I.14Автоматизация процессов и AI-агенты

Experiment28M7_Experiment26Yamshadow — объединённая модель для генерации текста, созданная MaziyarPanahi на основе automerger/Experiment28M7-7B и automerger/Experiment26Yamshadow-7B. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Модель предназначена для генерации продолжений текста и диалоговых ответов в сценариях, поддерживаемых исходными моделями. Контекстное окно составляет до 32 768 токенов; веса опубликованы в формате safetensors. Данные не уточняют языковую специализацию или особые прикладные области. Модель распространяется по лицензии Apache-2.0. README описывает объединение двух моделей, но не приводит сравнительных оценок качества или подробных ограничений; поведение и качество могут зависеть от промпта и выбранного способа запуска.

Experiment28M7_Inex12Yam — слитая языковая модель на архитектуре Mistral, созданная объединением automerger/Experiment28M7-7B и automerger/Inex12Yam-7B. Разработчик карточки — MaziyarPanahi. Модель предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Она содержит 7,1 млрд параметров и распространяется в формате safetensors. Лицензия — Apache 2.0. Карточка не описывает специализацию модели, целевые языки или известные ограничения, поэтому её можно характеризовать только как модель для генерации текста общего назначения.

MaziyarPanahi/Experiment28T3q_Experiment27Experiment29 — объединённая модель семейства Mistral с 7,1 млрд параметров для генерации текста. В её состав входят automerger/Experiment28T3q-7B и automerger/Experiment27Experiment29-7B; репозиторий содержит веса в формате safetensors. Модель принимает текст и предназначена для генерации продолжений и ответов на запросы. Контекст составляет до 32 768 токенов. Модель опубликована MaziyarPanahi по лицензии Apache-2.0. Сведения о специализированных областях применения и языках в карточке не приведены. Это экспериментальное объединение моделей, поэтому его качество и поведение могут зависеть от запроса; перед применением в критичных сценариях результаты следует проверять.

MaziyarPanahi/Experiment28T3q_Multi_verse_modelM7 — текстовая генеративная модель, полученная слиянием двух моделей семейства Mistral: automerger/Experiment28T3q-7B и automerger/Multi_verse_modelM7-7B. Она предназначена для генерации текста по текстовому запросу и работы в сценариях, где требуется языковая модель общего назначения. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Репозиторий указывает лицензию Apache-2.0. README подтверждает слияние указанных моделей, но не приводит их специализацию или результаты оценки качества.

Falcon-H1-3B-Base — базовая языковая модель семейства Falcon-H1, разработанная TII (Technology Innovation Institute). Это плотная авторегрессионная модель с декодером, объединяющая архитектуры Transformer и Mamba; она предназначена для генерации текста и служит основой для дальнейшей адаптации под конкретные задачи. В README представлены результаты оценки на общих задачах и рассуждениях. Модель работает с текстом и поддерживает перечисленные в карточке языки, включая английский, русский, арабский, хинди, японский и китайский. Размер по метаданным — 2,2 млрд параметров, нативное контекстное окно — 131 072 токена. Для запуска указана поддержка Transformers, vLLM и форка llama.cpp. Лицензия — Falcon-LLM License; перед использованием следует проверить её условия для своего сценария.

Модель hezarai/fasttext-fa-300 — оригинальная FastText-модель эмбеддингов для персидского языка, подготовленная для использования в Hezar. Исходную модель загрузили и преобразовали с помощью Gensim, затем экспортировали в совместимый с Hezar формат. Модель предназначена для получения векторных представлений персидских слов и текстов, которые можно использовать в задачах поиска по смыслу, сравнения текстов и построения других NLP-систем. В метаданных указана задача feature-extraction и язык fa. Размерность эмбеддингов в названии — 300; сведения о лицензии и ограничениях применения в предоставленных материалах отсутствуют.

