I.14Автоматизация процессов и AI-агенты

pucpr-br/sbertimbau_news_2018 — модель Sentence Transformers, созданная на базе neuralmind/bert-base-portuguese-cased и дообученная для получения векторных представлений предложений и абзацев. Она преобразует текст в плотные векторы размерности 768, пригодные для семантического поиска, кластеризации и сравнения сходства текстов. Модель построена на архитектуре BERT и содержит 136,1 млн параметров. Она принимает текст на португальском языке; максимальная длина контекста составляет 512 токенов. Для использования доступны форматы Sentence Transformers и Transformers; в последнем случае для получения представления требуется подходящая операция pooling. Обучение проводилось с BatchAllTripletLoss. Карточка не приводит результатов оценки качества и подробностей обучающих данных, поэтому пригодность для конкретного корпуса следует проверять отдельно. Лицензия в предоставленных данных не указана.

ServiceNow-AI_Apriel-Nemotron-15b-Thinker-GGUF — это GGUF-квантизации языковой модели Apriel-Nemotron-15b-Thinker, разработанной ServiceNow AI. Квантизации подготовлены bartowski с использованием imatrix и llama.cpp. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты. Модель имеет размер около 15 млрд параметров; доступны варианты от BF16 до Q3 и IQ4, с размерами файлов примерно от 8 до 30 ГБ. README указывает текстовую модальность и формат prompt для систематического решения задач, однако сведения о поддерживаемых языках, размере контекстного окна и точной архитектуре не приведены. Более высокие уровни квантизации обеспечивают лучшее качество, а менее ресурсоёмкие варианты подходят для систем с ограниченным объёмом оперативной памяти. Распространяется по лицензии MIT. Для работы требуется совместимое программное обеспечение и объём памяти, соответствующий выбранному файлу квантизации; ограничения конкретных вариантов определяются их размером и степенью квантизации.

Muennighoff/SGPT-1.3B-weightedmean-msmarco-specb-bitfit — модель для получения векторных представлений текста и оценки сходства предложений. Она основана на плотной архитектуре GPT-Neo и содержит 1,5 млрд параметров; длина контекста — до 2048 токенов. В README указано обучение с MultipleNegativesRankingLoss и косинусной мерой сходства, а название модели связывает её с MS MARCO и взвешенным усреднением токенов. Модель подходит для поиска по смыслу, сравнения предложений и других задач, где требуется сопоставлять тексты по близости эмбеддингов. В метаданных указан формат PyTorch. Сведения о лицензии в предоставленных материалах отсутствуют.

shisa-7b-v1-Mistral-7B-Instruct-v0.2-slerp — объединённая методом SLERP модель генерации текста на базе Mistral-7B-Instruct-v0.2 и shisa-7b-v1. Она предназначена для диалогов и ответов на инструкции; архитектура — плотная авторегрессионная Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель рассчитана на текстовый ввод и выдачу текста. Объединение выполнено в формате bfloat16 с помощью MergeKit. README не уточняет языки и специализированные области применения, поэтому их нельзя определить по доступным данным. Модель распространяется по лицензии Apache-2.0.

Карточка модели Veritone/siglip2-so400m-patch16-256 на Hugging Face совпадает с карточкой google/siglip2-so400m-patch16-256, поэтому описание составлено по ней. SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google. Это плотный визуальный энкодер, обученный на датасете WebLI; вариант So400m использует патчи размером 16 пикселей и входное разрешение 256 пикселей. Модель сопоставляет изображения и текст, поддерживает классификацию изображений по произвольным текстовым меткам без дообучения и поиск изображений по тексту или текста по изображению. Модель подходит для извлечения визуальных признаков и встраивания в мультимодальные языковые модели, а также для задач локализации и получения плотных визуальных представлений. В README не приведены сведения о числе параметров, контекстном окне или языковом охвате. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели Veritone/siglip2-so400m-patch16-384 на Hugging Face совпадает с карточкой google/siglip2-so400m-patch16-384, поэтому описание составлено по ней. SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google и предназначенная для сопоставления изображений и текста. Её применяют для классификации изображений по произвольным текстовым меткам, поиска изображений по текстовому запросу и как визуальный энкодер для мультимодальных моделей и других задач компьютерного зрения. Модель использует плотную архитектуру SigLIP и представлена в формате safetensors; работать с ней можно через Transformers. Предобучение проведено на наборе WebLI. SigLIP 2 развивает подход к предобучению SigLIP, объединяя его с ранее разработанными методами для улучшения семантического понимания, локализации и извлечения плотных признаков. Лицензия — Apache 2.0. Модель обрабатывает изображения и текстовые метки и выдаёт оценки соответствия; качество зависит от формулировок меток и характеристик изображений. README не приводит конкретных ограничений применения.

