I.14Автоматизация процессов и AI-агенты

M7Yamshadowexperiment28_Strangemerges_32Shadow — объединённая методом SLERP модель семейства Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель создана объединением automerger/M7Yamshadowexperiment28-7B и automerger/Strangemerges_32Shadow-7B. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

MathCoder2-CodeLlama-7B-GGUF — это набор GGUF-квантизованных версий модели MathGenie/MathCoder2-CodeLlama-7B, разработанной MathGenie и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, решения математических задач и работы с программным кодом. Указан английский язык и обучающий набор MathGenie/MathCode-Pile. Модель основана на CodeLlama и содержит около 7 миллиардов параметров. Доступны варианты от F16 до низкобитных форматов Q8, Q6, Q5, Q4, Q3 и IQ; размер файлов составляет примерно от 2,8 до 13,48 ГБ. Это текстовая модель без заявленной поддержки мультимодальности. Формат GGUF ориентирован на локальный запуск, в частности через llama.cpp и LM Studio. Формат промпта в README не указан, а размер контекстного окна не приведён. Основное преимущество модели — специализация на математике и коде при возможности локального запуска с выбором компромисса между качеством и требованиями к памяти. Более высококачественные варианты Q6 и Q5 отмечены как рекомендуемые, тогда как варианты Q3 и некоторые устаревшие форматы обеспечивают экономию памяти за счёт снижения качества. Для ARM доступны отдельные варианты, требующие поддержки SVE или i8mm; их не рекомендуется использовать на Mac и Windows. Модель распространяется по лицензии Apache-2.0.

atasoglu/mbert-base-cased-nli-stsb-tr — модель Sentence Transformers на основе многоязычного BERT, дообученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель основана на google-bert/bert-base-multilingual-cased и обучена на наборах данных nli_tr и emrecan/stsb-mt-turkish. Она предназначена прежде всего для работы с турецким языком. Архитектура — BERT, число параметров — 205,1 млн, максимальный контекст — 512 токенов. Модель подходит для поиска смыслово близких текстов и группировки предложений. В карточке приведены результаты оценки на тестовой части STS-b, но конкретные значения здесь не представлены. Распространяется по лицензии Apache-2.0.

Это языковая модель семейства Llama, созданная автором репозитория методом TIES с помощью mergekit. В объединение вошли Meta Llama 3.2 1B и несколько её вариантов, настроенных для диалогов, медицинских вопросов, SQL, математики и кода. Модель содержит 1,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и распространяется в формате safetensors через Transformers; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста и может служить компактной основой для диалогов и ответов на вопросы, а также запросов по медицинским темам, SQL, математике и коду. README не приводит результатов оценки, подробностей о качестве или явного перечня поддерживаемых языков. Базовая модель Llama 3.2 1B распространяется по лицензии Llama 3.2 Community License; условия использования итогового объединения отдельно не описаны в предоставленных данных.

Phi-4-mini-reasoning-GGUF — это GGUF-квантизированная версия языковой модели Phi-4-mini-reasoning, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, решения математических задач и работы с кодом; поддерживает сценарии локального запуска через llama.cpp, LM Studio и другие совместимые проекты. В репозитории представлены варианты от BF16 размером 7,68 ГБ до низкобитных квантов размером около 1,90 ГБ. Доступны форматы Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, IQ и другие; варианты с более высокой разрядностью обычно обеспечивают лучшее качество, а низкоразрядные требуют меньше оперативной памяти. Указан английский язык. Архитектура исходной модели, число параметров, поддерживаемые модальности и размер контекста в README не описаны. Сильными сторонами являются локальный запуск, широкий выбор компромиссов между качеством и требованиями к памяти, а также специализация исходной модели на математическом рассуждении. Ограничения включают возможное снижение качества при использовании низкоразрядных квантов и отсутствие в README подробных результатов оценки. Модель распространяется по лицензии MIT.

