I.14Автоматизация процессов и AI-агенты

tomaarsen/ettin-encoder-32m-nq — англоязычная модель Sentence Transformers, дообученная на наборе Natural Questions на основе jhu-clsp/ettin-encoder-32m. Она использует архитектуру ModernBERT с mean pooling и преобразует текстовые запросы, предложения и абзацы в плотные эмбеддинги размерности 384; сходство между векторами можно оценивать косинусной мерой. Модель предназначена прежде всего для поиска релевантных текстов по запросу и семантического сопоставления в системах информационного поиска. В README указана максимальная длина последовательности 256 токенов. Метаданные сообщают 31,9 млн параметров и контекст до 7999 токенов; для практического использования следует учитывать ограничение длины, заявленное конфигурацией Sentence Transformers. Модель принимает и выдаёт текстовые представления в виде векторов, обучена на английских вопросах и ответах. Лицензия — MIT.

F2LLM-v2-14B-Preview — предварительная многоязычная модель эмбеддингов от CodeFuse AI, дообученная на базе Qwen3-14B. Она обучена на корпусе из 27 млн примеров, охватывающем более 100 естественных и программных языков, и предназначена как основа для задач векторного представления текста и дальнейшего дообучения; версия Preview обучена без инструкционного формата. Модель имеет плотную архитектуру Qwen3 с 14 млрд параметров, работает с текстом и поддерживает контекст до 40 960 токенов. Для получения эмбеддингов доступны библиотеки Sentence Transformers и Transformers. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Поскольку это базовая версия без инструкционного обучения, она предназначена для встраивания в поисковые и другие embedding-системы, а не для диалогового использования как instruct-модель. README не приводит оценки качества или подробные ограничения по отдельным языкам и задачам.

Faro-Yi-9B-DPO — чат-модель на архитектуре Llama, разработанная wenbopan. Это версия Faro-Yi-9B, обученная с Direct Preference Optimization (DPO); в карточке также указано объединение моделей. Модель содержит 8,6 млрд параметров и рассчитана на генерацию текста в диалоге. Она обучалась на китайских и англоязычных предпочтениях и наборах данных для следования инструкциям и правдивых ответов. Модель предназначена для диалоговых ответов, рассуждений и решения задач на английском и китайском языках. В опубликованной таблице Faro-Yi-9B-DPO превосходит Faro-Yi-9B и Yi-9B-200K по приведённым метрикам MMLU, GSM8K, HellaSwag, TruthfulQA, AI2 ARC, WinoGrande и CMMLU; автор также сообщает о предпочтении её ответов судьёй GPT-4 в MT-Bench. Контекст модели — 32 768 токенов. Для длинных запросов необходимы подходящие настройки и достаточная видеопамять; автор приводит способы увеличить длину контекста с возможным снижением качества при 4-битной квантизации. Лицензия — MIT.

Это предварительно обученная модель векторных представлений fastText для эстонского языка, опубликованная Facebook. Она предназначена для преобразования слов и текстовых фрагментов в векторы, которые можно использовать в классификации текста, определении языка и вычислении семантического сходства. Модель построена на fastText и обучена методом CBOW с позиционными весами на корпусах Common Crawl и Wikipedia. Векторы имеют размерность 300; используются символьные n-граммы длиной 5, окно контекста 5 и 10 отрицательных примеров. fastText работает на обычном процессоре и подходит для прототипирования и применения в продукционных системах. Модель предназначена для работы с текстом на эстонском языке. В README отмечено, что предсказания могут отражать смещения, присутствующие в обучающих данных. Лицензия — CC BY-SA 3.0.

