I.14Автоматизация процессов и AI-агенты

TheWirelessPhoenix/DeepSeek-R1-Distill-Qwen-14B-abliterated-v2-mlx_4bit — это конвертированная в формат MLX версия модели huihui-ai/DeepSeek-R1-Distill-Qwen-14B-abliterated-v2. Конвертация выполнена с использованием mlx-lm версии 0.32.0. Модель предназначена для генерации текста и запуска через библиотеку mlx-lm, в том числе в приложениях, использующих экосистему MLX. Модель основана на варианте DeepSeek-R1-Distill-Qwen-14B и имеет размер 14B параметров; доступная версия использует 4-битное представление, что может снизить требования к памяти при запуске. Указана текстовая модальность и задача text-generation. Поддержка языков и размер контекстного окна в README не указаны. Для работы требуется установить mlx-lm и загрузить модель через API load и generate; при наличии chat_template можно применять диалоговый формат сообщений. К заявленным особенностям относятся теги abliterated и uncensored, однако README не содержит подробного описания методики, качества, результатов тестирования или ограничений такого варианта. Лицензия в предоставленных данных не указана, поэтому условия использования и допустимость коммерческого применения необходимо уточнять по карточке исходной модели и репозиторию модели.

Это объединённая линейным слиянием модель языковых моделей deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B и Qwen/Qwen2.5-Math-1.5B, созданная автором репозитория с помощью mergekit. Она предназначена для генерации текста в диалоговом формате и может применяться для решения математических задач и задач программирования благодаря возможностям исходных моделей.

DenseOn-unsupervised — модель LightOn для плотного поиска по текстам, выпущенная после первого этапа обучения семейства DenseOn. Это Sentence Transformer на базе ModernBERT с 149 млн параметров: он кодирует текст в векторы размерности 768, которые можно сравнивать по косинусному сходству. Максимальная длина последовательности в README — 512 токенов; метаданные указывают контекст до 8192 токенов, поэтому фактическое ограничение зависит от используемой конфигурации и способа запуска. Модель прошла масштабное контрастивное предобучение без последующей настройки на сложных отрицательных примерах. Она предназначена прежде всего как основа для дообучения на предметных данных, экспериментов с дистилляцией и исследования этапов обучения ретриверов. Для готовых производственных сценариев авторы рекомендуют полностью обученную DenseOn. Модель рассчитана на английский язык и задачи извлечения признаков и семантического сходства предложений. Распространяется по лицензии Apache 2.0.

Dialog2Flow single target model (DSE-base) — модель эмбеддингов предложений, представленная Серхио Бурдиссо как вариант D2F_single из работы Dialog2Flow, опубликованной на EMNLP 2024. Она использует дообученную основу aws-ai/dse-bert-base и библиотеку Sentence Transformers; модель преобразует предложения и абзацы в плотные векторы размерности 768 для поиска и кластеризации. Модель ориентирована на извлечение потоков диалога и представление фраз в задачах, связанных с диалогами. Она обучалась на наборах sergioburdisso/dialog2flow-dataset и Salesforce/dialogstudio, а контекст ограничен 512 токенами. Для работы с Transformers требуется применить соответствующую операцию pooling к контекстным векторам слов. Модель поддерживает английский язык и распространяется по лицензии MIT. Указанные в статье результаты показывают улучшение относительно варианта на BERT-base, однако качество зависит от задачи и способа формирования представлений; README не приводит подробных результатов или рекомендаций по эксплуатации.

badokorach выпустил дообученную модель DistilBERT для поиска ответа на вопрос в предоставленном тексте. Она основана на distilbert/distilbert-base-cased-distilled-squad и предназначена для сценариев вопросно-ответного поиска, например извлечения ответа из фрагмента документа. Модель использует плотную архитектуру DistilBERT, принимает текст и рассчитана на контекст до 512 токенов. В карточке указаны результаты обучения на неизвестном наборе данных: train loss 0,8057, validation loss 0,0 за 14 эпох. Данные о качестве на конкретных задачах и целевых языках не приведены. Модель распространяется в формате TensorFlow по лицензии Apache-2.0.

