I.14Автоматизация процессов и AI-агенты

mrm8488/m-e5-large_bs64_10_all_languages — модель эмбеддингов на архитектуре XLM-RoBERTa, опубликованная пользователем mrm8488. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения сходства и кластеризации. Модель обучалась с функцией потерь CosineSimilarityLoss и поддерживает контекст до 514 токенов. Модель подходит для построения мультиязычного семантического поиска и группировки текстов. В метаданных указаны 658,7 млн параметров и формат PyTorch; карточка называет её моделью Sentence-Transformers. Лицензия в доступных данных не указана.

narraticlabs разработала MiniLM-L6-european-union — компактную модель Sentence Transformers на архитектуре BERT, полученную дистилляцией paraphrase-MiniLM-L12 и сокращением до 6 слоёв. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для сравнения смысла и поиска семантически похожих текстов. Модель подходит для семантического поиска и кластеризации текстов на языках Европейского союза. Модель содержит 110,2 млн параметров, принимает текст и имеет контекстное окно 512 токенов. В метаданных перечислена поддержка английского, немецкого, французского, испанского, итальянского, нидерландского, польского, португальского, венгерского, румынского, шведского, датского, финского, чешского, греческого, болгарского, хорватского, эстонского, латышского, литовского, мальтийского, словацкого и словенского языков. Репозиторий использует формат safetensors; лицензия — Apache-2.0.

gomyk/minilm-student-L6_uniform_distilled — компактный многоязычный кодировщик предложений, созданный автором на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Модель использует архитектуру MiniLM с сокращением числа слоёв с 12 до 6 и уменьшенным словарём; в README указана размерность скрытого представления 384, а метаданные указывают 28,9 млн параметров и контекст до 512 токенов. Для дистилляции применялись потери MSE и косинусного сходства на данных задач классификации, кластеризации и семантического сходства. Модель предназначена для получения векторных представлений предложений, оценки их семантического сходства, кластеризации и классификации текстов. Она поддерживает 18 языков, включая русский и английский. В опубликованных результатах MTEB указаны средние показатели 56,93% в целом и 71,48% для STS; результаты зависят от языка и задачи. Модель выпущена под лицензией Apache-2.0.

LamaDiab/MiniLM-V6Data-SemanticEngine — модель Sentence Transformer на базе BERT, обученная для сопоставления предложений и абзацев в семантическом пространстве. Она преобразует текст в плотные векторы размерности 384; сходство можно оценивать косинусной мерой. Модель предназначена для семантического поиска, сравнения текстов и выявления перефразировок, а также подходит для кластеризации и классификации текстов на основе эмбеддингов. В обучении использован набор из 291 522 пар anchor–positive с функцией потерь MultipleNegativesSymmetricRankingLoss. В README указана максимальная длина последовательности 256 токенов, а метаданные Hugging Face указывают нативное контекстное окно 512 токенов; для работы следует учитывать ограничение, заданное конфигурацией модели. Оценка cosine accuracy на приведённом тесте составляет 0,9456. Модель принимает текст и возвращает нормализованные векторы; язык обучения и лицензия в доступных данных не указаны.

Карточка модели NostraEmpire/mirror-phi-4 на Hugging Face совпадает с карточкой microsoft/phi-4, поэтому описание составлено по ней. Phi-4 — языковая модель Microsoft Research с плотной архитектурой декодерного Transformer и 14,1 млрд параметров. Она принимает текстовые запросы, лучше всего в формате чата, и генерирует текст; длина контекста составляет 16 тысяч токенов. Модель доступна в формате Safetensors и распространяется по лицензии MIT. Модель предназначена для англоязычных сценариев общего назначения, особенно для рассуждений, логики, математики, программирования и следования инструкциям в условиях ограничений по памяти, вычислениям или задержке. При обучении использовались отфильтрованные общедоступные материалы, учебные и синтетические данные, академические книги, наборы вопросов и ответов, а также данные для настройки диалогов. Модель прошла supervised fine-tuning и direct preference optimization; около 8% обучающих данных были многоязычными. Phi-4 может служить компонентом генеративных ИИ-приложений и компактной альтернативой более крупным моделям для ряда задач рассуждения. Это статическая модель со срезом знаний по июнь 2024 года; ответы могут быть неточными, а качество и безопасность следует оценивать для конкретного применения, особенно в высокорисковых сценариях. Карточка указывает на основной фокус на английском языке.