FG-CLIP Base — модель Qihoo 360 для тонкого выравнивания визуальных и текстовых представлений. Обучение проходит в два этапа: сначала на парах изображений и подписей для глобального выравнивания, затем с дополнительными описаниями областей изображения, включая подробные описания и положительные и отрицательные примеры. Архитектура относится к семейству CLIP; карточка указывает использование Transformers и формат весов safetensors. Модель предназначена для сопоставления изображений с текстовыми описаниями и поиска по изображениям или тексту. Более детальное обучение на областях изображений помогает учитывать локальные визуальные признаки наряду с общим содержанием изображения. В README приведены сценарии извлечения признаков и поиска. Указанная лицензия — Apache-2.0.

phgelado/finbeddings_bert — англоязычная модель Sentence Transformer, дообученная разработчиком на базе google-bert/bert-base-uncased. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Модель использует архитектуру BERT с усреднением токенных представлений и поддерживает последовательности длиной до 512 токенов. При обучении использовались наборы all-NLI, STS-B, Quora, Natural Questions, fin-phrases и sec-july; в метаданных также перечислены all-nli, stsb, quora-duplicates и natural-questions. Карточка приводит оценку cosine_accuracy 0,9895 на sec-july-dev, но не описывает методику и условия, поэтому результат не следует считать гарантией качества на других данных. Модель рассчитана на английский язык и текстовый ввод; результатом служат векторные представления, пригодные для вычисления сходства и поиска. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

comet24082002/finetuned_bge_ver11 — дообученная модель на базе BAAI/bge-m3, опубликованная comet24082002. Это плотная модель архитектуры XLM-RoBERTa с 658,7 млн параметров, предназначенная для извлечения признаков из текста. Базовая BGE-M3 рассчитана на многоязычный семантический, лексический и гибридный поиск по текстам и документам; дообученная версия может применяться для получения текстовых представлений в поисковых системах и системах работы с документами. Модель принимает текст и выдаёт векторные признаки. Максимальная длина контекста — 8194 токена. Данные обучения и результаты оценки в карточке не описаны, поэтому качество на конкретных языках и задачах поиска не подтверждено. Лицензия — MIT.

FIxtral — диалоговая языковая модель, опубликованная zaursamedov1 и основанная на объединении модели mistralai/Mistral-7B-Instruct-v0.2. Она предназначена для генерации текста и ответов на инструкции в дружелюбном пошаговом стиле; в карточке приведён пример использования через Transformers. Модель построена на архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0.

Модель inokufu/flaubert-base-uncased-xnli-sts создана на основе французской Flaubert base uncased и дообучена на задаче распознавания логических отношений между предложениями из XNLI, а затем на оценке семантического сходства по данным STS-fr. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения по смыслу, семантического поиска и кластеризации. Контекст модели — до 512 токенов; формат репозитория — PyTorch. Модель рассчитана прежде всего на французский язык. В README указан результат 83,07% на оценке STS (fr). Для использования через Transformers требуется подходящая операция pooling поверх контекстных представлений. Лицензия в предоставленных данных не указана.

Fusion Embedding 2 2B Preview — мультимодальная модель эмбеддингов Eximius Labs на базе Qwen3-VL-Embedding-2B. Она преобразует текст, изображения, видео и аудио в векторы общего пространства для поиска и сопоставления. Текстовые, визуальные и видеовекторы совпадают с исходной базовой моделью побитово; для аудио обучены 60,6 млн параметров адаптеров и преобразователь признаков аудиобашни Qwen2.5-Omni, при этом основная модель и аудиобашня заморожены. Всего в модели около 2,06 млрд параметров базовой модели и 640 млн параметров аудиобашни. Основная версия рассчитана на поиск по аудио и тексту, мультимодальный поиск, RAG и кластеризацию. Отдельная версия с настройкой на ключевые слова подходит для поиска по произнесённым командам. Модель также может использоваться для сопоставления аудио с изображениями, хотя этому соответствию её напрямую не обучали. В README отмечены слабые результаты на задачах кластеризации и снижение качества распознавания эмоций по голосу; показатели на части тестов могут быть затронуты пересечением обучающих данных и тестовых выборок. Это предварительная исследовательская версия, распространяемая по лицензии CC-BY-NC-4.0.

