I.14Автоматизация процессов и AI-агенты

MaziyarPanahi/Experiment28M7_T3qm7xpExperiment26 — объединённая методом SLERP языковая модель семейства Mistral, созданная на основе automerger/Experiment28M7-7B и automerger/T3qm7xpExperiment26-7B. Она предназначена для генерации текста и диалогов по текстовым запросам. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

Experiment28T3q_Experiment27Yam — объединённая модель семейства Mistral, созданная на основе automerger/Experiment28T3q-7B и automerger/Experiment27Yam-7B. Она содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и представлена в формате safetensors. Модель предназначена для генерации текста и может применяться в диалоговых и других сценариях, где требуется продолжать текст по входному запросу. Контекстное окно составляет 32 768 токенов. Репозиторий распространяется по лицензии Apache 2.0.

ybelkada/falcon-7b-sharded-bf16 — это шардированный контрольный файл модели Falcon-7B в формате BF16, опубликованный пользователем ybelkada на Hugging Face и основанный на базовой модели Falcon-7B, разработанной Technology Innovation Institute (TII). Модель представляет собой авторегрессионную decoder-only Transformer-архитектуру для генерации текста; размер исходного чекпойнта составляет около 7B параметров, а в метаданных этого репозитория указано 10.9B параметров. Репозиторий предназначен для запуска и дообучения модели с использованием Transformers, PyTorch и Safetensors.

Fikr-7B-Reasoning-GRPO — языковая модель для генерации текста, опубликованная пользователем Hatim2221 на Hugging Face. По метаданным она работает через библиотеку Transformers, относится к семейству Qwen2 и содержит около 7,1 млрд параметров. Название указывает на ориентацию на рассуждения и обучение методом GRPO, однако README не содержит подробностей о процедуре дообучения или результатах оценки. Модель предназначена для задач генерации и продолжения текста, диалоговых сценариев, составления ответов на вопросы и выполнения инструкций в приложениях на базе LLM. Заявленная длина контекста составляет 32 768 токенов, что позволяет обрабатывать достаточно объёмные запросы и документы. В метаданных отмечен conversational-сценарий использования, но поддерживаемые естественные языки явно не перечислены. README не содержит сведений о разработчике, лицензии, обучающих данных, тестах, показателях качества, рекомендуемых параметрах генерации или специальных ограничениях. Поэтому перед применением модель следует самостоятельно проверять на фактические ошибки, нестабильность рассуждений, токсичные или предвзятые ответы и пригодность для конкретной области.

flammen3-mistral-7B — созданная flammenai объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она получена методом SLERP с помощью mergekit из предварительно обученных моделей nbeerbower/flammen2 и yam-peleg/Experiment26-7B; веса опубликованы в формате safetensors и рассчитаны на использование с Transformers. Модель предназначена для генерации текста и других сценариев, поддерживаемых конвейером text-generation. Она принимает текст, выдаёт текст и имеет контекстное окно до 32 768 токенов. Карточка не описывает специализированные области применения или языки модели, поэтому их нельзя надёжно определить. Лицензия — Apache-2.0. Карточка подтверждает происхождение через слияние моделей, но не приводит сравнительных оценок качества или подробных рекомендаций по применению; фактические результаты следует оценивать на целевых задачах.

Sahajtomar/french_semantic — модель на базе Sentence Transformers для оценки семантического сходства предложений на французском языке. В карточке приведены результаты на французских наборах STS: 87,4% на dev и 85,8% на test. Метаданные указывают на поддержку эмбеддингов и формат PyTorch. Модель подходит для сравнения французских предложений, поиска семантически близких формулировок и ранжирования текстов по сходству. Размер, длина контекста и лицензия в доступных материалах не указаны.

zeromodels публикует версию Gemma 4 E2B IT в формате Keras 3. Это конверсия весов Google Gemma 4, реализованная для запуска с TensorFlow, Torch и JAX; в репозитории веса хранятся в bfloat16. По README, модель принимает изображения, аудио и текст и выдаёт текст, а также поддерживает текстовый диалог через Gemma4Processor и инструменты генерации текста. Указан размер 5,1 млрд параметров с эмбеддингами и 2,3 млрд эффективных параметров; базовая модель — google/gemma-4-E2B-it. Семейство Gemma 4 использует скользящее окно внимания на 512 токенов для варианта E2B, но полный контекст модели в карточке не уточнён. Модель подходит для диалогов, ответов по изображениям и аудио и генерации текста. README отсылает к карточке Google за подробностями о модели и условиях использования; лицензия репозитория — Apache 2.0.

