I.14Автоматизация процессов и AI-агенты

Cadence-Fast — компактная модель AI4Bharat для восстановления пунктуации в тексте на английском и 22 индийских языках. Это дообученная на базе google/gemma-3-270m модель с плотной архитектурой Gemma3ForTokenClassification, предназначенная для токенной классификации и предсказания знаков препинания. Модель подходит для расстановки пунктуации в неразмеченном тексте и транскриптах речи. Она предсказывает точки, запятые, вопросительные и восклицательные знаки, кавычки, скобки и другие знаки; для длинных текстов пакет cadence-punctuation поддерживает обработку скользящими окнами. По данным карточки, Cadence-Fast достигает более 93,8% качества Cadence при значительно большей скорости. Контекст модели — до 32 768 токенов. Поддерживаются английский, ассамский, бенгальский, бодо, догри, гуджарати, хинди, каннада, кашмири, конкани, майтхили, малаялам, манипури, маратхи, непали, одиа, пенджаби, санскрит, сантали, синдхи, тамильский, телугу и урду. Для письма мейтей токенизатор работает недостаточно хорошо; карточка предлагает транслитерацию в бенгальское письмо. Для других языков качество не гарантируется. Модель распространяется по лицензии MIT.

CataLlama-v0.1-Instruct-DPO — авторегрессионная языковая модель на архитектуре Llama 3, разработанная Лаурентиу Петреа. Это финальный этап обучения CataLlama: модель дообучена методом DPO на наборе catallama/Catalan-DPO поверх CataLlama-v0.1-Instruct-SFT. Размер модели — 7,5 млрд параметров, контекст — 8192 токена; доступны веса в формате Safetensors. Модель предназначена для диалогового взаимодействия и выполнения инструкций на каталанском языке. Она поддерживает извлечение информации для RAG, распознавание именованных сущностей, перевод между английским и каталанским, краткое и развернутое суммирование, а также анализ тональности. Разработчик сообщает об улучшенной работе с каталанским после обучения примерно на 445 млн новых токенов в три этапа. Модель может быть полезна для приложений, которым требуется генерация и анализ текста на каталанском, однако README представляет её как демонстрацию методов адаптации LLM к новым языкам, а не как модель, ориентированную на рекорды бенчмарков. Лицензия — Llama 3 Community License; применяются её условия и Acceptable Use Policy.

ChatGLM-6B-INT4 — открытая квантованная версия диалоговой языковой модели ChatGLM-6B, разработанной командой THUDM/GLM. Модель основана на архитектуре General Language Model (GLM), оптимизирована для двуязычных китайско-английских вопросов и диалогов и обучалась на китайско-английском корпусе объёмом около 1 трлн токенов с применением监督微调, обучения на обратной связи и обучения с подкреплением на основе человеческих предпочтений. Веса 28 GLM-блоков преобразованы в формат INT4, тогда как Embedding и LM Head не квантизированы. Это снижает требования к памяти: для инференса теоретически достаточно около 6 ГБ видеопамяти или соответствующего объёма оперативной памяти при работе на CPU, что делает возможным локальный запуск на потребительских видеокартах и потенциально на встраиваемых устройствах. В метаданных Hugging Face указано 8,1 млрд параметров; README описывает базовую модель как модель на 6,2 млрд параметров. Модель подходит для локальных чат-ботов, ответов на вопросы, многошагового диалога, генерации текстов и прототипирования двуязычных NLP-приложений. Длина контекста в предоставленных данных не указана. Код распространяется по Apache-2.0, а использование весов регулируется отдельной Model License.

Claude 3 Haiku — компактная и наиболее быстрая модель семейства Claude 3, разработанная компанией Anthropic. Она предназначена для сценариев, где важны почти мгновенная реакция и точное выполнение специализированных запросов. Модель заявлена как мультимодальная, однако в доступных данных не приведены сведения о конкретных поддерживаемых модальностях, архитектуре, размере, языках, длине контекста или лицензии. README также не содержит подробного описания ограничений и условий использования.

