I.14Автоматизация процессов и AI-агенты

GigaAM Multilingual — семейство моделей распознавания речи, разработанное ai-sage. В него входят модели на базе Conformer размером 220 млн и 600 млн параметров: варианты ssl и large_ssl представляют собой самоконтролируемые энкодеры, а ctc и large_ctc дополнены символьными CTC-декодерами для автоматического распознавания речи. Предварительное обучение выполнено на 2 млн часов речи более чем на 70 языках, а варианты для распознавания речи дообучены на 50 тыс. часов аудио. Модель предназначена для преобразования речи в текст. README сообщает о высоком качестве среди открытых моделей для русского, казахского, кыргызского и узбекского языков и умеренном качестве для английского. В приведённых сравнениях качество различается по языку и набору данных: например, на английском Whisper large v3 и Seamless M4T large v2 показывают меньшую долю ошибок на некоторых тестах. Варианты ssl можно адаптировать к новым языкам. Модели распространяются по лицензии MIT.

cstr/gigaam-v3-GGUF — это набор конвертированных и квантизированных представлений модели GigaAM-v3, разработанной ai-sage. Модель предназначена для автоматического распознавания русской речи и транскрибации аудиозаписей, в частности для использования с backend gigaam в CrispASR. Репозиторий содержит только преобразование формата и численного представления весов без обучения, дообучения или изменения архитектуры и возможностей исходной модели. GigaAM-v3 — Conformer-модель примерно на 220 млн параметров, предварительно обученная на около 700 тыс. часов русской речи с целью HuBERT-CTC. Доступны варианты с головами RNN-T и CTC, а также SentencePiece-вокабуляром или посимвольным кириллическим вокабуляром. Варианты e2e поддерживают пунктуацию, регистр и inverse text normalization; посимвольные варианты выдают строчные буквы без пунктуации. Форматы f16, q8_0 и q4_k занимают примерно 449–154 МБ. Аудио должно быть монофоническим с частотой 16 кГц, а практическое окно обработки составляет около 25 секунд. Вариант e2e-rnnt-q8_0 рекомендуется как наиболее точный и сбалансированный: он показывает средний WER 8,4%, сохраняет результаты PyTorch-эталона и обеспечивает меньший размер по сравнению с f16. CTC быстрее декодируется, а q4_k экономит память, но может немного снижать точность регистра и пунктуации. Длинные записи требуют нарезки, обычно выполняемой средствами VAD и chunking в CLI; модель использует полное внимание с квадратичной сложностью по длине последовательности. Распространение выполняется по лицензии MIT, унаследованной от исходной модели.

GLM-4.1V-9B-Thinking — мультимодальная модель с открытыми весами от Zhipu AI, дообученная на базе GLM-4-9B-0414 для рассуждений по тексту и изображениям. Она предназначена для визуальных вопросов и ответов, решения сложных задач и мультимодальных сценариев с длинным контекстом. Модель семейства GLM-4V имеет плотную архитектуру и около 9 млрд параметров. Она принимает изображения произвольного соотношения сторон разрешением до 4K и поддерживает контекст до 64 тыс. токенов. Заявлена двуязычная работа на китайском и английском языках; для запуска в README приведён пример с библиотекой Transformers. Разработчики сообщают о сильных результатах в математике и на визуальных бенчмарках, включая задачи, где модель сопоставима с более крупными системами. Это заявление основано на оценках авторов и не гарантирует аналогичное качество во всех прикладных сценариях. Модель распространяется по лицензии MIT.

GLM-4-32B-Base-0414 — плотная авторегрессионная языковая модель семейства GLM-4, разработанная Z.ai. В репозитории указаны 31,6 млрд параметров, предварительное обучение на 15 трлн единиц высококачественных данных и контекст до 32 768 токенов. Модель предназначена для генерации текста и служит базой для дальнейшего дообучения и постобучения; в карточке также описаны результаты семейства GLM-4-32B-0414 в генерации кода, вызове функций, ответах на вопросы с поиском и подготовке отчётов. Карточка указывает китайский и английский языки. Весы доступны в формате safetensors, библиотека — Transformers. Лицензия MIT. Несмотря на название Base, README смешивает описание базовой модели и всей серии, поэтому возможности диалога, вызова функций и рассуждений не следует считать гарантированными свойствами именно этого чекпойнта.

