I.14Автоматизация процессов и AI-агенты

m3hrdadfi/roberta-zwnj-wnli-mean-tokens — модель эмбеддингов на архитектуре RoBERTa, представленная в формате PyTorch и содержащая 145,5 млн параметров. Она преобразует текст в векторные представления для извлечения признаков и вычисления сходства между предложениями. Для получения итогового представления README рекомендует использовать Sentence-Transformers либо применить подходящую операцию pooling к контекстным представлениям токенов в Transformers. Модель подходит для поиска семантически похожих предложений, группировки текстов и получения признаков для последующей обработки. Максимальная длина контекста — 514 токенов. Сведения о лицензии и поддерживаемых естественных языках в доступных данных отсутствуют.

uer/sbert-base-chinese-nli — это модель эмбеддингов предложений на базе BERT, предварительно обученная с помощью UER-py. Она предназначена для преобразования китайских предложений в векторы и сравнения их смысловой близости, например с помощью косинусного сходства. Модель содержит 129,5 млн параметров, использует формат PyTorch и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска и ранжирования похожих китайских фраз. Для обучения использовался набор ChineseTextualInference. Репозиторий распространяется по лицензии Apache-2.0. Карточка показывает извлечение эмбеддингов и вычисление сходства; результаты могут зависеть от домена и качества исходных текстов.

DMetaSoul разработала DMetaSoul/sbert-chinese-general-v1 — модель Sentence-Transformers на базе BERT, дообученную на наборах данных для семантического сходства и перефразирования, включая NLI, PAWS-X, PKU-Paraphrase-Bank и STS. Она предназначена для общего семантического сопоставления китайских текстов: извлечения векторов предложений, кластеризации текстов и семантического поиска. Модель содержит 129,5 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 512 токенов. Лицензия Apache-2.0. В карточке приведены результаты на нескольких наборах оценки: модель особенно хорошо показала себя на Chinese-STS, но на других задачах результаты неоднородны. Авторы отмечают риск переобучения и предупреждают, что модель не оптимальна для всех задач.

DMetaSoul выпустила эту дистиллированную модель для общего семантического сопоставления предложений. Это плотная BERT-модель с четырьмя слоями, примерно 54 млн параметров по метаданным и контекстом до 512 токенов. Она формирует векторные представления текста и подходит для поиска семантически близких фраз и сравнения предложений. По оценке авторов, относительно исходного 12-слойного учителя модель примерно вдвое быстрее, а средняя точность на приведённых наборах данных ниже примерно на 6 процентных пунктов. Модель ориентирована на китайский язык; результаты оценки приведены на китайских задачах сопоставления. Для использования указаны Sentence-Transformers и Hugging Face Transformers. Лицензия в предоставленных данных не указана.

pucpr-br/sbertimbau_news_2021 — модель Sentence Transformers на базе BERTimbau, дообученная для получения семантических представлений новостных текстов на бразильском португальском. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и подходит для семантического поиска и кластеризации новостей. Модель использует архитектуру BERT и обрабатывает текстовые входы с контекстом до 512 токенов. В README указано обучение с BatchAllTripletLoss; в метаданных — 136,1 млн параметров и формат Safetensors. Лицензия в предоставленных данных не указана.

akhooli/sbert-nli-500k-triplets-MB — модель Sentence Transformers на архитектуре ModernBERT, разработанная на основе akhooli/ModernBERT-ar-base-tiny и дообученная на 550 тысячах арабских NLI-триплетов. Она преобразует предложения и абзацы на арабском языке в плотные векторы размерностью 768 для сравнения по косинусному сходству; максимальная длина последовательности составляет 8192 токена. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. Обучение на парах запрос–положительный пример–отрицательный пример помогает сопоставлять запросы с релевантными фрагментами. Лицензия — Apache-2.0. Модель ориентирована на арабский язык; качество на других языках карточкой не подтверждено. Она выдаёт эмбеддинги, а не готовые ответы или метки классов, поэтому для классификации требуется отдельная модель или последующая обработка векторов.

