I.14Автоматизация процессов и AI-агенты

google/electra-small-discriminator — англоязычный текстовый энкодер семейства ELECTRA, разработанный Google. Модель с архитектурой ElectraForPreTraining содержит 20,4 млн параметров и принимает последовательности длиной до 512 токенов. Она предварительно обучена различать исходные токены и заменённые токены, сгенерированные другой нейросетью. Энкодер предназначен для тонкой настройки на задачах классификации текста, ответа на вопросы и разметки последовательностей, включая классификацию предложений, извлечение ответов и разбор текста на фрагменты. Для работы с весами доступны реализации PyTorch, TensorFlow и Flax. Лицензия Apache-2.0 разрешает использование на её условиях.

Engram Retrieval v0 — англоязычный cross-encoder, разработанный для конвейера поиска объектов знаний Engram. Модель дообучена на базе cross-encoder/ms-marco-MiniLM-L6-v2 с помощью Sentence Transformers и оценивает пару из пользовательского запроса и текста объекта знаний, чтобы ранжировать кандидатов перед более дорогим этапом переранжирования. Модель имеет архитектуру BERT с классификационной головой BertForSequenceClassification, около 25,9 млн параметров и предел последовательности 512 токенов. Она принимает текстовые пары и выдаёт оценку релевантности; также подходит для семантического поиска и классификации пар. В README описана настройка для выборки из 194 обучающих примеров и оценка на размеченных данных Engram. Модель распространяется по лицензии Apache-2.0. Её специализация — поиск по объектам знаний Engram, поэтому перенос на другие коллекции и запросы может потребовать дополнительной проверки или дообучения. Повторное обучение зависит от содержимого wiki-файлов, которое может меняться со временем.

Dohyeon1/ERNIE-Sub-MoE-ngroups48-adaptive — языковая модель семейства ERNIE 4.5 MoE, опубликованная пользователем Dohyeon1 на Hugging Face. Модель предназначена для генерации текста и поддерживает диалоговые сценарии; для работы используется библиотека Transformers. Модель содержит 3,3 млрд параметров и рассчитана на контекст до 131 072 токенов. Архитектура с mixture-of-experts отражена в метаданных модели; дополнительные сведения о конфигурации экспертов, обучении, языках, оценивании и производительности в предоставленной карточке отсутствуют. Лицензия в доступных данных не указана, поэтому условия коммерческого и иного использования необходимо уточнять на странице репозитория. README не содержит результатов тестирования, описания датасетов, рекомендаций по применению или подробных сведений об ограничениях.

Experiment24Alloyingotneoy-7B — плотная языковая модель семейства Mistral с 7,1 млрд параметров, созданная Maxime Labonne автоматическим слиянием моделей. В конфигурации указаны yam-peleg/Experiment24-7B и nlpguy/AlloyIngotNeoY; применён метод слияния dare_ties, а формат весов — bfloat16. Модель предназначена для генерации текста и работы с контекстом длиной до 32 768 токенов. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии. Карточка не уточняет специализацию или поддерживаемые естественные языки.

Experiment26Neuralsirkrishna_Experiment27Shadow — объединённая модель на базе двух моделей Mistral: automerger/Experiment26Neuralsirkrishna-7B и automerger/Experiment27Shadow-7B. Разработчик в карточке не указан. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов. Она принимает текст и поддерживает контекст длиной до 32 768 токенов. Карточка не уточняет языки и специализированные области применения. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Качество и ограничения в README не описаны.

Experiment26T3qm7xp_Inex12Strangemerges_32 — объединённая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и принимает запросы на естественном языке, выдавая текстовые продолжения или ответы. Модель рассчитана на контекст до 32 768 токенов и распространяется в формате Safetensors. Веса получены слиянием automerger/Experiment26T3qm7xp-7B и automerger/Inex12Strangemerges_32-7B. Лицензия — Apache-2.0. В карточке не приведены сведения о специализированных областях или языках модели.

Experiment26Yam-7B — объединённая модель для генерации текста, созданная Maxime Labonne с помощью автоматизированного слияния моделей. В конфигурации использован метод dare_ties с моделями rwitz/experiment26-truthy-iter-0 и mayacinka/yam-jom-7B; метаданные каталога указывают mayacinka/yam-jom-7B как базовую модель и отмечают дообучение. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста по текстовому запросу. Репозиторий использует формат safetensors; модель распространяется по лицензии Apache-2.0.

