.1-8B-Natural-Farmer-16bit. Это плотная авторегрессионная языковая модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров. Она предназначена для генерации текста и диалогового общения; в карточке также заявлен интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и TRL, а репозиторий содержит веса PyTorch. Модель принимает текст и выдаёт текст. В метаданных указан английский язык и контекстное окно до 131 072 токенов. Она распространяется по лицензии Apache-2.0. Карточка не описывает специализированные области применения или подробные результаты оценки качества.

Llama3.2-Typhoon2-1B-instruct — диалоговая инструктивная языковая модель от Typhoon AI, разработанная на основе Llama 3.2 1B. Это плотная decoder-only модель семейства Llama с 1,2 млрд параметров и контекстом до 131 072 токенов; для работы требуется Transformers версии 4.45.0 или новее. Модель предназначена для выполнения инструкций и диалогов на тайском и английском языках, включая вызов функций через соответствующий интерфейс. В README приведены результаты сравнительных тестов следования инструкциям, диалогов, тайского переключения между языками и вызова функций. Разработчики отмечают, что модель всё ещё развивается; она может выдавать неточные, предвзятые или нежелательные ответы, поэтому качество и риски следует оценивать применительно к конкретному сценарию. Модель распространяется по лицензии Llama 3.2 Community License.

Это дообученная версия KKHYA/llavaqwen3-1.7b-finetune с архитектурой AdapterMoELLaVAQwen3ForCausalLM. Модель содержит 1,7 млрд параметров, принимает текст и предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Максимальная длина контекста — 40 960 токенов. Модель загружается через Transformers, веса представлены в форматах PyTorch и safetensors. Датасет дообучения не описан, поэтому конкретные специализации и качество для отдельных сценариев оценить нельзя. Лицензия — Apache-2.0.

Это дообученная модель KKHYA на 1,7 млрд параметров, созданная на основе KKHYA/llavaqwen3-1.7b-finetune. Она предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Модель использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и загружает веса в форматах PyTorch и Safetensors. Контекстное окно — до 40 960 токенов. Модель опубликована под лицензией Apache-2.0. Датасет дообучения и результаты оценки не описаны, поэтому качество и специализацию модели по отдельным темам оценить нельзя.

LLaVE-7B — мультимодальная модель эмбеддингов на 7,1 млрд параметров, разработанная авторами проекта LLaVE на базе lmms-lab/llava-onevision-qwen2-7b-ov. Она предназначена для получения представлений текста, изображений, нескольких изображений и видео, в частности для поиска и сопоставления между модальностями. В карточке заявлены высокие результаты на бенчмарке MMEB при обучении на 662 тысячах пар и перенос на поиск по видео без специального обучения на видеоданных. Модель основана на архитектуре LLaVA с языковой частью Qwen2, использует формат safetensors и доступна через Transformers. Метаданные указывают контекст до 32 768 токенов; README приводит значение 4K токенов. Лицензия — Apache-2.0. В метаданных указана поддержка английского языка.

LLM-QE-Contriever — дообученная модель на базе facebook/contriever, разработанная авторами исследования LLM-QE. Она предназначена для получения текстовых эмбеддингов, согласованных с предпочтениями ранжирования, и применения в расширении поисковых запросов и системах информационного поиска. Модель использует архитектуру BERT и обучалась с помощью supervised contrastive learning на расширениях запросов. В репозитории доступны веса safetensors; размер модели — 136,7 млн параметров, максимальный контекст — 512 токенов. Карточка описывает применение для поиска и расширения запросов, но не приводит подробностей о поддерживаемых языках сверх английского в метаданных. Лицензия — MIT.

Карточка модели vllm-sr/lora_pii_detector_bert-base-uncased_model на Hugging Face совпадает с карточкой llm-semantic-router/lora_pii_detector_bert-base-uncased_model, поэтому описание составлено по ней. Это LoRA-адаптер для обнаружения персональных данных в тексте, созданный в рамках проекта semantic-router на базе BERT base uncased и настроенный для работы с библиотекой Candle на Rust. Модель выполняет токенную классификацию, чтобы находить и размечать фрагменты текста с персональными данными; метаданные также указывают поддержку классификации текста. Архитектура — BertForTokenClassification, адаптер обучен с рангом 16 и alpha 32. Размер базовой модели составляет 136,7 млн параметров, контекст — до 512 токенов; поддерживаемый язык — английский. Для использования нужны базовая модель и совместимый рантайм. Лицензия — Apache-2.0.