Huffon/sentence-klue-roberta-base — модель на базе RoBERTa для получения векторных представлений предложений и текстов. Она использует подход Sentence-BERT с сиамскими сетями и предназначена для работы с библиотекой Sentence-Transformers. Модель содержит 137,8 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель рассчитана на корейский язык и обучена на данных KLUE. Её можно применять для сравнения семантической близости предложений и извлечения текстовых эмбеддингов для поиска и группировки. В репозитории представлены веса PyTorch. Условия лицензии в предоставленных данных не указаны.

imvladikon/sentence_transformers_alephbertgimmel_small — модель на базе BERT, опубликованная как Sentence-Transformers для получения плотных векторных представлений предложений и абзацев. Она содержит 82,3 млн параметров, формирует эмбеддинги размерности 512 и рассчитана на входные последовательности длиной до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Она обучалась с MultipleNegativesRankingLoss на датасетах stsb_he и wikianswers_hebrew, поэтому ориентирована на тексты на иврите. Доступен формат PyTorch; лицензия не указана в предоставленных данных.

Cyclone SIMCSE Chinese RoBERTa WWM Ext — модель для получения векторных представлений предложений на упрощённом китайском языке. Она разработана на основе Chinese RoBERTa WWM Ext: энкодер токенов используется в подходе Simple Contrastive Learning для кодирования предложений. Модель содержит 129,5 млн параметров, имеет архитектуру BERT и контекст до 512 токенов; веса доступны в формате PyTorch. Модель предназначена для построения эмбеддингов, которые можно применять для семантического поиска, сравнения сходства предложений и поиска похожих текстов. README рекомендует загружать её с помощью SentenceTransformer. Сведения о лицензии и специальных ограничениях в предоставленных данных отсутствуют.

SimCSE-Small-E-Czech — компактная модель семантических эмбеддингов предложений, разработанная Seznam.cz. Она основана на Seznam/small-e-czech и дообучена с целевой функцией SimCSE; архитектура — ELECTRA, размер — 20,4 млн параметров. Модель предназначена для сравнения смысла чешских предложений и может применяться в семантическом поиске, извлечении релевантных текстов, кластеризации и классификации. Модель принимает текст и выдаёт векторные представления предложений для задач сходства. Она рассчитана на чешский язык, поддерживает контекст до 512 токенов и распространяется в формате PyTorch по лицензии CC BY 4.0. README не приводит подробных результатов оценки; качество для конкретного набора данных следует проверять отдельно.

tayaee/Single_GPU_Llama3-8B — языковая модель семейства Llama 3 для генерации текста, опубликованная пользователем tayaee на Hugging Face. README содержит автоматически созданную карточку без сведений о разработчике, обучающих данных, результатах оценки и лицензии. Модель предназначена для задач генерации и продолжения текста, диалоговых сценариев, создания черновиков и интеграции в приложения на базе библиотеки Transformers. В метаданных указаны поддержка тегов text-generation и conversational, размер около 7,5 млрд параметров и контекстное окно до 131 072 токенов. Доступна в формате safetensors и рассчитана на запуск в сценариях, ориентированных на использование одного GPU, согласно названию модели. Языки естественного языка в метаданных не указаны. Для модели не приведены результаты бенчмарков, сведения о точности, лицензии или специальных доменах применения, поэтому перед использованием в критически важных системах необходимы самостоятельное тестирование и проверка условий распространения.

Ransaka разработал модель sinhala-roberta-sentence-transformer для получения векторных представлений предложений и абзацев на сингальском языке. Она основана на RoBERTa, содержит 81,2 млн параметров и преобразует текст в плотные векторы размерности 768; максимальная длина контекста — 514 токенов. Модель обучена с использованием Sentence-Transformers и Triplet Loss. Полученные векторы подходят для семантического поиска, сравнения предложений и кластеризации текстов. Для работы доступны PyTorch и библиотека Sentence-Transformers. Это дообученная модель для обработки сингальского текста. Лицензия в предоставленных данных не указана.