unsloth/gemma-2-it-GGUF — это набор GGUF-квантованных вариантов инструкционной модели Gemma 2, подготовленный Unsloth на основе модели Google. README указывает, что доступны популярные варианты квантования, а исходная модель относится к семейству Gemma 2 и представлена как минимум в версиях на 2B и 9B параметров. Модель предназначена для диалоговых сценариев, генерации и завершения текста, а также для последующего дообучения на пользовательских датасетах и экспорта в GGUF или vLLM. Заявлен английский язык; другие языки и мультимодальные возможности не указаны. Ключевая особенность — 4-битное квантование с использованием bitsandbytes, снижающее требования к памяти и позволяющее запускать и дообучать модель на более доступном оборудовании. Для Gemma 2 README приводит ориентиры дообучения на GPU Tesla T4: для версии 9B заявлены примерно двукратное ускорение и снижение потребления памяти на 63%, однако эти показатели относятся к описанным сценариям и не гарантируют аналогичную производительность при инференсе. Архитектура, размер контекста, точные параметры GGUF-вариантов и системные требования не приведены. Лицензия указана как gemma. Ограничения, связанные с качеством ответов, безопасностью, поддерживаемыми языками и конкретными режимами квантования, в README подробно не описаны; перед использованием следует проверить условия лицензии Google Gemma и характеристики выбранного файла.

GeRaCl-USER2-base — русскоязычная модель для классификации текста без примеров для заданных классов. Её разработали как часть семейства GeRaCl, дообучив sentence encoder USER2-base; модель содержит 155 млн параметров и использует плотную архитектуру классификатора. При работе пользователь передаёт текст и названия возможных классов, а модель оценивает их и выбирает наиболее подходящий. Модель предназначена для быстрой многоклассовой классификации русских текстов, в том числе по пользовательским категориям. В README приведены результаты на задачах MTEB-rus: среднее значение Mean(task) — 0,65; среди примеров — классификация отзывов Kinopoisk, заголовков и текстов по рубрикам GRNTI и OECD. Это результаты авторской оценки на указанном бенчмарке, а качество на других данных может отличаться. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Tim2190/granite-278m-kk — компактная модель для создания эмбеддингов предложений на казахском языке, разработанная Тимом2190 на основе многоязычной Granite Embedding от IBM. Модель дообучена для семантического поиска и извлечения документов на казахском; она создаёт векторы размерностью 768 и использует архитектуру XLM-RoBERTa с примерно 305,2 млн параметров. Максимальная длина последовательности — 512 токенов, дополнительные префиксы в запросах не требуются. Модель подходит для поиска по коллекциям казахских текстов, сравнения запросов с документами и построения retrieval-компонента RAG. По оценке авторов, дообучение улучшает результаты базовой Granite на казахских поисковых наборах; качество сопоставимо со специализированной kazakh-e5, но не превосходит её в целом. Данные оценки описывают конкретные бенчмарки и не гарантируют качество на других коллекциях. Веса опубликованы в формате safetensors; лицензия — CC-BY-SA-4.0.

Mungert/granite-3b-code-instruct-2k-GGUF — это GGUF-версия инструкционно дообученной языковой модели Granite-3B-Code, разработанной на базе IBM Granite. Модель предназначена для генерации текста и ориентирована прежде всего на задачи программирования: создание, объяснение и исправление кода, работу с инструкциями, математическими задачами, SQL и вызовами функций. Контекст модели составляет 2K токенов, размер — около 3 миллиардов параметров, модальность — текстовая. Модель обучалась с использованием наборов данных для программирования, математических рассуждений, инструкций, SQL, диалогов с кодовым ассистентом и оценки полезности ответов. В бенчмарке HumanEvalPack она тестировалась для Python, JavaScript, Java, Go, C++ и Rust; заявленные результаты pass@1 зависят от типа задачи и языка. Например, для синтеза кода показатель составляет 51,2% для Python и 43,9% для JavaScript, а для исправления кода — 33,5% для Java и 31,7% для C++. Файлы созданы с помощью llama.cpp и распространяются в формате GGUF, что позволяет запускать модель в совместимых локальных инструментах. Автор также применял выборочное повышение точности отдельных слоёв при квантовании, чтобы улучшить сохранение качества на низких битностях, хотя это увеличивает размер файла. Ограничениями являются небольшой контекст, специализация на текстовых задачах и вариативное качество между языками и сценариями; приведённые результаты помечены как непроверенные. Лицензия — Apache 2.0.