MaziyarPanahi/Experiment28T3q_Experiment28Experiment29 — объединённая модель семейства Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Она предназначена для генерации текста и принимает текстовые запросы, выдавая текстовые продолжения. Модель объединяет веса automerger/Experiment28T3q-7B и automerger/Experiment28Experiment29-7B; каталог описывает исходные модели как экспериментальную и дообученную по DPO математическую модель. Модель рассчитана на контекст до 32 768 токенов и опубликована в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает конкретные языки, специализированные сценарии или результаты оценки качества.

Experiment28T3q_OgnoPastiche — объединённая автором MaziyarPanahi модель семейства Mistral для генерации текста. Она создана слиянием моделей automerger/Experiment28T3q-7B и automerger/OgnoPastiche-7B. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате Safetensors; лицензия — Apache 2.0. Карточка не описывает специальные навыки, домены или языки модели.

RishuD7/finetune_base_bge_pretrained_v4 — модель на основе архитектуры BERT от пользователя Hugging Face RishuD7. Она предназначена для извлечения признаков из текста, в частности получения контекстных векторных представлений, пригодных для последующей обработки или поиска. В метаданных указаны 136,7 млн параметров, контекст до 512 токенов и формат PyTorch. Карточка Hugging Face не содержит описания обучения, рекомендуемых сценариев, языков или лицензии. Поэтому нельзя подтвердить, на каких данных и для каких языков модель дообучена; название репозитория само по себе не устанавливает базовую модель или лицензионные условия.

FofoNet-CatDolphin-PPT-slerp — языковая модель для генерации текста, созданная слиянием CatPPT-base и dolphin-2.6-mistral-7b-dpo-orca-v2 методом slerp с помощью LazyMergekit. Она предназначена для генерации ответов и диалогового взаимодействия на основе текстовых запросов. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате safetensors. Карточка не сообщает о специализированных областях применения или языках. Лицензия в предоставленных данных не указана.

Ganesh JavaScript v0.1.0 — специализированная языковая модель на 12 млрд параметров для генерации и дополнения кода на JavaScript, исправления ошибок, отладки, рефакторинга и поддержки разработчиков. Модель разработана и выпущена ExecuteSpec R&D Lab; она предназначена также для оценки coding-agent и инструментов разработчика, а также для исследований и экспериментов с локальным или размещённым инференсом. Модель основана на Gemma 4 12B IT и работает в режиме генерации текста. Доступны объединённые веса в форматах BF16 SafeTensors, GGUF Q8_0 и GGUF Q4_K_M; репозиторий содержит полный самостоятельный чекпойнт. Q8_0 ориентирован на сохранение точности, а Q4_K_M снижает требования к памяти и дисковому пространству. В README указаны английский язык и специализация на JavaScript, но размер контекста и дополнительные модальности не описаны. По узким версиям тестов модель получила 22 из 25 на JavaScript-наборе исполняемых задач против 18 из 25 у базовой модели и 147 против 146 на заявленной 161-задачной поверхности MultiPL-E JavaScript. Эти результаты не являются гарантией общего превосходства. Модель может генерировать ошибочный, неполный, небезопасный или неэффективный код, выдумывать API и не учитывать соглашения конкретного проекта; результат необходимо проверять и тестировать. Выпуск v0.1.0 заморожен и предназначен для оценки. Использование регулируется применимыми Gemma Terms of Use и Gemma Prohibited Use Policy.

Gaston_Yi-1.5-9B-Chat — диалоговая языковая модель, опубликованная baconnier и дообученная на основе 01-ai/Yi-1.5-9B-Chat. Это плотная модель семейства Llama с 8,6 млрд параметров, предназначенная для генерации текста в формате чата. Обучение проводилось с использованием Unsloth и библиотеки TRL. Модель подходит для диалоговых ответов и генерации текста; базовая Yi-1.5-9B-Chat также рассчитана на следование инструкциям, рассуждения, математику и программирование. Поддерживается контекст до 8192 токенов. В карточке указан английский язык и лицензия Apache 2.0.

unsloth/gemma-2-2b — версия Gemma 2 от Unsloth, подготовленная для дообучения и текстовой генерации. Модель имеет плотную архитектуру Gemma2ForCausalLM и содержит 2,7 млрд параметров; репозиторий использует формат safetensors. В README также указано, что модель квантизирована до 4 бит с помощью bitsandbytes. Модель предназначена для генерации текста, включая диалоговые сценарии и продолжение произвольного текста, а также для дальнейшего дообучения. Она принимает текст и выдаёт текст, поддерживает английский язык и имеет контекстное окно 8192 токена. README описывает ноутбуки Unsloth для дообучения Gemma 2, в том числе на Google Colab. Unsloth позиционирует свои инструменты как способ ускорить дообучение и снизить расход памяти; эти показатели относятся к процессу обучения и не гарантируют качество конкретного результата генерации. Модель распространяется по лицензии Gemma; применяйте её с учётом условий этой лицензии.