smol_llama-4x220M-MoE — языковая модель на архитектуре Mixtral с механизмом смеси экспертов, созданная автором репозитория путём слияния четырёх моделей через LazyMergekit: BEE-spoke-data/smol_llama-220M-openhermes, BEE-spoke-data/beecoder-220M-python, BEE-spoke-data/zephyr-220m-sft-full и BEE-spoke-data/zephyr-220m-dpo-full. Модель предназначена для генерации текста, включая диалоговые ответы и генерацию кода на Python. В репозитории указано 184,9 млн параметров и контекст до 2048 токенов; веса опубликованы в формате Safetensors. В качестве обучающих источников перечислены текстовые, диалоговые и кодовые наборы данных. Поддержка конкретных естественных языков не обозначена. Модель распространяется по лицензии Apache-2.0.

SmolLM3-3B-Base — базовая языковая модель HuggingFaceTB, обученная предсказывать продолжение текста. Это плотный decoder-only Transformer с GQA и NoPE, содержащий 3,1 млрд параметров; модель опубликована в форматах Safetensors и ONNX. По карточке, предобучение проводилось на 11,2 трлн токенов из веб-текстов, кода, математики и материалов для рассуждений. Это базовая версия семейства; instruct-модель опубликована отдельно. Модель предназначена для генерации и продолжения текста, а также может служить основой для адаптации под прикладные задачи. Она обучалась на английском, французском, испанском, немецком, итальянском и португальском языках; в меньшем объёме также использовались арабский, китайский и русский. Контекст конфигурации — 65 536 токенов; README описывает расширение до 128k токенов с YaRN. Карточка приводит результаты тестирования на задачах рассуждения, математики, кода и многоязычного понимания, но они не гарантируют точность ответов в практическом использовании. Разработчик предупреждает, что текст может содержать фактические ошибки, логические несоответствия и предубеждения из обучающих данных; важную информацию следует проверять. Модель распространяется по лицензии Apache-2.0.

SnorkelWestBeagle-DARETIES-7B — объединённая чат-модель на архитектуре Mistral, созданная с помощью LazyMergekit из Snorkel-Mistral-PairRM-DPO, WestLake-7B-v2 и NeuralBeagle14-7B; в конфигурации также указана Mistral-7B-v0.1 как базовая модель. Модель содержит 7,1 млрд параметров, принимает текст и предназначена для генерации ответов и рассуждений. Заявленная длина контекста — 32 768 токенов. Модель объединяет несколько чекпойнтов методом DARE-TIES с маской int8; веса сохранены в формате safetensors. В README приведены результаты Open LLM Leaderboard, включая оценки ARC и HellaSwag. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает специализацию по языкам или прикладным областям.

jaspionjader/sof-11 — объединённая автором модель семейства Llama, созданная из предварительно обученных языковых моделей с помощью mergekit и метода Model Stock. В качестве базовой использована jaspionjader/sof-6, также в объединение вошли jaspionjader/sof-9 и jaspionjader/sof-10. Модель содержит 7,5 млрд параметров, построена на плотной архитектуре LlamaForCausalLM и предназначена для генерации текста и диалогов. Она принимает текст и поддерживает контекст до 131 072 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Языки и специализация по предметным областям в доступных сведениях не определены. Условия лицензирования и конкретные ограничения на применение в карточке не описаны. Как и другие языковые модели, она может выдавать неточные или выдуманные сведения; качество ответов зависит от запроса и сценария использования.

Это англоязычный разреженный поисковый энкодер SPLADE от tomaarsen, дообученный на базе Luyu/co-condenser-marco с использованием Sentence Transformers. Модель преобразует предложения и абзацы в разреженные векторы размерности 30 522; релевантность документов оценивается скалярным произведением векторов. Архитектура включает BERT с masked language modeling и max-pooling SPLADE. Модель предназначена для семантического поиска и разреженного извлечения документов, в том числе по запросам на естественном языке. Максимальная длина входа — 512 токенов. В README приведены оценки на небольших наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Лицензия Apache-2.0 допускает использование и распространение на её условиях.

