I.14Автоматизация процессов и AI-агенты

istupakov/gigaam-v3-onnx — это набор моделей автоматического распознавания речи, преобразованных в формат ONNX из GigaAM v3. Разработчик конвертации — istupakov; исходная модель указана как ai-sage/GigaAM-v3, а связанные модели GigaAM разработаны командой Salute Developers. Модель предназначена для преобразования русской речи из WAV-аудио в текст и интеграции с библиотекой onnx-asr. Доступны варианты на архитектурах CTC и RNN-T, включая версии E2E CTC и E2E RNN-T с расстановкой пунктуации и нормализацией текста. Модели ориентированы на русский язык и поддерживают выполнение через ONNX, в том числе с CPU. Размер модели, максимальная длина контекста, точные требования к аудио и другие архитектурные характеристики в README не указаны. Преобразование в ONNX может быть удобно для развёртывания и инференса в совместимых средах, однако ограничения исходной GigaAM v3 и различия между вариантами CTC и RNN-T требуют выбора модели под конкретный сценарий. Лицензия — MIT.

GLiNER2 — модель извлечения информации, дообученная whr778 на синтетическом корпусе synthetic_sonnet5_1k на базе fastino/gliner2-base-v1. Она предназначена для извлечения сущностей, отношений между ними, событий и их аргументов, а также для классификации текста; в метаданных Hugging Face основная задача обозначена как token-classification. Модель использует библиотеку gliner2, а веса доступны в формате safetensors. Это экспериментальный контрольный чекпойнт, обученный на 1 497 записях в течение 10 эпох. В README приведены результаты на синтетическом отложенном тестовом наборе: например, F1 для сущностей — 0,904 строго и 0,933 с допуском, для отношений — 0,657 и 0,745 соответственно. Эти оценки показывают согласованность синтетических данных и не являются заявлением о качестве на публичных бенчмарках или реальных данных. Язык и лицензия обучающего набора не установлены; в метаданных лицензия модели указана как other.

Iso-ModernColBERT — англоязычная много-векторная модель для семантического поиска и ранжирования документов, разработанная TopK.io. Это изотропно скорректированная версия GTE-ModernColBERT-v1 на архитектуре ModernBERT с 149 млн параметров и контекстом до 8192 токенов. Модель кодирует запросы и документы в наборы векторов и поддерживает позднее взаимодействие в стиле ColBERT; в TopK она также применяется со Sparse Multi-Vector Encoding (SMVE). Модель рассчитана на производственные системы поиска, где важны качество ранжирования и скорость извлечения. По внутренним оценкам разработчика на наборах BEIR и NanoBEIR версия bf16 сохраняет качество ранжирования, близкое к fp32, и ускоряет инференс до трёх раз относительно исходной модели; SMVE предназначен для масштабируемого поиска кандидатов с последующим ранжированием. Эти результаты получены во внутреннем тестовом контуре, а README отмечает, что некоторые показатели выигрыша SMVE обусловлены крайне низкой базовой оценкой исходной модели. Лицензия — Apache-2.0. Модель ориентирована на английский язык; заявленный контекст — 8192 токена. Она предназначена для получения векторов и оценок релевантности, а не для генерации ответов. Результаты README относятся к указанным поисковым бенчмаркам и конфигурациям, поэтому качество на других корпусах и при иных настройках отдельно не подтверждено.

hotchpotch разработала japanese-reranker-xsmall-v2 — компактную модель для переранжирования японских текстов. Она основана на ModernBERT и дообучена на базе cl-nagoya/ruri-v3-pt-30m; размер составляет 36,7 млн параметров, контекст — до 8192 токенов. Модель принимает пары текстов и оценивает их релевантность, чтобы упорядочить кандидатов по соответствию запросу. Модель рассчитана на повышение качества поиска и RAG-систем, в том числе при работе на CPU, Apple Silicon и устройствах с ограниченными ресурсами. В README приведены результаты оценок на японских наборах задач и замеры скорости для GPU, MPS и CPU; фактическая производительность зависит от оборудования и конфигурации. Для запуска описана поддержка sentence-transformers и ONNX. Модель поддерживает японский язык и распространяется по лицензии MIT.