jaspionjader/fr-17-8b — объединённая разговорная языковая модель, созданная автором репозитория с помощью mergekit методом SLERP из jaspionjader/fr-16-8b и jaspionjader/Kosmos-EVAA-Franken-v38-8B. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров; файлы представлены в формате safetensors и рассчитаны на работу через Transformers. Модель предназначена для генерации текста и диалоговых ответов. Заявленная длина контекста — 131 072 токена. Сведения о конкретных языках и специализированных областях применения отсутствуют, поэтому её следует рассматривать как модель общего назначения. Лицензия в предоставленных данных не указана.

unsloth/gemma-2-27b — версия Gemma 2 с 27,6 млрд параметров, опубликованная Unsloth в формате safetensors и заявленная как напрямую квантизированная до 4 бит с помощью bitsandbytes. Это плотная авторегрессионная языковая модель на архитектуре Gemma2ForCausalLM для генерации текста; метаданные указывают английский язык и контекст до 8192 токенов. Модель можно использовать для продолжения текста и диалоговых сценариев. README Unsloth описывает инструменты и ноутбуки для дообучения моделей, но не приводит отдельной оценки качества именно этой версии. Лицензия — Gemma; применяйте модель в соответствии с её условиями.

mizydorczyk/gemma-4-e4b-it-ask — текстовая диалоговая модель на архитектуре Gemma4ForCausalLM, созданная автором репозитория объединением LoRA-адаптера mizydorczyk/gemma-4-e4b-it-ask-lora с текстовой частью google/gemma-4-E4B-it. Модель предназначена для генерации ответов в диалоге и работает с шаблоном чата Gemma 4. Веса представлены в формате safetensors; размер модели — 4,7 млрд параметров, контекст — до 131 072 токенов. Это текстовая настройка мультимодальной базовой модели: сама опубликованная модель принимает и генерирует текст, а функции обработки изображений и аудио из описания базовой модели здесь не заявлены. README указывает источники весов и шаблоны для вывода и обучения. Лицензия в предоставленных данных не приведена.

OBLITERATUS/gemma-4-E4B-it-OBLITERATED — модифицированная версия Google Gemma 4 E4B Instruct, созданная проектом OBLITERATUS. Модель предназначена для генерации текста и диалогового использования, а также может поддерживать работу с изображениями и аудио при применении специального vision/audio-проектора. Доступны форматы GGUF для llama.cpp, Ollama, LM Studio и других совместимых инструментов, а также веса Safetensors для Transformers. Модель содержит около 4 млрд параметров и основана на архитектуре Gemma 4. В версии v3 сохранены все 720 тензоров, исправлена проблема с общими K/V-весами в слоях 24–41, а модификации затронули 21 из 42 слоёв. Основное изменение — удаление поведения, связанного с отказами и защитными ограничениями, с заявленной частотой жёстких отказов 0%. При этом модель сохраняет ограничения исходной компактной модели: возможны отклонение от темы, повторяющиеся или вырожденные ответы, а также редкие ответы на другом языке. Для снижения повторов рекомендуется использовать repeat_penalty 1.1 и системный промпт на английском языке. Для запуска требуются актуальные версии совместимых инструментов: например, Ollama 0.20+, llama.cpp начиная со сборки b8665, а для LM Studio, koboldcpp и text-generation-webui — свежие версии с поддержкой архитектуры gemma4. Контекстное окно, точный список поддерживаемых языков и другие характеристики в README не указаны. Лицензия — Apache 2.0.

Это пакет GGUF с разбиением по слоям модели GLM-4.7-REAP-218B-A32B-UD-Q4_K_XL, подготовленный Mesh LLM для распределённого инференса. Пакет получен из unsloth/GLM-4.7-REAP-218B-A32B-GGUF и предназначен для запуска на кластере Mesh LLM, когда исходная модель не помещается на одном компьютере. Модель поддерживает генерацию текста и диалоговый режим. Пакет рассчитан на локальный приватный запуск на одной или нескольких машинах и работу через совместимый с OpenAI API интерфейс Mesh LLM. Вариант файлов обозначен как UD-Q4_K_XL; файлы исходной модели представлены в формате GGUF и разделены на артефакты по слоям. Подробности об архитектуре, размере, контекстном окне, языках, лицензии и ограничениях следует сверять с карточкой исходной модели unsloth/GLM-4.7-REAP-218B-A32B-GGUF; текущая карточка их не приводит. Пакет предназначен для запуска через Mesh LLM, а не является самостоятельной программной обёрткой.