Vontra/MiMo-V2.6-Flash-RL-MLX-4bit-MTP — конверсия модели XiaomiMiMo/MiMo-V2.6-Flash-RL для MLX, опубликованная Vontra и предназначенная прежде всего для запуска на компьютерах Apple Silicon. Это генеративная текстовая модель, ориентированная на создание связного текста, объяснений и программного кода. В README приведены успешные проверки арифметики, фактических объяснений и Python-кода, однако подробные оценки качества и сценарии применения следует уточнять в карточке исходной модели. Исходная MiMo-V2.6-Flash-RL описывается как разреженная MoE-модель с 309 млрд параметров, из которых 15 млрд активны на токен, 48 трансформерными слоями, 256 маршрутизируемыми экспертами и восемью активными экспертами на токен. Исходный релиз поддерживает контекст до одного миллиона токенов и омнимодальные входы; заявлены текст, изображения и аудио. Эта версия использует 4-битную аффинную квантизацию плотных проекций с размером группы 64, тогда как эксперты MoE сохраняют формат MXFP4 с размером группы 32. Средний размер — 4,257 бита на вес, текстовая модель занимает около 154 GiB, а весь репозиторий — около 160 GiB. Поддерживаемые языки, указанные в карточке, — английский и китайский. В комплект входят MTP-предиктор, DFlash-драфтер, vision encoder, audio encoder и audio tokenizer, но текущие oMLX и MLX text generation автоматически используют только текстовый путь: MTP, DFlash, зрительные и аудиофункции пока требуют MiMo-совместимых интеграций и не заявлены как работающие в стандартном режиме. На Mac Studio с M3 Ultra, 256 ГБ памяти измерены скорости 59,4 токена в секунду при декодировании и 477,1–562,8 токена в секунду при обработке промпта; рекомендована конфигурация с 256 ГБ unified memory. Модель распространяется по лицензии MIT. Это community-конверсия, поэтому её ограничения включают высокие требования к памяти и неполную поддержку вспомогательных мультимодальных компонентов в текущем MLX-стеке.

Ming-Lite-Omni — мультимодальная модель от InclusionAI, дообученная на Ling-lite. Она использует архитектуру MoE с маршрутизаторами для разных модальностей и выделенными энкодерами. По данным разработчика, активируется 2,8 млрд параметров; модель объединяет обработку изображений, текста, аудио и видео, а также генерацию текста, речи и изображений. Она предназначена для мультимодального диалога, распознавания и понимания речи, преобразования текста в речь, анализа изображений и видео, генерации и редактирования изображений. Модель подходит для приложений, где нужно принимать смешанные мультимодальные запросы и формировать текстовые, речевые или визуальные ответы без отдельных моделей для каждой задачи. README приводит результаты оценок на задачах понимания изображений, видео и речи, а также генерации изображений. Контекст, поддерживаемые языки и ограничения качества в предоставленных источниках не описаны. Лицензия — MIT.

Mini_synatra_7b_03-Mistral-7B-Instruct-v0.1 — чат-модель MaziyarPanahi, созданная слиянием SLERP модели Mistral-7B-Instruct-v0.1 и Minirecord/Mini_synatra_7b_03. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и ответов на диалоговые запросы. В метаданных указан контекст длиной до 32 768 токенов. Модель подходит для интерактивного чата и генерации ответов по текстовым инструкциям. Репозиторий содержит веса в формате safetensors. Язык модели отдельно не указан. Лицензия — Apache-2.0.

Joseph717171/Mistral-12.25B-Instruct-v0.2 — разговорная языковая модель на архитектуре Mistral, созданная методом Depth Up-Scaling на основе mistralai/Mistral-7B-Instruct-v0.2 и объединения предварительно обученных моделей с помощью mergekit. Разработчик описывает её как основу для дальнейшего дообучения и как замену Mistral-7B-Instruct-v0.2 с увеличенным числом параметров. Модель содержит 12,3 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Она подходит для диалогов и других задач генерации текста. В карточке приведён шаблон чата Mistral Instruct. Авторы отмечают, что оптимальность выбранных параметров Depth Up-Scaling ещё не установлена, а более широкое исследование гиперпараметров ограничили затраты на продолжение предобучения. README также предупреждает об отсутствии встроенных механизмов модерации. Лицензия — Apache-2.0.

Mistral-7B-Instruct-demi-merge-v0.2-7B — плотная языковая модель на архитектуре Mistral, созданная разработчиком grimjim с помощью mergekit. Это слияние методом SLERP предварительно обученной alpindale/Mistral-7B-v0.2-hf и инструкционной mistralai/Mistral-7B-Instruct-v0.2; модель содержит 7,1 млрд параметров и рассчитана на генерацию текста и диалоговые ответы по инструкциям. Модель предназначена для чат-ботов, продолжения текста и экспериментов с дальнейшим слиянием или дообучением. Заявлена работа с контекстом до 32 768 токенов без скользящего окна. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

QuantFactory/Mistral-7B-Instruct-RDPO-GGUF — квантизированная версия модели princeton-nlp/Mistral-7B-Instruct-RDPO, созданная с использованием llama.cpp. Исходная модель связана с исследовательской работой SimPO: Simple Preference Optimization with a Reference-Free Reward, опубликованной Princeton NLP; подробности представлены в репозитории проекта SimPO. Модель предназначена для генерации текста и использования в сценариях инструкционного следования, где требуется применять предпочтения, полученные в ходе оптимизации без эталонной reward-модели. В README указаны библиотека Transformers и задача text-generation. Базовая архитектура — Mistral с 7 миллиардами параметров; формат GGUF и квантизация предназначены для более компактного хранения и запуска через совместимые инструменты, включая llama.cpp. В доступных данных не указаны поддерживаемые языки, размер контекста, конкретный метод и уровень квантизации, результаты тестирования, аппаратные требования и ограничения качества. Лицензия также не указана, поэтому условия использования следует уточнять в исходном репозитории или карточке базовой модели.

