I.14Автоматизация процессов и AI-агенты

BLOSSOM-v3-mistral-7b — разговорная языковая модель Azure99, дообученная на Mistral-7B-v0.1. Она предназначена для диалогов и выполнения инструкций, включая ответы на вопросы и задачи на математические рассуждения. Обучение прошло в два этапа на смешанных наборах Wizard, Orca, Blossom Chat и Blossom Math: сначала на одноходовых инструкциях, затем на многоходовых диалогах и примерах математических рассуждений. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка указывает на китайский и английский языки; автор отмечает, что исходный Mistral-7B-v0.1 слабее знает китайский и рекомендует для китайских сценариев другую модель Blossom на Baichuan2. Модель доступна в формате PyTorch по лицензии Apache-2.0.

BLOSSOM-v4-qwen1_5-14b — диалоговая языковая модель, созданная на основе предварительно обученной Qwen1.5-14B и дообученная командой Blossom на смеси собственных наборов данных Orca, Wizard, Chat и Math. Обучение включало одношаговые инструкции и многошаговые диалоги; модель предназначена для ответов на вопросы, ведения диалога и решения математических задач. Архитектура — плотная Qwen2ForCausalLM с 13,4 млрд параметров, контекстное окно — 32 768 токенов. Модель ориентирована на китайский и английский языки. Весы опубликованы в формате safetensors, лицензия — Apache-2.0. Для диалогового вывода README задаёт шаблон с ролями Human и Bot и рекомендует завершать реплики бота токеном <|endoftext|>.

bruphin-gamma — слитая с помощью mergekit модель генерации текста, созданная nbeerbower методом SLERP из nbeerbower/bruphin-beta и jan-hq/supermario-v2. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста и диалогового использования. Модель принимает текст и выдаёт текст. В карточке указана лицензия Apache-2.0. README не описывает специальные прикладные области или дополнительные возможности, поэтому модель можно характеризовать как модель общего назначения.

CAMEL-33B-Combined-Data — диалоговая большая языковая модель, разработанная командой CAMEL-AI и полученная дообучением LLaMA-33B. Модель содержит 32,3 млрд параметров, использует плотную архитектуру LLaMA и доступна в формате PyTorch; её контекст составляет 2048 токенов. Модель предназначена для генерации ответов в диалоге и выполнения инструкций. При дообучении использовали 229 тысяч диалогов, собранных фреймворком CAMEL, 100 тысяч англоязычных диалогов ShareGPT и 52 тысячи инструкций Alpaca. Для общения применяется шаблон FastChat Vicuna-13B-1.1. В карточке приведены результаты офлайн-оценки, включая средний балл 50,79 в таблице Open LLM Leaderboard. Модель ориентирована на англоязычные диалоги. Лицензия CC BY-NC 4.0 разрешает использование только на некоммерческих условиях. Результаты оценки не гарантируют качество в конкретных приложениях; контекст ограничен 2048 токенами.

vishnun/codenlbert-sm — компактная модель классификации текста на основе BERT, дообученная разработчиком для различения кода и естественного языка. Она рассчитана на классификацию входного текста как кода или обычного языка, например при анализе смешанных текстовых данных. Модель содержит 32,4 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В карточке приведены метрики обучения на трёх эпохах, включая точность около 99,7%; эти значения относятся к указанной разработчиком оценке и не гарантируют такой же результат на других данных. Для модели указаны английский язык и набор данных CodevsNL. Условия лицензирования в предоставленных материалах не описаны.

Configurable-Janus-7B — объединённая модель на 7,1 млрд параметров, созданная vicgalle с помощью mergekit. В линейное слияние вошли vicgalle/Configurable-Mistral-7B и kaist-ai/janus-dpo-7b; архитектура — плотная MistralForCausalLM, веса представлены в формате Safetensors, точность слияния — float16. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. В метаданных нет сведений о специализации по языкам или прикладным областям. Модель распространяется по лицензии MIT.