RTannous/gpt-oss-20b-multilingual-reasoner — дообученная версия модели unsloth/gpt-oss-20b, опубликованная для использования через библиотеку Transformers. Модель обучалась методом supervised fine-tuning (SFT) с использованием TRL, поэтому предназначена для генерации текста и диалоговых сценариев, включая задачи, где требуется формулировать рассуждения и ответы на разных языках. В README приведён пример запуска в режиме text-generation на GPU с помощью pipeline из Transformers. Из доступных данных известно, что модель относится к семейству с размером 20B параметров. Точная архитектура, перечень поддерживаемых языков, длина контекста, набор обучающих данных и специализированные показатели качества не указаны. К сильным сторонам относятся наличие дообучения под мультиязычные и reasoning-сценарии, а также совместимость с экосистемой Transformers и TRL; ограничениями являются отсутствие подробных бенчмарков и сведений о языковом покрытии и качестве. В карточке указана лицензия с идентификатором license, но её конкретные условия не раскрыты.

Это векторная модель Sentence Transformers на архитектуре ModernBERT, дообученная Thivy на базе ibm-granite/granite-embedding-311m-multilingual-r2 на наборе eti-embedding-training-data-4096-granite-v2. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 для семантического поиска, сравнения текстов, поиска перефразировок, классификации и кластеризации. Модель рассчитана на норвежский букмол и нюношк, включая длинные фрагменты: README указывает максимум 4096 токенов, а метаданные — нативный контекст 32768 токенов. В README приведены метрики на тестовых данных: точность cosine similarity 0,985 для TripletEvaluator и cosine_accuracy@1 0,612, @3 0,902, @5 0,95 для InformationRetrievalEvaluator; эти результаты относятся к указанным наборам оценки и не гарантируют качество на других данных. Модель предназначена для построения поиска и сравнения текстов на норвежском языке, в том числе для содержательных фрагментов длиной до 4096 токенов. Обучающий набор содержит 543 922 примера. Доступны веса в формате safetensors; в предоставленных данных лицензия не указана.

Hemlock-Coder-7B-i1-GGUF — квантованная версия модели Hemlock-Coder-7B, разработанной hemlang и подготовленной в формате GGUF пользователем mradermacher. Модель дообучалась на наборе данных Hemlock-SFT и предназначена прежде всего для генерации текста, включая задачи, связанные с программированием. В README указана поддержка английского языка. Модель основана на архитектуре с 7B параметров, однако подробности об архитектуре, размере контекста и поддерживаемых модальностях не приведены. Репозиторий содержит набор imatrix-квантов различных типов и размеров — примерно от 2,0 до 6,4 ГБ. Варианты отличаются компромиссом между требованиями к памяти, скоростью и качеством; для баланса размера, скорости и качества рекомендуются i1-Q4_K_S и i1-Q4_K_M, причём последний обозначен как быстрый и рекомендуемый. Более низкие уровни квантования могут заметно снижать качество. Сильной стороной модели является возможность локального запуска в компактных квантованных вариантах через совместимый с GGUF инструментарий. Ограничения включают отсутствие в README результатов тестирования, точного описания задач и качества, данных о контекстном окне, мультимодальности и лицензии. Условия лицензирования в предоставленных материалах не указаны.

HindSBERT-STS — модель L3Cube-Pune для оценки семантического сходства предложений на хинди. Она создана дообучением l3cube-pune/hindi-sentence-bert-nli на датасете STS и выпущена в рамках проекта MahaNLP. Модель на основе BERT преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения смысловой близости, кластеризации и семантического поиска. Модель принимает текст на хинди и формирует векторные представления; максимальная длина контекста составляет 512 токенов. Лицензия CC-BY-4.0. Она предназначена для семантического сопоставления текстов на хинди, а описание не подтверждает поддержку других языков этой версии.