Многоязычная модель Manuel Romero для обнаружения опечаток в тексте. Она основана на distilbert-base-multilingual-cased и дообучена на GitHub Typo Corpus с разметкой в стиле NER: модель классифицирует токены, отмечая ошибочные фрагменты. Подходит для автоматической проверки текста и поиска опечаток в пользовательском вводе, например в сообщениях и кодовых комментариях. В README указаны результаты на тестовом наборе: F1 93,51, точность 96,08 и полнота 91,06. Модель использует архитектуру DistilBERT для классификации токенов, принимает текст и имеет контекст до 512 токенов. Карточка сообщает об обучении на корпусе для 15 языков; среди языков, перечисленных в метаданных, есть английский, китайский, японский, русский, французский, немецкий, португальский, испанский, корейский и хинди. Лицензия в предоставленных данных не указана.

DIVER-GroupRank-32B — ранжировщик текстовых фрагментов, обученный авторами работы GroupRank с применением обучения с подкреплением. Модель основана на Qwen/Qwen2.5-32B-Instruct и использует архитектуру Qwen2ForCausalLM с 32 млрд параметров. При ранжировании она получает запрос и небольшую группу кандидатов, сравнивает их с учётом контекста группы и генерирует оценки релевантности для отдельных фрагментов. Модель предназначена для переранжирования результатов информационного поиска, в том числе запросов, требующих рассуждений. Авторы сообщают о результатах на тестах BRIGHT и R2MED и о способности переносить качество на классические задачи поиска. Заявленная в README длина контекста — 40 тысяч токенов; в метаданных каталога указано 32 768 токенов. Поддерживаются китайский и английский языки. Доступны веса в формате safetensors, библиотека — Transformers. Модель подходит для уточнения порядка найденных документов после первичного поиска. Для скоринга она генерирует текстовые оценки, поэтому её применение требует настройки формата входа и обработки выходов; подробности использования и требования к оборудованию в предоставленной карточке не раскрыты. Лицензия — Apache-2.0.

Donnager-70B-v1 — плотная языковая модель семейства Llama с примерно 68,7 млрд параметров, опубликованная BeaverAI. Модель предназначена для генерации текста и диалогового использования; карточка перечисляет шаблоны чата Metharme, Text Completion, Mistral, Alpaca и Vicuna. Модель принимает текст и генерирует текст. В метаданных указан контекст длиной 32 764 токена и формат весов safetensors. Автор благодарит @invisietch за базовую модель, однако её идентификатор не приведён. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензией репозитория.

robzchhangte/e5-base-mizo — модель Sentence Transformer, дообученная автором на базе intfloat/multilingual-e5-base для преобразования текстов на мизо в плотные векторные представления и поиска по смыслу. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений и нормализацией; модель содержит 305,2 млн параметров, выдаёт эмбеддинги размерности 768 и принимает последовательности длиной до 512 токенов. Модель предназначена для семантического поиска и сопоставления предложений или абзацев, в том числе для retrieval-сценариев. Для сравнения векторов используется косинусное сходство. Карточка указывает дообучение на примерах anchor, positive и negative; отдельная лицензия в предоставленных данных не приведена.

jphme/em_german_leo_mistral — диалоговая языковая модель семейства EM German, разработанная для генерации и понимания немецкого текста. Это плотная модель Mistral с 7,1 млрд параметров, обученная следовать разнообразным инструкциям на немецком языке и основанная на LeoLM Mistral — модели Mistral с дополнительным предварительным обучением на немецких текстах. Модель рассчитана на ответы ассистента, диалог и другие сценарии генерации текста на немецком языке; в карточке также упоминается специальный формат промпта для RAG. Она использует формат запросов Vicuna, а размер контекста составляет 32 768 токенов. Для запуска нужны совместимые библиотеки: README отмечает, что новая на момент публикации архитектура Mistral поддерживалась не всеми библиотеками. Модель выпущена под лицензией Apache-2.0. Авторы рекомендуют её как сбалансированный по качеству и вычислительным требованиям вариант семейства, но предупреждают, что результаты могут различаться в зависимости от версии и сценария; при неудовлетворительном качестве предлагают попробовать другую или более крупную модель. В README также сказано, что модель предназначена только для исследовательского использования.

