I.14Автоматизация процессов и AI-агенты

OctoThinker-8B-Long-Base-GGUF — набор GGUF-квантизаций базовой языковой модели OctoThinker-8B-Long-Base, разработанной авторами Zengzhi Wang, Fan Zhou, Xuefeng Li и Pengfei Liu. Модель построена на семействе Llama-3 и предназначена для генерации текста, математических задач, рассуждений и использования в сценариях, где требуется основа, удобная для последующего reinforcement learning. Модель прошла двухэтапное промежуточное обучение по методике Stable-then-Decay на крупномасштабных математических данных MegaMath-Web-Pro-Max и разнообразных данных с длинными цепочками рассуждений. Заявленные преимущества — быстрое схождение и повышенная стабильность при обучении с подкреплением. В README указан английский язык и текстовая модальность; размер базовой модели — 8B параметров, однако максимальная длина контекста не указана. Предлагаются варианты от F16 примерно на 16,1 ГБ до Q2_K примерно на 3,0 ГБ. Более высокие разрядности обеспечивают лучшее качество, а низкоразрядные варианты снижают требования к памяти, но могут заметно ухудшать результаты. Модель совместима с llama.cpp, llama-cpp-python, LM Studio и Ollama. Лицензия указана как llama3.2; дополнительные ограничения и условия распространения в README не раскрыты.

ArchSpace-Collection публикует экспорт модели OLMo 3 3B SiameseNorm + DepthAttention с этапа 3 обучения на длинном контексте; README указывает, что экспорт соответствует итерации 11921. Это плотная авторегрессионная языковая модель семейства OLMo 3 с архитектурой SiameseNorm и DepthAttention, предназначенная для генерации текста и работы с длинными последовательностями. Модель содержит 3,2 млрд параметров и рассчитана на контекст до 65 536 токенов. Внимание чередует три слоя с локальным скользящим окном 4 096 токенов и один слой полного внимания; для полных слоёв применяется YaRN. Веса представлены в формате safetensors, загрузка описана для Transformers с trust_remote_code=True. Карточка не сообщает о специальных предметных областях или языковой специализации, поэтому модель можно описать как языковую модель общего назначения. Лицензия в предоставленных данных не указана. Для использования требуется версия Transformers не ниже 4.57.6 и ниже 5, а также исполнение встроенного удалённого кода; качество отдельных задач в карточке не оценено.

OpenBuddy-zero-14b-v22.3-32k — многоязычная диалоговая языковая модель семейства Llama, разработанная OpenBuddy. Она предназначена для чат-общения и генерации текста в ответ на запросы; модель содержит 13,8 млрд параметров и поддерживает контекст до 32 768 токенов. Модель дополнительно обучена на многоязычном наборе данных с токенизатором на основе Yi-1.5-9B-32K. В README также указано, что веса включают части Yi-1.5-9B-32K и DeepSeek-VL-7B-chat. Карточка перечисляет китайский, английский, французский, немецкий, японский, корейский, итальянский и финский языки. Репозиторий содержит веса в формате safetensors и поддерживает чатовый сценарий. Модель может выдавать ошибочные, вредоносные или нежелательные ответы; авторы не рекомендуют применять её в критических ситуациях, включая медицину и важные финансовые или юридические решения. В метаданных лицензия обозначена как other; README сообщает об использовании компонентов под Apache 2.0 и DeepSeek License, поэтому перед использованием следует проверить условия обеих лицензий.

OpenBuddy Zero 3B v21.2 — чат-модель семейства OpenBuddy, созданная на архитектуре Meta Llama 3 и обученная предварительно и дообученная на её основе. Она предназначена для диалогов и генерации текста; README указывает английский и китайский как целевые языки, а метаданные также перечисляют французский, немецкий, японский, корейский, итальянский и финский. Модель имеет плотную архитектуру Llama с классом LlamaForCausalLM, около 4,2 млрд параметров и контекст до 32 768 токенов. Модель подходит для чат-ботов и генерации ответов на пользовательские запросы. Репозиторий содержит веса Safetensors; README описывает использование через Transformers и vLLM. Указана лицензия other, а также заявление о создании на основе Llama 3; точные условия использования следует сверять с лицензией репозитория. Авторы предупреждают, что ответы могут быть ошибочными, вредными или оскорбительными, и не рекомендуют применять модель в критических или высокорисковых сценариях, включая медицину, управление опасными системами и важные финансовые или юридические решения.

