I.14Автоматизация процессов и AI-агенты

Это разговорная модель семейства Llama 3 с плотной архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Репозиторий опубликован Unsloth; веса представлены в формате safetensors и напрямую квантованы до 4 бит с помощью bitsandbytes. Модель предназначена для генерации текста и диалогового общения, в том числе для использования с шаблонами ShareGPT ChatML и Vicuna. Модель может служить основой для ответов на вопросы, ведения диалога и продолжения текста. README также описывает сценарии дообучения Llama 3 8B с использованием ноутбуков Unsloth, но не сообщает, что этот чекпойнт сам был дообучен на конкретном наборе данных. В метаданных указан контекст 8192 токена и английский язык. Лицензия — llama3; применимость конкретных условий следует сверять с лицензией Llama 3.

M7Yamshadowexperiment28_Multi_verse_modelYam — объединённая модель на основе Mistral, опубликованная MaziyarPanahi. Она предназначена для генерации текста и диалогов. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель объединяет automerger/M7Yamshadowexperiment28-7B и automerger/Multi_verse_modelYam-7B. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. README не сообщает о специализированной области применения или известных ограничениях качества.

M7Yamshadowexperiment28_YamshadowExperiment28 — слитая языковая модель на архитектуре Mistral, созданная объединением automerger/M7Yamshadowexperiment28-7B и automerger/YamshadowExperiment28-7B. Она предназначена для генерации текста и диалогов по текстовым запросам. Модель содержит 7,1 млрд параметров, использует формат весов Safetensors и поддерживает контекст до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0.

Marcoroni-neural-chat-7B-v2-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая языковая модель, созданная методом SLERP из mistralai/Mistral-7B-Instruct-v0.2 и Toten5/Marcoroni-neural-chat-7B-v2. Она предназначена для генерации текста и ответов на инструкции в формате диалога. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Поддерживает контекст до 32 768 токенов; опубликованные веса представлены в формате safetensors. Карточка не приводит сведения о поддерживаемых языках. Модель можно применять для диалоговых помощников, ответов на вопросы и генерации текста. Репозиторий распространяется по лицензии Apache-2.0. Качество ответов и конкретные языковые возможности в карточке не описаны.

MarinSkyRL Open-MOPD SmolLM3 3B step 32 — ранний чекпойнт языковой модели, подготовленный авторами MarinSkyRL на основе дообученного смешанного SFT-чекпойнта BytedTsinghua-SIA/Open-MOPD-SmolLM3-3B-MixSFT. Модель с архитектурой SmolLM3ForCausalLM содержит 3,1 млрд параметров, принимает текст и поддерживает контекст до 65 536 токенов. Экспортирована в формате Hugging Face Safetensors без квантизации и предназначена для генерации текста в диалоговом формате. При обучении ответы модели оценивались RL-моделями-учителями для математики, программирования и следования инструкциям с маршрутизацией по предметной области. Это промежуточный чекпойнт после 32 шагов оптимизации, а не финальная версия после 200 шагов. В независимой оценке указаны результаты AIME 2024 и 2025 с метрикой mean@64 и IFEval с mean@1; результаты других упомянутых бенчмарков не заявлены как сопоставимые с опубликованными в статье. Модель подходит для экспериментов с генерацией ответов, математическими задачами, кодом и выполнением инструкций. В карточке не указаны языки обучения или гарантии качества для конкретных языков. Лицензия — Apache-2.0.

megatron_v1 — языковая модель с архитектурой Mixtral и механизмом смеси экспертов (MoE), собранная из моделей Mistral. Карточка приводит результаты оценки на Open LLM Leaderboard, включая средний балл 68,82, результат 65,96 на AI2 Reasoning Challenge и 84,80 на HellaSwag. Модель предназначена для генерации текста и диалогового общения. Она содержит 7,1 млрд параметров и поддерживает контекст до 8192 токенов. Веса опубликованы в формате Safetensors; модель распространяется по лицензии Apache-2.0.