jina-reranker-v1-tiny-en-GGUF — это квантизированная GGUF-версия модели jinaai/jina-reranker-v1-tiny-en, подготовленная пользователем mradermacher. Модель предназначена для переранжирования результатов поиска и оценки релевантности пар «запрос — документ» в системах семантического поиска, включая сценарии на базе Transformers, Sentence Transformers и Transformers.js. По назначению она относится к reranker-моделям и использует архитектуру cross-encoder. Модель ориентирована на английский язык. В репозитории представлены варианты квантования Q2_K, Q3_K, IQ4_XS, Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K, Q8_0 и f16; размер файлов составляет примерно 0,1–0,2 ГБ. Для вариантов Q4_K_S и Q4_K_M заявлена высокая скорость, Q6_K обозначен как вариант с очень хорошим качеством, а Q8_0 — как быстрый вариант с лучшим качеством. Количество параметров, максимальная длина контекста и дополнительные модальности в README не указаны. Основные преимущества — компактность, возможность локального запуска и выбор между несколькими уровнями квантования. Ограничения связаны с тем, что это англоязычный reranker, а снижение точности может зависеть от выбранного варианта квантования; характеристики качества в README количественно не приведены. Модель распространяется по лицензии Apache-2.0.

egoigo/kanana-1.5-8b-instruct-2505-Safe-DPO — дообученная разговорная языковая модель семейства Llama, опубликованная egoigo. Она предназначена для генерации текста в диалоге; метаданные также отмечают интерфейс для вызова инструментов. Модель содержит 7,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель дообучена с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Карточка не описывает конкретные сценарии, данные обучения или результаты оценки качества.

Модель soddokayo/klue-roberta-large-klue-ner — дообученная для разметки токенов версия klue/roberta-large на датасете KLUE. Она предназначена для распознавания именованных сущностей в корейском тексте. Модель построена на архитектуре RoBERTa, содержит 435,4 млн параметров и принимает контекст до 514 токенов. В README приведены результаты на оценочной выборке: F1 — 0,8365, точность — 0,8292, полнота — 0,8439, accuracy — 0,9664. Для использования нужны библиотека Transformers и веса в формате PyTorch. Лицензия в предоставленных данных не указана.

Redis разработала sentence-transformers bi-encoder, дообученный на базе Alibaba-NLP/gte-modernbert-base для семантического кэширования в LangCache. Модель кодирует предложения и абзацы на английском языке в плотные векторы размерности 768; сходство между ними оценивается косинусной мерой. В карточке указаны архитектура ModernBERT, библиотека Sentence Transformers и Apache-2.0. Модель подходит для сравнения текстовых запросов и поиска семантически близких формулировок, например для повторного использования результатов кэша при перефразированных запросах. README сообщает максимальную длину последовательности 100 токенов, тогда как метаданные каталога указывают нативный контекст 8192 токена; для практического применения следует учитывать ограничение из карточки модели. В README приведены метрики retrieval-оценки, но их результаты относятся к указанному тестовому набору и не гарантируют качество на других данных.

axondendriteplus/Legal-Embed-bge-base-en-v1.5 — англоязычная модель эмбеддингов, дообученная на базе BAAI/bge-base-en-v1.5 для поиска по юридическим документам и систем RAG. Она использует плотную архитектуру BERT и SentenceTransformers, содержит 136,7 млн параметров и принимает текст длиной до 512 токенов. Модель преобразует юридические тексты в векторы для семантического поиска и подбора фрагментов к вопросам. Обучение с MatryoshkaLoss рассчитано на использование эмбеддингов разных размерностей: в README приведены результаты для 768, 512 и 256 измерений, а также варианты 128 и 64 измерения с меньшими требованиями к хранилищу. В опубликованной оценке на юридическом наборе тонкая настройка улучшила NDCG@10 относительно базовой модели. Разработчик — axondendriteplus. Модель распространяется по лицензии Apache-2.0. Она предназначена для английского языка и сама по себе не генерирует ответы: для RAG её эмбеддинги нужно использовать вместе с поисковым индексом и генеративной моделью. Заявленные метрики относятся к оценке из карточки и не гарантируют качество на других коллекциях юридических текстов.