Это конвертированная в формат MLX версия модели распознавания речи NVIDIA Parakeet-TDT 0.6B v2, подготовленная сообществом mlx-community на основе nvidia/parakeet-tdt-0.6b-v2. Модель предназначена для преобразования аудиозаписей в текст; для запуска предлагаются библиотеки parakeet-mlx и mlx-audio. В основе — архитектура FastConformer/Conformer и метод TDT; исходная модель содержит около 0,6 млрд параметров. По описанию базовой модели, она транскрибирует английскую речь, расставляя пунктуацию и заглавные буквы, а также выдаёт временные метки слов. Репозиторий использует safetensors и библиотеку MLX. Лицензия — CC BY 4.0.

CYFRAGOVPL/PLLuM-8x7B-chat-2412 — чат-модель семейства PLLuM, разработанная для польского языка и других славянских и балтийских языков с дополнительными англоязычными данными. Это языковая модель Mixtral с архитектурой Mixture of Experts (MoE), доступная в формате safetensors и рассчитанная на контекст до 32 768 токенов; в метаданных указано 7,1 млрд параметров. Модель дообучена для диалогов и выравнивалась на предпочтениях людей. Модель предназначена для генерации текста, ответов на вопросы, суммаризации и создания специализированных помощников. В README отмечены результаты на задачах, связанных с польским государственным управлением, и применение в юридических и бюрократических сценариях, в том числе с поиском по документам. Лицензия — Apache-2.0. Модель может генерировать фактически неверные или вымышленные сведения; предвзятость также может проявляться в спорных и субъективных темах. Работа с длинным контекстом зависит от доступной памяти.

Sakalti/Qwen2.5-7B-Mini — языковая модель, созданная автором репозитория с помощью mergekit методом Model Stock на основе Qwen/Qwen2.5-7B-Instruct. В конфигурации указано объединение диапазонов слоёв исходной модели; в метаданных размер модели указан как 2,2 млрд параметров, а формат весов — safetensors. Модель предназначена для генерации текста и диалогового общения. Она принимает текст и выдаёт текст, поддерживает английский язык и имеет контекст длиной до 32 768 токенов. Метаданные также отмечают интерфейс вызова инструментов, но README не описывает его применение или качество. Модель распространяется по лицензии Apache-2.0.

bunnycore/Qwen2-7B-TitanFusion — разговорная языковая модель на архитектуре Qwen2, созданная сообществом Bunnycore путём слияния нескольких моделей с помощью mergekit и метода DARE TIES. В качестве базовой использована natong19/Qwen2-7B-Instruct-abliterated; в слияние также вошли Samantha-Qwen-2-7B, Dolphin 2.9.2 Qwen2 7B, Arcee Spark и Orca Mini v7 7B. Модель содержит 7,1 млрд параметров, работает с текстом и предназначена для диалогов и генерации текста, включая ответы на вопросы. Максимальная длина контекста составляет 32 768 токенов. В карточке не заявлена специализация на конкретных языках или предметных областях. Файлы доступны в формате safetensors для Transformers; лицензия в предоставленных данных не указана.

Dohyeon1/Qwen3-30B-A3B-M-SMoE-ngroups96-no-permutation — языковая модель для генерации текста и диалоговых сценариев, доступная через библиотеку Transformers. По идентификатору модель относится к семейству Qwen3 и использует вариант разреженной Mixture-of-Experts-архитектуры; в метаданных указано 2,6 млрд параметров и контекст до 40 960 токенов. Модель предназначена для продолжения текста, генерации ответов в чатах и интеграции в приложения на базе Transformers. Тег conversational указывает на ориентированность на диалоговое применение, а safetensors — на формат хранения весов. В README отсутствуют сведения о разработчике, лицензии, языках обучения, датасетах, результатах оценки и подтверждённых сценариях безопасного использования.

