I.14Автоматизация процессов и AI-агенты

Meta-Llama-3-8B-Instruct-FP8 — это квантизированная версия текстовой инструкционной модели Meta-Llama-3-8B-Instruct, разработанная Neural Magic. Модель предназначена для коммерческого и исследовательского использования в англоязычных ассистентских чат-сценариях: диалогов, ответов на вопросы и генерации текста. Она принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и рассчитана на эффективный инференс с использованием vLLM версии 0.5.0 и выше. В основе модели лежит архитектура Meta-Llama-3 с 8 млрд параметров. Веса и активации линейных операторов внутри transformer-блоков квантизированы в формат FP8, что примерно на 50% снижает требования к дисковому пространству и GPU-памяти по сравнению с 16-битным представлением. Квантизация выполнена с помощью AutoFP8 на 512 последовательностях из UltraChat; применяется симметричная по-тензорная схема масштабирования. Средний результат на OpenLLM Leaderboard v1 составил 68,22 против 68,71 у неквантизированной версии, что указывает на небольшое снижение качества при существенной экономии ресурсов. Модель оптимизирована для англоязычных задач и не предназначена для использования на других языках согласно заявленным ограничениям. Она доступна по лицензии Llama 3, условия которой определяются лицензией Meta. Использование должно соответствовать применимым законам и требованиям лицензии.

DevQuasar опубликовал GGUF-версию microsoft/Phi-4-reasoning-vision-15B. Это мультимодальная чат-модель с поддержкой изображений, предназначенная для ответов на вопросы по визуальным данным и рассуждений об изображениях. Каталог относит базовую модель к дообученным моделям Microsoft; в репозитории указаны веса GGUF в формате F16. Модель подходит для анализа изображений и документов, а также для работы со скриншотами графических интерфейсов. Карточка не сообщает подробностей о размере контекста, языках и условиях лицензии этой копии, поэтому их нельзя уточнить по доступным данным.

Ming-flash-omni 2.0 — мультимодальная модель семейства Ling-2.0 от InclusionAI с архитектурой Mixture-of-Experts: 100 млрд параметров суммарно и 6 млрд активных. Она принимает изображения, текст, видео и аудио, а генерирует текст, изображения и аудио; в метаданных также заявлен интерфейс для вызова инструментов. Модель предназначена для диалога и задач, где нужно переключаться между модальностями: анализа изображений и видео, распознавания речи, синтеза речи и музыки, генерации и редактирования изображений. В README отдельно отмечены распознавание растений, животных и культурных объектов, клонирование голоса с нулевым примером и управление характеристиками звучания, а также удаление объектов и композиция сцен. В README заявлены потоковый видеодиалог, распознавание речи, включая диалектную речь, и генерация изображений с управлением. Метаданные указывают английский язык. Модель опубликована по лицензии MIT. Заявления о лидерстве в бенчмарках и качестве приведены авторами модели; независимые результаты в предоставленных данных отсутствуют.

Abiray/MiniCPM5-1B-GGUF — набор квантованных моделей MiniCPM5-1B, разработанной командой OpenBMB и опубликованной в формате GGUF пользователем Abiray. Модель предназначена для локального запуска на устройствах с ограниченными ресурсами, включая мобильные и периферийные системы, через llama.cpp. Она относится к задачам генерации текста и поддерживает сценарии, связанные с вызовом инструментов. В основе лежит архитектура LlamaForCausalLM с примерно 1 миллиардом параметров. Модель поддерживает английский и китайский языки, использует гибридное рассуждение со встроенными токенами <think> и имеет контекстное окно до 131 000 токенов. Доступны варианты GGUF с квантованием Q4_K_M, Q5_K_M, Q6_K, Q8_0, а также F16 без квантования; их размер составляет примерно от 657 МБ до 2,1 ГБ. Форматы ориентированы на эффективный вывод на CPU и устройствах edge-класса. Сильными сторонами являются небольшой размер, возможность автономного локального использования, широкий контекст и поддержка llama.cpp без пользовательских форков или специальных ядер. Квантование уменьшает требования к памяти, но может снижать точность по сравнению с исходной моделью; варианты с более высоким качеством требуют больше памяти. README не содержит подробной оценки качества, перечня поддерживаемых языков помимо английского и китайского или описания ограничений безопасности. Лицензия — Apache-2.0.

