I.14Автоматизация процессов и AI-агенты

MaziyarPanahi/MeliodasPercival_01_Experiment26Experiment24 — объединённая модель на архитектуре Mistral с 7,1 млрд параметров, созданная слиянием automerger/MeliodasPercival_01-7B и automerger/Experiment26Experiment24-7B. Она предназначена для генерации текста и диалогов, а контекст составляет до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Данных о специализации на конкретных языках или прикладных областях в карточке нет.

Это диалоговая языковая модель объёмом 6,7 млрд параметров, созданная автором репозитория rjamorizIAtest слиянием Mistral-7B-Instruct-v0.2 и Starling-LM-7B-beta. Для объединения использован метод SLERP через mergekit; архитектура — плотная MistralForCausalLM, веса представлены в формате safetensors и работают с библиотекой Transformers. Модель предназначена для генерации текста в диалогах и ответов на запросы. Она принимает текст и поддерживает контекст до 32 768 токенов. Карточка не сообщает о специализированной предметной области или языковом составе, поэтому применимость к конкретным языкам не уточняется. Условия лицензирования в предоставленных источниках не описаны.

Undi95/Meta-Llama-3.1-8B-Claude — дообученная версия Llama 3.1 8B Instruct, созданная Undi95 на примерах диалогов и инструкций, сформированных на основе ответов Claude Opus и Sonnet. По карточке, модель обучена на 9 млн токенов из перечисленных наборов данных за два прохода; она использует архитектуру Llama для генерации текста и диалогов. Подходит для чат-ответов и выполнения инструкций в формате Llama 3. В репозитории указаны веса Safetensors и контекстное окно 131 072 токена. Карточка не приводит отдельной оценки качества или подробных ограничений; результаты могут отличаться от исходных моделей Claude. Лицензия в предоставленных данных не указана.

Metis-0.1 — диалоговая языковая модель от Mihaiii, созданная дообучением Mistral-7B-SFT-Beta. Она предназначена для рассуждений и понимания текста, хорошо работает с длинными системными инструкциями; карточка отдельно отмечает, что модель не рассчитана на свободное сочинение историй. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Для взаимодействия в README предложен формат с полями System, Instruction и Response. Модель обучена на частном наборе данных; README указывает, что высокий результат на GSM8K не связан с набором MetaMath. Лицензия — MIT.

Jan-HQ Mistral-7B-Instruct-v0.2-SLERP — языковая модель Jan на базе Mistral-7B-Instruct-v0.2, созданная слиянием методом SLERP базовой модели с Marcoroni-7B-v3 и go-bruins-v2. Это плотная авторегрессионная модель MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов и генерации текста по инструкциям. В карточке указаны шаблоны ChatML и Alpaca, а запуск предлагается через Jan Desktop на macOS, Windows и Linux. Метаданные указывают английский язык и возможность chat. README описывает проект как тест слияния моделей; результатов оценки в карточке нет. Доступна по лицензии Apache-2.0.

Карточка модели jacobolopez/Mistral-7B-v0.1-sharded на Hugging Face совпадает с карточкой mistralai/Mistral-7B-v0.1, поэтому описание составлено по ней. Mistral-7B-v0.1 — предварительно обученная генеративная языковая модель команды Mistral AI с плотной архитектурой Transformer и примерно 7,1 млрд параметров. Она предназначена для генерации продолжения текста и служит базовой моделью для дальнейшей адаптации под конкретные задачи. Модель использует Grouped-Query Attention, Sliding-Window Attention и токенизатор Byte-fallback BPE. Родной контекст составляет 32 768 токенов. Карточка указывает английский язык; модель доступна в форматах PyTorch и safetensors и рассчитана на работу с библиотекой Transformers. По заявлению разработчиков, на проверенных ими бенчмарках модель превосходила Llama 2 13B. Это базовая модель без механизмов модерации, поэтому сгенерированный текст может быть нежелательным или небезопасным. Лицензия — Apache-2.0.