mentee-embed-v3 — модель для получения плотных векторных представлений текстов, разработанная Syed Syab Ahmad Shah и командой MenteE AI. Она предназначена для поиска по смыслу, сравнения предложений и многоязычного извлечения документов на английском, арабском и урду. Модель содержит 41 млн параметров и построена на 12-слойном Transformer с размерностью эмбеддингов 384. Она обучена с нуля: авторы создали собственный BPE-токенизатор, провели предварительное обучение на более чем 2,1 млн предложений и затем применили контрастивное обучение с подбором трудных отрицательных примеров. Репозиторий использует Transformers и формат safetensors; метаданные указывают контекст до 512 токенов, а README — максимальную длину последовательности 128 токенов. Модель показала результаты выше all-MiniLM-L6-v2 на описанном авторами тесте с небольшим пулом кандидатов, но уступает более крупным многоязычным базовым моделям. Качество ниже на арабском и урду, а на извлечении из Википедии она уступает предобученным конкурентам; полного набора MTEB нет. Лицензия — Apache-2.0.

MiniCPM5-2B-GGUF — квантизированная версия языковой модели MiniCPM5-2B, разработанной OpenBMB и распространяемой в формате GGUF пользователем mradermacher. Модель предназначена для генерации текста и может использоваться в сценариях, требующих локального запуска, работы на периферийных устройствах и поддержки вызова инструментов. В README также заявлены возможности работы с длинным контекстом. Модель имеет около 2 миллиардов параметров, относится к текстовым моделям и ориентирована на английский и китайский языки. Доступны варианты квантизации от Q2_K до Q8_0, а также версия f16, с размером файлов примерно от 1,1 до 5,1 ГБ. Варианты Q4_K_S и Q4_K_M обозначены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди быстрых конфигураций. Основное преимущество модели — компактность и возможность локального использования при выборе подходящего уровня квантизации. Ограничения связаны с компромиссом между размером, скоростью и качеством: менее точные варианты могут заметно уступать более крупных или слабо квантизированных версий. В README не приведены результаты бенчмарков, точный размер контекста и подробные сведения об архитектуре. Модель распространяется по лицензии Apache-2.0.

microsoft/MiniLM-L12-H384-uncased — компактная англоязычная модель Microsoft для понимания языка, полученная дистилляцией предварительно обученной UniLM v2 размера BERT-Base. Это 12-слойный трансформер семейства BERT с размерностью скрытого слоя 384 и 12 головами внимания; в метаданных указано 40 млн параметров, а README приводит 33 млн. Модель без учета регистра символов, имеет контекст до 512 токенов и опубликована в форматах PyTorch, TensorFlow и Flax. Чекпойнт предназначен для последующей тонкой настройки под задачи понимания текста; авторы сообщают результаты на SQuAD 2.0 и задачах GLUE и отмечают, что модель может служить заменой BERT в соответствующих сценариях. Метаданные Hugging Face относят её к классификации текста. Лицензия — MIT. README описывает базовый предобученный чекпойнт, а не готовую к прикладному использованию настроенную модель.

Mini_synatra_7b_02-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная объединением Mistral-7B-Instruct-v0.2 и Minirecord/Mini_synatra_7b_02 методом SLERP с помощью mergekit. Модель имеет плотную архитектуру MistralForCausalLM и около 7,1 млрд параметров; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалоговых ответов на инструкции. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В карточке не обозначены отдельные языки или специализированные предметные области. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробных ограничений, поэтому пригодность для конкретных задач следует проверять отдельно.

Карточка модели princeton-nlp/Mistral-7B-Base-SFT-SLiC-HF 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/Mistral-7B-Instruct-SLiC-HF 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.

Это вариант Mistral 7B, опубликованный winglian и разбитый на шарды по слоям: каждый слой хранится в отдельном шарде. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров; её контекстное окно — 32 768 токенов. Модель предназначена для генерации текста и может служить основой для сценариев, использующих Mistral 7B. В репозитории указаны веса в формате safetensors. Лицензия в предоставленных данных не обозначена.