Карточка модели princeton-nlp/Mistral-7B-Instruct-RRHF 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.

Это разговорная языковая модель Arcee-ai, созданная на основе Mistral-7B-Instruct-v0.2 с помощью прореживания слоёв. Авторы применили идеи из работы «The Unreasonable Ineffectiveness of the Deeper Layers» и инструменты MergeKit и PruneMe, чтобы сократить избыточность глубоких слоёв. Модель имеет плотную архитектуру MistralForCausalLM, около 5,4 млрд параметров и контекст до 32 768 токенов; распространяется в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для генерации связного текста в диалоге, а также может служить основой для дообучения и продолжения предобучения под конкретные задачи. README заявляет о сохранении исходных возможностей при меньших требованиях к ресурсам, однако не приводит результатов бенчмарков, поэтому качество и выигрыш эффективности следует проверять для целевого сценария. Лицензия в предоставленных данных не указана.

evolveon/Mistral-7B-Instruct-v0.3-abliterated — версия Mistral-7B-Instruct-v0.3, обработанная методом abliteration, который, согласно карточке, предназначен для создания менее ограниченной версии модели. В основе лежит инструктивная языковая модель Mistral AI; автор карточки благодарит FailSpy за исходный код и методику. Модель предназначена для диалогов и генерации текста по инструкциям. Она построена на архитектуре Mistral с 7,1 млрд параметров, принимает текст и использует контекст до 32 768 токенов. В метаданных указан английский язык; также заявлен интерфейс вызова инструментов. Карточка характеризует модель как uncensored, однако не приводит оценок качества или подробностей проверки. Лицензия в предоставленных данных не указана.

Mistral-7B-v0.1 — разработанная командой Mistral AI предварительно обученная плотная языковая модель на основе Transformer с 7,1 млрд параметров. Она предназначена для генерации текста и может использоваться как базовая модель для диалоговых приложений и дальнейшей адаптации под прикладные задачи. Архитектура включает Grouped-Query Attention и Sliding-Window Attention; модель принимает текст и рассчитана на контекст до 32 768 токенов. В карточке заявлено превосходство над Llama 2 13B на протестированных авторами бенчмарках. Модель обучена для английского языка, поддерживает диалоговый сценарий и доступна в форматах PyTorch и Safetensors. Это базовая, а не дообученная инструктивная модель: в карточке отмечено отсутствие механизмов модерации, поэтому ответы требуют отдельной проверки и настройки под конкретное применение. Лицензия — Apache-2.0.

Mistral-Passthrough-8L-10B — текстовая авторегрессионная модель на архитектуре Mistral, созданная DeepKarkhanis с помощью LazyMergekit. Веса собраны методом passthrough из двух диапазонов слоёв одной модели mistralai/Mistral-7B-Instruct-v0.2; репозиторий содержит формат Safetensors, а размер модели составляет 7,1 млрд параметров. Модель предназначена для генерации текста и диалоговых ответов. Контекст — до 32 768 токенов. Используется лицензия Apache-2.0.

mmarco-sentence-flare-it — модель Sentence-Transformers на базе XLM-RoBERTa, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 384. Она обучалась с TripletLoss на данных mmarco и подходит для семантического поиска, сравнения сходства текстов и кластеризации. Модель рассчитана на итальянский язык; максимальная длина контекста составляет 514 токенов, размер — 19,8 млн параметров. Доступны форматы PyTorch, safetensors и ONNX. Лицензия Apache-2.0.

