I.14Автоматизация процессов и AI-агенты

nixmaverick1997 выпустил вариант sentence-transformers для построения эмбеддингов предложений и абзацев. Модель на архитектуре MPNet преобразует текст в плотные векторы размерности 768; обучалась с функцией CosineSimilarityLoss с использованием сиамской и триплетной схем. В метаданных указано 136,7 млн параметров и контекст до 514 токенов. Модель подходит для семантического поиска, кластеризации и сравнения сходства текстов. В README она названа классификатором тональности, а в тегах есть sentiment-classifier, однако приведённое описание и сведения об обучении сосредоточены на эмбеддингах; отдельная голова классификации или результаты классификации не описаны. Для работы доступны PyTorch и библиотеки sentence-transformers и SetFit. Лицензия в предоставленных данных не указана.

mrfakename/Apriel-5B-Instruct-llamafied — приблизительная конверсия Apriel-5B-Instruct в формат Llama, опубликованная пользователем mrfakename. Это плотная языковая модель с архитектурой LlamaForCausalLM примерно на 4,6 млрд параметров, предназначенная для генерации текста и диалогов. Модель принимает текст и выдаёт текст; заявленный контекст — 16 384 токена. Формат Llama упрощает запуск и совместимость с популярными средствами дообучения; для использования в Transformers не требуется trust_remote_code. Модель подходит для ведения диалога, выполнения инструкций, рассуждений, помощи с кодом и генерации текста — эти сценарии унаследованы от исходной Apriel-5B-Instruct. В карточке базовая модель описана как англоязычная; поддержка других языков отдельно не подтверждена. Файлы представлены в формате safetensors. Лицензия — MIT, как у исходной модели.

ARM64BERT-embedding — модель Sentence Transformers, опубликованная Netherlands Forensic Institute и дообученная на базе NetherlandsForensicInstitute/ARM64BERT-embedding. Она преобразует предложения и абзацы на входе в плотные векторы размерности 768 для поиска и сравнения текстов. Архитектура основана на BERT (ASMBertModel) с усредняющим pooling; используется косинусное сходство. Модель принимает только текст, максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска и извлечения релевантных текстов. В карточке не описаны целевые языки или специализированные предметные области. Репозиторий содержит веса PyTorch в формате safetensors. Условия лицензирования в доступных данных не указаны.

rurupang/bert-base-finetuned-sts — модель на архитектуре BERT, дообученная на базе klue/bert-base на наборе данных KLUE для оценки сходства текстов. Она выдаёт оценку сходства пары текстов как задачу классификации последовательностей. На оценочной выборке указаны Pearsonr 0,8722 и loss 0,4274. Модель содержит 137,8 млн параметров, принимает текстовые входные данные, а контекст ограничен 512 токенами. В карточке указана лицензия не приводится, поэтому условия использования по имеющимся данным определить нельзя.

tomaarsen/bert-base-uncased-gooaq — англоязычная модель Sentence Transformers, дообученная на парах вопросов и ответов набора GooAQ на базе google-bert/bert-base-uncased. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения по косинусному сходству; архитектура состоит из BERT и mean pooling. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, поиска похожих вопросов и ответов, выявления перефразировок, кластеризации и извлечения признаков для классификации текста. В карточке приведены результаты оценки на наборах Nano BEIR и задачах поиска информации. Модель принимает текст и выдаёт эмбеддинги; она не предназначена для генерации ответов. Обучение на GooAQ и англоязычная специализация могут ограничивать качество на других языках и предметных областях. Лицензия — Apache-2.0.