GLM-5.3-Flash-UD-Q4_K_XL-layers — пакет слоёв модели GLM-5.3-Flash для распределённого инференса в Mesh LLM. Пакет подготовлен на основе unsloth/GLM-5.3-Flash-GGUF: исходный GGUF разделён на артефакты по слоям, чтобы запускать модель на нескольких машинах, объединяя их память и вычислительные ресурсы. Вариант пакета — UD-Q4_K_XL; репозиторий содержит файлы в формате GGUF и предназначен для локального запуска. Модель рассчитана на диалоговую генерацию текста, приватный локальный инференс и обслуживание запросов через совместимый с OpenAI API Mesh LLM. Разбиение по машинам подходит для случаев, когда полный GGUF не помещается на одном узле. В метаданных указаны библиотека mesh-llm и лицензия MIT. Подробности об архитектуре исходной модели, контекстном окне и языках следует сверять с карточкой исходной модели.

GPT4All-Falcon — языковая модель Nomic AI, дообученная на базе Falcon 7B на большом отобранном корпусе взаимодействий с ассистентом. Это плотная авторегрессионная модель архитектуры RefinedWebModel с 10,9 млрд параметров, предназначенная для генерации текста в диалоговом формате. Модель подходит для многошаговых диалогов, ответов на вопросы и генерации текстов, включая решение словесных задач, написание кода, стихов, песен и историй. В карточке заявлена поддержка английского языка. Для запуска используются Transformers и PyTorch; доступны веса в форматах PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0. Качество ответов может быть непоследовательным, а результаты по отдельным задачам зависят от формулировки запроса; карточка не приводит здесь подробных гарантий качества или ограничений.

GPT-5 Nano — самая компактная и быстрая версия системы GPT-5 от OpenAI. Она предназначена для инструментов разработчика, быстрых взаимодействий и сценариев с очень низкой задержкой. Доступный фрагмент карточки характеризует её как модель с меньшей глубиной рассуждений по сравнению с более крупными вариантами GPT-5.

Granite-speech-3.3-2b — компактная речевая языковая модель IBM, основанная на granite-3.3-2b-instruct и адаптированная к обработке аудио. Она предназначена прежде всего для автоматического распознавания речи (ASR) и автоматического перевода речи (AST), а также поддерживает текстовые сценарии через базовую языковую модель. Модель использует двухэтапную схему: сначала преобразует аудио в текст, затем по отдельному вызову обрабатывает этот текст языковой моделью. Модель поддерживает речевой ввод на английском, французском, немецком, испанском и португальском языках. Она ориентирована на преобразование речи в текст и перевод между этими языками и английским, а также на перевод с английского на японский и мандаринский китайский. В версии 3.3.2 улучшена точность распознавания английской речи благодаря более глубокому акустическому энкодеру и дополнительным данным обучения. Модель содержит около 2 млрд параметров; точное максимальное окно контекста в README не указано. Сильными сторонами являются компактность, мультиязычность, поддержка ASR и AST и пригодность для корпоративных приложений, работающих с речевыми данными. Ограничение двухпроходной архитектуры заключается в необходимости явно выполнять отдельный второй вызов для обработки транскрибированного текста. Лицензия — Apache 2.0.

Granite-speech-3.3-8b — компактная речевая языковая модель IBM, основанная на Granite 3.3 8B Instruct и выпущенная в редакции 3.3.2 19 июня 2025 года. Она предназначена для автоматического распознавания речи (ASR), автоматического перевода речи (AST), а также текстовых задач при работе без аудио. Модель использует двухэтапную схему: сначала преобразует аудио в текст, затем отдельным вызовом обрабатывает полученный текст с помощью базовой языковой модели Granite. Модель поддерживает входную речь на английском, французском, немецком, испанском и португальском языках. Она ориентирована на преобразование речи в текст и перевод между этими языками и английским, а также на перевод с английского на японский и китайский (мандарин). В редакции 3.3.2 применены дополнительные обучающие данные и более глубокий акустический энкодер, что улучшает точность транскрибации, особенно для английского языка. Модель рассчитана на корпоративные приложения, обрабатывающие речевые данные, и поддерживается библиотеками Transformers и vLLM. Ключевое ограничение — необходимость явно выполнять второй этап для обработки транскрибированного текста, поскольку распознавание речи и языковая обработка не объединены в один проход. Размер модели составляет около 8 миллиардов параметров согласно идентификатору и базовой модели, однако точная архитектура и максимальная длина контекста в предоставленных данных не указаны. Модель распространяется по лицензии Apache 2.0.