Модель kinit/slovakbert-sts-stsb — словацкий энкодер предложений на базе RoBERTa, разработанный командой Kinit. Она дообучена на словацком переводе набора STSbenchmark и предназначена для получения векторных представлений предложений и оценки их семантического сходства. Её можно применять как универсальный кодировщик словацких текстов в поиске по смыслу, кластеризации и других задачах сравнения предложений. В карточке сообщается о Spearman-корреляции 0,791 на тестовой части STSbenchmark. Модель содержит 151,8 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Доступна под лицензией CC BY 4.0; для использования требуется библиотека sentence-transformers.

Casual-Autopsy/snowflake-arctic-embed-l-v2.0-gguf — это GGUF-квантизированная версия мультиязычной модели для создания текстовых эмбеддингов, основанная на Snowflake/snowflake-arctic-embed-l-v2.0 и подготовленная с использованием llama.cpp. Разработчик исходной модели — Snowflake. Модель предназначена для семантического поиска, информационного поиска и retrieval-сценариев, включая корпоративный мультиязычный поиск в большом масштабе. Модель содержит 568 млн параметров, из которых 303 млн не относятся к эмбеддингам, формирует векторы размерностью 1024 и поддерживает контекст до 8192 токенов. Она рассчитана на работу с широким набором языков, включая английский, русский, китайский, японский, арабский и многие другие. Поддерживаются Matryoshka Representation Learning и обучение с учетом квантования, благодаря чему размерность векторов можно сокращать до 256 с небольшим снижением качества, а совместно с Int4-квантованием получать векторы размером до 128 байт. Сильные стороны модели — высокое качество англоязычного и мультиязычного поиска, эффективность инференса, поддержка длинного контекста и удобная компрессия эмбеддингов. Ограничения включают специализированность на получении векторных представлений, а также возможное снижение качества при усечении размерности и агрессивном квантовании. Исходная модель распространяется по лицензии Apache 2.0; для конкретной GGUF-сборки в README отдельная лицензия не указана.

StarCoder2-7B-GGUF — квантованная версия модели StarCoder2 7B, разработанной командой BigCode и подготовленной в формате GGUF компанией Second State Inc. Модель предназначена прежде всего для генерации и работы с программным кодом; исходная модель распространяется через bigcode/starcoder2-7b и использует библиотеку Transformers. В README не указаны точные архитектурные детали, перечень поддерживаемых языков программирования или естественных языков, а также мультимодальные возможности, поэтому их характеристики нельзя подтвердить. Доступно несколько вариантов квантования от 2 до 8 бит с размером файлов примерно от 2,72 до 7,63 ГБ. Заявленный размер контекста — 4608 токенов. Вариант Q4_K_M отмечен как рекомендуемый благодаря балансу размера и качества, Q5_K_M и Q5_K_S — как варианты с очень небольшой потерей качества, а Q2_K–Q3_K и некоторые legacy-варианты имеют более существенную потерю качества. Модель подходит для локального запуска в средах, совместимых с GGUF и llama.cpp; интеграция с LlamaEdge на момент публикации обозначена как находящаяся в разработке. Модель ориентирована на сценарии программирования, включая генерацию кода, но README не содержит результатов тестирования или подробного описания сильных сторон и ограничений исходной модели. Лицензия указана как BigCode OpenRAIL-M; условия её применения следует учитывать при развёртывании и распространении.

cnmoro/static-nomic-eng-ptbr-tiny — компактная статическая модель эмбеддингов, созданная автором репозитория с помощью Tokenlearn на основе nomic-embed-text-v2-moe. Она преобразует текстовые passages в векторы размерностью 50 и предназначена для семантического поиска и извлечения документов на английском и португальском языках. Модель обучалась примерно на 20 млн фрагментов текста, включая англоязычный корпус MS MARCO и набор португалоязычных триплетов. Модель использует архитектуру Model2Vec StaticModel и распространяется в формате safetensors; лицензия — Apache-2.0. Она подходит для сценариев, где важны компактные эмбеддинги для поиска и сопоставления текстов. Карточка называет её более минималистичной версией cnmoro/static-nomic-eng-ptbr, но не приводит сравнительных результатов качества.