Модель Linagora представляет собой дообученную версию NVIDIA French FastConformer Hybrid Large для автоматического распознавания французской речи. Это гибридная ASR-модель на архитектуре FastConformer/Parakeet с 115 млн параметров, обученная с функциями потерь Transducer и CTC; по умолчанию используется Transducer. Для дообучения использовано более 10 000 часов французской речи с ручной транскрипцией и пунктуацией: записи включают чтение, спонтанную речь, разговоры, встречи, разные акценты и условия записи. Модель предназначена для транскрибирования аудио во французский текст в пакетном и потоковом сценариях, в том числе через LinTO STT API. В README указана оценка на нескольких корпусах, включая отдельный тестовый набор SUMM-RE; результаты описаны как близкие к лучшим, но числовая таблица метрик в предоставленных данных отсутствует. Модель может хуже распознавать редкую лексику, сильные акценты и перекрывающуюся речь, а пунктуация может быть менее точной на длинных фрагментах. Модель распространяется по лицензии CC BY 4.0. README указывает использование с Transformers и NVIDIA NeMo; для Transformers требуется версия 5 или новее для ParakeetForRNNT. Метаданные указывают формат safetensors и французский язык.

Apollo Raines выпустил поведенчески модифицированный вариант Meta Llama 3.1 8B Instruct. Модель предназначена для диалогов и генерации текста с более короткими и прямыми ответами: разработчик сообщает, что убрал многословные вступления и заполнители, сохранив точность и полезность. Изменения внесены инструментом jBlaze непосредственно в веса; README уточняет, что дополнительного обучения не проводилось. Архитектура — LlamaForCausalLM, плотная трансформерная языковая модель; в метаданных указано 7,5 млрд параметров и контекст до 131 072 токенов. Репозиторий содержит веса Safetensors, а README указывает точность bf16. Модель ориентирована на английский язык и поддерживает чатовый интерфейс вызова инструментов. Разработчик характеризует опубликованный вариант как демонстрационный и намеренно ослабленный относительно полной версии. Модель распространяется по лицензии Llama 3.1; применяйте её с учётом условий этой лицензии.

HINT-lab разработала эту плотную языковую модель семейства Llama для генерации текста с самокалибровкой уверенности. Она динамически корректирует выборку ответов во время вывода, чтобы повысить вычислительную эффективность без заявленного снижения точности. Поддерживаются методы early exit, ascending confidence, self-consistency и best-of-N. Модель содержит 7,5 млрд параметров, построена на архитектуре LlamaForCausalLM, работает с Transformers и распространяется в формате safetensors. Длина контекста составляет 131 072 токена. Основной язык — английский; поддержка других языков зависит от базовой модели. Лицензия — Apache 2.0. Модель предназначена для текстовой генерации и сценариев, где полезно управлять числом сэмплов по оценке уверенности. Она наследует смещения базовой языковой модели, а качество оценок уверенности и выигрыш от методов выборки зависят от задачи и калибровки базовой модели. Результаты следует проверять на целевых задачах, особенно перед применением в критически важных сценариях.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune. Она использует архитектуру LlavaQwen3ForCausalLM и содержит 1,7 млрд параметров. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Контекстное окно составляет 40 960 токенов. Модель принимает текст и, с учётом семейства Llava, может работать с изображениями; описание карточки не раскрывает детали этой возможности или обучения. Данные README не уточняют обучающий датасет, сценарии применения и результаты оценки. Лицензия — Apache-2.0.

KKHYA/llavaqwen3-1.7b-finetune-moe-4e-2k-sd3h_20260809_183926 — дообученная авторами KKHYA модель на базе KKHYA/llavaqwen3-1.7b-finetune. Она предназначена для генерации текста и диалогов. Модель содержит 1,7 млрд параметров, использует архитектуру MoELLaVAQwen3ForCausalLM и доступна в форматах PyTorch и Safetensors; максимальная длина контекста составляет 40 960 токенов. В метаданных указаны возможности чата и интерфейс вызова инструментов. Датасет дообучения и подробные сценарии применения в карточке не описаны. Модель распространяется по лицензии Apache-2.0.