Granite-Speech-4.1-2B-NAR — модель распознавания речи от IBM, предназначенная для быстрой транскрипции в сценариях, чувствительных к задержке. Она обрабатывает аудио и выдаёт текст на английском, французском, немецком, испанском и португальском языках. Репозиторий построен на базе granite-4.0-1b-base и использует архитектуру NLE: CTC-энкодер речи на Conformer, Q-Former-проектор и двунаправленный LLM-редактор с LoRA. Вместо последовательной генерации модель за один проход исправляет гипотезу CTC, что ускоряет вывод; заявленная производительность составляет около 1820 RTFx на H100 при пакетной обработке. Модель рассчитана на автоматическое распознавание речи, а не на генерацию произвольного текста. Точность зависит от языка и акустических условий; качество может быть ниже для португальского, при дальнем микрофоне и перекрывающейся речи. Консервативное редактирование снижает риск добавления слов, но в шумной записи модель может пропускать слова. Лицензия — Apache 2.0.

ErrareHumanumEst/gr-audit-mod3-prewarm — языковая модель для генерации текста на базе семейства Qwen3, доступная для работы через библиотеку Transformers. Модель содержит 1,7 млрд параметров и поддерживает контекст длиной до 40 960 токенов. Модель предназначена для диалоговой генерации, продолжения текста, подготовки черновиков и интеграции в приложения, которым требуется генерация естественно-языковых ответов. Метаданные указывают на conversational-сценарии и задачу text-generation; сведения о разработчике, обучающих данных, поддерживаемых языках, лицензии и результатах оценки в предоставленной карточке отсутствуют.

gwen2-coder — языковая модель, разработанная пользователем harryng4869. Она создана посредством дообучения модели unsloth/qwen2.5-7b-bnb-4bit с использованием библиотек Unsloth и Hugging Face TRL. В карточке указана поддержка английского языка. Модель предназначена для задач генерации текста и может использоваться в сценариях, поддерживаемых инфраструктурой Transformers и Text Generation Inference. Архитектура, точное число параметров, размер контекстного окна, набор модальностей и данные обучения не указаны. Также отсутствуют сведения о специализированных возможностях, качестве, ограничениях и результатах тестирования. Модель распространяется по лицензии Apache-2.0.

MotherEarth/Hermes-Storm-lorablated — объединённая языковая модель на архитектуре Llama, созданная методом SLERP с помощью mergekit из akjindal53244/Llama-3.1-Storm-8B и mlabonne/Hermes-3-Llama-3.1-8B-lorablated. Модель содержит 7,5 млрд параметров, предназначена для генерации текста и диалогового взаимодействия; метаданные указывают контекст длиной до 131 072 токенов. Модель подходит для диалоговых сценариев и генерации ответов на текстовые запросы. В карточке не описаны отдельные специализированные области применения или подтверждённые дополнительные возможности. Файлы представлены в формате safetensors, библиотека — Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Hubble 4B v1 — языковая модель, дообученная BeaverAI на базе NVIDIA Llama 3.1 4B Minitron, компактной версии Llama 3.1 8B. Модель предназначена для диалогов и генерации текста; поддерживает формат ChatML и режим продолжения текста. Архитектура — плотная LlamaForCausalLM, размер — 3,9 млрд параметров, контекст — до 131 072 токенов. Модель обучалась на данных в формате ChatML с токеном конца последовательности ``. В README указана совместимость с Kobold 1.74; поддержка Layla для iOS и Android на момент описания находилась в разработке. В метаданных указана лицензия «other», поэтому условия использования следует сверить с лицензией репозитория перед применением.

IndicBERT — мультиязычная модель семейства ALBERT, разработанная AI4Bharat и предварительно обученная на корпусе примерно из 8,9 млрд токенов. Она охватывает 12 языков, включая ассамский, бенгальский, английский, гуджарати, хинди, каннада, малаялам, маратхи, ория, пенджаби, тамильский и телугу. По размеру модель компактнее mBERT и XLM-R; в оценках на IndicGLUE и дополнительных задачах она показала сопоставимые или более высокие результаты по отдельным метрикам. Модель предназначена для дообучения и применения в классификации новостей и отзывов, анализе тональности, предсказании заголовков и разделов, а также в задачах выбора ответа на вопросы. В отчёте об оценке использовалась максимальная длина последовательности 128 токенов; результаты различаются между задачами, и, например, на некоторых тестах анализа тональности IndicBERT уступает XLM-R. Репозиторий содержит веса PyTorch. Лицензия — MIT.