CLIPCLAP — мультимодальная модель эмбеддингов, разработанная antflydb. Она объединяет текстовый и визуальный энкодеры OpenAI CLIP с аудиоэнкодером LAION CLAP, сопоставляя текст, изображения и аудио в общем 512-мерном векторном пространстве. Все выходные векторы L2-нормализованы и могут напрямую сравниваться с помощью косинусного сходства. Модель предназначена для мультимодального поиска, построения единых индексов медиафайлов, кросс-модального поиска и обнаружения аудиовизуального контента, включая сценарии текст↔изображение↔аудио. Для текста и изображений используются стандартные энкодеры CLIP ViT-B/32, для аудио — HTSAT из LAION CLAP. Аудиопроекция дополнительно обучена на 5000 парах аудио-описание из AudioCaps с использованием контрастивной функции потерь InfoNCE, чтобы сопоставить аудиопространство с пространством CLIP. Ключевые ограничения модели: аудио обрезается примерно до 10 секунд, поддержка текста преимущественно ориентирована на английский язык, а качество поиска аудио по изображениям может быть ниже, поскольку проекция обучалась через сходство аудио и текста, без прямых пар аудио-изображение. Модель также наследует ограничения CLIP в тонкой визуальной классификации, подсчёте объектов и работе с абстрактными понятиями; аудиочасть может хуже работать с узкоспециализированными звуковыми доменами. Распространяется по лицензии MIT.

CLM-1B-DARE — компактная языковая модель на архитектуре Llama, созданная слиянием весов через mergekit методом DARE TIES. В качестве основы использована meta-llama/Llama-3.2-1B-Instruct; в слияние также вошли FuseAI/FuseChat-Llama-3.2-1B-SFT и ai-nexuz/llama-3.2-1b-instruct-fine-tuned. Модель содержит около 1,2 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для диалогов и генерации текста, включая ответы на запросы и помощь в написании. Метаданные отмечают интерфейс вызова инструментов; сама возможность зависит от поддерживающей его обвязки. Репозиторий использует формат safetensors, а в конфигурации слияния указан тип данных bfloat16. Модель опубликована под лицензией Llama 3.2 Community License.

MaziyarPanahi/codegemma-7b-it-GGUF — это набор файлов модели в формате GGUF для оригинальной модели google/codegemma-7b-it, разработанной Google и преобразованной в GGUF пользователем MaziyarPanahi. Модель предназначена для генерации текста и диалоговых сценариев, а также может применяться в локальных приложениях и инструментах, совместимых с GGUF, включая llama.cpp, LM Studio, GPT4All и llama-cpp-python. В репозитории представлены варианты квантизации с разрядностью 2, 3, 4, 5, 6 и 8 бит, что позволяет выбирать компромисс между размером файла, требованиями к памяти и качеством генерации. Указан размер базовой модели — 7B параметров; формат GGUF ориентирован на эффективный запуск, в том числе с аппаратным ускорением. README не содержит сведений о поддерживаемых языках, длине контекста, точной архитектуре или специализированных возможностях CodeGemma, поэтому эти характеристики нельзя достоверно уточнить. Основные преимущества — наличие нескольких уровней квантизации и совместимость с широким набором локальных клиентов и библиотек. Ограничения связаны с потенциальной потерей качества при использовании более агрессивной квантизации, а также с отсутствием в карточке подробных оценок и характеристик. В метаданных указана лицензия Gemma.

Cohere Transcribe 03-2026 — открытая модель автоматического распознавания речи, разработанная Cohere и Cohere Labs. Данная версия распространяется в формате .oasr для нативного запуска в среде OpenASR без Python во время инференса, с поддержкой CPU и GPU. Модель предназначена для преобразования аудио в текст и подходит для транскрибации записей, речи и других аудиоданных. Она поддерживает 14 языков, включая английский, основные европейские языки, арабский, китайский, японский, корейский и вьетнамский. Архитектура представляет собой Conformer-энкодер для обработки акустических признаков и облегчённый Transformer-декодер; размер модели составляет около 2 млрд параметров. К сильным сторонам относятся специализированная архитектура для распознавания речи, локальный запуск, поддержка CPU и GPU, а также варианты квантования, уменьшающие требования к памяти. Доступны сборки fp16, q8_0 и q4_k размером примерно от 1,51 до 4,14 ГБ; q8_0 рекомендуется как вариант с близким к fp16 качеством и меньшим размером, а q4_k — для более ограниченных по памяти систем. Абсолютная точность распознавания и ограничения по длине контекста в README не указаны. Модель и упаковки распространяются по лицензии Apache-2.0.

