I.14Автоматизация процессов и AI-агенты

khaimaitien/qa-expert-7B-V1.0 — дообученная модель на базе mistralai/Mistral-7B-v0.1, созданная для многошагового ответа на вопросы. Она разбивает составной вопрос на последовательность простых вопросов, обрабатывает их по отдельности и объединяет сведения в итоговый ответ. Модель построена на архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и имеет контекстное окно 32 768 токенов. Модель предназначена для сценариев, где ответ требует последовательного поиска и объединения нескольких фактов. В карточке указано дообучение на наборе khaimaitien/qa-expert-multi-hop-qa-V1.0; файлы представлены в формате safetensors. Заявленный язык — английский. Лицензия в предоставленных данных не указана.

ZeroXClem/Qwen2.5-7B-CelestialHarmony-1M — языковая модель, созданная ZeroXClem слиянием нескольких дообученных вариантов Qwen2.5-7B методом Model Stock. Она построена на архитектуре Qwen2 и содержит около 7,1 млрд параметров по метаданным; README указывает 7,61 млрд. Модель принимает текст и генерирует текст, а заявленная длина контекста составляет до 1 010 000 токенов. Модель предназначена для диалогов, ролевых сценариев и сторителлинга, структурированных рассуждений, а также работы с очень длинными документами и контекстами. В метаданных отмечен интерфейс вызова инструментов; конкретные возможности зависят от используемого шаблона и среды запуска. Модель распространяется под лицензией MIT. Для практического применения на длинном контексте потребуются совместимая среда инференса и значительные вычислительные ресурсы; заявленные качества рассуждения и работы с контекстом основаны на описании автора.

Карточка модели jeffmeloy/Qwen2.5-7B-olm-v1.2 на Hugging Face совпадает с карточкой jeffmeloy/Qwen2.5-7B-olm-v1.0, поэтому описание составлено по ней. jeffmeloy/Qwen2.5-7B-olm-v1.0 — текстовая модель на архитектуре Qwen2 с 7,1 млрд параметров, основанная на Qwen/Qwen2.5-7B и представленная как результат оптимизированного объединения слоёв. Подход Optimized Layer Merging (OLM) подбирает слои из нескольких языковых моделей, последовательно оценивая варианты на заданных наборах данных по метрикам, включая perplexity и exact match. Модель предназначена для генерации текста и диалогового взаимодействия; заявленный контекст составляет 131 072 токена. Метаданные указывают интерфейс вызова инструментов. В карточке описан метод сборки гибридной модели, но не приведены результаты оценки качества этой конкретной версии или подробности о наборах данных. Распространяется в формате Safetensors по лицензии Apache-2.0.

Карточка модели jeffmeloy/Qwen2.5-7B-olm-v1.3 на Hugging Face совпадает с карточкой jeffmeloy/Qwen2.5-7B-olm-v1.0, поэтому описание составлено по ней. jeffmeloy/Qwen2.5-7B-olm-v1.0 — текстовая модель на архитектуре Qwen2 с 7,1 млрд параметров, основанная на Qwen/Qwen2.5-7B и представленная как результат оптимизированного объединения слоёв. Подход Optimized Layer Merging (OLM) подбирает слои из нескольких языковых моделей, последовательно оценивая варианты на заданных наборах данных по метрикам, включая perplexity и exact match. Модель предназначена для генерации текста и диалогового взаимодействия; заявленный контекст составляет 131 072 токена. Метаданные указывают интерфейс вызова инструментов. В карточке описан метод сборки гибридной модели, но не приведены результаты оценки качества этой конкретной версии или подробности о наборах данных. Распространяется в формате Safetensors по лицензии Apache-2.0.

