I.14Автоматизация процессов и AI-агенты

INCModel3/GLM-5.1-MXFP4-Mixed-CT-AutoRound — это квантизированная версия GLM-5.1 от zai-org, созданная Intel с помощью AutoRound в режиме RTN. Она предназначена для генерации текста и диалогового общения. В README приведены результаты на GSM8K, MMLU, PIQA и HellaSwag: средний результат MXFP4 составляет 99,39% от указанного результата BF16 на этих тестах. Модель использует формат safetensors и квантизацию MXFP4; метаданные указывают библиотеку Transformers и поддержку английского и китайского языков. README рекомендует соблюдать лицензию исходной модели, а метаданные указывают MIT. Модель может выдавать фактически неверные, предвзятые или оскорбительные ответы; перед внедрением рекомендуется проверить её безопасность.

Goku-8x22B-v0.2 — разговорная языковая модель MaziyarPanahi, дообученная на основе v2ray/Mixtral-8x22B-v0.1 на наборах OpenHermes-2.5, WizardLM Evol Instruct V2 и Orca Math Word Problems. Она использует архитектуру Mixtral с разреженной смесью экспертов (MoE) и предназначена для генерации текста в диалогах, выполнения инструкций и решения математических задач. В README указана общая ёмкость в 141 млрд параметров, из которых активны 35 млрд; метаданные каталога указывают 22 млрд параметров. В README также сообщается об обучении с длиной последовательности 8192 токена, а метаданные приводят длину контекста 65 536 токенов. Модель работает с текстом и поддерживает чат. В карточке отмечены английский, французский, итальянский, немецкий и испанский языки. Лицензия — Apache-2.0. Доступные сведения не содержат результатов сравнительных оценок качества; значения размера и контекста различаются между README и метаданными, поэтому их следует трактовать с осторожностью.

HermesChat-Mistral-7B — объединённая языковая модель на базе Mistral-7B-v0.1, созданная автором репозитория из OpenChat 3.5 и OpenHermes 2.5 с помощью LazyMergekit. Это плотная авторегрессионная модель с 7,1 млрд параметров для генерации текста; заявленный размер контекста составляет 32 768 токенов. Модель предназначена для диалогов и других сценариев, где требуется генерировать текст по текстовому запросу. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Карточка описывает метод слияния SLERP и конфигурацию смешивания слоёв внимания и MLP. В источниках не приведены результаты оценивания качества или отдельные сведения о поддерживаемых языках, поэтому возможности в конкретных языках и преимущество перед исходными моделями по ним установить нельзя.

gaurav-mac опубликовал модель на базе BERT для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и предназначена для поиска семантически близких фрагментов, кластеризации и сравнения предложений. Обучение с Triplet Loss на евклидовом расстоянии помогает располагать похожие тексты ближе в векторном пространстве. Модель содержит 264,8 млн параметров, принимает текст длиной до 512 токенов и распространяется в форматах PyTorch и safetensors. В названии указаны хинди и датасет SUMO, что указывает на целевую языковую специализацию, однако карточка не раскрывает подробностей о данных и качестве на конкретных наборах. Лицензия в доступных сведениях не указана.

Huihui-RadixArk-Qwen3.8-27B-abliterated-NVFP4 — языковая модель на базе Huihui-Qwen3.8-27B-abliterated, опубликованная edp1096 с использованием работ huihui-ai, RadixArk и sakamakismile. Модель относится к семейству Qwen3.8 и содержит около 27 миллиардов параметров. Доступна в формате, совместимом с библиотекой Transformers, и использует квантование NVFP4, ориентированное на снижение требований к памяти и ускорение инференса на совместимом оборудовании. README не содержит сведений о поддерживаемых языках, точном размере контекста и полном описании архитектуры. Модель предназначена для генерации текста и запуска локального инференса через SGLang или vLLM. В README приведены конфигурации со спекулятивным декодированием DSpark, включая использование отдельной draft-модели, а также параметры для работы с FP8, GPTQ Int4, FP8 KV-кэшем и контекстом до 16384 токенов в конфигурации vLLM. Потенциальными сильными сторонами являются крупный размер модели и экономичное NVFP4-представление, однако качество, область специализации, совместимость оборудования и ограничения abliterated-варианта требуют самостоятельной проверки. Лицензия в предоставленных данных не указана.

