I.14Автоматизация процессов и AI-агенты

Luminea-Dare — объединённая диалоговая языковая модель от Arkhiveus, созданная методом DARE TIES с помощью mergekit. В качестве основы использована Arkhiveus/L3.1-70B-Luminea; при объединении также использованы NeverSleep/Lumimaid-v0.2-70B и nvidia/Llama-3.1-Nemotron-70B-Instruct-HF. Модель предназначена для генерации текста в диалоге и ответов на инструкции. По описанию автора, она сохраняет формат ответов Nemotron и стиль письма Lumimaid. Это плотная Llama-архитектура класса LlamaForCausalLM с 69,5 млрд параметров, контекстом до 131 072 токенов и весами в формате safetensors для Transformers. В метаданных лицензия не приведена.

SteelStorage/L3.1-Meta-In-15B — объединённая плотная языковая модель семейства Llama, созданная с помощью mergekit методом passthrough на основе NousResearch/Meta-Llama-3.1-8B-Instruct. Репозиторий содержит веса в формате safetensors; размер модели — 14,5 млрд параметров, контекстное окно — до 131 072 токенов. Модель предназначена для генерации текста и диалогов, включая ответы на инструкции и запросы в чат-сценариях. В метаданных заявлена поддержка text-generation и возможности chat; базовая модель описана как многоязычная инструктивная модель Llama 3.1. Карточка не приводит результатов оценки качества, поэтому фактические сильные стороны сверх характеристик базовой модели подтвердить нельзя. Лицензия в предоставленных данных не указана.

Wei-Jie/labor-roberta-chinese — модель Sentence-Transformers на базе архитектуры BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 1024. Её можно применять для поиска семантически близких текстов, кластеризации и сравнения предложений по смыслу. Модель обучалась с ContrastiveLoss и косинусной метрикой расстояния. Она принимает текст и выдаёт эмбеддинги; максимальная длина контекста составляет 512 токенов. В метаданных указано 424,3 млн параметров и формат PyTorch. Название модели указывает на китайский язык, однако README не уточняет языковое покрытие и результаты оценки.

Blaxzter/LaBSE-sentence-embeddings — копия setu4993/LaBSE с выдачей векторных представлений предложений через pooler_output и кэшированием. Это мультиязычная модель на архитектуре BERT, предназначенная для получения сопоставимых эмбеддингов предложений на 109 языках и поиска соответствующих фрагментов между языками. В метаданных указаны 498,1 млн параметров и контекст до 512 токенов; доступны веса в форматах PyTorch, TensorFlow и Flax. Модель подходит для межъязыкового поиска по предложениям и сравнения их семантического сходства, в том числе в многоязычных коллекциях. Обучение исходной LaBSE сочетало masked language modeling и translation language modeling; данная копия также реализует кэширование эмбеддингов. Лицензия — Apache-2.0. Возможности зависят от поддерживаемых языков и качества исходного текста; README не приводит метрик этой копии.

LEALLA-large — многоязычная модель для получения векторных представлений предложений, разработанная как часть семейства LEALLA и дистиллированная из LaBSE. Это версия, перенесённая с модели v1 на TensorFlow Hub; для неё указана эквивалентность эмбеддингов исходной версии. Модель основана на BERT, содержит 153,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для построения многоязычных эмбеддингов предложений и поиска соответствующих текстов на разных языках, включая двуязычный поиск. В README заявлена поддержка 109 языков. Представлены веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия — Apache-2.0. При сравнении эмбеддингов для некоторых языков, например японского, могут потребоваться более высокие допуски. Сведения о данных, обучении и метриках приведены в оригинальной научной статье.

LeoScorpius-7B-Chat-DPO-Mistral-7B-Instruct-v0.1 — чат-модель, созданная MaziyarPanahi слиянием Mistral-7B-Instruct-v0.1 и LeoScorpius-7B-Chat-DPO методом SLERP. Она предназначена для генерации ответов на инструкции и ведения диалогов. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текстовые ответы. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Метаданные не указывают языковую специализацию модели.

