I.14Автоматизация процессов и AI-агенты

Eidolon-v2.1-14B — плотная языковая модель Qwen2 с 14 млрд параметров, дообученная автором Lambent на основе Lambent/Eidolon-v2-14B. Она предназначена для диалоговой генерации текста и следования инструкциям; в метаданных также указана поддержка интерфейса вызова инструментов. В README автор описывает экспериментальную настройку стиля и поведения с помощью LoRA, ориентированную на снижение влияния некоторых нежелательных особенностей. Для модели указан контекст до 131 072 токенов. Автор сообщает о результатах EQ-Bench и IFEval, но отмечает, что различия между версиями могут быть в пределах погрешности, а результаты IFEval получены на квантизованной версии примерно с 4-битной точностью. Модель по умолчанию отвечает в более профессиональном стиле; системный запрос может направить её к менее строгим ограничениям, хотя границы сохраняются. Лицензия в предоставленных данных не приведена.

Einstein-4D-Marcoro14-7B-full-slerp — объединённая языковая модель, созданная с помощью LazyMergekit методом SLERP из argilla/distilabeled-Marcoro14-7B-slerp-full и Weyaxi/Einstein-v4-7B. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста; базовая модель Einstein-v4-7B предназначена для диалогов, следования инструкциям и ответов на вопросы, включая научные и математические темы. Модель принимает текст и генерирует текст. Её родной контекст составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors, а лицензия указана как Apache-2.0. Карточка не приводит отдельной оценки качества или подробных ограничений для полученного объединения.

IDEA-CCNL разработала Erlangshen-Roberta-330M-Similarity — китайскую модель семейства RoBERTa, дообученную для оценки сходства текстов. Она основана на chinese-roberta-wwm-ext-large и обучена на 2 773 880 примерах из 20 наборов данных с китайскими перефразированиями. В README размер модели указан как 330 млн параметров, а метаданные Hugging Face указывают 424,3 млн параметров; для запуска предлагаются BertTokenizer и BertForSequenceClassification из Transformers. Модель предназначена для сравнения китайских фраз и предложений, в том числе поиска перефразирований и определения смысловой близости. В карточке приведены результаты на наборах BQ, BUSTM и AFQMC; длина контекста составляет 512 токенов. Модель принимает текстовые пары и выдаёт классификационную оценку сходства. Репозиторий распространяется под лицензией Apache-2.0.

Это разреженный SPLADE-энкодер, дообученный на наборе all-nli с использованием библиотеки Sentence Transformers. Модель основана на naver/splade-cocondenser-ensembledistil и преобразует предложения и абзацы в разреженные векторы размерности 30 522; сходство между ними оценивается скалярным произведением. Архитектура включает BERT-модель для masked language modeling и max-пулинг с ReLU. Метаданные указывают 136,7 млн параметров и контекст до 512 токенов; карточка README задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска, разреженного извлечения документов и оценки сходства предложений на английском языке. В README приведены результаты оценки на STS-dev и STS-test. Доступна по лицензии Apache-2.0. Ее применение ограничено английским языком и указанной длиной входной последовательности; качество на других языках и специализированных областях не заявлено.

Experiment26Yamshadow_NeuralsirkrishnaExperiment28 — объединённая языковая модель семейства Mistral, созданная из automerger/Experiment26Yamshadow-7B и automerger/NeuralsirkrishnaExperiment28-7B. Она предназначена для генерации текста и принимает текстовые запросы. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате Safetensors. Репозиторий использует лицензию Apache-2.0.

Experiment28T3q_AlloyingotneoyYam — объединённая модель MaziyarPanahi на базе двух моделей семейства Mistral: automerger/Experiment28T3q-7B и automerger/AlloyingotneoyYam-7B. Она предназначена для генерации текста и может использоваться в приложениях, которым нужна языковая модель с открытыми весами. Модель имеет плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Нативное окно контекста составляет 32 768 токенов. Репозиторий распространяет веса в формате Safetensors; лицензия — Apache-2.0. Карточка не описывает отдельные специализации, оценку качества или ограничения по сценариям применения. Возможности генерации и надёжность ответов зависят от запроса и настроек; перед использованием в критичных задачах результаты следует проверять.