Это англоязычный разреженный CSR-энкодер tomaarsen, дообученный на базе mixedbread-ai/mxbai-embed-large-v1 на наборе Natural Questions с помощью библиотеки Sentence Transformers. Модель преобразует запросы и фрагменты текста в разреженные векторы размерности 4096; предусмотрено до 256 активных измерений. Максимальная длина входа — 512 токенов, сходство оценивается косинусной мерой. Модель предназначена для семантического поиска и разреженного поиска по запросам и документам, в частности для сценариев вопросов и ответов, похожих на Natural Questions. В README приведены результаты оценки поиска при разных ограничениях на число активных измерений; метрики относятся к указанным наборам nq_eval и не гарантируют аналогичное качество на других данных. Лицензия — Apache-2.0.

Lakoc/DeCRED_small_cv_2 — дообученная модель распознавания речи на базе архитектуры JointCTCAttentionEncoderDecoder. Модель обучена на Common Voice 13.0 и предназначена для преобразования речи в текст. В карточке приведены результаты оценки: CER 0,0663 и WER 0,1563. Репозиторий содержит веса в формате safetensors. Описание сценариев применения, языков, условий лицензии и ограничений в карточке отсутствует, поэтому их нельзя уточнить. Модель опубликована 15 июня 2024 года.

DheyoAI выпустила GGUF-версию модели DeepSeek-R1-Distill-Qwen-1.5B — компактной плотной языковой модели на архитектуре Qwen2 с 1,5 млрд параметров. Она предназначена для генерации текста в диалоге и решения задач, требующих рассуждений, включая математику и программирование. В README приведено сравнение вариантов квантования семейства на тестах GSM8K, GPQA Diamond, Math500 и AIME; результаты относятся к описанным вариантам и условиям оценки. Модель принимает текст и генерирует текст. Метаданные указывают контекст до 131 072 токенов и поддержку английского языка. Формат GGUF рассчитан на компактное локальное хранение и запуск совместимыми средствами. Лицензия — MIT.

DeepSeek-V4-Flash-0731 Abliterated (Native FP8) — экспериментальная производная модель, опубликованная apetersson на основе DeepSeek-V4-Flash-0731 от DeepSeek. Это не дообученная и не самостоятельно квантизированная модель: в исходный посттренированный чекпойнт внесена targeted model-surgery правка, направленная на ослабление отказов. Модель предназначена для генерации текста и агентских сценариев, где требуется более свободное следование инструкциям, однако она не заявляется как универсально «без цензуры». Архитектура и формат сообщений унаследованы от исходной модели; в карточке также указана MoE-архитектура и заявлен контекст до одного миллиона токенов. Изменения выполнены методом rank-1 projection редактирования направлений отказа в attention residual writers: обработаны слои 10–42 основной модели и соответствующие проекции трёх DSpark-стадий, всего 36 тензоров. Чекпойнт сохраняет исходное смешанное представление FP8/BF16/F32 с тремя итерациями FP8-реквантизации. Рекомендуемые параметры сэмплирования: temperature 1.0 и top_p 0.95 для агентских сценариев, top_p 1.0 в остальных случаях. Структурная проверка пройдена для 48 шардов и 72 317 индексированных тензоров, а предварительные тесты показали ожидаемое изменение поведения отказов. При этом полный поведенческий тест проводился не на данном FP8-чекпойнте, а на его квантизированной MLX-производной, поэтому результаты нельзя напрямую считать показателями этой версии. Ограничения включают экспериментальный характер переноса метода на новый чекпойнт, возможное влияние abliteration на способности и стиль ответов, а также отсутствие подтверждённых общих capability-бенчмарков и официальной оценки StrongREJECT. Языки модели в карточке не указаны. Модель распространяется по лицензии MIT.