DavidAU разработал The-DECKARD-HERETIC-UNCENSORED-Thinking — дообученную модель Google Gemma 4 E4B Instruct с настройкой на внутренних датасетах и изменённым шаблоном чата, который по умолчанию включает режим рассуждения. Модель предназначена для диалога, творческого письма, ролевых сценариев, генерации историй и кода. Автор сообщает о поддержке текста, изображений, видео и аудио, а также контекста до 128 тысяч токенов. Gemma 4 E4B описана как модель примерно с 8 млрд параметров, из которых около 4,5 млрд активны; веса этой версии представлены в формате bfloat16 и safetensors. Карточка приводит внутренние результаты сравнения с базовой моделью, но отмечает, что статистика ещё собирается и instruct-режим иногда показывает лучшие результаты, чем thinking. Использование чата в режиме instruct требует отдельного шаблона. Лицензия — Apache 2.0.

GoGPT2-13B — 13-миллиардная плотная языковая модель семейства Llama, основанная на Llama 2 и представленная разработчиком Golaxy. Она предназначена для генерации текста на китайском и английском языках: ответов на вопросы, написания и редактирования текстов, объяснения понятий и создания кода. Архитектура — LlamaForCausalLM; модель рассчитана на контекст до 4096 токенов и доступна в формате PyTorch. В примерах карточки показаны ответы на общие вопросы, создание рецензий и реализация алгоритма. Модель дообучена на китайском наборе Alpaca-GPT4; лицензия — Apache-2.0. Карточка также говорит о версиях GoGPT на 7B и 13B параметров, но не приводит подробностей их сравнительной производительности.

Ivysaur — дообученная Mihaiii модель эмбеддингов на базе TaylorAI/gte-tiny, обученная на наборе Mihaiii/qa-assistant. Она предназначена для семантического автодополнения: модель преобразует текстовые запросы в векторы, которые можно использовать для поиска подходящих продолжений и сравнения текстов по смыслу. Архитектура — компактная BERT-модель с 25,9 млн параметров; доступны форматы Safetensors и ONNX, использовать её можно через Sentence Transformers или Transformers с подходящей операцией pooling. Модель рассчитана исключительно на английский текст. Контекст ограничен 512 токенами, более длинные входы обрезаются. Лицензия — MIT.

Jais-13b — предварительно обученная двуязычная языковая модель на 13 млрд параметров, разработанная Inception, Университетом искусственного интеллекта имени Мохаммеда бин Заида (MBZUAI) и Cerebras Systems. Она предназначена для генерации текста на арабском и английском языках и может служить основой для дообучения под прикладные задачи, включая чат-ассистентов и поддержку клиентов. Модель использует декодерную архитектуру Transformer типа GPT-3 с активацией SwiGLU и позиционными представлениями ALiBi. Обучение проводилось на 395 млрд токенов, включая арабский, английский и код. Для загрузки требуется пользовательский класс модели и параметр trust_remote_code=True; в README приведён пример для Transformers 4.28.0. Модель ориентирована на арабский и английский языки; равное качество для других языков и диалектов не предполагается. Как и другие большие языковые модели, она может выдавать неверную, вводящую в заблуждение или оскорбительную информацию, поэтому её ответы не следует использовать как единственное основание для важных решений. Лицензия Apache 2.0 допускает использование модели в соответствии с её условиями.

