I.14Автоматизация процессов и AI-агенты

Qwen3.8-27B LLM SCS — дообученная компанией или автором achuthc1298 мультимодальная модель на базе Qwen/Qwen3.8-27B. Это плотная модель с архитектурой Qwen3_5ForConditionalGeneration и 27 млрд параметров, предназначенная для диалогов с текстом и изображениями. Она поддерживает анализ визуального содержимого и интерфейс вызова инструментов. В репозитории размещены полные веса в формате Safetensors, конфигурация модели, токенизатор и файлы предварительной обработки. Модель подходит для ответов на вопросы по изображениям, описания визуальных сцен и диалоговых задач с визуальным контекстом. Также заявлен интерфейс для вызова инструментов. Сведения о лицензии, длине контекста и поддерживаемых естественных языках в доступных данных отсутствуют.

SiddhJagani/Qwen3.8-9B-mlx-8Bit — это 8-битная квантованная версия модели empero-ai/Qwen3.8-9B, преобразованная пользователем SiddhJagani в формат MLX с помощью mlx-lm версии 0.31.2. Модель предназначена для запуска и генерации текста через MLX, главным образом в сценариях локального инференса на совместимом оборудовании Apple. Модель относится к семейству Qwen, имеет размер 9 миллиардов параметров и поддерживает текстовую генерацию на английском языке. В README заявлены возможности reasoning, function-calling, distillation и SFT, однако подробные характеристики архитектуры, размер контекста, точный набор поддерживаемых языков и результаты оценки не указаны. Формат MLX и 8-битная квантизация могут снизить требования к памяти и упростить локальный запуск, но потенциально сопровождаются потерей качества по сравнению с полной точностью; степень такой потери в предоставленных данных не измерена. Для использования требуется библиотека mlx-lm; в README приведён пример загрузки и генерации текста. Лицензия модели указана как Apache-2.0. Условия использования базовой модели и совместимость заявленных возможностей function-calling с конкретными прикладными сценариями отдельно не раскрыты.

DavidAU представил Qwen3-MOE-4x1.7B-6.8B-Lucys-Song-Uncensored — разговорную модель общего назначения на архитектуре Qwen3 MoE. По README, она объединяет экспертов нескольких моделей, поддерживает генерацию кода и творческих текстов, а автор отдельно отмечает сценарии ролевого общения и контент для взрослых. В метаданных указаны класс Qwen3MoeForCausalLM, задача text-generation, размер 1,7 млрд параметров, контекст до 40 960 токенов и поддержка чата и кода. Модель может применяться для диалогов, написания художественных сцен и помощи с программированием. README описывает режим рассуждений и настройки числа активных экспертов; скорость генерации и качество зависят от оборудования и выбранного формата весов. Репозиторий содержит веса в safetensors и распространяется по лицензии Apache-2.0.

t-firefly/qwen3-vl-4b-rknn3-rk1828 — производная модель семейства Qwen3-VL, подготовленная для запуска на платформе Rockchip RK1828 через LlamaPi. В основе лежит Qwen3-VL-4B-Instruct от команды Qwen: плотная мультимодальная модель на 4 млрд параметров с архитектурой Qwen3VLForConditionalGeneration и интерфейсом диалоговой генерации. Репозиторий содержит веса в формате GGUF. Модель принимает текст и изображения и генерирует ответы на вопросы о визуальном содержимом. Она предназначена для визуального рассуждения, распознавания текста на изображениях, понимания пространственных отношений и анализа документов, а также для диалога с учётом текстового и визуального контекста. README указывает на запуск через LlamaPi на RK1828; метаданные также отмечают интерфейс вызова инструментов. Модель выпущена под лицензией Apache-2.0. В карточке производной модели не приведены отдельные сведения о контекстном окне и поддерживаемых языках; её возможности и языковое покрытие в значительной степени определяются базовой моделью Qwen3-VL-4B-Instruct.

