I.14Автоматизация процессов и AI-агенты

srikarvar/fine_tuned_model_3 — модель Sentence Transformers на архитектуре BERT, дообученная автором на базе srikarvar/multilingual-e5-small-pairclass-contrastive. Она кодирует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Модель рассчитана на английский язык, принимает последовательности длиной до 512 токенов и выдаёт эмбеддинги. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразирований, кластеризации и классификации. В README приведена оценка на наборе e5-cogcache-small-refined: cosine_accuracy@1 — 0,5, @3 — 0,8571, @5 — 1,0; обучающая выборка содержит 246 пар. Репозиторий использует safetensors и библиотеку Sentence Transformers. Лицензия — Apache-2.0.

TurkuNLP/finnish-modernbert-large-short-5e-05-msmarco — модель Sentence Transformers, дообученная TurkuNLP на базе TurkuNLP/finnish-modernbert-large-short на датасете msmarco-co-condenser-margin-mse-sym-mnrl-mean-v1. Она преобразует предложения и абзацы на английском языке в плотные эмбеддинги размерности 1024 для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. Архитектура состоит из ModernBERT с усреднением токенных представлений; максимальная длина последовательности — 8192 токена, сходство оценивается косинусной мерой. Модель подходит для построения поиска по смыслу и систем ранжирования текстовых кандидатов, когда запросы и документы представлены на английском языке. В карточке приведён результат cosine_accuracy 0,994 на TripletEvaluator для msmarco-co-condenser-dev; он относится к указанной оценке и не гарантирует такую же точность на других данных. Лицензия в предоставленных сведениях не указана.

flammen8-mistral-7B — объединённая языковая модель, созданная flammenai методом SLERP с помощью mergekit из flammen7-mistral-7B и AlphaMonarch-7B. Это плотная авторегрессионная архитектура MistralForCausalLM с 7,1 млрд параметров; модель опубликована в формате safetensors и поддерживается библиотекой Transformers. Она предназначена для генерации текста, включая диалоговое взаимодействие, выполнение инструкций и рассуждения. Контекстное окно составляет 32 768 токенов. Модель принимает текст и генерирует текст. В карточке не заявлены специализированные области применения или поддерживаемые языки. Репозиторий создан 15 марта 2024 года. Лицензия — Apache-2.0.

Gflorent/fossil_flex — модель sentence-transformers на архитектуре MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель обучена с функцией потерь CosineSimilarityLoss. Её можно использовать в сценариях семантического поиска и группировки похожих текстов; репозиторий содержит веса PyTorch. Лицензия в доступных сведениях не приведена.

Карточка модели futuredatascience/from-classifier-v1 на Hugging Face совпадает с карточкой futuredatascience/from-classifier-v0, поэтому описание составлено по ней. futuredatascience/from-classifier-v0 — модель Sentence Transformers на архитектуре MPNet, разработанная Futuredatascience. Она преобразует предложения и абзацы в плотные векторы размерностью 768, предназначенные для вычисления семантического сходства, кластеризации и семантического поиска. Модель содержит 136,7 млн параметров, принимает текст и возвращает векторные представления; максимальная длина контекста — 514 токенов. Для обучения использовалась функция потерь CosineSimilarityLoss. Модель опубликована в формате PyTorch; метаданные не содержат сведений о лицензии или языковой специализации.

Карточка модели futuredatascience/from-classifier-v2 на Hugging Face совпадает с карточкой futuredatascience/to-classifier-v2, поэтому описание составлено по ней. futuredatascience/to-classifier-v2 — модель на архитектуре MPNet, созданная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для поиска семантически близких текстов, кластеризации и вычисления сходства между предложениями. Модель относится к семейству Sentence Transformers и распространяется в формате PyTorch. Обучение использовало CosineSimilarityLoss. Контекст модели составляет 514 токенов. Лицензия в предоставленных данных не указана.