GTE-ModernColBERT-SauerkrautLM-linear-merge — демонстрационная модель, созданная слиянием весов двух чекпойнтов средствами Sentence Transformers: lightonai/GTE-ModernColBERT-v1 и VAGOsolutions/SauerkrautLM-Multi-ModernColBERT. Для объединения применён линейный метод с равными весами 0,5; модель сохранена в формате safetensors. Это не специализированный релиз, дообученный под конкретную задачу. Модель на архитектуре ModernBERT предназначена для получения много-векторных представлений текста и задач семантического сходства, поиска документов и переранжирования результатов. Она принимает текст, поддерживает контекст до 8192 токенов и содержит 149 млн параметров. Базовые модели ориентированы на англоязычный семантический поиск; отдельные языковые возможности слитой версии в карточке не уточнены. Модель может служить компонентом поискового конвейера, где эмбеддинги используются для сопоставления запросов и документов. Поскольку это демонстрационное слияние, качество для конкретных наборов данных и задач не гарантируется. Лицензия в предоставленных данных не указана.

GTE-small-zh — компактная модель текстовых эмбеддингов семейства General Text Embeddings, разработанная Alibaba DAMO Academy на основе архитектуры BERT. Она обучена на больших наборах пар текстов с оценками релевантности и предназначена для получения векторных представлений китайских текстов. Модель подходит для семантического поиска, сравнения сходства предложений, извлечения информации и ранжирования текстов. Размер модели составляет около 36 млн параметров, размерность эмбеддингов — 512, максимальная длина последовательности — 512 токенов. Веса доступны в форматах PyTorch и safetensors. Модель рассчитана исключительно на китайские тексты; более длинные входы обрезаются до 512 токенов. Лицензия — MIT.

Hunyuan-4B-Pretrain — базовая плотная языковая модель Tencent из семейства Hunyuan. Она содержит 3,9 млрд параметров и предназначена для генерации текста и последующего дообучения под прикладные сценарии. В репозитории указаны архитектура HunYuanDenseV1ForCausalLM и поддержка Transformers. Модель поддерживает контекст до 262 144 токенов, механизм Grouped Query Attention и режимы быстрого и пошагового рассуждения. Семейство Hunyuan рассчитано на разные варианты развертывания, включая ограниченные по ресурсам среды; для инференса также описана поддержка TensorRT-LLM, vLLM и SGLang. Карточка приводит результаты бенчмарков для базовых моделей семейства, но не указывает отдельные языковые коды или лицензионные условия для этой модели.

Indic-Transcribe-core — многоязычная модель распознавания речи, разработанная Bodhan AI на основе NVIDIA Canary-1B-v2. Она использует энкодер FastConformer и декодер Transformer и предназначена для транскрибации речи на 25 языках Южной Азии и английском с выводом в письменности исходного языка. Модель поддерживает автоматическое определение языка и смешанную речь, например хинглиш, и рассчитана на работу с аудио из реальных шумных условий. Модель подходит для транскрибации записей и голосовых сервисов в образовании, сельском хозяйстве и здравоохранении. Для аудио длиннее 45 секунд README рекомендует использовать поставляемый механизм разбиения на фрагменты: обычный однопроходный режим ограничен по длине и может давать повторы. Определение языка может ошибаться, особенно для языков хинди-пояса, которые модель иногда относит к хинди; если язык известен, его рекомендуется задавать явно. В README заявлена готовность к коммерческому использованию, однако метаданные указывают лицензию «other», поэтому конкретные условия следует сверить с лицензией репозитория.