Hunyuan-7B-Instruct-0124 — диалоговая языковая модель Tencent с плотной авторегрессионной архитектурой Hunyuan v1 и 7,5 млрд параметров. Она предназначена для генерации текста и общения на естественном языке; в карточке приведены результаты тестирования на ряде бенчмарков, включая CEval, ARC-C и BBH. Модель использует Grouped Query Attention и заявленную в README поддержку контекста до 256 тысяч токенов. Метаданные Hugging Face указывают нативный контекст 32 768 токенов; фактический предел зависит от конфигурации и используемого окружения. Доступны веса PyTorch и Safetensors, а для инференса описана поддержка vLLM. Модель совместима с форматом Hugging Face и может дообучаться. Модель ориентирована прежде всего на китайский язык, а метаданные также отмечают английский. Лицензия указана как other, поэтому условия использования следует сверить с файлами лицензии репозитория. Показатели бенчмарков из README относятся к описанным там настройкам оценки и не гарантируют аналогичное качество во всех сценариях.

Locutusque/Hyperion-2.1-Mistral-7B — дообученная версия Locutusque/Hyperion-2.0-Mistral-7B на более высокой скорости обучения. Автор сообщает о небольшом приросте производительности; модель основана на плотной архитектуре MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста. В карточке указано, что она очень охотно выполняет запросы и не отказывает, поэтому перед применением, особенно в корпоративной среде, автор рекомендует дополнительно выровнять её с помощью DPO. Поддержка английского указана в метаданных. Модель опубликована в формате safetensors под лицензией Apache-2.0.

Это дообученная модель Whisper на 455,8 млн параметров, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и транскрибирования аудио; в README приведены результаты оценки: loss 0,6319 и Global WER 14,3953. Базовая модель ориентирована на индийские языки, с подтверждённой поддержкой хинди. Модель принимает аудио и выдаёт текстовую транскрипцию. Она распространяется в формате safetensors и имеет лицензию MIT. Данные обучения в карточке не раскрыты, поэтому результаты и пригодность для конкретных акцентов, условий записи или других языков следует проверять на собственных аудио.

inception42/jais-family-590m — двуязычная языковая модель семейства Jais от Inception Institute of Artificial Intelligence. Это базовая модель с плотной decoder-only архитектурой JAISLMHeadModel и 590 млн параметров; она предобучена с нуля, а не адаптирована из Llama-2. Модель принимает текст и генерирует продолжение, поддерживает арабский и английский языки и имеет контекст длиной до 2048 токенов. Модель подходит для генерации текста, ответов на вопросы и дальнейшей настройки под арабоязычные и двуязычные приложения; семейство также рассчитано на задачи понимания текста и классификации. Карточка описывает всю линейку Jais, поэтому отдельные возможности конкретно версии 590M могут быть скромнее, чем у крупных вариантов. Модель может выдавать неточную, предвзятую или оскорбительную информацию; её не следует использовать для высокорисковых решений без человеческого контроля. Лицензия — Apache 2.0.

Это GGUF-квантизация модели K2-Horizon-MoVA-36B-A4B от IFM, подготовленная VladHong для локального запуска через llama.cpp. Модель использует разреженную архитектуру Mixture-of-Experts с механизмом внимания Mixture-of-Values: всего 36 млрд параметров, из которых на каждый токен активируются примерно 4 млрд. Контекст модели — до 524 288 токенов. Модель предназначена для генерации текста и диалогов, включая ответы на инструкции и фактические вопросы. Профиль APEX Mini сочетает несколько типов точности GGUF-квантования и настроен на сохранение качества обычной генерации и совместимость с CUDA. Для запуска требуется специальная сборка llama.cpp с поддержкой архитектуры и токенизатора K2-Horizon; обычная версия llama.cpp может не распознать файл. Репозиторий распространяется по лицензии Apache-2.0.

