I.14Автоматизация процессов и AI-агенты

Monkey — мультимодальная модель, разработанная исследователями Huazhong University of Science and Technology и Kingsoft для понимания изображений и ответов на вопросы по ним. Модель предназначена для описания изображений, визуальных вопросов и ответов, включая изображения документов с плотным текстом. Monkey использует архитектуру MonkeyLMHeadModel, содержит 11,4 млрд параметров и принимает изображения с разрешением до 896 × 1344 пикселей. Метаданные задают контекст 8192 токена и формат PyTorch. В README отмечены внимание к мелким деталям и тексту на изображениях, а также способность описывать связи между объектами и сценами. Модель обучалась и оценивалась на широком наборе визуальных задач. Лицензия в предоставленных данных не указана.

Moonshine Tiny PT v08 — дообученная модель распознавания речи на базе aomocelin/moonshine_tiny_pt_v05. Она предназначена для преобразования аудио в текст; архитектура — MoonshineForConditionalGeneration, файлы модели представлены в формате safetensors. В README приведены результаты оценки: loss 0,4744 и WER 5,8564, однако описание набора данных и условий оценки отсутствует. Контекст модели составляет 194 токена. Модель распространяется по лицензии MIT.

Это GGUF-сборка MOSS-Transcribe-Diarize от Luigi на основе модели OpenMOSS-Team/MOSS-Transcribe-Diarize. Репозиторий содержит варианты весов для запуска через движок RapidSpeech.cpp: основная версия q4mix-v2 занимает 759 МБ, также доступны варианты q8mix и F32. Базовая модель с 0,9 млрд параметров использует энкодер Whisper-medium и декодер Qwen3-0.6B; веса портированы в формат C++/ggml и проверены на соответствие исходному PyTorch-чекпойнту. Основная задача — транскрибирование аудио с временными метками и диаризацией говорящих; модель рассчитана на китайский и английский языки. Вариант q4mix-v2 дополнительно адаптирован QAT к распознаванию тишины: на полностью беззвучном входе он должен возвращать пустую расшифровку, сохраняя чувствительность к тихой речи. По приведённым тестам, точность на китайском наборе из пятиминутных записей улучшилась по сравнению с предыдущим q4-вариантом, а качество английской однопроходной расшифровки снизилось на 1,5 процентного пункта. Лицензия — Apache-2.0. Описание не подтверждает, что эта сборка сохраняет все функции диаризации базовой модели во всех вариантах весов.

zelk12/MT1-Max-Merge_02012025163610-MUI-gemma-2-9B — объединённая разговорная языковая модель семейства Gemma 2, созданная методом SLERP с помощью mergekit из двух моделей Gemma 2. Модель содержит 9 млрд параметров, использует архитектуру Gemma2ForCausalLM и формат safetensors; в конфигурации слияния указан тип данных bfloat16. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать как основу для чат-ботов и приложений, которые формируют ответы на текстовые запросы. Метаданные указывают контекст до 8192 токенов. Данные о целевых языках и специализированных областях применения в карточке не приведены. Лицензия в предоставленных данных не указана. Качество и поведение объединённой модели зависят от исходных моделей; отдельные результаты оценки и сведения об ограничениях в карточке отсутствуют.

GiordanoB/mT5_multilingual_XLSum-finetuned-summarization — модель семейства mT5, дообученная на основе csebuetnlp/mT5_multilingual_XLSum. Она предназначена для автоматического суммирования текста. Модель содержит 291,2 млн параметров и распространяется в формате PyTorch. Карточка не содержит сведений о наборе данных для дополнительного дообучения, оценке качества и конкретных ограничениях. mT5 поддерживает несколько языков, однако языки и сценарии, проверенные именно для этой версии, не описаны. Лицензия в предоставленных данных не указана.

NeoAraBERT_Mix — арабская модель для получения текстовых эмбеддингов на архитектуре NeoBERT, разработанная совместно подразделением U4RASD Центра исследований и политических исследований арабских стран (ACRPS) и Американским университетом Бейрута (AUB). Чекпойнт предварительно обучен на открытых и внутренних наборах данных, охватывающих современный литературный арабский, классический арабский и диалекты. В репозитории указаны архитектура NeoBERT и размер 314,2 млн параметров; модель распространяется в формате Safetensors и рассчитана на работу через Transformers. Модель предназначена для построения эмбеддингов и задач понимания арабского текста. Авторы сообщают о сравнении с пятью арабскими моделями на 23 задачах и о лидерстве вариантов NeoAraBERT в 18 из них; отдельная задача Muradif оценивает качество эмбеддингов без дополнительного дообучения. В модель заложены решения, ориентированные на арабский язык: нормализация текста, лёгкий стемминг, обработка диакритики и POS-ориентированное маскирование токенов. Лицензия — CC BY-SA 4.0. Это базовая языковая модель, а её качество на конкретных прикладных задачах может зависеть от выбранной downstream-модели или дополнительной настройки; сведения о длине контекста в предоставленных данных отсутствуют.