Это пакет GGUF для распределённого запуска Gemma 3 27B Instruct, подготовленный Mesh LLM на основе unsloth/gemma-3-27b-it-GGUF. Веса исходной модели в варианте UD-Q4_K_XL разделены на артефакты по слоям, чтобы распределять вычисления и память между несколькими компьютерами в локальном кластере Mesh LLM. Модель предназначена для локального диалогового инференса, в том числе через совместимый с OpenAI API интерфейс Mesh LLM. Пакет использует формат GGUF и ориентирован на текстовую генерацию в чате; в карточке указаны семейство Gemma и возможность chat. Языки, длина контекста и подробности архитектуры не приведены в доступных данных. Это производный пакет на базе указанной GGUF-модели, а не самостоятельная разработка. Лицензия и ограничения исходной модели определяются её карточкой и в предоставленных данных не раскрыты.

por62/GigaAM-v3-e2e-rnnt-vllm — версия GigaAM-v3, подготовленная для запуска в контейнере vLLM. Это модель распознавания речи на основе Conformer с декодером RNN-T и сквозной обработкой аудио: она преобразует русскую речь в нормализованный текст с пунктуацией. В README указано, что семейство GigaAM-v3 разработано на основе предварительного обучения на русской речи с целью HuBERT-CTC; эта версия соответствует варианту e2e_rnnt. Метаданные репозитория указывают 151,2 млн параметров и формат safetensors. Модель предназначена для транскрибации русской речи в разных акустических условиях, включая разговоры в колл-центрах, фоновую музыку и естественную речь. README сообщает об улучшении среднего качества на новых доменах и приводит результаты сравнений, однако численные показатели могут зависеть от тестового набора и условий оценки. Метаданные также отмечают английский язык, но README описывает обучение и основные сценарии для русской речи. Лицензия — MIT.

lyssquant/GLM-5.2-Q2_K-MTP-Q8-layers — пакет слоёв GGUF для распределённого запуска GLM-5.2-Q2_K-MTP-Q8 в локальном кластере Mesh LLM. Репозиторий производен от meshllm/GLM-5.2-Q2_K-MTP-Q8-GGUF и разделяет исходную модель на отдельные артефакты по слоям. Указанный вариант использует Q2_K с MTP-Q8. Пакет предназначен для приватного локального вывода, распределения вычислений и памяти между несколькими машинами, а также обслуживания чата через совместимый с OpenAI локальный API. Для работы требуется Mesh LLM; карточка отсылает к исходной модели за сведениями об архитектуре, шаблоне чата и лицензии, поэтому условия использования здесь не уточняются.

I-DLM-8B — языковая модель диффузионного типа с 7,6 млрд параметров, созданная командой проекта I-DLM на основе Qwen3-8B. Модель предназначена для генерации текста и диалогов; её метод Introspective Strided Decoding позволяет генерировать и проверять токены параллельно. В карточке заявлено качество, сопоставимое с авторегрессионными моделями того же масштаба на 15 бенчмарках, а также повышенная пропускная способность при высокой параллельной нагрузке. Для воспроизведения результатов авторы рекомендуют конвейер ISD на базе SGLang, поддерживающий пакетную обработку и KV-кэш. Прямая загрузка через Transformers пока не поддерживается для воспроизведения результатов статьи. Контекст модели — до 40 960 токенов; веса представлены в формате safetensors. Лицензия — Apache-2.0.

InternVL3.5-14B — мультимодальная модель OpenGVLab из семейства InternVL3.5, представленная в архитектуре InternVLChat. Она принимает изображения и текст и формирует текстовые ответы; версия на 14 млрд параметров является дообучением OpenGVLab/InternVL3_5-14B-MPO. Модель предназначена для диалогов по изображениям и мультимодальных задач, включая визуальное рассуждение, ответы на вопросы по изображению и распознавание текста в изображениях. В семействе InternVL3.5 применяются Cascade RL для улучшения рассуждений и Visual Resolution Router для динамического выбора разрешения визуальных токенов. В README также описаны взаимодействие с графическим интерфейсом и embodied-задачи как возможности семейства. Модель распространяется в формате safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. README не приводит отдельные показатели качества или длину контекста именно для версии 14B.

