I.14Автоматизация процессов и AI-агенты

Thalassic-Delta-LLaMa-70B — слитая разговорная языковая модель от TareksGraveyard на архитектуре Llama. Она создана методом SCE с помощью mergekit на основе SicariusSicariiStuff/Negative_LLAMA_70B и объединяет веса Anubis-70B-v1, EVA-LLaMA-3.33-70B-v0.1, 70B-L3.3-Cirrus-x1, L3.1-70B-Hanami-x1 и DeepSeek-R1-Distill-Llama-70B. Модель предназначена для генерации текста и диалогов; базовая модель DeepSeek-R1-Distill-Llama-70B ориентирована также на математические рассуждения, программирование и сложные вопросы. Размер составляет 69,5 млрд параметров, заявленная длина контекста — 131 072 токена. Репозиторий содержит веса в формате safetensors и использует лицензию llama3.3. Автор описывает её как лучший вариант серии Thalassic по своему мнению, однако README не приводит сравнительных оценок или результатов бенчмарков.

api19750904/tipo_campanya_ong_v3 — модель Sentence Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации текстов. Модель работает с текстом и использует контекст длиной до 514 токенов. Модель подходит для поиска текстов по смыслу, группировки похожих предложений и вычисления их семантического сходства. В карточке указано обучение с функцией потерь CosineSimilarityLoss. Доступен формат PyTorch; лицензия в предоставленных данных не указана.

josedossantos/tree-summary-bertimbau — модель Sentence-Transformers на архитектуре BERT, разработанная пользователем josedossantos. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для поиска семантически похожих текстов, кластеризации и семантического поиска. Модель обучена с функцией ContrastiveLoss на косинусном расстоянии; для использования подходят библиотека sentence-transformers или Transformers с корректной операцией pooling. Контекст ограничен 512 токенами, веса опубликованы в формате safetensors; размер модели составляет 433,2 млн параметров. Лицензия в предоставленных данных отсутствует.

coderavi/VibeThinker-3B-mlx-fp16 — преобразованная в формат MLX версия модели WeiboAI/VibeThinker-3B, подготовленная автором репозитория coderavi с помощью mlx-lm 0.31.2. Это плотная причинная языковая модель семейства Qwen2 на 3,1 млрд параметров для генерации текста в диалоговом режиме, следования инструкциям, программирования и STEM-рассуждений. Она принимает текст и генерирует текст; заявленная длина контекста составляет 131 072 токена. Метаданные указывают английский язык и лицензию MIT. Карточка подтверждает преобразование формата, но не приводит отдельные результаты оценки качества этой копии.

Карточка модели binant/whisper-small на Hugging Face совпадает с карточкой openai/whisper-small, поэтому описание составлено по ней. Whisper Small — модель распознавания речи семейства Whisper, разработанная OpenAI. Это мультиязычная модель Transformer типа encoder-decoder с 153,1 млн параметров, обученная на размеченных аудиоданных. Она преобразует речь в текст на языке исходного аудио и может переводить речь с разных языков на английский. Для обработки аудио в Transformers используется вместе с WhisperProcessor. Модель подходит для транскрибирования записей, в том числе длинных: базовая обработка рассчитана на фрагменты до 30 секунд, а разбиение на фрагменты позволяет обрабатывать аудио произвольной длины и получать временные метки. Whisper демонстрирует устойчивость к акцентам, фоновому шуму и технической лексике, но точность различается между языками, диалектами и группами говорящих. Возможны галлюцинации, повторы и ошибки распознавания. Модель распространяется по лицензии Apache-2.0.