Seraphic663 выпустил полно-параметрический чекпойнт текстового ретривера для соревнования CCIR LRAT, дообученный за одну эпоху на базе Qwen/Qwen3-Embedding-0.6B. Модель создаёт нормализованные текстовые эмбеддинги и предназначена для поиска фрагментов, релевантных веб-поисковым запросам. Она использует архитектуру Qwen3 с плотной моделью примерно на 507,6 млн параметров и контекстом до 32 768 токенов; для обучения применялись длины до 128 токенов для запросов и 512 для документов. Основной язык карточки — английский. При обучении использованы только официальные пары LRAT: 96 504 записи, один положительный и пять отрицательных примеров на группу. На локальной диагностике по фиксированному набору из 500 кандидатов указаны Recall@1/5/10 0,672/0,934/0,984 и MRR 0,78037; это не официальные результаты таблицы лидеров BC-Plus. Чекпойнт содержит полные параметры модели и не требует отдельного адаптера при использовании. Файлы опубликованы в формате safetensors, лицензия — Apache-2.0.

QuantFactory/Matter-0.1-7B-DPO-preview-GGUF — это GGUF-версия языковой модели Matter 7B 0.1, дообученной методом DPO на основе Mistral 7B. Исходная модель разработана 0-hero, а данная версия подготовлена QuantFactory для запуска с помощью движка llama.cpp. Обучение проводилось на наборе Matter, сформированном из более чем 35 датасетов и содержащем свыше 6 миллиардов токенов. Модель предназначена для генерации текста и ведения диалогов на английском языке, включая сценарии conversational AI. Она поддерживает формат промптов ChatML и function calling с использованием специальных токенов для начала и завершения вызова функции и её ответа. Размер модели — 7 миллиардов параметров; архитектура основана на Mistral 7B. Модель может быть удобна для локального инференса благодаря формату GGUF и совместимости с llama.cpp, однако конкретный вариант квантования, размер контекста и требования к ресурсам в README не указаны. Лицензия — Apache 2.0.

Карточка модели MemTensor/MemOperator-4B на Hugging Face совпадает с карточкой MemTensor/MemOperator-0.6B, поэтому описание составлено по ней. MemOperator-0.6B — компактная причинно-следственная языковая модель MemTensor для операций с памятью в системе MemOS. Она дообучена методом SFT на основе моделей Qwen3 и предназначена для локального развертывания, в том числе в средах без доступа к интернету, с низкими затратами ресурсов и малой задержкой. В метаданных указана связь слияния с Qwen/Qwen3-0.6B, Qwen/Qwen3-1.7B и Qwen/Qwen3-4B; архитектура — плотная decoder-only модель Qwen3 с примерно 507,9 млн параметров. Для этой версии указан контекст до 40 960 токенов. Модель извлекает сведения из диалогов и документов, в том числе составляет краткие сводки фрагментов документов, а также поддерживает кластеризацию и реорганизацию связанных воспоминаний. Карточка заявляет поддержку английского и китайского языков и приводит результаты семейства MemOperator на бенчмарке locomo, но таблица содержит сравнение только версии 4B; переносить эти показатели на версию 0.6B нельзя. Разрешены загрузка через Transformers и использование с vLLM или SGLang; лицензия — Apache-2.0. Разрешение конфликтов и рассуждение об отношениях в README обозначены как находящиеся в разработке.

Distilled MetaCLIP 2 ViT-S/16 (mT5 Tokenizer) — мультиязычная модель сопоставления изображений и текста от Meta, представленная в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-S-16-mT5-worldwide из оригинальной реализации и предназначен для классификации изображений по текстовым описаниям без дополнительного обучения. Модель принимает изображения и текстовые метки или описания, сопоставляет их и позволяет выбирать наиболее подходящие варианты. В карточке указана архитектура ViT-S/16 и токенизатор mT5; репозиторий распространяет веса в формате safetensors и предназначен для работы через Transformers. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение.

