I.14Автоматизация процессов и AI-агенты

Apertus v1.5 Swiss multilingual retrieval embeddings — текстовая двунаправленная модель эмбеддингов для семантического поиска и межъязыкового извлечения информации. Её разработал автор andreasmartin на базе andreasmartin/apertus-v1.5-8b-text; модель распространяется как самостоятельный Sentence Transformers чекпойнт. Веса обучались с LoRA, затем адаптер был объединён с моделью. Размер по README — 4,904 млрд параметров; метаданные указывают 6,7 млрд. Поддерживаются немецкий, английский, французский, итальянский, романшский и алеманнский (швейцарский немецкий). Модель предназначена для поиска совпадающих по смыслу текстов на одном или разных языках, в том числе для швейцарских материалов. Обучение включало Wikipedia и наборы VotingBooklets-v1 и SwissGov-RSD, с использованием MultipleNegativesRankingLoss и MatryoshkaLoss. Внутренняя оценка на отложенных данных показывает сильные результаты для моноязычного поиска; для кросс-языкового поиска Recall@10 высок, но Accuracy@1 заметно ниже. Эти диагностические результаты не являются внешними бенчмарками, а разметка из Wikipedia использует пары «заголовок—абзац» как приближение поисковых примеров. Для уверенных сравнений качества нужны внешние оценки на целевых данных. Модель принимает текст и выдаёт векторные представления для поиска и сравнения сходства. Лицензия — Apache-2.0.

Jebadiah/Aria-diamond-ruby-v2 — объединённая авторегрессионная языковая модель, созданная с помощью mergekit из Jebadiah/Aria-diamond-ruby-v1 и Jebadiah/Aria-diamond-v1. В карточке указаны метод DARE TIES и архитектура LlamaForCausalLM с плотной структурой; размер модели — 7,5 млрд параметров, веса представлены в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. Заявленная длина контекста — до 1 048 576 токенов. Карточка не сообщает поддерживаемые естественные языки и специализированные области применения. Лицензия в предоставленных данных не указана.

Sunbird/asr-whisper-51-african-languages — модель распознавания речи Sunbird, созданная на основе Whisper large-v3 и объединённая с другими вариантами Whisper, включая huwenjie333/whisper-v3-ft-af51. Она предназначена для транскрибации речи на 51 африканском языке, включая суахили, хауса, йоруба, зулу, амхарский, а также английский и французский с африканскими акцентами. Модель дообучена на многоязычном корпусе из открытых и собранных сообществом наборов речевых данных. Карточка сообщает о сравнении с несколькими другими системами распознавания и о более низких WER и CER на большинстве проверенных языков, особенно на некоторых низкоресурсных языках; эти результаты относятся к описанным в README тестовым выборкам. Это предварительная версия: веса, поведение и качество могут измениться, поэтому авторы не рекомендуют закреплять этот чекпойнт в производственных системах. Для Whisper указано ограничение входного аудио до 30 секунд в описанном протоколе оценки. Лицензия — Apache-2.0.

Ąžuolas Whisper LT CT2 — литовская модель распознавания речи, созданная akisviete на основе Ąžuolas Whisper LT и преобразованная в формат CTranslate2 для работы с faster-whisper. В репозитории доступны варианты float16 и int8_float16; второй занимает около 1,5 ГБ вместо 2,9 ГБ, при этом в приведённых тестах качество почти не меняется. Исходная модель основана на Whisper large-v3 и обучена на литовской речи из корпуса LIEPA-3. Модель предназначена для транскрибации литовской речи с временными метками сегментов. В тестах указаны WER 9,05% на FLEURS LT и 4,60% на Common Voice 26.0 LT. Для практического использования автор рекомендует включать фильтр тишины VAD и делить длинные записи на фрагменты до 22 секунд. Модель выдаёт текст строчными буквами без пунктуации и может генерировать текст на участках тишины без VAD. Лицензия — CC BY 4.0.

