I.14Автоматизация процессов и AI-агенты

m3hrdadfi/albert-zwnj-wnli-mean-tokens — модель на базе ALBERT, опубликованная пользователем m3hrdadfi. Она предназначена для извлечения векторных представлений предложений и оценки их сходства; её можно подключить через Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 136,3 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для поиска похожих предложений, семантического поиска и построения эмбеддингов для текстовых приложений. В названии указаны ZWNJ и WNLI, однако README не уточняет языковую поддержку, обучение и специальные ограничения. Лицензия в предоставленных сведениях не указана.

LazarusNLP разработала all-indo-e5-small-v4 — модель Sentence-Transformers на архитектуре BERT с 124,3 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель обучалась с функцией потерь CachedMultipleNegativesRankingLoss на наборах данных для семантического сходства, поиска и вопросов и ответов. Контекст ограничен 512 токенами. Репозиторий содержит веса в форматах Safetensors и ONNX; лицензия в предоставленных данных не указана.

ANIMA-Nectar-v2-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral, созданная слиянием методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.2 и Biomimicry-AI/ANIMA-Nectar-v2. Она предназначена для генерации текста и ответов в диалоге по инструкциям. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Весовые файлы представлены в формате safetensors; конфигурация слияния использует bfloat16. Репозиторий распространяется по лицензии Apache-2.0. Карточка не уточняет языковой охват и специализированные области применения.

AbderrahmanSkiredj1/Arabic_text_embedding_for_sts — модель Sentence Transformers, разработанная Abderrahman Skiredj. Это дообученная BERT-модель для получения плотных векторных представлений арабских предложений и абзацев и оценки их семантического сходства. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Модель содержит 162,4 млн параметров, использует mean pooling и выдаёт эмбеддинги размерностью 768; для сравнения текстов предусмотрено косинусное сходство. Максимальная длина входа — 512 токенов. Модель обучена на датасете с парами и тройками арабских текстов, включающем данные Quora, STS, Alue, Holy Quran и Aranli. Модель предназначена прежде всего для работы с арабским языком; качество для других языков не заявлено. Лицензия в предоставленных данных не указана.

gimmeursocks/ara-e5-small — Sentence Transformer, дообученный на наборе Arabic-NLi-Triplet на основе intfloat/multilingual-e5-small. Модель создаёт 384-мерные эмбеддинги арабских предложений и предназначена для семантического сравнения текстов с использованием косинусного сходства. Её можно применять для поиска перефразировок, оценки сходства предложений и кластеризации арабских текстов. Обучение на триплетах «якорь — похожее предложение — непохожее предложение» улучшило результат примерно на 10% относительно базовой модели на тестовом наборе датасета. Архитектура — BERT, размер — 124,3 млн параметров; метаданные указывают максимальный контекст 512 токенов, а README — максимальную длину последовательности 128 токенов. Репозиторий использует формат safetensors; лицензия в предоставленных данных не указана.

Arcade-3B — инструктивная языковая модель NoesisLab из проекта ARCADE, дообученная на базе HuggingFaceTB/SmolLM3-3B. Это плотная авторегрессионная модель на 3,1 млрд параметров для диалогов, следования инструкциям, генерации текста и рассуждений; заявленная длина контекста — 65 536 токенов. При обучении применялась SC-Orthogonal Training: регуляризация финального скрытого слоя, призванная разделять представления фактического содержания и структуры рассуждения. Модель ориентирована прежде всего на английский язык. Выпущена под лицензией Apache-2.0. Карточка описывает метод обучения и наборы данных, но не содержит завершённых результатов оценки качества, поэтому сравнительные преимущества модели по ней подтвердить нельзя.

OwenArli/ArliAI-Llama-3-8B-Dolfin-v0.6-Abliterated — диалоговая языковая модель на архитектуре Llama 3, созданная как дообучение Meta-Llama-3-8B-Instruct. Разработчик использовал улучшенный набор данных Dolphin и WizardLM, чтобы усилить следование инструкциям и снизить частоту отказов. Версия 0.6 основана на варианте Llama 3 8B Instruct с удалёнными механизмами отказа. Модель предназначена для генерации ответов в формате диалога и выполнения инструкций. В README указаны обучение с контекстом 2048 токена и сохранение рабочего контекста базовой модели в 8192 токена; метаданные также указывают контекст 8192 токена и размер около 7,5 млрд параметров. Модель принимает текст и выдаёт текст. В README описано обучение с использованием QLoRA ранга 64 и alpha 128, при котором обучаемыми были около 2% весов. Репозиторий содержит веса Safetensors. Модель распространяется по лицензии Meta Llama 3; перед использованием необходимо соблюдать её условия. Из-за настройки на снижение отказов модель может отвечать на запросы, которые другие помощники отклоняют, поэтому ответы требуют соответствующей проверки.