cnmoro/static-nomic-384-pten-v2 — статическая модель текстовых эмбеддингов, созданная с помощью Tokenlearn на базе nomic-embed-text-v2-moe. Она выдаёт векторы размерности 384 и предназначена для построения представлений текста, семантического поиска и сравнения сходства предложений. Модель обучалась в потоковом режиме на предварительно вычисленных признаковых данных с инкрементальным PCA до 384 измерений и квантованием словаря с лимитом 32 тыс. эффективных токенов. В карточке указана настройка для английского и португальского языков; датасет обучения — AllTripletsMsMarco-PTBR. Модель распространяется в формате safetensors по лицензии Apache-2.0. Как статические эмбеддинги, она подходит для сценариев, где нужны компактные векторные представления текста. Карточка сообщает о сравнении с предыдущей версией, но не приводит здесь количественных результатов; качество на иных языках и задачах может отличаться от заявленного для целевых данных.

ST-NLI-ca_paraphrase-multilingual-mpnet-base — модель на базе Sentence-Transformers, разработанная проектом AINA для получения векторных представлений предложений и абзацев. Она кодирует текст в плотные векторы размерности 768 и предназначена для семантического поиска, кластеризации, оценки сходства и выявления перефразировок на каталанском языке. Модель создана дополнительным обучением paraphrase-multilingual-mpnet-base-v2 на каталанских данных логического вывода: TE-ca и профессиональном переводе XNLI на каталанский. Для обучения использовались пары с отношением следования и противоречия; нейтральные примеры не применялись. Архитектура XLM-RoBERTa содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. README приводит результаты оценки на каталанских наборах STS-ca, Parafraseja и PAWS-ca. Модель подходит для семантического поиска и сопоставления текстов на каталанском; мультиязычная базовая модель не означает, что качество дообученной версии одинаково для всех языков. В метаданных указан формат PyTorch. Информация о лицензии в предоставленных данных отсутствует.

vanillaOVO/supermario_v2 — объединённая предварительно обученная языковая модель, созданная с помощью DARE и mergekit. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; для работы доступны веса safetensors и загрузка через Transformers. Модель предназначена для генерации текста и может использоваться в приложениях, которым нужны ответы на запросы и продолжение текста. README сообщает о слиянии моделей, но не раскрывает состав слияния, целевые сценарии или языки обучения, поэтому нельзя приписать ей специализированные возможности или основной язык. Лицензия — Apache-2.0.

cl-nagoya/sup-simcse-ja-base — японская модель эмбеддингов предложений, разработанная с помощью supervised SimCSE на основе cl-tohoku/bert-base-japanese-v3 и дообученная на наборе JSNLI. Она использует архитектуру BERT с 138,4 млн параметров; для получения векторов применяет pooling по токену CLS. Модель предназначена для представления японских предложений в виде векторов и вычисления сходства между ними, например при поиске семантически близких фраз или группировке текстов. Модель доступна через Sentence-Transformers или Transformers и принимает последовательности длиной до 512 токенов по контекстному ограничению; при обучении использовалась максимальная длина 64. Выход — векторные представления текста. Лицензия CC BY-SA 4.0 требует атрибуции и распространения производных материалов на тех же условиях.

T3qm7xNeuralsirkrishna_Strangemerges_32Ogno — объединённая языковая модель семейства Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/Strangemerges_32Ogno-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов; поддерживает контекст длиной до 32 768 токенов. Модель принимает текст и выдаёт текст. Карточка не описывает конкретные специализации, набор языков или результаты оценки качества, поэтому её можно характеризовать как модель общего назначения. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

T3qm7xNeuralsirkrishna_YamMulti_verse_model — объединённая текстовая модель на архитектуре Mistral, созданная из automerger/T3qm7xNeuralsirkrishna-7B и automerger/YamMulti_verse_model-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и диалоговых сценариев. Модель распространяется в формате safetensors по лицензии Apache-2.0.