gemma-4-31B-it-Mystery-Fine-Tune-HERETIC-UNCENSORED-Thinking-GGUF — модель на базе Gemma 4 31B, дообученная автором DavidAU с использованием Unsloth и закрытых датасетов. Модель позиционируется как инструкционная и рассуждающая, с минимальными ограничениями на тематику, и выпускается в форматах GGUF с вариантами квантования Q4KS и Q6. Для запуска требуется LLAMACPP версии b8641 или новее. Модель предназначена для диалогов, генерации и продолжения художественных текстов, ролевых сценариев, программирования, анализа и других универсальных задач. Поддерживаются текстовые запросы, а благодаря добавленным mmproj-файлам также обработка изображений. Заявлены режимы instruct и thinking; в режиме thinking внутренние рассуждения оформляются специальными каналами, которые приложение должно корректно отображать. Максимальный контекст, указанный для этой модели, составляет 128K токенов. README также ссылается на возможности Gemma 4: работу с изображениями, документами, видео, функциями и многоязычными запросами; для семейства заявлена поддержка более 35 языков «из коробки». Сильными сторонами являются большой размер модели, длинный контекст, мультимодальность, генерация кода и художественного текста, а также заявленное превосходство над базовой моделью в шести из семи внутренних тестов. Ограничения включают использование закрытых датасетов, наличие нерешённых проблем конвейера и контроля качества, ограниченный набор квантований на момент публикации и возможный перевыпуск файлов после дополнительного обучения. Рекомендуемые параметры генерации: temperature 1.0, top_k 64 и top_p 0.95. Лицензия — Apache 2.0.

ZHENDANG/Gemma-4-31B-JANG_4M-CRACK — мультимодальная модель семейства Gemma 4 от dealignai, созданная на основе google/gemma-4-31b-it. Это доработанная методом abliteration версия плотной архитектуры Gemma 4 с 31 млрд параметров, гибридным скользящим и глобальным вниманием и сохранённым визуальным энкодером. Модель предназначена для диалогов, рассуждений, программирования и ответов на запросы по тексту и изображениям; поддерживает режим thinking. В README авторы сообщают о высокой доле ответов на вредоносные запросы в их тесте HarmBench и о прохождении проверок по кибербезопасности и пентестингу. Эти результаты отражают заявленные авторами тесты и не гарантируют качество в других сценариях. Для запуска рекомендован vMLX на компьютерах Apple Silicon с не менее чем 32 ГБ объединённой памяти; указано, что стандартные mlx_lm и mlx_vlm на момент подготовки карточки модель не поддерживают. Модель распространяется по лицензии Gemma; авторы указывают исследовательское назначение и ответственность пользователя за соблюдение законов.

Gemma-4-E4B-Claude-4.6-Opus-Reasoning-Distilled — дообученная модель на базе google/gemma-4-E4B-it, разработанная пользователем arsovskidev. Она создана с использованием SFT и QLoRA в 4-битном режиме на наборе данных nohurry/Opus-4.6-Reasoning-3000x-filtered, содержащем около 2,3 тысячи отфильтрованных траекторий рассуждений, дистиллированных из Claude 4.6 Opus. Модель не связана с Anthropic и не одобрена этой компанией. Модель предназначена для текстовых задач, где важны пошаговое рассуждение и структурированный анализ: многошаговой математики, логики, декомпозиции и отладки кода, а также обработки сложных запросов. Она обучена формировать рассуждения внутри тегов <think> перед итоговым ответом. Указанная максимальная длина последовательности при обучении — 2048 токенов; язык обучения — английский. Доступны экспорты в формате GGUF с квантованием Q4_K_M и Q8_0. Сильные стороны модели — компактный размер порядка 4B параметров, ориентированность на более последовательное и обдуманное решение задач и возможность запуска через Ollama или llama.cpp. Ограничения включают небольшой объём обучающего набора, возможные галлюцинации и отсутствие обученных мультимодальных возможностей: несмотря на тег image-text-to-text и возможности базовой модели, этот вариант позиционируется как текстовый. Лицензия — Apache 2.0 с дополнительными Gemma Terms of Use.