Falkor-7b-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral, созданная объединением mistralai/Mistral-7B-Instruct-v0.2 и perlthoughts/Falkor-7b методом SLERP. Она предназначена для генерации текста и ответов на инструкции в чат-сценариях. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В репозитории представлены веса SafeTensors. Модель распространяется по лицензии Apache-2.0. Карточка описывает состав объединения и параметры слияния, но не приводит сравнительных оценок качества или подробностей о поддерживаемых языках.

unsloth/gemma-2-9b-it — разговорная модель семейства Gemma 2 от Google, представленная в репозитории Unsloth. Это плотная причинная языковая модель на 9 млрд параметров с контекстом до 8192 токенов, предназначенная для генерации текста в диалоге и продолжения текста. В карточке описаны сценарии дообучения Gemma 2 с помощью Unsloth и 4-битной квантизации bitsandbytes, включая работу с шаблонами ShareGPT ChatML и Vicuna, а также экспорт дообученных моделей в GGUF и vLLM. Модель принимает текст и выдаёт текст; заявленная лицензия — Gemma. Метаданные указывают библиотеку Transformers и поддержку английского языка. Карточка сосредоточена на инструкциях по дообучению и не сообщает оценок качества или подробных ограничений самой модели.

Dzluck публикует Gemma 4 E2B JANG4M CRACK — изменённую версию Google Gemma 4 E2B Instruct с удалёнными отказами. Модель предназначена для диалогов, рассуждений, ответов на вопросы и генерации кода; принимает текст и изображения, а автор также заявляет о сохранении аудиовхода. Каталог Hugging Face относит её к мультимодальной задаче image-text-to-text и указывает архитектуру Gemma4ForConditionalGeneration с плотной архитектурой. Модель использует смешанную квантизацию JANG_4M: 8-битные веса внимания и 4-битные веса MLP, в среднем около 4,3 бита. По данным автора, MMLU снизился на 1,7 процентного пункта относительно исходной модели; в тестах HarmBench автор сообщает о полном выполнении запросов вредных категорий. Для запуска нужны Mac на Apple Silicon и vMLX с поддержкой Gemma 4; стандартные mlx_lm и mlx_vlm поддерживаются не полностью. Лицензия — Gemma; карточка также обозначает модель как предназначенную для исследований.

German_Semantic_V3 — модель эмбеддингов предложений, созданная Аароном Чиббом на основе gbert-large от deepset. Она предназначена для получения векторных представлений немецких текстов и сравнения их семантической близости, в том числе для длинных текстов и запросов о Германии. Модель использует архитектуру JinaBert и CLS-пулинг; объём параметров — 434,5 млн, контекст — до 8192 токенов. Модель обучена только для немецкого языка и рассчитана на тексты с немецким культурным контекстом. Matryoshka-обучение позволяет сокращать размер эмбеддингов с 1024 до 64 измерений; при уменьшении размерности качество может снижаться. По README, V3 лучше подходит для длинных текстов и учитывает более новые события, но уступает версии V3b в некоторых бенчмарках; численные результаты оценки пока не приведены. Лицензия — Apache 2.0.

Пакет meshllm/GLM-4.7-UD-Q4_K_XL-layers содержит слоевые артефакты GGUF модели GLM-4.7 и предназначен для запуска через Mesh LLM. Он получен из unsloth/GLM-4.7-GGUF: вариант UD-Q4_K_XL разделён на отдельные файлы слоёв для распределённого инференса на локальном кластере; пакет включает метаданные и эмбеддинги. Модель рассчитана на локальный приватный чат и генерацию текста, в том числе на нескольких машинах, когда полный файл GGUF не помещается на одном узле. Mesh LLM позволяет обслуживать запросы через совместимый с OpenAI интерфейс чата. В метаданных указаны формат GGUF, библиотека mesh-llm и поддержка чата. Лицензионные условия следует сверять с карточкой исходной модели unsloth/GLM-4.7-GGUF; доступные сведения их не приводят.

