I.14Автоматизация процессов и AI-агенты

Qwen2.5-2B-Instruct — компактная текстовая языковая модель семейства Qwen2, представленная win10. По карточке она собрана с помощью LazyMergekit из повторяющихся ссылок на Qwen/Qwen2.5-1.5B-Instruct; метаданные каталога классифицируют её как дообученную производную этой базовой модели. Модель предназначена для диалогов, генерации текста и структурированных ответов, включая сценарии с интерфейсом вызова инструментов. Архитектура — плотная Qwen2ForCausalLM, размер — 2,7 млрд параметров, контекст — 32 768 токенов. Доступен формат safetensors. Сведения о лицензии и поддерживаемых языках в предоставленных данных отсутствуют. Качество, безопасность ответов и фактическая эффективность вызова инструментов отдельно не описаны.

Firemedic15/qwen2.5-3b-ft-matched-merged — языковая модель для генерации текста, опубликованная пользователем Firemedic15 на Hugging Face. По метаданным, она работает через Transformers, имеет около 3,1 млрд параметров, поддерживает контекст до 32 768 токенов и связана с обучением методом supervised fine-tuning (SFT) с использованием TRL. Теги также указывают на разговорный сценарий применения и семейство Qwen2; название репозитория дополнительно содержит обозначение Qwen2.5 и merged-финетюнинга.

Это дообученная инструктивная языковая модель семейства Qwen2.5-Coder, опубликованная пользователем matildtahoo в рамках Gensyn Swarm. Модель содержит около 494 млн параметров, использует плотную архитектуру Qwen2 и предназначена для генерации текста, включая помощь с кодом: написание и продолжение программ, ответы на инструкции и исправление кода. Она принимает текст и выдаёт текст; доступный контекст составляет 32 768 токенов. Исходное семейство Qwen2.5-Coder разработано командой Qwen компании Alibaba Cloud и нацелено на сценарии кодового помощника, включая генерацию, рассуждение о коде и его исправление; семейство поддерживает 92 языка программирования. Эта конкретная версия обозначена как результат Gensyn Swarm, однако её карточка не содержит подробных результатов оценки или условий лицензии, поэтому качество и разрешённые способы использования для данного чекпойнта определить нельзя.

Qwen3-1.7B-Base — плотная авторегрессионная языковая модель семейства Qwen3, представленная командой Qwen и опубликованная в репозитории Unsloth как производная от Qwen/Qwen3-1.7B-Base. Это базовая модель на стадии предобучения, рассчитанная на генерацию текста и создание специализированных языковых решений. Модель содержит 1,7 млрд параметров, 28 слоёв и поддерживает контекст до 32 768 токенов. Предобучение семейства Qwen3 охватывает 119 языков и включает материалы по программированию, STEM, логике и общим знаниям. Модель работает с текстом и использует архитектуру Qwen3ForCausalLM; для работы рекомендуется актуальная версия библиотеки Transformers, поскольку версии ниже 4.51.0 не распознают архитектуру Qwen3. Репозиторий содержит веса в формате Safetensors. Модель подходит как основа для продолжения обучения, адаптации и генерации текста. Это базовый чекпойнт, а не готовый диалоговый ассистент, поэтому качество следования инструкциям и диалоговые возможности зависят от последующей настройки. Лицензия Apache-2.0.

geoffmunn/Qwen3-1.7B-f16 — общественная конверсия языковой модели Qwen3-1.7B от Geoff Munn для локального запуска. Репозиторий содержит GGUF-вариант в формате F16 и ориентирован на использование с llama.cpp и совместимыми приложениями. Модель насчитывает 1,7 млрд параметров и предназначена для генерации текста, диалогов, рассуждений, следования инструкциям и написания кода. Компактный размер модели подходит для локальных помощников, лёгких агентных систем, учебных проектов и прототипирования, когда важны скорость и работа без подключения к облаку. README также описывает варианты квантования семейства и сравнивает их качество, размер и скорость; эти показатели относятся к указанным вариантам квантования, а не обязательно к файлу F16 в этом репозитории. В метаданных указан английский язык, а базовая модель описана как многоязычная. Это конверсия базовой модели, а не самостоятельная разработка автора репозитория. Лицензия — Apache-2.0. Небольшой размер ограничивает возможности по сравнению с более крупными моделями; результаты квантованных вариантов могут зависеть от разрядности и использования imatrix.