kwondw/bert-base-uncased-tsdae — модель Sentence Transformers, дообученная на базе google-bert/bert-base-uncased на датасете wiki1m-for-simcse с использованием DenoisingAutoEncoderLoss. Она преобразует предложения и абзацы на входе в плотные векторы размерности 768 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура состоит из BERT для извлечения признаков и пулинга CLS; модель принимает текст, поддерживает контекст до 512 токенов по метаданным, а README указывает максимальную длину последовательности 75 токенов. Базовая модель англоязычная, обучающая выборка состоит из англоязычных текстов Википедии. Модель подходит для семантического поиска, извлечения текстовых эмбеддингов и оценки сходства предложений. В README приведены результаты на STS: Spearman для косинусного сходства составляет 0,6557 на sts-dev и 0,6199 на sts-test. Для практического применения следует учитывать указанную в README длину последовательности 75 токенов; качество на других языках и доменах в предоставленных данных не описано. Лицензия в метаданных и README не указана.

abhijitt/bert_st_qa_multi-qa-MiniLM-L6-dot-v1-epochs-10 — модель Sentence-Transformers на базе BERT, разработчик в доступных данных не указан. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства и кластеризации. Модель обучалась с функцией MultipleNegativesRankingLoss и косинусной мерой сходства; её размер — 25,9 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт векторные представления. В README не перечислены языки и наборы данных, поэтому языковую поддержку нельзя определить. Репозиторий содержит веса PyTorch. Условия лицензии в предоставленных данных отсутствуют.

Это компактная модель Sentence Transformers, созданная дообучением англоязычной BERT-модели google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 128, которые можно сравнивать по косинусному сходству и применять для поиска и оценки сходства предложений. Архитектура состоит из BertModel с усредняющим pooling; число параметров — 4,4 млн. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов. Модель рассчитана на текстовые задачи: извлечение эмбеддингов, семантический поиск и сравнение предложений. Обучение описано на 549 502 парах текстов с OrdinalProxyContrastiveLoss. Базовая модель англоязычная, поэтому применение к другим языкам не подтверждено. Условия лицензии в предоставленных данных не приведены.

swardiantara дообучил компактную модель Sentence Transformers на базе google/bert_uncased_L-2_H-128_A-2 для сопоставления предложений и поиска по тексту. Модель кодирует предложения и абзацы в плотные векторы размерности 128; сходство между ними оценивается косинусной метрикой. Архитектура включает BERT с усреднением токенных представлений, а библиотека реализации — sentence-transformers. Модель обучена на наборе из 351 754 пар текстов с метками сходства. Она подходит для семантического поиска и извлечения релевантных текстов, в том числе при ограниченных вычислительных ресурсах благодаря компактному размеру в 4,4 млн параметров. Контекст ограничен 512 токенами по метаданным; в README указана максимальная длина последовательности 128 токенов. Модель принимает и обрабатывает текст на английском языке. Лицензия в предоставленных данных не указана. Компактный размер может ограничивать качество и охват по сравнению с более крупными моделями; поддержка языков, отличных от английского, не заявлена.

Компактная модель Sentence Transformers, созданная дообучением google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы на английском языке в плотные векторы размерностью 128, пригодные для поиска и сравнения текстов по косинусному сходству. Модель использует архитектуру BERT с усреднением токенных представлений; в метаданных указано 4,4 млн параметров и контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 128 токенов. Модель обучена на 42 730 примерах пар текстов с оценками сходства и подходит для семантического поиска, подбора похожих предложений и извлечения текстовых эмбеддингов. Примеры обучающих данных относятся к англоязычным рецензиям на фильмы. Для работы требуется библиотека Sentence Transformers. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

RishuD7/bge-base-en-v1.5-82-keys-phase-7-exp_v1 — англоязычная модель Sentence Transformers, дообученная разработчиком на базе BAAI/bge-base-en-v1.5. Архитектура основана на BERT и включает пулинг по CLS-токену и нормализацию; модель содержит 136,7 млн параметров и создаёт плотные текстовые эмбеддинги размерностью 768. Максимальная длина последовательности — 512 токенов, сходство в README рассчитывается по косинусной мере. Модель предназначена для семантического сравнения предложений и абзацев, поиска по смыслу, поиска перефразировок, кластеризации и классификации текстов. В README приведены обучающая выборка из 8 031 примера с парами anchor/positive и оценки на информационном поиске; значения cosine_accuracy@1, @3 и @5 составляют 0,0063, 0,0235 и 0,0353. Модель рассчитана на английский язык. Распространяется по лицензии Apache-2.0.