GRaPE 2 Flash — мультимодальная модель семейства GRaPE, разработанная под брендом SLAI (Skinnertopia Lab for Artificial Intelligence). Это дообученная версия Qwen3-VL-8B-Thinking с архитектурой Qwen3-VL; в карточке указано около 9 млрд параметров. Модель принимает изображения и текст и формирует текстовые ответы. Она рассчитана на развертывание на потребительском оборудовании и предлагает режимы управления глубиной рассуждений. Основные сценарии — программирование, задачи по науке, технике, инженерии, искусству и математике, логические рассуждения и структурированное решение задач, в том числе с визуальными данными. Доступные языковые метки охватывают английский, китайский, французский, немецкий, испанский, японский, корейский, португальский, русский и арабский. Обучающие данные закрыты; в карточке нет результатов бенчмарков, поэтому качество на конкретных задачах следует проверять отдельно. Модель выпущена по лицензии Apache 2.0.

GritLM/GritLM-7B-KTO — версия модели GritLM 7B с обучением KTO, основанная на Mistral 7B. GritLM разработана Contextual AI и объединяет генерацию текста с получением текстовых представлений и эмбеддингов в одной модели. В репозитории указаны архитектура Mistral и 7,1 млрд параметров; модель принимает текст, поддерживает диалоговый режим и имеет контекст длиной до 32 768 токенов. Модель предназначена для генерации ответов в диалоге, а также для задач представления и классификации текста. Карточка описывает GritLM как модель, показавшую передовые результаты на задачах генерации и текстовых представлений, но конкретные результаты для версии KTO не приведены. Модель распространяется по лицензии Apache-2.0.

GritLM-8x7B — языковая модель Contextual AI, дообученная на базе mistralai/Mixtral-8x7B-Instruct-v0.1 методом GRIT. Она объединяет генерацию текста и получение текстовых представлений, поэтому подходит как для диалогов и ответов на запросы, так и для создания эмбеддингов и оценки релевантности текстов. В метаданных указаны архитектура Mixtral с разреженной экспертной архитектурой MoE, 7,1 млрд параметров и контекст до 32 768 токенов. Модель рассчитана на задачи поиска и представления текста, а также на генерацию ответов и продолжений. Карточка сообщает о высоких результатах на задачах генерации и представления текста, но не приводит подробных оценок или инструкций по использованию. Репозиторий распространяется по лицензии Apache-2.0. Языковая поддержка в предоставленных данных не уточнена.

Это модель Sentence Transformers, дообученная IoannisKat1 на базе Alibaba-NLP/gte-multilingual-base для преобразования предложений и абзацев в плотные текстовые эмбеддинги. Вектор размерности 768 нормализуется; для сравнения используется косинусное сходство. Максимальная длина последовательности — 8192 токена. Модель предназначена для поиска и извлечения релевантных текстов, включая сценарии семантического поиска по документам и вопросам. В карточке приведены результаты оценки поиска при усечении эмбеддингов до 768, 512, 256, 128 и 64 измерений; качество снижается при уменьшении размерности. Обучение описано на 4 268 парах текстов с функциями потерь MatryoshkaLoss и MultipleNegativesRankingLoss. README указывает английский язык, но примеры обучающих данных содержат греческий текст, поэтому языковой охват по карточке определить однозначно нельзя. Лицензия — Apache-2.0.

Это модель Sentence Transformer, дообученная на базе anhtuansh/gte-multilingual-base-Matryoshka-2e-9k. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости и поиска по тексту. В архитектуре используется трансформер с пуллингом CLS-токена и нормализацией; сходство оценивается косинусной мерой. Максимальная длина входа — 8192 токена. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов. В README приведена оценка на задачах информационного поиска, однако результаты зависят от данных и сценария применения. Обучение выполнено на наборе json из 8 259 пар anchor-positive; в примерах набора представлены вьетнамские тексты, поэтому не следует считать поддержку конкретных языков подтверждённой только по этому фрагменту. Лицензия в предоставленных данных не указана.