InternVL3-14B-hf — реализация на базе Transformers мультимодальной модели OpenGVLab InternVL3. Репозиторий содержит веса в формате safetensors и предназначен для функционально эквивалентного использования модели в экосистеме Hugging Face Transformers; архитектура — плотная модель InternVL с поддержкой диалогового режима и зрения. Это дообученная версия OpenGVLab/InternVL3-14B-Instruct. Модель принимает текст вместе с изображениями и видео, а также поддерживает генерацию текста по одному лишь текстовому запросу. Она предназначена для визуальных вопросов и ответов, анализа изображений и видео, мультимодального рассуждения и сценариев взаимодействия с интерфейсами и инструментами. В README отмечены возможности пакетного инференса и обработки чередующихся текстовых, графических и видеоданных; заявлены улучшения мультимодального восприятия и рассуждения относительно InternVL 2.5. Карточка указывает мультиязычную поддержку, но не перечисляет конкретные языки. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензией исходной модели и репозитория. Модель рассчитана на инференс через Transformers; конкретные ограничения качества и контекстного окна в предоставленных данных не описаны.

jackalope-7b-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral, созданная объединением mistralai/Mistral-7B-Instruct-v0.2 и openaccess-ai-collective/jackalope-7b методом SLERP с помощью mergekit. Модель содержит 7,1 млрд параметров, распространяется в формате Safetensors и рассчитана на генерацию текста и ответы на инструкции в диалоговом режиме. Контекст составляет до 32 768 токенов. Модель подходит для диалоговых приложений, генерации текста и ответов на запросы. В метаданных не указаны специализированные предметные области или поддерживаемые языки, поэтому их нельзя уверенно определить. Модель распространяется по лицензии Apache-2.0.

jhgan/ko-sroberta-multitask-mrl — корейская модель эмбеддингов предложений на базе RoBERTa, дообученная автором с использованием Matryoshka Representation Learning. Она создаёт векторы размерности 768; первые 512, 256, 128, 64 или 32 компонента также служат представлениями предложений, позволяя уменьшать объём хранения и задержку с возможной потерей точности. Модель обучена на KorNLI и KorSTS в многозадачном режиме и предназначена для сравнения семантической близости корейских предложений и других задач поиска по эмбеддингам. В тестах KorSTS для полного вектора показана корреляция Спирмена 85,07% при косинусном сходстве; для 512 измерений — 85,00%. Модель содержит 137,8 млн параметров, использует архитектуру RoBERTa, реализована для sentence-transformers и поддерживает контекст до 514 токенов. Лицензия — CC-BY-SA-4.0.

Kotoba-Whisper-v2.2 — японская модель распознавания речи от Kotoba Technologies, разработанная совместно с Asahi Ushio. Она основана на kotoba-tech/kotoba-whisper-v2.0 и объединяет распознавание речи с конвейером постобработки, который добавляет диаризацию говорящих и пунктуацию к транскрипту. Модель построена на архитектуре Whisper, содержит около 905,2 млн параметров и принимает аудио, выдавая текстовую расшифровку. Она предназначена для транскрибирования японской речи с разделением реплик по говорящим и восстановлением пунктуации. Репозиторий использует формат safetensors; для работы через Transformers требуется версия 4.39 или новее. Лицензия — Apache-2.0. В README рекомендованы Flash Attention 2 при наличии совместимого GPU и добавление тишины в начале или конце аудио для потенциального улучшения качества. Для диаризации используются дополнительные пакеты, включая pyannote.audio. Карточка не сообщает длину контекста или подробные ограничения точности; качество диаризации и пунктуации зависит от аудио и компонентов конвейера.