unsloth/LFM2-1.2B-unsloth-bnb-4bit — 4-битная версия модели LFM2-1.2B, разработанной Liquid AI и подготовленной Unsloth. Это гибридная Liquid-модель для edge AI и локального запуска на устройствах, включая смартфоны, ноутбуки и автомобили. Она поддерживает выполнение на CPU, GPU и NPU и предназначена для эффективного использования памяти и высокой скорости инференса. Модель содержит около 1,17 млрд параметров, 16 слоёв, включая 10 сверточных и 6 attention-слоёв, использует архитектуру с мультипликативными gates и короткими свёртками, а также поддерживает контекст до 32 768 токенов. Модель обучена на 10 трлн токенов и рассчитана на английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Она предназначена для агентских сценариев, извлечения данных, RAG, творческого письма и многоходовых диалогов; для узких задач рекомендуется дополнительная настройка. К сильным сторонам относятся компактность, скорость обучения и инференса, эффективность на CPU и сравнительно высокая производительность среди моделей аналогичного размера в задачах знаний, математики, следования инструкциям и многоязычности. Ограничения связаны с небольшим размером: модель не рекомендуется для ресурсоёмких задач, требующих глубоких знаний или программирования. В карточке указана лицензия LFM Open License v1.0; конкретные условия использования следует проверять в тексте лицензии Liquid AI.

MuXodious/LFM2.5-1.2B-Thinking-absolute-heresy — это дообученная версия LFM2.5-1.2B-Thinking от Liquid AI, созданная с помощью инструмента Heretic (v1.1.0) и экспериментального алгоритма abliteration. Модель сохраняет текстовую архитектуру LFM2 и предназначена для генерации ответов в диалогах и рассуждений; карточка также рекомендует её для агентных сценариев, извлечения данных и RAG. В метаданных указаны 1,5 млрд параметров, контекст до 128 000 токенов и поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Модель поставляется в формате Safetensors и рассчитана на работу через Transformers. В карточке приведены результаты abliteration: число отказов снизилось с 99 до 5 из 100, а KL-дивергенция составила 0,0093; автор отмечает, что классификация «Absolute Heresy» условна и не отражает качество модели. Модель не рекомендуется для задач, требующих обширных знаний, и программирования. Лицензия обозначена как other; конкретные условия в предоставленных данных не раскрыты.

Карточка модели ronaldmannak/LFM2.5-Embedding-350M-4bit на Hugging Face совпадает с карточкой mlx-community/LFM2.5-Embedding-350M-4bit, поэтому описание составлено по ней. LFM2.5-Embedding-350M-4bit — 4-битная MLX-сборка мультиязычной плотной двунаправленной модели-энкодера Liquid AI. Она преобразует запросы и документы в 1024-мерные векторы; косинусное сходство между ними подходит для семантического поиска и сопоставления предложений, включая поиск между языками. Модель предназначена для локального запуска на устройствах Apple Silicon с MLX. В репозитории веса переведены из формата PyTorch/safetensors в MLX и квантованы до 4 бит с аффинной схемой и размером группы 64. В README указано, что на наборе из восьми оценённых датасетов качество поиска сохранилось близким к bf16-версии: среднее удержание NDCG@10 составило 100%, Recall@10 — 98,6%. Оценка для мультиязычных наборов проводилась на сокращённых пулах документов, поэтому абсолютные результаты нельзя напрямую сравнивать с результатами на полных корпусах. Метаданные указывают 444,6 млн параметров и контекст до 128 000 токенов. Поддерживаемые языки включают английский, испанский, немецкий, французский, итальянский, португальский, арабский, шведский, норвежский, японский и корейский. Лицензия отмечена как other; конкретные условия следует сверить с карточкой базовой модели LiquidAI/LFM2.5-Embedding-350M.

Карточка модели ronaldmannak/LFM2.5-Embedding-350M-8bit на Hugging Face совпадает с карточкой mlx-community/LFM2.5-Embedding-350M-8bit, поэтому описание составлено по ней. Это 8-битная MLX-версия мультиязычной плотной двунаправленной модели эмбеддингов LiquidAI/LFM2.5-Embedding-350M, подготовленная сообществом mlx-community для локального запуска на компьютерах Apple Silicon. Модель кодирует запросы и документы в векторы размерности 1024; косинусное сходство между ними используют для семантического поиска и оценки близости предложений. Репозиторий содержит преобразованные для MLX веса, квантизованные до 8 бит с аффинным режимом и размером группы 64. В README сообщается, что на описанных тестовых наборах качество поиска практически совпало с вариантом bf16, а размер весов снизился с 709 до 377 МБ. Метаданные указывают контекст до 128 000 токенов и поддержку английского, испанского, немецкого, французского, итальянского, португальского, арабского, шведского, норвежского, японского и корейского языков. Модель предназначена для векторизации текстов и локального поиска на Apple Silicon с MLX. Лицензия указана как other; README отсылает к исходной карточке за сведениями об обучении и предполагаемом использовании, поэтому условия следует сверить с ней. Результаты оценки в README получены на ограниченных пулах документов и не сопоставимы напрямую с результатами на полных корпусах.