Inspire-7B-slerp — объединённая языковая модель, созданная методом SLERP с помощью mergekit на основе cognitivecomputations/dolphin-2.8-mistral-7b-v02 и mlabonne/AlphaMonarch-7B. Это плотная Mistral-модель с 7,1 млрд параметров для генерации текста и диалогового общения; она принимает текст и выдаёт текст, а заявленная длина контекста составляет 32 768 токенов. Модель подходит для диалоговых приложений и генерации ответов на текстовые запросы. Карточка не описывает отдельную специализацию, языки, результаты оценки качества или дополнительные возможности помимо чата и генерации текста. Используются веса Safetensors; сведения о лицензии в предоставленных данных отсутствуют.

chargoddard/internlm2-20b-llama — преобразованная версия InternLM2-20B, представленная в формате весов Llama. Репозиторий содержит веса safetensors для генерации текста; модель имеет плотную архитектуру LlamaForCausalLM, около 19,3 млрд параметров и контекстное окно до 32 768 токенов. В метаданных указаны английский и китайский языки. Модель подходит для генерации и продолжения текста. Она основана на internlm/internlm2-20b и распространяется на условиях лицензии InternLM; метаданные обозначают лицензию как other.

OpenGVLab/InternVL-14B-Flickr30K-FT-364px — дообученная мультимодальная модель InternVL для поиска соответствий между изображениями и текстами. Она принимает изображения размером 364 × 364 пикселя и текстовые описания; обучение для задач retrieval выполнено на Flickr30K на основе OpenGVLab/InternVL-14B-224px. Архитектура InternVL объединяет зрительный трансформер ViT с языковой моделью; размер модели — 14 млрд параметров. Модель предназначена для извлечения признаков и поиска текста по изображению или изображения по тексту. При использовании README требует добавлять префикс «summarize:» и устанавливать tokenizer.pad_token_id в 0, иначе результаты могут быть некорректными. Репозиторий распространяется по лицензии MIT.

InternVL3.5-30B-A3B — мультимодальная модель OpenGVLab из семейства InternVL3.5, дообученная на основе OpenGVLab/InternVL3_5-30B-A3B-MPO. Она сочетает обработку изображений и текста для диалога, ответов на вопросы и решения задач на визуальное рассуждение; поддерживает многоязычные сценарии. Архитектура реализована классом InternVLChatModel и рассчитана на запуск через Transformers. В репозитории представлены веса в формате safetensors. В README описаны методы Cascade RL для улучшения рассуждений и Visual Resolution Router для динамической настройки разрешения визуальных токенов, а также варианты развертывания мультимодальной системы. Для моделей семейства размером до 30 млрд параметров заявлена возможность запуска на одном GPU A100; точный размер этой конкретной модели в приведенных данных не указан. По README семейство также поддерживает взаимодействие с GUI и embodied-сценарии, однако отдельная оценка этих возможностей для данного чекпойнта не приводится. Модель подходит для анализа изображений, визуальных вопросов и мультимодального общения. Карточка опубликована под лицензией Apache-2.0. Практическое применение требует значительных вычислительных ресурсов; качество зависит от изображения и формулировки запроса, а в предоставленной карточке нет конкретных ограничений по языкам или длине контекста.

InternVL3.5-8B-Instruct — мультимодальная модель OpenGVLab для диалога и выполнения инструкций по тексту и изображениям. Она дообучена на базе OpenGVLab/InternVL3_5-8B-Pretrained и использует архитектуру InternVLChat; веса опубликованы в формате safetensors и доступны через Transformers. Модель подходит для вопросов об изображениях, визуального рассуждения и решения задач, требующих совместного понимания текста и изображений. Семейство также заявляет поддержку взаимодействия с графическим интерфейсом и embodied-сценариев. Для эффективного вывода InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптации разрешения визуальных токенов. Модель многоязычная, но конкретные языки и размер контекстного окна для этого чекпойнта в предоставленных данных не приведены. Лицензия Apache-2.0. Для запуска требуется мультимодальная инфраструктура; скорость и качество зависят от доступных вычислительных ресурсов и размера изображений.