MingZwhy разработал эту версию Qwen3-4B, применив квантование весов до 1,88 бита на параметр и восстановление качества с помощью quantization-aware distillation и on-policy distillation. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров, предназначенная для генерации текста и диалогов; она принимает текст и выдаёт текст. Модель доступна в формате safetensors, квантование уже встроено в веса. Контекст составляет 40 960 токенов. README приводит результаты на задачах математического рассуждения, генерации кода и QA; во всех перечисленных тестах результаты ниже, чем у исходной Qwen3-4B в BF16. Лицензия — Apache-2.0.

Qwen3.6-40B-Claude-4.6-Opus-Deckard-Heretic-Uncensored-Thinking-8bit — языковая текстовая генеративная модель, разработанная сообществом mlx-community. Она представляет собой конверсию модели DavidAU/Qwen3.6-40B-Claude-4.6-Opus-Deckard-Heretic-Uncensored-Thinking в формат MLX с использованием mlx-lm 0.31.1 и предназначена для запуска через экосистему MLX. Модель ориентирована на генерацию текста, включая программирование, творческое письмо, создание сюжетов и сцен, сторителлинг и ролевые сценарии. Заявлена поддержка английского и китайского языков. В карточке указаны размер 40B параметров и 8-битное представление, однако сведения об архитектуре, длине контекста и мультимодальности отсутствуют; по назначению и pipeline_tag это текстовая, а не мультимодальная модель. К сильным сторонам относятся специализация на рассуждениях, коде и творческих задачах, а также возможность локального использования в MLX-совместимой среде. Ограничения включают отсутствие подробных данных о качестве, бенчмарках, производительности и точной архитектуре; заявленные характеристики следует проверять на конкретных задачах. Лицензия — Apache-2.0.

Minachist/Qwen3.8-27B-INT8-AutoRound — неофициальная версия базовой модели Qwen/Qwen3.8-27B, квантизированная в формате W8A16 INT8 с помощью AutoRound. Модель предназначена для сценариев генерации текста и изображений с текстом, что отражено в конфигурации pipeline_tag image-text-to-text. Архитектура и исходные модальности унаследованы от базовой модели, однако подробные сведения о языках и размере контекстного окна в карточке не указаны. Доступны четыре варианта, различающиеся гранулярностью квантизации и обработкой линейного внимания: per-channel или group_size 128, а также квантизация его проекций в INT8 либо сохранение этих слоёв в BF16. Размер файлов составляет примерно от 28,8 до 34,3 ГиБ; все варианты помещаются на двух GPU по 24 ГБ при использовании tensor parallelism. Часть слоёв, включая vision tower, embed_tokens и lm_head, оставлена в BF16. Вариант linear-attn-bf16-gs128 наиболее близок к базовой модели, а main является самым компактным; варианты с group_size 128 показывают лучшие значения заявленных метрик соответствия. По результатам сравнения с базовой моделью варианты демонстрируют среднее совпадение top-1 предсказаний от 98,40% до 98,59%, при этом наилучшие показатели приведены для linear-attn-bf16-gs128. Оценка проводилась на текстовой калибровке с использованием 1024 образцов и последовательностей длиной 2048, поэтому качество на мультимодальных задачах отдельно не подтверждено. Модель распространяется по лицензии Apache-2.0; сборка обозначена как неофициальная.

Карточка модели freeuser17/Qwen3-ASR-1.7B-Uncensored на Hugging Face совпадает с карточкой Qwen/Qwen3-ASR-1.7B, поэтому описание составлено по ней. Qwen3-ASR-1.7B — плотная аудиоречевая модель семейства Qwen3-ASR, разработанная командой Qwen. Она распознаёт речь и определяет язык аудио; модель поддерживает 30 естественных языков и 22 китайских диалекта, включая русский, английский, китайский и кантонский. Основана на возможностях аудиопонимания Qwen3-Omni и содержит 1,7 млрд параметров согласно названию модели. Модель предназначена для транскрибации речи в потоковом и офлайн-режимах, в том числе длинных записей, аудио в сложных акустических условиях, пения и песен с фоновой музыкой. В README заявлены сильные результаты на открытых и внутренних тестах; отдельные сравнительные показатели в карточке не приведены. Для потокового распознавания требуется backend vLLM; доступны также интеграции через Transformers и пакет qwen-asr. Веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель принимает аудио и выдаёт распознанный текст. Описанный в README Qwen3-ForcedAligner-0.6B — отдельная модель для временных меток, а не функция данного чекпойнта.