ggml-org/bge-m3-Q8_0-GGUF — это модель для извлечения признаков и вычисления семантического сходства предложений, преобразованная в формат GGUF из базовой модели BAAI/bge-m3. Конвертацию выполнили с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для задач поиска по смыслу, ранжирования, сопоставления текстов и построения векторных представлений, в том числе при локальном запуске через совместимые инструменты llama.cpp. Ключевая характеристика этой версии — квантование Q8_0 в формате GGUF, которое обычно позволяет сократить требования к памяти по сравнению с полноразмерными весами при сохранении большей части качества исходной модели. README не содержит сведений об архитектуре, количестве параметров, поддерживаемых языках, размере контекста и точных модальностях; по назначению и указанной базовой модели речь идет о текстовой embedding-модели. Ограничения качества и совместимости зависят от исходной BAAI/bge-m3 и используемого программного окружения. Лицензия — MIT.

Это GGUF-конверсия модели BAAI/bge-reranker-base, первоначально разработанной BAAI и подготовленной для запуска через движок CrispEmbed. Модель представляет собой cross-encoder reranker для английского и китайского языков: она оценивает соответствие запроса и текстового кандидата и предназначена для переранжирования результатов поиска, семантического поиска и других задач сопоставления текстов. Формат GGUF позволяет использовать её через ggml-совместимую инфраструктуру без Python и ONNX. Модель построена на архитектуре BERT и содержит 278 млн параметров, 12 слоёв, размерность представлений 768, CLS-pooling и токенизатор WordPiece. Доступны варианты F32 размером около 1066 МБ, Q8_0 размером около 287 МБ и Q4_K размером около 247 МБ; квантованные версии требуют меньше памяти, но используют приближённое числовое представление. Указанный контекстный размер в README отсутствует. Конверсия и квантование не изменяли архитектуру, словарь или заявленные возможности исходной модели; заявлена побитная эквивалентность с реализацией Hugging Face с косинусным сходством не менее 0,999 на тестовых текстах. Для инференса модель рассчитана на CrispEmbed, включая локальный и серверный режимы. Распространяется по лицензии MIT, при этом условия исходной модели BAAI/bge-reranker-base остаются определяющими.

bge-small-en-v1.5-bf16 — англоязычная модель для создания векторных представлений предложений и текстов. Модель представлена сообществом mlx-community в формате BF16 и основана на bge-small-en-v1.5; исходная модель предназначена для задач feature extraction и sentence similarity. Модель подходит для семантического поиска, сопоставления похожих текстов, классификации, кластеризации, retrieval и reranking, а также для построения систем поиска дубликатов и оценки семантической близости. В README приведены результаты тестирования на наборах MTEB для классификации, поиска, кластеризации, переранжирования и оценки текстовой близости, включая Amazon, ArguAna, AskUbuntu, Banking77 и BIOSSES. Поддерживаемый язык — английский. Сведения о точном размере модели, архитектуре, размерности эмбеддингов и максимальной длине контекста в предоставленных данных отсутствуют. Модель ориентирована на эффективное получение эмбеддингов, однако её качество и применимость следует оценивать на данных конкретного проекта; переносимость на другие языки не подтверждена. Лицензия — MIT.

meet5568/bhash_finetune_phaseB_v2 — модель Sentence Transformer на архитектуре BERT, обученная для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для оценки семантического сходства, семантического поиска и других задач сопоставления текстов. Модель использует mean pooling и косинусное сходство; обучалась с TripletLoss на наборе из 3 200 примеров. Максимальная длина последовательности по README — 400 токенов, а метаданные указывают контекст до 512 токенов. Векторы модели можно применять для поиска перефразировок, кластеризации текстов и классификации на основе эмбеддингов. Указанные сценарии предполагают текстовый ввод и векторный вывод. Язык обучающих данных и специализация по конкретным предметным областям в карточке не раскрыты. Лицензия в предоставленных данных не указана.