Ling-3.0-tiny-GGUF — это конвертация модели Ling-3.0-tiny в формат GGUF для запуска через llama.cpp. Базовую модель разработала команда inclusionAI, а данный вариант опубликован пользователем bloomer010. Модель предназначена для генерации текста, диалоговых сценариев и агентских задач, включая вызов инструментов и раздельный режим рассуждений. Архитектура использует mixture-of-experts: всего 7,9 млрд параметров, из которых 1,3 млрд активируются на каждом токене. Модель содержит 24 слоя, включая 18 KDA- и 6 MLA-слоёв, 128 маршрутизируемых экспертов с 8 активными экспертами на токен и одного общего эксперта. Поддерживаются Q-LoRA с рангом 256 и KV-LoRA с рангом 512, контекст до 131 072 токенов, а также режим рассуждений, включённый по умолчанию. Информация о поддерживаемых языках и мультимодальности в README не указана. Доступны варианты квантования от BF16 до сильно сжатых IQ- и Q-форматов, что позволяет выбирать между качеством и требованиями к памяти; рекомендуемый UD-Q8_K_XL обеспечивает качество, близкое к полной точности. Модель протестирована на CPU и CUDA, включая RTX 4070 и RTX 3060. Ограничения включают возможное преждевременное завершение ответа внутри блока рассуждений и проблемы с агентским использованием и tool calling в llama.cpp без поддержки двух указанных изменений. Для MXFP4_MOE рекомендуется GPU с нативной поддержкой MXFP4, иначе возможна более низкая скорость. Распространяется по лицензии MIT.

MarcoMancini/low-law-emb — модель iMEmbeddings на базе архитектуры BERT, разработанная Marco Mancini. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для поиска по смыслу и кластеризации. Обучение с MultipleNegativesRankingLoss и косинусным сходством нацелено на получение эмбеддингов, пригодных для сравнения текстов. Модель подходит для построения семантического поиска, группировки похожих фрагментов и других задач сравнения предложений. Максимальная длина контекста составляет 512 токенов; модель работает с текстом и выдаёт векторы. В README нет сведений о лицензии, поэтому условия использования по доступным данным определить нельзя.

Mixtral-8x7B-v0.1 — предварительно обученная генеративная языковая модель Mistral AI со sparse Mixture of Experts. В архитектуре Mixtral-8x7B восемь экспертов; модель предназначена для генерации текста и служит базовой моделью для дальнейшей адаптации под конкретные сценарии. В карточке разработчик сообщает, что модель превзошла Llama 2 70B на большинстве проверенных ими бенчмарков. Модель рассчитана на работу с текстом и поддерживает контекст до 32 768 токенов. В метаданных указаны английский, французский, итальянский, немецкий и испанский языки. Веса доступны в формате safetensors; репозиторий подготовлен для обслуживания через vLLM, а README также описывает загрузку через Transformers, хотя отдельно предупреждает, что на момент публикации модель ещё нельзя было инстанцировать через HF. Лицензия — Apache 2.0. Это базовая модель без встроенных механизмов модерации, поэтому ответы могут включать нежелательный контент. Для безопасного применения в пользовательских сценариях нужна отдельная проверка и настройка поведения модели.

Jackrong/MLX-Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-v2-4bit — языковая модель, разработанная Jackrong и преобразованная в формат MLX из Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-v2 с использованием mlx-lm 0.30.7. Модель предназначена для генерации текста и задач, требующих рассуждений; в описании также указана специализация на chain-of-thought. Она рассчитана на использование с библиотекой mlx-lm, в том числе через chat template и интерфейс MLX. Модель имеет размер 27B параметров и представлена в 4-битном формате, что снижает требования к памяти по сравнению с полноразмерным представлением. Поддерживаются английский, китайский и корейский языки. Для обучения или дистилляции заявлены наборы данных nohurry/Opus-4.6-Reasoning-3000x-filtered, Jackrong/Qwen3.5-reasoning-700x и Roman1111111/claude-opus-4.6-10000x. Архитектура, максимальная длина контекста и мультимодальные возможности в README не указаны. Лицензия — Apache-2.0.

