I.14Автоматизация процессов и AI-агенты

NorBERTo-large — предобученный текстовый encoder ModernBERT для бразильского португальского языка, разработанный Itaú Unibanco и ICTi. Модель содержит около 394,7 млн параметров, использует 28 слоёв и поддерживает контекст до 8 192 токенов. Веса доступны в форматах PyTorch и Safetensors; модель запускается через Transformers. Модель предназначена для заполнения пропусков в тексте и может служить основой для получения текстовых эмбеддингов и последующей настройки задач понимания языка. В карточке приведены результаты на португалоязычных бенчмарках PLUE и ASSIN 2, включая классификацию и текстовое следование. Для некоторых прикладных задач, таких как классификация последовательностей и ранжирование пар текстов, могут потребоваться соответствующая настройка или отдельная голова модели. Модель рассчитана прежде всего на бразильский португальский и обучена на корпусе Aurora-PT объёмом 331 млрд токенов. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространяет производные материалы на тех же условиях и запрещает коммерческое использование.

Norobara-ZLoss-8x7B-GGUF — квантизированная версия языковой модели Norobara ZLoss 8X7B, разработанной Doctor Shotgun и подготовленной в формате GGUF пользователем TheBloke. Модель основана на архитектуре Mixtral и предназначена для генерации текста по инструкциям, диалоговых сценариев и локального запуска через совместимые приложения и библиотеки. Модель обучалась на наборах данных LDJnr/Capybara, unalignment/toxic-dpo-v0.1, LDJnr/Verified-Camel, HuggingFaceH4/no_robots и связанных наборах Doctor Shotgun. В метаданных указан английский язык. Доступны варианты квантования от 2 до 8 бит, что позволяет выбирать компромисс между потреблением памяти, скоростью и качеством. Исходное обозначение 8x7B указывает на конфигурацию модели, однако точное число активных параметров и размер контекстного окна в README не указаны. GGUF-версии совместимы с llama.cpp и рядом локальных интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Сильной стороной является возможность запуска на CPU и GPU с разными уровнями квантования; ограничениями могут быть потери качества при использовании наиболее агрессивных вариантов квантования, а также отсутствие заявленной поддержки мультимодальных входов. Лицензия в README не указана, поэтому условия использования следует уточнять в репозитории исходной модели и у автора.

bartowski/NuExtract-v1.5-GGUF — это набор GGUF-квантизаций модели NuExtract-v1.5, разработанной numind и подготовленной для запуска через llama.cpp. Модель относится к классу text-generation, поддерживает мультиязычные сценарии и распространяется под лицензией MIT. Модель предназначена для задач обработки и генерации текста, включая использование в локальных приложениях и средах, совместимых с GGUF, например LM Studio. Доступны варианты от F16 размером 7,64 ГБ до компактных Q2-квантизаций размером около 1,3–1,5 ГБ, а также многочисленные промежуточные форматы. В README указан специальный формат промпта с ролями system, user и assistant. Основное преимущество набора — широкий выбор уровней квантования, позволяющий выбирать баланс между качеством, размером файла и требованиями к памяти; для ARM-процессоров предусмотрены отдельные варианты с требованиями к поддержке SVE или i8mm. Ограничения связаны с тем, что более сильное квантование снижает качество, а некоторые ARM-варианты не рекомендуются для Mac и Windows. Архитектура, число параметров, максимальный контекст и точный перечень поддерживаемых языков в README не указаны.