Это дообученная модель WhisperForConditionalGeneration на 455,8 млн параметров, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и транскрибирования аудио; карточка указывает дообучение на наборе данных None. На тестовой выборке приведены Loss 0,4623 и Global WER 30,7295. Модель принимает аудио и выдаёт текст; базовая модель предназначена для индийских языков, а для этого варианта подтверждена поддержка хинди. Выпущена в формате safetensors для Transformers под лицензией MIT.

Это дообученная модель Whisper, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и транскрибирования аудио; метаданные подтверждают поддержку хинди. В README приведены результаты на наборе оценки: loss 0,3763 и Global WER 29,2620, но описание модели и сведения о данных обучения отсутствуют. Модель использует архитектуру WhisperForConditionalGeneration и формат safetensors. Репозиторий распространяется по лицензии MIT.

Это дообученная модель Whisper, созданная на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и транскрибирования аудио; карточка сообщает о дообучении на наборе данных, обозначенном как None. На оценочном наборе указаны loss 0,5552 и Global WER 22,7742. Модель использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors через библиотеку Transformers. Метаданные базовой модели подтверждают поддержку хинди. Лицензия — MIT. Карточка не описывает дополнительные ограничения или сценарии использования.

IndoBERT Base p2 uncased — предварительно обученная языковая модель для индонезийского языка, созданная командой IndoBenchmark на основе архитектуры BERT. Модель обучена на корпусе Indo4B объёмом 23,43 ГБ с задачами masked language modeling и next sentence prediction; версия Base содержит 124,5 млн параметров согласно README, а метаданные каталога указывают 151,6 млн параметров. Длина контекста — 512 токенов. Модель предназначена для извлечения контекстных представлений текста и может служить основой для построения или дообучения приложений NLP на индонезийском языке, включая классификацию текстов и поиск похожих текстов. Доступны реализации весов для PyTorch, TensorFlow и Flax. Лицензия — MIT.

INF-WSE v1 Base zh — модель разреженных словных эмбеддингов, разработанная INF TECH для поиска и извлечения информации, особенно в китайских текстах. Она дообучена на базе junnyu/roformer_chinese_base; архитектура — RoFormer с 151,6 млн параметров. Модель преобразует текст в разреженные векторы размерности словаря: ненулевые веса выделяют значимые слова и семантические признаки для сопоставления запросов с документами. Модель предназначена для семантического поиска, ранжирования и retrieval-сценариев. В README приведены результаты C-MTEB Retrieval: средний nDCG@10 составляет 61,16 при максимальной длине 512 токенов; индексы для сравнения строились в Qdrant. Метаданные указывают контекст до 1536 токенов. Модель ориентирована на китайский язык и выдаёт векторные представления текста. Репозиторий содержит веса в формате safetensors; сведения о лицензии в предоставленных источниках отсутствуют.

InnerIAI-chat-7b-grok — объединённая диалоговая языковая модель, созданная InnerI с помощью LazyMergekit из InnerI/A-I-0xtom-7B-slerp и HuggingFaceH4/mistral-7b-grok. Она построена на архитектуре Mistral с плотной сетью и содержит 7,1 млрд параметров; модель предназначена для генерации текста в формате диалога с ассистентом. Указанная длина контекста — 32 768 токенов. Репозиторий распространяется в формате safetensors, лицензия — Apache-2.0. Модель можно использовать для ответов на вопросы, диалогов и написания текстов в чат-сценариях. README описывает слияние методом SLERP с настройками, различающимися для слоёв внимания и MLP. Сведений о специальных доменах или поддержке конкретных языков в карточке нет; поэтому не следует считать её оптимизированной для определённого языка или области. Качество и поведение могут зависеть от запроса и выбранной конфигурации генерации.

Interim-MN-fp16 — разговорная языковая модель семейства Mistral с плотной архитектурой MistralForCausalLM и 12,1 млрд параметров. Репозиторий опубликовал rAIfle; модель предназначена для генерации текста в диалогах. Заявленная длина контекста — 131 072 токена. Автор описывает результат как приемлемый по собственной проверке Nala и рекомендует использовать стандартные настройки Nemo либо настройки из репозитория Recommended Settings. Независимые результаты бенчмарков в карточке не приведены. Файлы представлены в формате safetensors, лицензия в предоставленных данных не указана.