ERNIE-4.5-0.3B-PT — компактная текстовая плотная авторегрессионная модель семейства ERNIE 4.5, разработанная Baidu. Это вариант с весами PyTorch для Transformers; модель прошла постобучение и предназначена для понимания и генерации текста, включая диалоговые сценарии. Она содержит 318,2 млн параметров и поддерживает контекст до 131 072 токенов. Для запуска через библиотеку Transformers требуется версия 4.54.0 или новее; также в README приведён пример обслуживания через vLLM. Модель принимает и генерирует текст. В карточке указаны английский и китайский языки. Лицензия Apache-2.0. Карточка описывает ERNIE 4.5 в целом как мультимодальное семейство, но именно вариант 0.3B-PT обозначен как текстовая модель, поэтому возможности обработки изображений ему не приписываются.

Experiment26Yam_Experiment24Ognoexperiment27 — объединённая модель на базе двух моделей Mistral, разработанная авторами исходных моделей automerger/Experiment26Yam-7B и automerger/Experiment24Ognoexperiment27-7B. Она предназначена для генерации текста и может использоваться в приложениях, где требуется продолжение текста или ответы в текстовом формате. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0.

Experiment26Yamshadow_NeuralExperiment26 — объединённая модель на архитектуре Mistral, созданная из automerger/Experiment26Yamshadow-7B и automerger/NeuralExperiment26-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста; поддерживает контекст до 32 768 токенов. Модель подходит для продолжения текста и генерации ответов по текстовым запросам. Она распространяется в формате safetensors по лицензии Apache 2.0. Карточка не описывает специальные возможности, целевые языки или ограничения качества.

MaziyarPanahi/Experiment26Yamshadow_Strangemerges_32Yam — объединённая модель для генерации текста, созданная на основе automerger/Experiment26Yamshadow-7B и automerger/Strangemerges_32Yam-7B. Она использует плотную архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель подходит для генерации продолжений и ответов на текстовые запросы в сценариях, где требуется учитывать длинный контекст. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. Сведения о специальных предметных областях и поддерживаемых естественных языках не приводятся.

Experiment26Yamshadow_T3qM7 — объединённая модель Mistral, созданная на основе automerger/Experiment26Yamshadow-7B и automerger/T3qM7-7B. Она предназначена для генерации текста и диалоговых сценариев на базе причинной языковой модели с 7,1 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель может использоваться для продолжения текста и создания ответов на текстовые запросы. Для неё указана лицензия Apache 2.0. Карточка не описывает специализированные области применения или конкретные языковые возможности, поэтому модель следует считать общего назначения.

Experiment27pasticheYamshadowexperiment28-7B — автоматическое слияние моделей, созданное Maxime Labonne с помощью mergekit. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров для генерации текста, включая диалоги. Слияние выполнено методом DARE TIES; в конфигурации указаны плотность 0,53 и вес 0,6 для automerger/YamshadowExperiment28-7B, а в качестве базовой модели — automerger/Experiment27Pastiche-7B. Модель принимает текст и генерирует текст. Заявленная длина контекста — 32 768 токенов; веса доступны в формате Safetensors. Поддерживаемые языки в предоставленных данных не перечислены. Лицензия — Apache-2.0.

Experiment28M7_AlloyingotneoyExperiment24 — объединённая методом SLERP модель семейства Mistral, созданная на основе automerger/Experiment28M7-7B и automerger/AlloyingotneoyExperiment24-7B. Она содержит 7,1 млрд параметров и предназначена для генерации текста, в том числе в сценариях, где нужен длинный контекст до 32 768 токенов. Модель принимает текст и выдаёт текст; сведения о конкретных языковых специализациях и прикладных областях в карточке отсутствуют. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Experiment28M7_Experiment26Experiment24 — объединённая модель для генерации текста, созданная из automerger/Experiment28M7-7B и automerger/Experiment26Experiment24-7B. Она построена на архитектуре Mistral и содержит 7,1 млрд параметров. Модель принимает текст и генерирует текст; заявленная длина контекста — до 32 768 токенов. Карточка не описывает специализированные сценарии или языки обучения. Модель распространяется в формате Safetensors по лицензии Apache 2.0.