OpenBuddy-R1-0528-Distill-Qwen3-32B-Preview0-QAT — диалоговая языковая модель OpenBuddy на архитектуре Qwen3, дообученная на Qwen/Qwen3-32B с использованием дистилляции DeepSeek-R1-0528. Модель содержит 29,7 млрд параметров, принимает текстовые запросы и генерирует текстовые ответы; длина контекста — до 40 960 токенов. Модель предназначена для многоязычного диалога и генерации ответов в чат-приложениях. В карточке заявлены китайский, английский, французский, немецкий, японский, корейский, итальянский и финский языки. Для развертывания рекомендуется использовать быстрый токенизатор Transformers; шаблон чата задан в tokenizer_config.json, также упоминается совместимость с vLLM. Модель распространяется по лицензии Apache 2.0. Она может выдавать ошибочные, вредные или оскорбительные ответы; разработчики предостерегают от использования в критических ситуациях, включая медицинские, юридические и финансовые решения, а также управление системами, где ошибка может причинить вред.

vmajor/Orca2-13B-selfmerge-26B — языковая модель для генерации текста, созданная слиянием microsoft/Orca-2-13b с самой собой с помощью mergekit-legacy. В репозитории указаны параметры слияния weight 0.5 и density 0.5; метаданные описывают модель как плотную LlamaForCausalLM с 12,9 млрд параметров и контекстом 4096 токенов. Файлы опубликованы в формате safetensors. Модель предназначена для генерации текста и решения задач общего назначения, включая ответы на вопросы и математические задачи. В README сообщается о небольшом улучшении perplexity и росте результата GSM8K относительно исходной Orca-2-13b; остальные приведённые бенчмарки показывают близкие результаты. Лицензия — Microsoft Public License (MS-PL).

Orion-MoE8x7B — базовая предварительно обученная языковая модель компании OrionStar со sparse Mixture of Experts (MoE). Она обучена с нуля на корпусе примерно из 5 трлн токенов; в конфигурации указаны 32 слоя и скрытый размер 4096, а метаданные сообщают 7,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для генерации текста, включая продолжение запросов и генерацию кода. Обучающий корпус включает английский, китайский, японский, корейский и другие языки. В README заявлены сильные результаты в многоязычных оценках, особенно для японского и корейского, а разреженная архитектура, по словам разработчика, ускоряет вывод относительно плотных моделей сопоставимого масштаба. Это базовая модель: карточка сообщает, что отдельная instruction-модель планируется к выпуску, поэтому из неё не следует ожидать специализированного поведения чат-ассистента без дополнительной настройки. В README приведены инструкции по инференсу через PyTorch и vLLM. Лицензия в предоставленных материалах не указана.

Ornith-1.5-35B-A3B-GGUF — это квантизированная версия модели Ornith-1.5-35B-A3B от ornith-ai, преобразованная и измеренная командой AtomicChat. Модель распространяется в формате GGUF для запуска с llama.cpp и предназначена для локального использования в диалоговых и мультимодальных сценариях; в метаданных указана задача image-text-to-text. Языки и максимальная длина контекста в карточке не указаны, однако оценки квантования проводились при контексте 4096 токенов. Модель использует разреженную MoE-архитектуру: всего 35 млрд параметров, из которых около 3 млрд активируются для каждого токена. Маршрутизатор выбирает восемь экспертов из 256, что снижает вычислительную нагрузку, но требует размещения всех экспертов в памяти. Доступны варианты квантования от Q8_0 до низкобитных IQ-сборок объёмом примерно от 36,9 до 13,7 ГБ; для видеокарт с небольшим объёмом памяти эксперты можно размещать в системной RAM через параметры llama.cpp. Сильная сторона сборки — использование собственной importance matrix и специально подобранных раскладок квантования AtomicChat. Например, AD-Q6_K занимает 29,1 ГБ и сохраняет близкие к Q8_0 показатели: средняя KL-дивергенция 0,012961 и совпадение следующего токена 95,31% с полноточной моделью. Более компактные варианты требуют компромисса между размером и точностью, а запуск на системной RAM может снизить скорость из-за пропускной способности памяти. Лицензия модели — MIT.