Jais Family 1.3B Chat — диалоговая языковая модель семейства Jais, разработанного Inception Institute of Artificial Intelligence. Это instruction-tuned вариант базовой модели inceptionai/jais-family-1p3b: компактная причинная decoder-модель на 1,3 млрд параметров для генерации текста и общения на арабском и английском языках. Семейство обучалось на арабских, английских и программных данных; версия Chat настроена на диалог с использованием инструкций на арабском и английском. Модель подходит для создания чат-ассистентов, ответов на вопросы и суммаризации двуязычных материалов. Модель ориентирована прежде всего на арабский язык и также обладает сильными возможностями для английского. Для загрузки требуется пользовательский класс модели и параметр trust_remote_code=True. Репозиторий содержит веса в формате safetensors, функция чата указана в метаданных. Лицензия Apache 2.0 допускает открытое использование на её условиях. Как и другие большие языковые модели, Jais может выдавать неверные, вводящие в заблуждение или предвзятые ответы. Карточка предостерегает от применения для обработки чувствительных данных и принятия решений с высокими ставками без человеческого контроля; также не следует рассчитывать на сопоставимое качество для языков и диалектов, кроме арабского и английского.

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.

Это механически преобразованное представление Qwen2.5-3B-Instruct, подготовленное автором репозитория для запуска через vLLM. Модель не обучалась заново и не содержит новых обученных весов: чекпойнт сохранён в формате vLLM sharded_state с тензорным параллелизмом на два ранга для двух GPU Tesla T4. Веса исходной модели разработаны командой Qwen / Alibaba Cloud; размер — 3,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалогового использования, включая ответы по инструкциям и структурированные ответы. В метаданных указан английский язык, а базовая Qwen2.5-3B-Instruct описана как многоязычная чат-модель. Для загрузки требуется совместимая конфигурация vLLM с исходной топологией TP=2; репозиторий не является стандартным чекпойнтом Transformers и не рассчитан на обычную загрузку через AutoModelForCausalLM. TP=1, TP>2, другие схемы GPU и обучение или дообучение не проверялись. Использование регулируется лицензией Qwen Research License: разрешены некоммерческие исследования и оценка на условиях лицензии, для коммерческого использования требуется отдельное разрешение Alibaba Cloud.

Kanana 1.5 8B Base — базовая языковая модель семейства Kanana, разработанная Kakao Corp. Это плотная авторегрессионная модель на архитектуре Llama с 7,5 млрд параметров, предназначенная для генерации текста и использования в качестве основы для прикладных решений и дальнейшей настройки. Метаданные также указывают поддержку диалогового сценария. Модель подходит для продолжения и генерации текста на английском и корейском языках, включая задачи, связанные с кодом и математикой. Контекстная длина составляет 32 768 токенов; README описывает расширение до 128K с применением YaRN и изменением конфигурации. Kanana 1.5 развивает возможности семейства в программировании, математике и вызове функций, однако в этой карточке приведён именно вариант Base, поэтому качество этих сценариев не следует считать гарантированным без дополнительной настройки. Модель распространяется по лицензии Apache-2.0.

KETI-AIR/ke-t5-large — предварительно обученная языковая модель семейства T5, разработанная KETI для корейского и английского языков. Вариант large содержит около 418 млн параметров и принимает текст, генерируя текст в формате text-to-text; указанный контекст составляет до 512 токенов. Модель предназначена для дообучения и применения в задачах преобразования текста, например генерации и перефразирования. Репозиторий содержит веса в форматах PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0.

Kotoba-Whisper-v1.1 — японская модель распознавания речи на базе kotoba-tech/kotoba-whisper-v1.0, разработанная Kotoba Technologies в сотрудничестве с Asahi Ushio. Она использует архитектуру Whisper и насчитывает около 905 млн параметров. Модель принимает аудио и выдаёт японскую транскрипцию; встроенный конвейер добавляет пунктуацию и улучшает временные метки с помощью Stable-ts. Модель предназначена для транскрибирования японской речи, в том числе длинных аудиозаписей, и поддерживает подсказки при распознавании. В README приведено сравнение скорости на 50 минутах речи: версия 1.1 с пунктуацией и временными метками работает медленнее версии 1.0 с отключёнными временными метками. Для использования нужны Transformers версии 4.39 или новее, а также Stable-ts и punctuators. Лицензия — Apache-2.0.