Jan-v3.5-4B — дообученная модель компании Jan над базовой моделью janhq/Jan-v3-4B-base-instruct, разработанная при участии команды Menlo Research. Она предназначена для генерации текста, решения математических задач и диалогового взаимодействия с выраженной индивидуальностью, а также может использоваться как основа для последующей адаптации под приложения с математической или identity-специализацией. Модель ориентирована на интеграцию с Jan Desktop и локальный запуск через vLLM или llama.cpp. Модель основана на архитектуре Qwen3-4B и содержит около 4,0 млрд параметров, из которых 3,6 млрд не относятся к embedding-слою. Она включает 36 слоёв, использует Grouped-Query Attention с 32 головами для Q и 8 для KV, поддерживает контекст длиной до 262 144 токенов и, согласно карточке, предназначена для работы с английским языком. Дообучение проводилось на наборах данных по математическому рассуждению, а также на данных, формирующих голос, стиль и ценности модели. Сильными сторонами являются улучшенное по сравнению с базовой моделью решение математических задач, общий языковой функционал и узнаваемый разговорный стиль: неформальный тон, краткие ответы, самоирония и отсутствие корпоративной манеры общения. Ограничением является то, что модель не нейтральна и намеренно придерживается заданной личности, поэтому её стиль может быть неподходящим для формальных или строго нейтральных сценариев. Модель распространяется по лицензии Apache 2.0.

Это японская модель CLIP, разработанная компанией rinna Co., Ltd. Она предназначена для получения сопоставимых признаковых представлений изображений и японских текстов, чтобы использовать их для поиска и классификации изображений по текстовому описанию. Модель обучалась на наборе CC12M с подписями, переведёнными на японский язык. В архитектуре используется визуальный энкодер ViT-B/16 и 12-слойный BERT-энкодер текста; визуальный энкодер инициализирован из AugReg vit-base-patch16-224. Модель распространяется в форматах PyTorch и safetensors и доступна по лицензии Apache-2.0. В метаданных Hugging Face указаны задача feature-extraction и поддержка японского языка.

AIJUUD/juud-Mistral-7B — разговорная модель семейства Mistral, опубликованная командой BNK AI. Это плотная авторегрессионная языковая модель с 7,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Метаданные указывают контекст до 32 768 токенов, использование Transformers и формат весов safetensors. Модель можно применять для ответов в чате, продолжения текста и создания диалоговых приложений. Карточка README не описывает обучение, наборы данных, языки или результаты оценки качества. Модель распространяется по лицензии Apache-2.0; фактическая пригодность для конкретных задач требует отдельной проверки.

KETI-AIR/ke-t5-small — предварительно обученная модель семейства T5 от KETI-AIR для корейского и английского языков. Это компактная encoder-decoder модель с 62,2 млн параметров, предназначенная для задач преобразования текста в текст; максимальная длина контекста составляет 512 токенов. Модель можно использовать как основу для генерации текста по входному тексту и для дообучения под конкретные задачи, например суммаризацию или перевод. Доступны веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия Apache-2.0 допускает широкое использование и модификацию с соблюдением её условий.

Keye-VL-671B-A37B — мультимодальная языковая модель семейства Keye-VL, разработанная командой Kwai-Keye. Она предназначена для понимания и генерации текста, анализа изображений и видео, визуальных рассуждений и решения математических задач. В карточке описана архитектура KeyeVLMoeForConditionalGeneration; репозиторий содержит веса safetensors в формате FP8. Модель рассчитана на контекст до 163 840 токенов и поддерживает видеозапросы с текстовым ответом. При обучении использовались данные для визуальных вопросов и ответов, включая OCR, диаграммы и таблицы, а также синтетические цепочки рассуждений и последующее обучение с проверкой ответов. Это делает модель применимой для анализа видеоматериалов и визуального содержимого с текстовым запросом. Указанная лицензия — Apache-2.0. Для развёртывания README приводит инструкции с SGLang и описывает многосерверную конфигурацию.

bongsoo/klue-cross-encoder-v1 — корейская модель на базе klue/bert-base, дообученная автором как cross-encoder с помощью класса Cross-Encoder из SentenceTransformers. Она оценивает семантическое сходство пары предложений, в частности для задач STS. В карточке приведены результаты на корейских и англоязычных наборах STS; модель показывает более высокую оценку на klue-sts, чем на korsts и glue STS-B. Модель использует архитектуру BERT с классификационной головой, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Основной язык — корейский; в опубликованной оценке также есть тест на английском. Лицензия — Apache-2.0. Cross-encoder выдаёт оценку для пары текстов, поэтому для ранжирования документов обычно нужно отдельно оценить каждую пару запроса и кандидата.