Карточка модели unwrenchable/Qwen2.5-Coder-1.5B на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-1.5B, поэтому описание составлено по ней. Qwen2.5-Coder-1.5B — базовая авторегрессионная языковая модель для программирования, разработанная командой Qwen. Она предназначена для генерации и анализа кода, исправления ошибок и задач заполнения пропусков в коде; модель может служить основой для кодовых агентов после дополнительной настройки. Это предобученная модель, а не готовый разговорный ассистент. Модель использует архитектуру Qwen2 с 1,5 млрд параметров, 28 слоями, RoPE, SwiGLU, RMSNorm и групповым запросным вниманием; контекст — до 32 768 токенов. Она обучалась на коде, текстово-кодовых связях и синтетических данных, сохраняя общие языковые и математические способности базовой серии Qwen2.5. В репозитории представлены веса Safetensors для Transformers. Лицензия Apache 2.0 допускает использование и модификацию на её условиях. Модель сравнительно компактна, однако качество может уступать более крупным моделям; для диалога и практического использования рекомендуется постобучение или адаптация под целевой сценарий.

Это пакет слоёв GGUF модели Qwen3.6-35B-A3B-UD-Q4_K_XL, подготовленный Mesh LLM для распределённого запуска на локальном кластере. Пакет получен из unsloth/Qwen3.6-35B-A3B-MTP-GGUF и разбивает модель на артефакты по слоям, чтобы распределять вычисления и память между несколькими машинами. Модель предназначена для локального приватного диалогового инференса и генерации текста через Mesh LLM; её можно подключать к локальному API, совместимому с OpenAI Chat Completions. Репозиторий содержит вариант квантования Q4_K_XL в формате GGUF и вспомогательные артефакты, включая эмбеддинги. Сведения об архитектуре, размере и контекстном окне в предоставленных данных отсутствуют. Лицензионные условия следует смотреть в карточке исходной модели unsloth/Qwen3.6-35B-A3B-MTP-GGUF.

AMAImedia выпустила эту модель в рамках платформы NOESIS для автоматизации многоязычного дубляжа. Это дообученная версия Qwen3.8-27B с плотной архитектурой Qwen3_5ForConditionalGeneration: мультимодальный чекпойнт BF16 в формате Safetensors принимает текст и изображения, поддерживает диалог и режим рассуждений, а также доступен в текстовых вариантах GGUF с квантизацией. В карточке указаны поддержка русского, английского, китайского, вьетнамского, японского и других языков; лицензия — Apache 2.0. Главное изменение модели — снижение числа отказов при ответах. Разработчик сообщает о внутренних проверках на 842 запросах и отдельной выборке из 126 запросов, а также о прохождении 23 из 24 проверок связности. Это внутренние автоматические оценки: основная выборка использовалась при настройке, а показатели не подтверждают точность фактов или сохранение исходных результатов по рассуждениям, программированию и зрению. Заявления о снижении отказов не гарантируют одинакового поведения для всех языков, настроек генерации и сред выполнения. Мультимодальный путь с изображениями заявлен для Safetensors; GGUF-варианты рассчитаны на генерацию текста и не включают обработку изображений без совместимого vision-проектора. Для BF16-весов требуется около 56 ГБ памяти, не считая накладных расходов среды выполнения и KV-кэша. Голова MTP отсутствует, поэтому спекулятивное декодирование с её использованием не поддерживается.