Это версия модели распознавания речи NVIDIA Parakeet TDT 0.6B V2, преобразованная автором репозитория в формат safetensors с небольшими настройками для инференса через MLX. Репозиторий сохранён для обратной совместимости; в README рекомендована более новая копия в mlx-community. Модель предназначена для автоматической транскрибации аудио в текст и запускается, в частности, через библиотеку parakeet-mlx. Базовая модель NVIDIA ориентирована на английскую речь и формирует транскрипцию с пунктуацией, заглавными буквами и временными метками слов. Данных о размере контекста и результатах оценки этой версии в README нет. Модель основана на nvidia/parakeet-tdt-0.6b-v2 и распространяется по лицензии CC BY 4.0. Это конверсия с настройками для MLX, а не заявленная новая архитектура или самостоятельное дообучение; качество распознавания зависит от аудио и условий записи.

Phi-3-mini-4k-instruct — разговорная языковая модель семейства Phi-3, опубликованная Unsloth. Репозиторий содержит 4-битную версию с квантованием bitsandbytes; модель адаптирована для совместимости с разными платформами. Метаданные указывают архитектуру MistralForCausalLM, 3,7 млрд параметров и контекст до 4096 токенов. Модель предназначена для генерации текста в диалогах и инструктивных сценариях. Её можно использовать для ответов на вопросы, ведения беседы и текстового дополнения; README также описывает сценарии дообучения на собственных данных и экспорта дообученных моделей. Указанный язык — английский. Лицензия — MIT. Карточка не приводит результатов оценки качества или подробных ограничений; короткое контекстное окно в 4096 токенов ограничивает работу с длинными документами.

PhoneLM-1.5B — авторегрессионная языковая модель с 1,5 млрд параметров, разработанная командой mllmTeam и предварительно обученная на 1,1 трлн токенов. Она предназначена для генерации текста и диалоговых сценариев на английском языке. Модель построена на архитектуре Transformer decoder-only: 19 слоёв, скрытый размер 2560, 16 голов внимания и контекст длиной 2048 токенов. В ней используются Rotary Position Embeddings, LayerNorm, активация ReLU и токенизатор SmolLM с размером словаря 49 152. Репозиторий содержит веса в формате safetensors. В карточке приведены результаты оценок на наборах HellaSwag, WinoGrande, PIQA, SciQ, BoolQ и ARC. Модель выпущена для использования по лицензии Apache-2.0. Контекст ограничен 2048 токенами; подтверждена поддержка английского языка.

Pleias-1.2b-Preview — базовая языковая модель Pleias, обученная с нуля совместно с Tracto AI на корпусе Common Corpus. Это плотный трансформер с архитектурой, близкой к Llama/GPT-NeoX; в метаданных указаны класс LlamaForCausalLM, 1,2 млрд параметров и контекст 2048 токенов. Модель предназначена для продолжения текста, в том числе творческой генерации на нескольких европейских языках, и может служить основой для дообучения на задачах работы с документами. По заявлению разработчиков, обучение проводилось только на открытых данных из общественного достояния или под разрешительными лицензиями; для обработки документов создан новый токенизатор. Модель компактна и может запускаться на CPU. Она выпущена как ранняя предварительная версия: это базовая модель без дополнительного выравнивания безопасности, поэтому возможны предвзятые, ошибочные или проблемные ответы. Лицензия — Apache-2.0.

0xnu/pmmlv2-fine-tuned-igbo — модель векторных представлений предложений, дообученная для языка игбо на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она использует архитектуру BERT и библиотеку Sentence-Transformers; в репозитории указано 124,3 млн параметров и контекст до 512 токенов. Модель предназначена для получения эмбеддингов и сравнения сходства предложений, в том числе на игбо. Модель принимает текст и выдаёт векторные представления, применимые для семантического поиска, сопоставления предложений и группировки похожих текстов. Метаданные указывают поддержку множества языков, включая игбо, русский и английский. Лицензия — MIT. README не приводит результатов оценки качества, поэтому надёжность на разных вариантах орфографии и диакритики игбо по предоставленным данным определить нельзя.