SayedShaun/bangla-wav2vec2 — модель автоматического распознавания речи на основе Wav2Vec2 с CTC-головой. По карточке, веса и конфигурацию загрузил пользователь SayedShaun, но они были обучены не им: чекпойнт зеркалирует модель из датасета wv-shru-v3-s6, опубликованного пользователем Kaggle qdv206. Модель предназначена для преобразования речи на бенгальском языке в текст на письме бенгали. Она ожидает монофоническое аудио с частотой дискретизации 16 кГц и использует посимвольный CTC-словарь из 90 токенов, включающий символы бенгальского письма, цифры и базовую пунктуацию. Размер модели — около 402,7 млн параметров. Карточка описывает совместимость с Transformers через стандартные классы Wav2Vec2ForCTC и AutoModelForCTC. Лицензия в метаданных обозначена как unknown; при использовании автор просит указывать первоначального создателя и ссылаться на исходный датасет.

jaspionjader/bbb-2 — слитая языковая модель, созданная разработчиком с помощью mergekit методом Model Stock. В объединении использованы jaspionjader/bbb-1 и jaspionjader/kstc-4-8b на основе jaspionjader/kstc-5-8b. Модель построена на архитектуре Llama и содержит 7,5 млрд параметров. Она предназначена для генерации текста и диалогов; принимает текст и выдаёт текст. Максимальная длина контекста — 131 072 токена. Модель доступна в формате safetensors для библиотеки Transformers. Карточка не приводит сведения о лицензии, языковой специализации или оценках качества. Условия использования следует сверить с лицензиями базовых моделей и репозитория перед применением.

Модель gchhablani/bert-base-cased-finetuned-mrpc — англоязычная модель классификации пар предложений на базе BERT-base-cased, дообученная на наборе GLUE MRPC. Она предназначена для определения того, выражают ли два предложения одно и то же значение. В карточке указано, что модель обучалась для сравнения google/fnet-base с bert-base-cased. Модель использует архитектуру BertForSequenceClassification, содержит 135,5 млн параметров и принимает текстовые входы с контекстом до 512 токенов. На оценочной выборке MRPC указаны accuracy 0,8603 и F1 0,9026. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не описывает дополнительные сценарии применения или ограничения за пределами задачи MRPC.

hon9kon9ize/bert-large-cantonese-sts — модель Sentence Transformers на основе BERT, разработанная hon9kon9ize и дообученная на наборах yue-stsb, STS-B и C-MTEB/STSB. Она преобразует предложения и абзацы в плотные векторы размерности 1024; косинусное сходство между ними служит оценкой семантической близости. Модель подходит для поиска похожих текстов, сравнения предложений, поиска перефразировок, кластеризации и классификации текста. Модель использует архитектуру BERT с усреднением токенных представлений и поддерживает последовательности длиной до 512 токенов. Она ориентирована прежде всего на кантонский язык; среди примеров обучающих данных есть также английский. Для работы с моделью указана библиотека sentence-transformers. В README приведены результаты оценки сходства на STS-B: коэффициент Спирмена составляет 0,7996 на dev и 0,7605 на test. Лицензия в предоставленных сведениях не указана. Качество зависит от языка и предметной области: обучение и примеры сосредоточены на задачах сходства предложений, поэтому результаты для иных задач и языков требуют отдельной проверки.

google/bert_uncased_L-2_H-512_A-8 — компактная англоязычная модель BERT из набора BERT Miniatures, опубликованного Google и описанного в работе «Well-Read Students Learn Better». Архитектура содержит 2 слоя, скрытый размер 512 и 8 attention heads; в метаданных указано около 24 млн параметров и контекст до 512 токенов. Доступны веса PyTorch и Flax, лицензия Apache 2.0. Модель предназначена для понимания английского текста в условиях ограниченных вычислительных ресурсов и для дальнейшего тонкого дообучения, например под классификацию предложений, оценку сходства и другие задачи NLP. Авторы отмечают, что компактные варианты особенно эффективны при дистилляции с разметкой, полученной от более крупной модели. Это базовая предобученная модель, а не готовый специализированный классификатор; её следует дообучить для конкретной задачи. README сообщает, что модель обучалась без учета регистра с WordPiece-маскированием.