roberta-large-eng-ara-128k — двуязычный энкодер на базе Transformer, разработанный исследователями Johns Hopkins University Center for Language and Speech Processing. Это модель XLM-RoBERTa большого размера с 24 слоями и 533,7 млн параметров, обученная с нуля на английских и арабских текстах. Для токенизации используется совместный словарь SentencePiece размером 128K; модель принимает последовательности до 512 токенов. Модель предназначена для предсказания замаскированных токенов и может служить основой для задач понимания английского и арабского текста, например классификации или извлечения информации после дообучения. При предобучении использованы Common Crawl, Википедия, Arabic Gigaword, OSCAR, Arabic News Corpus и OSIAN. Доступны веса в форматах PyTorch, Safetensors и TensorFlow. Модель распространяется по лицензии MIT. Это энкодер для текстовых задач, а не генеративный чат-бот; для прикладных задач, отличных от заполнения пропусков, потребуется подходящая классификационная голова или дообучение.

Conversational RuBERT — русскоязычная модель семейства BERT, разработанная DeepPavlov для извлечения признаков из текста. Её обучали на субтитрах OpenSubtitles, данных Dirty и Pikabu, а также сегменте социальных сетей корпуса Taiga; словарь создан специально для этой модели, а веса инициализированы RuBERT. В карточке указаны 12 слоёв, размер скрытого представления 768 и 12 голов внимания; метаданные каталога указывают 205,1 млн параметров и контекст до 512 токенов. Модель подходит для получения контекстных векторных представлений русскоязычных разговорных текстов, которые можно использовать в последующих задачах NLP. Репозиторий содержит варианты PyTorch и Flax, а в README упомянуты MLM- и NSP-головы. Сведения о лицензии в предоставленных данных отсутствуют.

markusiko/rubert-base-punctuation — русскоязычная модель Марка Столярова для восстановления пунктуации. Она основана на ruBert-base и дообучена для предсказания знака после каждого слова в предложении. Архитектура — BERT для классификации токенов, размер — 205,5 млн параметров, контекст — до 512 токенов. Модель предназначена для восстановления знаков вопроса, восклицания, точки, запятой, двоеточия и многоточия в русском тексте. При обучении использовано более 20 тысяч абзацев из русской литературы. Для работы текст следует подавать без пунктуации; модель не исправляет регистр букв. Репозиторий распространяется по лицензии MIT.

RUPunct_medium — средняя модель семейства RUPunct для автоматической расстановки пунктуации в русском тексте. По метаданным это модель token classification на архитектуре ELECTRA с 100,6 млн параметров и контекстом до 512 токенов; веса доступны в формате PyTorch. Автор README характеризует её как баланс между производительностью и качеством. Модель может применяться для восстановления пунктуации в текстах без знаков препинания, например в результатах распознавания речи. Репозиторий распространяется по лицензии MIT.

RWKV-4-Raven — серия языковых моделей BlinkDL, представляющая собой дообученные на диалоговых и инструкционных данных версии RWKV-4-Pile. В серии указаны варианты размером 1,5, 3, 7 и 14 млрд параметров; метаданные этого репозитория не уточняют размер конкретного чекпойнта. Архитектура RWKV описана как языковая модель на основе RNN, а репозиторий содержит веса PyTorch. Модель предназначена для генерации текста и диалогов в формате реплик «Bob» и «Alice». Варианты серии ориентированы преимущественно на английский язык либо на сочетание английского с китайским и другими языками. При дообучении использовались Alpaca, CodeAlpaca, Guanaco, GPT4All и ShareGPT; это позволяет применять модель для ответов на инструкции, общения и генерации кода. Модель лицензирована по Apache 2.0. README рекомендует использовать специальный формат промпта и избегать двойных переводов строки внутри реплик. Для серии указаны разные языковые пропорции, поэтому языковые возможности зависят от конкретного варианта; README рекомендует RWKV-4-World для более широкой поддержки языков.