Это мультимодальная embedding-модель jina-embeddings-v4-vllm-retrieval, разработанная Jina AI и представленная в формате GGUF сообществом mradermacher. Репозиторий содержит квантизированные варианты модели, включая imatrix-файл для создания собственных квантов. Модель предназначена для multilingual embedding, извлечения признаков, оценки семантического сходства и поиска Text-to-Visual Document (T→VD), то есть сопоставления текста с визуальными документами. Она также связана с задачами и бенчмарками Vidore, ColPali и MTEB. Из README известно, что модель поддерживает мультимодальные входы и многоязычное использование, однако точные архитектура, число параметров, размерность embeddings, перечень языков и размер контекстного окна не указаны. Доступны варианты квантизации GGUF размером примерно от 0,9 до 2,0 ГБ и более; наиболее рекомендуемыми в описании названы i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. При этом низкобитные варианты могут заметно уступать по качеству. Модель подходит для семантического поиска и retrieval-систем, включая поиск по визуальным документам и мультимодальное сопоставление текста и изображений. Ограничения, связанные с конкретными характеристиками качества и производительности, в README не приведены; выбор квантизации влияет на компромисс между размером, скоростью и точностью. Лицензия модели — CC BY-NC 4.0, допускающая использование с указанием авторства, но некоммерческое.

Карточка модели modulon-labs/K2-Horizon-7B-GDN-Hybrid-Exp на Hugging Face совпадает с карточкой TFM-ML/K2-Horizon-7B-GDN-Hybrid-Exp, поэтому описание составлено по ней. TFM-ML выпустила экспериментальную плотную языковую модель K2-Horizon-7B-GDN-Hybrid-Exp на основе IFM/K2-Horizon-7B. Она предназначена для генерации текста и диалогов с длинным контекстом. В 36-слойной архитектуре чётные слои используют Gated DeltaNet, а нечётные сохраняют исходное full attention; параметры GDN инициализированы из весов внимания и дистиллированы на базе исходной модели. Модель содержит 8 млрд параметров и поддерживает контекст до 524 288 токенов. Замена половины слоёв full attention на GDN сокращает объём KV-кэша на токен вдвое, до 73 728 байт; на последовательность также требуется около 19 МиБ состояния GDN в bf16. Модель предназначена для сценариев, где важна экономия памяти при работе с длинными последовательностями, однако авторы предупреждают о снижении качества в задачах рассуждения. Для запуска требуется transformers с custom code и параметром trust_remote_code=True; автор протестировал версию transformers 5.17.0. Лицензия — Apache-2.0.

Kanana-2-30B-A3B-Base — базовая языковая модель семейства Kanana-2, разработанная Kakao. Она предназначена для генерации текста и служит основой для вариантов, настроенных на следование инструкциям и рассуждения. Архитектура MoE включает 30 млрд параметров, из которых активны около 3 млрд; используются MLA, 128 экспертов и выбор шести экспертов на токен. Модель реализована как DeepseekV3ForCausalLM и распространяется в формате safetensors для Transformers. Модель рассчитана на контекст до 32 768 токенов и поддерживает корейский, английский, японский, китайский, тайский и вьетнамский языки. Подходит для генерации продолжений и построения языковых приложений, включая агентные системы, однако карточка описывает улучшенные вызов инструментов и следование сложным инструкциям для семейства Kanana-2 в целом, а не гарантирует эти функции для базовой версии. Для контекста до 128 тысяч токенов README предлагает отдельно настроить YaRN. Указана лицензия other; конкретные условия использования следует сверять с лицензией репозитория.

cfokmu/klue-roberta-base-klue-sts — модель эмбеддингов предложений на базе RoBERTa, опубликованная сообществом cfokmu. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства. Модель использует архитектуру RoBERTa с 137,8 млн параметров; для вычисления эмбеддингов применяется pooling поверх контекстных представлений токенов. Максимальная длина контекста — 514 токенов. Модель подходит для семантического поиска и группировки текстов по смыслу. Карточка указывает обучение с CosineSimilarityLoss; данные подтверждают назначение для KLUE/ST​S, поэтому основным языком является корейский. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

daekeun-ml/KoSimCSE-unsupervised-roberta-base — корейская модель для получения эмбеддингов предложений, основанная на RoBERTa base и методе SimCSE с контрастивным обучением без разметки. Её можно использовать для сравнения смысловой близости корейских текстов и поиска похожих предложений. В README приведены результаты оценки на KLUE-STS и Kor-STS: для версии RoBERTa base без учителя средние показатели составляют 81,17 и 81,20 соответственно. Репозиторий также описывает обучение SimCSE, включая распределённое обучение и supervised-вариант, но данный чекпойнт обозначен как unsupervised. Размер модели и длина контекста в предоставленных данных не указаны. Лицензия — MIT.