Модель jfarray/Model_bert-base-multilingual-uncased_30_Epochs — sentence-transformers на архитектуре BERT, обученная сопоставлять предложения и абзацы в плотном 256-мерном векторном пространстве. Она подходит для семантического поиска и кластеризации текстов, а также для сравнения семантической близости фраз. Модель содержит 194,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги. В обучении использовалась функция потерь CosineSimilarityLoss; веса доступны в формате PyTorch. Название указывает на многоязычную uncased-базу bert-base-multilingual-uncased и обучение в течение 30 эпох, однако поддерживаемые языки отдельно не перечислены. Лицензия в предоставленных данных не указана.

jfarray/Model_paraphrase-multilingual-MiniLM-L12-v2_50_Epochs — модель эмбеддингов предложений на архитектуре BERT, представленная в формате PyTorch. Она кодирует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, кластеризации и сравнения текстов. В метаданных указаны 124,3 млн параметров и контекст до 512 токенов; модель обучалась с функцией CosineSimilarityLoss. Модель подходит для поиска похожих фрагментов текста, группировки документов и вычисления семантического сходства. В названии указано multilingual MiniLM, однако README и метаданные не перечисляют поддерживаемые языки. Лицензия в предоставленных данных не указана.

jfarray/Model_paraphrase-multilingual-mpnet-base-v2_10_Epochs — модель Sentence-Transformers на архитектуре XLM-RoBERTa, разработанная на основе paraphrase-multilingual-mpnet-base-v2 и обученная в течение 10 эпох. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель содержит около 305,2 млн параметров, принимает текст и формирует векторные представления; максимальная длина контекста — 514 токенов. Модель подходит для семантического поиска по коллекциям текстов, группировки похожих документов и вычисления сходства между фразами. В README указано обучение с CosineSimilarityLoss. Карточка не сообщает отдельную лицензию или результаты оценки качества, поэтому эти характеристики здесь не приводятся.

jfarray/Model_paraphrase-multilingual-mpnet-base-v2_5_Epochs — модель Sentence-Transformers на архитектуре XLM-RoBERTa, дообученная для создания плотных векторных представлений предложений и абзацев. Она преобразует текст в векторы размерностью 768 и предназначена для сравнения смысловой близости, семантического поиска и кластеризации текстов. Модель подходит для поиска похожих фраз и документов, группировки текстов по смыслу и построения компонентов поиска на эмбеддингах. В README указано обучение с CosineSimilarityLoss. Размер модели — 305,2 млн параметров, максимальная длина контекста — 514 токенов. Метаданные указывают на поддержку sentence similarity и извлечения признаков; языковая специализация не обозначена. Модель распространяется в формате PyTorch. Лицензия в предоставленных данных не указана, поэтому условия использования следует сверить на странице репозитория Hugging Face. Эмбеддинги сами по себе не генерируют ответы и качество поиска зависит от данных и выбранной схемы индексации.

hlyu/mpnet_14710 — модель на основе MPNet, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 61,2 млн параметров и рассчитана на входные последовательности длиной до 514 токенов. Векторы можно использовать для поиска похожих текстов и группировки семантически близких предложений. Для работы предусмотрены Sentence-Transformers и Hugging Face Transformers; при использовании Transformers нужно применить подходящую операцию pooling к контекстным представлениям токенов. Модель опубликована под идентификатором hlyu/mpnet_14710; сведения о лицензии в доступных данных отсутствуют.