oxfrug/bge-m3-swedish-superlim — модель эмбеддингов, созданная автором репозитория путём контрастивного дообучения BAAI/bge-m3 на шведских текстовых парах и запросах с ответами. Она предназначена прежде всего для семантического поиска и сопоставления предложений на шведском языке; также подходит для кластеризации текстов. Архитектура основана на XLM-RoBERTa, размер модели в метаданных — 658,7 млн параметров, нативный контекст — 8194 токена. Рекомендуемая автором размерность эмбеддингов — 768; модель использует библиотеку sentence-transformers и распространяется в формате safetensors. На описанных автором оценках модель улучшила результаты базовой BGE-M3 на SweParaphrase, SweFAQ и SwednRetrieval. Это специализированная модель для поиска: качество классификации шведских текстов снизилось относительно базовой модели. Оценка SweFAQ использовала обучающую выборку, поэтому её нельзя считать результатом zero-shot. Веса распространяются по лицензии MIT, однако лицензии части обучающих данных, включая дополнительную смесь медицинских вопросов и ответов, не установлены; результаты README также не означают включения модели в официальный рейтинг MTEB.

BLOOM-3B — мультиязычная авторегрессионная языковая модель BigScience для генерации текста и исследований больших языковых моделей. Она также предназначена для дальнейшего дообучения под конкретные задачи. Модель основана на модифицированной архитектуре Megatron-LM GPT-2: декодер с 30 слоями, 32 головами внимания, скрытым размером 2560 и примерно 3 млрд параметров. Для позиционного кодирования используется ALiBi; длина последовательности при обучении составляла 2048 токенов. Модель обучалась на многих естественных языках, включая английский, французский, испанский, китайский, хинди, арабский и бенгали, а также на данных с кодом. Её можно применять для продолжения текста, черновой генерации и экспериментов с мультиязычными LLM. Лицензия — BigScience RAIL License v1.0. BLOOM-3B может выдавать правдоподобную, но фактически неверную информацию, а также стереотипный, предвзятый, оскорбительный или повторяющийся текст. Карточка исключает применение в высокорисковых сценариях, включая медицинские, юридические, политические и финансовые решения, оценку людей и задачи, где необходима достоверность.

Blur-7b-slerp-v1.45 — объединённая модель семейства Mistral, созданная с помощью mergekit из CultriX/MonaTrix-v4 и liminerity/Blur-7b-slerp-v1.44 методом SLERP. Она предназначена для генерации и продолжения текста, в том числе диалоговых ответов. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате safetensors; в конфигурации слияния указан тип bfloat16. Модель распространяется по лицензии Apache-2.0. README не описывает языковую специализацию или результаты оценок качества, поэтому их нельзя установить по доступным данным.

bruphin-eta — языковая модель на архитектуре Mistral, созданная nbeerbower слиянием предварительно обученных моделей nbeerbower/bruphin-epsilon и jondurbin/bagel-dpo-7b-v0.4 методом SLERP с помощью mergekit. Модель содержит 7,1 млрд параметров и принимает текстовые запросы для генерации продолжений и диалоговых ответов. Модель рассчитана на генерацию текста и чат-сценарии. Её контекстное окно составляет до 32 768 токенов; веса опубликованы в формате Safetensors. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит конкретных языков, специализированных областей или оценок качества.