LateOn-regularized — модель LightOn для поиска по текстам в стиле ColBERT, обученная с помощью PyLate на базе LateOn-unsupervised и ModernBERT-base. Это многовекторная модель позднего взаимодействия: она кодирует токены запросов и документов в векторы и сопоставляет их с помощью MaxSim. Модель содержит 149 млн параметров и поддерживает контекст до 8192 токенов; для документов рекомендуется длина до 300 токенов, для запросов — до 32 токенов. При дообучении применена регуляризация Straight-Through Estimator с контрастивной функцией потерь на проекциях MUVERA. Она улучшает совместимость представлений с эффективной генерацией кандидатов через MUVERA и SMVE, сохраняя качество поиска с PLAID. Для MUVERA и SMVE рекомендуется центрировать эмбеддинги. Модель предназначена для англоязычного поиска; лицензия — Apache 2.0.

Карточка модели ronaldmannak/LFM2.5-ColBERT-350M-8bit на Hugging Face совпадает с карточкой mlx-community/LFM2.5-ColBERT-350M-8bit, поэтому описание составлено по ней. LFM2.5-ColBERT-350M-8bit — 8-битная MLX-квантизация многоязычной модели ColBERT от Liquid AI, опубликованная сообществом mlx-community. Модель предназначена для семантического поиска и ранжирования: она кодирует каждый токен вектором размерности 128, а релевантность запроса и документа оценивается методом позднего взаимодействия MaxSim. Число параметров — 443,4 млн, размер контекста — до 128 000 токенов. Репозиторий содержит веса в формате MLX safetensors, квантизированные до 8 бит; README указывает на снижение размера с 707 до 376 МБ относительно bf16 и близкое сохранение качества на приведённых наборах поиска. Модель подходит для локального поиска по текстовым коллекциям на устройствах Apple Silicon. Базовая модель — LiquidAI/LFM2.5-ColBERT-350M; лицензия указана как other, поэтому перед использованием следует проверить условия исходной карточки. Результаты оценки приведены для небольших или сокращённых корпусов и не сопоставимы напрямую с лидербордами полного MIRACL.

erayyapagci/lfm2.5-pii-en-hi-hinglish-q8 — дообученная модель на основе LiquidAI/LFM2.5-Encoder-350M-PII-Detector для обнаружения персональных данных в тексте на английском, хинди и хинглише. Это плотная двунаправленная архитектура LFM2 для классификации токенов; репозиторий содержит веса PyTorch FP32 и экспорт ONNX с динамической квантизацией INT8. Модель насчитывает 444,6 млн параметров и поддерживает контекст до 128 000 токенов. Модель предназначена для поиска и разметки фрагментов с персональными данными, включая имена, адреса, даты, электронную почту, телефоны и URL. В описанной проверке на синтетической выборке дообученная версия показала более высокий отзыв, чем исходная базовая модель; INT8-вариант ориентирован на запуск на CPU и уменьшает потребление памяти. Для восстановления текстовых фрагментов нужны BIOES-декодирование и смещения токенизатора. Автор характеризует модель как экспериментальный детектор, который не следует считать полноценной защитной границей. Она слабее работает с гибко форматируемыми группами номеров счетов и ранее не встречавшимися произвольными секретами; квантизация может менять пограничные предсказания. Перед применением нужны проверка на вручную размеченных данных своего домена и дополнительные детерминированные распознаватели для структурированных идентификаторов. Лицензия указана как other; конкретные условия следует проверить на странице репозитория.