AxeronAI создала axeron-mf-44 — языковую модель для генерации текста, полученную слиянием Qwen/Qwen2.5-3B и Qwen/Qwen2.5-3B-Instruct методом SLERP с коэффициентом t=0,5. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 3,1 млрд параметров и доступна в формате safetensors для библиотеки Transformers. Модель принимает текст и предназначена для диалогов и генерации ответов. Контекстное окно составляет 32 768 токенов. В карточке не приведены результаты оценки качества или подтверждённый перечень языков; базовая линейка Qwen2.5 многоязычна. Лицензия в предоставленных данных не указана.

BERT base uncased — англоязычная предварительно обученная модель Google на базе архитектуры BERT для восстановления замаскированных слов. Она содержит 136,7 млн параметров и принимает текст в нижнем регистре; токенизатор WordPiece использует словарь из 30 000 токенов. Контекст ограничен 512 токенами. Предобучение на BookCorpus и англоязычной Википедии использовало задачи masked language modeling и предсказания следующего предложения. Модель предназначена прежде всего для дальнейшей настройки под задачи понимания текста, например классификацию, разметку токенов и ответы на вопросы. Её можно применять для заполнения пропусков в тексте; она также может служить источником признаков для downstream-моделей. Это базовый чекпойнт, а не модель для генерации длинных текстов. Предобучение без учительской разметки позволяет использовать корпусный контекст, однако предсказания могут отражать смещения данных. Модель распространяется по лицензии Apache-2.0.

Qdrant/bge-large-en-v1.5-onnx — это ONNX-порт модели BAAI/bge-large-en-v1.5, разработанной BAAI и подготовленной для использования в экосистеме Qdrant. Модель предназначена для работы с текстом, включая задачи классификации текста и поиска по сходству. Модель преобразует текстовые документы в числовые векторные представления, которые можно использовать для сравнения семантической близости документов и построения систем поиска. В README приведён пример инференса через библиотеку FastEmbed. Из доступных данных следует, что модель ориентирована на английский язык; размер, точная архитектура, длина контекста и другие технические характеристики не указаны. Модель удобна для локального или инфраструктурного запуска в формате ONNX и интеграции с инструментами векторного поиска. Ограничения README не описывает, однако применимость к другим языкам, производительность и качество в конкретных сценариях требуют отдельной оценки. Лицензия модели — Apache-2.0.

biencoder-mMiniLMv2-L12-mmarcoFR — плотный двубашенный энкодер от Antoine Louis для семантического поиска на французском языке. Он кодирует запросы и passages в векторы размерности 384 и оценивает их релевантность по косинусному сходству. Модель построена на XLM-RoBERTa и дообучена на французской части mMARCO — многоязычного машинного перевода MS MARCO; в метаданных указано 124,3 млн параметров и контекст до 514 токенов. Модель предназначена для поиска подходящих фрагментов в больших корпусах, в том числе для семантического поиска по миллионам passages. Для представленных в README экспериментов использовалась максимальная длина запросов и passages 128 токенов. Модель распространяется по лицензии MIT. Оценка проводилась на наборе mMARCO-fr с 6 980 запросами и корпусом из 8,8 млн passages. Эти результаты относятся к французскому поиску и сами по себе не гарантируют качество на других языках или предметных областях.