Qwen3.8-27B-Brainwaves-WFH — экспериментальная слитая модель от независимой лаборатории NightmediaAI. Она объединяет Qwen3.8-27B-Brainwaves, Wichtel-Qwen3.6-27B и Qwen3.8-27B-Fable-Distill-Heretic-ara; каталог также указывает merge с этими моделями. Это плотная мультимодальная архитектура семейства Qwen3.5 с 27 млрд параметров по названию репозитория, предназначенная для диалогов и следования инструкциям, включая работу с изображениями. Карточка приводит результаты тестов рассуждений и производительности для нескольких форматов точности, но не описывает конкретный протокол тестирования. Модель ориентирована на широкие сценарии генерации текста: рассуждения, математику, STEM, программирование и творческое письмо, в том числе создание сюжетов и ролевые диалоги. Метаданные указывают поддержку английского, китайского, японского и испанского языков. Для работы доступны веса Safetensors и библиотека Transformers. Карточка не сообщает размер контекста, а теги одновременно упоминают 256k и 1M, поэтому длину контекста нельзя определить надёжно. Лицензия — Apache-2.0.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — модель, опубликованная bielquants и основанная на базовой модели DavidAU/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU. Это многоэтапная fine-tune-модель с использованием Unsloth, методов Cold Fusion и Fable Fusion, представленная в форматах GGUF с обычными и MTP-квантами. В README заявлена поддержка английского и китайского языков; карточка также указывает сценарий image-text-to-text, однако подробности о фактических визуальных возможностях не приведены. Модель предназначена для широкого спектра задач: рассуждений и решения задач, программирования, творческого письма, создания художественных текстов и ролевых сценариев. Основной заявленный акцент — высокая детализация ответов при сокращении объёма внутренних рассуждений и расхода токенов по сравнению с обычной Qwen3.8, что должно повышать скорость генерации. Указан размер базовой модели 27B, а также поддержка трёх режимов мышления, но максимальный размер контекста в карточке не указан. Автор README заявляет превосходство над рядом базовых моделей по внутренним бенчмаркам ARC и высокую производительность на потребительском оборудовании, включая tool calling; эти результаты представлены как утверждения создателя и требуют независимой проверки. Возможные ограничения — отсутствие подробных данных о контексте, точной архитектуре модальности, системных требованиях и качестве на разных языках, а также потенциально нестандартное поведение из-за uncensored/abliterated-настройки. Модель распространяется по лицензии Apache-2.0.

keXjos/Qwen3.8-9B-mlx-4Bit — языковая модель для генерации текста, преобразованная в формат MLX из базовой модели empero-ai/Qwen3.8-9B с использованием mlx-lm 0.31.2. Разработчик конвертации — keXjos; исходную модель разработала команда empero-ai. Модель предназначена для запуска и генерации текста через библиотеку mlx-lm, включая диалоговые сценарии при наличии совместимого chat template. Модель имеет размер 9B параметров и 4-битное представление, ориентированное на эффективное выполнение в MLX. В карточке заявлены поддержка английского языка, reasoning, function-calling и обучение методом SFT, однако подробности архитектуры, длины контекста, фактической поддержки модальностей и количественные показатели качества не указаны. MLX-формат и 4-битная квантизация могут быть сильными сторонами для локального запуска на совместимом оборудовании, но могут ограничивать точность по сравнению с полноразмерными вариантами. Модель распространяется по лицензии Apache-2.0.

DavidAU представил Qwen3-MOE-4x0.6B-2.4B-Writing-Thunder-V1.2 — компактную текстовую MoE-модель общего назначения на базе четырёх моделей Qwen3 по 0,6 млрд параметров, объединённых в структуру с 1,54 млрд параметров. Она предназначена для быстрой генерации текста, творческого письма, диалогов, ролевых сценариев, программирования и других общих задач; автор отмечает улучшения в кодировании относительно предыдущих версий. Модель поддерживает контекст до 40 960 токенов и режим рассуждений; в MoE по умолчанию активны два эксперта, а для сложного кода автор рекомендует повышать их число и использовать более точное представление весов. В метаданных указаны архитектура Qwen3 MoE, формат safetensors и лицензия Apache-2.0. Карточка также перечисляет слияние базовой Qwen3-0.6B с кодовой, математической и медицинской экспертными моделями. README предупреждает, что ответы могут заметно различаться между генерациями при одинаковых настройках; для программирования и сложных задач рекомендуются Q8 или полная точность. Автор модели — DavidAU; исходные модели созданы их соответствующими авторами и командой Qwen.