Mistral-7B-v0.1-ties — языковая модель на архитектуре Mistral, созданная объединением весов mistralai/Mistral-7B-v0.1 и mlabonne/NeuralHermes-2.5-Mistral-7B с помощью mergekit и метода TIES. Модель содержит 7,1 млрд параметров, сохранена в формате safetensors и рассчитана на генерацию текста; базовое окно контекста составляет 32 768 токенов. Модель подходит для диалоговых приложений и генерации ответов, опирающихся на возможности объединённых моделей. В README указаны параметры слияния: плотность 0,5, вес второй модели 0,3 и тип данных float16. Репозиторий распространяется по лицензии Apache-2.0. Конкретные гарантии качества и подробные результаты оценки в карточке не приведены.

ehristoforu/mistral-distil-test-7 — текстовая генеративная модель, созданная с помощью mergekit из unsloth/Mistral-Nemo-Instruct-2407. В README указан метод passthrough и конфигурация, которая переносит слои исходной модели; метаданные классифицируют происхождение как дообучение базовой модели. Это плотная архитектура MistralForCausalLM на 9,5 млрд параметров, распространяемая в формате safetensors и предназначенная для диалоговой генерации текста. Заявленная длина контекста — 1 024 000 токенов. Модель подходит для ведения диалога и генерации текста по запросу. В карточке нет сведений о специализированных областях применения или поддерживаемых языках. Лицензия в предоставленных данных не указана.

ritulk/MPNET-fine-tuned-political-clustering — текстовая Sentence Transformer модель на архитектуре MPNet, дообученная на базе microsoft/mpnet-base на датасете projecte-aina/sts-ca. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Модель использует усреднение токенных представлений и косинусное сходство; её контекст составляет до 512 токенов по карточке модели и 514 токенов по метаданным. Обучение на каталонском датасете семантического сходства и указанные языки en и ca делают её подходящей прежде всего для английского и каталонского текста. Лицензия Apache-2.0. Показатели оценки в README различаются между наборами данных; результаты могут зависеть от языка и предметной области, поэтому качество для русского и политической тематики не подтверждено приведёнными данными.

zelk12/MT5-Gen5-IF-gemma-2-EMTg2-9B — объединённая модель Gemma 2, созданная с помощью mergekit методом SLERP из Aashraf995/Gemma-Evo-10B и zelk12/MT-Gen2-gemma-2-9B. Это плотная авторегрессионная языковая модель на 9 млрд параметров для генерации текста и диалогового общения; она работает через Transformers и распространяется в формате safetensors. Контекст — до 8192 токенов. Модель подойдёт для диалоговых интерфейсов и генерации текста по запросу. Карточка не сообщает о специализации на отдельных предметных областях или языках. Лицензия в предоставленных данных не указана, поэтому условия использования следует сверить на странице репозитория Hugging Face.

myX-Semantic — модель DatarrX, разработанная Khant Sint Heinn для семантического представления текстов на бирманском языке. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения по смыслу, кластеризации и классификации текстов. Модель основана на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и дообучена методом дистилляции, чтобы приблизить представления к модели paraphrase-multilingual-mpnet-base-v2; дополнительный линейный слой преобразует исходные 384 измерения в 768. Архитектура — BERT с усреднением токенных представлений, максимальная длина входа — 512 токенов. Модель обучалась на DatarrX/myX-Mega-Corpus и рассчитана прежде всего на текст в Unicode-кодировке бирманского языка. Для измерения сходства автор рекомендует косинусную близость; порог 0,60 приводится как ориентир, который следует проверять на собственных данных. Модель распространяется по лицензии Apache-2.0.

damand2061/negasibert-mnrl — модель Sentence Transformers, дообученная автором на базе indobenchmark/indobert-base-p1 для построения векторных представлений индонезийских предложений и абзацев. Архитектура объединяет BERT с усреднением токенных представлений; модель содержит 151,6 млн параметров и выдаёт плотные векторы размерности 768. Для сравнения текстов используется косинусное сходство. Модель предназначена для оценки семантического сходства и поиска похожих текстов, а также может применяться для поиска по смыслу, поиска перефразировок, кластеризации и классификации текста. Она обучена с MultipleNegativesRankingLoss на 12 000 парах предложений. Метаданные указывают контекст до 512 токенов, однако карточка модели задаёт максимальную длину последовательности 32 токена, что ограничивает эффективную длину входа. Это текстовая модель для индонезийского языка, распространяемая в формате safetensors и доступная через библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