Это пакет GGUF-слоёв для модели Qwen3.5-122B-A10B-UD-Q4_K_XL, подготовленный Mesh LLM на основе unsloth/Qwen3.5-122B-A10B-MTP-GGUF. Он предназначен для распределённого запуска модели на нескольких компьютерах через Mesh LLM, а также для локального приватного инференса и чат-запросов через совместимый с OpenAI API. Пакет сохраняет исходное распределение GGUF в виде отдельных артефактов по слоям; указан вариант UD-Q4_K_XL. Он поддерживает генерацию текста и диалоговый режим. Сведения об архитектуре, языках, длине контекста и лицензии предлагается смотреть в карточке исходной модели, поэтому здесь они не уточняются.

Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-NEO-MAX-MTP-GGUF — открытая fine-tune-модель на базе DavidAU/Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-MTP. Она создана в рамках совместной работы DavidAU, Nightmedia, TeichAI, armand0e и trohrbaugh с использованием многоэтапного дообучения и слияния моделей, включая датасеты DavidAU/Polar-STRICT-Datasets и DavidAU/F451-STRICT-Datasets, а также дополнительные обучающие материалы. Лицензия — Apache-2.0. Модель предназначена для широкого круга задач: следования инструкциям, решения задач, рассуждений, программирования, творческого письма, работы с историями и ролевыми сценариями. В README заявлены улучшенные общие интеллектуальные способности, reasoning и instruction following, а также vision, однако подробности о поддерживаемых визуальных форматах и способах запуска не приведены. Указаны английский и китайский языки. Размер базовой модели — 27B параметров; точный размер контекста в представленных данных не указан. Распространяются обычные и MTP-варианты в формате GGUF, включая квантизации NEO IMATRIX, ориентированные на запуск на пользовательском оборудовании. Для MTP-вариантов рекомендуется температура не выше 1 и отключённый repetition penalty; при низком уровне token acceptance советуют использовать обычную квантизацию. По утверждению авторов, модель превосходит базовую Qwen3.6-27B в большинстве приведённых ими бенчмарков и сохраняет высокое качество на низких квантизациях, но эти результаты являются заявками из README и требуют независимой проверки. Ограничения включают отсутствие подробных сведений о контекстном окне, системных требованиях и фактическом качестве мультимодальной обработки; обозначение uncensored также указывает на возможное отсутствие стандартных ограничений на содержание.

Это преобразованная в формат GGUF модель Qwen3.6-35B-A3B NVFP4 от mudler, предназначенная для генерации текста и диалогов при локальном запуске через llama.cpp и LocalAI. В основе — смесь экспертов с примерно 3 млрд активных параметров на токен; файл размером около 23,9 ГБ сохраняет тензоры в нативном NVFP4 без повторной квантизации в целочисленный формат. Модель ориентирована на обслуживание запросов с низким расходом памяти и высокой пропускной способностью, особенно на видеокартах NVIDIA Blackwell. На другом оборудовании она также может запускаться с деквантизацией NVFP4, но медленнее; на Apple Metal FP4-умножения могут выполняться на CPU. Карточка приводит замеры для GB10 / DGX Spark с конфигурацией LocalAI и сообщает о производительности декодирования около 86% от vLLM при конкуренции 128 запросов. Лицензия указана как other, поэтому условия использования следует уточнить в исходной карточке базовой модели и репозитория. Контекстное окно и поддерживаемые естественные языки в предоставленных данных не описаны.

