I.14Автоматизация процессов и AI-агенты

F2LLM-v2-8B-Preview — мультиязычная модель эмбеддингов от CodeFuse AI, дообученная на базе Qwen3-8B на корпусе из 27 миллионов примеров. Версия Preview обучена без инструкций и предназначена как основа для задач получения эмбеддингов и дальнейшей тонкой настройки. Модель имеет плотную архитектуру Qwen3, около 7,6 млрд параметров и принимает текст; метаданные указывают контекст до 40 960 токенов. Модель подходит для кодирования текстов в векторные представления в многоязычных сценариях. README заявляет поддержку более 100 естественных и программных языков, а метаданные карточки перечисляют языки, включая английский, русский, китайский, арабский, японский и другие. Репозиторий содержит веса Safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. Это предварительная версия без инструкционного обучения, поэтому её поведение в диалоговых задачах и качество на конкретных наборах данных могут требовать проверки.

Parallia разработала FMMB-BE-DE — немецкую версию модели эмбеддингов предложений на архитектуре ModernBERT, реализованную как Sentence Transformer. Она преобразует немецкие тексты длиной до 8192 токенов в плотные векторы размерности 768 и предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Для сравнения векторов рекомендуется косинусное сходство; входные тексты можно подавать без специальных префиксов. Модель содержит 148,7 млн параметров и использует немецкий токенизатор и соответствующую таблицу эмбеддингов. Она дообучена на параллельном корпусе предложений с парами английский—немецкий, английский—французский и английский—нидерландский; README характеризует этот вариант как монолингвальный немецкий. Лицензия — Apache-2.0. Модель подходит для построения семантического поиска и сопоставления немецких текстов. Карточка не приводит оценок качества, поэтому пригодность для конкретного сценария следует проверять на собственных данных; для работы с ModernBERT README указывает на необходимость актуальной версии библиотеки Transformers.

Falcon3-7B-Base — предварительно обученная базовая языковая модель семейства Falcon3, разработанная Technology Innovation Institute. Это плотный авторегрессионный трансформер с причинным декодером и 7,1 млрд параметров, доступный в формате safetensors для Transformers. Модель обучена на данных из веба, кода, STEM, высококачественных и многоязычных источников и поддерживает английский, французский, испанский и португальский языки. Модель предназначена для генерации текста и служит основой для последующей адаптации под конкретные сценарии: README отмечает задачи рассуждения, понимания языка, следования инструкциям, программирования и математики. Контекстное окно — до 32 768 токенов; архитектура включает 28 блоков декодера и grouped-query attention. Это базовая, а не instruct-версия, поэтому для большинства пользовательских задач рекомендуется дополнительное дообучение. Модель распространяется по лицензии TII Falcon-LLM License 2.0.

Falcon-H1-34B-Base — базовая языковая модель семейства Falcon-H1, разработанная TII (Technology Innovation Institute). Это плотная причинная модель-декодер с гибридной архитектурой Transformers и Mamba и примерно 29,6 млрд параметров. Она предназначена для генерации продолжений текста и служит базой для построения приложений и последующей адаптации под конкретные задачи. Модель работает с текстом, поддерживает многоязычные сценарии, включая английский и русский, и имеет контекстное окно до 262 144 токенов. Для запуска README указывает библиотеки Transformers, vLLM и llama.cpp; файлы репозитория представлены в формате safetensors. В таблице оценки приведены результаты на общих и логических задачах, но конкретные метрики зависят от теста и сценария применения. Лицензия — Falcon-LLM License. Это базовая модель, поэтому для диалоговых приложений и специализированных задач может потребоваться дополнительная настройка; качество также зависит от промпта и способа развёртывания.

thetayne/finetuned_model_0613 — англоязычная модель Sentence Transformers, дообученная на базе BAAI/bge-base-en-v1.5 для сравнения текстовых фрагментов. Она использует BERT с пулингом CLS-токена и нормализацией эмбеддингов; векторное представление имеет размерность 768, максимальная длина входа — 512 токенов, сходство оценивается косинусной мерой. Модель обучалась на 1 625 парах предложений с функцией CosineSimilarityLoss и предназначена для семантического поиска, поиска перефразировок, кластеризации и сравнения предложений; её векторы также можно применять в задачах классификации. В README приведены результаты оценки семантического сходства для размерностей от 64 до 768. Лицензия Apache-2.0. Модель принимает текст и выдаёт нормализованные векторы; обучение на небольшой выборке означает, что её пригодность для конкретного домена и задач следует проверять отдельно.