JANGQ-AI представляет квантованный вариант NVIDIA Nemotron-3-Super-120B-A12B для запуска на Apple Silicon через MLX. Модель использует гибридную архитектуру Mamba-2, Latent MoE и плотного внимания; карточка указывает 6,6 млрд параметров, а README описывает 88 слоёв: 40 Mamba-2, 40 MoE и 8 слоёв внимания. Формат JANG_4M заявлен как 4,1-битный с 8-битной защитой внимания; размер файлов — около 63 ГБ. Контекст составляет 262 144 токена. Модель предназначена для диалоговой генерации текста и задач рассуждения. В README приводятся результаты MMLU 93,0% в режиме рассуждения на тесте из 200 вопросов, а также скорость генерации 55,1 токена в секунду; эти показатели заявлены автором и зависят от условий тестирования. Запуск рассчитан на Mac с Apple Silicon и не менее 64 ГБ объединённой памяти через MLX Studio или библиотеку jang для MLX; карточка заявляет интерфейс вызова инструментов. Базовая модель указана как nvidia/NVIDIA-Nemotron-3-Super-120B-A12B-FP8, а лицензия обозначена как other, поэтому перед использованием следует проверить её условия в карточке модели. README предупреждает, что формат JANG не поддерживают LM Studio, Ollama и oMLX; для запуска нужны совместимые инструменты и значительный объём памяти. Основные языки по метаданным — английский, китайский и корейский.

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.

NeuralLLaMa-3-8b-DT-v0.1 — объединённая плотная авторегрессионная языковая модель семейства Llama от автора репозитория Kukedlc. Она предназначена для генерации текста и диалогов. Модель содержит 7,5 млрд параметров, принимает текст, выдаёт текст и поддерживает контекст до 8192 токенов. Модель собрана методом DARE-TIES из трёх моделей: mlabonne/ChimeraLlama-3-8B-v2, nbeerbower/llama-3-stella-8B и uygarkurt/llama-3-merged-linear; в конфигурации также указан NousResearch/Meta-Llama-3-8B. README приводит результаты оценки на IFEval и BBH, но не описывает отдельную специализацию или гарантии качества. Репозиторий содержит веса в формате Safetensors. Указана лицензия «other», поэтому условия использования следует сверить с лицензиями базовых моделей и полными условиями репозитория.

NeuralsirkrishnaShadow_PasticheInex12 — объединённая автором MaziyarPanahi модель для генерации текста и диалогов. Она основана на архитектуре Mistral и содержит 7,1 млрд параметров; модель объединяет automerger/NeuralsirkrishnaShadow-7B и automerger/PasticheInex12-7B. Модель принимает текст и выдаёт текст. Размер контекста составляет до 32 768 токенов, формат весов — safetensors. В карточке не указаны специализация по языкам и отдельные прикладные области. Модель распространяется по лицензии Apache-2.0.

NeuralsirkrishnaShadow_ShadowYamshadow — объединённая языковая модель, созданная из automerger/NeuralsirkrishnaShadow-7B и automerger/ShadowYamshadow-7B. Модель разработана в формате Mistral и содержит 7,1 млрд параметров; она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель принимает текстовые запросы и генерирует текст, поэтому подходит для диалога и других задач, сводящихся к продолжению текста. Репозиторий распространяет веса в формате safetensors по лицензии Apache-2.0. В карточке не приведены сведения о языковой специализации или результатах оценки качества.