Calme-7B-Instruct-v0.3 — диалоговая языковая модель Maziyar Panahi, дообученная на качественных наборах данных на основе Mistral-7B. Она использует плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и рассчитана на генерацию связных ответов в формате чата; контекст — до 32 768 токенов. Модель можно применять для диалоговых помощников, ответов на вопросы и создания текстов. В репозитории доступны веса Safetensors; автор также указывает отдельные квантованные варианты GGUF. Лицензия — Apache-2.0.

CamemBERT-L4 — облегчённая версия предварительно обученной языковой модели CamemBERT, созданная удалением верхних слоёв исходного чекпойнта. В метаданных указаны архитектура CamemBERT, 62,3 млн параметров и контекст до 514 токенов; модель распространяется в форматах PyTorch и safetensors по лицензии MIT. Модель предназначена прежде всего для дообучения под задачи, где нужно учитывать целое предложение: классификации текста, извлечения ответа на вопрос и семантического поиска. Её также можно использовать для извлечения признаков и masked language modeling. README не рекомендует её для генерации текста и советует для этого авторегрессионные модели. Язык модели — французский; сравнительно с исходной CamemBERT-base удаление слоёв уменьшает размер модели, но характеристики качества для конкретных задач зависят от последующего дообучения.

CaPlatTessDolXaBoros-Yi-34B-200K-DARE-Ties-HighDensity — экспериментальная объединённая языковая модель на архитектуре Llama, опубликованная brucethemoose. Она создана с помощью экспериментального варианта DARE TIES из нескольких дообученных моделей семейства Yi и других 34B-моделей; в карточке указано 33,9 млрд параметров и контекст до 200 000 токенов. Модель предназначена для генерации текста и диалогов, включая ответы на длинные запросы и работу с большими фрагментами текста. В README описан шаблон Orca-Vicuna и отмечена возможная поддержка форматов ChatML и Llama-chat. Автор сообщает о проверках perplexity и длинных контекстов, однако предупреждает, что улучшение метрик не гарантирует лучшего качества ответов. Рекомендуется настраивать параметры генерации с учётом поведения Yi; иногда модель выводит стоп-токен как текст. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

CeleBERTy Small Embeddings — компактная модель NeuML для получения плотных векторных представлений предложений и абзацев. Она построена на архитектуре BERT, дообучена с помощью sentence-transformers и насчитывает 25,9 млн параметров по метаданным. Модель отображает текст в пространство векторов размерности 384 и поддерживает контекст до 512 токенов. Модель предназначена для семантического поиска, кластеризации текстов и подготовки источников для RAG. Обучающие примеры получены из случайной выборки статей Википедии с меткой celebrity; эмбеддинги дистиллированы из более крупной модели DenseOn. В описанной авторами оценке на созданном BEIR-совместимом наборе модель показала NDCG 55,24 и подходит для CPU-сценариев с ограниченными ресурсами. Карточка указывает английский язык и лицензию Apache-2.0. Результаты обучения и оценки основаны на выборках статей Википедии о знаменитостях, поэтому качество для других тематик может отличаться. Модель возвращает эмбеддинги, а не готовые текстовые ответы.

Cerebrum-1.0-12.25B — языковая модель, опубликованная Joseph717171 и созданная с помощью mergekit как объединение с чередованием слоёв на основе Cerebrum-1.0-7b. Модель построена на архитектуре MistralForCausalLM, содержит 12,3 млрд параметров и принимает контекст до 32 768 токенов. Она предназначена для диалоговой генерации текста и задач рассуждения, а также как основа для дальнейшего дообучения или замена исходной версии Cerebrum на 7 млрд параметров. В карточке Cerebrum описана как модель для решения задач, требующих рассуждений, включая математические задачи, ARC Challenge, ответы на вопросы и творческие задания. Для общения рекомендуется шаблон Alpaca-style. Модель работает с текстом; сведения о поддерживаемых естественных языках в карточке не приведены. Лицензия — Apache-2.0. Результаты бенчмарков относятся к исходной версии Cerebrum-7b и не подтверждают такое же качество версии 12,25B.

