I.14Автоматизация процессов и AI-агенты

yograjm/finetuned-MiniLM-question-answering — модель на базе Sentence Transformers, дообученная разработчиком с помощью AutoTrain для работы с предложениями. Она создаёт плотные векторные представления текста, которые можно использовать для семантического поиска, сравнения запросов и предложений, а также поиска подходящих фрагментов для ответа на вопрос. Модель основана на BERT-архитектуре и содержит 25,9 млн параметров; максимальная длина входа — 512 токенов. Для применения используется библиотека Sentence Transformers, веса представлены в формате safetensors. Название указывает на сценарии вопросов и ответов, однако README описывает обучение как Sentence Transformers и не приводит примеров генерации ответов. Поэтому модель следует рассматривать как энкодер для поиска и сопоставления текста, а не как генератор ответов. Базовая модель — англоязычный sentence-энкодер sentence-transformers/all-MiniLM-L6-v2; лицензия и подтверждённый набор языков в доступных данных не указаны.

duyntnet/gemma-2-27b-it-imatrix-GGUF — набор квантизированных версий instruction-tuned языковой модели Gemma 2 27B IT, опубликованный пользователем duyntnet на базе модели Google gemma-2-27b-it. Формат GGUF предназначен для запуска через llama.cpp и совместимые клиенты, включая KoboldCPP, text-generation-webui и Ollama. Модель относится к задачам генерации текста и поддерживает диалоговое взаимодействие с использованием специального chat template. Известно, что исходные веса модели имеют размер 27 миллиардов параметров и представлены в bfloat16; в данном репозитории опубликованы варианты с квантизацией imatrix. Модель ориентирована прежде всего на англоязычную генерацию, поскольку в карточке указан язык en. Она может применяться для ответов на инструкции, написания текстов, программного кода и других задач text generation. Точный набор квантизаций, размер контекста и архитектурные характеристики в README не указаны. Для запуска подходят llama.cpp и перечисленные совместимые интерфейсы. В README отмечены возможные проблемы Gemma 2 с SDPA и Flash Attention 2, поэтому рекомендуется использовать eager attention; это ограничение относится к исходной модели и способам запуска. Лицензия указана как other, без дополнительных условий в предоставленных данных.

unsloth/gemma-2-9b-it-bnb-4bit — это 4-битная версия instruction-tuned языковой модели Gemma 2 с 9 миллиардами параметров, основанная на google/gemma-2-9b-it. Модель распространяется в экосистеме Unsloth и предназначена для запуска и дообучения с использованием Transformers. В метаданных указаны разработчик базовой модели Google и поддерживаемый язык English. Модель ориентирована на диалоговые приложения, генерацию и продолжение текста, а также на дообучение под пользовательские наборы данных. Ключевой особенностью является 4-битное квантование bnb, снижающее требования к памяти; для Gemma 2 (9B) Unsloth заявляет ускорение до 2,4 раза и сокращение использования памяти до 58% в соответствующих сценариях. Модель также может экспортироваться в форматы GGUF и использоваться с vLLM, однако размер контекста, точный набор поддерживаемых языков и другие архитектурные характеристики в README не указаны. Сильные стороны модели — относительно экономичный запуск и возможность эффективного fine-tuning на ограниченных ресурсах, включая GPU Tesla T4. Ограничения связаны с 4-битным представлением, предназначенностью базовой модели преимущественно для English и отсутствием в README подробных результатов оценки качества. Лицензия указана как gemma; перед использованием необходимо учитывать условия лицензии Google Gemma.

Hermes 3 Llama 3.1 70B 4bit — чат-модель, подготовленная сообществом mlx-community для запуска в экосистеме MLX. Она преобразована в формат MLX из NousResearch/Hermes-3-Llama-3.1-70B с помощью mlx-lm 0.16.1. В основе лежит дообученная плотная модель Llama 3.1 с архитектурой LlamaForCausalLM и 69,5 млрд параметров; модель рассчитана на диалоги и следование инструкциям, поддерживает контекст до 131 072 токенов и английский язык. Модель подходит для чат-ботов, ответов на вопросы, генерации текста и ролевых диалогов. Тег 4bit в названии указывает на 4-битное представление, однако метаданные перечисляют формат safetensors, поэтому точный способ представления весов в репозитории не подтверждён. Лицензия — Llama 3 Community License (llama3); условия её использования следует учитывать при развёртывании.

