I.14Автоматизация процессов и AI-агенты

Qdrant/gte-large-onnx — ONNX-порт модели thenlper/gte-large, подготовленный для использования в экосистеме Qdrant. Это текстовая модель, формирующая векторные представления текстов и предназначенная для задач семантического сходства и поиска по близости, а также для сценариев классификации текста на основе эмбеддингов. Модель принимает текст на вход и преобразует его в числовой вектор фиксированной размерности. В README не указаны точные архитектура, количество параметров, размерность эмбеддингов, максимальная длина контекста и перечень поддерживаемых языков. Модель совместима с FastEmbed, что упрощает получение эмбеддингов для коллекций документов и последующее использование в системах семантического поиска. К сильным сторонам относятся формат ONNX и ориентация на задачи similarity search, однако README не содержит подробных сведений о качестве, производительности, ограничениях по длине текста или языковой специализации. Модель распространяется по лицензии Apache 2.0.

HelpingAI-Lite-4x1b — языковая модель семейства Mixtral, созданная Abhaykoul как MoE-объединение четырёх моделей с помощью VortexMerge kit. Эксперты включают OEvortex/HelpingAI-unvelite, OEvortex/lite-hermes, OEvortex/HelpingAI-Lite и OEvortex/HelpingAI-Lite-1.5T; в конфигурации указаны базовая модель OEvortex/HelpingAI-Lite, режим маршрутизации cheap_embed и точность float16. Модель предназначена для диалогового общения, общих запросов и помощи с кодом. В метаданных указаны 1 млрд параметров, контекст до 2048 токенов и формат safetensors. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках в карточке не приведены. Распространяется по лицензии Apache-2.0. README описывает объединение моделей, но не приводит сравнительных оценок качества или подробностей о поведении маршрутизатора.

Weyaxi/HelpSteer-filtered-7B — языковая модель, дообученная на базе Mistral-7B-v0.1 на наборе данных Weyaxi/HelpSteer-filtered. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и следования инструкциям. Она принимает текст и генерирует текст; карточка указывает английский язык и контекст до 32 768 токенов. Модель распространяется в формате safetensors по лицензии CC BY 4.0. К карточке также относится версия с LoRA-весами Weyaxi/HelpSteer-filtered-7B-Lora.

Human-Like-Qwen2.5-1.5B-Instruct — компактная языковая модель на архитектуре Qwen2, разработанная на основе Qwen/Qwen2.5-1.5B-Instruct и дообученная с помощью AutoTrain на Human-Like-DPO-Dataset. Модель предназначена для генерации текста и диалоговых ответов; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 1,5 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Указаны языки китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. Репозиторий содержит веса в формате safetensors и доступен по лицензии other; конкретные условия этой лицензии следует проверить перед использованием.

Hypa-Llama3.1-8b-SFT — созданная Hypa Intelligence многоязычная модель генерации текста на базе Meta Llama 3.1 8B Instruct. Это продолжение дообучения предыдущего чекпойнта Hypa-Llama методом SFT с LoRA/QLoRA; адаптер объединён с весами в 16-битном формате. Модель содержит 7,5 млрд параметров, использует архитектуру Llama и библиотеку Transformers. Лицензия — Apache-2.0. Модель предназначена для перевода между английским, французским, испанским и четырнадцатью языками Нигерии, определения языка, словарных объяснений, многоязычного следования инструкциям и вызова инструментов в формате Llama. В карточке перечислены 17 поддерживаемых языков; контекст обучения составляет 2048 токенов, хотя базовая конфигурация унаследовала более длинное окно контекста. К сильным сторонам относятся поддержка ряда малоресурсных языков и структурированный вывод в Markdown или JSON. Качество может заметно различаться между языками, поэтому для редких языков ответы следует проверять с носителями; JSON иногда требует исправления. Модель не проходила дополнительную настройку безопасности после SFT и не предназначена для самостоятельного применения в медицинских, юридических, финансовых и психологических сценариях.