Maziyar Panahi выпустил эту диалоговую модель как слияние методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.2 и Sacralet/mistral-7B. Она использует плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и предназначена для генерации текста в диалоге и выполнения инструкций; карточка указывает поддержку chat и контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. В карточке не описаны отдельная специализация по языкам, области применения или результаты оценки качества.

LocalDoc/mmBERT-small-en-az — компактный мультиязычный энкодер на архитектуре ModernBERT, созданный сокращением словаря jhu-clsp/mmBERT-small для английского и азербайджанского языков. Из исходного словаря примерно на 256 тысяч токенов оставлено 71 751; размер модели уменьшен примерно на 46%, до 69,7 млн параметров. Слои трансформера не менялись, были сокращены только эмбеддинги. Модель принимает текст и формирует контекстные представления, которые можно использовать для получения эмбеддингов предложений и оценки сходства.

karsar/ModernBERT-base-hu — модель Sentence Transformers, дообученная автором на базе tasksource/ModernBERT-base-nli для получения векторных представлений венгерских предложений и абзацев. Она использует энкодер ModernBERT с усреднением токенных представлений и создаёт плотные эмбеддинги размерности 768; максимальная длина входа — 2048 токенов. Векторы предназначены для сравнения косинусного сходства. Модель подходит для семантического поиска на венгерском языке, поиска перефразирований, кластеризации текстов и классификации на основе эмбеддингов. В README приведена оценка cosine accuracy 0,7102 на all-nli-dev и 0,67 на all-nli-test; эти значения относятся к указанным наборам и не гарантируют такое же качество в других сценариях. Модель выпущена под лицензией Apache-2.0.

DevQuasar/moonshotai.Kimi-K2-Instruct-BF16 — это версия в формате BF16 модели moonshotai/Kimi-K2-Instruct, подготовленная DevQuasar и опубликованная для генерации текста. Модель предназначена для диалогового взаимодействия и выполнения инструкций в сценариях, где требуется создавать или продолжать текстовые ответы. Модель содержит 37,9 млрд параметров и поддерживает контекст длиной до 131 072 токенов. В метаданных она классифицирована как text-generation и conversational; формат BF16 может быть удобен для запуска на совместимом оборудовании с поддержкой этого типа чисел. Данные о поддерживаемых естественных языках, архитектуре, лицензии и специализированных областях применения в предоставленных источниках отсутствуют.

Карточка модели OpenMOSS-Team/moss-moon-003-sft-plugin на Hugging Face совпадает с карточкой OpenMOSS-Team/moss-moon-003-sft, поэтому описание составлено по ней. MOSS-moon-003-sft — языковая модель с 16 млрд параметров, разработанная командой OpenMOSS-Team. Она основана на CodeGen и предварительно обучена на китайских, английских и программных токенах, после чего дообучена с учителем на примерно 1,1 млн многоходовых диалогов. Модель предназначена для диалогов с пользователем, следования инструкциям в нескольких репликах и отказа на неподходящие запросы. Модель принимает текст и генерирует текст; карточка указывает поддержку английского и китайского языков и контекст до 2048 токенов. Её можно применять для ответов на вопросы, простых математических задач, помощи с кодом и китайскоязычных диалогов. Описанные требования к запуску составляют 31 ГБ видеопамяти для загрузки в FP16 и больше при генерации; доступны варианты MOSS в INT8 и INT4, но этот репозиторий содержит веса PyTorch. Модель может выдавать неверную, вводящую в заблуждение или предвзятую информацию, поэтому ответы следует проверять. Лицензия — AGPL-3.0.

