I.14Автоматизация процессов и AI-агенты

Llama-3-8B-666 — объединённая диалоговая языковая модель, созданная сообществом mergekit на основе Meta-Llama-3-8B-Instruct и трёх других моделей семейства Llama 3. Для слияния использован метод passthrough. Модель предназначена для генерации текста и ведения диалогов. Модель использует плотную архитектуру LlamaForCausalLM, содержит 11,4 млрд параметров и поддерживает контекст до 8192 токенов. Репозиторий содержит веса в формате safetensors, для работы используется библиотека Transformers. В состав слияния входят модели, ориентированные в том числе на китайский язык; базовая Meta-Llama-3-8B-Instruct предназначена для ассистентских ответов на английском языке. Лицензия в предоставленных данных не указана. Качество и языковое покрытие именно этой объединённой модели не описаны; результаты могут зависеть от сочетания исходных моделей и сценария использования.

LLaMa-3-Instruct-Zeroed-13B — разговорная языковая модель на архитектуре Llama, собранная с помощью mergekit из слоёв Undi95/Meta-Llama-3-8B-Instruct-hf. В конфигурации passthrough merge для части слоёв обнулены параметры проекций o_proj и down_proj; репозиторий содержит веса Safetensors. Модель рассчитана на генерацию текста и диалоговое взаимодействие; карточка указывает 12,5 млрд параметров и контекст до 8192 токенов. Базовая модель — англоязычная инструкционная Llama 3 на 8 млрд параметров. Из-за изменённых проекций поведение и качество могут отличаться от исходной модели; опубликованные сведения не описывают оценку качества или дополнительные ограничения. Лицензия в доступных данных не указана.

mlx-community/LongCat-Flash-Chat-bf16 — версия LongCat-Flash-Chat, подготовленная сообществом mlx-community для запуска в формате MLX. Исходную модель разработала Meituan; метаданные указывают на дообучение базовой модели для диалогового применения. Репозиторий содержит веса в формате safetensors и рассчитан на библиотеку MLX. Модель предназначена для генерации текста и ведения диалогов. Её размер составляет 17,7 млрд параметров, длина контекста — до 131 072 токенов. Лицензия — MIT. README описывает конверсию с помощью mlx-lm, но не приводит сведения о языковом охвате или конкретных ограничениях качества.

Undi95/Lumimaid-Magnum-12B — объединённая диалоговая модель, созданная автором репозитория на основе Lumimaid и Magnum с помощью метода DELLA в mergekit. В состав смеси также включено дообучение Nemo только на входных данных Claude; шаблон общения — Mistral с маркерами [INST] и [/INST]. Модель имеет плотную архитектуру MistralForCausalLM, содержит 12,1 млрд параметров и предназначена для генерации текста в диалоге. В метаданных указан контекст до 1 024 000 токенов, однако README сообщает, что добавленное дообучение проводилось на контексте 16 тыс. токенов, поэтому фактическое качество на длинном контексте из этих данных не следует. Репозиторий использует формат safetensors и библиотеку Transformers. Сведения о лицензии и конкретных ограничениях применения в предоставленных данных отсутствуют.

Lux-V2-Pro — плотная языковая модель на 31 млрд параметров, разработанная PoSTMEDIA AI Lab полным дообучением Gemma-4-31B-it. Она предназначена для диалогов и генерации текста, с особым акцентом на корейский язык, рассуждения и следование инструкциям. Модель обучали на синтетических корейских данных для общих диалогов, программирования, права, культурного наследия, туризма и математики; README сообщает о проверке данных исполнением кода, символическими вычислениями, правилами и источниками. Модель ориентирована на сложные корейскоязычные задачи, включая ответы на вопросы по предметным областям и математические рассуждения. В карточке приведены внутренние результаты тестов и заявлено улучшение относительно Lux-V1-Pro по большинству из 18 бенчмарков. Для высокорисковых решений ответы следует проверять: сведения могут быть неверными или устаревшими, особенно в правовой тематике. Модель наследует ограничения Gemma-4. Распространяется по лицензии Apache-2.0.