MMLW-roberta-base — польскоязычный текстовый энкодер от команды MMLW. Модель построена на архитектуре RoBERTa и содержит 151,6 млн параметров; она преобразует текст в векторы размерностью 768 и поддерживает контекст до 514 токенов. Модель дистиллирована из польского чекпойнта RoBERTa с помощью многоязычного знания, полученного от английских моделей FlagEmbeddings (BGE). Она предназначена для семантического сходства, кластеризации и информационного поиска, а также может служить основой для дальнейшего дообучения. Для запросов требуется префикс «zapytanie: ». В карточке приведены оценки 61,05 на польском бенчмарке MTEB и NDCG@10 53,60 на польском бенчмарке поиска PIRB. Модель принимает текст и выдаёт эмбеддинги; основной язык — польский, а обучение включало пары текстов на польском и английском. Распространяется по лицензии Apache-2.0.

Карточка модели jfarray/Model_bert-base-multilingual-uncased_10_Epochs на Hugging Face совпадает с карточкой jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_10_Epochs, поэтому описание составлено по ней. jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_10_Epochs — модель эмбеддингов предложений на базе BERT, опубликованная пользователем jfarray. Она кодирует предложения и абзацы в плотные векторы размерности 256 для поиска семантически близких текстов и кластеризации. Модель содержит 137,1 млн параметров, работает с текстом и поддерживает контекст до 512 токенов; в карточке указана библиотека Sentence-Transformers и обучение с CosineSimilarityLoss. Модель подходит для семантического поиска и группировки текстов по смыслу. Название базовой модели указывает на испанский BERT dccuchile/bert-base-spanish-wwm-uncased, поэтому основной язык — испанский. В метаданных указаны формат PyTorch и задачи извлечения признаков и сходства предложений. Лицензия в предоставленных данных не указана.

Модель jfarray/Model_bert-base-multilingual-uncased_1_Epochs — модель на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные эмбеддинги размерностью 256. Её можно применять для семантического поиска, сравнения текстов и кластеризации. По метаданным, модель содержит 194,6 млн параметров, принимает текст длиной до 512 токенов и опубликована в формате PyTorch. Модель обучена с помощью Sentence-Transformers и функции потерь CosineSimilarityLoss. README не раскрывает обучающие данные и результаты оценки, поэтому качество для конкретных языков и задач по предоставленным сведениям оценить нельзя. Лицензия в доступных данных не приведена.

Это англоязычная модель Sentence Transformer, разработанная tomaarsen и дообученная на microsoft/mpnet-base с использованием набора gooaq-hard-negatives. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантической близости, семантического поиска и задач сравнения текстов. Сходство векторов можно оценивать косинусной мерой. Модель построена на MPNet с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. Она подходит для поиска ответов на вопросы и других сценариев англоязычного информационного поиска. Также README перечисляет кластеризацию, классификацию текста и поиск парафразов как возможные применения. Модель принимает текст и выдаёт векторы; лицензия — Apache-2.0. Показатели в README приведены для отдельных тестовых наборов и не гарантируют качество на других данных.

FreedomAISVR выпустила квантованную сборку Muse-Glimmer-30B в формате GGUF с квантизацией MXFP4. В основе — Muse-Glimmer-30B от Meta: плотный причинный трансформер примерно на 27,8 млрд параметров со встроенным визуальным энкодером ViT-G/14. Модель предназначена для генерации текста в диалоге и анализа изображений, включая скриншоты, графики и документы. README заявляет контекст 131K+ токенов; для запуска указаны llama.cpp build 1647+ с поддержкой CUDA и видеокарта NVIDIA с 16 ГБ видеопамяти или больше. Квантизация MXFP4 использует 4,46 бита на вес, а файл модели занимает около 14,8 ГБ. В README приведены результаты на RTX 5060 Ti 16GB: 246,3 токена/с при обработке запроса и 25,3 токена/с при генерации; это результаты конкретной конфигурации и оборудования. Для обработки изображений требуется llama-mtmd-cli или сервер llama.cpp с mmproj. Базовая модель имеет лицензию Apache 2.0; отдельные условия лицензии этой сборки в предоставленных данных не приведены.