saraleivam/GURU-trained-final-model — многоязычная модель Sentence Transformers, дообученная разработчиком на примерах пар предложений. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического сравнения и поиска; сходство оценивается косинусной мерой. В основе лежит XLM-RoBERTa с mean pooling, 305,2 млн параметров; метаданные указывают контекст до 514 токенов, а карточка README — максимальную длину последовательности 128 токенов. Модель подходит для поиска смыслово близких текстов, сопоставления перефразировок, кластеризации и извлечения признаков для классификации. Примеры обучающих данных охватывают разноплановые тексты, в том числе на английском и испанском; базовая модель мультиязычная. Обучающий набор содержит 521 пример, поэтому качество на конкретных языках и предметных областях следует проверять отдельно. Лицензия в предоставленных данных не указана.

Карточка модели joaorobson/harrier-oss-v1-27b на Hugging Face совпадает с карточкой microsoft/harrier-oss-v1-27b, поэтому описание составлено по ней. harrier-oss-v1-27b — разработанная Microsoft многоязычная модель для получения плотных текстовых эмбеддингов. Она использует декодерную архитектуру Gemma3TextModel с last-token pooling и L2-нормализацией; в метаданных указано 28,3 млрд параметров, а README для варианта 27B приводит размерность эмбеддинга 5376 и максимум 32 768 токенов. Метаданные указывают нативный контекст 131 072 токена. Модель предназначена для семантического поиска и извлечения документов, кластеризации, оценки сходства предложений, классификации, поиска параллельных текстов и ранжирования. По README, Harrier OSS v1 достигла результата 74,3 на Multilingual MTEB v2 для варианта 27B. Для запросов рекомендуется добавлять короткую инструкцию с описанием задачи; отсутствие инструкции может снизить качество. Метаданные подтверждают многоязычность и широкий список языков, а README также перечисляет русский. Модель распространяется под лицензией MIT. Это текстовая модель эмбеддингов: она принимает текст и выдаёт векторы, а качество зависит от формулировки инструкции и используемого сценария; результаты могут немного различаться в зависимости от версий Transformers и PyTorch.

osmanh/Harry_Potter_and_the_Sorcerers_Stone_en — модель sentence-transformers на базе BERT для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в векторы размерности 384 и предназначена для поиска семантически близких фрагментов, кластеризации и сравнения текстов. Модель содержит 25,9 млн параметров, использует архитектуру BertModel и принимает контекст длиной до 512 токенов. При обучении применялась функция потерь MultipleNegativesRankingLoss с косинусным сходством. Название указывает на связь с английским текстом «Гарри Поттер и философский камень», однако карточка не уточняет языковой состав обучающих данных или условия лицензии.

danfeg/IF-E5-L-M_Finetuned-EN-2481 — модель эмбеддингов предложений на базе XLM-RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска и кластеризации. Модель содержит около 658,7 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель обучена с использованием CosineSimilarityLoss и ориентирована на английские данные, что отражено в названии репозитория. Её можно применять для поиска похожих текстов и группировки предложений по смыслу. Веса опубликованы в формате safetensors; для использования в README предлагается библиотека Sentence-Transformers. Лицензия в предоставленных данных не указана.

yahyaabd/indosbert-bps-custom-tokenizer — модель Sentence Transformer на архитектуре BERT, представленная в формате safetensors. Она преобразует предложения и абзацы в плотные векторы размерности 1024; среднее объединение токенов используется для получения представления текста, а сходство между векторами можно оценивать косинусной мерой. Модель рассчитана на последовательности до 512 токенов. Её можно применять для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Метаданные указывают 434 млн параметров и библиотеку Sentence Transformers. В README обучение модели описано в общих чертах, без сведений о разработчике или обучающих данных. Лицензия в предоставленных сведениях не указана.

