I.14Автоматизация процессов и AI-агенты

VelaVec — компактная гибридная модель для поиска и сравнения текстов, созданная автором репозитория xagent2025 на основе дообучения BAAI/bge-small-en-v1.5. Она рассчитана на быстрый поиск на устройствах с ограниченными ресурсами и предоставляет два режима: симметричное сравнение смысла предложений и асимметричный поиск документов по запросу. Модель содержит 9,8 млн параметров и выдаёт эмбеддинги размерности 256. Архитектура включает замороженную таблицу токенов, три блока двунаправленного внимания и две головы пулинга. README описывает англоязычное обучение и оценку на задачах семантического сходства и поиска; предусмотрен путь инференса на Rust без Python во время выполнения. Лицензия репозитория — MIT. В опубликованных оценках модель показывает результаты, близкие к BGE-small на части тестов и превосходит её на Banking77, однако на медицинских, научных и дискуссионных доменах уступает учителю. Лучше всего подходит для коротких запросов длиной до 64 токенов и документов до 256 токенов; инструктивные промпты не поддерживаются. В обучении использовался MS MARCO с исследовательской лицензией, поэтому для коммерческого применения следует отдельно проверить условия использования данных.

thuannc/vi-distilled-msmarco-MiniLM-L12-cos-v5 — вьетнамская модель эмбеддингов предложений на базе Sentence-Transformers, созданная дистилляцией модели msmarco-MiniLM-L12-cos-v5 на англо-вьетнамских параллельных данных. Она преобразует предложения и абзацы в плотные векторы размерности 384 и подходит для семантического поиска и поиска ответов на вопросы. В README приведены результаты оценки: Recall@10 85 и MRR@10 58; для paraphrase-multilingual-MiniLM указаны 75 и 49 соответственно. Модель основана на архитектуре BERT, содержит 124,3 млн параметров и рассчитана на контекст до 512 токенов. Для обучения использовались PhoMT, MKQA, MLQA и XQuAD, а в качестве учителя — msmarco-MiniLM-L12-cos-v5. В метаданных указан формат PyTorch и лицензия MIT. README описывает применение через Sentence-Transformers или Transformers с подходящим pooling; опубликованные результаты и сценарии связаны с поиском, а иных ограничений карточка не уточняет.

Карточка модели nrl-ai/vietnamese-embedding на Hugging Face совпадает с карточкой dangvantuan/vietnamese-embedding, поэтому описание составлено по ней. dangvantuan/vietnamese-embedding — модель эмбеддингов предложений для вьетнамского языка, разработанная на основе PhoBERT с архитектурой RoBERTa. Она преобразует текст векторы размерности 768 и предназначена для семантического поиска, сравнения сходства предложений и кластеризации текстов. Модель построена на Sentence Transformers: использует среднее объединение токенных представлений и поддерживает последовательности до 512 токенов согласно README; метаданные каталога указывают контекст 258 токенов. Веса содержат 162,4 млн параметров. Обучение включало SimCSE с контрастивным обучением, а также дообучение на наборах XNLI-vn и STSB-vn. В карточке приведены результаты оценки корреляции на наборах семантического сходства для вьетнамского языка. Модель подходит для поиска семантически близких фраз и группировки вьетнамских текстов по смыслу. Она принимает текст и возвращает векторные представления; результаты для других языков карточкой не подтверждены. Распространяется по лицензии Apache-2.0.

Wav2Vec2-Base-VoxPopuli-Finetuned — модель Facebook AI для автоматического распознавания французской речи. Она основана на Wav2Vec2 Base, предварительно обученной на 10 тысячах часов неразмеченной речи из VoxPopuli, а затем дообученной на транскрибированных французских данных из этого корпуса. Архитектура — Wav2Vec2ForCTC, размер — 113,3 млн параметров; модель принимает аудио и выдаёт текстовую транскрипцию. Модель предназначена для преобразования французских аудиозаписей в текст, например для расшифровки речи в голосовых данных. Репозиторий содержит веса PyTorch. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Wav2Vec2-Large-XLSR-53-Ukrainian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на украинском языке на данных Common Voice. Она принимает аудио и преобразует речь в текст; входной сигнал должен иметь частоту дискретизации 16 кГц. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; доступны веса PyTorch и Flax. Модель предназначена для автоматической транскрибации украинской речи, в том числе для оценки на тестовой выборке Common Voice. В README приведён результат тестирования 32,29 %, однако метрика не уточнена, поэтому это значение нельзя напрямую интерпретировать как точность распознавания. Модель распространяется по лицензии Apache-2.0.