adityasajja6/fine_tuned_mpnet_model — модель Sentence Transformers, дообученная автором на базе sentence-transformers/all-mpnet-base-v2. Она кодирует предложения и короткие абзацы в плотные векторы размерности 768; архитектура включает MPNet, усредняющий токены pooling и нормализацию. Модель предназначена для семантического сходства и поиска, поиска перефразировок, классификации текстов и кластеризации. Для сравнения векторов используется косинусное сходство. В README указана максимальная длина последовательности 384 токена, а метаданные каталога — нативный контекст 514 токенов. Модель принимает текст и выдаёт эмбеддинги; сведения о поддерживаемых естественных языках и лицензии в предоставленных данных отсутствуют. В README указан обучающий набор из 10 примеров, поэтому качество дообучения может быть ограниченным и требует проверки на целевых данных.

pszemraj/flan-ul2-text-encoder — текстовый энкодер, опубликованный pszemraj и полученный извлечением энкодера из google/flat-ul2. Модель предназначена для получения векторных представлений текста и, в частности, может использоваться для оценки семантического сходства через косинусное расстояние после взвешенного усреднения токеновых представлений. Это модель семейства T5 на 7,6 млрд параметров с архитектурой T5EncoderModel. Контекст составляет 512 токенов; веса представлены в PyTorch и Safetensors, в README указано использование точности bfloat16 и размер 17,44 ГБ. Лицензия — Apache-2.0. README демонстрирует получение эмбеддингов и сравнение текстов, но не сообщает о специализированной языковой или предметной настройке.

FRIDA-GGUF — GGUF-версия модели FRIDA, разработанная командой SaluteDevices AI for B2C RnD Team; версию в формате GGUF создал Pavel Rykov. Исходная модель FRIDA разработана на основе encoder-части FRED-T5 и представляет собой дообученную модель для получения текстовых embedding-векторов. Она предварительно обучалась на русско-английском наборе данных и затем дообучалась для повышения качества на целевых задачах. Модель предназначена для семантического поиска и извлечения релевантных документов, определения перефразирования, дедупликации, категоризации текстов, анализа тональности, группировки по темам и задач textual entailment. Для разных сценариев рекомендуется использовать специальные префиксы, включая search_query, search_document, paraphrase, categorize, categorize_sentiment, categorize_topic и categorize_entailment; для агрегации токенов рекомендуется CLS pooling. Модель поддерживает русский и английский языки, однако качество английской обработки в README не оценено. Максимальная длина входа ограничена 512 токенами. Сильной стороной модели является специализация на русскоязычных задачах текстовых embedding-векторов и наличие отдельных режимов для различных типов семантического сопоставления. При необходимости модель можно дополнительно дообучить на качественных русских и английских датасетах. Размер модели, размерность embedding-векторов и точные результаты бенчмарков в README не указаны. Модель распространяется по лицензии MIT.

DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel-MISTRAL_FULL-notrescaled_40000 — модель Sentence-Transformers на архитектуре BERT, разработанная DragosGorduza. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, сравнения текстов и кластеризации. Обучение использовало MarginDistillationLoss; в карточке также описана обработка контекстных представлений с помощью pooling. Модель содержит 433,9 млн параметров и принимает до 512 токенов контекста. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-MISTRAL-notrescaled_20000 — модель в формате Sentence-Transformers на базе архитектуры RoBERTa, разработчик указан в идентификаторе репозитория как DragosGorduza. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска по смыслу, сравнения текстов и кластеризации. Обучение использовало MarginDistillationLoss; модель содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Для работы можно использовать библиотеку Sentence-Transformers либо Transformers с соответствующей операцией pooling. В репозитории указаны веса Safetensors. Язык обучающих данных и лицензия в предоставленных сведениях не отражены, поэтому их нельзя достоверно описать.