Это GGUF-конверсия модели Chroma Context-1, опубликованная пользователем ryancook. Исходная модель разработана Chroma и распространяется в формате PyTorch/safetensors; данная версия представляет те же веса в формате GGUF для запуска через llama.cpp и совместимые среды, включая LM Studio, Ollama при подходящем импорте и локальные серверы. Модель относится к семейству gpt-oss MoE и связана с базовой моделью OpenAI gpt-oss-20b. Модель предназначена для генерации текста и локального инференса на совместимом оборудовании. Доступны варианты квантования с разным соотношением качества, размера и требований к памяти, включая Q4_K_M, Q5_K_M, MXFP4_MOE, Q4_0, Q5_0, BF16 и другие пресеты, если они опубликованы в репозитории. Архитектура MoE активирует только часть экспертов для каждого токена, однако фактические требования к RAM и VRAM зависят от выбранного файла, длины контекста и конфигурации запуска. Исходная модель поддерживает очень длинный контекст, но практический предел определяется размером KV-кэша и доступной памятью. В README указан английский язык; сведения о других модальностях и языках отсутствуют. Сильными сторонами являются возможность локального запуска, широкий выбор квантованных вариантов и совместимость с экосистемой llama.cpp. Ограничения включают зависимость от поддержки конкретного GGUF-пресета и аппаратной конфигурации, а также возможное снижение качества у низкобитных и экспериментальных квантований. Это общественная конверсия, не аффилированная с Chroma; для оценки поведения, безопасности и целевого применения следует обращаться к официальной карточке исходной модели. Распространение осуществляется по лицензии Apache 2.0 с требованием сохранять атрибуцию исходной модели chromadb/context-1.

Cohere Transcribe — открытая модель автоматического распознавания речи, разработанная Cohere и Cohere Labs. Эта GGUF-версия представляет собой квантованные конвертации базовой модели CohereLabs/cohere-transcribe-03-2026 для запуска с помощью transcribe.cpp. Модель предназначена для офлайн-преобразования речи в текст и принимает монофонические WAV-файлы с частотой дискретизации 16 кГц. Она поддерживает 14 языков: английский, французский, немецкий, испанский, итальянский, португальский, нидерландский, польский, греческий, арабский, японский, китайский, вьетнамский и корейский. Архитектура основана на Conformer-энкодере и Transformer-энкодер-декодере с cross-attention и связанными эмбеддингами токенов; размер модели составляет около 2 млрд параметров, декодирование выполняется авторегрессионно. Доступны варианты BF16, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 1,56 до 4,11 ГБ. На тесте LibriSpeech test-clean заявленная ошибка распознавания составляет около 1,24–1,27% в зависимости от квантования, что указывает на высокую точность для английской речи. Ограничения включают отсутствие потокового режима, встроенного перевода, автоматического определения языка и временных меток; модель предназначена именно для распознавания, а не для перевода речи. Для работы требуется transcribe.cpp, а аудио при необходимости нужно предварительно привести к формату 16 кГц, mono WAV. Модель и конвертации распространяются по лицензии Apache-2.0, унаследованной от базовой модели.

Darwin-2B-Opus — модель для генерации текста и диалогов, разработанная FINAL-Bench / VIDRAFT_LAB на основе Qwen/Qwen3.5-2B. В неё встроен стиль рассуждений, полученный дистилляцией ответов Claude Opus 4.5/4.6 и Sonnet 4.6; обучение проводилось методом SFT с LoRA, после чего адаптер объединили с базовыми весами. Модель содержит около 1,7 млрд параметров по метаданным; в README указано 2,3 млрд. Архитектура — плотная Qwen3.5 для причинной генерации текста. Метаданные указывают контекст до 262 144 токенов, однако обучение проводилось с длиной последовательности 4 096 токенов. Модель предназначена для диалогов, рассуждений, математических задач и написания кода на английском и корейском языках; README также описывает примеры на обоих языках. Карточка приводит результат 37,37% на GPQA Diamond и предупреждает об ограниченных энциклопедических знаниях из-за небольшого размера. Лицензия модели — Apache 2.0; лицензии обучающих наборов могут различаться.