teven/bi_all_bs160_allneg_finetuned_WebNLG2017 — модель на основе MPNet, разработанная как Sentence Transformers-модель для преобразования предложений и абзацев в плотные векторы размерности 768. Она подходит для семантического поиска и кластеризации текстов, а также для оценки сходства предложений. Модель содержит 136,7 млн параметров и принимает текстовые входы длиной до 514 токенов. Модель обучена с использованием CosineSimilarityLoss на данных WebNLG2017; название репозитория также указывает на пакетный размер 160 и обучение с негативными примерами. Доступны веса PyTorch. Лицензия в предоставленных данных не указана.

teven/bi_all_bs192_hardneg_finetuned_WebNLG2020_relevance — модель эмбеддингов предложений на базе MPNet, созданная для оценки семантической близости. Она преобразует предложения и абзацы в плотные векторы размерности 768 и подходит для семантического поиска, кластеризации и сопоставления текстов. В метаданных указано 136,7 млн параметров, контекст — до 514 токенов; модель использует PyTorch и интерфейс Sentence Transformers. Модель обучена с CosineSimilarityLoss на данных, связанных с WebNLG2020; название также указывает на обучение с hard negatives. Она принимает текст и выдаёт векторы, которые можно использовать для ранжирования или поиска похожих фрагментов. Карточка не указывает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Bonsai 2 27B 1bit CRACK GGUF — языковая и визуальная модель, разработанная командой dealignai на основе тернарно сжатой PrismML версии Qwen3.8-27B. Из модели удалены механизмы отказа на уровне весов, при этом заявлено сохранение общих возможностей, режимов рассуждения, инструментального использования и многотуровой связности. Модель предназначена для генерации текста, рассуждений, работы с инструментами и обработки изображений в совместимом окружении llama.cpp. Модель использует гибридную архитектуру Attention и SSM на базе GatedDeltaNet: 64 блока, размер скрытого состояния 5120 и отдельная vision tower. Применяется квантование PrismML PTQ1_0 с тернарными весами, группами по 128 и эффективным размером около 2,13 bpw; файл занимает примерно 5,95 ГБ. Поддерживаются режимы рассуждения off, low и xhigh, а для обработки изображений требуются совместимые mmproj-файлы. Запуск заявлен на CPU, CUDA и Metal, включая ноутбуки и системы с одной GPU. Сильной стороной является низкое потребление памяти при сохранении класса модели 27B, а также отсутствие встроенных отказов, что делает модель пригодной для исследовательских и экспериментальных сценариев, где требуется высокая исполнительность. Однако заявленная abliteration снижает защитные ограничения, поэтому модель не следует использовать без собственного контроля безопасности. Результаты MMLU показывают небольшое снижение точности относительно базовой версии, а для старых сборок была отмечена ошибка зацикливания токенов в режимах low и xhigh; рекомендуется использовать версию, выпущенную после 18 сентября 2026 года. Лицензия — Apache-2.0.

Bonsai-8B-GGUF-1bit — языковая модель, разработанная Prism ML и распространяемая в формате GGUF для llama.cpp. Она предназначена для генерации текста, локального запуска чат-ассистентов и интеграции в приложения на устройствах с GPU или CPU, включая системы на CUDA, Apple Metal и Android. Модель может использоваться через специализированную сборку llama.cpp с 1-битными ядрами; также доступна отдельная версия для MLX. Модель основана на плотной архитектуре Qwen3-8B и содержит 8,19 млрд параметров, из которых около 6,95 млрд не относятся к embedding-слоям. В ней 36 decoder-блоков Transformer, GQA с 32 query- и 8 KV-головами, SwiGLU, RoPE и RMSNorm. Длина контекста составляет 65 536 токенов, размер словаря — 151 936 токенов. Все основные веса, включая embeddings, attention- и MLP-проекции, а также LM head, представлены в формате Q1_0 с эффективными 1,125 битами на вес. Ключевое преимущество — компактность и энергоэффективность: память параметров занимает около 1,15 ГБ против 16,38 ГБ у FP16, что примерно в 14 раз меньше; заявлено также ускорение до 6,2 раза на RTX 4090 и снижение энергопотребления на токен в 4–5 раз. Ограничения связаны с экстремальным 1-битным квантованием, которое может влиять на качество по сравнению с полной точностью, а для запуска требуются совместимые 1-битные ядра и сборка llama.cpp от Prism ML. Модель распространяется по лицензии Apache 2.0.