MLX-версия модели Kimi-K2.5, разработанной Moonshot AI и опубликованной в исходном виде как moonshotai/Kimi-K2.5. Модель была конвертирована сообществом mlx-community в формат MLX с использованием mlx-lm версии 0.30.5 с небольшими изменениями. Модель предназначена для генерации текста и запуска через библиотеку mlx-lm, в том числе с применением chat template для диалоговых сценариев. README не содержит сведений об архитектуре, количестве параметров, поддерживаемых языках, модальностях или размере контекста, поэтому эти характеристики нельзя достоверно указать. Также не описаны конкретные сильные стороны, ограничения производительности или требования к оборудованию; из данных следует лишь, что модель адаптирована для экосистемы MLX. Указана лицензия modified-MIT, обозначенная как other в метаданных. Условия использования следует уточнять по тексту лицензии исходной модели и конвертированной версии.

KoDiffCSE-RoBERTa — модель BM-K для получения векторных представлений корейских предложений. Она основана на архитектуре RoBERTa и предназначена для извлечения признаков текста и сравнения семантической близости предложений. В README проект описан как реализация Difference-based Contrastive Learning для корейских эмбеддингов; приведены эксперименты на wiki-корпусе и оценка на KorSTS. Модель содержит 137,8 млн параметров и поддерживает контекст до 514 токенов. Её можно применять для поиска семантически похожих предложений, кластеризации и других задач, где нужны эмбеддинги корейского текста. README приводит результаты для семейства KoSRoBERTa, но не позволяет однозначно связать конкретные значения таблицы с этим репозиторием. Лицензия в предоставленных данных не указана.

jhgan/ko-sbert-multitask — модель на базе Sentence-BERT и архитектуры BERT, дообученная для получения векторных представлений корейских предложений и абзацев. Она преобразует текст в плотные эмбеддинги размерности 768 и подходит для семантического поиска, оценки сходства и кластеризации текстов. Модель обучалась на наборах KorSTS и KorNLI в режиме многозадачного обучения. В карточке приведены результаты оценки на KorSTS: корреляция Спирмена для косинусного сходства составляет 84,71. Максимальная длина контекста — 512 токенов; доступны веса PyTorch и TensorFlow. Модель рассчитана прежде всего на корейский язык. Её можно применять для поиска похожих фраз и группировки текстов, но качество за пределами корейских данных не подтверждено. Лицензия в предоставленных данных не указана.

BM-K/KoSimCSE-bert — модель для получения векторных представлений корейских предложений. Репозиторий Korean-Sentence-Embedding предоставляет предварительно обученные модели для немедленного использования и средства для обучения собственных моделей. По метаданным это плотная модель архитектуры BERT с 137,8 млн параметров и контекстом до 512 токенов; доступны веса PyTorch и Safetensors. Модель предназначена для кодирования корейского текста в эмбеддинги, пригодные для сравнения семантической близости предложений и поиска похожих текстов. В README приведены результаты тестирования на задаче семантического сходства текста, однако конкретные показатели этой модели в предоставленном фрагменте не видны. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

daekeun-ml выпустил KoSimCSE-supervised-roberta-base — корейскую модель эмбеддингов предложений на архитектуре RoBERTa-base, обученную методом SimCSE с контрастивным обучением на размеченных данных NLI. Она преобразует корейский текст в векторные представления для поиска семантически близких предложений и сравнения их смыслового сходства. Модель предназначена для семантического поиска, ранжирования похожих текстов и оценки сходства предложений. В README приведены результаты на корейских наборах KLUE-STS и Kor-STS; авторы сообщают, что supervised-версия превосходит unsupervised-вариант base на этих тестах. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Результаты и описание ориентированы на корейский язык. В README отмечено, что качество зависит от обучающих данных NLI и что увеличение максимальной длины последовательности само по себе не гарантирует улучшения; указанная при обучении максимальная длина — 32 токена.