SenseVoiceSmall-GGUF-audiocpp — квантованный экспорт модели SenseVoiceSmall, разработанной FunAudioLLM, предназначенный для автоматического распознавания речи. Модель упакована в формат GGUF для запуска в runtime audio.cpp и содержит встроенную спецификацию sense_asr, метаданные SenseVoice, словарь SentencePiece, тензоры CMVN и 919 тензоров модели. Представленный файл использует квантование Q8_0, занимает около 254 МБ и рассчитан на прямой запуск на CPU через audio.cpp без внешней спецификации модели. В README явно указана поддержка китайского, английского, кантонского, японского и корейского языков. Модель подходит для локального распознавания аудиозаписей и потоков в сценариях, совместимых с интерфейсом audio.cpp; приведённый пример использует задачу ASR. К сильным сторонам относятся автономная упаковка всех необходимых компонентов, запуск на CPU и воспроизводимый экспорт из конкретной ревизии SenseVoiceSmall. Ограничения — отсутствие в предоставленных данных подробностей об архитектуре, размере исходной модели, максимальной длине контекста, производительности и поддерживаемых модальностях помимо речи. Модель распространяется по лицензии Apache-2.0.

sentence-embeddings-xllora-mmbert-ind — модель векторных представлений предложений на индонезийском языке, разработанная на основе mmBERT и дообученная методом XL-LoRA для обучения представлениям предложений в условиях нехватки языковых ресурсов. Она подходит для оценки семантического сходства, поиска похожих предложений, извлечения предложений по смыслу и кластеризации. Модель основана на архитектуре ModernBERT и содержит 306,9 млн параметров; для построения эмбеддингов объединяются первый и последний скрытые слои с равными весами, после чего применяется усреднение по токенам. Контекст — до 8192 токенов. Для воспроизведения результатов статьи следует использовать описанный способ pooling; стандартное усреднение по токенам тоже доступно, но может дать немного отличающиеся результаты. Модель ориентирована на индонезийский язык и исследования NLP для языков с ограниченными ресурсами. Лицензия — MIT.

sfmunfilteredmidtrainalignment-3k4k5k6k7kweightedavgmerge — объединённая языковая модель, созданная с помощью mergekit. В ней линейно объединены пять чекпойнтов обучения на шагах 3000, 4000, 5000, 6000 и 7000; базовым для слияния указан чекпойнт шага 7000. Модель предназначена для генерации текста и диалогового взаимодействия. Это плотная авторегрессионная архитектура GPT-NeoX объёмом 8,8 млрд параметров с контекстом до 16 384 токенов; веса опубликованы в формате safetensors для Transformers. Карточка не описывает языки обучения или специализированные области применения, поэтому модель следует считать универсальной. Условия лицензии и конкретные ограничения не приведены.

11erlangga/sft-qwen25-3b-run1 — дообученная разговорная модель 11erlangga на архитектуре Qwen2.5. Она предназначена для генерации текста и диалоговых сценариев; метаданные также отмечают интерфейс вызова инструментов. Модель содержит 3,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке указано, что обучение выполнено с Unsloth и библиотекой TRL на базе unsloth/qwen2.5-3b-instruct-unsloth-bnb-4bit. Модель рассчитана на английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает о специализированной предметной области или ограничениях качества.

Карточка модели 11erlangga/sft-qwen25-3b-run2 на Hugging Face совпадает с карточкой 11erlangga/sft-qwen25-3b-run1, поэтому описание составлено по ней. 11erlangga/sft-qwen25-3b-run1 — дообученная разговорная модель 11erlangga на архитектуре Qwen2.5. Она предназначена для генерации текста и диалоговых сценариев; метаданные также отмечают интерфейс вызова инструментов. Модель содержит 3,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке указано, что обучение выполнено с Unsloth и библиотекой TRL на базе unsloth/qwen2.5-3b-instruct-unsloth-bnb-4bit. Модель рассчитана на английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает о специализированной предметной области или ограничениях качества.

ShadowYamshadow_Experiment27Yam — объединённая языковая модель, созданная из automerger/ShadowYamshadow-7B и automerger/Experiment27Yam-7B. Модель разработана на архитектуре Mistral и содержит 7,1 млрд параметров; она предназначена для генерации текста и принимает запросы с контекстом до 32 768 токенов. Модель подходит для генерации продолжений текста и ответов на запросы. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache 2.0. Карточка не описывает специальные области применения, языки или известные ограничения качества.