Это англоязычная модель Sentence Transformer на базе microsoft/mpnet-base, дообученная разработчиками Sentence Transformers на наборе sentence-transformers/all-nli с функцией потерь MultipleNegativesRankingLoss. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения семантической близости по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из MPNet и mean pooling; максимальная длина последовательности — 512 токенов. В README приведены результаты оценки TripletEvaluator на наборах all-nli-dev и all-nli-test. Модель принимает текст и выдаёт векторы для дальнейшего поиска и анализа. Она рассчитана на английский язык. Распространяется по лицензии Apache-2.0.

Карточка модели opantama/mpnet-rag-science-embeddings на Hugging Face совпадает с карточкой sentence-transformers/all-mpnet-base-v2, поэтому описание составлено по ней. all-mpnet-base-v2 — модель Sentence Transformers, разработанная в ходе Community Week Hugging Face. Она кодирует предложения и короткие абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. В основе лежит microsoft/mpnet-base, дообученная контрастивным обучением на более чем миллиарде пар предложений из нескольких наборов данных. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст. Её можно применять для семантического поиска, извлечения информации и группировки похожих фрагментов. Текст длиннее 384 токенов модели обрезается; README рекомендует использовать её как кодировщик предложений и коротких абзацев. Лицензия — Apache-2.0.

AIDA-UPM — модель sentence-transformers на базе XLM-RoBERTa, обученная сопоставлять предложения и абзацы в общем плотном пространстве эмбеддингов размерности 768. Её можно применять для семантического поиска, кластеризации и оценки смыслового сходства текстов. Модель содержит 305,2 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и распространяется в формате PyTorch. Модель подходит для поиска близких по смыслу фрагментов в многоязычных корпусах и группировки текстов по тематике. Обучение с CosineSimilarityLoss указывает на настройку для работы с оценкой сходства. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformers, разработанная trmteb и дообученная на базе intfloat/multilingual-e5-base на слабоконтролируемом контрастивном наборе турецких текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию. Сходство векторов можно оценивать косинусной мерой. Модель предназначена для семантического поиска и сопоставления текстов, оценки семантического сходства, поиска перефразировок, кластеризации и классификации текстов. Контекст ограничен 512 токенами по README (в метаданных указано 514). Обучающий набор содержит около 60 млн пар «запрос — релевантный текст» на турецком языке; базовая модель многоязычная, однако карточка не уточняет языковой охват этой версии. Модель принимает текст и выдаёт эмбеддинги, которые можно использовать в системах поиска и анализа. Модель поставляется в формате safetensors и использует библиотеку sentence-transformers. В карточке не указана лицензия, поэтому условия использования следует проверить в репозитории модели.

Это многоязычная модель Sentence Transformer от mrm8488, дообученная на базе intfloat/multilingual-e5-large на расширенном испаноязычном наборе stsb_multi_es_aug. Модель на архитектуре XLM-RoBERTa преобразует предложения и абзацы в плотные текстовые эмбеддинги; описание указывает размерность 1024, усреднение токенов с последующей нормализацией и сравнение по косинусному сходству. Максимальная длина последовательности составляет 512 токенов по README; метаданные каталога указывают нативный контекст 514 токенов. Модель предназначена для оценки семантического сходства, семантического поиска, поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов. В README приведены результаты оценки сходства на STS для нескольких размерностей в диапазоне 16–768. Модель содержит 658,7 млн параметров и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

Data-Lab multilingual-e5-large-instruct-embedder_distill-tgd — дообученная модель Sentence Transformer на базе intfloat/multilingual-e5-large-instruct, разработанная Data-Lab. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска и сравнения текстов. Архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию; модель использует косинусное сходство и принимает последовательности длиной до 514 токенов по метаданным. Модель подходит для поиска близких по смыслу документов, оценки сходства текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. В README приведена точность cosine_accuracy 0,8994 на dev-наборе TripletEvaluator, но это значение относится только к указанной оценке и не гарантирует качество на других данных. Метаданные не уточняют языковой охват дообученной версии; базовая модель многоязычная. Репозиторий содержит веса Safetensors; сведения о лицензии в предоставленных данных отсутствуют.