Palak/microsoft_deberta-large_squad — дообученная на наборе SQuAD v1 модель DeBERTa Large с 454,1 млн параметров для ответов на вопросы по предоставленному тексту. Она принимает вопрос и контекст и предсказывает ответ в тексте; в метаданных указана архитектура DebertaForQuestionAnswering и максимальный контекст 512 токенов. В README приведены результаты оценки на 10 788 примерах: exact match 87,89 и F1 93,88. Модель подходит для извлечения ответов из документов и фрагментов текста на английском языке в системах поиска и анализа знаний. Карточка не содержит сведений о лицензии, поэтому условия использования определить нельзя. Результаты на SQuAD не гарантируют аналогичное качество на других темах и форматах вопросов.

MiniCPM5-1B-SFT-i1-GGUF — набор GGUF-квантизированных версий модели MiniCPM5-1B-SFT, разработанной командой OpenBMB и опубликованной как openbmb/MiniCPM5-1B-SFT. Квантизацию выполнил mradermacher. Модель предназначена для генерации текста, задач с длинным контекстом, вызова инструментов и локального применения на устройствах с ограниченными ресурсами, включая edge-сценарии. Базовая модель имеет размер 1 млрд параметров; в карточке указаны поддерживаемые языки English и Chinese, а также библиотека Transformers. Доступны варианты с разными уровнями квантизации GGUF — от очень компактных IQ1 и Q2 до Q6_K, примерно от 0,5 до 1,0 ГБ. Варианты различаются по размеру, скорости и качеству; для баланса этих характеристик рекомендованы i1-Q4_K_S и i1-Q4_K_M, тогда как наиболее низкие уровни квантизации могут заметно снижать качество. Точная длина контекста и сведения о дополнительных модальностях в README не указаны. Модель удобна для быстрого локального запуска и использования на маломощном оборудовании, однако качество зависит от выбранной квантизации, а низкоразмерные варианты могут быть менее точными. Для использования требуются совместимые инструменты для работы с файлами GGUF. Модель распространяется по лицензии Apache-2.0.

MiniCPM5-2B-heretic-GGUF — это набор GGUF-квантизованных версий языковой модели MiniCPM5-2B-heretic, разработанной Dingdust и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для генерации текста, работы с длинным контекстом, вызова инструментов и локального запуска на устройствах с ограниченными ресурсами. В карточке указана поддержка английского и китайского языков. Модель относится к семейству MiniCPM и имеет размер 2 млрд параметров. Доступны варианты квантования от Q2_K до Q8_0, IQ4_XS и f16; размер файлов составляет примерно от 1,1 до 5,1 ГБ. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с наилучшим качеством среди перечисленных. Архитектура и максимальная длина контекста в README не указаны; по тегам модель ориентирована на текстовые сценарии, edge AI и on-device deployment. К сильным сторонам относятся компактный размер, возможность локального запуска и выбор между несколькими уровнями компромисса по скорости, качеству и потреблению памяти. Ограничения связаны с потерями качества при низком квантовании, а также с отсутствием в карточке подробных результатов оценки, описания конкретной архитектуры и точного размера контекста. Модель распространяется по лицензии Apache-2.0.

osiria разработала MiniLM L6 H384 Italian Cross Encoder — компактную модель на базе MiniLMv2, предназначенную для ранжирования текстовых пар на итальянском языке. Она получена на основе mmarco-mMiniLMv2-L6-H384-v1 с адаптацией embedding-слоя к итальянскому языку с использованием частот слов из Википедии. Архитектура в метаданных указана как XLM-RoBERTa для классификации последовательностей; размер — 25,9 млн параметров, контекст — до 514 токенов. Модель поддерживает ранжирование и классификацию текста. Выпущена по лицензии MIT.