Карточка модели Newmetrics/cohere-transcribe-arabic-07-2026 на Hugging Face совпадает с карточкой CohereLabs/cohere-transcribe-arabic-07-2026, поэтому описание составлено по ней. Cohere Transcribe Arabic — открытая модель распознавания речи на 2 млрд параметров, разработанная Cohere и Cohere Labs. Она предназначена для преобразования аудио в текст и оптимизирована для арабского языка, его диалектов и английской речи; также заявлена поддержка арабско-английской речи со смешением языков. В основе — архитектура Conformer encoder-decoder, модель поддерживается библиотекой Transformers и подходит для офлайн-инференса и обслуживания запросов через vLLM. Модель применима для транскрибации арабских аудиозаписей, распознавания диалектной речи и транскрибации английского аудио. Разработчики отмечают высокую точность на арабском и английском и эффективный инференс. Лицензия Apache-2.0. Модель лучше работает с одним заранее выбранным языком; автоматического определения языка нет, а качество на смешанной арабско-английской речи может быть нестабильным. Она не выдаёт временные метки и не выполняет диаризацию говорящих. На тишине и фоновых шумах может генерировать текст, поэтому перед распознаванием полезны шумовой фильтр или VAD.

Это дообученная модель Sentence Transformers на базе итальянской версии BERT dbmdz/bert-base-italian-uncased, разработанная владельцем репозитория AChierici84. Она преобразует предложения и абзацы на итальянском языке в плотные векторы размерности 768 для сравнения семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура включает BERT с усреднением токенных представлений; сходство векторов оценивается косинусной мерой. Модель содержит 137,1 млн параметров и принимает последовательности длиной до 512 токенов. В README приведён результат Spearman 0,811 по косинусному сходству на задаче оценки семантической близости. Модель подходит для поиска похожих текстов и построения эмбеддингов, но качество на других наборах данных и задачах отдельно не подтверждено. Лицензия в предоставленных сведениях не указана.

tomaarsen/csr-mxbai-embed-large-v1-gooaq-1e-5-512bs — англоязычный разреженный энкодер CSR, дообученный на датасете gooaq из базовой модели mixedbread-ai/mxbai-embed-large-v1 с помощью Sentence Transformers. Он преобразует предложения и абзацы в разреженные векторы размерностью 4096 и предназначен для семантического поиска и разреженного извлечения документов; оценка релевантности выполняется скалярным произведением векторов. Модель содержит 433,9 млн параметров, принимает последовательности длиной до 512 токенов и обучалась на парах вопросов и ответов из англоязычного набора gooaq размером около 3 млн примеров. В карточке приведены результаты оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR при ограничении числа активных измерений до 128 или 256. Модель распространяется по лицензии Apache-2.0. Описанные возможности и данные ориентированы на английский язык; приведённые результаты относятся к указанным тестовым наборам и не гарантируют качество на других корпусах.

DeepSeek-R1-Distill-Qwen-1.5B-GGUF — это квантизированная версия модели DeepSeek-R1-Distill-Qwen-1.5B, разработанной командой DeepSeek-AI. Формат GGUF подготовлен bartowski на основе llama.cpp, релиз b4514; модель распространяется в рамках сообщества LM Studio, но LM Studio не является её разработчиком или владельцем. Модель предназначена для генерации текста и прежде всего ориентирована на задачи рассуждения и пошагового анализа. Она дистиллирована из reasoning-модели DeepSeek R1 и настроена на работу с chain-of-thought. Указана поддержка контекстного окна до 128k токенов. Другие характеристики, включая точный размер в параметрах исходной GGUF-сборки, поддерживаемые языки и мультимодальные возможности, в README не приведены; по указанным данным модель относится к текстовым, а не мультимодальным системам. К сильным сторонам относятся компактный размер базовой модели, ориентация на рассуждения и большой заявленный контекст. Ограничения включают возможные неточные, вредоносные или неподходящие ответы, а также отсутствие гарантий качества, безопасности и стабильности использования. Лицензия в README не указана, поэтому условия коммерческого и иного использования необходимо уточнять в материалах исходной модели DeepSeek-R1-Distill-Qwen-1.5B и конкретной GGUF-сборки.

Deita-20b — языковая модель для генерации текста на базе архитектуры Llama с 19,3 млрд параметров. Карточка показывает пример диалога с системным и пользовательским сообщениями, поэтому модель подходит для выполнения инструкций и ответов на запросы в формате ассистента. Заявленная длина контекста — 32 768 токенов. Модель использует формат Safetensors и обучалась на наборе KnutJaegersberg/Deita-6k. В карточке приведены результаты оценок на нескольких тестах рассуждения и понимания текста. Код распространяется по Apache-2.0; для весов заявлены академическое и бесплатное коммерческое использование, однако для коммерческой лицензии предлагается подать отдельную заявку.