IoannisKat1 разработал эту модель Sentence Transformers, дообучив multilingual-e5-large для семантического поиска и сопоставления предложений и абзацев. Она преобразует текст в плотные нормализованные векторы размерностью 1024 и использует косинусное сходство для сравнения. В архитектуру входят XLM-RoBERTa, усредняющий pooling и нормализация; модель содержит 658,7 млн параметров и принимает последовательности длиной до 514 токенов по метаданным (в README указан предел 512). Matryoshka-обучение позволяет использовать укороченные векторы размерностью от 64 до 768 для компромисса между размером представления и качеством поиска. Модель предназначена для векторизации текстов и поиска семантически близких фрагментов, в том числе для систем извлечения информации. README указывает английский язык и текстовый ввод; пример обучающих данных включает греческий текст, но это не подтверждает полноценную поддержку греческого. Лицензия — Apache-2.0. Результаты оценки приведены для датасета json и не гарантируют такое же качество на других данных; обучающая выборка содержит 4268 пар.

Модель austinpatrickm/multilingual-e5-small-finetuned — дообученный автором модели Sentence Transformer на базе intfloat/multilingual-e5-small. Она использует архитектуру BERT с усреднением токенных представлений и нормализацией и преобразует предложения и абзацы в плотные эмбеддинги размерности 384. Максимальная длина входа — 512 токенов; близость векторов можно оценивать косинусным сходством. Модель предназначена для семантического поиска, сравнения предложений, поиска перефразирований, кластеризации и классификации текста. В README приведены результаты оценки поиска информации и обучающий набор из 29 840 пар текстов. Многоязычность наследуется от базовой multilingual-e5-small; конкретные языки в карточке не перечислены. Лицензия в предоставленных данных не указана.

MyAwesomeModel — языковая модель, опубликованная в репозитории mcptester0606/MyAwesomeModel-TestRepo. Разработчик явно не указан. Модель реализована на базе библиотеки Transformers и ориентирована на задачи рассуждения, понимания и генерации текста, включая математику, программирование, логику, ответы на вопросы, классификацию, анализ тональности, суммаризацию, перевод, диалоговую генерацию и следование инструкциям. Также заявлены поддержка function calling, системных промптов, загрузки файлов и генерации с использованием результатов веб-поиска через специальные шаблоны запросов. По данным README, обновлённая версия получила более глубокое рассуждение и улучшенные алгоритмы постобучения. На тесте AIME 2025 точность выросла с 70% до 87,5%, а средний объём рассуждений увеличился примерно с 12 до 23 тысяч токенов на задачу. В сравнительных оценках модель показывает наиболее заметные результаты в логическом рассуждении, генерации кода, понимании текста и следовании инструкциям, однако README не содержит сведений об архитектуре, количестве параметров, поддерживаемых языках и размере контекста. Увеличенная глубина рассуждений может повышать вычислительные затраты и задержку ответа; конкретные ограничения и результаты независимой оценки не указаны. Лицензия модели — MIT.