Модель Vkt/model-960hfacebook-2022.06.08 — версия Wav2Vec2, дообученная на наборе Common Voice на базе facebook/wav2vec2-large-960h-lv60-self. Она предназначена для автоматического распознавания речи: принимает аудио и преобразует его в текст. В карточке приведены результаты на оценочном наборе: loss 0,2907 и WER 0,1804. Модель содержит 402,7 млн параметров и распространяется в формате PyTorch. Лицензия — Apache-2.0. Карточка не уточняет языки распознавания и практические ограничения модели.

zelk12/MT1-Max-Merge_02012025163610-GMMMUI-gemma-2-9B — объединённая языковая модель на базе Gemma 2, созданная с помощью mergekit методом SLERP из двух чекпойнтов: zelk12/MT1-Max-Merge_02012025163610-GMM-gemma-2-9B и zelk12/MT1-Max-Merge_02012025163610-MUI-gemma-2-9B. Это плотная авторегрессионная модель для генерации текста и диалогового взаимодействия. Модель содержит 9 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Карточка не сообщает о специализированной предметной области или языках, поэтому модель описывается как общего назначения. Лицензия и отдельные сведения о качестве или ограничениях в предоставленных данных отсутствуют. Как и другие генеративные языковые модели, ответы могут содержать ошибки; пригодность результата следует проверять в целевом сценарии.

alphaedge-ai/multilingual-e5-large-nep-16384 — текстовая embedding-модель для семантического сходства, поиска, сопоставления запросов и документов и ранжирования. Она основана на intfloat/multilingual-e5-large и распространяется в формате Sentence Transformers; исходная архитектура Multilingual E5 разработана Liang Wang, Nan Yang и соавторами. Модель оптимизирована для непальского языка методом trimming: словарь сокращён до 16 384 токенов, а размер модели уменьшен на 42,73% — до 320 665 600 параметров. Модель предназначена прежде всего для работы с непальскими текстами: построения эмбеддингов запросов и документов, семантического поиска и оценки их сходства. Для сокращения словаря использовались 29 721 текст из датасета lbourdois/fineweb-2-trimming. Главное преимущество — существенно меньший объём памяти при заявленной близкой к исходной модели производительности на непальском языке. Ограничения включают возможное ухудшение качества для других языков, поскольку редко используемые в выбранном языке токены были удалены; максимальная длина контекста и поддерживаемые дополнительные модальности в README не указаны. Модель распространяется по лицензии MIT.

Nanbeige4-3B-Base — базовая языковая модель из семейства Nanbeige четвёртого поколения, разработанная командой Nanbeige. Модель содержит 3,5 млрд параметров, построена на плотной архитектуре Llama и предназначена для генерации текста и дальнейшей адаптации под прикладные задачи, например через supervised fine-tuning. В обучении использовался корпус из веб-текстов, книг, кода и научных статей, дополненный синтетическими данными для вопросов и ответов и рассуждений. Модель принимает текст и генерирует текст; заявленная длина контекста составляет 32 768 токенов. В карточке указаны английский и китайский языки. Разработчики сообщают о сильных результатах после дообучения на математических задачах и тестах на научные знания, в отдельных сравнениях превосходящих модели большего размера. Это базовый чекпойнт, поэтому для диалогового использования может потребоваться дополнительная настройка. Модель распространяется по лицензии Apache-2.0. Как и другие вероятностные языковые модели, она может выдавать ошибочную или неожиданную информацию, а также предвзятые или дискриминационные ответы. Разработчики не гарантируют отсутствие такого контента.

Nemotron 3 Diarization — модель NVIDIA с открытыми весами для диаризации речи: она определяет, кто и в какие моменты говорил в аудиозаписи. Модель поддерживает потоковую обработку и обработку готовых записей, в том числе длительных аудио при работе чанками, и рассчитана на записи с числом говорящих до восьми. В метаданных указана архитектура Nemotron3DiarizationForAudioFrameClassification и библиотека NeMo; доступны веса в safetensors и квантованный вариант GGUF Q8_0. Модель подходит для разметки реплик в интервью, совещаниях и других многоголосых записях. В потоковом режиме настраивается входная буферная задержка: карточка указывает минимум 80 мс, рекомендует не менее 0,32 с и приводит конфигурации для задержки от 0,64 с; задержка не включает время вычислений. Разрешение выходных кадров настраивается с шагом 10 мс. Лицензия OpenMDW 1.1 допускает коммерческое и некоммерческое использование согласно карточке модели. Для работы с массивами аудиоданных нужно указывать корректную частоту дискретизации; по умолчанию используется 16 кГц. Модель определяет говорящих и временные границы их речи, но сама по себе не распознаёт слова.