ajikadev/wavlm-salt-eng — дообученная модель распознавания английской речи на основе microsoft/wavlm-base. Это плотная модель семейства WavLM с архитектурой WavLMForCTC, содержащая 113,3 млн параметров; она принимает аудио и преобразует речь в текст. Модель дообучена на многоголосом англоязычном наборе SUNBIRD/SALT - MULTISPEAKER-ENG. На оценочном наборе указаны loss 0,2244 и WER 0,2118. Модель подходит для транскрибации английской речи, в том числе записей с несколькими говорящими. Эти результаты относятся к указанному набору данных и сами по себе не гарантируют такое же качество на других типах аудио. Лицензия в предоставленных сведениях не указана.

WeMM-Embedding-2B — универсальная мультимодальная embedding-модель, разработанная Tencent и построенная на Qwen3.5. Указанный репозиторий содержит её квантованную версию в формате GGUF. Модель предназначена для преобразования данных в векторные представления и поддерживает текст, изображения, видео, визуальные документы, а также интерливинг мультимодальных входов. Аудио не поддерживается. Модель имеет размер 2B параметров и возвращает L2-нормализованный embedding размерностью 2048. Она подходит для семантического поиска, сопоставления запросов и документов, мультимодального поиска, кластеризации и задач retrieval. Поддерживаются китайский и английский языки. Реализована поддержка Matryoshka Embeddings: вектор можно усекать до размерностей, заданных в конфигурации, включая 256; для этой размерности заявлено сохранение 98,7% исходной производительности на задачах с изображениями и видео. В бенчмарке MMEB-v2 модель показала средний результат 77,9, включая 79,6 на задачах с изображениями, 70,8 с видео и 80,7 с визуальными документами. Ограничения включают отсутствие поддержки аудио и необходимость специализированной обработки мультимодальных входов; заявленный контекст модели в README не указан. Лицензия обозначена как Apache-2.0.

bofenghuang/whisper-large-v2-french — дообученная версия Whisper large-v2 для распознавания французской речи. Модель разработана bofenghuang на основе openai/whisper-large-v2 и обучена на составном наборе из более чем 2200 часов аудио, включавшем Common Voice 11.0, Multilingual LibriSpeech, VoxPopuli, Fleurs, Multilingual TEDx, MediaSpeech и African Accented French. В метаданных указаны архитектура WhisperForConditionalGeneration, 905,2 млн параметров и библиотека Transformers. Модель преобразует французскую речь в текст и подходит для транскрибации записей и аудио из разных источников, в том числе речи с африканскими акцентами. Для распознавания входное аудио следует подавать с частотой дискретизации 16 кГц. Модель не предсказывает регистр букв и пунктуацию; приведённые в карточке показатели WER относятся к отфильтрованным и предобработанным тестовым наборам и не описывают все условия использования. Распространяется по лицензии Apache-2.0.

Whisper medium GGUF — это квантованная версия мультиязычной модели автоматического распознавания речи OpenAI Whisper medium, подготовленная handy-computer для работы с transcribe.cpp. Модель предназначена для преобразования речи в текст, определения языка и перевода речи с любого поддерживаемого языка на английский. Она подходит для транскрибации аудио, субтитров, голосовых архивов и других сценариев speech-to-text. Потоковая обработка не поддерживается; длинные записи обрабатываются чанками на основе окон длительностью 30 секунд, доступны сегментные временные метки. Модель использует архитектуру encoder-decoder Transformer и поддерживает широкий набор языков, включая русский, английский, немецкий, французский, испанский, китайский, японский и многие другие. Доступны варианты GGUF с точностью F32, F16 и квантованием Q8_0, Q6_K, Q5_K_M и Q4_K_M; размер файлов составляет примерно от 504 МБ до 3,06 ГБ. На тесте LibriSpeech test-clean указанный показатель WER составляет 2,59–2,64% в зависимости от варианта квантования. Сильными сторонами являются мультиязычность, определение языка, перевод речи и сохранение близкого к исходной модели качества при уменьшении размера. Ограничения включают отсутствие streaming, зависимость производительности от оборудования и заметно различающееся качество между языками: приведённые оценки WER и CER показывают особенно слабые результаты для ряда малоресурсных языков. Модель распространяется по лицензии Apache-2.0.