nomic-embed-text-v2-moe-unsupervised — мультиязычная модель эмбеддингов текста с архитектурой NomicBert и механизмом mixture of experts (MoE), разработанная Nomic AI. Это чекпойнт после контрастивного предварительного обучения, входящий в многоэтапный процесс обучения финальной модели; для извлечения эмбеддингов авторы рекомендуют итоговую модель nomic-embed-text-v2-moe. Модель предназначена для получения векторных представлений текста и вычисления сходства между предложениями. Она основана на nomic-xlm-2048, использует библиотеку Sentence Transformers и принимает текст с контекстом до 2048 токенов. Метаданные указывают на мультиязычность; конкретный перечень языков в доступных сведениях не раскрыт. Доступные файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели armandosds/Olmo-3-7B-Think на Hugging Face совпадает с карточкой allenai/Olmo-3-7B-Think, поэтому описание составлено по ней. Olmo-3-7B-Think — авторегрессионная плотная Transformer-модель для генерации текста, разработанная Allen Institute for AI (Ai2). Это вариант семейства Olmo 3 с упором на пошаговое рассуждение; карточка указывает обучение на данных Dolma 3 и последующее дообучение на наборах Dolci. В метаданных базовой моделью названа allenai/Olmo-3-7B-Think-DPO, а связь указана как finetune. Модель предназначена для диалогов и задач, где полезны развёрнутые рассуждения, в частности математики, программирования, ответов на общие вопросы и следования инструкциям. Она содержит 6,9 млрд параметров, поддерживает контекст до 65 536 токенов и рассчитана прежде всего на английский язык. Для запуска используется библиотека Transformers; веса опубликованы в формате safetensors. Модель может давать неточные ответы и без дополнительной фильтрации способна генерировать вредный или чувствительный контент. Результаты следует проверять, а при практическом использовании учитывать возможную предвзятость. Лицензия — Apache 2.0; карточка также ссылается на рекомендации Ai2 по ответственному использованию.

OpenCerebrum-1.0-7B-SFT — языковая модель Locutusque, дообученная на базе alpindale/Mistral-7B-v0.2-hf. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате Safetensors. Модель предназначена для генерации текста и ответов на вопросы, включая задачи программирования, математики, естественных наук, рассуждений и общего следования инструкциям. Для дообучения использована смесь примерно из 1,2 млн примеров из 14 открытых наборов данных; заявленный основной язык — английский. Модель задумана как открытая реплика возможностей Cerebrum, но её качество может уступать оригиналу. Ответы могут наследовать предвзятость и ограничения обучающих данных, а размер 7B требует учитывать доступные вычислительные ресурсы. Лицензия — Apache 2.0.

ganser4566/paraphrase-multilingual-MiniLM-L12-v2 — многоязычная модель Sentence-Transformers на архитектуре BERT, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для сравнения семантической близости текстов, семантического поиска и кластеризации. Модель содержит 124,3 млн параметров, принимает текст и формирует векторные представления. Её контекстное окно — 512 токенов; в метаданных указана поддержка русского и ряда других языков, включая английский. Для использования доступны библиотека sentence-transformers и формат safetensors. Лицензия Apache-2.0 разрешает свободное использование на её условиях. Векторы подходят для поиска и группировки текстов, но качество зависит от языка, формулировок и выбранной схемы сравнения; модель сама по себе не генерирует ответы и не выполняет поиск по коллекции без дополнительной системы.

Это дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, опубликованная под именем legalvn/paraphrase-multilingual-MiniLM-L12-v2-500. Архитектура основана на BERT с усреднением токенных представлений; модель содержит 124,3 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 384. Метаданные указывают на контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Модель предназначена для вычисления семантического сходства по косинусной близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Примеры обучающего набора и многоязычная базовая модель указывают на поддержку вьетнамского и других языков; конкретный полный перечень языков в карточке не приведён. Лицензия в предоставленных данных не указана.

Sprylab/paraphrase-multilingual-MiniLM-L12-v2-fine-tuned-3 — модель для получения эмбеддингов предложений и абзацев, разработанная Sprylab на базе multilingual MiniLM. Она кодирует текст в плотные векторы размерностью 384 и предназначена для поиска семантически похожих текстов, кластеризации и сравнения предложений. Модель использует архитектуру BERT; в репозитории представлены веса PyTorch. Контекст ограничен 512 токенами. Модель подходит для построения семантического поиска и группировки текстов на нескольких языках. Карточка указывает обучение с MegaBatchMarginLoss, но не приводит список языков, обучающие данные или результаты оценки. Лицензия в предоставленных сведениях не указана.