nayan06/buy-others1 — модель Sentence-Transformers на базе MPNet, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 768. Полученные представления можно применять для семантического поиска и кластеризации текстов. В README указано обучение с функцией потерь CosineSimilarityLoss; репозиторий содержит веса PyTorch, объём модели — 136,7 млн параметров, контекст — до 514 токенов. Модель подходит для задач сравнения смысловой близости текстов и построения эмбеддингов. В README не названы разработчик исходной архитектуры, обучающие данные, поддерживаемые языки и лицензия, поэтому эти характеристики нельзя уточнить по доступным сведениям.

marianodo/ContrastiveLoss — модель на базе MPNet, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для задач семантического поиска и кластеризации. Модель обучалась с функцией ContrastiveLoss и косинусной метрикой расстояния; число параметров — 136,7 млн, контекст — до 514 токенов. Модель подходит для построения векторных представлений текстов и сравнения их семантического сходства. В карточке не указаны разработчик датасета, поддерживаемые естественные языки и лицензия, поэтому их нельзя надёжно определить.

calcuis/deepseek-r1 — это квантованная версия DeepSeek-R1 в формате GGUF, основанная на модели deepseek-ai/DeepSeek-R1. Разработчик исходной модели — DeepSeek; репозиторий calcuis предоставляет её GGUF-представление. Модель предназначена для генерации текста и запуска через совместимые GGUF-коннекторы, включая gguf-connector, что подходит для локального или специализированного инференса. README отдельно отмечает исправленную загрузку и совместимость с архитектурой llama. Исходный DeepSeek-R1 — текстовая модель с архитектурой MoE, 671 млрд общих параметров и 37 млрд активируемых параметров. Указан английский язык; поддержка других языков, точный размер квантованного файла, допустимая длина контекста и конкретный вариант квантования для этой сборки в README не описаны. Приведённые результаты исходной модели показывают сильные стороны в математике, программировании, рассуждениях и китайских языковых тестах, однако эти показатели не обязательно полностью отражают характеристики данной квантованной версии. К ограничениям относятся зависимость от совместимого GGUF-коннектора и возможное снижение качества или точности из-за квантования; конкретные потери качества не представлены. Модель распространяется по лицензии MIT. Использование требует оборудования и программной среды, совместимых с GGUF и выбранным размером квантованного файла.

DeepSeek-V2-Lite-Chat-GGUF — это квантизированная GGUF-версия диалоговой модели DeepSeek-V2-Lite-Chat, разработанной DeepSeek-ai и подготовленной компанией Second State Inc. Модель предназначена для локального запуска и генерации ответов в формате чат-ассистента; в README также указана совместимость с LlamaEdge версии 0.12.3 и выше. Модель поддерживает контекст размером до 128 000 токенов и использует шаблон запросов deepseek-chat-2. В репозитории доступны варианты квантования от Q2_K до Q8_0, а также f16, с размером файлов примерно от 6,43 до 31,4 ГБ. Вариант Q4_K_M обозначен как сбалансированный и рекомендуемый, а Q5_K_M и Q5_K_S — как варианты с очень низкой потерей качества. Более сильное квантование уменьшает требования к памяти, но может заметно снижать качество ответов. README не содержит сведений об архитектуре, количестве параметров, поддерживаемых языках и модальностях, поэтому эти характеристики нельзя уточнить. Модель распространяется по лицензии DeepSeek с обозначением other; ссылка на условия лицензии приведена в исходном описании.