coder3101/Qwen3-VL-8B-Thinking-heretic — дообученная версия мультимодальной модели Qwen3-VL-8B-Thinking от Qwen, опубликованная под лицензией Apache-2.0. Она принимает текст и изображения и предназначена для диалога, визуального анализа и рассуждений; карточка также описывает возможности базовой модели по анализу видео, OCR, пространственному пониманию и взаимодействию с интерфейсами. В репозитории указаны веса safetensors и архитектура Qwen3VLForConditionalGeneration. Автор сообщает, что применил abliteration для снижения частоты отказов: в приведённом сравнении модель отказала в 1 из 100 запросов против 44 из 100 у исходной версии; измеренная KL-дивергенция — 0,03. Эти показатели относятся к тесту из карточки и не гарантируют поведение на других запросах. Основа заявляет контекст 256K с возможностью расширения до 1M и OCR на 32 языках, однако это сведения о базовой модели, а не отдельная оценка данной производной версии.

Мультимодальная модель эмбеддингов mlx-community, перенесённая в формат MLX из Qwen/Qwen3-VL-Embedding-2B с помощью mlx-lm. Она предназначена для преобразования текста и изображений в векторные представления, которые можно использовать для поиска и сопоставления по смыслу. В метаданных указаны архитектура семейства Qwen3-VL, 2 млрд параметров у базовой модели Qwen3-VL-2B-Instruct и библиотека Transformers; README подтверждает исходную модель Qwen3-VL-Embedding-2B и конвертацию в MLX. Модель опубликована mlx-community под лицензией Apache-2.0. Карточка не сообщает поддерживаемые языки, длину контекста или конкретные показатели качества.

cl-nagoya/ruri-pt-base — японская модель Sentence Transformers, разработанная CL-Nagoya и дообученная на основе tohoku-nlp/bert-base-japanese-v3. Она преобразует предложения в векторы размерности 768 для сравнения семантической близости, поиска и ранжирования текстов. Модель использует архитектуру BERT, принимает последовательности длиной до 512 токенов и рассчитана на японский язык. В README приведены результаты оценки на JMTEB, включая поиск, семантическое сходство, классификацию и кластеризацию. Лицензия — Apache 2.0.

pucpr-br/sbertimbau_news_2020 — модель Sentence-Transformers, разработанная для преобразования предложений и абзацев на португальском языке в плотные векторные представления размерностью 768. Она основана на BERTimbau Base, дообученной версии BERT для бразильского португальского, и использует архитектуру BERT с 136,1 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации новостных текстов. Обучение проводилось с функцией потерь BatchAllTripletLoss. Данные карточки не описывают лицензию, поэтому условия использования по лицензии определить нельзя.

syubraj/sentence_similarity_nepali — модель Sentence-Transformers для сопоставления предложений на непальском языке. Она преобразует предложения и абзацы в плотные векторы размерностью 768, пригодные для оценки семантической близости, поиска по смыслу и кластеризации. Модель основана на NepaliBERT от Rajan; архитектура — BERT, размер — около 95 млн параметров, длина контекста — 512 токенов. Модель обучалась для семантического сходства с использованием CosineSimilarityLoss и датасета stsb_multi_mt. Её можно применять для поиска похожих фраз и документов или группировки текстов по смыслу. Доступны веса в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

Serafim 335m Portuguese PT Sentence Encoder tuned for Information Retrieval — модель семейства Serafim PT*, представленная Luís Gomes, António Branco, João Silva, João Rodrigues и Rodrigo Santos в работе 2024 года. Это плотный sentence-transformers энкодер на архитектуре BERT с 433,2 млн параметров; он преобразует предложения и абзацы на португальском языке в плотные векторы размерностью 1024. Для получения векторов используется mean pooling контекстных представлений. Максимальная длина контекста по метаданным — 512 токенов. Модель предназначена для семантического поиска и задач информационного поиска; векторы также подходят для кластеризации текстов. Она рассчитана на португальский язык и доступна под лицензией MIT. В README параметры обучения указывают на настройку энкодера для IR, но базовая модель явно не названа.

