I.14Автоматизация процессов и AI-агенты

MaziyarPanahi/Llama-3-8B-Instruct-64k — языковая модель для генерации текста и диалогов, созданная MaziyarPanahi на основе winglian/Llama-3-8b-64k-PoSE. Это плотная модель семейства Llama 3 с 7,5 млрд параметров; карточка указывает обучение с продолжением предобучения на 300 млн токенов RedPajama V1 и DPO-данных Intel/orca_dpo_pairs. В метаданных библиотекой названа Transformers, веса представлены в формате safetensors. Модель предназначена для диалогового взаимодействия и генерации текста на английском языке. В README заявлено расширение контекста с 8k до 64k токенов методом PoSE; после дообучения также изменялся rope_theta для возможного расширения контекста. При этом метаданные каталога указывают native context в 8192 токена, поэтому работу на длине 64k следует считать заявленной в карточке, а не подтверждённой метаданными. Лицензия — Llama 3 License (llama3); её условия следует соблюдать при использовании и распространении модели. Карточка описывает модель как основанную на другой модели и обученную дополнительно, поэтому это дообучение, а не оригинальная разработка.

Llama-3-8B-Instruct-v0.3 — плотная авторегрессионная языковая модель семейства Llama, разработанная MaziyarPanahi на основе серии MaziyarPanahi/Llama-3-8B-Instruct-DPO. Она предназначена для диалогов и генерации текста; в карточке указана поддержка ChatML-шаблона, а метаданные отмечают возможность общения в чате. Модель содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель подходит для создания чат-ботов, ответов на вопросы и генерации текста на английском языке. Репозиторий содержит веса в формате safetensors, а для запуска README рекомендует библиотеку Transformers. Лицензия указана как other, без уточнения её условий в доступных данных.

Magpie-Align/Llama-3-8B-Magpie-Air-MT-SFT-v0.1 — плотная авторегрессионная языковая модель семейства Llama 3, дообученная на наборе Magpie-Air-MT-300K-v0.1. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Для диалога рекомендуется использовать официальный шаблон чата Llama 3. Модель предназначена для генерации ответов на инструкции и ведения диалога. Авторы сообщают о результатах, сопоставимых с Llama-3-8B-Instruct на некоторых задачах, и приводят оценки Alpaca Eval 2 и Arena Hard. Модель опубликована в форматах PyTorch и Safetensors и распространяется по лицензии Meta Llama 3 Community License. Она унаследует ограничения базовой Llama 3 и качество данных дообучения; приведённые оценки не гарантируют одинаковую производительность на всех запросах.

Llama-3-Giraffe-70B — экспериментальная длинноконтекстная версия Llama 3 70B, представленная Abacus.AI. Это плотная авторегрессионная языковая модель на архитектуре LlamaForCausalLM с 69,5 млрд параметров; README сообщает об эффективном контексте около 128 тыс. токенов, тогда как в метаданных указан native context 8192 токена. Для расширения контекста применялись PoSE и динамическая NTK-интерполяция: обучение включало около 1 млрд токенов и длинные образцы из RedPajama. Модель предназначена для генерации текста и экспериментов с извлечением информации из длинных последовательностей, например поиска фрагмента в большом документе. В README приведена оценка Needle-in-a-Haystack на контекстах до 128 тыс. токенов, но это начальный выпуск, и авторы отмечают, что планируют улучшать результаты по мере дальнейшего обучения. Модель принимает и генерирует текст; в метаданных указан английский язык. Лицензия — Llama 3 license (llama3).

Карточка модели princeton-nlp/Llama-3-Instruct-8B-CPO-v0.2 на Hugging Face совпадает с карточкой princeton-nlp/Llama-3-Instruct-8B-SimPO-v0.2, поэтому описание составлено по ней. Llama-3-Instruct-8B-SimPO-v0.2 — диалоговая языковая модель семейства Llama, выпущенная командой Princeton NLP как модель из работы SimPO (Simple Preference Optimization with a Reference-Free Reward). Она предназначена для генерации текста в формате инструкций и диалога. Модель содержит 7,5 млрд параметров, принимает текст и имеет контекстное окно 8192 токена. Модель связана с исследованием оптимизации предпочтений без эталонной модели. В карточке не приведены подробности обучения, оценки качества или специальные области применения; метаданные указывают поддержку чата и формат весов safetensors. Лицензия в предоставленных данных не указана.