Модель bespin-global/klue-sentence-roberta-base-kornlu разработана Jaehyeong из Bespin Global на базе архитектуры RoBERTa. Это модель Sentence-Transformers, которая преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. В README указано обучение с CosineSimilarityLoss; среди метаданных также отмечена поддержка извлечения признаков и семантического сходства предложений. Модель содержит 137,8 млн параметров, принимает текст и выдаёт векторы; контекст — до 514 токенов. Модель связана с датасетом kor_nlu и предназначена прежде всего для корейского языка. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение. В README не приведены результаты оценки, поэтому качество для конкретного набора данных следует проверять отдельно.

lsw0570168/krx-q25-7b-base-v3.3 — языковая модель автора lsw0570168, дообученная на базе lsw0570168/krx-q25-7b-base-v3. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста. В метаданных указан контекст длиной до 131 072 токенов; модель сохранена в формате safetensors и обучалась с использованием Unsloth и Hugging Face TRL. Модель может использоваться для генерации продолжений текста и построения приложений на основе текстовой генерации. Карточка указывает лицензию Apache-2.0. Язык карточки и тег модели — английский; данных о специализации на других языках или прикладных областях нет.

LFM2.5-1.2B-Thinking LiteRT-LM — конвертированная версия reasoning-модели LiquidAI/LFM2.5-1.2B-Thinking, подготовленная сообществом litert-community для локального запуска через on-device runtime Google LiteRT-LM. Модель предназначена для генерации текста и решения задач с пошаговым рассуждением: сначала формирует внутренний поток мыслей в канале thought между тегами <think> и </think>, затем выдаёт итоговый ответ. Подходит для офлайн-сценариев на мобильных устройствах, компьютерах и периферийных системах, включая Android, iOS, macOS и Raspberry Pi, при наличии совместимого LiteRT-LM версии не ниже 0.14. Модель использует гибридную архитектуру conv/attention, имеет размер 1,2 млрд параметров и максимальный контекст KV-кэша 4096 токенов. Доступны варианты квантования int8 размером около 1,24 ГБ и int4 размером около 736 МБ, а также GPU-совместимые сборки. В тесте GSM8K точность составила 77% для int8 и 72% для int4 против 81% у эталонной bf16-версии. Для reasoning-сценариев рекомендуется бюджет генерации не менее 2048 токенов, поскольку преждевременное усечение рассуждения может оставить ответ незавершённым. Сильными сторонами являются компактный размер, локальное выполнение, отдельная передача reasoning-потока и поддержка CPU, а для некоторых сборок — GPU. Ограничения включают зависимость от версии LiteRT-LM и аппаратной совместимости: GPU-сборки поддерживаются не на всех устройствах, а производительность заметно зависит от платформы. Языки модели в README не указаны. Распространение осуществляется по лицензии LFM Open License v1.0.

LLaDA2.1-mini — инструктивно дообученная диффузионная языковая модель серии LLaDA от inclusionAI на архитектуре Mixture-of-Experts. Она предназначена для диалогов, генерации текста и задач, в которых полезно быстро создавать и редактировать ответы. Модель поддерживает контекст до 32 768 токенов; в README указано 16 млрд параметров без эмбеддингов, тогда как метаданные Hugging Face указывают 1,2 млрд параметров. Эти сведения о размере расходятся. Ключевая особенность модели — редактируемая генерация с режимами Speed и Quality: README описывает компромисс между скоростью вывода и качеством, а также возможность исправления ошибок в процессе генерации. Модель доступна в формате safetensors и использует библиотеку Transformers. README рекомендует определённые настройки денойзинга и отмечает, что низкий порог может вызывать прерывистую генерацию. Лицензия — Apache-2.0.