InternVL2_5-4B-MPO — мультимодальная чат-модель OpenGVLab, дообученная на основе OpenGVLab/InternVL2_5-4B с применением Mixed Preference Optimization. Она предназначена для диалога и генерации текстовых ответов на запросы об изображениях, нескольких изображениях и видеокадрах, включая распознавание текста и визуальные вопросы. Модель построена по схеме ViT-MLP-LLM: визуальная часть InternViT-300M-448px-V2_5 связана через MLP-проектор с языковой частью Qwen2.5-3B-Instruct; изображения обрабатываются с динамическим разрешением и разбиением на тайлы 448×448 пикселей. Модель подходит для визуальных помощников, анализа изображений и видео, ответов по содержимому диаграмм и документов. Для запуска в README приведён пример использования Transformers с весами bf16 или fp16; также описаны инференс с несколькими изображениями, потоковая генерация и развёртывание через LMDeploy. Репозиторий использует формат safetensors и распространяется по лицензии MIT. Модель может ошибаться при интерпретации изображений и видео; обработка нескольких изображений увеличивает расход входных токенов. README не приводит размер контекста и перечень поддерживаемых языков, поэтому эти характеристики здесь не уточняются.

InternVL3-2B-Instruct — мультимодальная модель с открытыми весами от OpenGVLab, версия supervised fine-tuning семейства InternVL3 без этапа MPO. Она построена по схеме ViT-MLP-LLM: использует визуальный энкодер InternViT-300M-448px-V2_5, MLP-проектор и языковую часть на базе Qwen2.5-1.5B. Модель принимает текст и изображения, включая несколько изображений в одном запросе, и предназначена для диалога и ответов на вопросы по визуальному содержимому. Сценарии применения включают понимание изображений и видео, мультимодальные рассуждения, работу с научными диаграммами, GUI и 3D-сценами, а также использование инструментов. Динамическое разбиение изображений на тайлы 448×448 и Variable Visual Position Encoding помогают обрабатывать изображения разного размера и длинные мультимодальные последовательности. Карточка заявляет многоязычную поддержку; точный список языков и размер контекста не приведены. Модель распространяется по лицензии Apache-2.0. Это SFT-версия без MPO; README рекомендует обычную версию InternVL3-2B тем, кто не уверен, какую выбрать. Как и другие мультимодальные модели, качество ответов зависит от изображения, запроса и выбранного контекста; обработка нескольких изображений увеличивает число входных токенов.

Irixxed-Magcap-12B-Slerp — разговорная языковая модель, созданная Nitral-AI слиянием методом SLERP моделей DreadPoor/Irix-12B-Model_Stock и Nitral-AI/Violet_Magcap-12B. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM и 12,1 млрд параметров; для генерации текста она использует библиотеку Transformers и формат весов safetensors. Модель предназначена для диалогов и генерации ответов с акцентом на рассуждения. В README указаны формат общения ChatML, пресеты для SillyTavern, блок рассуждений и быстрые ответы. Заявленная длина контекста — 1 024 000 токенов. Веса доступны также в вариантах GGUF Q8_0, Q5_K_M, Q4_K_M и ExL2 4bpw. Качество и поведение могут зависеть от шаблона диалога, пресета и выбранного варианта весов; README не приводит результаты оценки или подробное описание ограничений. Лицензия в предоставленных данных не указана.

Jais Adapted 7B — двуязычная языковая модель семейства Jais, разработанная Inception Institute of Artificial Intelligence и адаптированная на основе Meta Llama 2 7B. Это базовая модель с причинной архитектурой Decoder, предназначенная для генерации текста на арабском и английском языках. Семейство ориентировано на задачи арабской обработки естественного языка и приложения для арабоязычных и двуязычных пользователей. Модель подходит для генерации и понимания текста, суммаризации арабско-английских документов и дальнейшей адаптации под прикладные задачи. Карточка указывает на необходимость загрузки с пользовательским классом модели и параметром trust_remote_code=True. Модель распространяется по лицензии Apache 2.0. Ограничения включают возможные ошибки, предвзятость и оскорбительные или вводящие в заблуждение ответы. Её не следует считать равноэффективной на других языках и диалектах или применять для высокорисковых решений без участия человека; карточка также предостерегает от обработки персональных и конфиденциальных данных.