MOSS-Transcribe-Diarize 0.9B — аудиомодель OpenMOSS-Team для транскрибирования длинных записей с несколькими говорящими. Она совместно распознаёт речь и выполняет диаризацию, формируя текст с временными метками и анонимными метками говорящих. Также может добавлять аннотации акустических событий. Модель рассчитана на встречи, звонки, подкасты, интервью, лекции и видео. Она обрабатывает аудио или видео за один проход, поддерживает записи длительностью до 90 минут, более 50 языков и подсказки с пользовательскими ключевыми словами для специальных терминов. В репозитории указана плотная архитектура conditional generation; для загрузки требуется Transformers с пользовательским кодом модели. Сильные стороны — совместная транскрипция и диаризация, временная разметка и обработка длинных записей. Метки говорящих анонимны и относятся только к конкретной записи; качество распознавания может зависеть от языка, шума и перекрывающейся речи. Модель распространяется по лицензии Apache-2.0.

MultiLinguSwahili-bge-small-en-v1.5-nli-matryoshka — компактная модель Sentence Transformer, разработанная Sartify LLC на базе BAAI/bge-small-en-v1.5 и дообученная на наборе Mollel/swahili-n_li-triplet-swh-eng. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска и сравнения текстов. Архитектура включает BERT, пулинг по токену CLS и нормализацию; модель содержит 40 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена сопоставлять тексты на суахили и английском, в том числе находить близкие по смыслу пары и различать отрицательные примеры. Её можно использовать для многоязычного семантического поиска, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. README приводит результаты оценки сходства предложений на нескольких вариантах тестового набора. Лицензия в предоставленных данных не указана. Качество на других языках, вне описанных сценариев и на текстах длиннее 512 токенов не установлено; как и у других моделей эмбеддингов, результаты зависят от данных и способа применения в поисковой или классификационной системе.

MyAwesomeModel — модель из репозитория asfafaaf3434/MyAwesomeModel-TestRepo, опубликованная для использования с библиотекой Transformers и PyTorch. В метаданных она классифицирована для задачи feature-extraction и помечена тегами BERT, Transformers и PyTorch, поэтому её можно применять для получения векторных представлений входного текста и последующих задач анализа данных.

MyAwesomeModel — модель из репозитория yfeng123456/MyAwesomeModel-TestRepo, опубликованная для использования с библиотекой Transformers и PyTorch. По метаданным Hugging Face она относится к семейству BERT и предназначена прежде всего для извлечения признаков из текста.

MyAwesomeModel — модель из репозитория zSQ2WSA/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и распространяемая по лицензии MIT. В метаданных она обозначена как модель для извлечения признаков и связана с архитектурой BERT, PyTorch и Transformers. Это позволяет использовать её для получения векторных представлений текста и последующей обработки в задачах машинного обучения.

Nepali_Embedding_Model — модель Sentence Transformers на архитектуре XLM-RoBERTa, представленная пользователем universalml. Она преобразует текстовые предложения в векторные представления для сравнения их семантической близости; для оценки сходства рекомендуется косинусная мера. Модель содержит 658,7 млн параметров, принимает последовательности длиной до 512 токенов и выдаёт эмбеддинги размерностью 1024. Модель предназначена для поиска семантически похожих предложений и других сценариев, где текст нужно представить в виде векторов. В метаданных указаны английский и непальский языки, а лицензия — Apache-2.0. Карточка не уточняет ограничения качества или языковую специализацию за пределами названия модели и языковых тегов.

NeuralHermes-2.5-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель MaziyarPanahi, созданная слиянием методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.2 и mlabonne/NeuralHermes-2.5-Mistral-7B. Это плотная модель Mistral с 7,1 млрд параметров, предназначенная для генерации текста и ответов на инструкции в формате диалога; максимальный контекст составляет 32 768 токенов. Модель принимает текст и выдаёт текст. Карточка не уточняет поддерживаемые естественные языки или специализированные области применения. Веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Качество ответов может варьироваться в зависимости от запроса; отдельные ограничения производительностью и поведением в README не описаны.

NeuralOmniBeagleMBX-v3-7B — слитая модель генерации текста, собранная автором paulml с помощью LazyMergekit из mlabonne/NeuralOmniBeagle-7B и flemmingmiguel/MBX-7B-v3. Для объединения использован метод SLERP с настройками смешивания для слоёв self-attention и MLP; модель основана на архитектуре Mistral и содержит 7,1 млрд параметров. Модель предназначена для генерации текста и может использоваться в сценариях, где требуется языковая модель с контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель выпущена под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

Notus-TheTop-7b-Slerp — объединённая диалоговая языковая модель на архитектуре Mistral, созданная с помощью LazyMergekit методом SLERP из argilla/notus-7b-v1 и MaziyarPanahi/TheTop-5x7B-Instruct-S3-v0.1. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста и ведение диалога; заявленная длина контекста составляет 32 768 токенов. Модель может использоваться для ответов на вопросы, инструктивного диалога и генерации текста. В карточке указаны формат Safetensors и тип точности bfloat16. Сведения о лицензии и конкретных ограничениях качества в предоставленных данных отсутствуют.