Это мультимодальная чат-модель DavidAU на архитектуре Gemma 3: исходную Gemma 3 27B IT-VL расширили до плотной модели на 40 млрд параметров, а затем дообучили с помощью Unsloth на наборе Gemini reasoning. По описанию автора, дообучение добавляет пошаговое рассуждение; модель также рассчитана на творческое письмо, ролевые сценарии, генерацию кода и работу с изображениями. Карточка заявляет контекст до 128K токенов и проверку обработки изображений и генерации кода. Модель принимает текст и изображения, отвечает текстом и ориентирована прежде всего на английский и китайский языки. Автор позиционирует её как модель с ослабленными ограничениями на генерируемый контент; ответы могут быть резкими, содержать ненормативную лексику или графические описания. В отдельных случаях модель может переключаться в режим инструкций; автор рекомендует явно просить её рассуждать, если это происходит. Распространяется по лицензии Apache-2.0.

GigaChat-20B-A3B-instruct-v1.5-bf16 — диалоговая модель семейства GigaChat, основанная на ai-sage/GigaChat-20B-A3B-instruct-v1.5. В репозитории указана архитектура DeepseekForCausalLM, формат весов PyTorch bf16 и размер 3,1 млрд параметров. Модель рассчитана на диалог и генерацию текста, поддерживает контекст до 131 072 токенов и русский и английский языки. В этой версии улучшен alignment: в README сообщается о росте результатов Arena Hard RU с 20,8 до 29,6 и Arena General с 41,1 до 49,1; остальные приведённые метрики остались на прежнем уровне. Подходит для ведения диалога и генерации ответов на запросы. Для запуска README приводит пример использования с Transformers, PyTorch и Accelerate; также доступны варианты весов fp32 и int8, а отдельно — сборки GGUF и Ollama. Модель дообучена на базовой версии GigaChat-20B-A3B-instruct-v1.5 и распространяется по лицензии MIT. Результаты метрик отражают сведения из карточки модели; независимые оценки качества и ограничения в предоставленном README не описаны.

Giga Embeddings 0826 480M GGUF — это квантованная GGUF-версия двунаправленного энкодера Giga Embeddings instruct 480M 0826, разработанного ai-sage и преобразованного в GGUF пользователем ai-babai. Модель предназначена для локального запуска через llama.cpp и Ollama и создаёт текстовые embeddings для семантического поиска, RAG, сравнения текстов, кластеризации и классификации. Она поддерживает русский и английский языки, а также рассчитана на работу с текстом; генерацию ответов и диалоговый режим не поддерживает. Модель имеет около 480 миллионов параметров и возвращает нормализованные embeddings размерностью 1024. Для поисковых задач запрос рекомендуется подавать с инструкцией в формате Instruct/Query, а документы — без инструкции; для симметричного сравнения текстов следует использовать одинаковую инструкцию или не использовать её. Метаданные GGUF задают mean pooling и L2-нормализацию. Доступны варианты BF16, Q8_0, Q6_K и Q4_K_M: Q8_0 является рекомендуемым компромиссом между качеством, размером и потреблением памяти, тогда как Q4_K_M занимает меньше всего места, но сопровождается заметной потерей качества представлений и поиска. Сильные стороны модели — компактность, возможность локального запуска на CPU или GPU, совместимость с llama.cpp и Ollama, а также специализация на русскоязычных и англоязычных embedding-задачах. Указанные авторами исходной BF16-модели результаты составляют 70,98 на Russian MTEB и 69,52 на English MTEB, однако полный MTEB для этих GGUF-файлов отдельно не проводился. Репозиторий распространяется по лицензии MIT; данная конвертация является независимым релизом ai-babai, а не официальным выпуском ai-sage.