NeoAraBERT_DA — арабская модель для получения текстовых эмбеддингов, разработанная подразделением U4RASD Центра исследований и политических исследований арабского мира совместно с Американским университетом Бейрута. Она основана на архитектуре NeoBERT и дообучена на диалектном арабском; размер модели — 314,2 млн параметров. Модель предназначена для векторного представления текста и задач понимания арабского языка, включая классификацию и предсказание замаскированных токенов. В README описаны предварительное обучение на разнообразных арабских данных и исследования нормализации, стемминга и обработки диакритики; семейство NeoAraBERT показало высокие результаты на широком наборе арабских задач. Репозиторий использует Transformers и формат safetensors. Лицензия — CC BY-SA 4.0.

jeiku/Neo-e2 — дообученная диалоговая текстовая модель на архитектуре LlamaForCausalLM, основанная на IntervitensInc/Llama-3.1-Minitron-4B-Width-Base-chatml. Модель содержит 3,9 млрд параметров и рассчитана на генерацию текста в формате диалога; для работы с ней используется библиотека Transformers. В карточке указано контекстное окно 131 072 токена. Карточка сообщает о дообучении и приводит значение loss 1,5576 на наборе оценки, но не раскрывает датасет, конкретные сценарии обучения или результаты других метрик. Указана лицензия other; её условия следует уточнить в карточке репозитория и у правообладателей базовой модели.

NeuralPipe-7B — слитая модель для генерации текста, созданная Mlabonne с помощью mergekit на основе OpenPipe/mistral-ft-optimized-1218 и mlabonne/NeuralHermes-2.5-Mistral-7B. Она объединяет веса двух моделей архитектуры Mistral методом SLERP и предназначена для генерации текста и диалоговых сценариев. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В README приведены результаты оценки на задачах рассуждения и понимания текста, включая AI2 Reasoning Challenge и HellaSwag. Репозиторий использует формат safetensors; лицензия — Apache 2.0. Сведения о поддерживаемых языках и специализированных областях применения не приведены.

NeuralsirkrishnaShadow_MeliodasT3q — объединённая модель, созданная из automerger/NeuralsirkrishnaShadow-7B и automerger/MeliodasT3q-7B. Это плотная Mistral-архитектура с 7,1 млрд параметров для генерации текста; она также подходит для диалогов и поддерживает контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Данные карточки не уточняют поддерживаемые естественные языки или специализированные предметные области.

Mungert/nomic-embed-code-GGUF — набор GGUF-квантованных версий модели для создания векторных представлений исходного кода. Модель разработана пользователем Mungert на базе Qwen/Qwen2.5-Coder-7B-Instruct; преобразование выполнено с помощью llama.cpp. В метаданных она обозначена как sentence-transformers с задачей sentence-similarity и feature-extraction. Модель предназначена для семантического сравнения и поиска фрагментов исходного кода, извлечения признаков, построения систем поиска по репозиториям и других сценариев, где требуется сопоставлять программный код по смыслу. В обучающих данных представлены Python, JavaScript, Java, Go, PHP и Ruby. Архитектура и размер базовой модели указаны как Qwen2.5-Coder-7B-Instruct и 7B параметров соответственно; поддерживаемые языки, размер контекста и дополнительные модальности в README не уточняются. Ключевая особенность сборки — специальная схема квантования с повышением точности отдельных слоёв относительно стандартного imatrix-подхода, особенно для низкобитных вариантов. Доступны форматы различной точности и размера, включая BF16, F16, гибридные варианты и квантования Q4, Q6, Q8 и IQ3. Это позволяет выбирать баланс между качеством, скоростью и требованиями к памяти на GPU или CPU, однако низкобитные варианты могут уступать более точным по качеству, а размер файлов увеличивается при сохранении отдельных слоёв в повышенной точности. Лицензия — Apache-2.0.