kstc-1-8b — слитая языковая модель, созданная автором jaspionjader с помощью mergekit. В основе архитектура Llama с плотной структурой и классом LlamaForCausalLM; размер модели — 7,5 млрд параметров, формат весов — safetensors, длина контекста — до 131 072 токенов. Модель предназначена для генерации текста и диалогового общения. Её можно использовать для ведения беседы и создания текстовых ответов в задачах с длинным контекстом. В слияние вошли jaspionjader/Kosmos-EVAA-Franken-Immersive-v39-8B, v40-8B и v41-8B; в README указаны метод Model Stock и v41-8B как базовая модель. Лицензия и специальные ограничения применения в предоставленных данных не описаны.

Карточка модели titanbot/LeoLM-hessianai-13b на Hugging Face совпадает с карточкой LeoLM/leo-hessianai-13b, поэтому описание составлено по ней. LeoLM/leo-hessianai-13b — языковая модель с открытыми весами, разработанная Björn Plüster и Christoph Schuhmann совместно с LAION и HessianAI. Это плотный авторегрессионный трансформер-декодер семейства Llama, полученный продолжением предобучения meta-llama/Llama-2-13b-hf на большом корпусе немецкоязычных, преимущественно локальных текстов. Модель содержит 12,9 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста на немецком и английском языках, а также для исследований и прикладных разработок с немецкоязычными LLM. Она доступна для использования через Transformers в формате PyTorch. Лицензия — Llama 2 Community License Agreement; перед использованием следует учитывать её условия, в том числе применимые ограничения на коммерческое использование.

Llama-2-13B-Chat-GGUF — чат-модель семейства Llama 2, разработанная Meta и представленная в формате GGUF компанией Second State Inc. Это квантизированная версия базовой модели meta-llama/Llama-2-13b-chat-hf для генерации текста и диалогового взаимодействия. Модель предназначена для чат-ботов, ответов на вопросы и других сценариев текстовой генерации. В README указаны английский язык, архитектура Llama и размер 13 миллиардов параметров. Для запуска с LlamaEdge используется шаблон llama-2-chat и контекст размером 5120 токенов. Доступны варианты с квантизацией от 2 до 8 бит, а также f16; их размер варьируется примерно от 5,43 до 26 ГБ. Основное преимущество модели — возможность выбрать компромисс между размером файла, требованиями к ресурсам и качеством генерации. Рекомендуемыми названы варианты Q4_K_M и Q5_K_M, тогда как низкобитные версии заметно теряют в качестве. README не содержит сведений о мультимодальности, результатах тестирования или поддержке других языков. Модель распространяется по лицензии llama2.

Trelis опубликовал шардированную версию Meta Llama-2-Chat-7B в формате Hugging Face Transformers. Это плотная авторегрессионная трансформерная языковая модель примерно на 6,6 млрд параметров с контекстом до 4096 токенов; веса разбиты на файлы размером не более 5 ГБ, чтобы упростить загрузку, в том числе в Google Colab. Модель принимает текст и генерирует текст, она настроена для диалогов и сценариев работы ассистента на английском языке. Модель подходит для диалоговых помощников, ответов на вопросы и генерации текста на английском языке. Для ожидаемого поведения чат-версии следует использовать форматирование Llama 2 с маркерами инструкций и токенами BOS/EOS. Модель может выдавать неточную, предвзятую или нежелательную информацию, поэтому перед применением её следует оценить и адаптировать к конкретной задаче. Использование регулируется специальной лицензией Meta для Llama 2; перед получением весов требуется принять её условия.

ehristoforu/llama3-12b-instruct — языковая модель для диалоговой генерации текста, созданная объединением двух моделей на базе Llama 3 с помощью mergekit и метода passthrough. В состав вошли gradientai/Llama-3-8B-Instruct-Gradient-4194k и OpenBuddy/openbuddy-llama3-8b-v21.1-8k; слои взяты из диапазонов [0, 24] и [8, 32] соответственно. Модель имеет плотную архитектуру LlamaForCausalLM, около 11 млрд параметров и опубликована в формате safetensors. Модель предназначена для генерации ответов в чате и других сценариев продолжения текста. Карточка не приводит отдельного перечня языков или специализированных областей применения; одна из базовых моделей OpenBuddy рассчитана преимущественно на английский и китайский языки. Указанная нативная длина контекста — 1234 токена. Лицензия в предоставленных данных не описана.