WizardLM-2-7B-GGUF — это квантизированная в формате GGUF версия языковой модели WizardLM-2-7B, разработанной Microsoft. Квантизацию выполнил bartowski на базе llama.cpp. Модель основана на Mistral, содержит около 7 миллиардов параметров и предназначена для генерации текста и диалогового взаимодействия. Модель ориентирована на многошаговые беседы, общие вопросы и работу с общеизвестными знаниями. README также указывает на улучшенную поддержку сложных диалогов, многоязычных сценариев, рассуждений и агентских задач; модель может применяться для программирования и технических обсуждений. Она обучалась с использованием Progress Learning, AI Align AI, Supervised Learning, Stage-DPO, Evol-Instruct и методов обучения с подкреплением, ориентированных на качество инструкций и корректность ответов. Модель позиционируется как эффективная для своего размера и показывает высокие результаты в автоматической оценке MT-Bench, однако, как и другие языковые модели, может генерировать неточные, вредные или неподходящие ответы. В README не указаны точный набор поддерживаемых языков, размер контекстного окна и конкретные характеристики квантизации. Лицензия — Apache-2.0. Для использования рекомендован шаблон prompt в стиле Vicuna.

Masterjp123/XOrcaSlimWin-13B — объединённая SLERP-модель на основе Xwin-Lm-13B, Xwin-math-13B, XwinCoder-13B и SlimOrca-13B. Она предназначена для генерации текста и сочетает возможности диалоговой модели, решения математических задач и работы с кодом. Модель построена на архитектуре Llama, содержит 12,9 млрд параметров и рассчитана на контекст до 4096 токенов. Модель принимает текст и генерирует текст; в карточке указана поддержка английского языка. README предупреждает о возможных проблемах при использовании формата Alpaca. Метаданные указывают лицензию Llama 2. README также упоминает GGUF-квантизацию, хотя в доступных метаданных формат файлов указан как safetensors.

Zeta Alpha разработала Zeta-Alpha-E5-Mistral — модель эмбеддингов на 7,1 млрд параметров, дообученную на основе intfloat/e5-mistral-7b-instruct и специализированную на поиске и извлечении информации. Модель использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Модель предназначена для построения текстовых представлений и задач поиска по смыслу, включая сравнение предложений и ранжирование кандидатов по релевантности. Для запросов следует применять формат инструкционного префикса E5: «Instruct: … Query: …». Доступны полные веса и LoRA-веса. В README также упоминается набор NanoBEIR для оценки поиска. Карточка указывает английский язык и лицензию MIT. Ограничения: настройка ориентирована на retrieval, поэтому модель не предназначена для генерации ответов; для запросов важно соблюдать форматирование E5.

Карточка модели jm123989/adv-nlp-hw1-jmala3 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

AI21-Jamba2-3B — компактная языковая модель компании AI21 Labs для локального развёртывания на телефонах и персональных компьютерах. Она содержит 2,3 млрд параметров и использует архитектуру Jamba, сочетающую слои Mamba и Transformer; модель доступна через библиотеку Transformers и предназначена для генерации текста в диалоговом режиме. Модель подходит для следования инструкциям, ответов с опорой на предоставленный контекст, работы с длинными документами и сценариев RAG, в том числе при обработке технической и корпоративной документации. Контекстное окно составляет 256 000 токенов. По карточке, обучение включало дообучение на инструкциях, оптимизацию DPO и этапы обучения с подкреплением; заявлены результаты на бенчмарках instruction following и grounding. Модель выпущена под лицензией Apache 2.0, допускающей коммерческое использование. Компактный размер рассчитан на устройства с ограниченными ресурсами, однако качество конкретных ответов следует проверять на целевых задачах; сведения о поддерживаемых естественных языках в предоставленных данных отсутствуют.

Airoboros 13B GPT-4 1.4.1 QLoRA — языковая модель семейства LLaMA с 12,9 млрд параметров, дообученная jondurbin с помощью QLoRA на синтетических данных, созданных GPT-4. Модель предназначена для диалогов с ассистентом и генерации текста; обучение выполнено на fork FastChat, а данные взяты из набора jondurbin/airoboros-gpt4-1.4.1. Модель рассчитана на ответы на вопросы, следование инструкциям, работу с предоставленным контекстом, программирование, ролевые диалоги, шутки, загадки и викторины. Для диалогов используется шаблон Vicuna 1.1; карточка также описывает формат запросов с контекстом, призванный ограничить ответы предоставленными материалами. Контекст — 2048 токенов. Модель работает с текстом и поддерживает генерацию текста. В карточке указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Автор отмечает, что модель обучена отвечать без отказов независимо от законности или морали запроса; ответы по контексту всё равно могут содержать выдуманные сведения, поэтому для неизвестных ответов рекомендуется явно просить не придумывать их.