DavidAU/Qwen3-8B-64k-Context-2X-Josiefied-Uncensored — текстовая генеративная модель на архитектуре Qwen3ForCausalLM с 7,6 млрд параметров, подготовленная DavidAU на основе Goekdeniz-Guelmez/Josiefied-Qwen3-8B-abliterated-v1. Автор указывает, что контекст увеличен с 32 768 до 65 536 токенов с помощью метода YaRN. Модель рассчитана на диалоговую генерацию и рассуждения; в репозитории доступны веса safetensors для прямого использования или подготовки квантованных вариантов. Модель подходит для продолжительных диалогов, работы с длинными текстовыми запросами и ролевых сценариев. Для «мышления» и генерации ответа автор рекомендует выделять 8–16 тысяч токенов контекста. Указаны шаблоны Jinja и ChatML. В метаданных заявлен интерфейс вызова инструментов, однако README не описывает его настройку. Сведения о лицензии в предоставленных данных отсутствуют.

Qwenvergence-14B-v12-Prose-DS — объединённая языковая модель на 14 млрд параметров, созданная sometimesanotion с помощью mergekit и метода Model Stock. В качестве базовой модели для слияния указана sometimesanotion/Base-Chocolatine-2-14B-Instruct-v2.0b3; в объединение также вошли несколько моделей на базе Qwen2.5 и их производных. Модель предназначена для диалогов и генерации текста. Она использует архитектуру Qwen2 с плотной трансформерной сетью, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors для Transformers. Карточка не уточняет отдельные языки или специализированные прикладные области. Лицензия в предоставленных данных не указана. Составное слияние нескольких моделей может влиять на стиль и поведение ответов; конкретные ограничения качества в карточке не описаны.

QwQen-3B-LCoT — объединённая модель генерации текста на базе архитектуры Qwen2, созданная с помощью mergekit. Автор объединил bunnycore/Qwen2.5-3B-RP-Mix с prithivMLmods/QwQ-LCoT-3B-Instruct линейным слиянием; модель содержит 3,1 млрд параметров и работает с контекстом до 32 768 токенов. Модель предназначена для диалога и генерации текста, включая развёрнутые пошаговые объяснения. Метаданные также отмечают интерфейс вызова инструментов. README приводит результаты оценок IFEval и BBH, но не описывает их методику или практические ограничения модели. Лицензия в предоставленных данных не указана.

Карточка модели Lazarus-Ai/ReAligned-Qwen3.5-35B-A3B на Hugging Face совпадает с карточкой Lazarus-Ai/ReAligned-Qwen3.5-27B, поэтому описание составлено по ней. ReAligned-Qwen3.5-27B — диалоговая модель семейства Qwen3.5, созданная Эриком Хартфордом из LazarusAI на базе Qwen/Qwen3.5-27B. Модель дообучена в два этапа: supervised fine-tuning и GRPO с оценкой ReAligned-Classifier; обучение использует LoRA. Цель — уменьшить отказы и государственно-ориентированную подачу ответов на политические и исторические темы, связанные с Китаем, сохранив общие возможности базовой модели. Модель предназначена для чата, суммаризации, программирования, рассуждений, многоязычного использования, а также исследования идеологической предвзятости, отказов и рамки повествования. Архитектура — плотная Qwen3.5 с классом Qwen3_5ForConditionalGeneration; метаданные указывают мультимодальную основу с поддержкой текста и изображений. Карточка не сообщает размер параметров и длину контекста именно этого чекпойнта. Лицензия — Apache-2.0. Снижение цензурных отказов не гарантирует точность фактов; возможны чрезмерная коррекция в сторону западной институциональной рамки, пробелы в знаниях и различия поведения между языками и формулировками. Авторы рекомендуют независимую оценку и собственные меры модерации при развёртывании.