Карточка модели princeton-nlp/Llama-3-Instruct-8B-KTO-v0.2 на Hugging Face совпадает с карточкой princeton-nlp/Llama-3-Instruct-8B-SimPO-v0.2, поэтому описание составлено по ней. Llama-3-Instruct-8B-SimPO-v0.2 — диалоговая языковая модель семейства Llama, выпущенная командой Princeton NLP как модель из работы SimPO (Simple Preference Optimization with a Reference-Free Reward). Она предназначена для генерации текста в формате инструкций и диалога. Модель содержит 7,5 млрд параметров, принимает текст и имеет контекстное окно 8192 токена. Модель связана с исследованием оптимизации предпочтений без эталонной модели. В карточке не приведены подробности обучения, оценки качества или специальные области применения; метаданные указывают поддержку чата и формат весов safetensors. Лицензия в предоставленных данных не указана.

RLHFlow/LLaMA3-SFT — контрольная точка supervised fine-tuning, подготовленная авторами проекта RLHFlow/Online-RLHF для исследований обучения с обратной связью от людей. Модель основана на Meta Llama 3 8B и дообучена за одну эпоху на смеси разнообразных высококачественных открытых данных. В метаданных указаны архитектура LlamaForCausalLM, около 7,5 млрд параметров, библиотека Transformers и контекст до 8192 токенов. Модель предназначена для генерации текста и диалоговых сценариев, а также как начальная точка для экспериментов с RLHF. Авторы подчёркивают, что сама эта контрольная точка не обучалась с помощью RLHF. В README приведены результаты академических бенчмарков, в том числе по математическим задачам, программированию и общим знаниям. Лицензия в предоставленных данных не указана.

LVBERT — регистрозависимая модель BERT-base для латышского языка, разработанная AiLab-IMCS и представленная в исследовательской работе; текущий репозиторий содержит улучшенную версию модели. Она предварительно обучена на корпусах современного латышского языка, латышской Википедии, новостных статьях и комментариях — суммарно примерно на 500 млн токенов. Обучение использовало masked language modeling и next sentence prediction. Модель имеет архитектуру BERT-base с 12 слоями, 768 скрытыми единицами, 12 головами внимания и контекстом до 512 токенов. Для токенизации используется словарь из 32 тысяч токенов в формате WordPiece, полученный из SentencePiece. Модель предназначена для дообучения на задачах понимания латышского текста, включая классификацию, распознавание именованных сущностей и ответы на вопросы; без дообучения её можно применять для получения контекстных представлений, поиска по смыслу, сравнения текстов и кластеризации. Доступна в форматах PyTorch и Safetensors. Модель выпущена под лицензией Apache-2.0. Она ориентирована на латышский язык и ограничена контекстом в 512 токенов; качество на задачах зависит от используемых данных и дообучения.

MaziyarPanahi/M7T3qm7xp_YamshadowInex12 — слитая модель семейства Mistral на основе automerger/M7T3qm7xp-7B и automerger/YamshadowInex12-7B. Она предназначена для генерации текста и подходит для приложений, которым нужна языковая модель с контекстом до 32 768 токенов. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате Safetensors. Лицензия — Apache-2.0.

Marcoroni-neural-chat-7B-v2 — объединённая языковая модель на архитектуре MistralForCausalLM, созданная с помощью Slerp и mergekit из AIDC-ai-business/Marcoroni-7B-v3 и Intel/neural-chat-7b-v3-3. Обе исходные модели основаны на mistralai/Mistral-7B-v0.1. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленный контекст — до 32 768 токенов. Она предназначена для тестирования возможностей объединённой модели и задач генерации текста. Репозиторий предоставляет веса в формате safetensors; лицензия — Apache-2.0.