PolyLM-Multialpaca — диалоговая модель DAMO-NLP-MT, дообученная на PolyLM-13b на наборах данных PolyLM и Multialpaca. Она предназначена для генерации ответов в многоязычном диалоге и выполнения пользовательских инструкций. Модель использует архитектуру GPT-2 и формат PyTorch; размер контекста — 2048 токенов. Модель унаследовала типичные ограничения языковых моделей: может выдавать галлюцинации и токсичный текст. Перед применением в конкретной системе следует оценить риски безопасности и справедливости. Лицензия — Apache-2.0.

Poseidon-Reasoning-1.7B — компактная языковая модель для генерации текста, дообученная prithivMLmods на Qwen/Qwen3-1.7B. Для обучения использована выборка из первых 70 тысяч записей датасета Poseidon-Reasoning-5M. Модель предназначена для математических, научных и связанных с программированием рассуждений, решения задач и выполнения инструкций. Модель имеет плотную архитектуру Qwen3ForCausalLM, 1,7 млрд параметров и контекст до 40 960 токенов. Она принимает текст и может выдавать объяснения и структурированные ответы, включая Markdown, Python, LaTeX и таблицы. Карточка заявляет многоязычные возможности базовой Qwen3; метаданные карточки указывают английский язык. Лицензия — Apache-2.0. Модель рассчитана на задачи с чёткой постановкой и умеренной сложностью: помощь в математике и естественных науках, пошаговое решение задач и написание кода с ограничениями. Она не предназначена для широкой непринуждённой беседы и может уступать в творческом письме, эмоциональных ответах и неструктурированных спекулятивных рассуждениях.

PunjabiSBERT-STS — модель эмбеддингов предложений, разработанная L3Cube-Pune в рамках проекта MahaNLP. Это дообученная на наборе STS модель PunjabiSBERT, основанная на l3cube-pune/punjabi-sentence-bert-nli. Она предназначена для оценки семантического сходства между предложениями на панджаби и получения векторных представлений предложений для поиска и сравнения текстов. Модель использует архитектуру BERT и содержит 264,8 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch, а для получения эмбеддингов README описывает использование Sentence-Transformers либо трансформера Hugging Face с подходящей операцией pooling. Лицензия — CC BY 4.0.

Qunie-6.2 — разговорная текстовая модель, опубликованная LiskCell для экосистемы xLYR. Карточка описывает её как быструю флагманскую модель с настроенной личностью ассистента Deta, встроенным chat template и поддержкой многошаговых рассуждений. В метаданных указаны архитектура Kimi K2.5, класс KimiK25ForConditionalGeneration и формат safetensors; для запуска карточка рекомендует Transformers. Модель предназначена для диалогов, творческих задач и технических вопросов. Заявлена поддержка английского и иврита, включая разговорный иврит. Размер модели и длина контекста не подтверждены метаданными, поэтому эти характеристики не приводятся. Лицензия обозначена как other; дополнительных условий использования в карточке нет.

Модель benchang1110/Qwen2.5-Taiwan-7B-Instruct разработана benchang1110 на основе Qwen/Qwen2.5-7B-Instruct. Это плотная авторегрессионная модель Qwen2ForCausalLM на 7,1 млрд параметров, дообученная с помощью LoRA на наборах инструкций на традиционном китайском языке, а затем выровненная методом DPO. В карточке описаны диалоги, написание текстов, суммаризация, перевод с английского на китайский и ролевые сценарии; модель также поддерживает многоходовое общение и интерфейс вызова инструментов. Модель рассчитана прежде всего на традиционный китайский Тайваня, также поддерживает английский. Контекстное окно составляет 32 768 токенов. В README приведены результаты оценивания на TMLU и TMMLU+ и примеры ответов, однако они не гарантируют качество для каждого запроса. Модель доступна под лицензией Apache 2.0. Автор отмечает, что системный промпт может менять предвзятость и позицию ответов. Как и другие языковые модели, она может выдавать ошибки; заявленные сценарии не подтверждают точность фактических ответов.