GLM-5.2-JANGTQ — версия GLM-5.2, подготовленная bearzi для запуска через MLX на компьютерах Apple с Apple silicon. Она предназначена для генерации текста и диалогов; базовая модель GLM-5.2 также рассчитана на программирование и длительные задачи. Архитектура указана как glm_moe_dsa, класс — GlmMoeDsaForCausalLM; всего 30,4 млрд параметров, контекст — до 1 048 576 токенов. В профиле JANGTQ_2L внимание и общие эксперты хранятся в FP16, а маршрутизируемые эксперты — в 2-битном представлении. Для загрузки требуются пакет jang-tools или vMLX; обычные MLX, LM Studio и Ollama не поддерживаются. Токенизатор базовой модели требует tiktoken, blobfile и разрешения на пользовательский код. Репозиторий распространяется по лицензии MIT.

granite-4.2-3b-MLX-8bit — это 8-битная квантованная версия модели granite-4.2-3b, разработанной командой ibm-granite. Квантование выполнено командой LM Studio с использованием mlx_lm и оптимизировано для работы на устройствах Apple Silicon. Модель предназначена для генерации текста и поддерживает сценарии, связанные с рассуждениями, пошаговым мышлением и вызовом инструментов. В карточке указаны следующие языки: английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский. Размер исходной модели составляет 3 миллиарда параметров; сведения об архитектуре и размере контекстного окна не указаны. Ключевые преимущества модели — сниженное потребление памяти благодаря 8-битному представлению и оптимизация для экосистемы Apple Silicon, что делает её подходящей для локального запуска на совместимых устройствах. Ограничения включают возможное снижение точности по сравнению с полной версией из-за квантования, а также отсутствие в предоставленных данных подробных результатов оценки, характеристик производительности и спецификаций контекстного окна. Модель распространяется по лицензии Apache-2.0.

grug-3b — диалоговая языковая модель ProCreations на архитектуре NanbeigeForCausalLM с плотной архитектурой и 3,2 млрд параметров. Она дообучена на Nanbeige/Nanbeige4.2-3B и предназначена для генерации текста, рассуждений и решения задач в чате. Модель адаптивно распределяет усилия: отвечает кратко на простые вопросы и тратит больше шагов рассуждения на сложные; в числовых рассуждениях применяет повторную проверку вычислений. Карточка сообщает о контекстном окне до 262 144 токенов и поддержке английского языка. В приведённых авторами тестах grug-3b улучшила результат базовой модели на MATH-500 и ARC, но уступила ей на GSM8K, HumanEval и MBPP. Поэтому компромисс между расходом токенов и точностью зависит от типа задачи; для максимального результата в программировании README рекомендует базовую модель. Репозиторий содержит веса safetensors и исправление совместимости с Transformers 4.54 и новее. Лицензия — Apache-2.0.

Abiray/harrier-oss-v1-27b-GGUF — это GGUF-квантизированные версии модели эмбеддингов microsoft/harrier-oss-v1-27b, разработанные для генерации текстовых представлений и семантических векторов. Модель предназначена для задач семантического поиска, сопоставления текстов, кластеризации, классификации и других сценариев, где требуется преобразование текста в embedding-векторы. Запуск ориентирован на стандартное потребительское оборудование и CPU с использованием совместимых инструментов, включая llama.cpp. Модель содержит 27 миллиардов параметров. Доступны варианты квантизации с разрядностью 4, 5, 6 и 8 бит: Q4_K_M, Q5_K_M, Q6_K и Q8_0. Восьмибитная версия обеспечивает наиболее высокое качество и близка к FP16, а четырёхбитная имеет наименьший размер — около 16,6 ГБ — и рассчитана на запуск на системах с 24–32 ГБ оперативной памяти. С README не указаны поддерживаемые языки, максимальная длина контекста, точная архитектура, набор обучающих данных, численные показатели качества или лицензия. Сильными сторонами являются возможность локального запуска крупной embedding-модели на CPU и выбор между несколькими вариантами размера и качества. К ограничениям относятся значительные требования к памяти, особенно для старших вариантов квантизации, а также потенциальное снижение качества в более компактных версиях. Условия лицензирования в предоставленных данных не указаны.