ShadowYamshadow_Experiment31Experiment29 — объединённая модель генерации текста, опубликованная MaziyarPanahi. Она создана слиянием automerger/ShadowYamshadow-7B и automerger/Experiment31Experiment29-7B. Модель построена на архитектуре Mistral с плотной структурой и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст, поддерживая контекст длиной до 32 768 токенов. Веса представлены в формате safetensors. Подходит для генерации продолжений текста и других сценариев текстовой генерации. Метаданные не уточняют специализацию или поддерживаемые языки. Лицензия — Apache-2.0.

eugenehp/siglip2-base-naflex — staging-репозиторий с перераспространённым чекпойнтом Google SigLIP 2 NaFlex для запуска через RLX. Это плотная модель семейства SigLIP 2 с поддержкой изображений переменного соотношения сторон; в репозитории есть веса Safetensors и вариант GGUF F16. Модель предназначена для классификации изображений по текстовым меткам без специального дообучения: например, можно сопоставить изображение с вариантами «документ» и «фотография». Для запуска README приводит команду с библиотекой rlx-siglip2. Репозиторий отмечен как staging-переиздание upstream-чекпойнта, а не основной пакет для runtime RLX; README рекомендует обращаться к upstream, если нужен исходный чекпойнт. В метаданных указана лицензия Apache-2.0. Данные о размере параметров, контексте и поддерживаемых естественных языках не приведены; поскольку задача визуальная и ответы представляются оценками соответствия меткам, модель не рассчитана на основной язык.

Veritone/siglip2-base-patch16-384-text — текстовая башня модели SigLIP 2 Base, представленная Veritone как облегчённая копия google/siglip2-base-patch16-384. Она кодирует текстовые запросы в общее пространство эмбеддингов с изображениями и рассчитана на отдельную загрузку при поиске, когда в индексирующей части используется соответствующая модель Veritone/siglip2-base-patch16-384-vision. Такое разделение позволяет загружать только нужную башню и экономить память и время загрузки. Модель предназначена для текстовой стороны поиска по изображениям и классификации изображений по кандидатным текстовым меткам без отдельного обучения на этих метках. SigLIP 2 использует единый рецепт предобучения для улучшения семантического понимания, локализации и плотных визуальных признаков; исходная модель предобучена на WebLI. Карточка не указывает языковую специализацию текстовой башни, поэтому конкретные поддерживаемые языки не заявляются. Репозиторий содержит только текстовую башню, поэтому сам по себе не принимает изображения: для сопоставления нужны эмбеддинги изображений, полученные совместимой визуальной башней. Модель распространяется по лицензии Apache-2.0.

Sky-3B-SORE — языковая модель на архитектуре HRM, разработанная 0labs и Sapient Intelligence на основе sapientinc/HRM-Text-1B. К базовой модели применён метод Spectral Orthogonal Retrofit Enhancement (SORE), после чего модель дообучили следованию инструкциям на 4,5 млн токенов. В репозитории указано 3,7 млрд параметров; модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и рассчитана на английский язык. Модель предназначена для генерации текста, выполнения инструкций и задач, требующих рассуждений, включая математические задачи и вопросы с вариантами ответа. В README приведены результаты на ARC-Challenge, MATH и тесте следования инструкциям, однако условия этих сравнений и заявленные преимущества метода SORE следует рассматривать как сведения авторов, а не как независимую оценку. Модель распространяется по лицензии Apache-2.0.

SmaugDolphin-34B-slerp — объединённая языковая модель, созданная автором репозитория с помощью mergekit и метода SLERP из cognitivecomputations/dolphin-2.2-yi-34b-200k и abacusai/Smaug-34B-v0.1. Она предназначена для генерации текста и диалогового общения. Модель построена на плотной архитектуре Llama с классом LlamaForCausalLM; в метаданных указаны 27,2 млрд параметров и контекст до 200 000 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Слияние объединяет возможности исходных моделей Smaug и Dolphin для диалоговой генерации текста. Модель можно применять для ответов на вопросы, ведения диалога и других задач генерации текста. README не сообщает результаты оценки качества или конкретный перечень поддерживаемых языков. Лицензия в предоставленных данных не указана.