Dohyeon1/Qwen3-30B-A3B-M-SMoE-ngroups96 — языковая модель семейства Qwen3 с архитектурой Qwen3 MoE, опубликованная пользователем Dohyeon1 на Hugging Face. Она предназначена для генерации текста и диалоговых сценариев, включая ответы на запросы, написание и продолжение текстов, а также интеграцию в приложения на базе Transformers. Модель доступна в формате Safetensors и имеет тег conversational. По метаданным модель содержит 2,6 млрд параметров и поддерживает контекст длиной до 40 960 токенов. Основной стек запуска — библиотека Transformers. README не содержит сведений о разработчике, языках, лицензии, обучающих данных, результатах оценки или специальных ограничениях использования, поэтому эти характеристики нельзя достоверно определить по предоставленным данным.

Qwen3.5-REAP-212B-A17B-W4A16 — квантизированная версия модели OpenMOSE/Qwen3.5-REAP-212B-A17B, подготовленная с помощью Intel AutoRound. Это MoE-модель с 212 млрд параметров; веса квантованы до 4 бит с группой 128, а маршрутизатор экспертов оставлен без квантизации. По метаданным модель предназначена для генерации текста и диалогового использования. В README описана процедура квантования, но не приведены сведения о контекстном окне и поддерживаемых языках. Для квантования использованы 64 калибровочных примера из NeelNanda/pile-10k с длиной последовательности 512. Модель требует поддержки архитектуры qwen3_5_moe в Transformers; в README отмечены проблемы совместимости AutoRound с Transformers 5.x, для которых нужны исправления импорта и определения мультимодальности. Лицензия — Apache-2.0.

Qwen3.8-4B-Empero-AI-FullStack-GGUF — это набор GGUF-квантизаций языковой модели Qwen3.8-4B-Empero-AI-FullStack, разработанной iBotIA и опубликованной в формате GGUF пользователем tinyopsec. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio, Ollama или llama-cpp-python. Доступны варианты с точностью от 2 до 16 бит и размером примерно от 1,3 до 8,7 ГБ. Рекомендуемым вариантом по умолчанию указан Q4_K_M, обеспечивающий баланс между качеством и требованиями к памяти; варианты с более высокой точностью требуют больше VRAM, а варианты с сильнее сжатой квантизацией подходят для устройств с ограниченными ресурсами. В README указана поддержка английского языка и текстовая модальность. Архитектура исходной модели, размер контекста и дополнительные модальности не описаны. Основные преимущества набора — широкий выбор уровней квантизации, возможность локального запуска и совместимость с популярными инструментами для GGUF. Ограничения связаны с неизбежной потерей качества при использовании низкобитных вариантов, а также с отсутствием подробных сведений о качестве, обучении и возможностях исходной модели. В метаданных репозитория указана лицензия Apache 2.0; README также отсылает к лицензии оригинальной модели, которую следует проверить отдельно.

Gearnode/Qwen3-ASR Uzbek (v2) — дообученная Gearnode версия Qwen/Qwen3-ASR-1.7B для распознавания узбекской речи и преобразования аудио в текст. Модель построена на плотной архитектуре Qwen3ASRForConditionalGeneration и распространяется в формате Safetensors; она принимает аудио и выдаёт текстовую транскрипцию. Модель обучали пять эпох на примерно 160 тысячах примеров из Google FLEURS, Uzbek Speech Corpus и узбекских видео с YouTube по темам IT, новости и подкасты. В README модель названа лучшей среди сравниваемых вариантов для узбекской речи; для уменьшения повторов применяется постобработка. Модель предназначена прежде всего для транскрибации узбекской речи, в том числе записей новостей, подкастов и материалов по IT. Лицензия — Apache-2.0.