StrangeMerges_49-7B-dare_ties — языковая модель Gille, полученная слиянием трёх моделей с помощью LazyMergekit и метода DARE-TIES. Это плотная архитектура Mistral с 7,1 млрд параметров; модель предназначена для генерации текста и диалогового использования. Указанное окно контекста составляет 32 768 токенов. Модель объединяет Gille/StrangeMerges_32-7B-slerp, AurelPx/Percival_01-7b-slerp и louisbrulenaudet/Pearl-7B-slerp. В карточке приведены результаты Open LLM Leaderboard, включая среднее значение 75,50, ARC 72,35 и HellaSwag 88,30. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

StrangeMerges_9-7B-dare_ties — объединённая языковая модель семейства Mistral, опубликованная Gille. Она создана методом dare_ties с помощью LazyMergekit на основе leveldevai/TurdusBeagle-7B и samir-fama/FernandoGPT-v1; карточка также указывает StrangeMerges_8-7B-slerp как базовую модель в конфигурации слияния. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и формат safetensors; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста, диалогов и выполнения инструкций. В README приведены результаты оценки на бенчмарках AI2 Reasoning Challenge и HellaSwag, но сведений о языковой специализации или прикладной области нет. Лицензия — Apache-2.0.

Cloyne/sup-SimCSE-VietNamese-phobert-base — модель Sentence Transformers, дообученная на базе VoVanPhuc/sup-SimCSE-VietNamese-phobert-base. Она использует архитектуру RoBERTa и преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантического сходства по косинусной близости. Модель рассчитана прежде всего на вьетнамский язык; длина контекста составляет до 258 токенов по метаданным. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В README указано обучение на 120 210 парах «запрос — позитивный пример» из CSV-датасета. Модель принимает текст и выдаёт векторы; сама по себе она не генерирует ответы. Лицензия в предоставленных данных не указана.

Synthia-7B-v3.0 — языковая модель Mistral-7B, дообученная Migtissera для следования инструкциям и ведения длинных диалогов. В обучении использовались подходы, вдохновлённые статьёй Orca-2, и датасет SynthIA-3.0 с обобщённым Tree-of-Thought-промптом и дополнительными системными контекстами. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации ответов на текстовые запросы, диалогов и развёрнутых рассуждений. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Модель может давать неточные или вводящие в заблуждение ответы, а также генерировать предвзятый, оскорбительный или иной нежелательный контент; автор характеризует её как uncensored. Важную информацию следует перепроверять.

T5-Base — языковая модель семейства Text-To-Text Transfer Transformer, разработанная Колином Раффелом, Ноамом Шазиром и соавторами. Она представляет задачи обработки естественного языка в едином формате: принимает текст и генерирует текст. По метаданным, модель содержит 123,8 млн параметров, имеет архитектуру T5ForConditionalGeneration и контекст до 512 токенов; доступна в форматах Flax, PyTorch, Safetensors и TensorFlow. Основная задача этой версии в каталоге — перевод. Авторы также описывают применение T5 для суммаризации документов, ответов на вопросы, классификации, анализа тональности, перефразирования и регрессии, если модель дообучена под конкретную задачу. Модель рассчитана на английский, французский, румынский и немецкий языки и предварительно обучена на корпусе C4 в рамках смеси задач. Лицензия — Apache 2.0. Модель общего назначения, поэтому качество для конкретной задачи зависит от подходящего формата запроса и, часто, от дообучения. README не содержит конкретных оценок качества или подробных сведений об ограничениях и рисках; контекст в 512 токенов ограничивает длину входа.

TeluguSBERT — модель L3Cube-Pune для получения векторных представлений предложений на телугу. Она основана на TeluguBERT (l3cube-pune/telugu-bert) и дообучена на наборе данных NLI для представления предложений и оценки их сходства. Модель использует архитектуру BERT и поддерживает контекст длиной до 512 токенов; число параметров — около 264,8 млн. Модель подходит для сравнения предложений на телугу, поиска семантически близких текстов и построения векторного поиска. Веса доступны в формате PyTorch, лицензия — CC BY 4.0. В README отмечено, что существует более поздняя улучшенная модель сходства, однако её идентификатор не приведён.

Ternary-Bonsai-2-27B-Crystal — производная модель на основе весов Prism ML для Qwen3.8-27B, представленная как сборка с изменённым механизмом внимания. Она предназначена для генерации текста и диалогов, включая продолжение кода и работу с длинным контекстом. Модель использует архитектуру Qwen3.8-27B с 27 млрд параметров; README описывает режим с фиксированным состоянием внимания: точное окно последних 1 024 токенов, сжатое состояние дальнего контекста и индекс для выборочного точного чтения прошлых токенов. Длина контекста в использованных данных не указана. По заявлению авторов, такая схема сокращает память внимания при длинном контексте; режим `--top0` удерживает её постоянной независимо от длины последовательности. Пакет рассчитан на запуск через MLX runtime, с поддержкой Apple Silicon и CUDA. README также описывает сохранение маршрутов вычислений для повторно используемых префиксов и подтверждённых продолжений. Модель распространяется по лицензии Apache-2.0. Эти особенности описаны авторами модели; независимая проверка заявленных характеристик здесь не проводилась.