Модель Dianavdavidson — дообученная на наборе данных Vaani модель автоматического распознавания речи на базе OpenAI Whisper Medium. Она принимает аудио и генерирует текстовую расшифровку; в карточке указаны 455,8 млн параметров, архитектура Whisper и формат safetensors. На оценочном наборе приведены Loss 0,4028 и Global WER 28,6796, однако описание не уточняет состав набора и методику оценки. Модель распространяется по лицензии Apache-2.0.

Whisper-Small-CV11 — мультиязычная модель распознавания речи, созданная Burak Aydın путём дообучения стандартной архитектуры OpenAI Whisper Small на корпусе Whispered. Она содержит 153,1 млн параметров и предназначена для транскрибирования аудиозаписей на 11 языках. Модель работает в Transformers и совместима с обычными инструментами для Whisper; для загрузки не требуется доверять дополнительному коду репозитория. При оценке на CommonVoice 17 модель показала более низкий WER, чем исходная Whisper Small, на 10 из 11 языков; README приводит результаты для английского, немецкого и испанского. Обучение сохраняло замороженным энкодер и использовало 15 000 шагов. Модель подходит для расшифровки записанной речи с бытовых микрофонов, в том числе при фоновом шуме. Модель рассчитана на английский, немецкий, испанский, французский, русский, турецкий, арабский, грузинский, тайский, китайский и валлийский языки. Лицензия — Apache 2.0. По заявлению авторов, дообучение снижает качество для других языков Whisper; грузинский вариант на уровне Whisper Small не пригоден для использования. Качество на дальней речи, телефонном аудио 8 кГц и перекрывающейся речи не оценивалось.

Модель разработана пользователем anton-l и дообучена на базе facebook/wav2vec2-xls-r-300m на датасете GOOGLE/XTREME_S — FLEURS.ALL. Это модель распознавания речи на архитектуре Wav2Vec2 с CTC-декодированием, содержащая около 402,8 млн параметров. Модель преобразует аудио в текст и предназначена для автоматического распознавания речи на языках Западной Европы, представленных в FLEURS. В README приведены результаты оценки на 20 043 примерах: общий CER составляет 0,2484, а показатели заметно различаются по языкам; например, CER для немецкого — 0,1287, для греческого — 0,6020. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Результаты оценки указывают на неодинаковое качество между языками, поэтому перед применением следует проверить точность для нужного языка и условий записи.

ZAYA1-VL-8B — открытая vision-language модель Zyphra для диалога и ответов на вопросы по изображениям. Она использует ZAYA1-8B как текстовый декодер и визуальный энкодер Qwen2.5-VL; архитектура включает специализированные LoRA-параметры для обработки зрительных токенов и двунаправленное внимание к токенам изображения. В карточке указано 3 млрд параметров, контекст до 32 768 токенов и поддержка изображений и текста. Модель предназначена для анализа изображений, диаграмм и документов, а также визуальных вопросов и ответов. В README приведены результаты на наборах AI2D, ChartQA и DocVQA. Для запуска требуется форк Transformers с веткой zaya1-vl и дополнительные зависимости, включая qwen-vl-utils и flash_attn. Модель распространяется по лицензии Apache 2.0.

Zenith-7B-dpo-v2 — диалоговая языковая модель Xenon1 на архитектуре Mistral, дообученная на Mistral-7B-v0.1 с использованием датасета UltraFeedback и методов из статьи Self-Rewarding Language Models. Модель содержит 7,1 млрд параметров, принимает текстовые инструкции в формате Mistral [INST] и рассчитана на контекст до 32 768 токенов. Модель предназначена для диалогов и генерации ответов на инструкции. В архитектуре используются Grouped-Query Attention, Sliding-Window Attention и BPE-токенизатор с поддержкой fallback по байтам. Карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0.

argilla/zephyr-7b-spin-iter3-v0 — диалоговая языковая модель, созданная Argilla и сообществом Data Is Better Together. Это дообученная версия argilla/zephyr-7b-spin-iter2-v0 на тщательно отобранных наборах argilla/10k_prompts_SPIN_iter3_zephyr_top и argilla/10k_prompts_SPIN_iter2_zephyr_top; авторы отмечают, что подход SPIN достиг сопоставимых результатов при значительно меньшем объёме данных. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров. Она предназначена для генерации текста в диалоговом формате и рассчитана на контекст до 32 768 токенов. В README приведены результаты MT-Bench для предыдущих итераций семейства, но отдельные оценки для iter3 не указаны. Модель распространяется под лицензией Apache-2.0. Карточка не описывает специальные предметные области и не приводит подробных ограничений; применимость ответов следует оценивать для конкретной задачи.