Idefics2-8b — мультимодальная модель компании Hugging Face, объединяющая зрительный энкодер SigLIP и языковую модель Mistral-7B. Модель содержит 8 млрд параметров, принимает текстовые запросы и одно или несколько изображений, в том числе в произвольном чередовании с текстом, и генерирует текстовые ответы. Основной язык карточки — английский. Лицензия — Apache 2.0. Модель предназначена для ответов на вопросы об изображениях, создания подписей, чтения текста на изображениях и документах, а также анализа диаграмм и графиков. Архитектура обрабатывает изображения с сохранением их исходного разрешения и соотношения сторон; поддерживается разрешение до 980 × 980 пикселей и разбиение на подизображения. Генерация изображений не поддерживается. Версия Idefics2-8b дообучена следовать инструкциям и подходит для использования без дополнительной настройки или как основа для дообучения под конкретные задачи. Обычно модель отвечает кратко; для длинных ответов авторы рекомендуют вариант idefics2-8b-chatty. Модель может выдавать фактически неверные ответы и вредные стереотипы, поэтому она не предназначена для принятия решений с серьёзными последствиями. Для работы с Transformers следует учитывать несовместимость версий 4.41.0–4.43.3 включительно.

MarcoAland/Indonesian-bge-m3 — Sentence Transformer на базе BAAI/bge-m3, дообученный автором репозитория для работы с индонезийскими текстами. Модель использует архитектуру XLM-RoBERTa с плотным представлением: преобразует предложения и абзацы в нормализованные векторы размерности 1024, а сходство между ними оценивается косинусной мерой. Заявленная максимальная длина последовательности — 8192 токена; число параметров — 658,7 млн. Модель подходит для семантического поиска, сравнения предложений, поиска перефразировок, кластеризации и классификации текста. Обучение проводилось на 45 000 примерах с парами положительных и отрицательных соответствий и функцией потерь MultipleNegativesRankingLoss. Примеры в карточке — на индонезийском языке; метаданные также указывают на многоязычную базовую модель, но для этой версии основной целевой язык — индонезийский. Модель выдаёт текстовые эмбеддинги, а не готовые ответы или метки; для поиска и классификации потребуется подходящий downstream-процесс. В карточке приведены результаты оценки, но они не позволяют судить о качестве на всех прикладных наборах данных. Условия лицензирования в предоставленных данных не указаны.

indoSBERT-large — модель семейства BERT, опубликованная пользователем denaya в формате PyTorch и предназначенная для получения плотных векторных представлений предложений и абзацев на индонезийском языке. Модель основана на sentence-transformers и дообучена по схеме сиамской сети, вдохновлённой SBERT, с использованием набора STS 2012–2016, переведённого на индонезийский язык. Размер эмбеддинга — 256 измерений, контекст — до 512 токенов. Полученные векторы подходят для семантического поиска, сравнения смысловой близости предложений и кластеризации текстов. Доступны веса PyTorch; модель принимает текст и выдаёт векторы. Лицензия в предоставленных сведениях не описана.

InnerILLM-7B-slerp — объединённая языковая модель, созданная автором репозитория с помощью LazyMergekit из OpenPipe/mistral-ft-optimized-1218 и mlabonne/NeuralHermes-2.5-Mistral-7B методом SLERP. Это плотная причинно-языковая архитектура Mistral с 7,1 млрд параметров; указанный размер контекста — 32 768 токенов. Модель предназначена для генерации текста, включая диалоговые ответы и задачи рассуждения. В README приведены результаты оценки на бенчмарках AI2 Reasoning Challenge и HellaSwag, а также средняя потеря модели; эти показатели не гарантируют качество на других задачах. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Данные о целевых языках и специализированных областях применения не приведены.