Это дообученная модель KKHYA/llavaqwen3-1.7b-finetune, опубликованная пользователем KKHYA. Она содержит 1,7 млрд параметров и предназначена для генерации текста и диалогов; карточка также указывает интерфейс вызова инструментов. Модель использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и доступна в форматах PyTorch и Safetensors. Заявленная длина контекста — 40 960 токенов. Модель принимает текст и выдаёт текст. Данные дообучения и результаты оценки не описаны, поэтому качество и специализацию модели по конкретным темам определить нельзя. Лицензия — Apache-2.0.

jvjmoura/lllmjoao — дообученная автором jvjmoura языковая модель семейства Qwen3 для генерации текста и диалогов. В основе — unsloth/qwen3-4b-unsloth-bnb-4bit; модель имеет плотную архитектуру Qwen3ForCausalLM и около 3,7 млрд параметров. Она принимает текст и выдаёт текст, поддерживает контекст до 40 960 токенов и интерфейс вызова инструментов. В карточке указано, что модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель подходит для текстовых диалогов и генерации текста на английском языке. Лицензия — Apache-2.0. Карточка не приводит специализированных сценариев, результатов оценки качества или подробных ограничений; возможности вызова инструментов зависят от поддерживающего их интерфейса.

Triplit Critic — мультиязычная модель Babelscape для оценки и фильтрации триплетов отношений, представленная в статье RED^FM на ACL 2023. Она основана на mdeberta-v3-base и обучалась на данных для фильтрации триплетов и наборе XNLI. Модель содержит две классификационные головы; стандартная загрузка через библиотеку Hugging Face использует голову бинарной классификации для фильтрации триплетов, а для работы с XNLI требуется специальный скрипт. Модель выдаёт оценку уверенности для триплета: положительный класс Label_1 используется как оценка достоверности, а в SREDFM авторы применяли порог 0,75. Архитектура DeBERTa-v2, около 306 млн параметров, контекст до 512 токенов. В карточке перечислена поддержка арабского, французского, испанского, немецкого, греческого, болгарского, русского, турецкого, вьетнамского, тайского, китайского, хинди и урду. Лицензия в предоставленных данных не указана.

MiniMax-M2.5-UD-Q4_K_XL-layers — пакет GGUF с разделёнными по слоям файлами для распределённого запуска MiniMax-M2.5 в кластере Mesh LLM. Пакет подготовлен Mesh LLM на основе unsloth/MiniMax-M2.5-GGUF и сохраняет вариант квантования UD-Q4_K_XL. Метаданные указывают поддержку чата и задачу генерации текста. Модель предназначена для локального приватного инференса, распределения вычислений между несколькими машинами, когда полный GGUF не помещается на одном хосте, и чат-сценариев через локальный API, совместимый с OpenAI. Для работы требуется Mesh LLM; репозиторий содержит разбиение модели на артефакты, включая отдельный файл эмбеддингов. Лицензия, точное число параметров, длина контекста и поддерживаемые языки в предоставленных данных не описаны. За подробностями об архитектуре, настройках чата и лицензии README отсылает к карточке исходной модели.

MobileCLIP-B (LT) — модель сопоставления изображений и текста из семейства MobileCLIP, разработанного Apple и представленного на CVPR 2024. Этот репозиторий содержит чекпойнт для OpenCLIP, предназначенный для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах: пользователь задаёт варианты классов текстом, а модель оценивает соответствие изображения каждому из них. Модель использует мультимодальное представление изображений и текста. Для MobileCLIP-B (LT) в README указана точность zero-shot классификации ImageNet 77,2%; авторы также приводят результаты сравнения с другими моделями близкой архитектуры. В карточке Hugging Face указаны библиотека OpenCLIP и форматы PyTorch и safetensors. Лицензия — Apple AMLR. Модель подходит для быстрой классификации изображений с гибко задаваемыми текстовыми метками. Приведённые характеристики не гарантируют аналогичного качества на пользовательских данных; корректность зависит от формулировок меток и предметной области. README не описывает отдельные ограничения или поддержку конкретных естественных языков.