MathCoder2-Llama-3-8B-GGUF — это квантованные GGUF-версии модели MathCoder2-Llama-3-8B, разработанной MathGenie и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и ориентирована прежде всего на математические и программные задачи, включая решение задач, написание и анализ кода. В качестве источника данных указан набор MathGenie/MathCode-Pile. Модель основана на семействе Llama 3 и содержит 8 миллиардов параметров. Она работает с текстом и заявлена для английского языка. Доступны варианты от исходных весов F16 до квантований Q8, Q6, Q5, Q4, Q3 и Q2, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Файлы подготовлены с использованием llama.cpp и imatrix; предусмотрено локальное использование, в том числе через LM Studio. Сильной стороной является специализация на математике и коде, а также широкий выбор квантованных вариантов: высококачественные сборки занимают около 6–9 ГБ, а более компактные — примерно 3,7–5 ГБ. Ограничения включают снижение качества на низких уровнях квантования, неизвестные в представленном README размер контекста и подробные результаты оценки, а также отсутствие заявленной поддержки языков кроме английского. Указана лицензия Apache-2.0.

MeliodasPercival_01_Experiment24Shadow — объединённая разработчиком MaziyarPanahi модель для генерации текста и диалогов. Она основана на двух моделях: automerger/MeliodasPercival_01-7B и automerger/Experiment24Shadow-7B. Модель использует плотную архитектуру Mistral с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0.

MiniCPM-2B-sft-fp32 — версия языковой модели MiniCPM-2B после instruction fine-tuning (SFT), представленная в формате FP32. Её разработали ModelBest и лаборатория обработки естественного языка Университета Цинхуа. Модель построена на архитектуре MiniCPMForCausalLM, содержит 2,7 млрд параметров и предназначена для генерации текста и диалоговых ответов на английском и китайском языках. Максимальная длина контекста — 4096 токенов. Модель подходит для диалоговых систем, ответов на вопросы, а также генерации текстов, кода и решений математических задач. Разработчики отмечают её компактный размер и возможность развёртывания на устройствах с ограниченными ресурсами после квантизации; этот репозиторий содержит веса FP32. В карточке указана лицензия other, а README сообщает об открытых весах для академических исследований и ограниченного коммерческого использования. Известные ограничения — склонность к галлюцинациям, зависимость ответов от формулировки запроса и вариативность результатов при повторных попытках; знания модели могут быть неточными. Качество генерации в Transformers, по сообщению авторов, может быть ниже, чем при использовании vLLM.

KennethTM/MiniLM-L6-danish-encoder-v2 — компактная модель Sentence Transformers на архитектуре BERT для представления датских предложений и абзацев в виде плотных векторов размерности 384. По карточке это обновлённая версия MiniLM-L6-danish-encoder, обученная на дополнительных данных GooAQ, переведённых на датский язык; модель адаптирована от англоязычной sentence-transformers/all-MiniLM-L6-v2 с датским токенизатором, а не обучена с нуля. Модель содержит 25,9 млн параметров и обрабатывает последовательности длиной до 512 токенов. Векторы подходят для семантического поиска, сравнения сходства предложений и кластеризации датских текстов. При обучении использовались переведённые на датский данные ELI5 и SQuAD, а также датские пары GooAQ. Лицензия — MIT. Описание не сообщает результатов сравнительной оценки качества; при использовании следует учитывать, что назначение и обучающие данные ориентированы на датский язык.

mncai/mistral-7b-dpo-v5 — языковая модель MindsAndCompany на базе Mistral, прошедшая настройку для следования инструкциям и оптимизацию предпочтений методом DPO. Это плотная авторегрессионная модель с 7,1 млрд параметров, предназначенная для генерации текста и диалоговых сценариев; в примере карточки задан вопрос на корейском языке, однако метаданные указывают английский как язык карточки. Модель поддерживает контекст до 32 768 токенов. Её можно применять для ответов на вопросы, ведения диалога и создания текстовых функций для бизнес-продуктов, включая чат-боты и помощники. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0. Карточка не приводит результатов оценки качества или подробного описания ограничений.