Карточка модели facebook/dragon-roberta-context-encoder на Hugging Face совпадает с карточкой facebook/dragon-roberta-query-encoder, поэтому описание составлено по ней. DRAGON-RoBERTa Query Encoder — плотный энкодер запросов для поиска, разработанный Facebook. Это модель семейства RoBERTa, инициализированная RoBERTa-base и дополнительно обученная на данных, расширенных из корпуса MS MARCO, по подходу DRAGON. Она входит в асимметричную двухэнкодерную систему: для запросов и контекстов используются отдельные модели с разными параметрами. Энкодер преобразует текстовые запросы в векторные представления для плотного поиска и извлечения релевантных документов. В карточке приведены результаты системы DRAGON-RoBERTa: 39,4 на MS MARCO Dev и 47,2 на BEIR. Модель содержит 151,8 млн параметров, поддерживает контекст до 514 токенов и распространяется в формате PyTorch. Для поиска контекстов требуется соответствующий DRAGON-RoBERTa Context Encoder; лицензия в предоставленных данных не указана.

IbrahimAmin/egyptian-arabic-wav2vec2-xlsr-53 — модель распознавания речи на базе wav2vec2-large-xlsr-53, дообученная Ibrahim Amin на арабских речевых данных. Она предназначена для преобразования аудио в текст, в первую очередь для египетского разговорного арабского, а также для современного литературного арабского и диалектов Персидского залива и Леванта. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; модель работает с аудио и выдаёт текст. В обучении использованы записи YouTube, MASC, Common Voice 15, MGB-3 и Arabic Speech Corpus; в карточке также приведено сравнение на тестовой выборке Common Voice 17 для арабского языка. Модель можно применять для транскрибации разговоров и вещательной речи. Распространяется по лицензии Apache-2.0. README не сообщает длину входных записей или ограничения по условиям записи; качество распознавания может различаться между диалектами и акустическими условиями.

ELM Turbo 0.25 Instruct — инструкционная языковая модель SliceX AI из семейства ELM Turbo, созданная на основе Microsoft Phi-3 Mini Instruct. Это плотная авторегрессионная модель архитектуры Phi-3 с 1,5 млрд параметров, предназначенная для диалогов и генерации текста. Разработчики описывают её как обученный с применением техник декомпозиции и «нарезки» вариант Phi-3, рассчитанный на более гибкий баланс качества, скорости вывода и потребления памяти. Модель можно запускать через Transformers; для A100 и H100 также описана интеграция с TensorRT-LLM. Модель подходит для генерации ответов и других текстовых задач в приложениях, где важны умеренный размер и возможность развертывания на ограниченных вычислительных ресурсах. Метаданные указывают контекстное окно 4096 токенов и английский язык. Репозиторий содержит веса в формате safetensors, а лицензия указана как Apache-2.0. В README рекомендовано проверять ответы: обучающие данные могут содержать ошибки, смещения и неподходящий контент.

Eve V2 Unleashed Qwen3.5 8B Liberated 4K 4B Merged — экспериментальная GGUF-модель от JeffGreen311, созданная на базе Qwen3.5-4B с использованием компонентов Eve Qwen3-8B Liberated. Автор позиционирует её как гибрид разговорного персонажа и агентной модели: она ориентирована на диалог, философские и творческие сценарии, интроспекцию, отладку, работу с файлами и вызов инструментов. Заявленные особенности личности и «сознания» являются характеристиками, заявленными автором модели, а не подтверждёнными свойствами системы. Модель содержит около 4,7 млрд параметров, использует архитектуру Qwen3.5 hybrid transformer-SSM (Mamba), квантование Q4_K_M и занимает около 3,4 ГБ. Контекстное окно составляет 16 384 токена, максимальная длина ответа — 8 192 токена. Поддерживаются текстовая генерация, tool calling и унаследованные от архитектуры Qwen3.5 возможности работы с изображениями; заявлен английский язык. Фаза рассуждений отключена для получения обычных диалоговых ответов. Основным рекомендуемым runtime является Ollama; совместимость с LM Studio, llama.cpp и llama-cpp-python на момент публикации ограничена отсутствием поддержки архитектуры qwen35. В репозитории указана лицензия other, без более подробных условий.