ENOSYS выпустил экспериментальную GGUF-версию Octen-Embedding-4B с квантизацией весов по глобальному целевому числу бит на вес. Модель предназначена для преобразования текстов в эмбеддинги и оценки семантического сходства; метаданные также отмечают применение для поиска и извлечения информации. Поддерживаются английский, русский и другие языки. Веса представлены в формате GGUF, а тензоры хранятся в F16 для совместимости с архитектурой Nvidia Pascal, включая P100. Квантизация выполнена с помощью изменённой ветки LLaMA.cpp и калибровочного набора текстов на английском и русском языках. В README приведены сравнения вариантов квантизации по perplexity и расхождению распределений; эти результаты показывают компромисс между размером представления и точностью. Модель основана на Octen/Octen-Embedding-4B, которая, согласно метаданным каталога, построена на Qwen3-Embedding-4B. Лицензия — Apache-2.0. README характеризует сборку как экспериментальную; для её использования нужен совместимый с этой версией GGUF-инструментарий.

OLMo-2-1124-7B-Instruct — диалоговая языковая модель Allen Institute for AI (Ai2), выпущенная в ноябре 2024 года. Это плотная авторегрессионная модель семейства OLMo 2 с архитектурой Olmo2ForCausalLM и 6,9 млрд параметров; она принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и рассчитана прежде всего на английский язык. Модель создана на основе allenai/OLMo-2-1124-7B-DPO: после обучения на данных Tülu 3 она прошла дополнительное обучение с подкреплением по проверяемым наградам (RLVR), в том числе на задачах математического рассуждения. Предназначена для диалогов, ответов на вопросы, следования инструкциям и решения задач вроде GSM8K, MATH и IFEval. Лицензия — Apache 2.0. У модели ограниченное обучение безопасности, поэтому она может выдавать проблемный контент, особенно в ответ на соответствующие запросы. Для безопасного применения может потребоваться отдельная фильтрация ответов.

Карточка модели OpenBuddy/openbuddy-llama3.1-8b-v22.3-131k на Hugging Face совпадает с карточкой OpenBuddy/openbuddy-llama3.1-8b-v22.2-131k, поэтому описание составлено по ней. OpenBuddy — мультиязычная разговорная модель, созданная на базе Meta Llama 3.1 8B Instruct. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 131 072 токенов, предназначенная для диалога и генерации текста. Её можно запускать локально через Ollama, а для развёртывания API README рекомендует Transformers или vLLM и соответствующий формат токенизатора. Модель предназначена прежде всего для общения на английском и китайском языках; метаданные также перечисляют французский, немецкий, японский, корейский, итальянский и финский. OpenBuddy указывает лицензию как other, а README отсылает к условиям использования и предупреждает, что ответы могут быть ошибочными или вредными. Модель не рекомендуется для медицинских, финансовых, юридических и других критически важных решений.

OpenBuddy/openbuddy-qwen2.5llamaify-7b-v23.1-200k — многоязычная чат-модель OpenBuddy, дообученная на Qwen2.5-7B-Instruct. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, 7,1 млрд параметров и контекстом до 200 000 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache 2.0. Модель предназначена для диалогов и генерации текста. В карточке заявлена поддержка китайского и ряда европейских и восточноазиатских языков, включая английский, французский, немецкий, японский, корейский, итальянский и финский. Для запуска автор рекомендует быстрый токенизатор Transformers; README указывает на возможность развертывания через vLLM с API в стиле OpenAI. Модель может выдавать ошибочную, вредную или оскорбительную информацию. Разработчики не рекомендуют использовать её в критических сценариях, включая медицинские решения, управление потенциально опасными системами и важные финансовые или юридические решения.

Open-Instruct SNI 13B — языковая модель семейства LLaMA с 12,9 млрд параметров, дообученная Allen Institute for AI на наборе Super-Natural Instructions. Это плотная авторегрессионная модель для генерации текста по инструкциям; она рассчитана на выполнение разнообразных инструкций и исследование методов настройки открытых моделей. Контекст модели составляет 2048 токенов, основной язык в карточке — английский. Модель поставляется как diff весов и для использования требует базовую модель LLaMA в формате Hugging Face. В README приведены результаты оценки на наборах задач общего знания, математики, рассуждений, вопросов и ответов и генерации кода; качество зависит от правильного формата входа, включая переносы строк. Лицензирование регулируется лицензией AI model license из репозитория и исходной лицензией LLaMA.