Mistral-7B-v0.1-Open-Platypus-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая языковая модель на основе Mistral-7B-Instruct-v0.2 и Open-Platypus. Разработчик объединил веса методом SLERP с помощью Mergekit; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В карточке не заявлены конкретные естественные языки или узкие прикладные области. Репозиторий содержит веса Safetensors. Лицензия — Apache-2.0. Качество отдельных задач и ограничения сверх характеристик базовых моделей в карточке не описаны.

Mistral-Small-2501-SCE-Mashup-24B — объединённая текстовая модель, созданная сообществом mergekit-community методом SCE на основе unsloth/Mistral-Small-24B-Base-2501 и нескольких дообученных моделей семейства Mistral и других текстовых моделей. Она предназначена для генерации текста и диалогового общения. Модель использует плотную архитектуру MistralForCausalLM, содержит 23,4 млрд параметров и поддерживает контекст до 32 768 токенов. В состав слияния вошли модели ArliAI, ReadyArt, TheDrummer, arcee-ai, PocketDoc и trashpanda-org. Репозиторий содержит веса в формате safetensors и рассчитан на использование через Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

mmBERTscandi-base-embedding — модель Sentence Transformer, разработанная Emillykkejensen и дообученная на датасете скандинавских текстовых эмбеддингов DDSC/nordic-embedding-training-data. В основе лежит jonasaise/scandmmBERT-base-scandinavian — ModernBERT с 306,9 млн параметров. Модель кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения используется косинусное сходство. Максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска и сравнения текстов на датском, норвежском и шведском языках. Её можно применять для поиска близких по смыслу фрагментов, выявления перефразировок, кластеризации и классификации текстов. В README приведены результаты оценки на датских и скандинавских наборах для информационного поиска. Модель распространяется под лицензией Apache-2.0. Качество поиска зависит от соответствия данных и запросов языкам и тематике обучения; в README нет результатов для других языков.

Mocha-Dare-7b-ex — языковая модель, созданная объединением нескольких предварительно обученных моделей с помощью mergekit и метода DARE TIES. В качестве основы использована Mistral-7B-v0.1; в объединение также вошли Open-Orca/Mistral-7B-OpenOrca, Mistral-7B-v0.1-Open-Platypus и WizardMath-7B-V1.1. Модель предназначена для генерации текста и может применяться в диалогах, ответах на вопросы, решении задач по математике и общих инструкциях. Она построена на плотной архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Доступны веса в формате safetensors; библиотека из метаданных — Transformers. В карточке не описаны результаты оценки качества или отдельные гарантии для конкретных сценариев. Указана лицензия CC BY 4.0.

Карточка модели PierrunoYT/moondream3-preview на Hugging Face совпадает с карточкой moondream/moondream3-preview, поэтому описание составлено по ней. Moondream 3 (Preview) — мультимодальная модель Moondream для анализа изображений и работы с текстом. Она принимает изображение и текстовый запрос, а также может использоваться как универсальная текстовая модель. Архитектура — Mixture of Experts: 9 млрд параметров всего, из них 2 млрд активны; визуальный энкодер основан на SigLIP. Модель имеет 24 слоя и контекстное окно до 32 тысяч токенов. Модель предназначена для ответов на вопросы об изображениях, создания подписей, поиска точек объектов и обнаружения объектов с ограничивающими рамками. Режим рассуждений включён по умолчанию; его можно отключить для простых запросов. Для локального запуска предлагается Transformers с FlexAttention, а также доступен облачный API. Moondream 3 выпущена как Preview, поэтому качество и поведение могут измениться. Веса распространяются по Business Source License 1.1 с Additional Use Grant: разрешены личное и исследовательское применение, внутреннее производственное использование и большинство коммерческих сценариев, но платные сервисы, конкурирующие с предложениями M87 Labs, требуют отдельного соглашения.