Карточка модели Jinstudio/Qwen3-ForcedAligner-0.6B-hf на Hugging Face совпадает с карточкой Qwen/Qwen3-ForcedAligner-0.6B-hf, поэтому описание составлено по ней. Qwen3-ForcedAligner-0.6B-hf — модель принудительного выравнивания речи от команды Qwen. Она принимает аудио и готовую расшифровку, а затем предсказывает временные метки для её единиц; распознавать речь для получения текста может отдельная ASR-модель. Модель поддерживает китайский, английский, кантонский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский языки и выравнивает аудио длительностью до пяти минут. Модель относится к семейству Qwen3-ASR и использует архитектуру Qwen3ASRForTokenClassification. Нерегрессионный режим выполнения делает её подходящей для пакетной обработки аудио; в README также описано ускорение с помощью torch.compile. Метаданные указывают библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0. Для работы требуется аудио и текстовая транскрипция, полученная заранее, например, с помощью Qwen3-ASR или другой системы распознавания речи. Модель предназначена для разметки времени произнесённых слов или других единиц, а не для самостоятельного распознавания речи; в README также не заявлена поддержка иных типов аудио, кроме речи.

Это GGUF-версия Qwen3Guard-Gen-8B, подготовленная Geoff Munn на основе модели команды Qwen от Alibaba. Модель построена на архитектуре Qwen3 с 8 млрд параметров и дообучена для безопасной генерации текста: она отвечает на обычные запросы и должна отказывать на вредоносные, избегая токсичного, жестокого и вводящего в заблуждение содержания. Модель предназначена для диалоговых помощников, которым нужны ответы на сложные вопросы, помощь с кодом и математикой при ограничении небезопасных ответов. Её можно использовать как самостоятельного помощника или вместе с отдельным фильтром входящих запросов. Репозиторий содержит квантизованные веса в формате GGUF для локального запуска, в том числе через llama.cpp; README приводит варианты от Q2_K до Q8_0 с разным балансом качества, скорости и размера. Лицензия — Apache-2.0. Это генеративная модель с защитными настройками, а не классификатор модерации: отказы и осторожное поведение не гарантируют обнаружение или блокирование всех небезопасных запросов, поэтому для модерации входов может потребоваться отдельный фильтр.

Qwen3-VL-8B-NSFW-Caption-V4.5 — мультимодальная модель для подробного описания изображений, созданная на базе Qwen/Qwen3-VL-8B-Instruct с помощью дообучения LoRA. Разработчик в README называет модель thesby, тогда как идентификатор репозитория указывает monkeyslikebananas. Модель генерирует развернутые описания сцен, отмечая объекты, обстановку, эмоции, материалы и освещение. Она рассчитана на автоматическую разметку и каталогизацию изображений, помощь в доступности и анализ SFW- и NSFW-контента; также заявлена поддержка описания коротких видео. В основе — плотная архитектура Qwen3-VL с 8 млрд параметров; модель принимает визуальный ввод и формирует текст. Карточка указывает поддержку китайского и английского языков. README заявляет высокое качество и длинные описания, однако эти оценки не сопровождаются независимыми результатами тестирования. Возможны галлюцинации, предвзятость и ошибки при классификации пограничного SFW/NSFW-контента; для важных решений требуется проверка человеком. Лицензия — Apache-2.0.

shigureui/Qwen3-VL-Embedding-2B-FP8 — мультимодальная embedding-модель на базе Qwen/Qwen3-VL-Embedding-2B, сжатая в формат FP8 с помощью llmcompressor. Модель предназначена для преобразования текстов, изображений и их сочетаний в векторные представления, которые можно использовать для оценки семантического сходства, поиска и сопоставления мультимодального контента. Для запуска поддерживается vLLM в режиме pooling. Известно, что модель имеет размер 2B параметров в базовой версии и поддерживает контекст до 20 480 токенов в приведённой конфигурации vLLM. В примерах показано сравнение текстовых описаний с изображением, а также совместная обработка изображения и текста. Сжатие в FP8 заявлено как способ ускорения работы как минимум на 50%, однако подробные результаты бенчмарков и условия измерений не приведены. Поддерживаемые языки, точная архитектура и дополнительные ограничения по модальностям в README не указаны. Модель распространяется по лицензии MIT. README не содержит сведений о качестве на конкретных наборах данных, устойчивости результатов, требованиях к аппаратному обеспечению или ограничениях применения, поэтому эти характеристики требуют отдельной проверки.