Nemotron-Labs-Diffusion-14B-Base — базовая плотная языковая модель NVIDIA семейства Nemotron-Labs-Diffusion с 13,4 млрд параметров. Она поддерживает авторегрессионную генерацию и параллельное декодирование на основе диффузии: переключение режима выполняется изменением шаблона внимания при инференсе. Также модель позволяет использовать self-speculation, где она готовит параллельные черновые токены диффузионным способом и проверяет их авторегрессионно с общим KV-кэшем. Модель предназначена для генерации текста и диалоговых сценариев, где важны скорость декодирования и эффективность инференса при разной параллельной нагрузке. README приводит результаты ускорения self-speculation и примеры скорости на NVIDIA DGX Spark и GB200; эти показатели относятся к указанным конфигурациям и сравнениям. По метаданным, модель работает через Transformers и имеет нативный контекст длиной до 262 144 токенов. В репозитории указан формат safetensors. Лицензия обозначена как other; конкретные условия следует сверять с условиями NVIDIA перед использованием. README рекомендует оценивать пригодность модели, риски и качество для конкретного сценария.

NeuralGanesha-7b — объединённая языковая модель на архитектуре Mistral, опубликованная Kukedlc. Она создана методом slerp из Kukedlc/SomeModelsMerge-7b и Kukedlc/MyModelsMerge-7b с помощью LazyMergekit и предназначена для генерации текста на основе текстового запроса. Модель содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Доступна по лицензии Apache-2.0. README не описывает специализацию по языкам или предметным областям, поэтому модель можно характеризовать как генеративную общего назначения.

Это пакет GGUF-слоёв модели NVIDIA Nemotron 3 Ultra 550B A55B в варианте UD-Q4_K_XL, подготовленный Mesh LLM для распределённого вывода. Пакет получен из unsloth/NVIDIA-Nemotron-3-Ultra-550B-A55B-GGUF; исходное распределение разделено на отдельные артефакты по слоям. Размер модели в параметрах и длина контекста в предоставленных данных не указаны. Пакет предназначен для локального запуска модели и распределения её слоёв между несколькими компьютерами, когда полный GGUF слишком велик для одного узла. Через Mesh LLM модель можно использовать для диалоговой генерации текста и обслуживать запросы через совместимый с OpenAI API чата. Для работы требуется Mesh LLM и кластер машин, если используется распределённый запуск. В метаданных указана лицензия «other»; условия лицензии и подробности архитектуры следует сверять с карточкой исходной модели unsloth/NVIDIA-Nemotron-3-Ultra-550B-A55B-GGUF.

OpenBuddy — мультиязычная чат-модель, созданная на основе Meta Llama 3.1 8B Instruct. Она предназначена для диалогов и генерации ответов на английском и китайском языках; README также рекомендует использовать быструю реализацию токенизатора Transformers для корректной работы специальных токенов. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель подходит для чат-ботов, ответов на вопросы и генерации текста. Репозиторий содержит веса в формате safetensors; лицензия указана как other, а README отсылает к условиям использования и Acceptable Use Policy OpenBuddy. Модель может выдавать ошибочные, вредные или оскорбительные ответы, поэтому её не следует использовать в критических сценариях, связанных с медициной, безопасностью, финансами или правом.

legalvn/paraphrase-multilingual-MiniLM-L12-v2-vn-173000 — дообученная командой legalvn многоязычная модель Sentence Transformer на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и абзацы в плотные векторы размерностью 384 для семантического сравнения текстов, поиска, выявления перефразирований, кластеризации и классификации. Архитектура включает BERT с усреднением токенных представлений; для сравнения векторов предусмотрена косинусная близость. Метаданные указывают 124,3 млн параметров и контекст до 512 токенов, а README сообщает максимальную длину последовательности 128 токенов. Модель обучалась на 651 725 примерах запросов, текстов корпуса и оценок; приведённые примеры и датасет указывают на вьетнамский язык и правовую тематику. Она подходит для семантического поиска по вьетнамским документам и сопоставления запросов с фрагментами корпуса. Лицензия в предоставленных данных не указана.