satgeze/Hy3-1M-GGUF — это GGUF-квантизированная версия модели Tencent Hy3, основанной на архитектуре hy_v3. Модель имеет MoE-архитектуру примерно на 299 млрд параметров, из которых около 17 млрд активны при генерации. Конвертация в GGUF и расширение контекстного окна выполнены сообществом; заявлена поддержка llama.cpp, включая MTP speculative decoding. Модель предназначена для генерации текста, рассуждений и работы с очень большими документами или наборами данных, где требуется контекст до 1 048 576 токенов. Для расширения контекста используется YaRN. Поддержка длинного контекста подтверждена тестами Needle-in-a-Haystack: достигнут результат 10/10 на длине до 786 тысяч токенов, тогда как на полном окне в 1 миллион токенов средний результат составил около 70% на иглу и зависит от случайного начального состояния. На 524 тысячах токенов многозвенное извлечение достигло 4/5. Доступны варианты с различной степенью квантования, включая IQ1_M, IQ2_M, Q2_K и Q4_K_M. Более агрессивные варианты требуют меньше памяти, но заметнее теряют качество; в README IQ2_M рекомендован как практический компромисс, тогда как IQ1_M описан как наиболее слабый. Для запуска нужен недавний mainline llama.cpp с поддержкой hy_v3 и MTP, а также исправленный шаблон чата chat_template_llamacpp.jinja. MTP показал сопоставимое с официальной реализацией Tencent поведение и может ускорять декодирование на CUDA, но эффективность зависит от порога уверенности и конфигурации. Модель распространяется по лицензии Apache 2.0. README не указывает поддерживаемые естественные языки и не содержит полноценных сравнительных оценок качества, поэтому её языковые возможности и общую точность следует проверять отдельно.

ClaudioItaly/Intelligence-7 — объединённая плотная языковая модель семейства Qwen2, созданная с помощью mergekit методом SLERP из AIDC-AI/Marco-o1 и happzy2633/qwen2.5-7b-ins-v3. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста в диалоговом формате; контекстное окно — до 32 768 токенов. Модель подходит для ведения диалогов и генерации ответов на текстовые запросы. В конфигурации слияния указана V-образная кривая, сочетающая поведение исходных моделей на входных и выходных слоях с вкладом WizardMath в средних слоях. Данные об отдельных языковых специализациях и прикладных областях не приведены. Модель опубликована в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана. Качество и ограничения унаследованы от объединённых моделей; отдельные оценки или сведения об ограничениях модели не приведены.

bartowski/Jackrong_Qwen3.5-9B-Neo-GGUF — это набор GGUF-квантизаций модели Jackrong/Qwen3.5-9B-Neo, подготовленный bartowski с использованием llama.cpp и метода imatrix. Модель ориентирована на задачи генерации текста и рассуждений, включая решение задач по программированию; при этом в карточке указан pipeline image-text-to-text, однако подробности поддержки изображений не приведены. Модель имеет размер порядка 9 миллиардов параметров, обучалась с использованием наборов данных Jackrong/Competitive-Programming-python-blend и stepfun-ai/Step-3.5-Flash-SFT. Заявлены английский и китайский языки, а также поддержка reasoning и chain-of-thought. Доступны варианты от BF16 и Q8_0 до компактных Q2_K_L, Q3 и IQ-квантизаций; версии с более высокой точностью обеспечивают лучшее качество, а младшие требуют меньше оперативной памяти, но заметно уступают по качеству. Размер контекста и точная архитектура в README не указаны. Файлы предназначены для локального запуска через llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые приложения. Для корректной работы следует использовать указанный шаблон prompt format с секцией <think>. Модель распространяется по лицензии Apache-2.0. Ограничения включают зависимость качества от выбранного уровня квантизации и отсутствие в карточке подробных сведений о точности, производительности, контекстном окне и фактических возможностях мультимодальной обработки.

Jina AI обучила jina-code-embeddings-1.5b на базе Qwen/Qwen2.5-Coder-1.5B для поиска по коду и технических вопросов. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель формирует векторные представления для поиска по естественно-языковым запросам и коду: поддерживаются сценарии text-to-code, code-to-code, code-to-text и code-to-completion. Для разных задач можно выбирать инструкционные префиксы; размер эмбеддинга по умолчанию — 1536 измерений, его можно сократить до 128. Заявлена поддержка более 15 языков программирования и технических вопросов в областях веб-разработки, разработки ПО, машинного обучения, анализа данных и учебных задач по программированию. Модель дообучена на Qwen/Qwen2.5-Coder-1.5B и распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Для ускорения вывода рекомендуется flash-attention; также доступна интеграция с sentence-transformers и vLLM.