T3qm7xNeuralsirkrishna_YamNeuralsirkrishna — объединённая текстовая модель семейства Mistral, созданная на основе automerger/T3qm7xNeuralsirkrishna-7B и automerger/YamNeuralsirkrishna-7B. Она предназначена для генерации текста и диалоговых сценариев. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате Safetensors. Лицензия — Apache-2.0.

T3qT3qm7xp-7B — автоматическое объединение моделей, созданное Maxime Labonne методом DARE-TIES на основе моделей T3Q-Mistral-Orca-Math-DPO и T3QM7XP. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров для генерации текста и диалоговых ответов; поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Её можно использовать для генерации продолжений, ведения диалога и ответов на текстовые запросы. В конфигурации объединения для T3QM7XP заданы плотность 0,53 и вес 0,6, используется int8-маска, а тип данных указан как bfloat16. Репозиторий предоставляет веса для Transformers. Языки и специализированные области применения в предоставленных данных не подтверждены, поэтому модель описывается как общего назначения. Лицензия — Apache-2.0.

Dhivehi TSDAE News BERT — модель Sentence-Transformers на архитектуре BERT, обученная для представления предложений и абзацев в виде плотных векторов размерностью 768. Модель насчитывает 79,7 млн параметров и принимает текст; векторы подходят для семантического поиска и кластеризации новостных заголовков и других текстов на дивехи. Модель использует обучение TSDAE с функцией потерь DenoisingAutoEncoderLoss. Её можно применять через Sentence-Transformers либо Transformers с подходящей операцией pooling. Контекст составляет до 514 токенов. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

Sakalti/ultiima-125B — плотная авторегрессионная языковая модель семейства Qwen2, созданная Sakalti на основе Sakalti/ultiima-72B. Веса объединены методом passthrough с помощью mergekit; в README указано, что число слоёв увеличено с 80 до 140. Модель содержит 124,1 млрд параметров, использует формат safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов на нескольких языках. Разработчик отмечает снижение качества после изменения архитектуры и предполагает дальнейшее дообучение для его улучшения; поэтому модель подходит для экспериментов с длинным контекстом и дообучением, но качество ответов может быть нестабильным. В метаданных заявлены интерфейс вызова инструментов и поддержка английского, корейского, японского, русского, французского, немецкого, итальянского, румынского и китайского языков. Лицензия указана как other; конкретные условия следует сверить с карточкой модели.

UltraLM-13b — чатовая языковая модель на архитектуре LLaMA с 12,9 млрд параметров, созданная OpenBMB путём дообучения LLaMA-13b на наборе UltraChat. Она рассчитана на многоходовые диалоги и генерацию ответов по инструкциям в формате User/Assistant. Контекст модели составляет 2048 токенов; она принимает и генерирует текст. В репозитории размещены delta-веса: для инференса необходимо восстановить полную модель на основе исходной LLaMA-13b и использовать чатовый шаблон. Модель распространяется на условиях лицензии LLaMA; применяются её ограничения использования.

cl-nagoya разработала японскую модель эмбеддингов предложений на архитектуре BERT, дообученную методом Unsupervised SimCSE на Wiki40B. Модель предназначена для получения векторных представлений японских текстов и оценки сходства предложений; её можно использовать через Sentence-Transformers или Transformers с CLS-пулингом. Дополнительный MLP-слой применялся только во время обучения. Модель содержит 138,4 млн параметров, принимает текст с контекстом до 512 токенов. В обучении использовались последовательности длиной до 64 токенов. Репозиторий содержит веса PyTorch; лицензия — CC BY-SA 4.0.

ddobokki/unsup-simcse-klue-roberta-small — модель на архитектуре RoBERTa, разработанная для получения векторных представлений корейских предложений и оценки их семантической близости. Её можно использовать через библиотеку Sentence-Transformers для сравнения предложений, поиска семантически похожих текстов и построения векторного поиска. Модель содержит 81,2 млн параметров и принимает текстовые последовательности с контекстом до 514 токенов. Репозиторий содержит веса PyTorch и safetensors. Карточка не сообщает отдельную лицензию; ограничения качества и условия коммерческого использования по доступным данным определить нельзя.