MobileCLIP-B — модель семейства CLIP, разработанная Apple и представленная в исследовании «MobileCLIP: Fast Image-Text Models through Multi-Modal Reinforced Training» (CVPR 2024). Этот репозиторий содержит чекпойнт MobileCLIP-B для библиотеки timm в формате PyTorch; модель сопоставляет изображения и текст и предназначена для быстрого визуально-текстового поиска и классификации с нулевым обучением на целевых классах. Вариант MobileCLIP-B (LT) показывает точность top-1 77,2% на ImageNet в режиме zero-shot. Модель принимает изображения и текстовые описания, а на выходе формирует представления для сопоставления и оценки сходства. README также приводит результаты меньших вариантов семейства, но не раскрывает размер и скорость именно этого чекпойнта MobileCLIP-B. Поддерживаемые языки отдельно не перечислены; обучение описано как мультимодальное, без уточнения языкового охвата. Лицензия — apple-amlr. Модель может ошибаться при переносе на категории и данные, отличающиеся от оценочных наборов; точность зависит от формулировок текстовых меток и характеристик изображений.

Xenova/mobileclip_s2 — экспорт модели MobileCLIP S2 в формате ONNX, подготовленный Xenova для совместимости с библиотекой Transformers.js. Модель семейства CLIP сопоставляет изображения с текстовыми описаниями и предназначена для классификации изображений по произвольным текстовым категориям без отдельного обучения классификатора; её можно использовать в JavaScript-приложениях, поддерживающих Transformers.js. Модель принимает изображения и текстовые варианты категорий и выдаёт оценки соответствия, на основе которых выбирается наиболее подходящая категория. В карточке подтверждены формат ONNX и задача zero-shot image classification. Лицензия указана как other, поэтому конкретные условия использования по имеющимся сведениям определить нельзя.

ModernBERT-tr-uncased-stsb-HD — турецкоязычная модель на архитектуре ModernBERT для обнаружения галлюцинаций в системах генерации с дополнением из внешних источников (RAG). Она выполняет бинарную классификацию на уровне токенов: отмечает фрагменты ответа как подтверждённые или галлюцинированные. Модель содержит около 134,9 млн параметров и принимает последовательности длиной до 8192 токенов. Модель обучена NewMind AI на машинно переведённом наборе RAGTruth-TR и предназначена для проверки ответов на вопросы, генерации текста по структурированным данным и суммаризации. В README приведены оценки F1: 0,7821 на всём наборе, 0,7667 для ответов на вопросы, 0,7733 для генерации по данным и 0,6341 для суммаризации. Модель оптимизирована для турецкого языка; качество может снижаться на других языках и при суммаризации. Результаты также зависят от качества перевода обучающих данных и наличия достаточного контекста. Лицензия — MIT.

Это англоязычная модель-переранжировщик Cross-Encoder, разработанная tomaarsen и дообученная на наборе MS MARCO с помощью библиотеки Sentence Transformers. Она совместно обрабатывает запрос и текст документа и выдаёт одну оценку релевантности для каждой пары. Модель предназначена для повторной сортировки результатов семантического поиска и улучшения выдачи по запросу. Её можно применять после первичного поиска, чтобы точнее ранжировать кандидатов; карточка приводит результаты оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Модель основана на энкодере ModernBERT jhu-clsp/ettin-encoder-17m и содержит 16,8 млн параметров. README указывает максимальную длину последовательности 512 токенов, тогда как метаданные каталога приводят native context в 7999 токенов; фактический предел зависит от используемой конфигурации. Модель рассчитана на английский язык и выдаёт оценки, а не готовые ответы. Репозиторий распространяется под лицензией Apache-2.0.

ndpo4 — дообученная модель на 1,3 млрд параметров, созданная на базе deepseek-ai/deepseek-coder-1.3b-base и датасета generator. Она использует плотную архитектуру семейства Llama и предназначена для генерации текста; с учётом базовой модели может применяться для продолжения и автодополнения кода, а также заполнения пропусков в коде. Контекстное окно составляет до 16 384 токенов. Модель опубликована в формате safetensors. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели. README не содержит сведений об оценке качества или дополнительных ограничениях.