Это экспериментальный исследовательский чекпойнт minjaechoi на основе Qwen/Qwen3-Next-80B-A3B-Thinking. Он предназначен для генерации текста и диалога; метаданные также отмечают интерфейс вызова инструментов. Архитектура — причинная MoE-модель семейства Qwen3-Next с классом Qwen3NextForCausalLM. В README указано, что средняя точность маршрутизируемых экспертов составляет 2,016 бита, а остальные веса хранятся в BF16; тензоры весов представлены в BF16, модель загружается через Transformers и vLLM. Метаданные указывают 2,3 млрд параметров и контекст до 262 144 токенов. Лицензия наследуется от базовой модели.

NobodyWho/Qwen_Qwen3-0.6B-GGUF — это GGUF-квантизированная версия языковой модели Qwen/Qwen3-0.6B, подготовленная для запуска через библиотеку инференса NobodyWho. Квантизации предоставлены bartowski. Модель предназначена для генерации текста, диалогов и выполнения инструкций, а также поддерживает синтаксис вызова функций и инструментов. Модель содержит около 600 млн параметров и поддерживает контекст до 32 768 токенов. Она работает с текстом и заявляет поддержку более 100 языков. Доступен режим рассуждений с отображением пошагового ответа. В README приведён вариант Q4_K_M в формате GGUF, ориентированный на переносимый локальный запуск и использование в приложениях, включая интеграции с Godot и Flutter. К сильным сторонам относятся небольшой размер, локальный запуск, портативность GGUF-файлов и поддержка многоязычных диалогов, инструментов и режима рассуждений. При этом архитектура, точные языковые показатели и результаты тестирования не указаны, бенчмарки заявлены как готовящиеся, а дата отсечения знаний неизвестна. Базовая модель распространяется по лицензии Apache 2.0; README указывает эту же лицензию для представленного варианта.

ruELECTRA large cased — русскоязычная предварительно обученная модель семейства ELECTRA от AI-Forever. Она предназначена для получения векторных представлений предложений на русском языке; карточка также отсылает к публикации с описанием архитектуры, предобучения и оценки семейства моделей. Модель содержит 525,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для построения эмбеддингов, которые можно применять в поиске и сравнении текстов. Лицензия — MIT. Карточка описывает её использование для эмбеддингов, но не приводит оценки качества или подробностей ограничений.

ruElectra-small — небольшая предварительно обученная модель семейства ELECTRA для работы с русским языком, разработанная командой SaluteDevices RnD. Её архитектура, предобучение и оценка описаны в препринте «A Family of Pretrained Transformer Language Models for Russian». Модель содержит 78,1 млн параметров и принимает последовательности длиной до 512 токенов. Карточка предлагает использовать модель для получения эмбеддингов предложений; для лучшего качества рекомендуется усреднять эмбеддинги токенов. Это подходит для представления русскоязычных текстов векторными признаками и последующего поиска или сравнения по смыслу. Модель опубликована в формате PyTorch, лицензия — MIT.

Ruri-Base v2 — японская модель для получения векторных представлений текстов, разработанная cl-nagoya. Это Sentence Transformer на архитектуре BERT с 138,4 млн параметров; модель дообучена на базе cl-nagoya/ruri-pt-base-v2. Она предназначена для сравнения сходства предложений и текстового поиска на японском языке. Максимальная длина входа — 512 токенов, размерность выходных векторов — 768, сходство оценивается косинусной мерой. В JMTEB модель получила средний результат 72,48; README рекомендует для новых задач перейти на семейство Ruri v3. Лицензия — Apache 2.0.

ruT5-large — предварительно обученная русскоязычная модель семейства T5, разработанная командой SberDevices. Это плотная модель архитектуры encoder-decoder с 385,2 млн параметров по метаданным, реализованная для PyTorch; в README указано 737 млн параметров. Модель обучалась на 300 ГБ данных, использует BPE-токенизатор со словарём из 32 101 токена и имеет контекст длиной 512 токенов. Модель предназначена для генерации текста по текстовому запросу и может служить основой для задач преобразования русского текста, например суммаризации, перефразирования и ответов на вопросы после соответствующей настройки. README ссылается на препринт о семействе предварительно обученных трансформеров для русского языка и сообщает об оценке модели. Модель принимает и выдаёт текст, ориентирована на русский язык. Данные не описывают специализированные области применения или известные ограничения качества. Условия лицензии в предоставленных источниках не приведены.