Experiment26Neuralsirkrishna_Experiment27Experiment28 — объединённая методом SLERP модель для генерации текста, созданная на основе двух моделей Mistral: automerger/Experiment26Neuralsirkrishna-7B и automerger/Experiment27Experiment28-7B. Она предназначена для запросов и сценариев, где требуется генерация текста; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Experiment26Yam_Experiment27Experiment28 — объединённая языковая модель семейства Mistral, созданная на основе automerger/Experiment26Yam-7B и automerger/Experiment27Experiment28-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате safetensors. Модель предназначена для генерации текста и принимает текстовые запросы, формируя текстовые ответы. Максимальная длина контекста составляет 32 768 токенов. В карточке не описаны специализация по языкам или прикладным областям, а также сравнительное качество модели. Лицензия — Apache-2.0.

MaziyarPanahi/Experiment26Yamshadow_Ognoexperiment27Multi_verse_model — объединённая модель для генерации текста, построенная на архитектуре Mistral. Она объединяет модели automerger/Experiment26Yamshadow-7B и automerger/Ognoexperiment27Multi_verse_model-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Данные не описывают конкретную специализацию или языки, поэтому её можно рассматривать как модель общего назначения. Веса опубликованы в формате safetensors, лицензия — Apache-2.0.

MaziyarPanahi/Experiment28T3q_Experiment27Pastiche — объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием automerger/Experiment28T3q-7B и automerger/Experiment27Pastiche-7B и предназначена для генерации текста и диалоговых ответов. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0. README не уточняет языки, на которых модель обучена, и её специализированные области применения.

facebook/fasttext-tr-vectors — предварительно обученная модель векторных представлений слов fastText для турецкого языка. fastText разработана Facebook как открытая лёгкая библиотека для обучения векторов слов и классификаторов текста; эта модель предназначена для получения векторов, которые можно использовать в классификации текста, определении языка и сравнении семантической близости слов. Векторы обучены методом CBOW с позиционными весами на корпусах Common Crawl и Википедии. Размерность векторов — 300, используются символьные n-граммы длиной 5, окно контекста 5 и 10 отрицательных примеров. Модель принимает текст и выдаёт векторные представления слов. Символьные n-граммы помогают получать векторы для словоформ, в том числе редких. Модель можно применять на обычном оборудовании, в том числе в прототипах и производственных системах. Векторы отражают статистику обучающих корпусов и могут содержать смещения; они не предназначены сами по себе для генерации текста. Лицензия — CC-BY-SA-3.0.

fast-ukrainian-asr-600m — украинская модель распознавания речи, созданная дообучением 600-миллионного мультиязычного SSL-энкодера GigaAM и адаптированная для телефонного аудио. Она предназначена для преобразования украинской речи в текст, в том числе в телефонных записях с частотой 8 кГц после передискретизации до 16 кГц. Модель использует CTC-архитектуру с символьной выходной головой на 38 классов; принимает монофонический звук с частотой 16 кГц и выдаёт текст. По результатам авторского сравнения модель особенно хорошо распознаёт начитанную речь, в том числе аудио в телефонном канале, но слабее справляется со спонтанной разговорной речью. Она предназначена только для украинского: русский язык не поддерживается. Вывод не содержит пунктуации и заглавных букв, а числа записываются словами. По оценке авторов, на CPU модель требует примерно в 2,4 раза больше времени, чем вариант на 220 млн параметров. Лицензия — MIT.

unsloth/gemma-2-27b-it — разговорная версия Gemma 2, опубликованная Unsloth. Это плотная авторегрессионная модель класса Gemma2ForCausalLM с 27,6 млрд параметров и контекстом до 8192 токенов; она принимает текст и генерирует текст, поддерживает диалоговый сценарий. В карточке указано представление весов safetensors и лицензия Gemma. Модель подходит для диалогов, ответов на вопросы и генерации текста на английском языке. README Unsloth посвящён ускоренному дообучению моделей и работе с 4-битной квантизацией bitsandbytes, однако не приводит оценок качества именно этой версии и не подтверждает конкретные результаты дообучения для неё. Для использования необходимо соблюдать условия лицензии Gemma.