SJTU-DENG-Lab/MBD-Code-SDAR-8B-Chat-b4 — разговорная языковая модель из семейства SDAR, опубликованная SJTU-DENG-Lab как часть проекта Multi-Block Diffusion Language Models. Модель имеет плотную архитектуру SDARForCausalLM с 7,6 млрд параметров и контекстом до 32 768 токенов; веса доступны в формате safetensors для Transformers. Модель предназначена для генерации текста в диалоговом режиме. Подход MBD-LM использует многоблочную диффузионную генерацию: последовательные блоки текста декодируются параллельно, а обучение Multi-block Teacher Forcing нацелено на согласование обучения с состояниями практического вывода MultiBD. В README не приведены конкретные языковые или предметные специализации, поэтому модель следует считать универсальной разговорной генеративной моделью. Лицензия — MIT. README не сообщает результатов оценки качества или ограничений применения; качество ответов и пригодность для конкретной задачи следует проверять отдельно.

MeliodasT3qm7_ShadowStrangemerges_32 — объединённая модель на архитектуре Mistral, созданная слиянием automerger/MeliodasT3qm7-7B и automerger/ShadowStrangemerges_32-7B. Она предназначена для генерации текста и диалоговых ответов, включая сценарии с длинным контекстом до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате safetensors. Модель принимает текст и выдаёт текст. В карточке не описаны специальные предметные области или дополнительные возможности. Лицензия — Apache 2.0.

miniG — языковая модель команды CausalLM на архитектуре ChatGLM. Основная текстовая версия содержит около 9 млрд параметров; метаданные репозитория указывают общий размер 11,4 млрд параметров. Модель дообучена на синтетическом наборе из более чем 120 млн примеров, подготовленном на основе корпуса объёмом 20 млрд токенов. В README также описана мультимодальная версия с ViT на 5 млрд параметров, однако эта карточка относится к текстовым весам. Модель предназначена для генерации текста и диалоговых сценариев с длинным контекстом до 1 млн токенов. Авторы отмечают обучение на данных для retrieval-поддержанных диалогов и интеграции знаний, но не заявляют отдельную специализацию по прикладной области. Лицензия репозитория — WTFPL. Авторы предупреждают о склонности к переобучению и галлюцинациям, отсутствии полноценного выравнивания по человеческим предпочтениям и возможном ухудшении качества при использовании ускоренных реализаций и квантизации; для вывода рекомендуются Transformers и низкая температура генерации. Данные обучения не были полностью отфильтрованы, поэтому возможны оскорбительный, порнографический и жестокий контент.

Mistral7B-PairRM-SPPO-Iter1 — языковая модель на архитектуре Mistral, разработанная UCLA-AGI методом Self-Play Preference Optimization. Это первый этап серии итерационных дообучений на синтетических ответах: использованы запросы из UltraFeedback, разделённые на части для трёх итераций; в каждой итерации генерировалось пять ответов. Модель дообучена на базе mistralai/Mistral-7B-Instruct-v0.2 и содержит 7,1 млрд параметров. Модель предназначена для диалогов и генерации ответов на инструкции на английском языке. Её можно применять для создания чат-ботов, ответов на вопросы и выполнения пользовательских запросов; карточка приводит результаты оценок на наборах AlpacaEval, Arena-Hard, MT-Bench и Open LLM Leaderboard. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и опубликована в формате safetensors. Лицензия — Apache-2.0. Результаты оценки относятся к конкретным тестам и не гарантируют качество во всех сценариях; обучение на синтетических данных может влиять на характер ответов.

filipealmeida/Mistral-7B-v0.1-sharded — шардированная версия предварительно обученной языковой модели Mistral-7B-v0.1, разработанной командой Mistral AI. Разбиение весов на шарды позволяет загружать модель при ограниченной памяти CPU. Модель содержит 7,1 млрд параметров и построена на архитектуре Transformer с Grouped-Query Attention, Sliding-Window Attention и токенизатором byte-fallback BPE; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу и может служить базой для приложений на основе языковой модели. Это предварительно обученная модель, а не специализированный чат-ассистент. Репозиторий содержит веса в формате PyTorch. Лицензия — Apache-2.0. README сообщает о результатах сравнений с Llama 2 13B, однако конкретные условия и метрики здесь не приведены.