1024m/HPhi-4-00-fp16 — дообученная 1024m модель для генерации текста и диалогов. Она основана на unsloth/phi-4 и обучалась с использованием Unsloth и библиотеки TRL; архитектура в метаданных указана как LlamaForCausalLM, плотная, размер — 14,1 млрд параметров. Модель принимает текст и выдаёт текст, поддерживает контекст до 16 384 токенов и ориентирована на английский язык. Модель подходит для ведения диалога и генерации англоязычных ответов, рассуждений и кода. В репозитории представлены веса в формате safetensors. Лицензия — Apache-2.0.

rahmanfadhil/indobert-finetuned-indonli — модель эмбеддингов предложений на базе IndoBERT от indobenchmark, дообученная автором на наборе IndoNLI с функцией потерь MultipleNegativesRankingLoss. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска по смыслу и кластеризации индонезийских текстов. Архитектура — BERT, число параметров — 151,6 млн, формат весов — PyTorch, максимальная длина контекста — 512 токенов. Лицензия в предоставленных данных не указана.

shyamieee/j4rviz-v4.0 — объединённая языковая модель на архитектуре Mistral, созданная с помощью mergekit методом task arithmetic. В качестве базовой использована bophades-mistral-truthy-DPO-7B; также в объединение вошли Calme-7B-Instruct-v0.9 и multi_verse_model. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст. Её задача — генерация текста, включая диалоговые ответы и выполнение инструкций в текстовом формате. Модель использует библиотеку Transformers, веса представлены в формате safetensors. Длина контекста составляет 32 768 токенов. Карточка не сообщает о специализации на конкретной предметной области или языках, поэтому модель следует рассматривать как языковую общего назначения. Лицензия — Apache-2.0.

jina-embeddings-v5-text-nano-clustering — компактная модель для получения текстовых эмбеддингов, разработанная Jina AI. Она предназначена прежде всего для кластеризации текстов и входит в семейство jina-embeddings-v5-text; модель является квантованным вариантом базовой jina-embeddings-v5-text-nano. Модель содержит 239 млн параметров, поддерживает мультиязычные тексты и обрабатывает последовательности длиной до 8192 токенов. Размер выходного эмбеддинга составляет 768 измерений, доступны также укороченные Matryoshka-размерности 32, 64, 128, 256 и 512. Используется pooling по последнему токену. Обучение основано на дистилляции и задачно-ориентированных контрастивных потерях; заявлено превосходство над сопоставимыми моделями на различных embedding-бенчмарках. Сильные стороны модели — компактность, высокая производительность для задач кластеризации, поддержка длинного контекста и возможность выбирать размер эмбеддинга для компромисса между качеством и эффективностью. README не описывает конкретный список поддерживаемых языков и не приводит подробных результатов оценки, поэтому качество для отдельных языков и доменов может различаться. Для использования рекомендуются transformers, PyTorch и vLLM; доступна интеграция с sentence-transformers и llama.cpp через специальную ветку. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не для коммерческих целей.

jina-embeddings-v5-text-small-clustering — компактная модель векторных представлений текста от Jina AI, предназначенная прежде всего для кластеризации. Это квантизированная версия базовой модели jinaai/jina-embeddings-v5-text-small, обученная с использованием дистилляции и задачных контрастивных потерь. Модель подходит для группировки текстов по смыслу и других сценариев, где требуется преобразование документов или фрагментов текста в эмбеддинги. Модель содержит 677 млн параметров, поддерживает многоязычные тексты и обрабатывает последовательности длиной до 32 768 токенов. Размер выходного эмбеддинга составляет 1024 измерения; поддерживаются Matryoshka-размерности 32, 64, 128, 256, 512, 768 и 1024, что позволяет выбирать компромисс между качеством и затратами на хранение и поиск. Используется pooling по последнему токену. Модель интегрируется с sentence-transformers, vLLM, llama.cpp и Elastic Inference Service. Сильными сторонами являются компактность, высокая производительность для своего размера, большой контекст и возможность адаптировать размер вектора. Ограничение модели — заявленная специализация на кластеризации; README не приводит подробностей о точном наборе поддерживаемых языков и не описывает качество для других задач. Распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями, включая некоммерческий характер лицензии.