Это 8-битная версия модели MOSS-Transcribe-Diarize, подготовленная для запуска через MLX. В README указано, что квантизован текстовый блок модели методом affine quantization с bits=8 и group_size=64; аудиоэнкодер Whisper и VQ-адаптер не квантизованы. По метаданным архитектура обозначена как плотная модель MossTranscribeDiarizeForConditionalGeneration, библиотека — MLX. Модель предназначена для распознавания речи и диаризации говорящих в аудиозаписях. Пример запуска из README принимает WAV-файл и сохраняет результаты в указанную папку. Метаданные также указывают поддержку генерации текста. Модель распространяется по лицензии Apache-2.0. Квантизация затрагивает только текстовый блок; README не приводит измерений качества или требований к ресурсам.

MMLW-retrieval-roberta-large — польскоязычный плотный текстовый энкодер семейства RoBERTa от разработчиков MMLW, предназначенный для информационного поиска. Он кодирует запросы и фрагменты текста в векторы размерности 1024; для запросов требуется префикс «zapytanie: ». Модель содержит 533,7 млн параметров, использует контекст до 514 токенов и распространяется в форматах PyTorch и safetensors. Обучение проходило в два этапа: дистилляция знаний англоязычных моделей FlagEmbeddings (BGE) на корпусе из 60 млн польско-английских пар, затем дообучение с контрастивной функцией потерь на польской обучающей выборке MS MARCO. В README приведён результат NDCG@10 58,46 на польском бенчмарке информационного поиска. Модель подходит для поиска по смыслу и сопоставления запросов с текстами; в качестве ограничений следует учитывать необходимость специального префикса для запросов и контекст до 514 токенов. Лицензия — Apache-2.0.

Xenova/mobilebert-uncased-mnli — это версия модели typeform/mobilebert-uncased-mnli с весами в формате ONNX, подготовленная для работы с библиотекой Transformers.js. Разработчик исходной модели — Typeform; репозиторий Xenova адаптирует её для веб-сред и JavaScript-приложений. Модель предназначена для классификации текстов без дополнительного обучения по заранее заданным категориям (zero-shot classification). Она может оценивать, насколько входной текст соответствует меткам, например «positive» и «negative», что подходит для анализа тональности, тематической маршрутизации и других задач классификации с динамическим набором классов. Основная архитектура — MobileBERT; в README не указаны размер модели, максимальная длина контекста, точный набор поддерживаемых языков и модальности, поэтому предполагается работа только с текстом. Ключевое преимущество модели — возможность запуска через Transformers.js и ONNX, в том числе в веб-средах, без использования исходного формата весов. Ограничения включают зависимость от качества и формулировки заданных меток, а также отсутствие в README подробностей о точности, производительности и языковых возможностях. Лицензия в предоставленных данных не указана.

Модель lblod/multilingual-ner-abb-improved — дообученная версия XLM-RoBERTa-base для распознавания именованных сущностей в юридических и административных решениях. Она обрабатывает английский, нидерландский и немецкий текст и размечает даты, места, правовые основания, административные органы и уполномоченных представителей по схеме BIO. Модель построена на архитектуре XLM-RoBERTa для классификации токенов, содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. Обучение на немецких муниципальных решениях из Фрайбурга и Бамберга расширяет исходные данные на нидерландском и английском языках. На отложенной выборке общий F1 составил 0,794; показатели для языков различаются, а английская и нидерландская подвыборки были небольшими. Модель предназначена для извлечения сущностей из документов, а не для генерации текста. Лицензия в предоставленных данных не указана.

RadixArk/Muse-Glimmer-q4km-gs128-MLX — текстовая версия Muse Glimmer для устройств Apple Silicon, подготовленная RadixArk в формате MLX. Это перепаковка весов из GGUF-релиза Muse Glimmer 30B: коды квантования сохранены, а масштабы групп представлены в формате MLX. Модель имеет плотную архитектуру Muse Glimmer примерно на 27 млрд параметров и контекст до 131 072 токенов; карточка указывает поддержку чата и интерфейса вызова инструментов. Модель предназначена для генерации текста и диалогового использования, включая сценарии с вызовом инструментов. README рекомендует запускать её через MLX-бэкенд SGLang на Mac с Apple Silicon и не менее чем 48 ГБ объединённой памяти. В README приведены результаты GSM8K и CIMemories, полученные на одной конфигурации оборудования; для CIMemories указано, что оценка проведена в одном испытании. Модель принимает и выдаёт только текст; путь обработки изображений в MLX-бэкенде отсутствует. Это квантованная производная модель на основе meta-models/Muse-Glimmer-30B-GGUF. Сведения о лицензии в предоставленных данных отсутствуют.