rwkv7-7.2B-g0 — мультиязычная языковая модель семейства RWKV-7, разработанная Бо Пэном, Ю Чжаном, Сонглином Яном, Жуйчуном Чжаном и Чжиюанем Ли при поддержке RWKV Project в рамках LF AI & Data Foundation. Это плотная авторегрессионная модель на 7,8 млрд параметров в формате flash-linear attention; в README указаны 7,2 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия, использует токенизатор RWKV World с размером словаря 65 536 и имеет контекст 2 048 токенов. В метаданных среди языков указаны английский, китайский, японский, корейский, французский, арабский, испанский и португальский. Модель основана на BlinkDL/rwkv7-g1 и распространяется в формате safetensors. Для запуска README рекомендует установить flash-linear-attention и Transformers версии 4.48.0 или новее. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества и подробных ограничений применения.

sarashina2.2-Bi-0.5b — дообученная модель семейства Sarashina от разработчика репозитория iamtatsuki05. Она преобразует японские предложения в векторные представления для сравнения по смыслу и поиска. Модель построена на архитектуре Llama как двунаправленный энкодер в стиле LLM2Vec; размер составляет 661,9 млн параметров, размерность эмбеддингов — 1280, используется mean pooling. Максимальная длина последовательности — 8192 токена, позиционное кодирование — RoPE, токенизатор SentencePiece.

shadow-clown-7B-slerp — объединённая методом DARE через mergekit языковая модель семейства Mistral, созданная на основе Gille/StrangeMerges_32-7B-slerp и yam-peleg/Experiment26-7B. Она предназначена для генерации текста и может использоваться в сценариях, где требуется продолжать или создавать текст по запросу. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает о специальных ограничениях или целевых языках.

SLPL/Sharif-wav2vec2 — модель распознавания речи на основе архитектуры Wav2Vec2, дообученная авторами для персидского языка (фарси). Для адаптации использованы 108 часов персидских записей Common Voice 6.1 с частотой дискретизации 16 кГц. Модель принимает аудио и преобразует речь в текст; для повышения точности в сценариях распознавания авторы также обучили 5-граммную языковую модель KenLM и подключили её через процессор декодирования. Модель предназначена для транскрибации персидской речи. В оценке на Common Voice 6.1 указана частота ошибок слов WER 0,06 на очищенной выборке и 0,16 на выборке other. Для входной речи требуется частота дискретизации 16 кГц. Весовая модель опубликована в формате PyTorch, содержит около 402,7 млн параметров и распространяется по лицензии MIT.

SigLIP 2 Base Patch16-256 — визуальный энкодер, разработанный Google. Модель обучена на наборе WebLI по унифицированной схеме предобучения SigLIP 2; в репозитории доступны веса Safetensors для Transformers. Размер изображения на входе — 256 пикселей, патч — 16 пикселей. Модель предназначена для классификации изображений по пользовательским текстовым меткам и поиска соответствий между изображениями и текстом. Её также можно использовать как визуальный энкодер для VLM и других задач компьютерного зрения. Лицензия — Apache-2.0. README описывает улучшенное семантическое понимание, локализацию и плотные визуальные признаки как цели SigLIP 2. В карточке нет сведений о поддерживаемых естественных языках или длине контекста. Для классификации необходимо передавать изображение и варианты меток; сама модель не является диалоговой генеративной VLM.

Solar Pro Preview — языковая модель с 22 млрд параметров, разработанная Upstage. Это предварительная версия Solar Pro: модель создана методом масштабирования по глубине на основе Phi-3-medium (14B) и дообучена для следования инструкциям и ведения диалога. Она использует плотную архитектуру Solar и предназначена для генерации текста; заявленная цель — запуск на одном GPU с 80 ГБ видеопамяти. Модель подходит для ответов на вопросы, диалога и выполнения инструкций на английском языке. В карточке указано окно контекста 4096 токенов. По заявлению разработчика, Solar Pro Preview показывает сильные результаты для своего размера, в частности на MMLU-Pro и IFEval; приведённые оценки могут зависеть от аппаратуры и настроек запуска. Это предварительная версия с ограниченным охватом языков: README указывает поддержку английского и отсутствие поддержки системных промптов. Для лицензии MIT условия использования разрешают применение и распространение в рамках лицензии.