KnutJaegersberg/infoxlm-large-sentence-embeddings — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерностью 1024. Она основана на XLM-RoBERTa и предназначена для поиска семантически близких текстов, кластеризации и семантического поиска. В обучении использовалась функция TripletLoss с евклидовой метрикой расстояния. Модель содержит 658,7 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. В карточке указаны форматы PyTorch и safetensors. Лицензия в предоставленных данных не приведена.

DejanX13/ISO_embedding_1000 — модель на базе XLM-RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для сравнения семантической близости, семантического поиска и кластеризации. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель содержит около 658,7 млн параметров и поддерживает контекст до 514 токенов. Репозиторий использует формат safetensors; для работы подходит библиотека sentence-transformers. Карточка не сообщает о специализированной предметной области или поддерживаемых языках, поэтому модель можно описать как общую модель эмбеддингов текста. Такие эмбеддинги подходят для поиска похожих текстов и группировки предложений по смыслу. Качество на конкретных языках и доменах следует проверять на собственных данных: карточка не приводит результатов оценки. Лицензия в предоставленных данных не указана.

Карточка модели kkh975/klue-reberta-base-klue-sts-mrc на Hugging Face совпадает с карточкой dyryu/klue_roberta-base-klue-sts, поэтому описание составлено по ней. dyryu/klue_roberta-base-klue-sts — модель Sentence-Transformers на архитектуре RoBERTa, разработчик которой не уточнён в карточке. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 137,8 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Для работы доступны веса в формате safetensors и библиотека sentence-transformers. При обучении использовалась функция потерь CosineSimilarityLoss. Метаданные указывают задачи sentence-similarity и feature-extraction; основное назначение для пользователя — поиск семантически похожих предложений. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя.

Карточка модели ratsheadhug/klue-roberta-base-klue-sts на Hugging Face совпадает с карточкой dyryu/klue_roberta-base-klue-sts, поэтому описание составлено по ней. dyryu/klue_roberta-base-klue-sts — модель Sentence-Transformers на архитектуре RoBERTa, разработчик которой не уточнён в карточке. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 137,8 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Для работы доступны веса в формате safetensors и библиотека sentence-transformers. При обучении использовалась функция потерь CosineSimilarityLoss. Метаданные указывают задачи sentence-similarity и feature-extraction; основное назначение для пользователя — поиск семантически похожих предложений. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя.

Карточка модели saychuwho/klue-roberta-base-klue-sts на Hugging Face совпадает с карточкой dyryu/klue_roberta-base-klue-sts, поэтому описание составлено по ней. dyryu/klue_roberta-base-klue-sts — модель Sentence-Transformers на архитектуре RoBERTa, разработчик которой не уточнён в карточке. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 137,8 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Для работы доступны веса в формате safetensors и библиотека sentence-transformers. При обучении использовалась функция потерь CosineSimilarityLoss. Метаданные указывают задачи sentence-similarity и feature-extraction; основное назначение для пользователя — поиск семантически похожих предложений. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя.

Карточка модели hyuksoo1009/klue-roberta-base-klue-sts-mrc на Hugging Face совпадает с карточкой Jinsol0802/klue-roberta-base-klue-sts-mrc, поэтому описание составлено по ней. Jinsol0802/klue-roberta-base-klue-sts-mrc — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения близости текстов и кластеризации. Обучение с MultipleNegativesRankingLoss оптимизирует сходство косинусной мерой; размер модели — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель рассчитана на работу с текстом и подходит для поиска похожих фрагментов и группировки семантически близких текстов. Идентификатор и название базового семейства указывают на ориентацию на корейский язык KLUE, однако в доступной карточке отдельный список поддерживаемых языков не приведён. Ограничения: представление текста сведено к вектору, поэтому модель сама не генерирует ответы; качество поиска и сравнения зависит от соответствия домена и данных. Файлы представлены в формате safetensors; лицензия в предоставленных сведениях не указана.