alfaneo/jurisbert-base-portuguese-sts — модель на основе BERT, разработанная для представления предложений и абзацев на португальском языке в виде плотных векторов размерности 768. Её можно использовать для семантического поиска, сравнения текстов и кластеризации; для работы доступны форматы PyTorch и Safetensors. Модель содержит 136,1 млн параметров и принимает последовательности длиной до 512 токенов. В README описано обучение с CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

Kimi-Linear-48B-A3B-Base — базовая языковая модель Moonshot AI с архитектурой Kimi Linear и разреженной смесью экспертов. В карточке указаны 48 млрд параметров всего и около 3 млрд активируемых параметров; метаданные каталога отдельно приводят 2,7 млрд параметров. Модель использует гибридное внимание Kimi Delta Attention и MLA с соотношением 3:1 и предназначена для генерации текста, включая диалоги и задачи с длинным контекстом. Заявленная длина контекста — до 1 млн токенов. Архитектура нацелена на эффективную работу с длинными последовательностями: в README заявлены сокращение KV-кэша до 75% и ускорение декодирования до 6 раз в некоторых сценариях. Это базовая версия, поэтому для диалога и следования инструкциям может потребоваться дополнительная настройка. Указана лицензия MIT.

ddobokki/klue-roberta-base-nli-sts — модель эмбеддингов предложений на базе архитектуры RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантического сходства, семантического поиска и кластеризации текстов. Модель содержит 137,8 млн параметров и принимает текстовые последовательности длиной до 514 токенов. В карточке описано обучение с функцией потерь CosineSimilarityLoss. Файлы доступны в форматах PyTorch и Safetensors; для использования подходят Sentence-Transformers или Transformers с соответствующим pooling. Это производная модель на основе KLUE-RoBERTa-base, дообученная для задач сходства предложений и семантического представления текста. Основной язык — корейский, что следует из KLUE в названии базовой модели. Условия лицензирования в предоставленных данных не указаны.

ParkMyungkyu/KLUE-STS-roberta-base — модель эмбеддингов предложений на архитектуре RoBERTa, представленная автором ParkMyungkyu. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически похожих текстов, кластеризации и сравнения предложений. Модель содержит 137,8 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Для использования доступны Sentence-Transformers и Transformers; при работе через Transformers требуется применить pooling к контекстным представлениям токенов. Модель обучалась с CosineSimilarityLoss и ориентирована на семантическое сходство в корейском бенчмарке KLUE-STS. Лицензия в предоставленных данных не указана.

Kosmos-2.5-chat — мультимодальная модель Microsoft для визуальных вопросов и ответов по изображениям с текстом. Она дообучена на основе Kosmos-2.5 и использует авторегрессионный Transformer с декодером, принимающий изображение и текстовый запрос и генерирующий текстовый ответ. Модель предназначена для визуального анализа документов и других изображений с большим объёмом текста. Исходное семейство Kosmos-2.5 также распознаёт текст с пространственными координатами и преобразует структуру и оформление документов в Markdown; карточка этой версии отдельно указывает обучение для задач VQA. Модель доступна в формате Safetensors и используется через Transformers версии 4.56 или новее. Поддерживаемый язык карточки — английский. Модель может ошибаться и галлюцинировать, поэтому результаты распознавания и ответы по содержимому изображения требуют проверки. Лицензия — MIT.

Kunoichi-DPO-v2-Instruct-32k-7B — языковая модель, созданная автором репозитория слиянием моделей через mergekit. В основе лежит alpindale/Mistral-7B-v0.2-hf; в слияние также вошли mistralai/Mistral-7B-Instruct-v0.2 и SanjiWatsuki/Kunoichi-DPO-v2-7B. Использован метод DARE TIES, итоговые веса представлены в формате bfloat16. Модель на архитектуре Mistral с 7,1 млрд параметров предназначена для генерации текста и ответов на инструкции. Заявленная длина контекста — до 32 768 токенов; включение Instruct-модели могло изменить поведение исходной Kunoichi-DPO-v2. Данных о целевых языках и специальных прикладных областях в карточке нет. Лицензия в предоставленных данных не указана.