Nous-Hermes-2-SUS-Chat-34B-Slerp — чат-модель на архитектуре Llama, созданная автором репозитория с помощью слияния моделей через mergekit. В её названии и шаблонах указаны Nous-Hermes-2-Yi-34B и SUS-Chat-34B; точная конфигурация слияния в доступной карточке не приведена. Модель предназначена для генерации текста в диалоговом формате. Автор рекомендует использовать шаблон ChatML; также приведён шаблон Human–Assistant. Размер модели — 33,9 млрд параметров, контекст — 4096 токенов. В репозитории доступны веса safetensors. В карточке приведены результаты Open LLM Leaderboard, включая среднюю оценку 74,06, AI2 Reasoning Challenge и HellaSwag. Лицензия обозначена как other, поэтому перед использованием следует проверить условия на странице репозитория.

Карточка модели OpenBuddy/openbuddy-mistral2-7b-v20.2-32k на Hugging Face совпадает с карточкой OpenBuddy/openbuddy-mistral2-7b-v20.3-32k, поэтому описание составлено по ней. OpenBuddy-mistral2-7b-v20.3-32k — плотная чат-модель семейства Mistral с 7,1 млрд параметров, разработанная проектом OpenBuddy. Она предназначена для многоязычного диалога и генерации ответов; поддерживает контекст до 32 768 токенов. Метаданные указывают на поддержку китайского, английского, французского, немецкого, японского, корейского, итальянского и русского языков. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Модель подходит для чат-ботов, ответов на вопросы и генерации текста на поддерживаемых языках. Лицензия — Apache 2.0. Авторы предупреждают, что ответы могут быть ошибочными, вредными или оскорбительными; модель не следует применять в критических сценариях, включая медицину и важные финансовые или юридические решения.

argilla/OpenHermes-2.5-Mistral-7B-top-SPIN-iter0 — разговорная языковая модель, дообученная на базе teknium/OpenHermes-2.5-Mistral-7B на наборе argilla/10k_prompts_top_SPIN_iter0. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и рассчитана на генерацию текста и диалоговые сценарии; заявленная длина контекста — 32 768 токенов. Её можно использовать для генерации ответов в чате и других задач продолжения текста. В карточке приведены лишь краткие сведения о дообучении; подробные оценки качества, рекомендуемые сценарии, сведения о разработчике и лицензии отсутствуют. Репозиторий содержит веса в формате safetensors.

OpenOrca-Preview1-13B — языковая модель, созданная командой Open-Orca путём дообучения LLaMA-13B на отобранных 200 тысячах примеров GPT-4 из датасета OpenOrca. Это предварительный выпуск, предназначенный для генерации ответов на инструкции и решения задач на рассуждение. Для запросов используется формат Alpaca с разделами Instruction и Response. Модель имеет плотную архитектуру LLaMA и около 12,9 млрд параметров; она принимает текст и генерирует текст. В карточке указаны английский язык и контекст 2048 токенов. Авторы сообщают об оценке на BigBench-Hard и AGIEval, но отмечают, что выпуск обучен лишь на небольшой части данных и детали обучения будут опубликованы позднее. Лицензия — MIT.

DuoNeural OpenYourMind-Gemma4-12B-IT-Abliterated-GGUF — набор GGUF-квантизаций модели OpenYourMind/gemma-4-12B-it-abliterated-uncensored, разработанной OpenYourMind на основе Google Gemma 4 12B IT. DuoNeural отвечает за конвейер квантизации, а OpenYourMind — за метод abliteration и создание исходной uncensored-версии. Модель предназначена для генерации текста и диалоговых сценариев, включая задачи рассуждения, а также мультимодального анализа изображений и аудио в исходной архитектуре. Это плотная decoder-only модель с унифицированным encoder-free стеком для текста, изображений и аудио. Она содержит около 11,95 млрд параметров, 48 слоёв, скрытый размер 3840, словарь из 262 144 токенов и поддерживает контекст до 256K токенов. Используются 16 attention heads, 8 KV heads, гибридное внимание с локальным окном 1024 и глобальным вниманием, а также p-RoPE. В README явно указан английский язык. Ключевые особенности — сохранение мультимодальности и режима рассуждений исходной Gemma 4, совместимость по форме с google/gemma-4-12B-it и наличие квантизаций Q3_K_L, Q4_K_M, Q5_K_M и Q8_0 для запуска на видеокартах с примерно 8–16+ ГБ VRAM. Вариант Q4_K_M заявлен как оптимальный баланс размера и качества. Ограничения включают зависимость качества и требований к памяти от выбранного уровня квантизации, необходимость актуальной поддержки Gemma 4 в используемом ПО, а для полной мультимодальности — применение исходных BF16-весов; для них требуется около 24 ГБ памяти GPU при умеренном контексте. Abliterated uncensored-поведение означает отсутствие стандартных отказов по заявленным направлениям, но README не содержит независимой оценки качества или безопасности. Лицензия указана как gemma. Отдельные условия лицензии GGUF-квантизаций в README не раскрыты.