Модель oguuzhansahin/bi-encoder-mnrl-dbmdz-bert-base-turkish-cased-margin_3.0-msmarco-tr-10k — турецкая sentence-transformers-модель на базе BERT, дообученная как bi-encoder для сопоставления запросов и текстов. Она преобразует предложения и абзацы в плотные векторы размерности 768 и подходит для семантического поиска, ранжирования кандидатов по близости и кластеризации. Модель оценивали на 10 тысячах запросов из переведённого набора MSMARCO dev; в README приведены метрики поиска при разных настройках сходства. Число параметров — 137,8 млн, максимальная длина контекста — 512 токенов. Основное применение — поиск релевантных документов по запросу на турецком языке. Модель выдаёт эмбеддинги, а для получения результатов поиска их нужно сравнивать с эмбеддингами документов. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformer на базе BERT, опубликованная pankajrajdeo. Она преобразует предложения и абзацы в плотные векторы размерностью 384, пригодные для сравнения по косинусному сходству. Архитектура использует усреднение токенных представлений; максимальная длина входа составляет 1024 токена. В метаданных указано 50,3 млн параметров, библиотека sentence-transformers и формат safetensors. Модель предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Карточка сообщает об обучении на парах anchor-positive и использует MultipleNegativesRankingLoss. Название репозитория указывает на биомедицинскую тематику обучения, в том числе UMLS, PubMed и PMC, однако описание датасета в README приводит также примеры общего характера. Языки и лицензия в предоставленных данных не указаны. Для работы с моделью подходит библиотека Sentence Transformers; результатом являются векторы текста, а не готовые ответы или метки. Качество на конкретных языках и предметных областях следует проверять отдельно.

bling-red-pajamas-3b-0.1 — англоязычная инструкционная модель llmware на архитектуре GPT-NeoX, дообученная на основе togethercomputer/RedPajama-INCITE-Base-3B-v1 для сценариев RAG. Модель содержит 3,5 млрд параметров, принимает текст и рассчитана на контекст до 2048 токенов. Весы доступны в формате PyTorch; лицензия — Apache 2.0. Модель предназначена для локального запуска, прототипирования и автоматизации задач с конфиденциальными документами, в частности для ответов на вопросы по предоставленному контексту, извлечения ключей и значений и базового суммирования. В карточке сообщается результат 92 из 100 на RAG-Instruct-Benchmark-Tester; при этом оценки отдельных типов задач неоднородны, а тесты не гарантируют точность на других данных. Модель специализируется на ограниченном наборе инструкционных задач и не является универсальной системой. Ответы могут быть неточными или неполными, поэтому их следует проверять. Для локального инференса заявлена пригодность для ноутбука без продвинутой квантизации.

Карточка модели metarank/ce-esci-MiniLM-L6-v2 на Hugging Face совпадает с карточкой metarank/ce-esci-MiniLM-L12-v2, поэтому описание составлено по ней. metarank/ce-esci-MiniLM-L12-v2 — модель Sentence-Transformers, разработанная Roman Grebennikov и дообученная на датасете Amazon ESCI. Она преобразует предложения и абзацы в плотные векторы размерностью 384 и предназначена для поиска семантически близких текстов и кластеризации. Архитектура основана на BERT; в метаданных указано около 40 млн параметров и контекст до 512 токенов. Модель подходит для семантического поиска и сравнения запросов с товарами или другими текстами. В README название базовой модели указано как cross-encoder/ms-marco-MiniLM-L-6-v2, тогда как идентификатор репозитория и метаданные указывают на MiniLM-L12-v2; поэтому точная связь версии в названии с описанным обучением требует осторожной трактовки. Репозиторий содержит форматы PyTorch, Safetensors и ONNX. Условия лицензии в предоставленных данных не описаны.

ConvBERT small — компактная предобученная языковая модель на архитектуре ConvBERT, созданная Manuel Romero (@mrm8488) при поддержке Narrativa. Модель обучена на large_spanish_corpus и предназначена для получения контекстных векторных представлений испанского текста. Модель содержит 20,4 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch, Safetensors и TensorFlow. В README приведены метрики предобучения, включая точность masked language modeling 0,535 на наборе оценки. Её можно использовать как основу для поиска по смыслу, кластеризации текста и дообучения под задачи классификации или извлечения признаков на испанском языке. Распространяется по лицензии MIT.

deepvk/deberta-v1-distill — русскоязычная предварительно обученная модель от deepvk на основе DeBERTa. Это двунаправленный энкодер без готовой предобученной выходной головы, обученный предсказывать замаскированные токены и сжатый методом дистилляции из более крупной модели. В модели 6 слоёв, 12 голов внимания и размер представления 768; она содержит 95,2 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для извлечения контекстных векторных представлений текста и дальнейшей адаптации под задачи классификации, разметки и анализа русского языка. Обучающие данные включают около 400 ГБ отфильтрованных и дедуплицированных текстов из Википедии, книг, соцсетей, новостных сайтов и других источников. Основной язык — русский, также присутствует небольшая доля других языков; метаданные карточки отмечают русский и английский. Распространяется по лицензии Apache 2.0.