Ganu000/nepali-e5-base-v1 — модель эмбеддингов для поиска по текстам на непальском языке, разработанная автором репозитория на основе дообучения multilingual-e5-base. Она кодирует запросы и документы в векторы размерности 768 и предназначена для семантического поиска, извлечения релевантных фрагментов и межъязыкового поиска с английскими запросами. Архитектура — XLM-RoBERTa; в метаданных указано 305,2 млн параметров, библиотека Sentence Transformers и контекст до 514 токенов. В тесте автора на 50 тысячах фрагментов непальской Википедии модель показала качество, сопоставимое с более крупными multilingual-e5-large и bge-m3, при более высокой скорости индексации. Она также лучше обрабатывает непальский, набранный латиницей, чем сравниваемые универсальные модели, но эти результаты получены на синтетической транслитерации. Модель распространяется по лицензии Apache-2.0. Качество за пределами википедийного домена не установлено; оценка основана на 92 запросах, поэтому небольшие различия в метриках ненадёжны. Поддержка латинизированного непальского частичная, а качество на вводе реальных пользователей может быть ниже. Для этого сценария автор рекомендует предварительную транслитерацию в деванагари.

Vivian12300/new_wiki_model — дообученная модель на архитектуре LlamaForCausalLM, созданная на основе meta-llama/Llama-3.1-8B-Instruct с использованием набора данных generator. Она предназначена для генерации текста и диалогового взаимодействия; метаданные также указывают интерфейс вызова инструментов. Модель содержит 7,5 млрд параметров, использует формат safetensors и поддерживает контекст длиной до 131 072 токенов. Базовая Llama 3.1 8B Instruct рассчитана на многоязычные диалоги и генерацию текста, однако карточка этой производной модели не уточняет её целевые языки, специализацию, качество или результаты оценки. Лицензия указана как llama3.1; перед использованием следует учитывать условия лицензии Meta Llama 3.1. README не приводит сведений о специальных ограничениях применения.

IsValorum/Nex-N2.5-mini-APEX-I-MiniPlus-V1-GGUF — это GGUF-квантизированная версия модели Nex-N2.5-mini, разработанной nex-agi. Сборка подготовлена IsValorum с использованием индивидуальной тензорной схемы квантования APEX-I-MiniPlus V1 и предназначена для запуска через llama.cpp и совместимые инструменты. Модель относится к мультимодальным системам с поддержкой изображений и сценариев агентного взаимодействия с компьютером; заявлен pipeline image-text-to-text. Модель использует архитектуру MoE и рассчитана на работу с текстом и визуальными входными данными. В README заявлена поддержка английского, китайского, испанского, французского, немецкого, португальского, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Для V1 указаны F32 router gates, выходная голова Q6_K, attention gates Q8_0 и основные эксперты IQ3_XXS. Размер модели, точное число параметров и длина контекста для этой версии не указаны. К сильным сторонам относятся компактность по сравнению с полноразмерной моделью, сохранение повышенной точности чувствительных компонентов и возможность использования преимущественно системной RAM. Ограничения связаны с потерями качества, неизбежными при агрессивном квантовании, а также с тем, что приведённые в README подробные результаты некоторых сравнений относятся к другим версиям или моделям семейства и не подтверждают характеристики именно этой сборки. Модель распространяется по лицензии Apache-2.0.

Nostr-Llama-3.1-8B — дообученная модель на базе Meta Llama 3.1 8B, созданная some1nostr. При обучении использовались заметки Nostr примерно от 7000 пользователей и наборы инструкций по программированию и математике. Модель предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. В репозитории указаны веса Safetensors. README не уточняет языковую специализацию и результаты оценки качества. Лицензия в предоставленных данных не указана.