Nex-N2.5-mini-Uncensored-GGUF — это набор GGUF-квантизаций модели Nex-N2.5-mini, опубликованный OrcaRouter на основе модели Nex-AGI. Версия является abliterated-сборкой с существенно удалённым механизмом отказов и предназначена прежде всего для исследований интерпретируемости, безопасности ИИ, изучения механизмов отказа, red teaming, оценки устойчивости и контролируемых экспериментов. Модель представляет собой мультимодальную agentic Mixture-of-Experts-систему на архитектуре Qwen3.5-MoE: 35 млрд параметров, около 3,5 млрд активных на токен, 256 маршрутизируемых экспертов с выбором top-8 и одним общим экспертом. Используется гибридное соотношение 3:1 между gated delta-net linear attention и full attention, встроенная vision-башня Qwen3-VL и контекст до 262 тысяч токенов. Поддерживаются английский и китайский языки, работа с текстом и изображениями, а также сценарии computer use и function calling. Файлы рассчитаны на запуск в llama.cpp на CPU, CUDA, Metal и ROCm; доступны квантизации от 2 до 8 бит с importance matrix, а для vision требуется отдельный файл mmproj. К сильным сторонам относятся большой контекст, мультимодальность, MoE-архитектура с низким числом активных параметров и широкий выбор квантизаций, включая рекомендуемую 4-битную IQ4_XS. Ограничения включают заметное падение качества на наиболее агрессивных квантизациях, необходимость свежей версии llama.cpp с поддержкой архитектуры qwen35moe и отсутствие MTP-головы, поэтому speculative decoding через MTP недоступен. Из-за удаления защитных механизмов модель может выполнять вредоносные, незаконные и опасные запросы и не имеет значимых встроенных ограничений безопасности; её не следует использовать в production или напрямую предоставлять конечным пользователям без собственных систем модерации и защиты от злоупотреблений. Лицензия — Apache 2.0, унаследованная от базовой модели.

NVIDIA-Nemotron-3.5-Lightning-30B-A3B-GGUF — это GGUF-квантизация модели NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16, опубликованная AtomicChat и предназначенная для запуска через llama.cpp. Модель относится к классу text-generation и может использоваться для генерации текста и диалоговых сценариев при локальном инференсе. Исходная модель разработана NVIDIA. Известно, что она использует архитектуры MoE и Mamba2 и имеет 30B параметров в полном варианте; конкретные сведения о языках, модальностях и размере контекстного окна в README не указаны. GGUF-файлы отличаются уровнем квантизации, размером, качеством и скоростью генерации. Рекомендуется вариант AD-IQ4_NL размером 19,7 ГБ: по приведённым измерениям он сопоставим с Q5_K_M по качеству, но существенно компактнее. Вариант AD-IQ4_NL_L показывает более низкую дивергенцию, а Q8_0 обеспечивает эталонное качество среди представленных квантов. Сильные стороны сборки — поддержка калибровки с importance matrix, эффективные Atomic Dynamic-конфигурации и возможность запуска на одной RTX 5090 с полной выгрузкой на GPU. Ограничения связаны с требованиями к памяти: качественного варианта для 16 ГБ нет, а экспериментальные 2-битные сборки демонстрируют значительную потерю качества и не рекомендуются для практической работы. Лицензия указана как NVIDIA Open Model License; точные условия приведены по ссылке NVIDIA.

blackmlengineer/occucoder-en-small-v0 — компактная модель Sentence Transformers на архитектуре BERT, обученная разработчиком blackmlengineer для сопоставления коротких текстов. Она преобразует предложения и абзацы в плотные векторы размерности 128; сходство оценивается косинусной мерой. Модель предназначена для извлечения признаков, поиска и ранжирования текстов по смысловому соответствию. Обучение проводилось на 991 580 примерах с парами и отрицательными примерами, с функцией потерь MultipleNegativesRankingLoss. Максимальная длина входа — 32 токена. Карточка показывает англоязычные примеры профессиональных названий и сообщает о поддержке текстовой модальности; лицензия в предоставленных данных не указана.

Omningotex-7B-slerp — языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная liminerity слиянием двух моделей методом SLERP с помощью LazyMergeKit. Она предназначена для генерации текста и диалоговых ответов; в карточке указаны результаты оценки на бенчмарках AI2 Reasoning Challenge и HellaSwag, но заявление о мировом лидерстве по точности не подтверждено приведёнными данными. Модель поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors по лицензии Apache-2.0. README не уточняет языки обучения и практические ограничения; качество ответов на конкретных задачах следует проверять отдельно.