failspy/Phi-3-medium-4k-instruct-abliterated-v3 — доработанная модель Microsoft Phi-3 Medium Instruct, созданная автором failspy. Веса bfloat16 обработаны ортогонализацией, чтобы ослабить склонность модели отказываться отвечать на запросы. Это плотная авторегрессионная языковая модель на 13,8 млрд параметров с контекстом 4096 токенов; репозиторий содержит веса Safetensors. Модель предназначена для диалоговой генерации текста и кода, в том числе для запросов, на которые исходная модель могла бы отказать. Автор сообщает, что сохранены остальные свойства исходной модели, однако результат может зависеть от запроса и не гарантирует отсутствия отказов. Модель в целом стабильна по оценке автора, но склонна к галлюцинациям сильнее оригинала; методика также может иметь побочные эффекты. Лицензия — MIT. Автор указывает, что модель проверялась на галлюцинации, но не приводит результаты количественной оценки. В карточке языки обозначены только как multilingual, поэтому конкретные поддерживаемые языки и основной язык не уточняются.

huihui-ai/Phi-4-mini-reasoning-abliterated — экспериментальная версия Microsoft Phi-4-mini-reasoning, созданная автором huihui-ai методом abliteration: из модели удалены отказы на запросы. Автор характеризует реализацию как грубое доказательство концепции; модель рассчитана на диалоговое использование и генерацию текста, в том числе для математических рассуждений и программирования, унаследованных от базовой модели. Модель загружается через библиотеку Transformers; автор также приводит вариант запуска через Ollama и тег версии 3.8b. В метаданных указаны английский язык, архитектурное семейство Phi-3, поддержка чата и кода, а также формат safetensors. Лицензия — MIT. Abliteration снижает склонность к отказам, поэтому поведение модели может отличаться от исходной версии; автор предупреждает, что переключатель режима рассуждений /no_think срабатывает не всегда.

Модель arefehRajabian/phi_mini_finetune_16bit — дообученная автором arefehRajabian разговорная языковая модель семейства Phi-3 с плотной архитектурой Phi3ForCausalLM. Она основана на unsloth/phi-4-mini-reasoning-unsloth-bnb-4bit и предназначена для генерации текста в диалогах; метаданные также отмечают интерфейс вызова инструментов. Модель содержит 3,8 млрд параметров, принимает текстовый контекст длиной до 4096 токенов и выдаёт текст. В карточке указано обучение с помощью Unsloth и библиотеки TRL. Указаны английский язык и лицензия Apache-2.0.

pic_7B_mistral_Full_v0.2-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная объединением Mistral AI и TokenBender. В README указан метод слияния SLERP, а метаданные относят архитектуру к плотным моделям Mistral с классом MistralForCausalLM. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов на инструкции. Её можно применять для чат-ботов, составления текстов и ответов на вопросы в текстовом интерфейсе. В README перечислены исходные модели и настройки слияния; данные о поддерживаемых естественных языках и специализированных областях применения не приводятся. Лицензия — Apache-2.0.

PLaMo-Embedding-1B — модель векторных представлений японского текста, разработанная Preferred Networks, Inc. Она преобразует тексты в эмбеддинги размерностью 2048 и предназначена для поиска информации, сравнения сходства предложений, классификации и кластеризации; особенно сильные результаты показала в задачах поиска на японском бенчмарке JMTEB. Модель имеет плотную архитектуру PlamoBiModel и содержит 1,1 млрд параметров. Максимальная длина контекста составляет 4096 токенов, а для сравнения текстов используется косинусное сходство. README сообщает, что при кодировании длинные тексты обрезаются; для запросов эффективный предел немного меньше из-за добавляемого префикса. Модель рассчитана на японский язык и распространяется по лицензии Apache 2.0, допускающей коммерческое использование.