Модель reazon-research/japanese-hubert-base-k2-rs35kh — акустическая модель для автоматического распознавания японской речи. Её разработала команда Reazon Research: HuBERT Base дообучена на корпусе ReazonSpeech v2.0 с использованием фреймворка k2. Модель содержит около 117,3 млн параметров, реализована как HubertForCTC и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для преобразования японской речи в текст, включая длинные записи. В тестах авторов она показала CER 11,23% в среднем по указанным наборам и 27,05% на JSUT-BOOK; результаты зависят от данных и условий распознавания. Модель принимает аудио и выдаёт текст. Лицензия Apache-2.0.

jina-embeddings-v5-omni-nano-classification-GGUF — мультимодальная модель эмбеддингов, разработанная Jina AI и предназначенная для запуска через llama.cpp. Это GGUF-квантизированная версия модели jina-embeddings-v5-omni-nano-classification с поддержкой текстовых, графических, видео- и аудиоданных. Модель преобразует входные данные в 768-мерные векторы общего пространства, поэтому документы можно индексировать с помощью текста, а выполнять поиск — по изображениям, видео, аудио или тексту без переиндексации. Модель содержит около 0,95 млрд параметров с текстовой, визуальной и аудиобашнями, использует pooling по последнему токену и поддерживает контекст до 8192 токенов. Она ориентирована на задачи классификации, мультимодального поиска и семантического сходства. Доступны матрёшечные размерности эмбеддингов от 32 до 768, а текстовая часть представлена в F16 и нескольких уровнях int-квантизации; мультимодальные проекторы используют F16. Заявлена мультиязычность, однако конкретный перечень языков в README не указан. Сильные стороны модели — единое векторное пространство для нескольких модальностей, относительно небольшой размер, возможность квантизации и поддержка различных форматов изображений, видео, аудио и PDF. Ограничения связаны с тем, что вариант предназначен только для classification-задач, а мультимодальная работа требует специальной ветки llama.cpp с патчами Jina AI, которые ещё не включены в upstream-версию. Лицензия — CC BY-NC 4.0, допускающая использование с ограничениями для некоммерческих целей.

BM-K/KoSimCSE-bert-multitask — модель BM-K для построения эмбеддингов корейских предложений на основе архитектуры BERT. Она предназначена для преобразования текста в векторы, которые можно применять для сравнения смысловой близости предложений и других задач семантического поиска. В README приведены результаты на тесте семантического сходства и материалы для обучения собственных моделей. Модель содержит 137,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт векторные представления. В метаданных указан корейский язык. Репозиторий содержит веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

haryads/kurdish-sentence-embeddings — модель векторных представлений предложений на центральнокурдском языке (сорани), разработанная для семантического поиска, поиска фрагментов для RAG, кластеризации и оценки сходства. Она преобразует текст в 512-мерные векторы; используется архитектура RoBERTa с усреднением токенов и L2-нормализацией. Базовая курдская RoBERTa обучена с нуля на корпусе из примерно миллиона предложений, затем модель дообучена контрастивным методом на примерно 22 тысячах пар предложений с трудными отрицательными примерами. Модель рассчитана на центральнокурдский (сорани, ckb), записанный арабским письмом. Контекст ограничен 130 токенами по метаданным. README приводит результаты на внутреннем курдском бенчмарке и сообщает о превосходстве над мультиязычной MiniLM в поиске и разделении тем; эти показатели относятся к описанным тестам. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. По README, обучение преимущественно на новостных текстах ограничивает надёжность на узкоспециализированных и разговорных данных; для них может потребоваться дообучение на профильном корпусе. Для лучших результатов рекомендуется нормализовать варианты арабских и курдских символов, ZWNJ и цифры перед кодированием.