K2-Horizon-MoVA-36B-A4B-bf16 — конверсия модели IFM/K2-Horizon-MoVA-36B-A4B в формат MLX с точностью bf16, опубликованная сообществом mlx-community. Это разреженная языковая модель MoE с 36 млрд параметров и примерно 4 млрд активных параметров на токен; в механизме внимания MoVA значения выбираются из 4 из 64 маршрутизируемых экспертов. Модель предназначена для генерации текста и диалогов, включая рассуждения и многошаговое взаимодействие, и поддерживает контекст до 524 288 токенов. Сборка ориентирована на компьютеры Apple с Apple silicon и работает через mlx-lm. README сообщает о проверке реализации на реальных весах относительно кода PyTorch IFM и о тестировании генерации и серверного диалога. Для короткого запроса требуется около 75 ГБ памяти; автор рекомендует Mac с 128 ГБ. В репозитории поставляется код модели, загружаемый через model_file; при использовании может потребоваться разрешить trust_remote_code. Лицензия — Apache-2.0.

Eraly-ml/KazBERT-Duplicates — модель на основе BERT, дообученная разработчиком Eraly-ml на KazBERT для классификации пар предложений на казахском языке. Она определяет, являются ли предложения точными, частичными, смысловыми или контекстными дубликатами, и подходит для поиска повторов, проверки текстов на плагиат и предварительной очистки корпусов. В метаданных указаны 137,8 млн параметров, контекст до 512 токенов и формат safetensors; модель доступна по лицензии Apache-2.0. В README приведены результаты оценки на отложенной выборке: точность и F1 составляют 91,05%. Модель ориентирована на казахский язык; качество может снижаться на специализированных юридических и медицинских текстах, а также на длинных или зашумлённых входах.

ddobokki/klue-roberta-small-nli-sts — корейская модель Sentence Transformer на архитектуре RoBERTa, предназначенная для получения векторных представлений предложений и оценки их семантического сходства. Разработчик описывает её как модель для корейского языка; размер составляет 81,2 млн параметров, а длина контекста — 514 токенов. Модель подходит для сравнения предложений по смыслу, поиска семантически близких текстов и использования в системах извлечения признаков и векторного поиска. В README приведены результаты теста семантического сходства: корреляция Пирсона 84,27 и Спирмена 84,17 для косинусного сходства. Доступны веса PyTorch и Safetensors. В README не указана лицензия, поэтому условия распространения и коммерческого использования по имеющимся данным определить нельзя.

sinjy1203/ko-sbert-navernews — модель на основе BERT, дообученная для создания эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и рассчитана на семантический поиск, сравнение сходства, кластеризацию и группировку текстов. В README указано обучение с CosineSimilarityLoss; архитектура BERT содержит 137,8 млн параметров, а контекст ограничен 512 токенами. Модель предназначена для корейского текста новостной тематики, что отражено в названии репозитория. Веса доступны в формате PyTorch и применяются через Sentence-Transformers либо Transformers с соответствующей операцией pooling. Лицензия в предоставленных данных не указана.

bongsoo/kpf-cross-encoder-v1 — корейская модель-переранжировщик на базе BERT, дообученная автором на jinmang2/kpfbert как cross-encoder с использованием класса CrossEncoder из SentenceTransformers. Она оценивает семантическое сходство пары текстов и подходит для сопоставления предложений и ранжирования кандидатов по релевантности. В README приведены результаты на корейских наборах KorSTS и KLUE-STS, а также на STS-B и STS-B Multi-MT; для KLUE-STS указана оценка 0,9133. Модель содержит 141,2 млн параметров, использует архитектуру BertForSequenceClassification и принимает до 512 токенов контекста. Карточка показывает поддержку корейского языка; результаты также приведены для английского тестового набора STS-B Multi-MT. Веса доступны в формате PyTorch по лицензии Apache-2.0. Модель выдаёт оценку сходства для пары текстов, а не универсальные текстовые ответы.