TheBloke опубликовал модель Jon Durbin Airoboros 33B GPT4 1.4 в формате PyTorch fp16, объединив её с SuperHOT 8K от Kaio Ken. Это плотная авторегрессионная модель семейства LLaMA примерно с 32,3 млрд параметров и контекстом до 8192 токенов. В README указано, что для поддержки расширенного контекста при инференсе требуется trust_remote_code=True или соответствующий monkey patch. Модель предназначена для диалогов и ответов на инструкции, включая вопросы по предоставленному контексту, генерацию текстов, ролевые сценарии, загадки и примеры кода. Обучающие данные Airoboros были синтетически созданы с помощью GPT-4; в карточке также отмечены примеры кода на десяти языках программирования. Для полного качества ответы на закрытые вопросы по контексту рекомендуется задавать в специальном формате, описанном в README. Веса доступны в формате PyTorch fp16 для GPU-инференса и дальнейшей конвертации. README помечает исходную версию Airoboros как ещё не протестированную; модель требует совместимого окружения и настройки расширенного контекста. Лицензия в метаданных обозначена как other, поэтому конкретные условия следует сверять с файлами репозитория.

mlx-community/all-MiniLM-L6-v2-bf16 — компактная модель для получения векторных представлений предложений, созданная сообществом mlx-community путём конвертации sentence-transformers/all-MiniLM-L6-v2 в формат MLX. Модель основана на архитектуре MiniLM и содержит 25,9 млн параметров. Она предназначена для оценки семантического сходства текстов, поиска похожих предложений и построения систем семантического поиска, кластеризации и retrieval-компонентов. Модель принимает англоязычные тексты и возвращает нормализованные embeddings, между которыми можно вычислять сходство через скалярное произведение. Поддерживается контекст длиной до 512 токенов и использование через библиотеку sentence-transformers и инструменты MLX. Сильные стороны модели — небольшой размер, специализированность на sentence embeddings и удобство применения на устройствах и в окружениях, совместимых с MLX. Модель не предназначена для генерации текста, плохо подходит для текстов за пределами английского языка, а входы длиннее 512 токенов требуют усечения или предварительной обработки. Лицензия — Apache-2.0.

Модель omarelshehy/arabic-english-sts-matryoshka — двуязычная Sentence Transformer, дообученная разработчиком на базе FacebookAI/xlm-roberta-large. Она преобразует предложения и абзацы на арабском и английском языках в плотные векторы размерностью 1024 для сравнения семантической близости. Векторы можно сокращать до 768, 512, 256, 128 или 64 измерений, чтобы уменьшить требования к памяти и вычислениям; для оценки сходства используется косинусная мера. Модель предназначена для семантического поиска и сопоставления текстов, поиска перефразировок, кластеризации и классификации. Она поддерживает как сравнение текстов внутри каждого языка, так и межъязыковое сопоставление арабского и английского текстов. Архитектура основана на XLM-RoBERTa large, содержит 658,7 млн параметров, принимает текст длиной до 514 токенов и выдаёт векторы. Для использования требуется библиотека Sentence Transformers. В README приведены обнадёживающие результаты MTEB, но разработчик рекомендует проверять качество на целевых данных. Модель распространяется по лицензии Apache-2.0.