Experiment28M7_Inex12Experiment28 — объединённая модель генерации текста, созданная MaziyarPanahi на основе automerger/Experiment28M7-7B и automerger/Inex12Experiment28-7B. Она построена на архитектуре Mistral и содержит 7,1 млрд параметров; модель предназначена для генерации текста и диалогов с контекстом до 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не сообщает о специализированной предметной области или дополнительных возможностях.

MaziyarPanahi/Experiment28T3q_Experiment24Ognoexperiment27 — объединённая модель семейства Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Она создана путём слияния automerger/Experiment28T3q-7B и automerger/Experiment24Ognoexperiment27-7B. Модель предназначена для генерации текста и может использоваться в приложениях, которым нужны ответы или продолжения текста. Она принимает текст и выдаёт текст; заявленная длина контекста составляет 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0. README не описывает конкретные преимущества, целевые сценарии или результаты оценки качества, поэтому их нельзя надёжно определить по доступным данным.

Experiment28T3q_Experiment28Yam — объединённая модель MaziyarPanahi на архитектуре Mistral, созданная слиянием automerger/Experiment28T3q-7B и automerger/Experiment28Yam-7B. Она предназначена для генерации текста и принимает текстовые запросы, выдавая текстовые продолжения. Модель содержит 7,1 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. Репозиторий указывает лицензию Apache-2.0. Карточка не описывает специальные области применения или отдельные языковые возможности модели.

MaziyarPanahi/Experiment28T3q_Ognoexperiment27Multi_verse_model — объединённая текстовая модель на архитектуре Mistral, созданная на основе automerger/Experiment28T3q-7B и automerger/Ognoexperiment27Multi_verse_model-7B. Она предназначена для генерации текста; размер модели составляет 7,1 млрд параметров, а контекст — до 32 768 токенов. Модель распространяется в формате safetensors под лицензией Apache-2.0. Данных о специализации на конкретных языках или областях применения в карточке нет.

jaspionjader/f-8-8b — объединённая методом SLERP языковая модель, созданная с помощью mergekit на основе jaspionjader/f-5-8b и jaspionjader/f-7-8b. Модель относится к семейству Llama, использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Она предназначена для генерации текста и диалогового общения. Модель принимает текст и генерирует текст; максимальный родной контекст составляет 8192 токена. Веса представлены в формате safetensors. Языки, на которые модель рассчитана, и лицензия в использованных сведениях не приведены.

Necklace/faster-nb-whisper-large — конверсия модели NbAiLab/nb-whisper-large в формат CTranslate2 для запуска через CTranslate2 и проекты на его основе, например faster-whisper. Модель предназначена для автоматического распознавания речи; в карточке указана поддержка норвежского языка. Веса сохранены в FP16, а при загрузке можно выбрать другой compute_type в CTranslate2. Репозиторий распространяется по лицензии Apache-2.0.

NeuML/fasttext — экспорт английских векторов FastText Wiki News размерности 300 из набора wiki-news-300d-1M-subword.vec.zip в формат библиотеки staticvectors. Модель предназначена для получения векторных представлений слов и вычисления сходства между предложениями; запуск инференса в Python с NumPy обеспечивает работу без отдельной нейросетевой среды. Репозиторий содержит плотные статические векторы в формате safetensors. Модель рассчитана на английский язык и применяется в задачах семантического сравнения текстов. Лицензия — CC BY-SA 3.0, предусматривающая указание авторства и распространение производных материалов на совместимых условиях.

Fox-1-1.6B-Instruct-v0.1 — компактная языковая модель TensorOpera AI с архитектурой decoder-only Transformer семейства Llama и примерно 1,7 млрд параметров. Это версия базовой Fox-1-1.6B, дообученная методом SFT на инструкциях и данных многоходовых диалогов. Модель предназначена для генерации текста, выполнения инструкций и диалоговых сценариев на английском языке. Она использует Grouped Query Attention с 16 головами внимания и 4 головами ключей и значений; нативная длина контекста составляет 8192 токена. В README приведены результаты оценки на наборах ARC Challenge, HellaSwag, TruthfulQA, MMLU, Winogrande и GSM8k. Разработчик предупреждает, что перед производственным использованием модели требуется дополнительное выравнивание. Модель распространяется по лицензии Apache-2.0.