Moza-7B-v1.0 — экспериментальная языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная автором kidyu как слияние нескольких предварительно обученных и дообученных моделей с помощью mergekit и метода DARE TIES. Среди компонентов — варианты Mistral, NeuralHermes, OpenOrca, Neural Chat, Starling, Dolphin и MetaMath; базой слияния указана mistralai/Mistral-7B-v0.1. Модель предназначена для генерации текста по инструкциям и диалоговых сценариев. Для инференса предлагается формат Alpaca. Контекст составляет 32 768 токенов; в репозитории есть веса safetensors и квантованный вариант GGUF. Карточка не описывает отдельную специализацию по языкам или областям применения. Лицензия — Apache-2.0. Автор предупреждает, что слияние выполнено экспериментально, а использовать модель следует на свой риск.

MSP-ASR — модель распознавания английской речи из проекта Multimodal Speech Perception, разработанная MahmoodAnaam. Это дообученный энкодер Wav2Vec2 Large с CTC-головой, принимающий монофоническое аудио с частотой 16 кГц и преобразующий его в текст. Доступны жадное декодирование и декодирование с дополнительной 3-граммовой языковой моделью. Модель предназначена для транскрибации английской речи, в том числе в сценариях с несколькими говорящими и шумом. В отчёте указаны WER 6,30% на чистом тесте LRS2 и заметно более высокие ошибки в шумных условиях и на данных AVCocktail. Чекпойнт содержит 402,7 млн параметров, распространяется в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

zelk12 создал эту объединённую языковую модель на архитектуре Gemma 2: веса zelk12/MT2-gemma-2-9B и Aashraf995/Gemma-Evo-10B сведены методом SLERP с помощью mergekit. Модель содержит 9 млрд параметров, предназначена для генерации текста и диалогового взаимодействия; она принимает текстовые запросы и выдаёт текст. Модель подходит для чат-ботов и других приложений, которым нужны ответы на текстовые запросы. Нативная длина контекста составляет 8192 токена. В репозитории представлены веса в формате safetensors. Лицензия в предоставленных данных не указана.

mT5-small — компактная многоязычная модель Google на архитектуре encoder-decoder Transformer семейства T5, содержащая 157,4 млн параметров. Она предварительно обучена на корпусе mC4, охватывающем 101 язык, в формате преобразования текста в текст; контрольные точки доступны в форматах PyTorch, TensorFlow, Flax и ONNX. Лицензия — Apache-2.0. Модель служит базой для дообучения под конкретные задачи NLP: например, суммаризацию, перевод или ответы на вопросы. Сам чекпойнт проходил только предварительное обучение без supervised-настройки, поэтому для качественного решения прикладных задач его следует дообучить. Поддержка языков включает русский и английский, а также множество других языков.

NarutoDolphin-10B — языковая модель для генерации текста, созданная FelixChao слиянием FelixChao/WizardDolphin-7B и FelixChao/NinjaDolphin-7B. Она построена на архитектуре Mistral и содержит 10,6 млрд параметров; нативная длина контекста составляет 32 768 токенов. Модель подходит для диалогов и генерации текста.

Карточка модели DewEfresh/neo_7b на Hugging Face совпадает с карточкой m-a-p/neo_7b, поэтому описание составлено по ней. NEO 7B — базовая плотная языковая модель семейства LLaMA, разработанная командой Neo. Репозиторий содержит базовую версию модели; в карточке проекта также упоминаются отдельные версии с supervised fine-tuning и настройкой на выполнение инструкций. Модель насчитывает 7,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст длиной до 8192 токенов. Модель предназначена для генерации текста и может использоваться как основа для диалоговых приложений и последующей адаптации под конкретные задачи. Она распространяется в формате safetensors по лицензии Apache 2.0. В README заявлена открытость кода, весов, обучающих данных и деталей обучения, но эта карточка не описывает конкретные языки, оценки качества или ограничения.