Модель domenicrosati/deberta-v3-large-finetuned-paws-paraphrase-detector — классификатор текста для определения, являются ли два предложения перефразами. Она разработана дообучением microsoft/deberta-v3-large на наборе данных PAWS и использует архитектуру DeBERTa v3 Large с классификационной головой; число параметров — около 533,8 млн, максимальная длина контекста — 512 токенов. Модель предназначена для выявления смысловой эквивалентности формулировок, например при поиске дубликатов вопросов или сопоставлении похожих предложений. В README приведены результаты на оценочной выборке PAWS: F1 0,9427, точность 0,9301 и полнота 0,9556. Доступны веса PyTorch; лицензия — MIT. Карточка не описывает языковое покрытие и дополнительные ограничения, поэтому результаты за пределами указанного набора данных не установлены.

Это пакет GGUF для распределённого запуска DeepSeek-R1-Distill-Llama-70B-UD-Q4_K_XL, подготовленный Mesh LLM на основе unsloth/DeepSeek-R1-Distill-Llama-70B-GGUF. Веса разделены на артефакты по слоям, чтобы запускать модель на локальном кластере из нескольких машин, когда целый файл слишком велик для одного узла. Модель предназначена для локального приватного чат-инференса и интеграции с приложениями через локальный API Mesh LLM, совместимый с OpenAI Chat Completions. Это вариант UD-Q4_K_XL в формате GGUF; исходная модель относится к семейству DeepSeek и имеет 70 млрд параметров согласно идентификатору, однако описание пакета не приводит независимых сведений об архитектуре, языках или длине контекста. Пакет упрощает распределение вычислений между узлами, но для работы требует Mesh LLM и доступных машин кластера. Лицензия и подробные рекомендации по шаблону чата, настройкам генерации и качеству приведены в карточке исходной модели; в этом README условия лицензии не указаны.

win10/DeepSeek-R1-Distill-sthenno-14b-0121-union-tokenizer — объединённая модель на 14 млрд параметров, созданная автором репозитория методом TIES с помощью mergekit. В качестве основы использована sthenno-com/miscii-14b-1225; в объединение также вошли sthenno/tempesthenno-ppo-ckpt40 и unsloth/DeepSeek-R1-Distill-Qwen-14B. Модель построена на архитектуре Qwen2 и распространяется в формате safetensors. Модель предназначена для диалоговой генерации текста. Метаданные указывают контекст до 131 072 токенов и поддержку чата; языки и специализированные прикладные области в карточке не определены. Лицензия в предоставленных данных не указана.

Delta-P2S — слитый чекпойнт на архитектуре Qwen2.5, созданный с помощью экспериментального пакета Delta-P2S с учётом архитектуры Qwen. Модель содержит 14 млрд параметров, использует библиотеку Transformers и веса в формате safetensors; заявленное контекстное окно составляет 131 072 токена. Название и обучающие пути указывают на кодовую направленность эксперимента с Qwen, однако README не уточняет обучающие данные, языки программирования или конкретные сценарии. Модель поддерживает текстовую генерацию и чат. Она может применяться для генерации кода и диалоговых ответов, но качество для этих задач не описано. Лицензия в предоставленных данных не указана.

Это пакет слоёв GGUF-модели Devstral-Small-2505-UD-Q4_K_XL, подготовленный Mesh LLM для распределённого инференса. Он получен из unsloth/Devstral-Small-2505-GGUF и предназначен для запуска на локальном кластере Mesh LLM, когда вычисления и память нужно распределить между несколькими машинами. Модель поддерживает генерацию текста и диалоговый режим; Mesh LLM позволяет обращаться к ней через локальный API, совместимый с OpenAI Chat Completions. Вариант UD-Q4_K_XL использует квантованный формат GGUF, а репозиторий содержит веса, разделённые на артефакты по слоям. Размер модели, длина контекста и поддерживаемые языки в предоставленных данных не приведены. Лицензионные условия следует сверять с карточкой исходной модели unsloth/Devstral-Small-2505-GGUF.

DistilBERT base uncased — компактная дистиллированная модель семейства BERT, разработанная Hugging Face. Она обучена на английских текстах BookCorpus и Wikipedia с помощью BERT base в роли учителя, поэтому работает быстрее и имеет более компактное представление, сохраняя двунаправленную обработку контекста. Архитектура — DistilBertForMaskedLM; модель принимает текстовые последовательности длиной до 512 токенов и предназначена прежде всего для предсказания замаскированных слов и последующего дообучения для классификации последовательностей и токенов, а также ответов на вопросы. Модель чувствительна к регистру в смысле uncased: текст приводится к нижнему регистру. Она не предназначена для генерации свободного текста; для прикладных задач обычно требуется дообученная версия. Предсказания могут отражать смещения обучающих данных и базовой модели BERT. Лицензия — Apache-2.0.