allenai/led-base-16384 — базовая модель Longformer Encoder-Decoder (LED), разработанная AllenAI. Это плотный encoder-decoder-трансформер с 95,2 млн параметров, подготовленный на основе bart-base: матрица позиционных эмбеддингов BART была повторена, чтобы увеличить поддерживаемую длину входа до 16 384 токенов. Модель предназначена для генерации текста по текстовому входу, в частности для суммаризации длинных документов и ответов на вопросы по ним. LED можно дообучать для прикладных задач, требующих учитывать большие объёмы текста. В метаданных указаны реализации PyTorch и TensorFlow, а также поддержка английского языка. Модель распространяется по лицензии Apache-2.0.

jfrost10/legal-ft-7f9f08e4-892d-410a-9df4-7dc4e3b6505f — дообученная модель Sentence Transformers на основе Snowflake/snowflake-arctic-embed-l, предназначенная для сопоставления текстовых запросов и документов. Она кодирует предложения и абзацы в нормализованные плотные векторы размерности 1024; сходство оценивается косинусной мерой. Архитектура включает BERT, пулинг по CLS-токену и нормализацию, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов, в том числе в сценариях работы с юридическими материалами, что предполагает название репозитория. README сообщает о дообучении на 156 парах предложений и приводит результаты оценки поиска, однако этих данных недостаточно, чтобы считать качество подтверждённым для широкого применения в юридической сфере. Лицензия в предоставленных данных не указана.

В репозитории SerialKicked/Lethe-AI-Repo собраны ресурсы для библиотеки Lethe AI Sharp: GGUF-модели, шаблоны Jinja и файлы для интеграции локальных LLM. В него входят квантованная модель эмбеддингов GTE large в формате Q6_K для поиска по RAG-сценариям и квантованный классификатор эмоций на базе BERT-base-uncased, дообученный на GoEmotions для многометочной классификации 28 эмоций. Также размещены исправленные шаблоны диалогов Mistral и Qwen. Репозиторий предназначен для разработчиков, использующих библиотеку Lethe AI Sharp на C#/.NET: его компоненты помогают организовать векторный поиск по документам и экспериментальный анализ эмоций. Для классификатора указано экспериментальное применение; характеристики контекста и полный перечень поддерживаемых языков в карточке не приведены. Лицензия репозитория — MIT.

Карточка модели 4bit/Llama-2-70b-chat-hf на Hugging Face совпадает с карточкой NousResearch/Llama-2-70b-chat-hf, поэтому описание составлено по ней. NousResearch/Llama-2-70b-chat-hf — версия чат-модели Llama 2, разработанной Meta и опубликованной NousResearch в формате Transformers для Hugging Face. Это авторегрессионная плотная трансформерная модель с 68,7 млрд параметров, настроенная на диалог с помощью контролируемого дообучения и обучения с подкреплением на основе отзывов людей. Версия 70B использует Grouped-Query Attention; длина контекста — 4096 токенов. Модель принимает текст и генерирует текст. Она предназначена для диалоговых сценариев на английском языке: ответов на вопросы, работы в роли помощника и генерации текста. Модель статична, обучалась на данных с отсечкой знаний до сентября 2022 года, хотя часть данных дообучения датирована позднее. Для использования весов требуется принять пользовательскую коммерческую лицензию Meta; применяются её условия и ограничения. Ответы могут быть неточными, предвзятыми или нежелательными, а оценка модели проводилась преимущественно на английском языке и не охватывает все сценарии. Перед внедрением следует проверять безопасность и качество в целевом приложении. Модель не предназначена по условиям карточки для использования на языках, отличных от английского.

Llama 2 7B — предварительно обученная авторегрессионная языковая модель Meta на 7 млрд параметров, представленная в формате Transformers для PyTorch и Safetensors. Она использует оптимизированную архитектуру Transformer и принимает текст, генерируя текст; длина контекста в карточке указана как 4 тыс. токенов. Модель предназначена для генерации текста на английском языке и может служить основой для различных задач обработки естественного языка. Это базовая, не настроенная на диалог версия Llama 2; для сценариев общения предназначены отдельные варианты Llama-2-Chat. Модель предварительно обучена на 2 трлн токенов из общедоступных источников. Модель разработала Meta. Для использования весов требуется принять условия лицензии Meta Llama 2, которая допускает коммерческое и исследовательское применение с ограничениями лицензионного соглашения и политики допустимого использования. Ответы могут быть неточными, предвзятыми или нежелательными; перед внедрением требуется оценка и настройка для конкретного применения.