Dolphin-2.9.3-Mistral-Nemo-12B-Patched — текстовая генеративная модель, опубликованная AIOpsInSpace и созданная на основе cognitivecomputations/dolphin-2.9.3-mistral-nemo-12b. Модель предназначена для локального запуска и генерации текста, включая работу с длинными запросами и документами. В README заявлена специализация на английском языке. Модель имеет плотную архитектуру с 12 млрд параметров и поддерживает контекст длиной до 128K токенов. Версия распространяется в формате GGUF и содержит исправление ошибок сопоставления токенов в tokenizer, из-за которых некоторые локальные backend могли аварийно завершаться или зацикливаться при генерации на длинных промптах. Это является её ключевым преимуществом для локального использования и сценариев с большим контекстом. Ограничения включают отсутствие сведений о точных изменениях относительно базовой модели, результатах независимых тестов, требованиях к оборудованию, производительности и поддерживаемых языках помимо английского. В README указана лицензия Apache-2.0.

Jechto/e5-dansk-test-0.1 — модель эмбеддингов предложений и абзацев на базе XLM-RoBERTa, опубликованная Jechto. Она преобразует текст в плотные векторы размерностью 1024 и предназначена для семантического поиска, сравнения предложений и кластеризации. Модель обучена на датасете MS MARCO, автоматически переведённом с английского на датский, чтобы проверить качество такого перевода для обучения на другом языке. Модель использует библиотеку Sentence Transformers и сохраняется в формате safetensors. Максимальная длина контекста — 514 токенов. В README описано обучение с MultipleNegativesRankingLoss и косинусным сходством. Карточка не сообщает лицензию; результаты обучения на машинном переводе могут зависеть от его качества.

bingbort/Einstein_x_Dolphin — объединённая языковая модель на архитектуре Mistral, созданная методом SLERP с помощью mergekit из Weyaxi/Einstein-v6-7B и cognitivecomputations/dolphin-2.8-mistral-7b-v02. Модель содержит 7,1 млрд параметров, работает с текстом и предназначена для генерации ответов в диалоговом формате. Модель подходит для чат-общения и решения задач, сочетающих возможности исходных моделей Einstein и Dolphin. Заявленная длина контекста составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers. Язык модели в предоставленных данных не установлен отдельно. Условия лицензии в карточке не приведены.

Elbaz-NVIDIA-Nemotron-3-Nano-30B-A3B-PRISM-NVFP4 — квантизированная версия разговорной языковой модели NVIDIA Nemotron-3-Nano, подготовленная Эриком Эльбазом (Ex0bit) с помощью NVIDIA TensorRT Model Optimizer. Модель предназначена для генерации текста в диалогах и представлена как вариант без фильтрации ответов. Это гибридная модель семейства Nemotron с архитектурой Mamba-2 и MoE; базовая версия содержит 30 млрд параметров при 3 млрд активных. Веса сжаты в формат NVFP4, размер чекпойнта около 18 ГБ. Для запуска требуются GPU NVIDIA Blackwell и TensorRT-LLM версии 0.17 или новее. README указывает калибровку на 512 примерах WikiText-2. Модель подходит для диалогов, ответов на вопросы, рассуждений и задач программирования; метаданные указывают английский язык. Формат несовместим с потребительскими GPU RTX 3000/4000/5000, llama.cpp и стандартным инференсом PyTorch. В карточке базовой модели указана поддержка шести языков, но языки кроме английского для этой версии отдельно не подтверждены. Лицензия в метаданных обозначена как other.

Experiment28M7_Multi_verse_modelExperiment28 — объединённая текстовая модель семейства Mistral, созданная на основе automerger/Experiment28M7-7B и automerger/Multi_verse_modelExperiment28-7B. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает контекст длиной до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Её можно использовать для продолжения текста, составления ответов и ведения беседы в приложениях на базе языковых моделей. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Модель jonatasgrosman/exp_w2v2t_ru_unispeech-sat_s423 — версия UniSpeech-SAT Large, дообученная для автоматического распознавания русской речи. Её разработчик дообучил microsoft/unispeech-sat-large с помощью инструмента HuggingSound на обучающей части Common Voice 7.0 для русского языка. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст. Она предназначена для транскрибирования русской речи в задачах распознавания голосовых записей. Веса опубликованы в формате PyTorch; размер модели — около 402,7 млн параметров. Модель распространяется по лицензии Apache-2.0. Её обучение на Common Voice 7.0 ограничивает основания для ожидания качества на других языках, условиях записи и типах речи; перед использованием в таких сценариях качество следует проверить.