Thespis-Krangled-7b-v2 — разговорная языковая модель на архитектуре Mistral, опубликованная cgato. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста; карточка указывает контекст длиной до 32 768 токенов. Для диалога предлагается шаблон с репликами пользователя и бота, совместимый с форматами Oobabooga и SillyTavern. Модель обучалась на смесях наборов Dolphin, UltraChat, Capybara, Augmental, ToxicQA, MagicCoder Evol Instruct, Yahoo Answers, OpenOrca и Airoboros 3.1. Её можно использовать для диалогов, ответов на вопросы и генерации кода. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка не сообщает, на какой базовой модели выполнено дообучение, и не приводит оценки качества или подробных сведений о поддерживаемых языках. Результаты могут зависеть от промпта и выбранного шаблона диалога.

Tower+ 72B — многоязычная языковая модель Unbabel на архитектуре Qwen2, дообученная на базе Qwen/Qwen2.5-72B. Обучение включало непрерывное предобучение, настройку по инструкциям и оптимизацию предпочтений; модель содержит 71,5 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов по метаданным каталога. Модель предназначена прежде всего для многоязычных задач, особенно для перевода и других задач, связанных с переводом. Она также подходит для следования инструкциям, включая задачи на рассуждение и программирование, и для создания синтетических многоязычных данных — например, перевода инструкций и ответов или генерации инструкций на основе документов. Карточка перечисляет 26 языковых вариантов, включая региональные варианты португальского, испанского и норвежского; метаданные каталога подтверждают поддержку 22 языков. Это плотная авторегрессионная модель генерации текста с возможностью диалогового использования. Для применения указана лицензия CC-BY-NC-4.0, ограничивающая коммерческое использование. README рекомендует генерировать не более 8 192 токенов за раз.

phandat128/visbert-2epochs — дообученная модель Sentence Transformers на базе keepitreal/vietnamese-sbert, созданная на датасете train_bkai_2024. Она кодирует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для оценки семантического сходства с помощью косинусного сходства, семантического поиска, поиска парафраз и кластеризации. Модель построена на RoBERTa с усреднением токенных представлений; максимальная длина последовательности составляет 256 токенов, контекст — до 258 токенов по метаданным. Размер — 162,4 млн параметров. Также может использоваться как основа для классификации текста через векторные представления. Выпущена в формате safetensors и предназначена для работы с библиотекой Sentence Transformers. Лицензия в доступных данных не указана.

antony66/whisper-large-v3-russian — русскоязычная версия Whisper large-v3, дообученная автором репозитория на русской части Common Voice 17.0. Это плотная модель семейства Whisper с архитектурой WhisperForConditionalGeneration, примерно 905,2 млн параметров; она принимает аудио и предназначена для автоматического распознавания речи с выдачей текста на русском языке. Модель подходит для транскрибации русской речи, включая записи телефонных разговоров. Автор сообщает о WER 6,39 на собственном тестовом разделении Common Voice после дообучения против 9,84 у исходного Whisper v3. Для телефонных записей рекомендуется предварительно привести аудио к 16 кГц и нормализовать громкость. Модель отмечена как находящаяся в разработке, а автор планирует улучшать её для распознавания телефонной речи. Лицензия в предоставленных данных не указана.

euser/wKAN-7b — языковая модель для генерации текста, созданная объединением предварительно обученных моделей с помощью mergekit и метода DARE TIES. В качестве базовой модели в README указана mistralai/Mistral-7B-v0.1; метаданные также связывают объединение с LakoMoor/Silicon-Alice-7B, NeverSleep/Noromaid-7B-0.4-DPO и seyf1elislam/WestKunai-Hermes-7b. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. В README показан сценарий генерации ответа на текстовый запрос через Transformers и chat template; нативная длина контекста составляет 32 768 токенов. Лицензия в предоставленных данных не указана.

YamshadowInex12_NeuralExperiment26 — слитая модель семейства Mistral с 7,1 млрд параметров, созданная из automerger/YamshadowInex12-7B и automerger/NeuralExperiment26-7B. Она предназначена для генерации текста и работы с запросами в пределах контекстного окна до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0.