BeaverAI/mistral-doryV2-12b — инструкционная донастройка базовой модели Mistral Nemo Base 2407 от BeaverAI. Модель предназначена для диалоговой генерации текста по инструкциям и использует шаблон запросов в стиле Alpaca с необязательным системным сообщением. Это плотная авторегрессионная модель семейства Mistral с 12,1 млрд параметров. Метаданные указывают контекст до 1 024 000 токенов, поддержку английского языка и формат весов Safetensors. Модель не ориентирована на эротический ролевой контент; для этого автор рекомендует другую модель. Распространяется по лицензии Apache 2.0. README не приводит результатов оценки качества или подробностей обучения, поэтому пригодность для конкретных задач следует проверять на собственных данных.

Mistrality-7B — языковая модель для генерации текста и диалогов, созданная flemmingmiguel путём слияния моделей argilla/distilabeled-Hermes-2.5-Mistral-7B и EmbeddedLLM/Mistral-7B-Merge-14-v0.4 методом SLERP с помощью LazyMergekit. Модель основана на архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; контекст — до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель подходит для диалоговых ассистентов, генерации ответов и продолжения текста. В карточке не приведены сведения о целевых языках, специальных областях применения или результаты сравнительных оценок, поэтому качество в конкретных сценариях не установлено. Лицензия — Apache-2.0.

Это пакет слоёв GGUF для распределённого запуска Mistral-Large-3-675B-Instruct-2512-UD-Q4_K_XL с помощью Mesh LLM. Его подготовила Mesh LLM на основе unsloth/Mistral-Large-3-675B-Instruct-2512-GGUF: исходная модель разделена на артефакты по слоям для выполнения на нескольких машинах в локальном кластере. Модель предназначена для генерации текста и диалогов, в том числе через локальный API, совместимый с OpenAI Chat Completions. Разделение слоёв позволяет объединить память и вычислительные ресурсы нескольких узлов, когда целый пакет GGUF трудно разместить на одном компьютере. Вариант UD-Q4_K_XL использует квантованный формат GGUF; дополнительные сведения об архитектуре, языках и контекстном окне приведены в карточке исходной модели, а не в этой карточке пакета. Пакет рассчитан на запуск через Mesh LLM и требует инфраструктуры для распределённого инференса. Лицензия в доступной карточке пакета не приведена; условия использования следует проверять у исходной модели Mistral-Large-3-675B-Instruct-2512-GGUF.

hts98/Model2 — модель автоматического распознавания речи на архитектуре Whisper с 455,8 млн параметров. Разработчик указывает, что модель дообучена на основе hts98/Model1; задача обучения названа, но набор данных обозначен как None. Модель принимает аудио и генерирует текстовую транскрипцию. Она распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не содержит сведений о целевых языках, сценариях применения, результатах оценки или известных ограничениях. Поэтому качество распознавания и пригодность для конкретных типов аудио по имеющимся данным определить нельзя.

AI Sweden выпустила эту модель как продолжение предобучения answerdotai/ModernBERT-large на скандинавских текстах из The Nordic Pile и SWEb. Это плотный двунаправленный энкодер ModernBERT с архитектурой ModernBertForMaskedLM и примерно 395 млн параметров; он сохраняет контекстное окно 8192 токена. Токенизатор обучен с нуля на подмножестве скандинавских данных, а продолжение предобучения выполнено на дополнительных данных объёмом около 1,2 трлн токенов. Модель предназначена прежде всего для заполнения пропусков, извлечения эмбеддингов и дообучения для NLP-задач на шведском, норвежском, датском и исландском языках. Её можно использовать как энкодер в стиле BERT для классификации, распознавания именованных сущностей и ответов на вопросы; в Transformers доступен сценарий fill-mask. Модель выпущена как исследовательский артефакт по лицензии Apache-2.0. Веб-данные могут содержать шум, стереотипы и чувствительный контент. Экстраполяция RoPE за пределы контекста в 8192 токена не проверена и может ухудшить качество.