Это объединённая языковая модель mergekit-community, созданная методом SLERP на основе arcee-ai/sec-mistral-7b-instruct-1.6-epoch и cognitivecomputations/dolphin-2.8-mistral-7b-v02. Модель построена на архитектуре MistralForCausalLM с плотной архитектурой и содержит 7,1 млрд параметров; опубликованные веса представлены в формате Safetensors, а библиотека запуска — Transformers. Модель предназначена для генерации текста в диалоговых сценариях: она принимает текстовый запрос и формирует текстовый ответ. Контекст составляет до 32 768 токенов. Карточка не описывает отдельные прикладные области или языковые характеристики, поэтому их нельзя уточнить по имеющимся данным. Лицензия в предоставленных данных не указана.

DPOpenHermes-7B-v2-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель MaziyarPanahi, полученная слиянием Mistral-7B-Instruct-v0.2 и DPOpenHermes-7B-v2 методом SLERP. Она предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Модель построена на архитектуре Mistral с плотной архитектурой и содержит 7,1 млрд параметров. Она работает с текстом, поддерживает чат и принимает контекст длиной до 32 768 токенов. В репозитории доступны веса в формате Safetensors. Модель подходит для диалоговых помощников и генерации ответов по пользовательским инструкциям. Карточка не приводит отдельных оценок качества или специальных ограничений. Лицензия — Apache-2.0.

ECE-TW3-JRGL-V4 — 71-миллиардная языковая модель, созданная объединением migtissera/Tess-72B-v1.5b и MTSAIR/MultiVerse_70B с помощью mergekit. Она использует плотную архитектуру LlamaForCausalLM и предназначена для генерации текста, диалогов и ответов на вопросы. Модель принимает текст и выдаёт текст; длина контекста составляет 32 768 токенов. Модель распространяется в формате safetensors под лицензией Apache-2.0. Данных о специализированной предметной области или языках модели в карточке нет.

dbmdz/electra-large-discriminator-finetuned-conll03-english — модель семейства ELECTRA, разработанная и опубликованная пользователем dbmdz на Hugging Face. Это англоязычный трансформерный энкодер ELECTRA Large, дообученный для задачи токен-классификации на наборе CoNLL-03 и предназначенный прежде всего для распознавания именованных сущностей в тексте. Модель содержит около 433,9 млн параметров и обрабатывает контекст длиной до 512 токенов. Она работает с текстом через библиотеку Transformers и поддерживает pipeline token-classification; её можно применять для выделения сущностей, например персон, организаций, мест и других классов, предусмотренных разметкой CoNLL-03. Сильная сторона модели — специализация на англоязычном NER вместо универсальной генерации текста. Модель не предназначена для генерации, суммаризации или мультимодальных задач; качество может снижаться на языках, доменах и типах сущностей, отличающихся от данных обучения. Лицензия в доступных источниках не установлена.

Experiment26Neuralsirkrishna_Experiment24Yam — объединённая модель Mistral, созданная из automerger/Experiment26Neuralsirkrishna-7B и automerger/Experiment24Yam-7B. Она предназначена для генерации текста и диалогов, включая сценарии с длинным контекстом до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате Safetensors. Практические качества и языковой охват отдельно не описаны; пригодность модели для конкретных задач следует оценивать на собственных данных. Лицензия — Apache-2.0.

Experiment26Neuralsirkrishna_ShadowCalme — объединённая языковая модель семейства Mistral, созданная на основе automerger/Experiment26Neuralsirkrishna-7B и automerger/ShadowCalme-7B. Модель содержит 7,1 млрд параметров и принимает текст для авторегрессионной генерации текста, включая диалоги; длина контекста — до 32 768 токенов. Модель предназначена для генерации продолжений, ответов и диалоговых реплик. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Сведения о специализации по языкам и прикладным областям в карточке не приведены.

Experiment28M7_Strangemerges_32Ogno — объединённая авторами репозитория MaziyarPanahi модель на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и диалогов, а контекст модели составляет до 32 768 токенов. Модель объединяет automerger/Experiment28M7-7B и automerger/Strangemerges_32Ogno-7B. Веса доступны в формате safetensors, лицензия — Apache-2.0. Сведения о специальных предметных областях или дополнительных возможностях не приведены.