Модель TesNik369/mistral-7b-instruct-v0.2-bnb-4bit_tqa_tuned_seed_42 — дообученная TesNik369 версия Mistral 7B Instruct v0.2, созданная с использованием Unsloth и библиотеки TRL. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров для генерации текста и диалогового взаимодействия; заявленная длина контекста — 32 768 токенов. В карточке не описана специализация дообучения, поэтому модель можно характеризовать как универсальную инструктивную модель. Модель принимает текст и генерирует текст. Указана поддержка английского языка. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Конкретные ограничения или результаты оценки качества в карточке не приведены.

Open-Orca/Mistral-7B-OpenOrca — диалоговая языковая модель Open-Orca, созданная дообучением Mistral 7B на отфильтрованной выборке набора OpenOrca с данными, дополненными GPT-4. Модель обучали с Axolotl и упаковкой OpenChat; она использует архитектуру MistralForCausalLM и формат диалога ChatML. Модель предназначена для генерации ответов в диалоге и выполнения инструкций на естественном языке. В карточке указано контекстное окно 32 768 токенов, а основным языком обозначен английский. Модель содержит 7,1 млрд параметров и доступна в формате PyTorch. Разработчик приводит результаты оценок на нескольких бенчмарках и сообщает об улучшении относительно базовой Mistral 7B. Эти результаты относятся к тестам и не гарантируют качество для конкретных задач. Модель распространяется по лицензии Apache-2.0.

MaziyarPanahi/mistral-ft-optimized-1218-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral с 7,1 млрд параметров. Она создана методом Slerp merge из mistralai/Mistral-7B-Instruct-v0.1 и OpenPipe/mistral-ft-optimized-1218; веса представлены в формате safetensors. Модель предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Подходит для чат-ботов, черновиков текстов, ответов на вопросы и других сценариев генерации на английском языке. Заявленная длина контекста — 32 768 токенов. Модель распространяется по лицензии Apache-2.0. Доступные сведения не описывают отдельные ограничения качества или оценки безопасности.

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

karsar/ModernBERT-base-hu_v3 — модель Sentence Transformers, дообученная автором karsar на базе nomic-ai/modernbert-embed-base для представления венгерских текстов в виде плотных эмбеддингов. Она подходит для семантического поиска, сравнения предложений, поиска перефразировок, кластеризации и классификации текстов. Модель построена на ModernBERT с mean pooling и нормализацией выходного вектора. Она преобразует текст в эмбеддинг размерности 768; максимальная длина последовательности — 8192 токена. Для оценки сходства README указывает косинусную близость и точность 0,8031 на all-triplet-test. Модель обучена на наборе json с тройками anchor, positive и negative; карточка указывает венгерский язык. Доступна по лицензии Apache-2.0. Метрики и описание датасета приведены автором модели и сами по себе не гарантируют качество на конкретных данных.

zelk12 выпустил объединённую модель Gemma 2 для диалогов и генерации текста. Она создана методом SLERP с помощью mergekit из zelk12/MT2-gemma-2-9B и zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1. Модель имеет плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста и чат-сценариев, включая ответы на запросы и выполнение инструкций. Репозиторий использует библиотеку Transformers и формат safetensors. В README и метаданных лицензия не описана, поэтому условия использования по ним определить нельзя.

zelk12 опубликовал объединённую модель MT3-IMA-gemma-2-9B, созданную с помощью mergekit из двух предварительно обученных моделей Gemma 2. Для объединения применён метод SLERP с параметром t=0.5; веса представлены в формате bfloat16 и safetensors. Модель предназначена для генерации текста и диалогового взаимодействия, включая выполнение инструкций. Это плотная причинная языковая модель Gemma 2 с 9 млрд параметров и контекстом 8192 токена, работающая через библиотеку Transformers. Языковая специализация в предоставленных данных не указана. Лицензия в предоставленных источниках не описана. Как и у других объединённых моделей, качество и поведение могут отличаться от исходных моделей; отдельные оценки качества в карточке не приведены.

zelk12/MT-Merge4-GP-gemma-2-MTg4MT4g4-9B — объединённая методом SLERP языковая модель на архитектуре Gemma 2, созданная из zelk12/MT-Gen4-gemma-2-9B и zelk12/MT4-Gen4-gemma-2-9B с помощью mergekit. Модель содержит 9 млрд параметров, распространяется в формате safetensors и рассчитана на генерацию текста и диалоговое взаимодействие с контекстом до 8192 токенов. Модель предназначена для генерации текста и ведения диалогов. Данные не уточняют её языковую специализацию или дополнительные предметные области, поэтому её следует рассматривать как модель общего назначения. Лицензия в предоставленных источниках не приведена.