Карточка модели ronaldmannak/LFM2.5-ColBERT-350M-bf16 на Hugging Face совпадает с карточкой mlx-community/LFM2.5-ColBERT-350M-bf16, поэтому описание составлено по ней. LFM2.5-ColBERT-350M-bf16 — конвертированная сборка модели Liquid AI для локального инференса на компьютерах Apple Silicon с использованием MLX. Это двунаправленный энкодер LFM2 с поздним взаимодействием ColBERT: он выдаёт 128-мерный вектор для каждого токена, а релевантность пары запроса и документа оценивается методом MaxSim. В репозитории указано 443,4 млн параметров и контекст до 128 000 токенов. Модель предназначена для семантического поиска и извлечения документов по запросу на нескольких языках. В карточке приведены оценки поиска на английских наборах NanoBEIR и многоязычных поднаборах MIRACL для испанского, немецкого, японского и арабского языков. Весовые параметры сохранены в исходной точности bf16; это преобразование формата PyTorch/safetensors в MLX, а не квантизация. Для работы архитектуры включена отдельная реализация MLX, поскольку стандартные mlx-lm и mlx-embeddings её не поддерживают из коробки. Репозиторий создан сообществом mlx-community, а веса, архитектура и поведение модели принадлежат Liquid AI. README сообщает о близком совпадении токеновых векторов с оригинальной версией при проверке, но результаты поиска приведены на ограниченных пулах и не сопоставимы напрямую с полными корпусами MIRACL. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с карточкой базовой модели.

LFM2.5-VL-1.6B-GGUF — квантизированная версия универсальной vision-language модели LFM2.5-VL-1.6B от Liquid AI, опубликованная Unsloth. Модель предназначена для задач, объединяющих изображения и текст, включая описание изображений, визуальное понимание, OCR и анализ документов, а также локальные сценарии на устройствах с ограниченными ресурсами. В основе используется языковая часть LFM2.5-1.2B-Base и vision encoder SigLIP2 NaFlex, оптимизированный для изображений, размером 400M параметров; общий заявленный размер базовой модели — 1,6B параметров. Модель поддерживает контекст до 32 768 токенов и словарь из 65 536 токенов. Она работает на английском, арабском, китайском, французском, немецком, японском, корейском и испанском языках. Обрабатывает изображения с исходным разрешением до 512×512 пикселей, сохраняет нестандартные пропорции, а большие изображения разбивает на неперекрывающиеся тайлы с дополнительной миниатюрой для общего контекста. Максимальное число визуальных токенов и тайлов можно настраивать, выбирая баланс между скоростью и качеством. Сильные стороны модели — улучшенное следование инструкциям, мультиязычное понимание изображений, обработка нескольких изображений, высокое разрешение и OCR. Она подходит для общих vision-language сценариев и потокового описания видео. Ограничение — низкая пригодность для задач, требующих глубоких энциклопедических знаний. Для запуска в llama.cpp необходим параметр --jinja; карточка также указывает исправленный Unsloth chat template. Лицензия обозначена как lfm1.0, с отдельной ссылкой на текст лицензии Liquid AI.

Ling-3.0-flash REAP288 — экспериментальная версия разговорной гибридной MoE-модели Ling-3.0-flash, опубликованная bloomer010 на основе inclusionAI/Ling-3.0-flash. В ней оставлено 288 из 512 маршрутизируемых экспертов на слой; README указывает 73 млрд параметров всего и 5,1 млрд активных, тогда как метаданные каталога указывают 3,5 млрд параметров. Модель предназначена для генерации текста в диалоговом формате; базовая Ling-3.0-flash также позиционируется для программирования и многошаговых агентных задач. Эксперты отбирались методом REAP по оценке, учитывающей значение маршрутизатора и норму выхода на калибровочных данных объёмом 1 млн токенов. После удаления экспертов не проводились дообучение или восстановительное обучение. Модель работает с контекстом до 262 144 токенов, распространяется в BF16 Safetensors и использует архитектуру BailingMoeV3; для загрузки требуется trust_remote_code=True и пользовательский код bailing_hybrid. README называет модель исследовательским артефактом и экспериментальной REAP-версией. Лицензия в предоставленных данных не указана. Ключевое ограничение — эксперты удалены без последующего обучения для восстановления качества, поэтому характеристики базовой модели нельзя автоматически переносить на эту версию; приведённые в README и метаданных размеры параметров также расходятся.