Ling-3.0-tiny-APEX-GGUF — набор квантизированных GGUF-профилей базовой модели inclusionAI/Ling-3.0-tiny, разработанный с использованием технологии Apex-Quant. Модель предназначена для локального запуска и генерации текста через llama.cpp, Ollama и llama-cpp-python; подходит для сценариев, где важны автономная работа, экономия памяти и выбор между качеством, скоростью и размером файла. В основе лежит архитектура BailingMoeV3ForCausalLM с разреженной Mixture-of-Experts: 128 экспертов по 1 млрд параметров, из которых для каждого токена используются 8. Модель содержит 24 слоя, имеет скрытый размер 1536, 16 attention heads, grouped query attention и контекст до 131 072 токенов; размер словаря — 157 184 токена. Репозиторий предоставляет профили i-quality на 5,4 ГБ, i-balanced на 5,6 ГБ и i-compact на 3,7 ГБ с разной степенью квантизации и компромиссом между качеством, скоростью и требованиями к RAM. Сильные стороны модели — MoE-архитектура, большой контекст, локальное развертывание и наличие нескольких профилей для производственных, сбалансированных и ограниченных по памяти сред. Ограничения включают зависимость от совместимого ПО и оборудования для инференса, а также ожидаемое снижение качества у компактного профиля по сравнению с более точными вариантами. Языки и специализированные возможности исходной модели в README не указаны. Квантизированные модели распространяются по лицензии MIT; для коммерческого использования рекомендуется дополнительно проверить условия лицензии исходной модели.

Это 4-битная версия модели Llama 3 8B Instruct, подготовленная сообществом mlx-community для запуска с MLX. Модель преобразована из gradientai/Llama-3-8B-Instruct-262k с помощью mlx-lm 0.10.0; она использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Модель предназначена для диалоговой генерации текста и принимает текстовые запросы. Заявленная длина контекста — 1 048 576 токенов; карточка указывает поддержку английского языка. Репозиторий использует формат safetensors. Лицензия — llama3. README отсылает к карточке исходной модели за дополнительными сведениями о возможностях и условиях использования.

Карточка модели SakanaAI/Llama-3-8B-Instruct-OS-Expert на Hugging Face совпадает с карточкой SakanaAI/Llama-3-8B-Instruct-Coding-Expert, поэтому описание составлено по ней. Sakana AI разработала Llama-3-8B-Instruct-Coding-Expert — экспериментальную авторегрессионную языковую модель семейства Llama на 7,5 млрд параметров, основанную на Llama-3-8B-Instruct. Модель предназначена для генерации текста в диалоговом режиме и ориентирована на задачи программирования; в README указаны обучающие данные Magicoder-Evol-Instruct-110K и Magicoder-OSS-Instruct-75K. Модель принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 8192 токенов. В README модель представлена как один из экспертных компонентов набора Llama-3-CycleQD. Это экспериментальный прототип для исследований и разработки: авторы не рекомендуют коммерческое использование и развертывание в критически важных средах, а качество результатов не гарантируется. Лицензия — Meta Llama 3 Community License.

Карточка модели princeton-nlp/Llama-3-Base-8B-SFT-SLiC-HF на Hugging Face совпадает с карточкой princeton-nlp/Llama-3-Instruct-8B-SimPO-v0.2, поэтому описание составлено по ней. Llama-3-Instruct-8B-SimPO-v0.2 — диалоговая языковая модель семейства Llama, выпущенная командой Princeton NLP как модель из работы SimPO (Simple Preference Optimization with a Reference-Free Reward). Она предназначена для генерации текста в формате инструкций и диалога. Модель содержит 7,5 млрд параметров, принимает текст и имеет контекстное окно 8192 токена. Модель связана с исследованием оптимизации предпочтений без эталонной модели. В карточке не приведены подробности обучения, оценки качества или специальные области применения; метаданные указывают поддержку чата и формат весов safetensors. Лицензия в предоставленных данных не указана.

LLaVE-0.5B — мультимодальная модель встраивания, дообученная на базе LLaVA-OneVision-Qwen2-0.5B-OV. Она предназначена для получения представлений текста, изображений, нескольких изображений и видео, которые можно использовать для поиска и сопоставления содержимого. В README заявлены сильные результаты на наборе MMEB и перенос на поиск по видео без дополнительного обучения; модель обучалась на 662 тысячах пар. По метаданным, модель содержит 357,8 млн параметров, использует архитектуру LLaVA с Qwen2, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. README также описывает контекстное окно в 4K токенов, что расходится с длиной контекста из метаданных.