Orca Mini v9.0 3B Instruct — диалоговая языковая модель Pankaj Mathur, дообученная на базе Meta Llama 3.2 3B Instruct. Это плотная авторегрессионная модель архитектуры Llama с 3,2 млрд параметров, предназначенная для генерации текста и общения в формате инструкций. Она принимает текст и выдаёт текст; в карточке указаны английский язык и контекст до 131 072 токенов. Модель подходит для диалогового помощника, ответов на вопросы, составления текстов и других сценариев генерации на английском языке, включая развёртывание в средах с ограниченными ресурсами. Лицензия — Llama 3.2. Как и другие компактные языковые модели, она может давать неточные, предвзятые или нежелательные ответы; перед использованием в приложении требуется оценка качества и настройка мер безопасности.

Ornith-1.0-9B-MTP-GGUF — это квантизированная GGUF-сборка модели Ornith-1.0-9B, разработанной deepreinforce-ai, с интегрированной MTP-головой, подготовленной protoLabsAI. Модель предназначена для генерации текста и запуска через llama.cpp, включая ускоренное multi-token speculative decoding без отдельной черновой модели. Голова nextn встроена в основной файл, а также доступна в виде отдельного компонента для подключения к базовой GGUF-модели Ornith-9B. Доступны варианты от BF16 и Q8_0 до низкобитных Q4_K_M, IQ4_XS, IQ3_M и IQ2_M, размером примерно от 3,9 до 18,4 ГБ. Сборка ориентирована на архитектуру Qwen3.5 и поддерживает контекст, задаваемый при запуске; в примерах указан размер 8192 токенов. Для работы требуется llama.cpp версии не ниже b9616 с поддержкой архитектуры qwen35 и режима draft-mtp. На видеокартах Ampere и старше рекомендуется Q4_K_M, а на Blackwell — NVFP4, где MTP может обеспечить наибольший прирост скорости. В приведённых тестах ускорение достигало 1,73 раза для Q8_0 и около 1,38 раза для Q4_K_M, однако результат зависит от квантизации, оборудования и предсказуемости текста. Сильные стороны модели — встроенное speculative decoding, отсутствие необходимости отдельно подключать draft-модель, широкий выбор квантизаций и возможность работы на системах с ограниченной видеопамятью. Ограничения включают зависимость производительности от версии llama.cpp, типа GPU и параметров глубины чернового предсказания; старые версии Ollama могут быть несовместимы. Отдельная MTP-голова не является самостоятельной моделью и не может загружаться напрямую. Распространение выполняется по лицензии MIT.

palmer-004 — компактная языковая модель семейства Llama, созданная Appvoid объединением нескольких моделей. Она предназначена для генерации текста и ответов на запросы; автор отмечает, что модель склонна отвечать без специального промпта и её можно дополнительно дообучить под конкретную задачу. Модель содержит около 1 млрд параметров, поддерживает контекст до 32 768 токенов и доступна в форматах Safetensors и GGUF F16. В README приведены результаты тестов MMLU, ARC-C, HellaSwag, PIQA и Winogrande: средний результат palmer-004 составляет 0,5244. По сравнению с palmer-004-old улучшились показатели на четырёх тестах, но немного снизился результат Winogrande. Автор также отмечает, что palmer-003 может быть предпочтительнее, если длинный контекст не нужен. Лицензия — Apache-2.0.