Sherry 35B-A3B 0.1 Preview — экспериментальная модель для генерации текста, разработанная Valendra на основе Qwen/Qwen3.6-35B-A3B. Это дообученная методом SFT и GRPO модель семейства Qwen3.5 MoE с 35 млрд параметров; веса объединены, отдельный PEFT-адаптер для инференса не нужен. Модель поддерживает чат и интерфейс вызова инструментов. Главная особенность — управляемый уровень усилий рассуждения: low, medium или high задаёт компромисс между глубиной ответа, задержкой и расходом токенов. Модель предназначена для математических и научных задач, задач на рассуждение и экспериментов с программированием. В описанной авторами оценке показала 97,1% math_verify на MATH-500 и 78,3% exact match на GPQA-Diamond; эти результаты получены в одном контролируемом запуске и не гарантируют аналогичного качества в других условиях. Это предварительная версия: результат AIME 2025 находится на пересмотре, а поведение за пределами оценённых областей изучено ограниченно. Возможны ошибки, поэтому ответы следует проверять, особенно в высокозначимых сценариях. Модель распространяется по лицензии Apache-2.0.

SphinxMind-14B — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом TIES. В качестве базовой указана shuttleai/shuttle-3-mini; также в объединении участвовала EVA-UNIT-01/EVA-Qwen2.5-14B-v0.2. Модель предназначена для генерации текста и диалогового общения. Размер составляет 14 млрд параметров, максимальный контекст — 65 536 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Сведения о конкретных языках, лицензии и специальных ограничениях в предоставленных данных отсутствуют.

SPLADE CoCondenser EnsembleDistil — разреженный энкодер для поиска по предложениям и абзацам. Модель основана на Luyu/co-condenser-marco и использует архитектуру BERT с MLM-энкодером и max-пулингом SPLADE. Она преобразует текст в разреженный вектор размерности 30 522; сходство между векторами оценивается скалярным произведением. Модель предназначена для семантического поиска и разреженного поиска passage-ов, включая расширение запросов и документов. Для MS MARCO dev в карточке приведены MRR@10 38,3 и R@1000 98,3. Максимальная длина последовательности — 512 токенов, а при воспроизведении оценки использовалось ограничение 256 токенов. Метаданные указывают английский язык и библиотеку Sentence Transformers. Модель содержит 136,7 млн параметров и распространяется в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. Результаты приведены для MS MARCO; качество на других коллекциях может отличаться.

Карточка модели infgrad/stella-large-zh на Hugging Face совпадает с карточкой infgrad/stella-large-zh-v2, поэтому описание составлено по ней. stella-large-zh-v2 — модель для кодирования текста, разработанная автором семейства Stella. Она преобразует китайские тексты в векторы размерностью 1024 и предназначена прежде всего для семантического поиска и сопоставления текстов. Модель основана на архитектуре BERT и дообучена на открытых корпусах и синтетических парах «вопрос — абзац» и «предложение — абзац» с помощью контрастивного обучения, сложных отрицательных примеров и дистилляции. Контекст составляет до 1024 токенов. Для поиска не требуется добавлять инструкционные префиксы. Модель подходит для поиска по длинным китайским документам и оценки семантического сходства; в README приведены результаты C-MTEB и отдельная оценка длинных текстов. Она возвращает векторы, поэтому для выдачи результатов поиска требуется внешняя система индексации и сравнения. Условия лицензии в предоставленных данных не описаны.

NVIDIA Streaming Citrinet 1024 для украинского языка — потоковая модель автоматического распознавания речи, разработанная NVIDIA. Это неавторегрессионная архитектура Citrinet с CTC-декодированием, примерно 141 млн параметров. Модель дообучена на украинской речи методом переноса знаний с русской Citrinet-1024 и обучалась на 69 часах проверенных записей Mozilla Common Voice 10.0. Модель принимает монофонические WAV-записи с частотой дискретизации 16 кГц и возвращает текстовую расшифровку украинской речи в нижнем регистре, включая пробелы и апострофы. Её можно применять для распознавания речи в потоковом режиме, пакетной транскрибации и как контрольную точку NeMo для инференса или дальнейшего дообучения; также поддерживается развёртывание через NVIDIA Riva. Лицензия — CC-BY-4.0. В README приведены результаты WER на тестовых и валидационных наборах Common Voice 8–10. Качество может снижаться на технической лексике, непривычных разговорных вариантах и акцентированной речи.