Многоязычная модель Sentence Transformers на архитектуре BERT, дообученная на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерностью 384 и предназначена для семантического поиска, сравнения сходства и кластеризации. Обучение с Matryoshka2dLoss поддерживает использование представлений нескольких размерностей, включая 768, 512, 256, 128 и 64; контекст модели составляет 512 токенов, число параметров — 124,3 млн. Модель подходит для многоязычных текстовых коллекций и поиска семантически близких фрагментов. Для сравнения сходства и ранжирования результатов требуется использовать полученные эмбеддинги в соответствующей метрике или поисковом процессе. Лицензия в предоставленных данных не указана.

IoannisKat1 разработал эту модель Sentence Transformers на основе sentence-transformers/paraphrase-multilingual-mpnet-base-v2, дообучив её на 4 268 парах текстов. Модель преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска по смыслу и извлечения релевантных текстов; близость векторов можно оценивать косинусным сходством. Архитектура включает XLM-RoBERTa и mean pooling. Matryoshka-обучение позволяет использовать усечённые векторы меньшей размерности, с приведёнными в карточке результатами для 512, 256, 128 и 64 измерений. Модель принимает текст. В карточке указан английский язык, а примеры обучающих данных написаны на греческом, поэтому применимость к другим языкам не следует считать подтверждённой только по заявленному языку. Метаданные указывают 305,2 млн параметров и контекст до 514 токенов; README отдельно задаёт максимальную длину последовательности в 128 токенов. Лицензия — Apache-2.0.

dbourget подготовил Sentence Transformer на базе dbourget/philai-embeddings-2.0, дообучив его для получения векторных представлений предложений и абзацев. Модель использует архитектуру BERT с 136,7 млн параметров и формирует плотные эмбеддинги размерности 1024; для сходства рекомендуется косинусная мера. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В README приведена оценка на наборе beatai-dev с TripletEvaluator: точность cosine составляет 0,8215. Метаданные указывают задачи sentence-similarity и feature-extraction; модель реализована на Sentence Transformers и опубликована в формате safetensors. Лицензия в предоставленных данных не указана.

unsloth/Phi-4-reasoning-GGUF — GGUF-версия модели Phi-4-reasoning, разработанной Microsoft Research и подготовленной для распространения Unsloth. Это открытая модель с весами, дообученная на базе Phi-4 с использованием supervised fine-tuning на наборах трасс рассуждений и reinforcement learning. Обучающие данные были ориентированы на математику, естественные науки, программирование, безопасность и Responsible AI. Модель представляет собой плотный decoder-only Transformer с 14 млрд параметров и поддерживает текстовые входы, предпочтительно в формате чата. Длина контекста составляет 32k токенов, заявленный язык — английский. Модель генерирует ответы, включающие блок рассуждений и последующее резюме, поэтому подходит для задач, требующих пошагового анализа, решения математических и научных задач, а также написания и анализа кода. К сильным сторонам относятся специализация на reasoning-задачах и сочетание сравнительно компактного размера с возможностями Phi-4. Ограничения включают поддержку только текстовой модальности, ориентацию на английский язык и необходимость корректного шаблона запуска: для включения рассуждений в llama.cpp требуется параметр --jinja. README не содержит полной информации о характеристиках конкретного квантования GGUF, включая его вариант и требования к памяти. Модель распространяется по лицензии MIT.

zetasepic/Qwen2.5-32B-Instruct-abliterated-v2 — доработанная версия Qwen/Qwen2.5-32B-Instruct, созданная с использованием кода из проекта refusal_direction и техники Abliterated. Это плотная авторегрессионная модель семейства Qwen2 с 32 млрд параметров, предназначенная для диалогов и генерации текста; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, а заявленное окно контекста составляет 32 768 токенов. Базовая Qwen2.5-32B-Instruct рассчитана на диалог, программирование, математику и структурированные ответы; карточка этой версии не приводит отдельные оценки качества или подробные результаты. Язык карточки и метаданные указывают английский, поэтому поддержка других языков здесь не заявляется. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0.