FRED-T5-Summarizer — русскоязычная модель для суммаризации текста, обученная SberDevices. Она основана на архитектуре T5 и имеет около 870,1 млн параметров. Модель обучалась на смеси открытых русскоязычных наборов данных для суммаризации, включая RussianNLP/Mixed-Summarization-Dataset, и использует префиксный токен «\». Репозиторий содержит веса в формате safetensors. Модель предназначена для создания краткого изложения исходного текста на русском языке. Её можно применять для подготовки выжимок из статей, документов и других текстовых материалов. Распространяется по лицензии MIT. В карточке не приведены сведения о длине контекста и результаты оценки качества.

najahaja/ftbench-qlora-llama3.2-3b — языковая модель для генерации текста на базе семейства Llama с размером 3,2 млрд параметров. Модель опубликована пользователем najahaja и предназначена для работы через библиотеку Transformers; поддерживает задачу text-generation и имеет контекстное окно до 131 072 токенов. Модель можно применять для генерации ответов, продолжения текста, диалоговых сценариев и встраивания в приложения, которым требуется локальная или серверная генерация текста. Метаданные содержат тег conversational, поэтому модель может использоваться в чатовых интерфейсах, однако подробности о формате диалога, данных дообучения и методе QLoRA в карточке не описаны. Сильными сторонами являются относительно компактный размер для языковой модели и длинный контекст. В README отсутствуют сведения о разработчике, языках, лицензии, обучающих данных, результатах оценки, ограничениях и рекомендуемых сценариях использования, поэтому качество, безопасность и юридические условия применения необходимо проверять отдельно.

Cactus-Compute разработала Cactus Hybrid — дообученную диалоговую Gemma 4 E2B IT с дополнительным пробником, который оценивает вероятность ошибки в ответе и выдаёт оценку уверенности от 0 до 1. Модель предназначена для локального запуска и маршрутизации запросов: ответы с высокой уверенностью можно показывать сразу, а запросы с низкой — передавать более крупной модели. В каталоге указано 1,6 млрд параметров, архитектура Gemma4E2BItHybridForCausalLM, текстовая генерация и контекст до 131 072 токенов. Оценка уверенности передаётся в виде структурированного трейлера в конце ответа и рассчитана на поддержку маршрутизации, в том числе для ответов на текстовые и аудиозадачи. README приводит результаты AUROC на наборах MMLU, MMLU-Pro, ARC-Easy и аудиотестах. Базовая модель Gemma 4 E2B IT мультимодальна, однако описание этого репозитория подтверждает текстовую генерацию и работу пробника по скрытым состояниям; отдельные входы изображений или аудио в интерфейсе модели здесь не описаны. Для получения трейлера уверенности требуется запуск через Transformers с `trust_remote_code`; не поддерживаются continuous batching, пакетная генерация, beam search и assisted/speculative decoding. Пробник оценивает не более первых 1024 сгенерированных токенов. Лицензия — Gemma.

Это неофициальная обёртка для Transformers модели GigaAM-v2-CTC, первоначально выпущенной SberDevices. Она предназначена для распознавания русской речи из аудио с декодированием beam search и повторным ранжированием гипотез внешней n-граммной языковой моделью. Обёртка поддерживает извлечение временных меток слов; для этой реализации указан шаг 40 мс. Модель использует архитектуру Conformer с CTC-декодированием и доступна через интерфейс библиотеки Transformers. Модель подходит для транскрибации русской речи, в том числе с получением временных границ слов. Для работы требуются PyTorch, torchaudio и Transformers; в карточке приведены версии 2.7.1, 2.7.1 и 4.49.0 соответственно. Репозиторий распространяется по лицензии MIT. Качество распознавания может зависеть от акустических условий и соответствия речи обучающим данным; количественные оценки качества в карточке не приведены.