InternVL3-9B — мультимодальная модель OpenGVLab семейства InternVL3 для диалога и задач, связывающих изображения с текстом. Она построена по схеме ViT-MLP-LLM: визуальный кодировщик InternViT соединён с языковой моделью через MLP-проектор. Для языковой части семейства используются предварительно обученные LLM, включая Qwen 2.5; в этой версии применяется динамическое разбиение изображений на фрагменты 448×448 и поддерживаются несколько изображений и видео. Модель предназначена для описания и анализа изображений, визуальных вопросов и ответов, мультимодальных рассуждений, понимания видео, GUI-сценариев, работы с инструментами и 3D-сцен. Подходит также для задач на чистом тексте. README описывает развитие возможностей в семействе InternVL3, но не приводит отдельные показатели качества или точную длину контекста именно этой модели. Метаданные связывают репозиторий с OpenGVLab/InternVL3-9B-Instruct как с базовой дообученной моделью; файлы представлены в формате safetensors. Лицензия — MIT.

jina-embeddings-v5-omni-nano-clustering-GGUF — мультимодальная модель эмбеддингов, разработанная Jina AI и представленная в формате GGUF для llama.cpp. Это квантованный вариант jinaai/jina-embeddings-v5-omni-nano-clustering с текстовой, визуальной и аудиокомпонентами; модель преобразует текст, изображения, видео и аудио в 768-мерные векторы единого пространства. Благодаря этому документы можно индексировать с использованием текста, а выполнять поиск или сопоставление — по любой поддерживаемой модальности без переиндексации. Модель предназначена прежде всего для кластеризации мультимодальных данных и поддерживает контекст до 8192 токенов. Она использует pooling по последнему токену, содержит около 0,95 млрд параметров и поддерживает Matryoshka-размерности эмбеддингов 32, 64, 128, 256, 512 и 768. Заявлены входы в распространённых форматах изображений, видео и аудио, а также PDF. Доступны F16 и 13 уровней int-квантизации текстовой части; мультимодальные проекторы поставляются в F16. Сильные стороны модели — единое векторное пространство для нескольких модальностей, компактный размер, возможность локального запуска через llama.cpp и уменьшения размерности вектора под требования приложения. Ограничения связаны с тем, что для мультимодального режима требуются специальные патчи Jina AI для llama.cpp, которые, согласно README, ещё не включены в upstream-версию; также численные бенчмарки и дополнительные ограничения вынесены в отдельную документацию. Лицензия — CC BY-NC 4.0, допускающая использование с ограничениями, включая некоммерческий характер лицензии.

Jina Embeddings v5 Text Small Retrieval MLX — порт модели эмбеддингов Jina AI для Apple Silicon. Модель основана на Qwen3-0.6B с предварительно объединёнными LoRA-адаптерами; размер — около 507,9 млн параметров. Она преобразует поисковые запросы и документы в векторы размерностью до 1024, поддерживает обрезку векторов до 32, 64, 128, 256, 512, 768 или 1024 измерений и контекст до 32 768 токенов. Модель предназначена для семантического поиска и retrieval-сценариев на устройствах Apple Silicon с ускорением Metal. Для запросов и фрагментов документов предусмотрены отдельные типы задач retrieval.query и retrieval.passage. Репозиторий содержит веса safetensors и использует библиотеку MLX. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование без дополнительного разрешения. Это специализированная модель для извлечения признаков и построения эмбеддингов, а не генерации ответов. Заявленная оптимизация рассчитана на Apple Silicon; README не описывает производительность на других аппаратных платформах.

KE-T5-Base — текстовая модель семейства T5, опубликованная Корейским институтом электроники и технологий (Korea Electronics Technology Institute, KETI), Центром исследований искусственного интеллекта. Она использует архитектуру T5 для преобразования текста в текст: один и тот же формат подходит для генерации ответа или преобразованного текста в широком наборе задач NLP. В карточке указаны 148,3 млн параметров, контекст 512 токенов и поддержка английского и корейского языков. Модель доступна в форматах PyTorch, TensorFlow и Flax; лицензия Apache 2.0. Модель предназначена для дообучения и применения в задачах перевода, суммаризации документов, ответов на вопросы, классификации, анализа тональности и регрессии с текстовым представлением результата. Она предварительно обучена на корпусе C4 и смеси несупервизируемых и супервизируемых задач. Карточка описывает базовую модель T5 и не приводит отдельной оценки результатов именно для KE-T5-Base. Генерации могут содержать вредные стереотипы и предвзятость; следует учитывать это при оценке и использовании модели.