lemur-70b-chat-v1 — разговорная большая языковая модель OpenLemur, представленная в формате causal language model на архитектуре Llama. В репозитории указаны 68,7 млрд параметров, библиотека Transformers и веса PyTorch; модель создаёт текст по текстовому запросу и предназначена для диалогового использования. Метаданные также отмечают поддержку задач генерации кода. Модель рассчитана на английский язык, её родной контекст составляет 4096 токенов. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и запрещает коммерческое применение. README не содержит сведений о результатах оценки или специальных ограничениях качества.

LFM2.5-Embedding-350M-bf16 — мультиязычная модель-энкодер Liquid AI, преобразующая запросы и документы в векторы для семантического поиска и сравнения сходства. Репозиторий mlx-community содержит сборку для локального запуска на устройствах Apple Silicon с библиотекой MLX; архитектура — двунаправленный плотный энкодер LFM2.5 с 1024-мерным CLS-представлением. Число параметров — 444,6 млн, исходная точность bf16 сохранена, контекст — до 128 000 токенов. Модель подходит для поиска документов по смыслу, многоязычного и кросс-языкового поиска, а также ранжирования по косинусному сходству векторных представлений. В README приведены оценки retrieval на небольших наборах NanoBEIR и сокращённых пулах MIRACL для нескольких языков; авторы предупреждают, что абсолютные результаты MIRACL нельзя напрямую сравнивать с лидербордом. Это конверсия исходной модели LiquidAI/LFM2.5-Embedding-350M: веса и поведение сохранены, изменён формат для MLX. Лицензия указана как other; конкретные условия следует сверить с карточкой исходной модели.

Linkbricks-Horizon-AI-Korean-Advanced-70B — корейская языковая модель, дообученная специалистом Linkbricks Джи Юнсоном (Saxo) на базе Hermes-3-Llama-3.1-70B. Это плотная causal language model семейства Llama с 69,5 млрд параметров; для обучения использованы continued pretraining, SFT и DPO, при этом токенизатор оставлен без изменений. Модель поддерживает контекст до 131 072 токенов и доступна в форматах Safetensors и GGUF. Модель предназначена для диалогов и генерации текста, особенно на корейском языке. Среди заявленных сценариев — перевод между корейским, английским, китайским и японским языками, суммаризация, анализ отзывов и публикаций в соцсетях, программирование, математика и логические задачи. Также заявлена поддержка вызова инструментов и функций на корейском языке. Обучение включало корейские новостные корпуса и наборы данных для перевода, суммаризации, вопросов и ответов, анализа тональности и инструкций. Модель может быть полезна для корейскоязычных задач, однако карточка не приводит независимых оценок качества. Распространяется по лицензии Apache-2.0.

Карточка модели ombd/llama-3.1-8b-base на Hugging Face совпадает с карточкой unsloth/Meta-Llama-3.1-8B, поэтому описание составлено по ней. Meta-Llama-3.1-8B — плотная авторегрессионная языковая модель семейства Llama, опубликованная Meta и представленная в репозитории Unsloth в формате safetensors. Модель предназначена для генерации текста и диалоговых сценариев; карточка также описывает её как основу для дообучения с помощью ноутбуков Unsloth. Модель содержит 7,5 млрд параметров, работает с текстом и поддерживает контекст длиной до 131 072 токенов. В метаданных указан английский язык. Для использования действует лицензия Llama 3.1. README не приводит результатов оценки качества или подробных ограничений применения.

Llama-3.1-Tulu-3-8B-SFT — англоязычная инструкционная модель семейства Tülu 3, разработанная AI2 и дообученная на базе meta-llama/Llama-3.1-8B. Это плотная авторегрессионная архитектура LlamaForCausalLM с 7,5 млрд параметров, предназначенная для диалогов и выполнения разнообразных инструкций, включая математические задачи и следование формату ответа. Модель поддерживает контекст до 131 072 токенов и распространяется в формате Safetensors для использования с Transformers. Модель подходит для чат-ботов, ответов на вопросы, решения математических задач и оценки следования инструкциям. Карточка приводит результаты сравнительных тестов, в том числе MMLU, PopQA, GSM8K и IFEval, но они не гарантируют качество в конкретном приложении. По описанию модели, обучение безопасности ограничено, поэтому ответы могут быть проблематичными, особенно при соответствующих запросах. Лицензия — Llama 3.1 Community License Agreement.