djuna/L3.1-Promissum_Mane-8B-Della-calc — объединённая плотная языковая модель семейства Llama, созданная с помощью mergekit методом della. В качестве основы использована unsloth/Meta-Llama-3.1-8B, также объединены DreadPoor/Spei_Meridiem-8B-model_stock, DreadPoor/Heart_Stolen1.1-8B-Model_Stock и DreadPoor/Aspire1.1-8B-model_stock. Модель содержит около 7,5 млрд параметров и рассчитана на генерацию текста и диалоговое использование; нативная длина контекста — до 131 072 токенов. Модель принимает текст и генерирует текст. README приводит результаты Open LLM Leaderboard, включая оценки IFEval и BBH, но не описывает специализацию на конкретной предметной области или языках. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

LeoScorpius-7B — объединённая авторами viethq188 разговорная языковая модель на архитектуре Mistral с 7,1 млрд параметров. В README указано, что модель создана слиянием viethq188/Rabbit-7B-v2-DPO-Chat и v1olet/v1olet_marcoroni-go-bruins-merge-7B методом slerp; приведённая конфигурация также ссылается на AIDC-ai-business/Marcoroni-7B-v3 и Q-bert/MetaMath-Cybertron-Starling. Для общения можно использовать шаблон Alpaca. Модель предназначена для генерации текста в диалоговом формате. Контекстное окно — до 32 768 токенов; репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не приводит оценки качества или отдельные ограничения по сценариям, поэтому пригодность для конкретных задач требует проверки.

mncai/llama2-13b-dpo-v7 — языковая модель MindsAndCompany на архитектуре Llama 2, дообученная для следования инструкциям и оптимизированная методом DPO. Она предназначена для генерации ответов на запросы и может использоваться в чат-ботах и корпоративных генеративных AI-продуктах. Модель содержит 12,9 млрд параметров, принимает текст и выдаёт текст; заявленный контекст — 2048 токенов. В карточке показан пример запроса на корейском языке, а метаданные указывают английский и корейский языки. Модель распространяется в формате safetensors по лицензии Llama 2.

Llama-3-12B — разговорная языковая модель, созданная mlabonne с помощью LazyMergekit. В README она описана как слияние двух наборов слоёв Meta-Llama-3-8B; конфигурация использует метод passthrough и формат bfloat16. Архитектура — плотная модель семейства Llama с классом LlamaForCausalLM, размер составляет 11 млрд параметров, контекст — до 8192 токенов. Модель предназначена для генерации текста в диалоге и других сценариях продолжения текста. Базовая модель ориентирована на английский язык и код; метаданные отмечают возможность chat. Репозиторий содержит веса safetensors. Лицензия указана как other, поэтому конкретные условия следует сверить с файлами репозитория и лицензией исходной модели. README показывает повторное использование одной и той же базовой модели в обоих диапазонах слоёв, а метаданные классифицируют происхождение как дообучение. Точные сведения о качестве и результатах оценки не приведены.

Llama-3.1-8B-FixedReferenceNBPO — диалоговая языковая модель на архитектуре Llama, опубликованная организацией promotion. Это дообученная версия meta-llama/Llama-3.1-8B-Instruct с 7,5 млрд параметров, предназначенная для генерации текста и общения в формате чата. В названии NBPO и тегах указана многокритериальная оптимизация предпочтений. Модель принимает текст и выдаёт текст; её контекстное окно составляет 131 072 токена. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Llama 3.1 Community License. README не содержит дополнительных сведений о методе обучения или оценке качества.

Это преобразованная в формат MLX версия языковой модели Llama 3 8B Instruct с контекстом до 262 144 токенов. Репозиторий подготовлен сообществом mlx-community на основе gradientai/Llama-3-8B-Instruct-262k с помощью mlx-lm 0.12.0; модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров. Она предназначена для диалоговой генерации текста и работы с длинными текстовыми контекстами. Метаданные указывают английский язык и поддержку чата. Репозиторий содержит веса safetensors в формате MLX; лицензия в доступных данных не приведена.