Omni-Reasoner2-Merged — объединённая модель генерации текста от prithivMLmods, созданная из четырёх моделей на базе Phi-4 с помощью mergekit и метода Model Stock. В объединение вошли Phi-4-o1, Phi-4-Math-IO, Phi-4-QwQ и Phi-4-Empathetic; архитектура — плотная LlamaForCausalLM с 14,1 млрд параметров. Модель предназначена для диалоговой генерации текста и может применяться для ответов на вопросы и задач, связанных с математикой и рассуждениями. Модель принимает текст и генерирует текст, поддерживает контекст до 16 384 токенов и распространяется в формате safetensors для Transformers. Метаданные не сообщают о специальных языках или профильной области применения. Лицензия и ограничения качества в предоставленных данных не описаны.

MaziyarPanahi/openbuddy-zephyr-7b-v14.1-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.2 и OpenBuddy/openbuddy-zephyr-7b-v14.1; в репозитории указаны веса Safetensors в формате bfloat16. Модель предназначена для генерации текста и ответов в диалоге по инструкциям, а контекст составляет до 32 768 токенов. Модель подходит для чат-ботов и сценариев, где нужно формулировать ответы на текстовые запросы. В карточке Hugging Face указана лицензия Apache-2.0. Сведения о целевых языках и специальных областях применения в предоставленных материалах отсутствуют.

Ornith-1.5-35B-A3B-TIEL-Calibrated-MTPv2-ICE-GGUF — набор из четырёх GGUF-квантизированных вариантов модели Ornith-1.5-35B-A3B, разработанной ornith-ai и подготовленной gbuzhf. Модель предназначена для генерации текста и запуска локально через llama.cpp. Варианты занимают примерно от 18,82 до 24,84 ГБ и используют метод ICE-квантизации с калибровкой по importance matrix Tiel. В каждый файл встроена обученная MTPv2 head для self-speculative decoding, поэтому отдельная draft-модель не требуется; также используется чат-шаблон Qwen-Sharp v22.4.1. Архитектура включает Mixture-of-Experts с 256 экспертами, SSM-компоненты и attention с KV-кэшем. Для вариантов указаны разные эффективные разрядности: от 4,240 до 7,686 active bpw. Наиболее качественным среди представленных является 25G-ICE с overall 96,1 относительно BF16, mean KLD 0,0284 и совпадением top-1 в 93,44%; 23G-ICE заявлен как наиболее выгодный по соотношению размера и качества. Измерения выполнены на WikiText-2 при контексте 2048, поэтому они не характеризуют все практические сценарии генерации. Сильными сторонами являются хорошее сохранение качества в диапазоне 19–23 ГБ, оптимизация распределения битов с учётом MoE-маршрутизации и встроенная поддержка MTPv2. Ограничения — зависимость качества от выбранного уровня квантизации, отсутствие данных о поддерживаемых языках, максимальном контексте и специализированных задачах, а также преимущество ICE над другими методами подтверждено только описанным тестированием. Лицензия модели — MIT.

PCMind-2.1-Kaiyuan-2B (脑海-2.1-开元-2B) — языковая модель общего назначения, разработанная командой thu-pacman и обученная на кластере Ascend 910A. Она предназначена для генерации текста и диалогового взаимодействия; модель можно загружать через Transformers. Модель имеет плотную архитектуру семейства Qwen2 и содержит 1,7 млрд параметров по метаданным. В README указаны 1,4 млрд параметров без эмбеддингов и обучение на 2,2 трлн токенов. Контекст составляет до 131 072 токенов. Обучение включало многоэтапную предобучающую программу с отбором данных по качеству и упорядочиванием примеров по доменам. Заявлены открытые данные обучения; лицензия модели — Apache-2.0. Модель рассчитана на китайский и английский языки. Подходит для генерации текста и ведения диалогов. README заявляет конкурентоспособность с открытыми моделями сопоставимого размера, но конкретные результаты оценки в предоставленных данных отсутствуют.