OPI-PIB/pl-ModernBERT-512-base — базовая монолингвальная модель-энкодер семейства ModernBERT, предварительно обученная для обработки польского языка. Она предназначена как основа для польских NLP-систем: модель можно дообучать для классификации текстов и документов, разметки последовательностей, регрессии, семантического сходства, поиска и переранжирования. В текущем виде она также поддерживает заполнение пропусков в тексте (fill-mask). Модель содержит 148,7 млн параметров и принимает последовательности длиной до 514 токенов. Архитектура включает 22 слоя, скрытый размер 768, RoPE, слои GeGLU и чередование глобального и локального внимания; используется токенизатор SentencePiece Unigram с размером словаря 50 008. Предобучение проведено на польском корпусе объёмом около 44,5 млрд токенов. В README сообщается о конкурентных результатах на польских задачах NLU, включая KLEJ и FinBench. Для прикладных задач, кроме заполнения пропусков, потребуется адаптация или дообучение. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

0xnu/pmmlv2-fine-tuned-hausa — модель эмбеддингов на базе BERT, дообученная для хауса на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует тексты в векторы для сравнения предложений и семантического поиска. Модель содержит 124,3 млн параметров, использует библиотеку Sentence-Transformers и поддерживает контекст до 512 токенов; в карточке также заявлена поддержка множества языков. Модель предназначена прежде всего для работы с текстом на хауса: её можно применять для поиска похожих предложений, сопоставления запросов с документами и построения многоязычного семантического поиска. Лицензия — MIT. Ограничения качества и оценки на тестовых наборах в карточке не приведены.

Bharatdeep-H/pq_cache — модель Sentence Transformers, разработанная на основе sentence-transformers/all-mpnet-base-v2 и дообученная для сопоставления предложений. MPNet преобразует предложения и абзацы в плотные векторы размерности 768; для сравнения используется косинусное сходство. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текстов, включая запросы о портфеле и инвестициях, представленные в обучающих примерах. Максимальная длина последовательности в метаданных — 514 токенов; в README указано ограничение 384 токена. Модель принимает текст и выдаёт эмбеддинги. Примеры обучения включают английские и хинди фразы, но полный список поддерживаемых языков не заявлен. Данные карточки указывают на дообучение от all-mpnet-base-v2; лицензия не приведена в предоставленных сведениях.

ldenoue разработал многоязычную модель восстановления пунктуации и регистра на базе MiniLM. Это негенеративная модель токеновой классификации: для каждого токена она независимо предсказывает знак пунктуации и вариант регистра, не добавляя и не удаляя слова. Архитектура — 12-слойный multilingual MiniLM шириной 384; в README указано 33,78 млн параметров, а в метаданных Hugging Face — 40,6 млн. Используется словарь из 32 000 токенов, сокращённый на основе SentencePiece XLM-R; длина контекста — до 512 токенов. Модель предназначена прежде всего для восстановления пунктуации и заглавных букв в распознанной речи, а также для приведения к читаемому виду текстов без форматирования. Обучающие данные включают речи VoxPopuli, сообщения OASST2, тексты FLEURS и фрагменты исправленных субтитров YouTube. Заявлены английский, немецкий, французский, испанский, итальянский, нидерландский, польский, чешский, словацкий, словенский, румынский, бразильский португальский и болгарский языки. Репозиторий содержит форматы ONNX и safetensors; лицензия модели — MIT. README предупреждает, что включение языка в список не гарантирует качества для производственного применения: следует оценить модель на выходах целевой системы распознавания речи. Для распространения модели также рекомендуется проверить права на исходные субтитры YouTube, использованные в данных.

Nan-Do разработал Nan-Do/python-assistant-3b — экспериментальную языковую модель для генерации и понимания кода. Это плотная causal language model семейства Llama на 3,3 млрд параметров, дообученная с помощью LoRA на базе OpenLLaMA-3B. Для запросов используется формат промпта Alpaca; модель опубликована в формате PyTorch. Модель предназначена для генерации и исправления кода на Python, объяснения библиотек и решения задач в стиле LeetCode. Она может улучшать собственный код по запросу, однако результаты нестабильны: подходящий ответ может зависеть от формулировки промпта, а некоторые запросы модель не выполняет. Контекст ограничен 2048 токенами. Лицензия в предоставленных данных не указана.