Positron AI публикует неизменённую копию Llama-3.2-1B-Instruct от Meta: веса, токенизатор и конфигурация побайтно совпадают с указанным upstream-снимком. Это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров, предназначенная для диалогов и генерации текста; заявленное контекстное окно — 131 072 токена. Метаданные указывают поддержку английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков, а также интерфейс для вызова инструментов. Модель подходит для ответов на вопросы, суммаризации, помощи в написании текста и других задач генерации текста. Репозиторий содержит веса в формате SafeTensors и распространяется по лицензии Llama 3.2. README сообщает, что это неизменённая перепубликация исходной модели, а не отдельное дообучение; при этом метаданные классифицируют связь с базовой моделью как finetune, поэтому происхождение указано по метаданным. Подробные оценки и ограничения в карточке этой копии не приведены.

Orion-zhen разработал чат-модель Orion-zhen/Llama3-70B-Orion-Chinese на основе failspy/Llama-3-70B-Instruct-abliterated-v3, дообучив её методом DPO. Это плотная авторегрессионная модель семейства Llama 3 с 69,5 млрд параметров, контекстом 8192 токена и поддержкой диалога; карточка демонстрирует ответы на китайском языке с более оживлённой подачей и частым использованием эмодзи. Модель предназначена для диалога на китайском, рассуждений, ответов на вопросы и генерации кода. В README приведены примеры решения математических и логических задач, бытовых вопросов, анализа эмоций и написания кода. Метаданные также связывают обучение с наборами предпочтений для китайского и английского диалога, математики, физического рассуждения, кода и других ответов. Файлы опубликованы в формате Safetensors. Лицензия — Llama 3; применимость и условия использования следует сверять с её условиями. Примеры README показывают возможные ошибки в рассуждениях и небезопасные советы, поэтому ответы требуют проверки; инструкция по расширению контекста до 32k в карточке не подтверждена как штатная длина контекста модели.

unsloth/llama-3-8b — плотная авторегрессионная языковая модель семейства Llama 3, разработанная Meta и представленная в репозитории Unsloth. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 8192 токена. В метаданных указан английский язык. Репозиторий содержит веса в формате Safetensors. Модель подходит для генерации продолжений текста и диалоговых сценариев. README Unsloth также предлагает ноутбуки для дообучения Llama 3 8B, включая разговорный формат ShareGPT ChatML/Vicuna и завершение произвольного текста; сам README описывает инструменты и примеры настройки обучения, а не отдельную специализацию чекпойнта. Репозиторий указывает лицензию Llama 3 (llama3); условия использования определяются лицензией Meta Llama 3.

sharedalfalfa/market-matcher-trained-v1 — дообученный разработчиком модели энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2 для сопоставления текстов. Он преобразует предложения и абзацы в плотные векторы размерности 384; сходство между векторами оценивается косинусной мерой. Архитектура состоит из BERT-энкодера, среднего пулинга токенов и нормализации. По метаданным модели в ней 25,9 млн параметров, а длина контекста составляет до 512 токенов; в конфигурации из README указана максимальная длина последовательности 256 токенов. Модель предназначена для семантического сравнения, поиска похожих текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации. README указывает на обучение на наборе из 179 пар предложений с оценками сходства; примеры посвящены прогнозным рынкам, но данных недостаточно, чтобы считать специализацию на этой области подтверждённой. Карточка не сообщает лицензию. Англоязычная базовая модель предполагает основной упор на английский; качество для других языков не подтверждено.