nabil-tazi/autotrain-yr729-mb8s3 — модель семейства BERT, созданная дообучением sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 с помощью AutoTrain. Она преобразует текстовые предложения и абзацы в эмбеддинги для вычисления семантического сходства. Модель содержит 124,3 млн параметров, использует библиотеку Sentence Transformers и принимает последовательности длиной до 512 токенов. Базовая модель многоязычная, поэтому эмбеддинги подходят для сравнения текстов на разных языках. Модель можно применять для семантического поиска, сопоставления похожих фраз и кластеризации текстов. В README приведена метрика loss 0,124 на валидации, но без описания датасета и протокола оценки её трудно интерпретировать. Модель распространяется на Hugging Face в формате safetensors; лицензия в предоставленных данных не указана.

tomaarsen/bert-base-uncased-cnn — англоязычная Sentence Transformer модель от tomaarsen, дообученная на google-bert/bert-base-uncased на наборе sentence-transformers/stsb. Она преобразует предложения и абзацы в плотные векторы размерности 768 для оценки семантического сходства и других задач сравнения текстов. Модель использует архитектуру BERT, функцию косинусного сходства и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов на основе векторных представлений. В README приведены результаты оценки сходства на STS: Spearman cosine 0,8525 на sts-dev и 0,8232 на sts-test. Модель рассчитана на английский язык; её применение к другим языкам не подтверждено. Сведения о лицензии в предоставленных данных отсутствуют.

Это Sentence Transformer на базе BERT, разработанный tintnguyen и дообученный на модели tintnguyen/bert-base-vi-uncased-st. Он преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и сравнения их сходства. Модель использует BERT с усреднением токенных представлений; сходство векторов обычно оценивают косинусной мерой. Максимальная длина входа — 512 токенов. Обучение на парах anchor-positive с MultipleNegativesRankingLoss ориентирует её на семантический поиск, поиск перефразирований, кластеризацию и классификацию текстов. Модель рассчитана прежде всего на вьетнамский язык; в примерах данных встречаются также тексты на других языках. Для практического применения модель формирует текстовые эмбеддинги, а не готовые ответы или метки. В метаданных указана лицензия Apache-2.0.

alfaneo/bertimbau-base-portuguese-sts — модель Sentence-Transformers на архитектуре BERT, дообученная для получения эмбеддингов предложений и абзацев на португальском языке. Она преобразует текст в плотные векторы размерности 768, подходящие для сравнения семантической близости, поиска и группировки текстов. По карточке, обучение использовало CosineSimilarityLoss; модель содержит 136,1 млн параметров и рассчитана на контекст до 512 токенов. Модель можно применять для семантического поиска по португалоязычным коллекциям, кластеризации текстов и оценки сходства предложений. Доступны веса PyTorch; README описывает использование с Sentence-Transformers или Transformers с подходящей операцией pooling. Лицензия в предоставленных данных не указана.

swardiantara/bert-tiny-snli-k10-fixed-cosine — компактная Sentence Transformer модель, дообученная на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерности 128 для поиска и сравнения текстов с использованием косинусного сходства. Архитектура включает BERT и mean pooling; модель содержит 4,4 млн параметров и принимает текст.

manu/bge-fr-en — специализированная модель эмбеддингов предложений, созданная дообучением плотной модели BGE-M3 на собственных данных на французском и английском языках. Она построена на архитектуре XLM-RoBERTa и преобразует предложения и абзацы в плотные векторы размерностью 1024; число параметров — 658,7 млн, максимальная длина контекста — 8194 токена. Модель предназначена для семантического поиска, сравнения смысловой близости текстов и кластеризации. Её можно использовать для поиска по франко- и англоязычным коллекциям, сопоставления запросов с документами и группировки похожих текстов. Модель оценивалась с помощью MTEB; веса доступны в формате safetensors. Ограничение: README описывает обучение на французских и английских данных, поэтому качество для других языков не подтверждено. Лицензия в предоставленных сведениях не указана.