Nerdofdot/nickprock_mmarco-bert-base-italian-uncased_E_5_nli — модель Sentence-Transformers на базе BERT, разработанная пользователем Nerdofdot. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Обучение с MultipleNegativesRankingLoss и косинусной мерой сходства ориентировано на ранжирование текстовых пар. Модель содержит 137,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт векторные представления. По названию репозитория она предназначена для итальянского языка без учёта регистра; README не сообщает отдельные результаты оценки. В метаданных указан формат safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели Nerdofdot/nickprock_mmarco-bert-base-italian-uncased_TM на Hugging Face совпадает с карточкой Nerdofdot/nickprock_mmarco-bert-base-italian-uncased_E_5_nli, поэтому описание составлено по ней. Nerdofdot/nickprock_mmarco-bert-base-italian-uncased_E_5_nli — модель Sentence-Transformers на базе BERT, разработанная пользователем Nerdofdot. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Обучение с MultipleNegativesRankingLoss и косинусной мерой сходства ориентировано на ранжирование текстовых пар. Модель содержит 137,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт векторные представления. По названию репозитория она предназначена для итальянского языка без учёта регистра; README не сообщает отдельные результаты оценки. В метаданных указан формат safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Undi95/Nous-Hermes-13B-Code — языковая модель генерации текста на архитектуре Llama с 12,9 млрд параметров. Она создана слиянием Nous-Hermes-Llama2-13b с LoRA-адаптером для кода из jondurbin/airoboros-lmoe-13b-2.1/adapters/code: README указывает веса слияния 0,70 и 0,30 соответственно. Модель предназначена для генерации кода и другого текста по текстовым запросам. Контекст составляет до 4096 токенов; репозиторий содержит веса PyTorch. По приведённым сведениям нельзя установить поддерживаемые естественные языки или конкретные языки программирования. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование. Результаты оценки в README приведены для отдельных бенчмарков и сами по себе не гарантируют качество на пользовательских задачах.

Это версия NVIDIA Nemotron 3 Nano 4B в формате GGUF BF16, опубликованная DevQuasar на основе nvidia/NVIDIA-Nemotron-3-Nano-4B-BF16. Модель предназначена для генерации текста и диалогового общения; компактная базовая модель NVIDIA рассчитана также на рассуждения, программирование и агентные сценарии на локальных устройствах. В репозитории указано преобразование в GGUF BF16. Карточка не описывает отдельные настройки, результаты оценки или дополнительные ограничения этой версии. Лицензия в предоставленных данных не указана.

latterworks/ollama-embeddings — дообученная на базе sentence-transformers/all-MiniLM-L6-v2 модель Sentence Transformer для преобразования предложений и абзацев в плотные семантические векторы. Она использует архитектуру BERT с усреднением токенных представлений и нормализацией выходного вектора; размер модели — 25,9 млн параметров, размерность эмбеддинга — 384. README указывает максимум 256 токенов на последовательность, а метаданные — нативный контекст 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации. Для сравнения векторов рекомендована косинусная близость. В README указано дообучение с TripletLoss на наборе из пяти обучающих примеров, поэтому надёжность обобщения на широкие тематики может быть ограничена. Поддержка заявлена для английского базового энкодера; лицензия в предоставленных данных не указана.

OpenAi-GPT-oss-20b-abliterated-uncensored-NEO-Imatrix-gguf — модель, опубликованная DavidAU на основе huihui-ai/Huihui-gpt-oss-20b-BF16-abliterated. Это языковая модель для генерации текста, диалогов, программирования, решения задач, рассуждений, мозгового штурма и творческих сценариев. Модель позиционируется как uncensored и abliterated: из базовой версии были удалены или ослаблены отказы от ответов. Модель относится к архитектуре Mixture of Experts (MoE), имеет заявленный размер 20B и использует 24 эксперта. Она ориентирована прежде всего на английский язык, поддерживает текстовый ввод и вывод и заявлена для контекста до 128k токенов. Распространяется в формате GGUF с вариантами квантования IQ4_NL, Q5_1 и Q8_0, включая версии с одной, двумя или тремя Imatrix-датасетами для оптимизации квантования. Варианты NEO и NEO-CODE ориентированы на общее применение, код и творческие задачи. К сильным сторонам относятся сочетание возможностей для программирования, общего диалога, рассуждений и творческой генерации, а также возможность выбрать баланс качества, скорости и размера через разные варианты квантования. Автор отмечает, что Q5_1 может быть стабильнее IQ4_NL в некоторых сценариях, тогда как IQ4_NL иногда даёт более свободные и непредсказуемые ответы. Ограничением является возможная неровность поведения и нестабильность, связанная с abliteration; модель может генерировать нежелательный или рискованный контент из-за отсутствия стандартных отказов. README не приводит системных требований и результатов независимого бенчмаркинга. Модель распространяется по лицензии Apache-2.0. Условия использования uncensored-версии следует учитывать отдельно от технической лицензии при применении в продуктивных системах.