GLM-5.2-MXFP4xFP8_BLOCK — квантизированная версия языковой модели GLM-5.2, разработанная RedHatAI на базе модели zai-org/GLM-5.2. Это текстовая causal language model с архитектурой GlmMoeDsaForCausalLM: принимает текст и генерирует текст. В README указана поддержка английского и китайского языков, а также готовность к инференсу через vLLM. Модель использует смешанную квантизацию: линейные слои MoE-экспертов квантизированы до 4-битного MXFP4, а линейные слои внимания, dense- и shared-expert-компоненты — до 8-битного блочно-масштабируемого FP8_BLOCK; активации квантизируются в FP8 с динамическим масштабированием. В среднем используется около 4,4 бита на параметр, благодаря чему размер модели на диске сокращён примерно с 1,47 ТБ в формате BF16 до 411 ГБ, а требования к дисковой и GPU-памяти уменьшены приблизительно на 72%. Модель предназначена для запуска крупной GLM-5.2 в условиях ограниченных ресурсов, включая инференс с использованием vLLM, параллелизма по тензорам, FP8 KV-кэша и инструментального вызова. Ключевое ограничение — экспериментальная поддержка этого квантизированного checkpoint в vLLM; размер контекста, точное число параметров, мультимодальные возможности и лицензия в README не указаны. Квантизация выполнена с помощью LLM Compressor методом RTN без калибровочных данных, а модель экспортирована в формате compressed-tensors.

GoldenLlama-3.1-8B — плотная авторегрессионная языковая модель семейства Llama, созданная объединением Orenguteng/Llama-3.1-8B-Lexi-Uncensored и NousResearch/Hermes-3-Llama-3.1-8B с помощью mergekit. Слои 0–24 взяты из первой модели, а слои 25–31 — из второй; конфигурация слияния passthrough, исходная точность указана как bfloat16. Репозиторий содержит веса safetensors, модель насчитывает 7,5 млрд параметров и имеет контекстное окно 131 072 токена. Модель предназначена для генерации текста и диалогового использования. Лицензия репозитория — Apache-2.0. Карточка не приводит конкретных оценок качества или подробных ограничений; характеристики и поведение унаследованы от объединённых моделей и могут отличаться от каждой из них.

Модель rithwik-db/gpl_tsdae-e5-base-unsupervised-test-1-d165d6 — модель Sentence-Transformers на базе BERT, разработанная пользователем rithwik-db. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Обучение проводилось с MarginMSELoss; модель можно использовать через Sentence-Transformers или Transformers с подходящим pooling для контекстных представлений токенов. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторы. Максимальная длина контекста — 512 токенов. В карточке не заявлена поддержка конкретных языков, поэтому применимость к отдельным языкам не уточняется. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных данных.

ChristianAzinn/gte-small-gguf — это GGUF-версия модели текстовых эмбеддингов gte-small, разработанной Alibaba DAMO Academy и опубликованной thenlper. Репозиторий содержит варианты модели, преобразованные и квантованные ChristianAzinn для использования с llama.cpp и совместимыми приложениями. Модель основана на архитектуре BERT и предназначена для получения векторных представлений текста. Она подходит для информационного поиска, оценки семантического сходства, переранжирования результатов и других задач sentence embeddings. Заявлена поддержка английского языка и контекста до 512 токенов; модель работает только с текстовыми данными. Главное преимущество — небольшой размер файлов и возможность локального запуска, включая LM Studio. Доступны варианты квантования от 2 до 8 бит, а также FP16 и FP32; более сильное квантование уменьшает требования к памяти, но может заметно снижать качество. Для большинства сценариев рекомендуется сбалансированный вариант Q4_K_M или варианты с меньшими потерями качества. Использование поддерживается llama.cpp начиная с указанного в README коммита и LM Studio версии 0.2.19 или новее. Лицензия модели — MIT.

Hermes 2 Pro Mistral-7B Infinity-Instruct — языковая модель на 7,1 млрд параметров, разработанная дообучением NousResearch/Hermes-2-Pro-Mistral-7B на наборе BAAI/Infinity-Instruct. Это плотная авторегрессионная модель Mistral для генерации текста и диалогового общения; она загружается через Transformers и распространяется в формате safetensors. В карточке указана длина последовательности обучения 8192 токена, а метаданные сообщают нативный контекст 32768 токенов. Модель предназначена для диалогов, ответов на вопросы и генерации текста по инструкциям. В README приведены результаты отдельных тестов, включая ARC и BoolQ, но они не гарантируют качество на других задачах. Модель принимает и выдаёт текст; сведения о поддерживаемых естественных языках отсутствуют. Лицензия — Apache-2.0. Ограничения включают возможные ошибки и выдуманные утверждения, характерные для генеративных языковых моделей.