DeepSeek-VL2-Tiny — компактная мультимодальная модель семейства DeepSeek-VL2, разработанная командой DeepSeek. Это вариант модели Mixture-of-Experts, построенный на DeepSeekMoE-3B; в README указано 1,0 млрд активируемых параметров. Модель принимает изображения вместе с текстовыми запросами и предназначена для понимания визуального содержимого.

drewgenai создал Sentence Transformers-модель, дообученную на базе Snowflake/snowflake-arctic-embed-m. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и извлечения информации. Модель использует архитектуру BERT с CLS-пулингом и нормализацией векторов; сходство оценивается по косинусной мере. Максимальная длина входной последовательности — 512 токенов. Модель подходит для поиска релевантных документов по запросу, выявления перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Карточка описывает всего 8 обучающих примеров, поэтому приведённые высокие значения метрик следует трактовать осторожно: они не подтверждают качество на широком наборе данных. В метаданных указана англоязычная базовая модель. Лицензия в предоставленных данных не указана.

Карточка модели Gabbana/Deobfuscation_SBERT на Hugging Face совпадает с карточкой harsh-wk/long-seq-paraphrase-MiniLM-L6-v2, поэтому описание составлено по ней. harsh-wk/long-seq-paraphrase-MiniLM-L6-v2 — модель Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерности 384. Она подходит для семантического поиска, сравнения сходства текстов и кластеризации. По метаданным, модель основана на архитектуре BERT, содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена Sentence Transformers и распространяется по лицензии Apache-2.0. В репозитории доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. README описывает семантический поиск и кластеризацию как основные сценарии; язык текстов, поддерживаемых моделью, в предоставленных данных не установлен.

sw882882/distill-roberta-code-instruction-tune — модель на базе RoBERTa, обученная преобразовывать предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации; для работы предусмотрены Sentence-Transformers и Transformers с подходящей операцией pooling. В метаданных указаны 95,2 млн параметров, контекст до 514 токенов и формат PyTorch. README сообщает об обучении с DenoisingAutoEncoderLoss, но не уточняет базовую модель, языки обучения или специализацию на коде и инструкциях. Лицензия в предоставленных данных не указана.

Dolphin-2.6-FC_Hermes-2-DPO — объединённая модель генерации текста, созданная с помощью LazyMergekit путём слияния cognitivecomputations/fc-dolphin-2.6-mistral-7b-dpo-laser и NousResearch/Nous-Hermes-2-Mistral-7B-DPO. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Данные README описывают слияние методом SLERP в формате bfloat16; карточка базовой модели указывает на генерацию по инструкциям и общение в ChatML. В метаданных репозитория указан формат safetensors. Сведения о поддерживаемых естественных языках и конкретной лицензии отсутствуют, поэтому их нельзя надёжно указать.

omarelsayeed/e5_base_tsdae — модель эмбеддингов предложений и абзацев на базе XLM-RoBERTa, представленная в формате PyTorch. Она преобразует текст в плотные векторы размерности 768 и подходит для семантического поиска, кластеризации и сравнения сходства предложений. В метаданных указано 305,2 млн параметров и контекст длиной до 514 токенов. Модель обучена с использованием LoggingDenoisingAutoEncoderLoss и предназначена для получения текстовых представлений, которые можно использовать в поисковых и аналитических системах. Карточка не сообщает поддерживаемые языки и лицензию, поэтому их нельзя уточнить по имеющимся данным.

jaspionjader/ek-6 — объединённая языковая модель автора jaspionjader, созданная методом Model Stock с помощью mergekit на основе jaspionjader/ek-1 и с включением jaspionjader/ek-3 и jaspionjader/ek-5. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она предназначена для генерации текста и диалогового общения. Модель принимает текст и выдаёт текст, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors для библиотеки Transformers. В карточке указана лицензия; конкретный тип лицензии здесь не приведён.