sentence-transformers-testing/stsb-bert-tiny-onnx — модель семейства Sentence-Transformers, разработанная сообществом Sentence-Transformers и представленная на Hugging Face. Она преобразует предложения и абзацы в плотные векторы размерности 128, предназначенные для сравнения семантической близости, семантического поиска и кластеризации. В README также указана возможность использования через библиотеки Sentence-Transformers и Hugging Face Transformers. В основе модели лежит BERT с максимальной длиной последовательности 512 токенов без приведения текста к нижнему регистру. Вектор предложения формируется mean pooling с учетом attention mask. Модель одномодальная и работает с текстом; поддерживаемые языки в README не указаны. Обучение проводилось с CosineSimilarityLoss, оптимизатором AdamW и десятью эпохами, однако сведения о датасете, качестве и результатах оценки отсутствуют. Сильной стороной модели является компактное 128-мерное представление, удобное для поиска и кластеризации, а также интеграция с распространенными инструментами экосистемы Transformers. Ограничения включают отсутствие данных о языковой специализации, фактической точности и составе обучающей выборки. Лицензия в README не указана.

Модель sentence-transformers-testing/stsb-bert-tiny-openvino-quantized-only предназначена для преобразования предложений и абзацев в плотные векторные представления размерностью 128. Она разработана для использования с библиотекой Sentence Transformers и подходит для семантического поиска, кластеризации и оценки семантического сходства текстов. Конкретный разработчик в представленных данных не указан. В основе модели лежит BERT с максимальной длиной последовательности 512 токенов и без приведения текста к нижнему регистру. Архитектура включает Transformer и mean pooling по токенам с учётом attention mask; используются только средние значения токенов, без CLS-, max- и других вариантов pooling. Языки, точный размер BERT и характеристики OpenVINO-квантизации в README не указаны. Модель удобна для получения компактных эмбеддингов и интеграции в стандартный конвейер Sentence Transformers. Ограничения — отсутствие опубликованных результатов оценки, сведений о языковой специализации, точных параметрах квантизации и гарантий качества для конкретных прикладных сценариев. В README также отсутствует информация о лицензии, поэтому условия распространения и коммерческого использования следует уточнить отдельно.

BlackKakapo/stsb-xlm-r-multilingual-ro — модель эмбеддингов предложений на базе XLM-RoBERTa, дообученная для румынского языка на датасете STS-ro. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения семантической близости. Модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для семантического поиска, ранжирования по смысловой близости и кластеризации румынских текстов. Для обучения использовалась функция потерь CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

NVIDIA FastConformer-Hybrid Large для французского языка — модель распознавания речи, разработанная NVIDIA и обученная с помощью NeMo. Она преобразует монофоническое аудио WAV с частотой 16 кГц в текст с заглавными и строчными буквами, пробелами, точками, запятыми и вопросительными знаками. Модель построена на архитектуре FastConformer с уменьшением частоты кадров в 8 раз с помощью глубинных свёрток. Это большая версия примерно на 115 млн параметров; обучение использует совместные функции потерь Transducer и CTC. Модель можно применять для вывода или дообучать на собственных данных. Она обучалась на суммарно 1800 часах французской речи из MCV12, MLS и VoxPopuli. Модель подходит для транскрибации французской речи в аудиозаписях и пакетной обработки файлов. Качество может снижаться на технической лексике, незнакомой разговорной речи и речи с акцентом; модель выводит только точки, запятые и вопросительные знаки. Лицензия — CC BY 4.0.

SuperCombo — языковая модель для генерации текста, созданная слиянием BarryFutureman/WildMarcoroni-Variant1-7B и paulml/OmniBeagleSquaredMBX-v3-7B с помощью LazyMergekit. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров; веса представлены в формате safetensors. Для объединения применён метод slerp с параметрами, заданными отдельно для слоёв внимания и MLP. Модель принимает текстовые запросы и генерирует текст, поддерживая контекст до 32 768 токенов. Карточка не описывает специализированные предметные области или конкретные языки. Условия лицензии в предоставленных данных не указаны.