Negentropy-claude-opus-4.7-9B-GGUF — экспериментальная языковая модель для усиленного рассуждения, разработанная Jackrong совместно с Kyle Hessling. Она основана на Qwen/Qwen3.5-9B и дообучена с использованием Unsloth методом SFT. В проекте применяется подход Trace Inversion: модель Jackrong/Trace-Inverter-4B реконструирует более подробные цепочки рассуждений из сжатых сводок в стиле Claude-Opus, которые затем используются как обучающие данные. Модель предназначена для сложной логической дедукции, многошагового решения математических и программных задач, генерации качественных данных с цепочками рассуждений для более компактных моделей, а также локального запуска на рабочих станциях и исследовательских экспериментов по восстановлению рассуждений. Заявлены языки English, Chinese, Korean, Japanese и Russian. Размер модели — около 9 млрд параметров; базовая архитектура — Qwen3.5-9B. В карточке также указан pipeline image-text-to-text, однако подробности о поддерживаемых визуальных входах и фактических мультимодальных возможностях не приведены. К сильным сторонам относятся больший по сравнению с 4B-версией объём параметров, ориентация на более устойчивое многошаговое рассуждение и возможность локального развёртывания. Ограничения связаны с экспериментальным характером проекта, отсутствием приведённых количественных оценок качества, неполными сведениями о контексте и фактической поддержке модальностей, а также с тем, что реконструированные цепочки рассуждений основаны на синтетических данных и могут наследовать их особенности. Лицензия модели — Apache-2.0.

Nemotron 3 Diarization (MLX) — версия модели NVIDIA Nemotron-3-Diarization, преобразованная сообществом mlx-community для запуска через mlx-audio на устройствах Apple с MLX. Модель анализирует монофоническое аудио с частотой 16 кГц и с шагом 10 мс определяет активность до восьми говорящих; поддерживаются пакетная обработка и потоковая обработка с сохранением меток говорящих между фрагментами. Модель подходит для разметки реплик и временных границ в записях встреч и для обработки аудиопотока в реальном времени. Она может отмечать одновременную активность нескольких говорящих, но выдаёт только условные идентификаторы в порядке появления и не устанавливает личности людей. В карточке указана лицензия OpenMDW-1.1; сведения об обучающих данных и оценке предлагается смотреть в карточке базовой модели.

Модель Omar Maqousi для распознавания именованных сущностей в арабском тексте. Это дообученная версия XLM-RoBERTa base с архитектурой XLMRobertaForTokenClassification; модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Она выделяет имена людей (PER), организации (ORG) и географические названия (LOC), обучена на арабской части PAN-X (WikiANN) из бенчмарка XTREME. В описанной оценке на тестовой выборке PAN-X достигла F1 91,76% на уровне сущностей и точности токенов 96,24%. Предназначена для извлечения сущностей из современного литературного арабского текста; хуже подходит для диалектов, Arabizi, социальных сетей и типов сущностей вне PER, ORG и LOC. Лицензия — MIT.

Модель dima806/news-category-classifier-distilbert классифицирует текст новостей по категориям. Это дообученная для классификации последовательностей модель на базе google-bert/bert-base-uncased, разработанная автором репозитория dima806. Она принимает текст и возвращает категорию новости. Модель использует архитектуру BERT и доступна в форматах PyTorch и Safetensors; размер составляет 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для автоматической тематической сортировки новостных материалов и категоризации текстов в новостных потоках. Базовая модель англоязычная, поэтому классификатор ориентирован на английский текст. Лицензия — Apache-2.0.

Карточка модели localized-ft/OLMo-3-7B-german-city-names-first-third-v2-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-german-city-names-last-third-v2-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.