AI21-Jamba-Reasoning-3B-GGUF — набор GGUF-квантизованных версий языковой модели AI21-Jamba-Reasoning-3B, разработанной AI21 Labs. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и сценариев, где требуется рассуждение; запуск возможен локально через LM Studio, llama.cpp и другие проекты на базе llama.cpp. Доступны варианты от исходных BF16-весов размером 6,40 ГБ до компактных квантов IQ3 и Q3 размером примерно 1,47–1,76 ГБ, а также более качественные варианты Q4–Q8. Рекомендуемые сборки включают Q4_K_M, Q5, Q6 и другие варианты; выбор позволяет балансировать качество, скорость и требования к оперативной памяти. Формат приглашений предусматривает системное и пользовательское сообщения, а также блок <think> для рассуждений перед ответом. README не содержит сведений об архитектуре, длине контекста, поддерживаемых языках и модальностях, поэтому эти характеристики неизвестны. Более сильные квантизации обеспечивают качество, близкое к исходным весам, тогда как компактные варианты экономят память ценой снижения качества. Лицензия в представленном описании не указана.

jaimevera1107/all-MiniLM-L6-v2-similarity-es — испаноязычная модель Sentence Transformers, дообученная на датасете Similarity Sentences Spanish для получения векторных представлений предложений и абзацев. Она основана на архитектуре BERT, содержит 25,9 млн параметров и формирует плотные векторы размерностью 768; заявленная длина контекста — 512 токенов. Модель подходит для семантического поиска, сравнения сходства предложений и кластеризации испаноязычных текстов. В README приведены результаты оценки Spearman Correlation 80,1% и R² 70,67% для строки «Roberta Fine tuned», поэтому эти числа нельзя уверенно приписать именно данной модели. Для работы доступны веса PyTorch и библиотека Sentence Transformers. Модель распространяется по лицензии MIT. Её обучение и заявленные языковые возможности ориентированы на испанский; результаты на других языках не подтверждены.

ANIMA-Nectar-v2-Mistral-7B-Instruct-v0.1 — чат-модель на архитектуре Mistral, созданная MaziyarPanahi слиянием mistralai/Mistral-7B-Instruct-v0.1 и Biomimicry-AI/ANIMA-Nectar-v2 методом SLERP. Модель содержит 7,1 млрд параметров и предназначена для генерации текста в ответ на инструкции и диалоговые запросы; доступная карточка не описывает более узкую специализацию ANIMA-Nectar-v2. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Лицензия — Apache-2.0. Карточка содержит сведения о слиянии и конфигурации, но не приводит результатов оценки качества или подробных ограничений применения.

acayir64/arabic-embedding-model-pair-class2 — модель эмбеддингов предложений на базе XLM-RoBERTa, созданная дообучением symanto/sn-xlm-roberta-base-snli-mnli-anli-xnli с помощью AutoTrain. Она предназначена для преобразования текста в векторы и семантического сравнения предложений, в том числе для поиска похожих фраз. Модель содержит 305,2 млн параметров, использует библиотеку Sentence Transformers и принимает контекст длиной до 514 токенов. Многоязычная базовая модель позволяет применять её к текстам на разных языках; название репозитория указывает на ориентацию этой версии на арабские эмбеддинги. В README приведена метрика потерь 1,103 на валидации, но без описания набора данных и протокола оценки, поэтому качество для конкретных задач по ней оценить нельзя. Лицензия в предоставленных данных не указана.