unsloth/DeepSeek-R1-Distill-Qwen-1.5B-bnb-4bit — 4-битная квантованная версия модели DeepSeek-R1-Distill-Qwen-1.5B, разработанная и опубликованная Unsloth на основе модели DeepSeek от DeepSeek AI. Это текстовая языковая модель для задач рассуждения, включая решение математических задач, программирование и другие задачи, требующие многошагового анализа. Модель предназначена для использования с библиотекой Transformers и может применяться в сценариях локального запуска и исследовательских экспериментов с ограниченными ресурсами. Модель основана на архитектуре семейства Qwen2; её размер составляет 1,5 млрд параметров, а представленный вариант использует 4-битное представление весов, что снижает требования к памяти. В README указано, что модель поддерживает английский язык; сведения о других языках, длине контекста и мультимодальных возможностях отсутствуют. К сильным сторонам относятся компактность и сниженное потребление памяти, однако по качеству и глубине рассуждений она может уступать более крупным версиям, а влияние 4-битной квантования на точность отдельно не описано. Модель распространяется по лицензии Apache-2.0.

DeepSeek-V2-Lite-Chat REAP Pruned ratio 0.3 — разреженный вариант диалоговой модели DeepSeek-V2-Lite-Chat, созданный методом REAP pruning. В каждом MoE-слое число маршрутизируемых экспертов уменьшено с 64 до 45: удалено 19 из 64 экспертов, что соответствует фактическому коэффициенту 0,296875. Общие эксперты сохранены, а на каждый токен активируются 6 маршрутизируемых экспертов. Модель предназначена для диалоговой генерации текста и ответов на запросы. Она принимает текст и выдаёт текст; метаданные указывают 2,5 млрд параметров и контекст до 163 840 токенов. Чекпойнт основан на deepseek-ai/DeepSeek-V2-Lite-Chat и загружается как DeepseekV2ForCausalLM в Transformers. Карточка сообщает о проверке загрузки и пробного прохода, но не приводит результатов сравнительной оценки качества после прореживания. Лицензия в предоставленных данных не указана.

DNA-VL-STEER-2B — мультимодальная модель эмбеддингов от dnotitia, дообученная на базе Qwen/Qwen3-VL-Embedding-2B. Она преобразует текст, изображения и видео в общее 2048-мерное пространство векторов; поддерживает инструкционно-зависимый интерфейс и контекст до 32 тысяч токенов. Изменены ранние слои residual stream, а остальные веса, включая vision tower, сохранены как в базовой модели. Модель предназначена прежде всего для мультиязычного поиска и сопоставления подписей с изображениями и видео. Калибровка охватывает все 36 языков XM3600 и заметно улучшает мультиязычный визуальный поиск, особенно для ряда низкоресурсных языков; README приводит результаты и для корейского. Лицензия — Apache-2.0. Улучшения ориентированы на визуальные подписи: для абстрактного текстового поиска, классификации тонких визуальных различий и составных запросов результаты могут ухудшаться. Пользователям следует сравнить модель с базовой на своей задаче; сильное сокращение размерности эмбеддингов также может существенно снизить качество отдельных сценариев.

DocsGPT-7b-Mistral — языковая модель Arc53 для ответов на вопросы по документации и другим материалам, найденным системой поиска. Она дообучена методом LoRA на базе zephyr-7b-beta и использует плотную архитектуру MistralForCausalLM с 7,1 млрд параметров. Модель принимает текстовый вопрос и контекст документов, а затем генерирует ответ, ориентированный на предоставленные сведения; в README рекомендован шаблон запроса с разделами Instruction, Context и Answer. Контекстное окно составляет 32 768 токенов. Модель предназначена для RAG-сценариев, особенно для команд разработчиков и технической поддержки. В README приведены внутренний тест BACON и результаты MT-Bench, но они не гарантируют качество на конкретных данных и задачах. Модель распространяется под лицензией Apache-2.0, допускающей коммерческое использование.