SmolLM3-3B-heretic — это декензурированная версия инструкционно дообученной языковой модели SmolLM3-3B-Instruct от HuggingFaceTB, созданная автором репозитория saidutta69 с использованием Heretic 1.4.0 и метода directional ablation («abliteration»). Модель предназначена для генерации текста и диалоговых сценариев, включая локальные ассистенты, ролевые диалоги, работу на периферийных устройствах и запуск на потребительском оборудовании. Она ориентирована на разработчиков, которым нужна компактная модель, склонная отвечать напрямую и реже отказывающаяся от запросов. Модель имеет размер около 3,1 млрд параметров, поддерживает текстовую модальность и английский язык. Она совместима с Transformers и GGUF, а также может запускаться через llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang. Доступны версии от F16 до различных вариантов квантования, включая Q4_K_M; заявлена пригодность для инференса на CPU и edge-устройствах. Метод abliteration изменяет отдельные направления весов в выходных проекциях attention и down-проекциях MLP без дообучения, поэтому исходные знания и возможности базовой модели, как утверждается, в значительной степени сохраняются. Длина контекста в README не указана. Ключевое преимущество модели — малый размер, широкий выбор квантований и сниженное количество отказов, что упрощает локальное использование. Ограничение заключается в намеренном подавлении защитного поведения: модель может выполнять запросы, от которых базовая версия отказывалась, включая потенциально небезопасные, и не имеет дополнительного встроенного фильтра безопасности. Поэтому её не рекомендуется размещать за незащищённым публичным интерфейсом без собственного контроля и модерации. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

mlx-community/SmolVLM-Instruct-bf16 — конверсия модели HuggingFaceTB/SmolVLM-Instruct в формат MLX, выполненная сообществом mlx-community с помощью mlx-vlm 0.1.2. Это компактная мультимодальная модель семейства Idefics3 для диалога по изображениям и текстовым запросам: она может описывать визуальное содержимое, отвечать на вопросы об изображениях и помогать разбирать документы. Модель принимает текст и изображения, выдаёт текст; в метаданных указан английский язык. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. README отсылает к исходной карточке HuggingFaceTB/SmolVLM-Instruct за подробностями о модели; сведения о размере и длине контекста в предоставленных данных отсутствуют.

SoftTiger-70b — базовая языковая модель семейства TigerBot, представленная TigerResearch. Это плотная авторегрессионная модель на архитектуре Llama с 69 млрд параметров, предназначенная для генерации текста и использования в качестве основы для собственных LLM-приложений. В карточке описан запуск через Transformers и репозиторий TigerBot. Модель принимает текст и генерирует текст; в метаданных указаны китайский и английский языки, а нативный контекст составляет 8192 токена. Веса опубликованы в формате Safetensors по лицензии Apache-2.0. README не приводит результатов оценки качества или более узкой специализации, поэтому применимость к конкретным задачам следует проверять отдельно.

SPLADE — англоязычный разреженный кодировщик текста семейства BERT, разработанный на базе Luyu/co-condenser-marco и дообученный с помощью Sentence Transformers на данных MS MARCO. Он преобразует запросы и документы в разреженные векторы размерности 30 522, которые можно сопоставлять скалярным произведением для семантического поиска и разреженного поиска информации. Модель использует BertForMaskedLM и пулинг SPLADE с максимизацией и ReLU. Максимальная длина входной последовательности — 512 токенов. Она подходит для построения поисковых систем и извлечения релевантных документов; в карточке приведены оценки на наборах NanoMSMARCO, NanoNFCorpus и NanoNQ. Модель принимает текст и выдаёт разреженные векторные представления. Поддерживаемый язык — английский. Лицензия — Apache-2.0. Результаты в карточке относятся к указанным компактным оценочным наборам и сами по себе не гарантируют качество на других корпусах.