bge-m3-GGUF — GGUF-квантизированная версия многоязычной модели эмбеддингов BGE-M3, разработанной BAAI. Модель предназначена для семантического поиска, извлечения признаков, sentence similarity и построения RAG-систем. Квантизация выполнена на основе версии llama.cpp с идентификатором 61408e7f. BGE-M3 поддерживает более 100 языков и три режима поиска: плотный retrieval, разреженный retrieval с весами токенов и multi-vector retrieval. Модель обрабатывает тексты от коротких предложений до длинных документов длиной до 8192 токенов и формирует векторы размерности 1024. Она подходит для гибридного поиска, объединяющего семантические эмбеддинги и BM25, а также для последующего reranking найденных документов. К сильным сторонам относятся многоязычность, поддержка длинного контекста и объединение нескольких функций извлечения в одной модели. README не содержит сведений о точном размере GGUF-файлов, используемой схеме квантизации, требованиях к ресурсам или детальных ограничениях качества; кроме того, модель предназначена для retrieval-задач и не является генеративной языковой моделью. Указанная лицензия — MIT.

IoannisKat1/bge-m3-matryoshka — дообученная модель Sentence Transformers на базе BAAI/bge-m3 для поиска и сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерности 1024, нормализованные для сравнения по косинусному сходству; благодаря обучению Matryoshka векторы можно усекать до меньших размерностей, от 64 до 768, с изменением качества поиска. Модель построена на XLM-RoBERTa с CLS-пулингом и принимает последовательности длиной до 8192 токенов. В карточке заявлен английский язык, хотя приведённый пример обучающей выборки содержит греческий текст. Модель подходит для семантического поиска, поиска по запросу в коллекции текстов и ранжирования кандидатов по близости эмбеддингов. Обучение проводилось на 4268 парах anchor-positive; качество показано на наборах для информационного поиска, но эти результаты не гарантируют качество на других данных. Лицензия Apache-2.0. Это текстовая модель эмбеддингов: она не генерирует ответы и сама по себе не выполняет поиск по внешнему хранилищу.

mlx-community представила неофициальную версию BAAI/bge-m3, преобразованную для MLX и квантованную до 8 бит для работы на Apple Silicon. Это плотная модель на архитектуре XLM-RoBERTa с 658,7 млн параметров; размер эмбеддинга — 1024, контекст — до 8194 токенов. Квантование affine с группами по 64 веса уменьшает размер примерно до 592 МБ. Модель предназначена для создания текстовых представлений и семантического поиска. Исходная BGE-M3 поддерживает плотный, разреженный и многовекторный поиск, включая подход ColBERT; приведённый пример использования этой версии извлекает векторные представления текста через mean pooling. Многоязычная поддержка включает английский, китайский, немецкий, испанский, французский, итальянский, японский, корейский, португальский и русский языки. Квантованная версия рассчитана на сценарии, где важны качество и работа в пределах памяти около 600 МБ. Это неофициальная конверсия, поэтому совместимость ориентирована на MLX и Apple Silicon. Лицензия — MIT.

tardellirs/brazembed-pt-br-retrieval — компонент системы BrazEmbed-PT-BR от автора tardellirs, предназначенный для получения эмбеддингов бразильского португальского текста для поиска и ранжирования. Модель основана на BERTimbau Base и дообучена с использованием объединённого набора весов для задач Retrieval & Reranking. Это SentenceTransformer на архитектуре BERT с mean pooling и L2-нормализацией; для работы не требуется префикс инструкции. Размер — 136,1 млн параметров, длина контекста — 512 токенов. Модель подходит для семантического поиска и сравнения текстов, включая ранжирование результатов по релевантности. В README приведён результат 0,6567 по mean_16 на MTEB для португальского и заявлено лидерство в классе около 100 млн параметров; это оценка из карточки, а не гарантия качества для конкретного набора данных. Лицензия — MIT.