Xenova/multi-qa-mpnet-base-dot-v1 — версия модели sentence-transformers/multi-qa-mpnet-base-dot-v1 с весами в формате ONNX, адаптированная для работы через библиотеку Transformers.js. Исходная модель разработана командой Sentence Transformers; в README не указано отдельное имя автора ONNX-версии. Модель предназначена для извлечения признаков из текста и может применяться в сценариях семантического поиска, сопоставления вопросов и ответов, поиска похожих документов и построения векторных представлений. Используемый pipeline — feature-extraction; запуск возможен в JavaScript через @huggingface/transformers, в том числе в средах, совместимых с Transformers.js. README не содержит сведений о точном размере модели, архитектурных параметрах MPNet, поддерживаемых языках, модальностях, длине контекста, показателях качества или ограничениях. Лицензия также не указана. Ключевое преимущество этой версии — совместимость с ONNX и веб-ориентированным JavaScript-инструментарием; при этом возможности и характеристики исходной модели следует уточнять в её базовом репозитории.

MyAwesomeModel — модель из репозитория dfdfhhj7/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и распространяемая по лицензии MIT. В метаданных Hugging Face она классифицирована как модель для извлечения признаков; среди тегов также указаны PyTorch и BERT, поэтому её можно использовать для получения векторных представлений текста и последующей обработки в задачах машинного обучения.

MyAwesomeModel — модель на базе архитектуры BERT, доступная через библиотеку Transformers и PyTorch. Согласно метаданным Hugging Face, она предназначена прежде всего для извлечения признаков из текста, то есть преобразования входных последовательностей в векторные представления для последующей обработки.

Nanthasit/my-embedding-gemma — текстовая модель Sentence Transformer, дообученная на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их с помощью косинусного сходства. Модель принимает текст, поддерживает последовательности до 2048 токенов и предназначена для семантического поиска, сравнения текстов и других задач на основе эмбеддингов. Её можно использовать для поиска похожих документов, обнаружения перефразировок, классификации и кластеризации текстов. Дообучение выполнено с MultipleNegativesRankingLoss на трёх примерах, посвящённых финансовым и страховым вопросам; такой малый объём данных ограничивает основания для выводов о качестве и специализации модели. Лицензия в предоставленных данных не указана.

M4-ai NeuralReyna-Mini-1.8B-v0.3 — разговорная языковая модель на архитектуре Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Автор дообучил aloobun/Reyna-Mini-1.8B-v0.2 методом DPO на датасете argilla/OpenHermes2.5-dpo-binarized-alpha; в карточке также указан датасет Locutusque/Hercules-v3.0. Модель обучена на формате диалогов ChatML. Она предназначена для генерации ответов в диалоге и заявлена как способная помогать с программированием, математикой, естественными науками, ролевыми сценариями и вызовом функций. В README приведены результаты нескольких тестов, но полная оценка и подробные результаты не представлены. Модель принимает текст и генерирует текст. Распространяется по лицензии Apache-2.0. Практическое качество заявленных возможностей по карточке нельзя оценить полностью: автор сообщает, что подробная оценка ещё не опубликована.

NeuralsirkrishnaShadow-7B — автоматически собранная Maxime Labonne модель генерации текста на архитектуре Mistral с 7,1 млрд параметров. Она объединяет Kukedlc/NeuralSirKrishna-7b и CorticalStack/shadow-clown-7B-slerp методом DARE-TIES; конфигурация использует bf16 и int8-маску. Модель предназначена для генерации текста в задачах с контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

NeuralsirkrishnaShadow_CalmeInex12 — объединённая модель генерации текста, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/CalmeInex12-7B. В карточке указаны архитектура Mistral с плотной архитектурой и 7,1 млрд параметров; модель рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0.