Это модель Sentence Transformers, дообученная на answerdotai/ModernBERT-base на наборе code_search_net. Она кодирует текстовые запросы и фрагменты кода в плотные векторы размерности 768 и предназначена прежде всего для семантического поиска по коду и сопоставления запросов с подходящими фрагментами. Также её можно применять для оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Модель использует encoder-архитектуру ModernBERT с CLS-пулингом и косинусной мерой сходства. README указывает максимальную длину последовательности 4096 токенов, а метаданные — нативный контекст 8192 токена; фактическую длину при использовании следует соотносить с конфигурацией Sentence Transformers. Размер модели — 149 млн параметров. Карточка описывает пары запросов и кода из CodeSearchNet; отдельные языки программирования или естественные языки в метаданных не перечислены. Модель выдаёт эмбеддинги, а не готовые текстовые ответы, поэтому для поиска обычно требуется сравнение векторов и, при необходимости, отдельный индекс. Лицензия в предоставленных данных не указана.

fidoriel/moonshine-base-de — модель распознавания речи на базе архитектуры Moonshine, созданная переносным дообучением англоязычной UsefulSensors/moonshine-base для немецкого языка. Она преобразует аудиоречь в текст и предназначена для сценариев автоматической транскрипции на немецком языке. В метаданных указан класс MoonshineForConditionalGeneration, формат весов Safetensors и контекст 194 токена. В оценке на тестовой части Common Voice указаны WER 0,069 и CER 0,024. Модель распространяется по лицензии CC BY-NC-SA 4.0: требуется указание авторства, использование ограничено некоммерческими целями, а производные работы должны распространяться на тех же условиях. Финансирование исходного проекта обеспечило Федеральное министерство исследований, технологий и космоса Германии.

zelk12/MT1-Gen4-MA-gemma-2-S5S4-9B — объединённая модель для генерации текста на архитектуре Gemma 2, опубликованная в формате safetensors. Согласно карточке, она создана методом SLERP с помощью mergekit из allknowingroger/GemmaSlerp5-10B и allknowingroger/Gemmaslerp4-10B. Каталог указывает около 9 млрд параметров и контекст до 8192 токенов. Модель предназначена для диалоговой генерации текста и других сценариев, поддерживаемых конвейером text-generation. В метаданных отмечена возможность чата; сведения о поддерживаемых естественных языках и специализированной области применения не приведены. Лицензия в предоставленных данных не указана.

zelk12/MT-Max-Merge_02012025163610-MUG-gemma-2-9B — языковая модель, созданная автором репозитория объединением двух моделей Gemma 2 с помощью SLERP в mergekit. Это плотная причинная языковая модель на 9 млрд параметров для генерации текста и диалогового общения; она принимает текст и выдаёт текст. Нативный контекст составляет 8192 токена, модель предназначена для работы через Transformers и распространяется в формате safetensors. Модель подходит для генерации ответов в диалогах и других сценариев генерации текста. Она является объединением моделей zelk12/MT-Max-Merge_02012025163610-GP-gemma-2-MTg4MT5g4-9B и zelk12/MT-Max-Merge_02012025163610-MU-gemma-2-MTM2MUMTM4-9B; README указывает базовую модель объединения zelk12/MT-Max-Merge_02012025163610-MU-gemma-2-MTM2MUMTM4-9B. Языки, специальные отраслевые задачи и условия лицензии в доступных сведениях не определены.