LMCocktail-Mistral-7B-v1-Mistral-7B-Instruct-v0.1 — плотная языковая модель семейства Mistral, созданная объединением Mistral-7B-Instruct-v0.1 и Yhyu13/LMCocktail-Mistral-7B-v1 методом SLERP. Веса представлены в формате Safetensors; модель насчитывает 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста в ответ на инструкции и ведения диалогов. Её можно применять в чат-ботах и для создания ответов на текстовые запросы. Данные о поддерживаемых естественных языках в карточке не приведены. Модель распространяется по лицензии Apache-2.0. Качество и поведение при объединении моделей могут различаться в зависимости от запроса; отдельные ограничения в карточке не описаны.

MalayalamSBERT-STS — модель семейства SBERT, выпущенная L3Cube-Pune в рамках проекта MahaNLP. Это дообученная на наборе STS версия модели l3cube-pune/malayalam-sentence-bert-nli для сравнения сходства предложений на малаялам. Она строит векторные представления текста на основе BERT и предназначена для оценки семантической близости фраз, поиска похожих предложений и ранжирования текстов по смысловому сходству. Модель содержит 264,8 млн параметров, работает с входом длиной до 512 токенов и доступна в формате PyTorch. Для получения представлений можно использовать Sentence-Transformers либо Transformers с подходящей операцией pooling поверх контекстных представлений токенов. Модель ориентирована на малаялам; README также указывает на отдельную многоязычную версию для основных индийских языков и межъязыкового сравнения. Лицензия в предоставленных данных не указана.

timpal0l/mdeberta-v3-base-squad2 — многоязычная модель для извлечения ответов на вопросы, разработанная на основе microsoft/mdeberta-v3-base и дообученная timpal0l в течение трёх эпох на SQuAD 2.0. Она принимает вопрос и контекст, затем выделяет в контексте фрагмент, который отвечает на вопрос; обучение на SQuAD 2.0 позволяет модели также обрабатывать вопросы без ответа в контексте. В основе лежит архитектура DeBERTa V3: 12 слоёв с размером скрытого состояния 768; общее число параметров — 306 млн. Многоязычная базовая модель обучалась на данных CC100 и использует словарь из 250 тысяч токенов. Контекст модели — до 512 токенов. Модель предназначена для extractive question answering и доступна в форматах PyTorch и Safetensors. Модель подходит для поиска ответов в заданном тексте на поддерживаемых языках. Она возвращает фрагмент исходного контекста, поэтому не предназначена для свободной генерации развёрнутых ответов или работы без предоставленного контекста. Лицензия — MIT.

Megac4ai-command-r-plus — экспериментальная языковая модель, созданная автором nitky с помощью mergekit: слои CohereForAI/c4ai-command-r-plus чередуются с её же слоями методом passthrough. Модель содержит 160,4 млрд параметров, использует архитектуру CohereForCausalLM и формат safetensors; для запуска применяется библиотека Transformers с необходимыми изменениями. README также указывает на отдельную GGUF-версию и вариант квантования bitsandbytes до 4 бит. Модель предназначена для генерации текста и диалоговых ответов. В примере она отвечает на вопрос по японскому диалогу; метаданные перечисляют поддержку английского, французского, немецкого, испанского, итальянского, португальского, японского, корейского, китайского и арабского языков. Контекст составляет 8192 токена; доступны интерфейсы чата и вызова инструментов. Указанная лицензия — CC BY-NC 4.0, допускающая использование с атрибуцией, но не коммерческое использование.

MeliodasPercival_01_Experiment27Pastiche — объединённая языковая модель семейства Mistral, созданная MaziyarPanahi на основе automerger/MeliodasPercival_01-7B и automerger/Experiment27Pastiche-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате safetensors. Модель предназначена для генерации текста и диалоговых ответов. Контекстное окно составляет до 32 768 токенов, что позволяет работать с длинными запросами и документами. Карточка не описывает специальные предметные области или отдельные языки. Модель опубликована под лицензией Apache-2.0. README не сообщает о сравнительных оценках качества или конкретных ограничениях; результаты могут зависеть от промпта и сценария применения.

MeliodasPercival_01_YamT3qm7xp — объединённая языковая модель на архитектуре Mistral, созданная из automerger/MeliodasPercival_01-7B и automerger/YamT3qm7xp-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Она предназначена для генерации текста и может использоваться в сценариях, где требуется создавать продолжения и ответы на основе текстового запроса. Веса доступны в формате Safetensors; лицензия — Apache 2.0.