Генеративная языковая модель семейства Llama с примерно 7,5 млрд параметров, опубликованная на Hugging Face в формате, совместимом с библиотекой Transformers. По метаданным модель предназначена для генерации текста и поддерживает разговорный сценарий использования. Разработчик, точная архитектура, языки обучения и лицензия в доступных материалах не указаны. Модель может применяться для продолжения текста, создания ответов на сообщения, ведения диалога и встраивания в приложения на базе Transformers. Максимальная длина контекста составляет 8192 токена, что позволяет учитывать достаточно объёмную историю диалога или исходный документ. К сильным сторонам относятся относительно крупный размер для локальной генеративной модели и поддержка стандартной экосистемы Transformers. Ограничения связаны с отсутствием в карточке сведений о данных обучения, результатах оценки, безопасности, языковом покрытии, точной конфигурации и лицензии; ответы модели необходимо проверять, особенно в фактически значимых сценариях.

rasyosef/bert-amharic-text-embedding-medium — модель Sentence Transformers, дообученная разработчиком на базе rasyosef/bert-medium-amharic на наборе amharic-passage-retrieval-dataset. Она кодирует предложения и абзацы на амхарском языке в плотные векторы размерностью 512 для поиска по смыслу и сравнения текстов. Архитектура включает BERT, усреднение токенных представлений и нормализацию векторов; максимальная длина входа — 512 токенов, сходство оценивается косинусной мерой. Модель подходит для семантического поиска и извлечения релевантных фрагментов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации амхарских текстов. В README приведены результаты оценки информационного поиска, включая cosine_accuracy@1 0,6025 для 512 измерений. Модель принимает текст и выдаёт векторные представления; генерацию текста она не выполняет. Распространяется по лицензии Apache-2.0.

Contrastive-Tension/BERT-Base-Swe-CT-STSb — шведская модель на архитектуре BERT Base, опубликованная проектом Contrastive-Tension. Она дообучена методом Contrastive Tension для получения векторных представлений предложений и оценки семантического текстового сходства, включая сценарии поиска похожих фраз и обнаружения перефразирований. Модель предназначена для извлечения признаков из текстов на шведском языке и поддерживает библиотеку Transformers, а также PyTorch, TensorFlow и JAX. По метаданным Hugging Face модель содержит около 151,9 млн параметров и обрабатывает последовательности длиной до 512 токенов. Метод Contrastive Tension обучает представления так, чтобы одинаковые предложения имели близкие векторы, а разные — более далёкие. Модель хорошо подходит для шведского semantic textual similarity, поиска похожих предложений, кластеризации и построения семантического поиска. Она не является генеративной моделью и не предназначена для диалога, генерации текста или непосредственной классификации без дополнительной модели и процедур обработки эмбеддингов.

emrecan/bert-base-turkish-cased-mean-nli-stsb-tr — модель для получения векторных представлений предложений и абзацев, опубликованная автором emrecan. Она основана на BERT с 137,8 млн параметров и формирует плотные эмбеддинги размерности 768; модель обучалась на машинно переведённых на турецкий язык данных NLI и STS-B с использованием Sentence-Transformers. Контекст ограничен 512 токенами. Модель подходит для семантического поиска, сравнения сходства текстов и кластеризации турецкоязычных предложений. В README приведены результаты оценки на тестовой выборке: корреляция Пирсона 0,834 и Спирмена 0,830 для косинусного сходства. Доступна по лицензии Apache-2.0. Результаты зависят от домена и качества текстов; обучение на машинных переводах может влиять на качество.

indiejoseph/bert-cantonese-sts — модель на базе BERT, опубликованная пользователем indiejoseph. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения семантической близости текстов, семантического поиска и кластеризации. Модель можно использовать через Sentence-Transformers или Transformers с соответствующей операцией pooling для получения вектора из контекстных представлений токенов. Модель содержит 130,6 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Название указывает на ориентацию на кантонский язык; в метаданных коды языков не приведены. Доступен формат PyTorch. Лицензия в предоставленных данных не указана.

Компактная модель cnmoro для получения эмбеддингов предложений и извлечения признаков из текста на английском и бразильском португальском языках. Она создана дообучением google/bert_uncased_L-2_H-128_A-2 и опубликована с использованием AutoTrain; архитектура — BERT, размер модели составляет 4,4 млн параметров, а размер выходного вектора — 128 измерений. Модель предназначена для вычисления сходства между предложениями и создания текстовых векторов, например для поиска похожих фраз или сравнения смысловой близости. Она принимает текст, поддерживает контекст до 512 токенов и распространяется в формате safetensors для библиотеки Sentence Transformers. В карточке приведена метрика loss 0,057, но подробности методики оценки не сообщаются. Компактный размер может быть удобен при ограниченных вычислительных ресурсах. Модель настроена для английского и бразильского португальского, поэтому качество на других языках не подтверждено. Сведения о лицензии в предоставленных данных отсутствуют.