strange3236-7B — языковая модель на архитектуре Mistral, созданная слиянием SLERP двух предварительно обученных моделей: Gille/StrangeMerges_32-7B-slerp и Gille/StrangeMerges_36-7B-slerp. Модель разработана автором репозитория nbeerbower и предназначена для генерации текста. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В репозитории представлены веса Safetensors; для работы указана библиотека Transformers. Карточка не уточняет языковую специализацию и отдельные сценарии применения. Лицензия — Apache-2.0.

Synatra-V0.1-7B-Instruct-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием Mistral-7B-Instruct-v0.2 и Synatra-V0.1-7B-Instruct методом SLERP. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров; поддерживает контекст до 32 768 токенов и работает с текстом в формате диалога. Модель предназначена для генерации ответов на инструкции и ведения диалога. Её можно применять для чат-ботов, черновиков текстов и ответов на вопросы в текстовом интерфейсе. В README приведены конфигурация слияния и использованные модели; сведения о языковом покрытии и специализированных областях применения отсутствуют. Лицензия — Apache-2.0.

T3qm7Neuralsynthesis-7B — автоматически объединённая языковая модель, созданная Maxime Labonne методом Model Stock из Mistral-7B-v0.1, T3QM7 и NeuralSynthesis-7B-v0.3. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев на основе текстового ввода. Репозиторий содержит веса в формате Safetensors; в конфигурации слияния указан тип данных bfloat16. Модель распространяется по лицензии Apache-2.0. В README и метаданных не описаны отдельные языковые специализации или дополнительные возможности.

T3qm7xNeuralsirkrishna_Neuralsirkrishnaexperiment26Experiment24 — объединённая языковая модель, опубликованная MaziyarPanahi. Она предназначена для генерации текста и диалогов. Модель построена на архитектуре Mistral с плотной архитектурой, содержит 7,1 млрд параметров и использует формат safetensors; длина контекста составляет до 32 768 токенов. Модель объединяет automerger/T3qm7xNeuralsirkrishna-7B и automerger/Neuralsirkrishnaexperiment26Experiment24-7B. Доступна по лицензии Apache-2.0. Сведения о поддерживаемых языках и специализированных областях применения в карточке отсутствуют.

T5 Version 1.1 Small — модель Google с архитектурой encoder-decoder T5 для переноса обучения в формате «текст на входе — текст на выходе». В этой версии около 45,8 млн параметров; доступны веса PyTorch, TensorFlow и Flax. Предобучение выполнено на корпусе C4 без смешивания с целевыми задачами и без контролируемого обучения. Модель предназначена для дообучения под прикладные задачи NLP, где вход и результат представлены текстом: например, суммаризацию, ответы на вопросы и классификацию с текстовым выводом. Версия 1.1 использует активацию GEGLU вместо ReLU, отключённый dropout при предобучении и отдельные веса эмбеддингов и классификатора. Основной язык карточки — английский. Для решения конкретной задачи модель необходимо дообучить; сама предобученная контрольная точка не предназначена для непосредственного выполнения целевых задач. Лицензия — Apache 2.0.

shibing624/text2vec-base-chinese-paraphrase — модель текстовых эмбеддингов, разработанная проектом text2vec. Она основана на nghuyong/ernie-3.0-base-zh и дообучена методом CoSENT на китайских данных для сопоставления предложений и их перефразированных вариантов, включая пары «предложение — абзац». Модель кодирует текст в плотный вектор размерности 768 и предназначена для семантического поиска, оценки сходства, кластеризации и поиска перефразировок. Модель использует архитектуру ERNIE и библиотеку Sentence Transformers; размер составляет 144 млн параметров. Она принимает китайский текст, имеет контекстное окно 2048 токенов по метаданным, а в карточке указана обрезка входа свыше 256 word pieces. Форматы весов — PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0. Ее специализация на китайских текстах означает, что качество для других языков не подтверждено карточкой.