Orenguteng разработал Lexi Uncensored V2 — диалоговую модель генерации текста на архитектуре Llama 3.1 с 7,5 млрд параметров, основанную на Llama-3.1-8B-Instruct. Модель дообучена для более свободных и послушных ответов на запросы; она поддерживает контекст до 131 072 токенов и использует библиотеку Transformers. Модель предназначена для диалогов и генерации текста по инструкциям, включая сценарии, где требуется меньше отказов, чем у исходной модели. В карточке приведены результаты Open LLM Leaderboard: среднее значение 27,93, IFEval — 77,92 и BBH — 29,69. Для инференса требуется шаблон чата Llama 3.1 с системными токенами. Автор отмечает, что версия Q4 иногда отказывает из-за возможной потери качества при квантизации и рекомендует F16 или Q8. Модель рассчитана на высокую податливость запросам, поэтому автор советует самостоятельно добавить слой выравнивания перед предоставлением её как сервиса. Лицензия — Meta Llama 3.1 Community License.

MaziyarPanahi/Llama-3-8B-Instruct-DPO-v0.3 — диалоговая языковая модель, созданная Maziyar Panahi путём DPO-дообучения Meta-Llama-3-8B-Instruct. Модель содержит 7,5 млрд параметров, построена на архитектуре Llama и предназначена для генерации текста и ответов в формате диалога. Для работы используется шаблон запросов ChatML. Автор сообщает о расширении контекста до 32 000 токенов с помощью настройки rope_theta; в метаданных указано исходное значение 8 192 токена. Модель обучалась на датасете Intel/orca_dpo_pairs. В карточке приведены результаты оценивания на бенчмарках рассуждений и понимания текста. Поддерживаются английский язык и библиотека Transformers. Лицензия — llama3; применяются её условия использования.

Llama-3-Intermix — разговорная модель генерации текста, созданная bunnycore путём слияния моделей семейства Llama 3 с помощью mergekit и метода model_stock. В состав слияния вошли PJMixers/LLaMa-3-CursedStock-v2.0-8B, Nitral-AI/Hathor_Stable-v0.2-L3-8B и WhiteRabbitNeo/Llama-3-WhiteRabbitNeo-8B-v2.0. Модель на архитектуре LlamaForCausalLM содержит 7,5 млрд параметров, принимает текст и генерирует текст; контекст — до 8192 токенов. Карточка указывает формат safetensors и лицензию Apache-2.0. Модель предназначена для диалогов и других задач генерации текста; сведений о специальных доменах или отдельных языках в карточке нет.

Модель tokinasin/llm-jp-4-8b-instruct-uncensored-ara — японско-английская чат-модель, созданная на основе llm-jp/llm-jp-4-8b-instruct с применением метода Arbitrary-Rank Ablation (ARA) для уменьшения числа отказов на запросы. Исходную серию LLM-jp-4 разработал Центр исследований и разработок больших языковых моделей Национального института информатики Японии; эту модификацию опубликовал пользователь tokinasin. Модель предназначена для диалогов и генерации текста по инструкциям на японском и английском языках. Это плотная трансформерная модель семейства Llama примерно на 7,8 млрд параметров с контекстом до 65 536 токенов и форматом safetensors. В README указано, что на тесте из 100 вопросов модифицированная версия отказала в 5 случаях, тогда как исходная — в 99; эти результаты относятся к указанной автором оценке. Снижение числа отказов означает, что модель может отвечать на большее число запросов, но также требует осторожности при использовании и проверки результатов. Лицензия — Apache-2.0.