PeytonT/file-embedding — дообученная модель для создания плотных векторных представлений файлов, предназначенных для поиска и сопоставления. Это компонент системы Repository Library для индексации и поиска по репозиториям и научным материалам. Модель основана на энкодере BERT и дообучена на sentence-transformers/all-MiniLM-L6-v2; содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторы признаков. В обучающих данных использовались графы репозиториев и фрагменты кода из конвейера Repository Library. Лицензия в предоставленных данных не указана.

m8than/gemma-2-9b-it — разговорная языковая модель семейства Gemma 2, размещённая пользователем m8than. Репозиторий содержит модель на 9 млрд параметров в формате safetensors; в метаданных указана архитектура Gemma2ForCausalLM и библиотека Transformers. Модель принимает текст и предназначена для генерации текста в диалоге; карточка также описывает сценарии дообучения Gemma 2 с помощью Unsloth и содержит ссылки на ноутбук для Colab. Заявленная длина контекста — 8192 токена. Метаданные указывают английский язык. В README сказано, что модель напрямую квантизирована в 4 бита с bitsandbytes; репозиторий помечен лицензией Gemma. Данных о сравнительных качествах и конкретных ограничениях модели в карточке нет.

xdavxd выпустил Gemma 4 26B A4B IT QAT Heretic EGA — версию Gemma 4 с ослабленным механизмом отказа на базе google/gemma-4-26B-A4B-it-qat-q4_0-unquantized. Модель принимает текст и изображения и генерирует текст; её можно использовать для диалогов, рассуждений и анализа изображений. Архитектура — Gemma4ForConditionalGeneration; веса представлены в BF16 в формате safetensors. В README приведены инструкции по развёртыванию через vLLM и оценка на нескольких тестах, включая задачи следования инструкциям, математику и работу с длинным контекстом. При модификации из весов проекций внимания и MLP, включая проекции экспертов MoE, удаляли направления, связанные с отказами. Автор сообщает, что на тесте из 100 вредоносных запросов модель отказала в 4 случаях, а на наборе из 686 запросов — в 11; сравнение возможностей проводилось с одним запуском и одной случайной инициализацией, поэтому результаты не являются статистически строгими. Снижение отказов означает, что модель может отвечать на запросы, от которых исходная версия отказывалась. Лицензия — Apache-2.0.

TheStageAI/gemma-4-E2B-it-GGUF — набор квантизированных GGUF-чекпойнтов модели Google Gemma 4 E2B IT, подготовленных TheStageAI для запуска через llama.cpp. Модель предназначена для генерации текста и локального инференса на устройствах с ограниченным объёмом памяти. Архитектурные детали, число параметров, поддерживаемые языки и размер контекстного окна в README не указаны. Доступны четыре варианта с разным компромиссом между размером и точностью: XS — 1,73 ГБ, S — 2,40 ГБ, M — 2,68 ГБ и L — 4,97 ГБ. Рекомендуется вариант S: по заявленным результатам он сопоставим с эталонной версией BF16 на instruction-strict IFEval, набрав 77,26% против 76,89%, а также получил 60,70% на MMLU-Pro. Варианты S, M и L предпочтительнее для развёрнутого рассуждения, тогда как XS ориентирован на минимальный объём памяти и заметно уступает по MMLU-Pro. Чекпойнты созданы с использованием производственного post-training quantization-пайплайна с учётом Fisher information, распространения ошибок квантования между слоями, оптимизации распределения битового бюджета и дистилляции распределения следующего токена. Сильной стороной является выбор нескольких уровней точности для локального запуска при сохранении близкого к BF16 качества у рекомендуемого варианта S. Ограничения включают зависимость характеристик от выбранного уровня квантования и отсутствие в README данных о скорости, требованиях к оборудованию, мультимодальности и языковом покрытии. Модель распространяется по лицензии Apache-2.0.

AKALI — языковая модель, опубликованная Ali Eren Ak и дообученная на базе google/gemma-2-2b-it с использованием фреймворка AKALI. В метаданных указаны архитектура Gemma 2 с плотной causal language model, 2,7 млрд параметров, контекст до 8192 токенов и поддержка диалогового режима. Модель работает с текстом и предназначена для генерации ответов и выполнения языковых задач. В карточке заявлены сценарии дополнения знаний, подготовки данных и интеграции в NLP-системы. Эффективность зависит от базовой модели, качества данных и выбранной задачи; автор отдельно отмечает возможные смещения в сгенерированных данных и отсутствие универсальной оценки. Указана проприетарная конфиденциальная лицензия, поэтому условия использования следует сверять с правообладателем.