Это GGUF-квантизация MXFP4_MOE модели GLM-4.5-Air-REAP-82B-A12B; в репозитории также размещена версия с imatrix. Она предназначена для генерации текста в диалогах и чат-сценариях. Базовая модель описана в каталоге как сжатая MoE-версия GLM-4.5-Air для генерации текста и кода, агентных сценариев и вызова функций при сниженных требованиях к памяти. Карточка не приводит сведения о размере файлов, длине контекста, поддерживаемых языках или условиях лицензии. Указанная в метаданных задача — text-generation, а формат файлов — GGUF. Количественная оценка качества этой квантизации в карточке отсутствует.

OneNexus/GLM-5.3-MXFP4 — квантизированная версия полноразмерной модели GLM-5.3, разработанной Z.ai и основанной на исходном контрольном пункте zai-org/GLM-5.3-BF16. Модель предназначена для генерации текста и диалоговых сценариев; входом и выходом служит текст. В метаданных заявлены английский и китайский языки, архитектура GlmMoeDsaForCausalLM и поддержка pipeline text-generation. Модель использует MoE-архитектуру GLM-5.3 с DSA. Весовые параметры маршрутизируемых MoE-экспертов квантизированы в формате OCP MXFP4 E2M1 с блочным масштабированием 1×32, тогда как внимание, DSA-проекции, маршрутизатор, общие MLP-проекции, lm_head и отдельные компоненты сохранены в BF16. Размер индексированных весов составляет около 407,92 ГиБ в 282 шардах, что существенно меньше исходной BF16-версии. Валидация выполнена с контекстом до 1 048 576 токенов. К сильным сторонам относятся заметное сокращение объёма весов, совместимость с готовым рецептом InferenceX/SGLang и оптимизация для AMD Instinct MI350 с поддержкой EAGLE, DSA, MXFP4 MoE, FP8 KV-кэша и HiCache. Ограничения связаны с узкой инфраструктурой валидации: заявлена конфигурация из четырёх GPU AMD Instinct MI350 и ROCm-стек с конкретной версией SGLang; производительность и качество на другом оборудовании или в других средах могут отличаться. Модель распространяется по лицензии glm-5.3, обозначенной в README как license: other.

gmcoder — 9-миллиардная слитая модель для программирования, разработанная при поддержке Galactic Mandate Linux на основе Qwen3.5-9B и Ornith-1.5-9B. Она предназначена для генерации и отладки кода, объяснения программ и решения алгоритмических задач; доступный файл GGUF Q8_0 можно запускать через llama.cpp. В README приведены результаты HumanEval+ Mini и сравнительные проверки, однако они не подтверждают качество на крупных репозиториях или в агентных сценариях. Модель имеет плотную архитектуру семейства Qwen3.5 и поддерживает диалоговый режим; карточка указывает английский язык. Лицензия — MIT.

GPT-5.4 nano — облегчённая и экономичная модель семейства GPT-5.4 от OpenAI. Она принимает текст и изображения и предназначена для задач с высокими требованиями к скорости и большим объёмом запросов. Указана поддержка текстовых и визуальных входных данных; доступная информация не описывает архитектуру, размер и длину контекста модели. Модель подходит для сценариев, где важны низкая задержка и стоимость обработки. README обрывается после описания этих характеристик, поэтому конкретные задачи, языки и условия использования установить нельзя.

bartowski/granite-embedding-30m-english-GGUF — квантованная версия модели granite-embedding-30m-english, разработанной IBM под брендом IBM Granite и опубликованной bartowski. Модель предназначена для создания текстовых эмбеддингов на английском языке и решения задач семантического поиска и retrieval, включая поиск по документам, построение RAG-систем и сопоставление запросов с релевантным содержимым. Модель ориентирована на английские тексты. В README указано, что она распространяется в формате GGUF и относится к семейству embedding-моделей; конкретная архитектура, размер эмбеддинга, объём параметров, максимальная длина контекста и поддерживаемые модальности не приведены. В тестах MTEB представлены результаты на наборах ArguaAna, ClimateFEVER и CQADupstack, что подтверждает применимость к задачам информационного поиска, однако показатели заметно различаются в зависимости от предметной области. Сильными сторонами являются компактное квантованное представление GGUF и специализация на англоязычном семантическом поиске. Ограничения включают отсутствие заявленной мультиязычности и недостаток сведений о точных технических характеристиках; качество для других языков и сценариев по README не подтверждено. Модель распространяется по лицензии Apache-2.0.