Dolphin-2.1-70b — диалоговая языковая модель на архитектуре Llama 2, разработанная Eric Hartford при поддержке a16z. Она дообучена методом qLoRA на базе StellarBright с использованием наборов Dolphin (вариант данных Orca) и Airoboros; модель содержит 68,7 млрд параметров и рассчитана на контекст до 4096 токенов. Для общения используется формат ChatML. Модель предназначена для генерации текста и диалогов на английском языке: она может отвечать на вопросы, следовать инструкциям и вести беседу. Автор описывает её как uncensored и предупреждает, что она может выполнять в том числе неэтичные запросы; перед предоставлением доступа через сервис рекомендуется добавить собственный слой выравнивания поведения. В этой версии есть известная ошибка: модель не генерирует токены EOS, поэтому генерация может не завершаться штатно. Репозиторий содержит веса PyTorch; лицензия указана как Llama 2.

dolphin-2.6-mistral-7b-dpo-orca — авторегрессионная языковая модель, обученная HenryJJ методом DPO на базе cognitivecomputations/dolphin-2.6-mistral-7b с использованием набора Intel/orca_dpo_pairs. Модель семейства Mistral имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров; веса опубликованы в формате safetensors. Метаданные указывают контекст до 32 768 токенов, а README сообщает об обучении с контекстом 1024 токена. Модель предназначена для диалоговых ответов и генерации текста в формате ChatML, включая запросы к ассистенту общего назначения. README указывает английский язык. Модель выпущена под лицензией Apache-2.0. Карточка не приводит оценок качества или подробных сведений о проверке безопасности.

Это дообученная модель серии Dynamic Topic Modeling, разработанная Aman Priyanshu на основе Unsloth/Llama-3.2-1B-bnb-4bit. Она предназначена для генерации иерархических тем по тексту в формате «область > общая тема > конкретная тема». Модель построена на архитектуре Llama 3.2 с 1,2 млрд параметров и контекстным окном до 131 072 токенов по метаданным. Для обучения использовали 100 000 документов из подвыборки RedPajama-1T с аннотациями тем трёх уровней; в описании обучения указана длина последовательности 2048 токенов. Модель ориентирована на английский язык и работает с текстом, выдавая текстовую классификацию тем. Её можно применять для тематической разметки документов и построения иерархии тем в коллекциях текстов. Карточка приводит значение loss 2,3959, но не содержит сравнительной оценки качества на независимом тестовом наборе. Условия лицензии в предоставленных данных не приведены.

Evolver — языковая модель, созданная сообществом mergekit слиянием предварительно обученных моделей SanjiWatsuki/Kunoichi-DPO-v2-7B и mergekit-community/mergekit-slerp-ebgdloh. Для объединения применён метод SLERP; конфигурация использует формат bfloat16. Модель семейства Mistral имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров. Модель предназначена для генерации текста, в том числе диалогов и ответов на вопросы. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В карточке не заявлены специализированные предметные области или отдельные языковые возможности. Лицензия в доступных сведениях не указана. Качество, ограничения и условия применения исходных моделей могут влиять на результат слияния; независимые оценки в карточке не приведены.

Experiment26Neuralsirkrishna_Strangemerges_30Experiment28 — объединённая модель семейства Mistral, созданная на основе automerger/Experiment26Neuralsirkrishna-7B и automerger/Strangemerges_30Experiment28-7B. Она предназначена для генерации текста и диалогов. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает конкретные языки, специализированные области или результаты оценки качества, поэтому их нельзя надёжно определить.