Gemma-7B-slerp — текстовая языковая модель, созданная Arcee AI слиянием Google Gemma 7B и Gemma 7B Instruct методом SLERP с помощью mergekit. Она предназначена для генерации текста, диалога и ответов на вопросы; объединение базовой и инструктивной версий нацелено на сочетание их свойств. Модель построена на плотной архитектуре GemmaForCausalLM, содержит 8,2 млрд параметров и поддерживает контекст до 8192 токенов. Модель принимает текст и выдаёт текст. В карточке приведены результаты оценки на наборах AGIEval, GPT4All, TruthfulQA и Bigbench. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Показатели из карточки не гарантируют качество на конкретных задачах, поэтому перед применением модель стоит оценить на своих данных.

GPT-6 Sol — высокопроизводительная модель OpenAI из серии GPT-6, рассчитанная на сложные профессиональные задачи. В линейке она занимает промежуточное положение между флагманской GPT-6 Astra и более быстрой моделью GPT-6 Luna. Метаданные каталога относят модель к задаче image-text-to-text. Доступный фрагмент README не раскрывает подробности архитектуры, размера, поддерживаемых языков, контекстного окна, модальностей ввода и вывода или лицензии.

GrayLine — диалоговая текстовая модель soob3123, созданная дообучением Qwen/Qwen3-8B. Она предназначена для прямых ответов на вопросы и выполнения инструкций в формате чата; автор описывает её как модель без встроенной этической фильтрации и отказов. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает и генерирует текст, поддерживает контекст до 40 960 токенов. В карточке заявлена поддержка английского языка; метаданные также указывают интерфейс вызова инструментов. Модель ориентирована на информационные запросы, диалог и выполнение разнообразных текстовых задач с прямой подачей ответа. Она может выдавать вредный, вводящий в заблуждение или неподходящий контент и, согласно карточке, не предоставляет встроенных предупреждений и защитных фильтров; качество ответов зависит от обучающих данных. Распространяется по лицензии Apache-2.0.

h2ogpt-4096-llama2-70b-chat — чат-модель для генерации текста, созданная H2O.ai как клон Meta Llama 2 70B Chat. Она предназначена для диалога с пользователем и сравнения ответов языковых моделей; также её можно использовать для общения с документами в приложении h2oGPT. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 68,7 млрд параметров. Она принимает и генерирует текст, поддерживает английский язык и имеет контекст длиной до 4096 токенов. Веса доступны в форматах PyTorch и Safetensors. Модель распространяется по лицензии Llama 2. Карточка не описывает отдельные результаты оценки качества или специальные ограничения применения.

Jebadiah/hermes-SOVL-stone-l3-8b — объединённая языковая модель на архитектуре Llama 3, созданная с помощью mergekit методом DARE TIES. В объединение вошли ResplendentAI/SOVL_Llama3_8B как базовая модель и NousResearch/Hermes-2-Pro-Llama-3-8B; конфигурация задаёт для Hermes плотность 0,53 и вес 0,4. Модель содержит 7,5 млрд параметров и использует контекст до 8192 токенов. Модель предназначена для диалоговой генерации текста и ответов на запросы в чат-сценариях. Метаданные указывают библиотеку Transformers и формат safetensors. Основой служат модели Llama 3, одна из которых описана в каталоге как дообученная диалоговая модель для следования инструкциям, вызова функций и генерации структурированных данных JSON. Лицензия в предоставленных данных не указана. Качество и ограничения конкретного объединения в README не описаны; возможности базовой модели не гарантируют их сохранение после слияния.

HOS-OSS-3.08B — компактная причинная языковая модель от Hyggshi-AI для генерации текста и кода. Она основана на Qwen2.5-Coder-3B-Instruct и, согласно карточке, адаптирована или дистиллирована; метаданные классифицируют её как дообучение. Архитектура — плотный decoder-only трансформер семейства LLaMA, около 3,3 млрд параметров; модель поставляется в формате safetensors и работает с Transformers. Модель предназначена для генерации кода, выполнения инструкций, диалоговых ответов и локального ассистента. В карточке заявлены быстрая генерация, умеренные требования к ресурсам и запуск на GPU начального уровня или в Kaggle и Colab. Естественный язык, указанный в метаданных, — английский. Контекст составляет 2048 токенов. Лицензия — Apache-2.0.