Neural-Chat-v3-2 — языковая модель Intel на 7,1 млрд параметров для генерации текста и выполнения языковых задач. Она построена на архитектуре Mistral и дообучена из Intel/neural-chat-7b-v3-1 на наборе MetaMathQA с выравниванием методом DPO на парах Intel/orca_dpo_pairs. Исходная версия neural-chat-7b-v3-1 была дообучена на базе mistralai/Mistral-7B-v0.1. Модель предназначена для инференса в широких языковых сценариях, включая математические вопросы и диалог. README указывает контекст 8192 токена; метаданные каталога сообщают 32768, поэтому фактический предел может зависеть от конфигурации и версии. Модель принимает текст и генерирует текст; в карточке указан английский язык. Модель может выдавать фактически неверные ответы, а также предвзятый, оскорбительный или неприемлемый контент. Перед внедрением рекомендуется проверять её безопасность и точность. Лицензия — Apache-2.0.

NeuralDareBeagle-7B-slerp — объединённая языковая модель на архитектуре Mistral, созданная с помощью LazyMergekit путём слияния NeuralBeagle14-7B и DareBeagle-7B-v2 методом SLERP. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста и может использоваться для диалогов, ответов на запросы и создания текстовых материалов. Карточка приводит результаты Open LLM Leaderboard, включая оценки по AI2 Reasoning Challenge и HellaSwag, но не описывает отдельные языковые или предметные специализации. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Newq-0.5B-Instruct — компактная инструктивная языковая модель примерно с 494 млн параметров, созданная на базе Qwen/Qwen2.5-0.5B-Instruct. Она предназначена для диалогов и генерации текста общего назначения. Модель использует архитектуру Qwen2 с 24 слоями и групповым запросным вниманием (14 голов Q и 2 головы KV), поддерживает контекст до 32 768 токенов и представлена в формате safetensors для библиотеки Transformers. Компактный размер позволяет запускать её на CPU или видеокарте умеренной мощности, а длинный контекст подходит для работы с объёмными текстовыми запросами. В метаданных указана поддержка английского языка и интерфейса вызова инструментов. Модель распространяется по лицензии Apache-2.0.

Это конвертация модели nomic-ai/nomic-embed-vision-v1.5 в формат GGUF для CrispEmbed. Модель преобразует изображения в 768-мерные L2-нормализованные эмбеддинги, совместимые с пространством эмбеддингов nomic-embed-text-v1.5, что позволяет искать изображения по текстовым запросам. Репозиторий содержит варианты GGUF в точности F16 и F32. Для сопоставления с текстовыми эмбеддингами README описывает дополнительную нормализацию LayerNorm без обучаемых параметров перед L2-нормализацией. По карточке заявлено совпадение результатов с Transformers на проверочных изображениях. Модель распространяется по лицензии Apache-2.0 с атрибуцией Nomic AI.

NorBERTo-base — предварительно обученный текстовый энкодер ModernBERT для бразильского португальского языка, разработанный Itaú Unibanco и ICTi. Модель содержит около 149 млн параметров и обучена на корпусе Aurora-PT объёмом 331 млрд токенов. Основная задача модели — предсказывать пропущенные токены в тексте. Её также можно применять для получения текстовых эмбеддингов и адаптировать под задачи классификации, семантического сходства и текстового следования. Контекст поддерживает до 8 192 токенов; в архитектуре используются эффективное локально-глобальное внимание и RoPE. В карточке сообщается о результатах на португалоязычных бенчмарках PLUE и ASSIN 2. Это базовая предобученная модель, а показатели для отдельных задач могут относиться к дообученным вариантам. Лицензия CC BY-NC-SA 4.0 требует атрибуции, распространения производных материалов на тех же условиях и не допускает коммерческого использования.

nyun-c2-llama3-50B — плотная авторегрессионная языковая модель семейства Llama 3, разработанная Nyun AI. Она предназначена для генерации текста и общих языковых задач; заявленный размер — 76,2 млрд параметров, контекст — до 8192 токенов. Модель сохранена в формате Safetensors и использует лицензию Llama 3. По карточке Nyun AI, модель получила примерно на 29% меньше параметров, чем Llama 3 70B, за счёт оптимизаций без дополнительного дообучения. Разработчик сообщает о близких результатах на отдельных бенчмарках, включая MMLU, Winogrande и BoolQ. Эти результаты не гарантируют качество на других задачах; модель может ошибаться и требует значительных вычислительных ресурсов из-за размера.