Farggin/Lobo-Qwen3.8-27B-GSQ-RCO-IQ3_S-MTP-GGUF — это одnofайловая GGUF-сборка модели Qwen3.8-27B, разработанная для проекта Lobo. В основе лежит базовая модель Qwen/Qwen3.8-27B, а сборка оптимизирована как inference appliance для одной видеокарты NVIDIA RTX 5070 Ti с 16 ГБ памяти и архитектурой SM120. Модель предназначена для генерации текста и запуска локальных сценариев инференса через runtime Lobo, включая профили Balanced и headless. Модель содержит 27 миллиардов параметров и использует квантизацию IQ3_S с компонентами IQ4_XS и IQ3_S, тогда как небольшие нормализационные тензоры сохранены в F32. В сборку добавлены тензоры MTP; при этом заявлено сохранение исходных весов без дополнительного обучения или приближения. Формат GGUF и размер файла около 11,98 млрд байт позволяют разместить модель в памяти целевой видеокарты с использованием специализированной конфигурации. Сведения о поддерживаемых языках и размере контекстного окна в README не указаны. Сильной стороной модели является адаптация к ограниченному локальному GPU-ресурсу, а также воспроизводимая сборка с зафиксированными версиями исходных компонентов и контрольной суммой. Ограничение состоит в том, что официально заявленная совместимость относится к Windows 11, CUDA 13.3 и NVIDIA SM120; поддержка других платформ не гарантируется. Исходные веса распространяются по лицензии Apache-2.0 с сохранением атрибуции, а runtime Lobo распространяется отдельно на условиях, совместимых с MIT.

Louis_GRC-7B-slerp-M1 — объединённая автором LouisGRC текстовая модель на архитектуре Mistral, созданная методом slerp с помощью LazyMergekit из liminerity/M7-7b и yam-peleg/Experiment20-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Веса опубликованы в формате safetensors. Карточка не описывает специализированные области применения или результаты оценки качества; лицензия в предоставленных данных не указана.

LuminRP-7B-128k-v0.3 — слитая языковая модель, разработанная Ppoyaa на архитектуре Mistral с 7,1 млрд параметров. Она объединяет LuminRP-7B-128k-v0.2, instruct-модель и ещё одну модель для ролевых диалогов; в репозитории доступны веса Safetensors. Заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста, следования инструкциям и ролевых диалогов. Автор сообщает, что она в целом показывает лучшие результаты в общих задачах, чем версия v0.2, но ролевые сценарии ещё не проверялись. Лицензия — Apache-2.0. Также упомянута отдельная GGUF-версия.

M7Yamshadowexperiment28_Experiment26Experiment26 — слитая модель семейства Mistral, созданная объединением automerger/M7Yamshadowexperiment28-7B и automerger/Experiment26Experiment26-7B. Она предназначена для генерации текста и имеет 7,1 млрд параметров; модель использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель может применяться для генерации продолжений, ответов и других текстов по запросу. Карточка не описывает специализацию по языкам или прикладным областям. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

M7Yamshadowexperiment28_Experiment26T3qm7xp — объединённая модель MaziyarPanahi на архитектуре Mistral для генерации текста и диалогов. Она содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате Safetensors. Модель объединяет automerger/M7Yamshadowexperiment28-7B и automerger/Experiment26T3qm7xp-7B. Она подходит для генерации ответов и продолжения текста; сведения о специализации по языкам и предметным областям в карточке отсутствуют. Модель распространяется по лицензии Apache-2.0.

mesolitica/malaysian-whisper-tiny — дообученная компанией Mesolitica модель Whisper Tiny для распознавания малайской и английской речи. Она предназначена для транскрибирования стандартного и местного вариантов малайского языка, а также стандартного английского и Manglish — разговорной смеси малайского и английского. В карточке перечислены обучающие данные IMDA STT, корпуса малайской разговорной речи, псевдоразметка видео и аудиокниг, а также частный набор Haqkiem TTS Dataset. Модель построена на архитектуре WhisperForConditionalGeneration, содержит 29,4 млн параметров и принимает аудио, выдавая распознанный текст. Для аудио длиннее 30 секунд README рекомендует разбивать запись на фрагменты и распознавать их отдельно. Модель опубликована в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.