MediaTek Research Breeze-7B-32k-Instruct-v1_0 — чат-модель семейства Breeze, разработанная MediaTek Research на основе Mistral-7B. Это плотный авторегрессионный трансформер с архитектурой MistralForCausalLM и 7,2 млрд параметров, дообученный для диалога и распространённых задач на английском и традиционном китайском. Расширенный словарь содержит 62 тыс. токенов, а контекст достигает 32 768 токенов, что позволяет работать с длинными документами. Модель подходит для многоходового чата, ответов на вопросы, суммаризации и RAG-сценариев, включая поиск ответов в длинных китайских текстах. В README отмечено, что специальной обработки вредоносных запросов нет, поэтому модель может не обеспечивать надёжную защиту от небезопасных ответов. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

Code Llama 13B — базовая генеративная модель Meta для синтеза и понимания кода. Это авторегрессионный трансформер семейства Llama с плотной архитектурой, содержащий 12,9 млрд параметров. Данная версия представлена в формате Transformers и принимает текст, выдавая текст; она поддерживает контекст до 16 384 токенов. Модель предназначена для продолжения и дополнения кода, включая infilling, а также для адаптации к разным задачам генерации и анализа кода. Она рассчитана на английский язык и языки программирования; это базовая версия, а не вариант для следования инструкциям или специализированная Python-модель. Модель может генерировать неточный или нежелательный код, поэтому результаты требуют проверки и тестирования в целевом приложении. Использование регулируется лицензией Meta Llama 2; карточка указывает на наличие коммерческой лицензии Meta.

CodeQwen1.5-7B-Chat-GGUF — набор GGUF-квантизированных вариантов чат-модели CodeQwen1.5-7B-Chat от Qwen, подготовленный пользователем bartowski для запуска через llama.cpp. Модель относится к задачам генерации текста и ориентирована прежде всего на работу с программным кодом в диалоговом формате: написание, объяснение и редактирование кода, а также ответы на связанные с программированием запросы. В названии указано около 7 миллиардов параметров; точная архитектура, размер контекста и перечень поддерживаемых языков в предоставленных данных не описаны. В метаданных указан английский язык. Для диалога необходимо использовать шаблон с ролями system, user и assistant в формате специальных токенов Qwen. Репозиторий содержит варианты с разной степенью квантизации — от Q8_0 размером 7,70 ГБ до IQ1_S размером 2,36 ГБ. Варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M и Q4_K_S отмечены как рекомендуемые; более компактные варианты экономят память, но могут заметно терять в качестве. Q8_0 обеспечивает наиболее высокое качество среди доступных вариантов, однако обычно не требуется. Ограничения модели включают зависимость качества от выбранной квантизации и отсутствие в README сведений о бенчмарках, мультимодальности и поддержке языков помимо заявленного английского. Указана лицензия other с названием tongyi-qianwen; подробные условия приведены в лицензии исходной модели Qwen. Квантизация выполнена с использованием llama.cpp и метода imatrix.

Bwindi/CrawLM — генеративная языковая модель для создания текста и ведения диалогов. Модель доступна для использования через библиотеку Transformers и относится к семейству моделей с тегом llama; общий объём параметров составляет 3,2 млрд, а нативное контекстное окно — до 131 072 токенов.

teven/cross_all_bs160_allneg_finetuned_WebNLG2020_data_coverage — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и оценки сходства предложений. Модель принимает текст и выдаёт эмбеддинги; максимальная длина контекста составляет 514 токенов. Название указывает на дообучение для данных WebNLG 2020 с акцентом на покрытие данных, однако README не описывает подробности обучения или сравнительные результаты. Для использования доступны Sentence-Transformers и Transformers с подходящей операцией pooling. В репозитории представлены веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

DeepSeek-R1-Distill-Qwen-32B-3MPER0RR-abliterated — экспериментально модифицированная версия модели DeepSeek-R1-Distill-Qwen-32B от 3MPER0RR. Это плотная авторегрессионная языковая модель семейства Qwen2 для генерации текста и диалогового взаимодействия. В метаданных указаны 32 млрд параметров и контекст до 131 072 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации ответов и ведения диалога. Автор сообщает, что модель модифицирована методом «abliteration», протестирована и сохранена; подробности метода, тестирования и измерений качества в карточке не раскрыты. Основа — DeepSeek-R1-Distill-Qwen-32B, дистиллированная модель на базе Qwen2.5, ориентированная на рассуждения, математику и программирование. Лицензия — MIT.