kf-deberta-multitask — корейская модель sentence-transformers на архитектуре DeBERTa-v2, предназначенная для получения плотных векторных представлений предложений и абзацев. Разработчик не назван в доступной части карточки. Модель содержит 213,1 млн параметров, выдаёт эмбеддинги размерностью 768 и имеет контекстное окно 512 токенов. Модель обучалась на KorSTS и KorNLI в многозадачном режиме и оценивалась на KorSTS. Она подходит для семантического поиска, сравнения смысловой близости текстов и кластеризации; README приводит метрики корреляции для нескольких способов сравнения векторов. Для извлечения эмбеддингов через Transformers требуется применять подходящую операцию pooling к контекстным представлениям токенов. Сведения о лицензии в предоставленных источниках отсутствуют.

Spicyneuron/Kimi-K2.7-Code-MLX-3.6bit — квантованная версия модели Kimi-K2.7-Code, разработанной MoonshotAI. Модель предназначена для генерации текста и, судя по названию базовой модели, прежде всего для задач, связанных с программированием. Она оптимизирована для локального запуска на Mac Studio с чипом M3 Ultra через MLX и MLX-LM, в том числе в формате сервера, совместимого с API chat completions. Это разреженная MoE-модель с 3-битным базовым квантованием и повышенной точностью для чувствительных компонентов, включая маршрутизацию MoE, механизмы внимания и выходные эмбеддинги. Используется смешанная точность с показателем 3,578 бит на вес. Для работы требуется примерно 428 ГБ базовой памяти и до 460 ГБ в пиковом режиме, поэтому модель рассчитана на мощные устройства с большим объёмом объединённой памяти. В README не указаны точный размер модели, длина контекста, поддерживаемые языки и мультимодальные возможности. К сильным сторонам относятся баланс скорости, потребления памяти и качества, а также возможность оставить память для небольшой вспомогательной модели. Заявленная скорость составляет около 219 токенов в секунду при обработке prompt размером 1024 токена и около 21 токена в секунду при генерации последовательности длиной 512 токенов. Ограничения связаны с высокими требованиями к памяти, потерями качества, неизбежными для агрессивного квантования, и узкой оптимизацией под экосистему Apple MLX. Квантование выполнено с использованием форка MLX-LM от spicyneuron. Лицензия в README не указана.

snunlp/KR-SBERT-Medium-klueNLItriplet_PARpair-klueSTS — модель Sentence Transformer от SNUNLP на архитектуре BERT, дообученная на корейском датасете klue/klue. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения семантической близости по косинусному сходству. Максимальная длина входа — 512 токенов. Модель предназначена для оценки сходства корейских текстов и может применяться для семантического поиска, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. В README приведена оценка Spearman cosine 0,869 на sts-dev. Модель принимает текст и выдаёт векторы; её карточка не указывает лицензию.

LaSER-Qwen3-4B — плотный текстовый ретривер с латентным рассуждением, разработанный в рамках подхода LaSER и построенный на базе Qwen/Qwen3-4B. Модель дообучена методом самодистилляции так, чтобы выполнять несколько шагов внутреннего рассуждения в пространстве эмбеддингов перед формированием нормализованного вектора текста. Модель предназначена для получения эмбеддингов запросов и документов в задачах информационного поиска, семантического поиска и retrieval-augmented generation. В README приведён результат 28,0 nDCG@10 в среднем на бенчмарке BRIGHT и заявлена задержка примерно в 1,7 раза выше стандартного плотного ретривера. Размер составляет около 3,7 млрд параметров, архитектура — плотная Qwen3ForCausalLM, формат весов — safetensors, библиотека — Transformers. Контекст модели составляет 40 960 токенов. Карточка указывает английский язык; метаданные содержат датасет LaSER-Training. Модель принимает текст и выдаёт векторы эмбеддингов для поиска и ранжирования по близости. Лицензия — MIT. Качество зависит от выбранного числа шагов латентного рассуждения и характеристик данных; в карточке приведена оценка на BRIGHT, поэтому её не следует считать гарантией качества для любых доменов и наборов запросов.