Parakeet TDT v3 0.6B CoreML — мультиязычная модель автоматического распознавания речи, разработанная FluidInference на основе nvidia/parakeet-tdt-0.6b-v3. Модель преобразована в формат Core ML для платформ Apple и предназначена для полностью локальной транскрипции аудиофайлов, диктовки, создания заметок и встраивания распознавания речи в приложения через Swift-фреймворк FluidAudio. Модель использует архитектуру FastConformer-TDT (Token Duration Transducer) и содержит около 0,6 млрд параметров. Она принимает монофонический аудиосигнал с частотой 16 кГц в формате Float32 PCM и поддерживает 25 европейских языков: английский, испанский, французский, немецкий, болгарский, хорватский, чешский, датский, нидерландский, эстонский, финский, греческий, венгерский, итальянский, латышский, литовский, мальтийский, польский, португальский, румынский, словацкий, словенский, шведский, русский и украинский. Используется смешанная точность, оптимизированная для выполнения на ANE и CPU. К сильным сторонам относятся высокая скорость пакетной обработки, низкая задержка, автономная работа без сетевых запросов после загрузки моделей и повышенная приватность данных. На M4 Pro заявлен показатель около 110x RTF в пакетном режиме, однако фактическая производительность зависит от устройства, длительности аудио и выбранных вычислительных блоков. Основное ограничение — специализация на европейских языках, поэтому качество для других языков не заявлено и может снижаться. В метаданных указана лицензия CC BY 4.0, тогда как в тексте README также упоминается Apache 2.0 для репозитория FluidAudio; условия для конкретных артефактов следует уточнять отдельно.

Это версия весов NVIDIA Parakeet TDT 1.1B, преобразованная пользователем extraordinarylab из формата NeMo в формат Transformers для Hugging Face. В README указано, что веса не менялись; отличаются формат контрольной точки, конфигурация и оболочки токенизатора и экстрактора признаков. Модель использует энкодер FastConformer-XL из 42 слоёв с размерностью 1024 и голову TDT (Token-and-Duration Transducer) с длительностями токенов от 0 до 4; словарь содержит 1024 BPE-токена и blank-токен. Модель предназначена для автоматической транскрипции английской речи в текст. Она выдаёт текст в нижнем регистре без пунктуации. В README описана проверка совпадения с NeMo на двух фрагментах LibriSpeech: совпали выходы жадного декодирования и транскрипции. Репозиторий использует Transformers и формат safetensors. Лицензия — CC BY 4.0.

bunsenfeng/parti_24_full — модель генерации текста, опубликованная на Hugging Face и доступная через библиотеку Transformers. По метаданным она относится к семейству Qwen2, имеет около 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Сведения о разработчике и лицензии в предоставленной карточке отсутствуют. Модель предназначена для генерации продолжений текста и диалоговых сценариев, включая использование в приложениях на базе Transformers. Тег conversational указывает на пригодность для разговорного взаимодействия, однако README не содержит описания обучения, результатов оценки, поддерживаемых языков, рекомендаций по применению или подробностей архитектуры. Поэтому перед использованием в продуктивных системах необходимы самостоятельная проверка качества и оценка безопасности ответов.

Perception Language Model (PLM) — семейство мультимодальных моделей Meta для понимания изображений и видео; эта карточка относится к варианту PLM8B. Модель сочетает визуальный энкодер с языковым декодером менее чем на 8 млрд параметров и доступна в формате Safetensors для работы с библиотекой Transformers. В README описаны обучение и оценка модели, а также результаты на наборах тестов для визуальных вопросов, OCR, понимания графиков и пространственно-временных аспектов видео. PLM предназначена для диалога по изображениям и видео, ответов на вопросы о визуальном содержимом и детального анализа сцен и событий. Разработчики сообщают, что при обучении исследовали масштабирование синтетических данных и создали набор из 2,8 млн примеров с разметкой людей; в описанном стандартном обучении не использовалась дистилляция закрытых моделей. Карточка не приводит отдельные численные оценки ограничений модели или длину контекста. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

bunnycore/Phi-4-RP-v0 — слитая модель диалогового языка, созданная автором репозитория с помощью mergekit линейным объединением bunnycore/Phi-4-RP и Undi95/Phi4-abliterated. Это плотная трансформерная модель семейства Phi-4 с архитектурой Phi3ForCausalLM и примерно 14,1 млрд параметров; она предназначена для генерации текста в диалоге и рассчитана на контекст до 16 384 токенов. Модель подходит для ведения диалога и генерации ответов на текстовые запросы. Лицензия — MIT. В карточке приведены результаты Open LLM Leaderboard, включая 68,27 на IFEval и 54,84 на BBH; эти значения сами по себе не гарантируют качества на прикладных задачах.