RadixArk/Muse-Glimmer-q4-MLX — это квантованный MLX-чекпойнт модели Muse Glimmer, преобразованный из BF16-экспорта поставщика. Модель предназначена для запуска на компьютерах Apple Silicon через MLX-бэкенд SGLang и ориентирована на генерацию текста. Визуальный модуль отсутствует, поэтому модель поддерживает только текстовые сценарии. Модель имеет плотную архитектуру размером 28B параметров и 52 слоя: 13 слоёв с полным вниманием без позиционных смещений и 39 слоёв со скользящим окном внимания размером 2048 токенов. Максимальный контекст составляет 131 072 токена. Используется 4-битное аффинное квантование MLX с размером группы 64; веса распределены по трём safetensors-фрагментам общим объёмом около 15 ГБ. В README не указаны языки, на которых модель обучалась. Вариант позиционируется как самый компактный и быстрый среди MLX-вариантов Muse Glimmer. На M5 Pro с 64 ГБ объединённой памяти он показал 0,975 на GSM8K и скорость декодирования до 56,9 токена в секунду при пакетном размере 8. Ограничениями являются поддержка только Apple Silicon, необходимость примерно 48 ГБ объединённой памяти или более, а также ненулевая доля нарушений в тесте CIMemories: 11,28%. По сравнению с калиброванными вариантами этот чекпойнт обеспечивает более высокое покрытие, но менее строгий профиль конфиденциальности. Лицензия в README не указана.

NearalMistral-2x7B — чат-модель семейства Mixtral с архитектурой смеси экспертов (MoE), созданная Corianas с помощью LazyMergekit путём объединения mistralai/Mistral-7B-Instruct-v0.1 и Corianas/Neural-Mistral-7B. Она предназначена для генерации текста и ответов на диалоговые запросы. В конфигурации указаны два эксперта и случайный режим маршрутизации; метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. README не приводит результаты оценки качества, подробностей о поддерживаемых языках или специальных предметных областях.

Nemotron-Labs-Diffusion-3B — плотная языковая модель NVIDIA с 3,2 млрд параметров для генерации текста и диалогов. Она поддерживает авторегрессионное декодирование и параллельное декодирование на основе диффузии: режимы переключаются изменением шаблона внимания в одной и той же модели. Режим self-speculation сочетает диффузионную подготовку черновика с авторегрессионной проверкой и общим KV-кэшем. Модель предназначена для чат-сценариев и генерации текста, где важна эффективность декодирования при разной конкурентной нагрузке. В карточке заявлены режимы AR, diffusion и self-speculation; для практического запуска README указывает Transformers версии 5.0.0 или новее. Контекст составляет 262 144 токена. README приводит ускорения для других размеров семейства и платформ, но эти показатели не следует считать результатами именно версии 3B. Модель опубликована NVIDIA в формате safetensors. Лицензия обозначена как other; README отсылает к условиям NVIDIA, поэтому перед использованием следует проверить применимые условия. Языки в предоставленных материалах не перечислены.

NeuralsirkrishnaShadow_Experiment27Inex12 — слитая языковая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и может использоваться в приложениях, которым нужны ответы или продолжения текста. Модель поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0.

NeuralsirkrishnaShadow_Strangemerges_32Experiment28 — объединённая языковая модель на архитектуре Mistral, созданная из automerger/NeuralsirkrishnaShadow-7B и automerger/Strangemerges_32Experiment28-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста, включая диалоговые сценарии и продолжение текстовых запросов. Контекст модели достигает 32 768 токенов. Репозиторий содержит веса в формате safetensors. В карточке не описаны языковая специализация или дополнительные возможности, поэтому её назначение можно определить как генерацию текста общего назначения. Модель распространяется по лицензии Apache-2.0.

JCX-kcuf/openchat_3.5-gpt-4-80k — диалоговая языковая модель на архитектуре MistralForCausalLM, дообученная на данных дистилляции GPT-4. Она основана на openchat/openchat_3.5 и предназначена для генерации ответов в формате OpenChat; для запросов используется шаблон «GPT4 Correct User: {query}GPT4 Correct Assistant: {answer}». Модель содержит 7,1 млрд параметров и имеет контекст длиной 8192 токена. Модель подходит для чат-ботов, ответов на вопросы и генерации текста по запросу. Карточка не сообщает о поддержке конкретных языков. Распространяется по лицензии Apache-2.0.