Модель Sentence Transformers, дообученная автором arjveer на Snowflake/snowflake-arctic-embed-l для сопоставления текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 1024; близость можно оценивать косинусным сходством. Модель основана на BERT, использует pooling по CLS-токену и нормализацию векторов, принимает последовательности длиной до 512 токенов. Подходит для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. В README приведены результаты оценки поиска на наборе из 156 примеров, однако этих данных недостаточно для вывода о качестве на широком спектре юридических задач. Лицензия в предоставленных данных не указана.

Это текстовый контрольный пункт Gemma 4 26B A4B, структурно сокращённый автором jayzou3773 методом Less-is-MoE. В модели удалено 50% нейронов FFN маршрутизируемых экспертов; при подготовке использовались 128 калибровочных примеров и настройки последовательности длиной 8192 токена. Оптимизационных шагов не выполнялось, веса сохранены в BF16. Контрольный пункт содержит языковую башню causal language model без визуальной башни, поэтому предназначен для генерации текста, а не для обработки изображений. Модель подходит для текстовой генерации на базе Gemma 4, например для диалогов, рассуждений и программирования, унаследованных от базовой модели. В метаданных указаны 2 млрд параметров и нативный контекст 262144 токена; эти значения описывают контрольный пункт в каталоге, тогда как README сообщает о последовательности калибровки длиной 8192 токена. Лицензия — Apache-2.0. README не приводит оценок качества после структурного сокращения, поэтому фактическую сохранность возможностей базовой модели следует проверять на целевых задачах.

virtuanista/LFM2.5-8B-A1B-Uncensored-GGUF — это версия языковой модели LFM2.5-8B-A1B от Liquid AI без встроенного поведения, направленного на отказ от ответов. virtuanista выполнил abliteration, квантование и подготовку модели в формате GGUF для локального запуска. Модель предназначена для генерации текста, работы в качестве локального ассистента, следования инструкциям и задач, требующих рассуждений, при этом сохраняет блоки рассуждений <think>...</think>. Модель использует гибридную архитектуру, объединяющую короткие свёрточные блоки shortconv/LIV, внимание GQA и слои MoE, а не классический чистый Transformer. Заявлен контекст до 128K токенов. Доступны квантованные варианты IQ4_XS, Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером примерно от 4,6 до 9 ГБ, что позволяет выбирать между требованиями к памяти и качеством. Модель поддерживает запуск через llama.cpp и Ollama; README не указывает поддерживаемые языки. Сильные стороны — локальная и приватная работа, несколько вариантов квантования, высокая заявленная длина контекста и сохранение возможностей базовой модели после модификации. Ограничение версии заключается в отсутствии стандартных защитных барьеров: она отвечает с меньшим количеством фильтров, поэтому требует осторожного применения и не гарантирует безопасность или достоверность результатов. Модель распространяется по LFM Open License v1.0: коммерческое использование разрешено при годовой выручке менее 10 млн долларов, исследовательское и некоммерческое использование не ограничено; при перераспределении необходимо сохранять уведомления об авторских правах и атрибуцию Liquid AI.

Upstage Llama-2-70b-instruct — англоязычная языковая модель, дообученная Upstage на базе LLaMA 2 с использованием набора данных в стиле Orca. Это плотная авторегрессионная модель семейства LLaMA с 68,7 млрд параметров, предназначенная для выполнения инструкций и генерации текста. Для общения используется шаблон с отдельными секциями System, User и Assistant. Модель подходит для диалоговых систем, ответов на вопросы и других задач генерации текста на английском языке. В README приведены результаты оценки на ARC-Challenge, HellaSwag, MMLU, TruthfulQA и MT-bench. Метаданные указывают контекст 2048 токенов; в README заявлена возможность обработки более 10 тысяч входных токенов с включённым rope scaling, поэтому фактическая длина зависит от конфигурации запуска. Для работы используются веса PyTorch и библиотека Hugging Face Transformers. README сообщает об испытании на A100 80 ГБ, но не приводит минимальных требований для инференса. Дообученные чекпойнты распространяются по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель ehristoforu/llama-3-12b-instruct разработана @ehristoforu как объединение нескольких вариантов Llama 3 для диалогов и выполнения инструкций. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 11,4 млрд параметров; она принимает текст и генерирует текст. Поддерживает русский и английский языки, а максимальная длина контекста составляет 8192 токена. Модель подходит для создания чат-ботов, ответов на вопросы и выполнения пользовательских инструкций на русском и английском языках. В её основе лежит Meta-Llama-3-8B-Instruct, объединённая с несколькими моделями Llama 3, включая Saiga, OpenHermes, Smaug, Dolphin и NeuralPaca. В карточке указана лицензия Apache-2.0. Количественных оценок качества и подробных ограничений в доступных данных нет.