T5-Small — компактная текстовая модель семейства Text-To-Text Transfer Transformer, разработанная Колином Раффелом и коллегами. Она представляет задачи обработки естественного языка в формате преобразования текста в текст; в каталоге для этой версии указана задача перевода. Модель содержит 38,5 млн параметров по метаданным, имеет плотную архитектуру T5ForConditionalGeneration и контекст до 512 токенов. Модель предназначена для перевода и может применяться в дообученных сценариях суммаризации, ответов на вопросы, классификации и других задач преобразования текста. Она принимает и генерирует текст; в карточке указаны английский, французский, румынский и немецкий языки. Предобучение проводилось на корпусе C4 и смеси задач, включавшей денойзинг и контролируемые текстовые задачи. Компактный размер упрощает использование модели в ограниченных вычислительных условиях, но может уступать более крупным моделям в качестве и надёжности. Карточка не приводит конкретных оценок качества или подробных ограничений. Лицензия — Apache 2.0.

Ternary Bonsai 2 27B MLX — мультимодальная модель семейства Qwen3.5, упакованная для локального запуска на Apple Silicon. Репозиторий представляет собой преобразованную упаковку чекпойнта prism-ml/Ternary-Bonsai-2-27B-mlx-2bit: переобучения и дополнительной квантизации не проводилось. 402 языковые матрицы хранят тернарные веса со скоростью 1,75 бита на вес; зрительный модуль и связанные тензоры сохранены в исходной точности FP16. Модель поддерживает диалог, работу с изображениями и интерфейс вызова инструментов. Она предназначена для генерации текста и ответов на вопросы по изображениям, включая OCR и пространственные рассуждения, при локальном инференсе на устройствах Apple Silicon. README сообщает о проверках точности на текстовых и мультимодальных сценариях, включая контекст до 8192 токенов, но полное окно контекста и общие бенчмарки возможностей исходной модели не проверялись. Заявленная экономия памяти не означает ускорения: в приведённых измерениях обработка входа была медленнее официального чекпойнта, а генерация имела сопоставимую скорость. Для запуска требуется MLX и комплект закреплённых версий MLX-LM, MLX-VLM и Transformers с поставляемым загрузчиком; стандартные загрузчики MLX и Transformers этот артефакт не поддерживают. Проверена конфигурация M4 Max с 48 ГБ объединённой памяти, другие версии библиотек и устройства не валидированы. Лицензия — Apache-2.0.

Tesseract LSTM OCR — GGUF — это набор моделей распознавания текста по отдельным строкам, созданный на основе языковых данных проекта tesseract-ocr/tessdata и преобразованный в формат GGUF для CrispEmbed. Репозиторий содержит варианты для английского, немецкого, французского, испанского, итальянского, португальского, нидерландского, русского, арабского, упрощённого китайского, японского и корейского языков. Модель предназначена для OCR отдельных текстовых строк: изображение строки следует нормализовать и обрезать перед распознаванием. Для полно页ного OCR её можно объединять с детектором текста, например DBNet. Runtime выполняет нормализацию высоты и жадное CTC-декодирование, однако расстановку пробелов между словами и порядок чтения на странице должна обеспечивать внешняя OCR-система. В граф GGUF не входят языковые модели Tesseract DAWG. Для каждого языка доступны варианты F32, F16, Q8_0 и Q4_K: F32 служит эталоном, F16 предназначен для высокоточного развёртывания, Q8_0 рекомендован как компактный вариант, а Q4_K обеспечивает минимальный размер и требует проверки на целевом корпусе. Квантизуются только рекуррентные матрицы, тогда как выходные веса и смещения сохраняются в исходной точности, что помогает сохранить стабильность CTC-решений. Это конвертация и/или квантизация без дополнительного обучения, дообучения или изменения архитектуры и словаря. Лицензия Apache-2.0; при распространении производных необходимо сохранять атрибуцию upstream и исходную контрольную сумму.