PLaMo-13B-Instruct-NC — языковая модель Preferred Networks, дообученная следовать инструкциям на основе PLaMo-13B с контекстом 8192 токена. Это плотная авторегрессионная модель с архитектурой decoder-only и примерно 14,7 млрд параметров по метаданным. Для настройки использованы общедоступные наборы данных, в том числе японские переводы Stanford Alpaca, Dolly и части Anthropic HH-RLHF, а также OpenAssistant и материалы японских новостных текстов. Модель предназначена для диалогов и выполнения инструкций на японском и английском языках: она может отвечать на вопросы, помогать с написанием и преобразованием текста. Выпускается в формате safetensors для Transformers. Лицензия CC-BY-NC-4.0 разрешает использование на условиях Creative Commons Attribution-NonCommercial 4.0, включая обязательное указание авторства и некоммерческое применение. Ответы могут быть неточными, предвзятыми или нежелательными. Проверки проводились на английском и японском языках и не охватывают все сценарии; перед внедрением модель следует проверить и настроить для конкретного применения.

Это уменьшенная версия модели для восстановления пунктуации и заглавных букв в португальском тексте, разработанная VÓCALI в рамках проекта SANIVERT. Модель основана на neuralmind/bert-base-portuguese-cased и дообучена для токенной классификации на корпусе из примерно 2,97 млн текстовых примеров и 49,7 млн токенов на португальском языке. Модель предназначена для автоматической расстановки знаков препинания и восстановления регистра в текстах. Архитектура — BERT с классификационной головой для токенов, размер — 136,1 млн параметров, максимальный контекст — 512 токенов. Для оценки использовались Macro F1 и Weighted F1; численные результаты в карточке не приведены. Файлы модели опубликованы в формате safetensors. Условия лицензии в предоставленных источниках не описаны.

PunjabiSBERT — модель семейства BERT от L3Cube-Pune, дообученная на наборе данных NLI для получения представлений предложений на пенджабском языке. Она предназначена для вычисления семантического сходства между предложениями и извлечения эмбеддингов для поиска или группировки текстов. Модель содержит 264,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель подходит для сравнения пенджабских предложений и построения приложений на основе векторного поиска. Для использования по лицензии CC-BY-4.0 требуется атрибуция. В README отмечена отдельная улучшенная версия для сходства предложений; сведения о её сравнительных результатах здесь не приведены.

Qwen1.5-4B — базовая предобученная языковая модель от команды Qwen, бета-версия семейства Qwen2. Это декодерная Transformer-модель с примерно 3,6 млрд параметров, предназначенная для генерации текста и дальнейшей адаптации под прикладные задачи. Для пользовательского диалога предпочтительна отдельная чат-версия семейства: разработчики не рекомендуют использовать базовую модель для генерации без дополнительного обучения. Модель поддерживает контекст до 32 768 токенов и многоязычный токенизатор, адаптированный также к программному коду. В архитектуре семейства используются активация SwiGLU и смещение в проекциях внимания QKV; описание бета-версии уточняет, что в ней временно отсутствуют GQA (кроме модели 32B) и сочетание скользящего окна с полным вниманием. Модель принимает текст и генерирует текст. Рекомендуемые сценарии — продолжение текста, эксперименты и дообучение с помощью SFT, RLHF или продолжения предобучения. Репозиторий содержит веса в формате safetensors. Указана лицензия other, поэтому точные условия использования следует проверять в файлах лицензии репозитория.

Minami-su/Qwen1.5-7B-Chat_llamafy — версия модели Qwen1.5-7B-Chat от Alibaba Cloud, адаптированная автором репозитория для совместимости с архитектурой LLaMA и загрузки через соответствующие инструменты. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров с возможностью диалогового общения. Она предназначена для генерации текста и ответов в чате; в карточке приведены результаты отдельных тестов модели, загруженной в 4-битном режиме. Модель принимает текст и генерирует текст. В метаданных указаны английский и китайский языки, контекст — 4096 токенов, библиотека Transformers и формат PyTorch. Лицензия обозначена как other, поэтому конкретные условия использования следует уточнить в репозитории и у правообладателя базовой модели.

manojpaul9986/qwen-1.5b-dpo — дообученная разработчиком manojpaul9986 разговорная языковая модель семейства Qwen2 с 1,5 млрд параметров. Она предназначена для генерации текста и диалоговых сценариев; обучение выполнялось с помощью Unsloth и библиотеки TRL на базе manojpaul9986/qwen-1.5b-sft. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0.