unsloth/Llama-3.1-70B — опубликованный Unsloth вариант Meta Llama 3.1-70B с динамической квантизацией Unsloth Dynamic 2.0, предназначенный для генерации текста. В основе — плотная авторегрессионная трансформерная архитектура LlamaForCausalLM с Grouped-Query Attention; модель содержит 69,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель принимает и генерирует текст. Она подходит для диалоговых приложений и других задач генерации естественного языка на английском, немецком, французском, итальянском, португальском, хинди, испанском и тайском языках. Вариант Unsloth заявлен как динамически квантованный с акцентом на сохранение точности; карточка не приводит независимых результатов сравнения именно этого репозитория. Для применения требуются значительные вычислительные ресурсы из-за размера модели. Возможны ошибки и небезопасные ответы; результаты следует проверять, а подключение внешних инструментов — контролировать. Модель распространяется по лицензии Llama 3.1 Community License с её условиями и ограничениями.

Hitmanguy/Llama_3.1_GRPO_AMD — текстовая генеративная модель семейства Llama с числом параметров около 7,5 млрд и нативным контекстом до 131 072 токенов. Модель предназначена для генерации текста и диалоговых сценариев; в метаданных указаны библиотеки Transformers, а также инструменты Unsloth, TRL и метод GRPO, что указывает на использование соответствующего стека для обучения или дообучения модели. Модель может применяться для создания ответов на запросы, продолжения текста, прототипирования диалоговых ассистентов и интеграции в приложения на базе Transformers. README автоматически сгенерирован и почти не содержит сведений о разработчике, исходной модели, языках, обучающих данных, оценивании и лицензии, поэтому качество, область применимости и условия использования требуют дополнительной проверки.

Карточка модели Justbackup/Llama-3.3-70B-Instruct-ablated на Hugging Face совпадает с карточкой NaniDAO/Llama-3.3-70B-Instruct-ablated, поэтому описание составлено по ней. NaniDAO/Llama-3.3-70B-Instruct-ablated — диалоговая модель NaniDAO на архитектуре Llama 3.3, полученная дообучением Meta-Llama-3.3-70B-Instruct с применением техники абляции. Модель предназначена для следования инструкциям и генерации ответов в чате; авторы заявляют, что она реже отказывает на допустимые запросы и рассчитана на более свободное взаимодействие. Модель содержит 69,5 млрд параметров, принимает и генерирует текст, работает с контекстом до 131 072 токенов. В метаданных заявлена поддержка английского, французского, итальянского, португальского, хинди, испанского, тайского и немецкого языков. Доступна в формате safetensors для библиотеки Transformers; лицензия — llama3. Она подходит для диалоговых ассистентов и генерации текста, но заявленное снижение числа отказов требует ответственного применения и не гарантирует точность или безопасность ответов.