2023mt13042 выпустил модифицированную и дообученную версию Meta Llama 3.1 8B Instruct, применив методику Abliteration — редактирование представлений модели. Это плотная авторегрессионная трансформерная модель семейства Llama для диалогов и генерации текста; в метаданных указано 7,5 млрд параметров, а контекст составляет до 131 072 токенов. Модель принимает текст и выдаёт текст, карточка заявляет поддержку английского языка. Её можно использовать для диалоговых приложений и генерации текста. Для запуска предусмотрены Transformers и веса safetensors в формате fp16; README приводит ориентир от 16 ГБ видеопамяти для обычного запуска и предлагает квантование для устройств с меньшей памятью. Модель наследует условия лицензии Meta Llama 3.1 Community License. Перед применением в производственной среде следует проверять качество и поведение ответов.

Llama-3.1-Tulu-3.1-8B — англоязычная плотная языковая модель семейства Llama, разработанная AI2 и дообученная на базе allenai/Llama-3.1-Tulu-3-8B-DPO. Версия 3.1 отличается обновлённым заключительным этапом обучения с GRPO вместо PPO и настройкой гиперпараметров. Модель содержит 7,5 млрд параметров, принимает текст и предназначена для диалогов и следования инструкциям; длина контекста составляет 131 072 токена. Модель подходит для ответов на вопросы, решения математических задач, включая MATH и GSM8K, и выполнения инструкций с оцениванием по IFEval. Она ориентирована прежде всего на английский язык. Разработчик публикует открытые данные, код и рецепты обучения семейства Tülu 3. По карточке модели обучение безопасности ограничено, поэтому ответы могут содержать проблемный контент, особенно при соответствующих запросах. Лицензия — Llama 3.1 Community License Agreement.

unsloth/Llama-3.2-3B — версия текстовой модели Meta Llama 3.2, представленная в репозитории Unsloth для использования и дообучения. Это плотная авторегрессионная трансформерная модель класса LlamaForCausalLM с 3,2 млрд параметров и контекстом до 131 072 токенов. README описывает семейство Llama 3.2 как модели для генерации текста и диалога; Unsloth предоставляет ноутбуки для настройки модели на собственных данных и экспорта результата. Модель подходит для генерации и продолжения текста, диалоговых сценариев, суммаризации и помощников с ограниченными вычислительными ресурсами. Семейство официально поддерживает английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский; конкретная карточка также помечена языком en. Репозиторий использует формат safetensors и библиотеку Transformers. Модель основана на meta-llama/Llama-3.2-3B и распространяется по лицензии Llama 3.2 Community License — специальной лицензии Meta с коммерческими условиями. Качество генерации, фактическая точность и пригодность для конкретного языка или применения зависят от запроса и развертывания; заявленные в README преимущества скорости и экономии памяти относятся к настройке через Unsloth.

Junpito/llama3-finetuned-id-16bit — дообученная Junpito плотная языковая модель семейства Llama 3.2 с архитектурой LlamaForCausalLM. Она основана на unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. В репозитории указаны формат safetensors, размер около 3,2 млрд параметров и контекст до 131 072 токенов. Модель предназначена для генерации текста и диалоговых сценариев на английском языке; в метаданных также отмечен интерфейс вызова инструментов. Лицензия — Apache-2.0. Карточка не уточняет данные дообучения, конкретную специализацию, оценку качества или ограничения применения, поэтому эти свойства нельзя определить по доступным сведениям.

Llama-3-Open-Ko-8B — языковая модель Junbum Lee (Beomi), созданная продолжением предобучения Meta Llama 3 8B на общедоступных текстах. Модель содержит около 7,5 млрд параметров, использует плотную авторегрессионную архитектуру Transformer семейства Llama и принимает текст, генерируя текст или код. Для обучения использовано более 60 ГБ очищенных от дубликатов текстов и свыше 17,7 млрд токенов; контекст — 8192 токена. Модель предназначена для генерации текста и дальнейшей адаптации под языковые задачи, особенно для работы с корейским и английским языками. Это базовая, а не инструкционная версия; карточка отдельно упоминает предварительную инструкционную модель. Модель выпущена как статический чекпойнт, обученный на офлайн-данных. Указана лицензия Llama 3; для использования необходимо соблюдать условия Llama 3 Community License и Acceptable Use Policy.