Perception Encoder PE-Core-L14-336 — модель Meta для визуального понимания, обученная с помощью контрастивного обучения изображений и текста и дообученная на синтетически согласованных видео. Это вариант размера L: визуальный энкодер с архитектурой ViT-L/14 содержит 0,32 млрд параметров и обрабатывает изображения с разрешением 336 пикселей. Для извлечения глобальных признаков используются attention pooling и class token. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и видео по тексту, а также извлечения визуальных признаков для последующих задач. В README указаны результаты на наборах ImageNet, ObjectNet и Kinetics-400; версия L/14 показывает сильные результаты, в том числе на сложных наборах ObjectNet и ImageNet-A. Репозиторий содержит веса PyTorch и код загрузки через библиотеку perception-encoder. Лицензия — Apache-2.0. README описывает семейство PE Core как включающее визуальную и текстовую башни, но таблица именно для L/14 приводит характеристики только визуальной башни; отдельные размер и длина контекста текстовой части этого чекпойнта не установлены приведёнными данными. Для работы с видео требуется декодирование в тензоры PyTorch.

PE-Lang-L14-448 — визуальный энкодер Meta из семейства Perception Encoder, обученный на контрастном выравнивании изображений и текста и дополнительно настроенный для задач мультимодального языкового моделирования. Он извлекает языково-информативные признаки из изображений и рассчитан на использование вместе с языковым декодером, например Llama или Qwen; особенно хорошо подходит для OCR и работы с документами. В приведённых авторами оценках использовался замороженный энкодер с декодером Llama 3.1 8B и изображениями размером 448 пикселей без тайлинга. Модель также относится к семейству энкодеров для понимания видео, однако карточка этого чекпойнта не описывает отдельную конфигурацию или загрузочный код для видео. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Это компонент энкодера, а не самостоятельный чат-ассистент: для генерации ответов требуется языковой декодер и соответствующая мультимодальная обвязка. В карточке приведены результаты бенчмарков, но нет загрузочного кода и сведений о размере модели или длине контекста.

plT5 Large — польскоязычная модель семейства T5, разработанная исследовательской командой Machine Learning Research Team компании Allegro совместно с Linguistic Engineering Group Института информатики Польской академии наук. Модель имеет архитектуру T5ForConditionalGeneration и содержит около 403,6 млн параметров. Модель обучена на польских текстовых корпусах, включая CCNet и Национальный корпус польского языка, с исходной для T5 целью денойзинга. Для токенизации используется SentencePiece unigram со словарём на 50 тыс. токенов. Основное назначение в каталоге — перевод; метаданные также относят её к text-to-text генерации и указывают задачи суммаризации и ответов на вопросы. Модель принимает текст и генерирует текст. Репозиторий содержит веса PyTorch, лицензия — CC BY 4.0. README не приводит результатов оценки качества или подробностей ограничений применения.

Экспериментальная чат-модель tavtav на архитектуре Llama, созданная дообучением базовой Llama-3-8B. Модель содержит 7,5 млрд параметров и принимает диалоги в формате ChatML; заявленная длина контекста расширена до 1 048 576 токенов с помощью метода PoSE. Модель предназначена для генерации текста и ведения диалогов с длинным контекстом. Обучение завершено лишь наполовину первого из двух запланированных эпох, поэтому качество и устойчивость ответов могут быть ограничены. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0.

CEIA-POSITIVO/Qwen-1.7B-capado — компактная языковая модель для генерации текста и диалогового взаимодействия, опубликованная в репозитории CEIA-POSITIVO на Hugging Face. По метаданным она относится к семейству Qwen3, использует библиотеку Transformers и содержит около 1,6 млрд параметров. Модель предназначена для продолжения и генерации текста, создания ответов в чатах, прототипирования conversational-приложений и локального запуска задач, не требующих крупной модели. Она поддерживает контекст длиной до 40 960 токенов и распространяется в формате safetensors. README не содержит сведений о разработчике, лицензии, языках обучения, процедуре дообучения, оценивании или специальных предметных областях. Поэтому модель следует рассматривать как универсальную генеративную модель с неполностью документированными характеристиками; перед использованием в продуктивных или чувствительных сценариях необходимы самостоятельные проверки качества, безопасности и соблюдения условий лицензии.