opensearch-project/opensearch-neural-sparse-encoding-doc-v3-distill — модель разреженного поиска OpenSearch Contributors. Она преобразует документы в разреженные векторы размерности 30 522, где индексы соответствуют токенам словаря, а веса отражают их важность. Для запросов используются токенизатор и таблица весов; релевантность оценивается скалярным произведением векторов. Модель предназначена для поиска документов, включая работу с инвертированным индексом OpenSearch. Модель основана на DistilBERT и распространяется в формате safetensors; её можно использовать через Sentence Transformers или в кластере OpenSearch. Контекст ограничен 512 токенами. Карточка описывает обучение на наборах данных для поиска и ранжирования, а также сравнение серии v3 с предыдущими версиями на подмножестве BEIR. Репозиторий содержит Apache-2.0 лицензию.

Это экспериментальная полноразмерная слитая модель Qwen3.5-9B от автора LSW142857, подготовленная для генерации текста и решения задач по программированию. В основе — экспертно дообученный чекпойнт из jiaxingx/privilege-code-opsd-ckpts; затем модель обучали методом OPSD на задачах, где ошибался ученик, с адаптивным режимом Medium. Артефакт содержит объединённые обновления LoRA и модуль MTP, поэтому отдельный адаптер для запуска не нужен. Модель проверяют на подмножестве из 100 задач SWE-Gym. README не приводит итоговую метрику качества: оценивание ещё продолжается, и результаты нельзя трактовать как оценку на SWE-bench Verified. Для обучения указан контекст 131072 токена; параметры текущего оценочного запуска допускают до 262144 токенов, но это не подтверждает изменение нативного контекста модели. Модель предназначена для генерации ответов и кода в диалоговом формате. Репозиторий опубликован публично с разрешения владельца, однако конкретная лицензия в предоставленных данных не названа.

google/paligemma-3b-ft-cococap-224 — модель компьютерного зрения и языка от Google, дообученная для создания подписей к изображениям на COCO. Она принимает изображение и текстовую подсказку и генерирует текстовое описание изображения. Модель относится к семейству PaliGemma, сочетающему визуальную часть SigLIP с языковой моделью Gemma; вариант рассчитан на входное разрешение 224 пикселя. Карточка описывает поддержку нескольких языков, но не перечисляет их для этой версии. Модель подходит для автоматического создания коротких подписей к изображениям и задач, где требуется преобразовать визуальное содержание в текст. PaliGemma рассчитана на один ход и не предназначена для многоходового диалога; для наиболее надёжной работы её следует применять в задаче, соответствующей дообучению. Возможны фактические ошибки, слабая работа с неоднозначными или сложными запросами и унаследованные от Gemma смещения. Лицензия — Gemma.

Deepchecks parrot_fluency_model_onnx — ONNX-оптимизированная модель классификации текста, разработанная Deepchecks на основе оригинальной parrot_fluency_model. Она предназначена для оценки беглости и естественности англоязычных предложений и текстовых фрагментов с использованием pipeline text-classification. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и поддерживает входной контекст длиной до 512 токенов. Модель ориентирована на запуск на GPU через ONNX Runtime и может применяться для автоматической фильтрации, проверки качества и ранжирования англоязычных текстов по их fluency. ONNX-формат и интеграция с Optimum упрощают пакетный инференс; в README приведён пример обработки нескольких предложений с размером батча 64. Лицензия — Apache-2.0. Производительность и результаты могут отличаться при запуске на CPU по сравнению с GPU. Модель предназначена для оценки беглости текста, поэтому её выводы не следует автоматически трактовать как полноценную проверку фактической корректности, стиля или содержания.

PiVoT-0.1-early-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием Mistral-7B-Instruct-v0.2 и PiVoT-0.1-early методом SLERP. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров, предназначенная для генерации текста и ответов на инструкции в диалоговом формате. Контекст составляет до 32 768 токенов. Модель может применяться для ведения диалога и генерации ответов на текстовые запросы. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Карточка описывает конфигурацию слияния, но не приводит отдельные оценки качества или подробные ограничения для получившейся модели.