djuna-test-lab/TEST-OcerusBeam-7B — объединённая модель генерации текста на архитектуре Mistral, созданная методом SLERP с помощью mergekit. В объединение вошли aws-prototyping/MegaBeam-Mistral-7B-512k и djuna-test-lab/TEST-Ocerus-7B. Модель содержит 7,1 млрд параметров, работает с библиотекой Transformers и распространяется в формате safetensors. Модель предназначена для генерации текста и диалогов; в метаданных также отмечена возможность чата. Длина контекста составляет до 524 288 токенов. Сведения о поддерживаемых естественных языках и условиях лицензии в предоставленных источниках отсутствуют.

TheProfessor-155b — разговорная языковая модель, созданная Eric Hartford при участии Weyaxi, Charles Goddard и команды Generative AI AbacusAI. Это слияние предварительно обученных моделей семейства Llama, выполненное методом linear merge с помощью mergekit; после слияния модель не дообучали. В состав вошли модели для диалога, математики, медицины и научных задач. Модель содержит 154,3 млрд параметров, принимает текст и использует формат диалога ChatML; заявленная длина контекста — 4096 токенов. Модель предназначена для диалога, рассуждений и совместной работы над научными и математическими задачами: от обсуждения концепций до помощи с кодом, написанием и редактированием статей. Её также можно использовать для медицинских вопросов и исследовательского мозгового штурма. Модель выдаёт текст; README не указывает отдельный перечень поддерживаемых естественных языков. Модель распространяется по лицензии Llama 2. Качество ответов и надёжность фактов README не характеризует; медицинские ответы следует проверять, а генерацию цитат и научных сведений — сверять с первоисточниками.

TopEvolution7RAG — созданная сообществом mergekit объединённая языковая модель на архитектуре Mistral с плотной архитектурой и примерно 7,1 млрд параметров. Веса объединены методом SLERP из DeepMount00/Mistral-RAG и mergekit-community/TopEvolutionWiz. Модель предназначена для генерации текста; базовая модель Mistral-RAG описана как дообученная для генеративных и экстрактивных ответов на вопросы по текстам, поэтому объединённая модель может подходить для ответов на вопросы и сценариев RAG. Поддерживаемый контекст — 32 768 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

newmindai/TurkEmbed4STS — модель Sentence Transformers, разработанная newmindai путём дообучения Alibaba-NLP/gte-multilingual-base на турецком наборе all-nli-tr. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости по косинусному сходству; также подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста. В README указана максимальная длина последовательности 512 токенов, а метаданные каталога сообщают о контексте базовой архитектуры до 8192 токенов. Модель ориентирована на турецкий язык. Для обучения использованы функции потерь MatryoshkaLoss, MultipleNegativesRankingLoss и CoSENTLoss; приведены результаты оценивания на наборах для сходства предложений и триплетах. Веса опубликованы в формате safetensors и используются библиотекой sentence-transformers. Лицензия в предоставленных данных не указана.

Карточка модели Gnartiel/vietnamese-sbert на Hugging Face совпадает с карточкой keepitreal/vietnamese-sbert, поэтому описание составлено по ней. keepitreal/vietnamese-sbert — модель Sentence-Transformers на архитектуре RoBERTa, содержащая 162,4 млн параметров. Она преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для сравнения семантической близости, поиска и кластеризации. Модель принимает текст и выдаёт эмбеддинги; её контекст ограничен 258 токенами. Модель подходит для семантического поиска по вьетнамским текстам, группировки похожих предложений и оценки их смыслового сходства. В README указано обучение с CosineSimilarityLoss. Доступные файлы представлены в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.