Это дообученная модель Sentence Transformers на базе cointegrated/LaBSE-en-ru, разработанная автором репозитория whitemouse84. Она кодирует предложения и абзацы на русском и английском языках в плотные векторы размерностью 768 для сравнения семантического сходства по косинусной близости. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста по эмбеддингам. Модель основана на архитектуре BERT, содержит 89,5 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены оценки на наборах STS и оценка дистилляции; они дают ориентир для проверки сходства, но не гарантируют качество для конкретного корпуса. Для работы с эмбеддингами требуется совместимый механизм сравнения или поиска.

redis/langcache-embed-v2 — модель Sentence Transformer, разработанная Redis и дообученная на основе redis/langcache-embed-v1 на наборе триплетов. Она использует ModernBERT и преобразует предложения и абзацы в плотные векторы размерности 768, сравниваемые с помощью косинусного сходства. Максимальная длина входной последовательности — 8192 токена. Модель предназначена для семантического поиска и сравнения текстов; также подходит для поиска перефразировок, кластеризации и классификации текста. Доступны веса в форматах Safetensors, ONNX и OpenVINO. Лицензия в предоставленных данных не указана.

AMD Llama-3.1-405B-Instruct-FP8-KV — это FP8-квантизированная версия инструкционной модели Meta-Llama-3.1-405B-Instruct, подготовленная компанией Advanced Micro Devices с использованием инструмента Quark и калибровочных образцов из набора данных Pile. Модель предназначена для генерации текста и выполнения инструкций в сценариях, где требуется развертывание крупной языковой модели с оптимизированным использованием памяти и вычислительных ресурсов. README не содержит дополнительных сведений о поддерживаемых языках, длине контекста и исходной архитектуре базовой модели. Квантизации подвергнуты все линейные слои, кроме lm_head; веса, активации и KV-кэш представлены в формате FP8 с симметричным масштабированием per-tensor. Экспорт выполняется в формате Quark safetensors, а развертывание возможно через совместимый с vLLM backend. По данным оценки на wikitext2, perplexity увеличилась с 1,8561 у исходной модели до 1,8951 у квантизированной версии; при этом результаты получены в режиме псевдоквантизации и могут отличаться от точности реального инференса. Для работы требуется Quark, а из-за размера модели может понадобиться мног GPU-развертывание. Лицензия указана как llama3.1; модификации распространяются с авторскими правами Advanced Micro Devices, Inc. за 2024 год.

Llama3.1-SuperDeepFuse — языковая модель на архитектуре Llama, созданная слиянием трёх моделей: Llama-3.1-SuperNova-Lite, DeepSeek-R1-Distill-Llama-8B и FuseChat-Llama-3.1-8B-Instruct. Автор README указывает базовую модель meta-llama/Llama-3.1-8B-Instruct и метод слияния model_stock. Модель содержит около 7,5 млрд параметров и поддерживает контекст до 131 072 токенов; опубликована в формате safetensors для Transformers. Модель предназначена для диалогов и генерации текста с упором на следование инструкциям, многошаговые рассуждения, математику и программирование. README заявляет многоязычную поддержку, однако в метаданных указан только английский язык. По карточке модель подходит для запуска на потребительских GPU, но её возможности уступают более крупным моделям. Модель всё ещё проходит оценку; результаты приведены лишь для части бенчмарков. Она может выдавать вводящие в заблуждение ответы, поэтому результаты следует проверять. Лицензия — условия использования Llama 3.1.

bunnycore/Llama-3.2-3B-Apex — диалоговая языковая модель, созданная разработчиком bunnycore слиянием нескольких предварительно обученных моделей через mergekit и методом Model Stock. В качестве базовой использована huihui-ai/Llama-3.2-3B-Instruct-abliterated; в слияние также вошли модели для разных навыков, рассуждений, научных задач, программирования и ролевого общения. Модель построена на архитектуре Llama с причинно-следственным языковым моделированием и содержит 3,2 млрд параметров. Она предназначена для генерации текста и диалоговых ответов; заявленная длина контекста — 131 072 токена. Метаданные также указывают интерфейс вызова инструментов. Данные о лицензии и поддерживаемых естественных языках в предоставленной карточке отсутствуют.