RecurrentGemma 9B — базовая большая языковая модель, разработанная Google. Она предназначена для генерации текста и может использоваться как основа для диалоговых интерфейсов, создания и суммаризации текстов, а также экспериментов в NLP. Это авторегрессионная модель для Transformers, доступная в формате safetensors. Архитектура RecurrentGemma рассчитана на более высокую скорость генерации, особенно для длинных последовательностей и больших пакетов, по сравнению с Gemma 7B с Multi-Head Attention; выигрыш может быть меньше при сравнении с моделями на Multi-Query Attention. Карточка описывает базовую версию, а не instruct-вариант. В README не приводятся контекстное окно и список поддерживаемых языков. Модель может ошибаться в фактах, испытывать трудности с неоднозначностью и сложными открытыми задачами, а также воспроизводить смещения из обучающих данных. Для использования действует лицензия Gemma и условия Google, включая ограничения на применение моделей Gemma.

timm/resnet50_clip.yfcc15m — модель CLIP с визуальным энкодером на основе ResNet-50, обученная на наборе изображений и подписей YFCC-15M. Она разработана для использования через OpenCLIP и timm: в OpenCLIP модель называется RN50-quickgelu, а в timm — resnet50_clip.yfcc15m. Модель сопоставляет изображения с текстовыми описаниями и подходит для классификации изображений по текстовым меткам без дополнительного обучения: пользователь задаёт варианты классов, а модель оценивает соответствие изображения каждому варианту. Модель принимает изображения и текстовые описания и выдаёт оценки сходства, которые можно использовать для выбора наиболее подходящего текстового класса. Репозиторий содержит веса в форматах PyTorch и safetensors; библиотека для работы — OpenCLIP. Лицензия MIT.

RYS-Llama3.1-Large — экспериментальная модель автора dnhkng, основанная на Meta Llama 3 70B Instruct и описанная как результат нового метода оптимизации. Она предназначена для генерации текста в диалогах и для экспериментов с оптимизацией больших языковых моделей; карточка сообщает об оценке на Open LLM Leaderboard, но не раскрывает подробностей метода. Модель использует плотную архитектуру LlamaForCausalLM и содержит 80,6 млрд параметров. Метаданные указывают контекст до 131 072 токенов, формат safetensors и интерфейсы чата и вызова инструментов. Карточка не уточняет поддерживаемые языки и условия применения метода, а опубликованная таблица оценок приведена лишь частично. Лицензия — MIT.

SciPhi-Self-RAG-Mistral-7B-32k-Mistral-7B-Instruct-v0.2-slerp — объединённая методом SLERP модель на базе Mistral-7B-Instruct-v0.2 и SciPhi-Self-RAG-Mistral-7B-32k. Это плотная авторегрессионная языковая модель архитектуры Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалоговых ответов; контекст — до 32 768 токенов. Объединение сочетает возможности исходных моделей, включая ориентированность SciPhi Self-RAG на ответы с использованием извлечённых сведений. Модель подходит для диалоговых приложений и генерации ответов по контексту, например при работе с материалами, предоставленными пользователем. В репозитории представлены веса Safetensors, а лицензия — Apache-2.0. README не приводит результатов сравнительных оценок, поэтому качество merge-модели для конкретных задач по карточке определить нельзя.

sentence-IT5-small — модель на базе архитектуры IT5/T5-small, опубликованная efederici. Она преобразует предложения и абзацы в плотные векторы размерностью 512 и обучена для асимметричного семантического поиска: запросом служит ключевое слово, а документом — короткая новостная статья. Векторы можно использовать для поиска подходящих документов и кластеризации текстов. Модель предназначена для итальянского языка и реализована на PyTorch. Для работы через Sentence-Transformers достаточно получить эмбеддинги текстов; при использовании Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Веса содержат около 45,8 млн параметров. Лицензия в предоставленных данных не указана.