Llama-3-Swallow-8B-v0.1 — плотная причинная языковая модель семейства Llama 3, разработанная командой Swallow-LLM из Токийского технологического института и AIST. Модель размером 7,5 млрд параметров создана продолжительным предварительным обучением модели семейства Llama 3 с добавлением японских данных; это базовая, не Instruct-версия. Репозиторий использует формат safetensors, а метаданные указывают на Transformers и контекст до 8192 токенов. Модель предназначена для генерации текста на японском и английском языках, включая ответы на вопросы, понимание прочитанного, суммаризацию, перевод, математические рассуждения и генерацию кода. В README приведены результаты оценки на японских и английских бенчмарках, в том числе задачах перевода, экзаменационных вопросах и программировании. Авторы отмечают, что модель находится на раннем этапе разработки и не настроена на соответствие человеческим намерениям и требованиям безопасности. Лицензия — Llama 3 (llama3); перед использованием следует соблюдать её условия.

Инструкционная языковая модель Upstage на архитектуре LLaMA с 65 млрд параметров, представленная в формате PyTorch для Hugging Face Transformers. Модель дообучена на наборе данных в стиле Orca и предназначена для генерации ответов по инструкциям и диалоговых сценариев на английском языке. В карточке приведена оценка на бенчмарках ARC-Challenge, HellaSwag, MMLU, TruthfulQA и MT-bench. Метаданные указывают контекст 2048 токена; в README также упомянуто масштабирование RoPE, позволяющее обрабатывать более длинные входы, но точная длина для этой версии не определена. Для запуска проверялась система с A100 80 ГБ. Модель распространяется по специальной лицензии для некоммерческого использования, связанной с лицензией Meta; доступ к репозиторию предназначен для пользователей, получивших разрешение на исходные веса.

Loxa-3B — языковая модель семейства Loxa от AIFRAME, созданная для генерации текста на маломощных CPU, включая Raspberry Pi 4 и 5 с объёмом памяти от 8 ГБ. Это плотная причинная модель архитектуры LlamaForCausalLM размером 3,2 млрд параметров с контекстом до 131 072 токенов; для работы используется библиотека Transformers и формат PyTorch. Модель предназначена для диалога и помощи в математике, программировании, науке и формальных беседах, а также для образовательных и персональных проектов и встраиваемых систем. Карточка заявляет общую точность 92%, но не приводит методику или набор оценки. Модель может выдавать ошибочные или бессвязные ответы, а качество зависит от сложности и длины запроса; её не следует без проверки использовать в критически важных задачах. Лицензия — Apache-2.0.

prudant/lsg_4096_sentence_similarity_spanish — модель эмбеддингов предложений на основе BERT с механизмом внимания Local Sparse Global (LSG). Она создана как адаптация hiiamsid/sentence_similarity_spanish_es для работы с более длинными последовательностями и предназначена прежде всего для вычисления сходства между предложениями и создания эмбеддингов длинных текстов. Модель обрабатывает последовательности длиной до 4096 токенов и содержит 137,1 млн параметров. Модель ориентирована на испанский язык. Эмбеддинги можно применять для сравнения предложений и поиска семантически близких фрагментов в длинных документах. LSG распределяет внимание между локальными, разреженными и глобальными позициями, что снижает вычислительную сложность при работе с длинным контекстом. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Lumian2-VLR-7B-Thinking — экспериментальная мультимодальная модель для визуального рассуждения, разработанная prithivMLmods на базе Qwen2.5-VL-7B-Instruct. Это плотная модель семейства Qwen2.5-VL с 7,1 млрд параметров, обученная методом SFT на визуально обоснованных цепочках рассуждений и дополнительно оптимизированная с помощью GRPO. Она принимает изображения и текст, поддерживает контекст до 128 000 токенов и рассчитана прежде всего на английский язык. Модель формирует текстовые ответы с пошаговыми рассуждениями, привязанными к областям изображения и структуре документов. Её сценарии включают описание изображений, вопросы и суммаризацию по видеокадрам, извлечение сведений из документов, анализ таблиц и диаграмм, а также визуальное обоснование решений. В карточке также заявлены многоязычное рассуждение и применение в робототехнике и мобильной автоматизации. Модель может ошибаться при низком разрешении или перекрытии объектов, иногда теряет точность визуальной привязки, а обработка длинных видео и больших пакетов документов требует много памяти; для устройств с ограниченными ресурсами она не оптимальна. Распространяется по лицензии Apache-2.0.