Memgpt-slerp-7b-4 — диалоговая языковая модель, созданная объединением методом SLERP моделей starsnatched/MemGPT и liminerity/Memgpt-slerp-7b-3 с помощью LazyMergekit. В основе лежит архитектура Mistral; модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста и может использоваться в чат-ботах и сценариях, где требуется вести беседу с учётом длинного контекста. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

FriendliAI/MiniCPM-o-2_6 — мультимодальная модель MiniCPM-o 2.6, разработанная командой OpenBMB и размещённая FriendliAI. Это плотная end-to-end архитектура MiniCPMO на 7,1 млрд параметров с компонентами для зрения, речи и текста; модель поддерживает контекст до 32 768 токенов и работает через Transformers. Модель предназначена для диалога с изображениями, распознавания и описания аудио, синтеза речи, перевода речи, а также взаимодействия в реальном времени с потоками видео и аудио. Она поддерживает английский и китайский для двуязычного речевого диалога и заявляет мультиязычные возможности более чем для 30 языков. Среди особенностей — OCR, обработка изображений с разными пропорциями сторон, управление стилем и скоростью речи и клонирование голоса. Модель компактна для своего набора мультимодальных возможностей и рассчитана в том числе на запуск на конечных устройствах; для изображений высокого разрешения заявлена эффективная обработка по числу визуальных токенов. Для инференса доступны разные варианты, включая квантизированные сборки, однако этот репозиторий содержит safetensors. Лицензия — Apache-2.0.

MaziyarPanahi/Ministral-3-14B-Reasoning-2512-GGUF — это набор файлов модели в формате GGUF для исходной модели Ministral-3-14B-Reasoning-2512, разработанной компанией Mistral AI. Квантизацию и публикацию этой версии выполнил MaziyarPanahi. Модель относится к классу генеративных текстовых моделей и предназначена для задач text-generation, включая локальный запуск через совместимые приложения и библиотеки. Формат GGUF ориентирован на эффективный запуск моделей, в том числе с использованием llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и других поддерживающих его инструментов. В репозитории представлены варианты квантизации с разрядностью от 2 до 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством вывода. Заявленный размер исходной модели — 14B параметров. README не содержит сведений об архитектуре, поддерживаемых языках и модальностях, размере контекстного окна, результатах тестирования или конкретных ограничениях качества. Лицензия в предоставленных данных также не указана, поэтому условия использования необходимо уточнять в карточке исходной модели и репозитории. Для работы требуется совместимое программное обеспечение с поддержкой GGUF; конкретные требования к оборудованию зависят от выбранной разрядности и режима запуска.

Карточка модели PIXMELT/Mistral-7B-Instruct-v0.2 на Hugging Face совпадает с карточкой Sacralet/mistral-7B, поэтому описание составлено по ней. Sacralet/mistral-7B — диалоговая instruction-модель на базе Mistral-7B, представленная как улучшенная instruct-версия Mistral-7B-Instruct-v0.1. Архитектура — плотный трансформер MistralForCausalLM с Grouped-Query Attention и Sliding-Window Attention; размер составляет 7,1 млрд параметров, контекст — до 32 768 токенов. Для инструкций используется формат [INST]…[/INST], доступный также через шаблон чата Transformers. Модель предназначена для диалогов и генерации ответов на инструкции. В карточке указана лицензия Apache-2.0. README описывает её как демонстрацию возможностей дообучения базовой модели и отмечает отсутствие механизмов модерации. Языковая поддержка отдельно не перечислена.

SlimOrca Mixtral 8x7B — дообученная языковая модель, выпущенная OpenAccess AI Collective и OpenOrca на базе mistralai/Mixtral-8x7B-v0.1 с использованием датасета Open-Orca/SlimOrca. Это авторегрессионная модель генерации текста с архитектурой Mixtral sparse Mixture of Experts; она подходит для генерации продолжений и ответов на текстовые запросы. Модель поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Лицензия — Apache 2.0.

Модель jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_5_Epochs — модель Sentence-Transformers на базе BERT, преобразующая предложения и абзацы в плотные векторы размерности 256. Она предназначена для поиска семантически близких текстов и кластеризации; также подходит для сравнения сходства предложений. Модель содержит 137,1 млн параметров, использует формат PyTorch и принимает последовательности длиной до 512 токенов. Обучение проводилось с функцией потерь CosineSimilarityLoss. По названию репозитория базовая модель — dccuchile/bert-base-spanish-wwm-uncased; модель ориентирована на испанский язык. Лицензия в предоставленных данных не указана.