Skywork-13B-Base — базовая авторегрессионная языковая модель семейства Skywork, разработанная командой Skywork. Она предварительно обучена на 3,2 трлн токенов очищенных многоязычных текстов и кода; в обучающем наборе преобладают английский и китайский языки. Модель содержит 13,6 млрд параметров, использует плотную архитектуру SkyworkForCausalLM с 52 слоями и токенизатор BPE с размером словаря 65 536. Длина контекста — 4096 токенов. Модель предназначена для генерации и продолжения текста, а также для дообучения под прикладные сценарии. Карточка приводит результаты сравнительных оценок и бенчмарков, включая C-Eval, MMLU, CMMLU и GSM8K. Она ориентирована прежде всего на китайский и английский текст и также обучалась на коде. В репозитории указаны веса PyTorch и лицензия «other»; конкретные условия следует сверять с лицензионными файлами модели. Модель базовая, а не диалоговая инструкционная версия, поэтому для ассистентского общения может потребоваться дополнительное дообучение. Заявленные в карточке преимущества основаны на оценках разработчиков и не гарантируют качество на любых пользовательских данных.

Splade++ SelfDistil — разреженный текстовый энкодер, разработанный на базе naver/splade-cocondenser-selfdistil и дообученный на данных MS MARCO с использованием Sentence Transformers. Модель преобразует запросы и документы в разреженные векторы размерностью 30 522; сходство между ними оценивается скалярным произведением. Архитектура состоит из трансформера BERT с masked language modeling и слоя SPLADE pooling с max-пулингом и ReLU. Модель предназначена для семантического поиска и разреженного извлечения документов или пассажей, в том числе в поисковых системах, работающих с парами запрос–документ. Максимальная длина последовательности — 512 токенов. В README указана поддержка английского языка. Опубликованные оценки на небольших наборах NanoMSMARCO, NanoNFCorpus и NanoNQ демонстрируют качество извлечения, но не гарантируют аналогичных результатов на других данных. Лицензия — Apache-2.0.

Это разреженный энкодер семейства ModernBERT, опубликованный организацией SparseEncoder и обученный с помощью Sentence Transformers на английском наборе Natural Questions. Он преобразует текстовые запросы и документы в разреженные векторы размерности 50 368 для семантического поиска и разреженного извлечения информации. Модель содержит 149 млн параметров; метаданные указывают контекст до 8192 токенов, а карточка модели заявляет максимальную длину последовательности 512 токенов. Модель предназначена для поиска релевантных документов и ответов по запросу. В README приведены результаты оценки на наборах NanoBEIR и отдельных наборах поиска, включая Natural Questions, MS MARCO, HotpotQA и Quora Retrieval. Она выдаёт векторные представления, а не готовые текстовые ответы. Лицензия в предоставленных данных не указана.

NVIDIA Citrinet CTC 256 Librispeech — компактная модель распознавания английской речи, разработанная NVIDIA и распространяемая для NeMo. Это extra-small вариант архитектуры Citrinet-CTC примерно с 10 млн параметров; модель использует CTC-декодирование и обучена на 960 часах английской речи из LibriSpeech. Она принимает монофоническое аудио WAV с частотой дискретизации 16 кГц и возвращает транскрипцию в виде строки: строчными буквами английского алфавита, с пробелами и апострофами. Модель подходит для транскрибирования отдельных записей и пакетов аудиофайлов, а также как предварительно обученный чекпойнт для дальнейшего дообучения. Для развёртывания в производственных системах README указывает совместимость с NVIDIA Riva. В приведённых результатах WER составляет 3,8% на LibriSpeech test-clean и 9,8% на test-other при жадном декодировании. Качество может снижаться на технической лексике, разговорных вариантах речи и речи с акцентом, недостаточно представленных в обучающих данных. Модель выпущена под лицензией CC BY 4.0.

MaziyarPanahi/T3qm7xNeuralsirkrishna_Experiment26Experiment30 — объединённая модель Mistral с плотной архитектурой и 7,1 млрд параметров, созданная на основе automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment26Experiment30-7B. Она предназначена для генерации текста и диалоговых сценариев; принимает текст и может обрабатывать контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

T3qm7xNeuralsirkrishna_Experiment28Experiment29 — объединённая автором MaziyarPanahi языковая модель семейства Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Она создана слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment28Experiment29-7B. Модель предназначена для генерации текста и диалогов; максимальная длина контекста составляет 32 768 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. README и метаданные не описывают специализированные предметные области или конкретные ограничения качества.