YamshadowInex12_NeuralsirkrishnaInex12 — слитая модель семейства Mistral, созданная на основе automerger/YamshadowInex12-7B и automerger/NeuralsirkrishnaInex12-7B. Она предназначена для генерации текста и диалоговых сценариев на основе текстовых запросов. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0.

YamWizard28-7B — слитая языковая модель на архитектуре Mistral, опубликованная пользователем v000000. Она предназначена для генерации текста и диалогов в формате Alpaca. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса объединены методом SLERP с помощью mergekit из automerger/YamshadowExperiment28-7B и fearlessdots/WizardLM-2-7B-abliterated. Доступны файлы Safetensors; в README также упомянуты варианты GGUF и GGUF imatrix, включая Q8_0. Лицензия в предоставленных данных не указана.

Это вариант Zephyr-7B-Beta, опубликованный arnavgrg: модель MistralForCausalLM с плотной архитектурой и примерно 7,1 млрд параметров. Это разговорная модель для генерации текста, которую можно загружать через Transformers в формате fp16; заявленная длина контекста — 32 768 токенов. Модель создана из HuggingFaceH4/zephyr-7b-beta: исходные веса линейных слоёв были квантованы до NF4 с помощью bitsandbytes, после чего слои Linear4bit были преобразованы обратно в fp16. Такой вариант рассчитан на инференс без затрат на квантование и обратное преобразование при каждом проходе. Квантование с потерями ухудшает качество относительно официальной базовой модели. Репозиторий распространяется по лицензии Apache-2.0.

MaziyarPanahi/zephyr-7b-sft-full-Mistral-7B-Instruct-v0.1 — чат-модель для генерации текста в ответ на инструкции и диалоговые запросы. Она создана слиянием методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.1 и alignment-handbook/zephyr-7b-sft-full; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров. Модель принимает текст и генерирует текст. Заявленная длина контекста — 32 768 токенов. Репозиторий распространяется в формате safetensors; лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или специальных ограничений применимости.

zpoint_large_embedding_zh — китайскоязычная модель эмбеддингов, опубликованная пользователем iampanda. Она предназначена для преобразования предложений в векторы, которые можно сравнивать по сходству; пример в карточке показывает сопоставление отзывов о товаре с противоположной тональностью. Модель построена на архитектуре BERT, содержит 424,3 млн параметров, работает с контекстом до 512 токенов и распространяется в форматах PyTorch и Safetensors через библиотеку sentence-transformers. Модель подходит для поиска семантически близких китайских текстов и сравнения предложений. Карточка указывает на обучение и приводит пример использования, однако подробно не описывает обучающие данные и качество на тестах. Лицензия MIT.

AfriE5-Large-instruct — модель текстовых эмбеддингов, разработанная для улучшенной поддержки африканских языков на основе multilingual-e5-large-instruct. Она предназначена для преобразования текстов и запросов в векторы для семантического поиска, сравнения предложений и других задач, где нужно оценить смысловое сходство. Модель основана на XLM-RoBERTa-large, содержит 658,7 млн параметров и принимает контекст длиной до 514 токенов. При обучении использовались межъязыковое контрастивное обучение и дистилляция знаний; базовая модель указана в метаданных как дообученная. Обучение было нацелено на амхарский, оромо, хауса, игбо, киньяруанда, суахили, тви, коса, йоруба и зулу. В README заявлена проверка на 59 языках, а метаданные также отмечают английский. В тестах AfriMTEB модель показала средние результаты 63,7 на наборе из девяти языков и 62,4 на наборе из 59 языков. Лицензия — MIT.

airoboros-13b-gpt4-1.4 — плотная авторегрессионная модель семейства LLaMA примерно на 12,9 млрд параметров, дообученная автором jondurbin на синтетических данных, созданных с помощью GPT-4. Это полное дообучение, а не QLoRA; модель опубликована в формате PyTorch и использует шаблон диалога Vicuna 1.1. Модель предназначена для генерации ответов в диалоге, ответов на вопросы по предоставленному контексту, написания текстов и кода. В обучающие примеры включены многоходовые беседы, ролевые диалоги, шутки, загадки и задачи по программированию на десяти языках. Контекстное окно составляет 2048 токенов; русский язык отдельно не заявлен. Автор сообщает, что модель обучали отвечать по заданному контексту и стараться ограничивать ответ его содержимым, однако это не гарантирует отсутствия выдуманных фактов. В карточке также указана настройка на ответы без отказов, в том числе на потенциально незаконные или аморальные запросы. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.