IAMJB/RadEvalModernBERT — дообученная модель семейства ModernBERT, разработанная на основе answerdotai/ModernBERT-base. Она предназначена для извлечения признаковых представлений текста, которые можно использовать в задачах сравнения текстов и поиска. В репозитории указаны архитектура ModernBERT, 149 млн параметров и контекст до 8192 токенов. Карточка содержит пример визуализации сходства текстов; модель распространяется в формате safetensors через Transformers. Лицензия — MIT. README не раскрывает детали обучения и не подтверждает дополнительные возможности за пределами извлечения признаков.

Refact-1.6B — компактная модель генерации исходного кода, представленная в формате GGUF под идентификатором Mungert/Refact-1_6B-fim-GGUF. Разработчик в предоставленном README явно не указан. Модель предназначена для автодополнения и генерации кода, включая сценарии fill-in-the-middle, а также для исправления, документирования и объяснения программного кода. Размер модели составляет 1,6 млрд параметров. В README не указаны точная архитектура, размер контекста, поддерживаемые языки в полном объёме и модальности; приведены результаты для Python, JavaScript, Java, C++, Go и Rust. Для обучения использовались, среди прочего, The Stack, GitHub-код с разрешительной лицензией, книги, arXiv, C4, Wikipedia и наборы commitpackft. В HumanEval заявлены pass@1 32,0 при температуре 0,01 и pass@100 76,9 при температуре 0,8, однако все приведённые метрики помечены как непроверенные. Сильная сторона модели — специализация на задачах программирования при относительно небольшом размере, что может упростить локальное развертывание. Ограничения включают отсутствие подробных сведений об архитектуре, контекстном окне и языковом покрытии, а также непроверенный статус опубликованных оценок; качество генерации следует дополнительно проверять тестами. Лицензия — BigScience OpenRAIL-M.

RoBERTa Amharic Text Embedding Medium — модель Sentence Transformers от rasyosef, дообученная на наборе amharic-passage-retrieval-dataset на базе rasyosef/roberta-medium-amharic. Она преобразует предложения и абзацы на амхарском языке в плотные векторы размерностью 512 для поиска по смыслу и сравнения текстов. Архитектура включает XLM-RoBERTa, усредняющий пулинг токенов и нормализацию; базовая модель содержит 49,9 млн параметров, максимальная длина последовательности — 512 токенов. Сходство векторов оценивается косинусной мерой. Модель подходит для семантического поиска и извлечения релевантных пассажей, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов на амхарском языке. В README приведены результаты оценки поиска на обучающем корпусе, но они не гарантируют качество на других данных. Модель распространяется по лицензии Apache-2.0.

uproai/ros-7b-v1 — объединённая языковая модель на архитектуре Mistral, опубликованная uproai. Согласно карточке, она собрана с помощью Mergekit из OpenPipe/mistral-ft-optimized-1227, cgato/Thespis-Mistral-7b-v0.6, saishf/West-Hermes-7B и NeverSleep/Noromaid-7b-v0.2; конфигурация описывает слияние методом SLERP. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст, а её контекст составляет до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев на базе Mistral. Карточка не уточняет целевые языки или специализированные области применения, поэтому их нельзя надёжно определить по доступным сведениям. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0.

Ruri-Small — модель эмбеддингов японского текста, разработанная cl-nagoya для представления предложений и текстовых фрагментов в виде векторов. Это Sentence Transformer на базе cl-nagoya/ruri-pt-small; модель дообучена для задач сходства предложений. Она выдаёт векторы размерности 768, а сходство между ними можно оценивать косинусной близостью. Модель предназначена для поиска и сопоставления японских текстов, оценки семантического сходства, ранжирования результатов, классификации и кластеризации. Максимальная длина входной последовательности — 512 токенов. В оценке JMTEB Ruri-Small показала средний результат 71,53. Модель работает с японским языком и распространяется по лицензии Apache 2.0. README рекомендует для новых проектов более поздние модели семейства Ruri v3.