T3qm7xNeuralsirkrishna_OgnoExperiment27 — слитая модель на архитектуре Mistral с 7,1 млрд параметров, созданная объединением automerger/T3qm7xNeuralsirkrishna-7B и automerger/OgnoExperiment27-7B. Она предназначена для генерации текста и диалогов; поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель принимает текст и выдаёт текст. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Карточка не сообщает о специализации по предметной области или отдельных языковых возможностях, поэтому модель описывается как общего назначения.

T3qm7xNeuralsirkrishna_ShadowYamshadow — объединённая модель семейства Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/ShadowYamshadow-7B. Она предназначена для генерации текста и диалогов. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст. Веса опубликованы в формате Safetensors по лицензии Apache 2.0. README не уточняет специализацию слияния или отдельные языки, поэтому модель можно описать как универсальную текстовую генеративную модель; её фактические качества зависят от задач и данных, использованных для создания исходных моделей.

T3qm7xStrangemerges_32-7B — автоматически созданная Maxime Labonne объединённая модель для генерации текста. В конфигурации использован метод DARE-TIES: объединены nlpguy/T3QM7X и Gille/StrangeMerges_32-7B-slerp с указанными в карточке параметрами слияния. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст, поддерживая контекст до 32 768 токенов. В репозитории указаны веса Safetensors и лицензия Apache-2.0.

shibing624/text2vec-base-chinese-sentence — модель text2vec, разработанная проектом text2vec. Это дообученный методом CoSENT китайский энкодер предложений на базе nghuyong/ernie-3.0-base-zh. Модель преобразует предложение или короткий абзац в плотный вектор размерностью 768 для сравнения семантической близости; она предназначена для поиска по смыслу, сопоставления текстов, кластеризации и задач sentence-to-sentence. Архитектура основана на ERNIE, размер модели — 144 млн параметров. Контекст модели составляет до 2048 токенов по метаданным, а карточка указывает усечение входа после 256 word pieces. Модель обучена на отобранных китайских данных семантической близости shibing624/nli-zh-all и рассчитана прежде всего на китайский язык. Она выдаёт векторные представления, пригодные для поиска и ранжирования по косинусной близости. По карточке приведены оценки на китайских наборах NLI и STS, но они не дают гарантии качества на других языках и доменах. Распространяется по лицензии Apache-2.0.

Thea 3B 25r — дообученная Piotr Zalewski диалоговая модель семейства Llama 3.2 для генерации ответов и рассуждений по текстовым запросам. В основе лежит chuanli11/Llama-3.2-3B-Instruct-uncensored; для обучения использован набор KingNish/reasoning-base-20k. Модель имеет плотную архитектуру LlamaForCausalLM с 3,2 млрд параметров, принимает текст и формирует текстовые ответы. Заявленная длина контекста — 131 072 токена. Разработчик заявляет улучшенную производительность на задачах рассуждения и ускоренное обучение с использованием собственного кода. В метаданных также указаны возможности диалога и интерфейс вызова инструментов. Модель помечена как uncensored; качество и безопасность ответов зависят от запроса и способа применения. Распространяется по лицензии llama3.2.

tiledfloor-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная MaziyarPanahi слиянием Mistral-7B-Instruct-v0.2 и Ansoi/tiledfloor методом SLERP. Она предназначена для генерации текста и ответов на инструкции в формате чата. Модель использует плотную архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не описывает специализированные области применения или дополнительные языки.

nreimers/TinyBERT_L-4_H-312_v2 — версия General_TinyBERT_v2, перенесённая в библиотеку Hugging Face Transformers. Это компактная модель архитектуры BERT с 4 слоями и размерностью скрытого представления 312; в метаданных указано 15,6 млн параметров и максимальная длина контекста 512 токенов. Модель предназначена для извлечения контекстных векторных представлений текста и использования в задачах, построенных на таких представлениях. Модель принимает текст и выдаёт векторные представления. В карточке указаны реализации PyTorch и Flax. Языковая специализация и условия лицензии в доступных данных не описаны.