OpenBuddy — многоязычная диалоговая модель, разработанная командой OpenBuddy на базе Llama 3.3 70B Instruct. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров и контекстом до 131 072 токенов, предназначенная для генерации ответов в чат-сценариях. В карточке заявлено применение на английском и китайском языках; метаданные также перечисляют французский, немецкий, японский, корейский, итальянский и финский. Модель подходит для диалоговых помощников, ответов на вопросы и генерации текста с длинным контекстом. Используются веса Safetensors; для работы с форматом запросов рекомендуется быстрый токенизатор Transformers, также упомянута совместимость с vLLM для развёртывания API. Модель является дообучением Llama 3.3 70B Instruct и распространяется по лицензии Llama 3.3. Ответы могут быть ошибочными, вредными или оскорбительными. Разработчики не рекомендуют применять модель в критических сценариях, включая медицинские, юридические и финансовые решения или управление системами, способными причинить вред.

Карточка модели OpenBuddy/openbuddy-qwq-32b-v24.2-200k на Hugging Face совпадает с карточкой OpenBuddy/openbuddy-qwq-32b-v24.1-200k, поэтому описание составлено по ней. OpenBuddy/openbuddy-qwq-32b-v24.1-200k — дообученная диалоговая языковая модель OpenBuddy на архитектуре Qwen2, основанная на Qwen/QwQ-32B-Preview. Модель содержит 32 млрд параметров и рассчитана на контекст до 200 000 токенов; она принимает текст и генерирует текстовые ответы в формате чат-бота. Модель предназначена для многоязычного общения и генерации текста. Карточка указывает поддержку китайского, английского, французского, немецкого, японского, корейского, итальянского и финского языков. Лицензия — Apache 2.0. Для работы с форматом подсказок рекомендуется быстрый токенизатор Transformers; карточка также упоминает развёртывание через vLLM. Модель может выдавать ошибочные, вредные или оскорбительные ответы. Её не следует применять для критических решений в медицине, финансах и праве, а также для управления потенциально опасным программным или аппаратным обеспечением.

Модель kuhess/OpenHermes-2.5-Mistral-7B-alpaca-cleaned — дообученная разработчиком kuhess версия OpenHermes-2.5-Mistral-7B на архитектуре Mistral. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров с контекстом до 32 768 токенов, предназначенная для генерации текста и диалогового общения. При обучении использовались Unsloth и TRL. Модель подходит для ответов на вопросы, написания и продолжения текста, диалоговых помощников и помощи с кодом. В карточке указан английский язык. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. README не приводит подробностей о наборе данных или результатах оценки качества.

OpenHermes-2.5-neural-chat-v3-3-Slerp-Mistral-7B-Instruct-v0.1 — объединённая методом SLERP чат-модель на архитектуре Mistral, созданная из mistralai/Mistral-7B-Instruct-v0.1 и Weyaxi/OpenHermes-2.5-neural-chat-v3-3-Slerp. Модель содержит 7,1 млрд параметров и предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Модель принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Веса опубликованы в формате safetensors. Модель подходит для диалоговых помощников и генерации ответов на запросы. Поддерживаемые языки в предоставленных данных не перечислены. Лицензия — Apache-2.0. Качество ответов может зависеть от формулировки запроса; как и другие языковые модели, она может генерировать фактические ошибки.

Это дообученная модель Sentence Transformer на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанной командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для семантического поиска, сравнения текстов по смыслу, поиска перефразирований, кластеризации и классификации. Архитектура основана на BERT с усреднением токенных представлений; для сравнения векторов применяется косинусная близость. В метаданных указано 124,3 млн параметров и контекст до 512 токенов; README описывает максимальную длину последовательности 128 токенов, поэтому при использовании следует учитывать возможное усечение текста. Модель дообучена на 4 485 парах запросов и релевантных фрагментов, связанных с правилами и учебными материалами Ханойского университета науки и технологий; примеры датасета на вьетнамском языке. Она подходит для поиска по документам и подбора текстов на нескольких языках, унаследованных от базовой модели. Лицензия в предоставленных данных не указана.