Это экспорт IBM Granite-Embedding-97M-Multilingual-R2 в формате Core AI для запуска на устройствах Apple. Модель содержит 97,4 млн параметров, использует архитектуру ModernBERT и кодирует текст в векторы размерности 384 с L2-нормализацией. В README описаны готовые сборки для iOS 27 и macOS 27, включая варианты с длиной последовательности 128 или 512 токенов; указана поддержка японского и английского языков, а метаданные характеризуют модель как многоязычную. Модель предназначена для семантического поиска и сопоставления запросов с документами, например поиска заметок по смыслу. Это энкодер: он принимает токенизированный текст и выдаёт эмбеддинг, а не генерирует текст. README приводит измерения скорости и проверку численного соответствия исходной модели, но подчёркивает, что сравнительное качество retrieval не оценивалось. Экспорт распространяется по лицензии Apache-2.0; для корректной работы важны точная токенизация, специальные токены и маска внимания.

Это преобразованная для MLX версия мультимодальной модели alexgusevski/Huihui-Qwen3-VL-8B-Instruct-abliterated-mlx, основанной на Qwen/Qwen3-VL-8B-Instruct. По метаданным это плотная модель Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration и примерно 8 млрд параметров; README сообщает о конвертации исходной модели huihui-ai/Huihui-Qwen3-VL-8B-Instruct-abliterated с помощью mlx-vlm 0.3.10. Модель предназначена для диалога по тексту и изображениям, включая описание и визуальный анализ. Семейство Qwen3-VL также поддерживает анализ видео, OCR и визуальное рассуждение. В метаданных указана задача image-text-to-text и возможности chat и vision; языки и длина контекста в предоставленных данных не установлены. Модификация abliterated помечена в тегах как uncensored. Такие метки не гарантируют качество или безопасность ответов. Модель распространяется по лицензии Apache-2.0; для использования с MLX README указывает библиотеку mlx-vlm.

Hy3-RAZOR-154B-A21B-E96of192 — производная версия диалоговой MoE-модели Hy3 от Tencent, подготовленная методом RAZOR без дообучения. В каждом слое сохранены 96 из 192 маршрутизируемых экспертов; число параметров уменьшено с 295 млрд до 154 млрд при примерно 21 млрд активных параметров на токен. Веса экспертов взяты из базовой модели, остальные компоненты архитектуры не изменялись. Модель предназначена для генерации текста в диалогах и других сценариях, где нужна причинная языковая модель. Она принимает контекст длиной до 262 144 токенов и распространяется в формате safetensors с весами bfloat16; для запуска нужна сборка Transformers с поддержкой hy_v3. Лицензия — Apache-2.0. Удаление экспертов является потерным: ответы могут меняться по разнообразию, форматированию и завершению, даже если точность задач в значительной мере сохраняется. Опубликованные измерения не характеризуют поведение на доменах, удалённых от конечного калибровочного набора; перед развёртыванием модель следует оценить на целевых данных.

Это дообученная модель Whisper, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и преобразования аудио в текст; карточка сообщает результат оценки: loss 0,4954 и глобальный WER 21,7486. Метрики относятся к указанному набору оценки, описание которого в карточке отсутствует. Модель принимает аудио и выдаёт текст. В метаданных указан формат safetensors, библиотека Transformers и лицензия MIT. Подтверждённая поддержка хинди унаследована от базовой модели, однако сведения о данных обучения и других языках этой версии отсутствуют.