google/bert_uncased_L-12_H-768_A-12 — англоязычная модель BERT, опубликованная Google как часть набора BERT Miniatures и переобученная по стандартной схеме BERT. Вариант с 12 слоями и размерностью скрытого представления 768 соответствует BERT-Base; в метаданных указано 136,7 млн параметров. Модель принимает текст, использует uncased-токенизацию WordPiece и обрабатывает последовательности длиной до 512 токенов. Модель предназначена для дообучения под задачи понимания английского текста, например классификацию предложений, определение тональности, распознавание текстовых отношений и оценку семантического сходства. Авторы отмечают, что компактные варианты набора ориентированы на ограниченные вычислительные ресурсы и особенно полезны в дистилляции; данный репозиторий содержит вариант BERT-Base для полноты набора. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0. Ограничения: модель рассчитана на английский язык и не является генеративной; для конкретных задач обычно требуется добавить задачно-специфичную голову и выполнить дообучение. Максимальная длина входа — 512 токенов.

Xenova/bge-base-zh-v1.5 — это версия модели BAAI/bge-base-zh-v1.5, подготовленная с ONNX-весами для совместимости с библиотекой Transformers.js. Разработчик исходной модели — BAAI; данный репозиторий предназначен для использования модели в JavaScript- и web-сценариях. Модель предназначена прежде всего для извлечения признаков (feature extraction), например для преобразования текстов в числовые представления, которые могут использоваться в задачах семантического поиска, сравнения текстов и построения систем на основе эмбеддингов. В README приведён пример запуска через pipeline Transformers.js. Ключевая характеристика этой версии — формат ONNX и совместимость с Transformers.js. Точная архитектура, число параметров, размер контекста, перечень поддерживаемых языков, модальности и результаты оценки в README не указаны. Также не приведена информация о лицензии, поэтому условия распространения следует уточнять в карточке исходной модели BAAI/bge-base-zh-v1.5. Ограничением является неполнота опубликованной информации о характеристиках и качестве модели.

binarized-ingotrix-slerp-7b — объединённая языковая модель, созданная liminerity методом SLERP с помощью LazyMergekit из eren23/dpo-binarized-NeuralTrix-7B и liminerity/Ingot-7b-slerp-7-forged. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и использует формат SafeTensors; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. В README приведены результаты оценивания на тестах AI2 Reasoning Challenge и HellaSwag. Использование разрешено по лицензии Apache 2.0. Языки, на которых модель специально обучена или проверена, в предоставленных данных не определены.

blossom-v3-mistral-7b-Mistral-7B-Instruct-v0.1 — чат-модель для генерации текста, созданная путём слияния Mistral-7B-Instruct-v0.1 и Azure99/blossom-v3-mistral-7b методом SLERP. Она рассчитана на ответы на инструкции и диалоговые запросы; в метаданных также указаны наборы данных для чата, математики и следования инструкциям. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Поддерживаемые по карточке языки — китайский и английский. Модель принимает текст и генерирует текст. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Карточка не приводит сравнительных оценок качества или подробных ограничений применения, поэтому пригодность для конкретных задач стоит проверять на собственных примерах.

Breexe-8x7B-Instruct-v0_1 — диалоговая языковая модель MediaTek Research, дообученная для выполнения пользовательских инструкций на основе Breexe-8x7B-Base, который расширяет Mixtral-8x7B. Модель предназначена прежде всего для традиционного китайского языка, также поддерживает английский. Она подходит для ответов на вопросы, многошагового диалога, суммаризации и работы с RAG-сценариями. Метаданные указывают архитектуру Mixtral с разреженной смесью экспертов (MoE), 7,2 млрд параметров и контекст до 32 768 токенов; в README также приведено значение 8 тыс. токенов, поэтому фактическую длину контекста следует проверять для конкретной конфигурации. Расширенный словарь токенизатора, по данным разработчика, ускоряет обработку традиционного китайского языка относительно Mixtral-8x7B. README сообщает о результатах на бенчмарках китайского и английского языков на уровне GPT-3.5-turbo-1106, но не приводит здесь подробностей измерений. Модель выпущена в версии 0.1 и распространяется по лицензии Apache-2.0. Она не предназначена для обработки изображений или аудио; разработчик также отмечает, что в диалоговом режиме нет специальной обработки вредоносных запросов.