HydroEmbed/HydroEmbed-OpenQA-MiniLM-DualLoss — англоязычный Sentence Transformer, дообученный разработчиком HydroEmbed на базе sentence-transformers/all-MiniLM-L6-v2 для сопоставления и поиска связанных текстов. Модель использует энкодер BERT с усреднением токенных представлений и нормализацией; она преобразует предложения и абзацы в плотные векторы размерности 384. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; в README указана максимальная длина последовательности 256 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текстов на основе эмбеддингов. В README приведены англоязычные пары вопросов и ответов по тематике водных ресурсов и окружающей среды, однако специализация модели на этой области не заявлена. Указаны потери CosineSimilarityLoss и MultipleNegativesRankingLoss. Лицензия в предоставленных данных не приведена.

IndicSBERT — модель семейства BERT, разработанная L3Cube-Pune в рамках проекта MahaNLP. Она основана на google/muril-base-cased и дообучена на наборе данных NLI для десяти основных индийских языков; поддерживает также английский и межъязыковое сравнение предложений. Модель создаёт векторные представления предложений для оценки их смыслового сходства и извлечения признаков. Размер составляет 264,8 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска, сравнения предложений и задач, где требуется сопоставлять тексты на разных языках. Карточка описывает применение через Sentence-Transformers или Transformers с подходящей операцией pooling. Доступна по лицензии CC BY 4.0, требующей указания авторства. README отмечает, что отдельная дообученная версия для сходства предложений опубликована отдельно.

Vishwas/intent_classification — модель на архитектуре MPNet, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Веса в формате PyTorch, число параметров — 136,7 млн, максимальная длина контекста — 514 токенов. Модель можно применять для поиска похожих пользовательских запросов и группировки текстов по смыслу. В README указано обучение с CosineSimilarityLoss, однако не приведены сведения о языках обучающих данных или о целевой схеме классификации намерений. Поэтому название репозитория само по себе не подтверждает, что модель выдаёт метки классов интентов. Лицензия в предоставленных данных не указана.

Italian-ModernBERT-base-embed-mmarco-mnrl — модель Sentence Transformers, дообученная автором репозитория на mmarco на базе DeepMount00/Italian-ModernBERT-base. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по косинусному сходству, семантического поиска и поиска перефразировок. Также в README указаны применение для кластеризации и классификации текстов. Модель использует архитектуру ModernBERT с усреднением токенных представлений и поддерживает последовательности длиной до 8192 токенов. Обучающие примеры mmarco включают запросы и релевантные и нерелевантные тексты на итальянском языке. В README приведены показатели cosine_accuracy 0,9255 на mmarco_dev и 0,913 на mmarco_test. Модель принимает текст и выдаёт векторы; основное назначение — италоязычные задачи поиска и сопоставления текстов. В метаданных указана библиотека sentence-transformers, а файлы представлены в safetensors. Условия лицензирования в доступной карточке не приведены.

Jackalope 7B — языковая модель OpenAccess AI Collective, дообученная на базе Mistral 7B. Это плотная авторегрессионная модель с 7,1 млрд параметров для генерации текста и многоходового диалога; README указывает контекст до 32 768 токенов. Модель обучали полным дообучением на подборке данных SlimOrca и других открытых наборах, включая PIPPA, материалы LDJnr, MetaMathQA и RiddleSense; для диалога используется шаблон ChatML. Модель подходит для чат-ботов, ответов на вопросы, следования инструкциям и генерации рассуждений и художественного текста. В README отмечено, что по оценкам HF Leaderboard она немного уступает MistralOrca, но рассчитана на более общее применение и поддерживает многоходовой чат. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

jina-embeddings-v2-base-en-GGUF — англоязычная модель для создания векторных представлений текста. Оригинальная модель разработана jinaai, а GGUF-версии подготовлены Second State Inc. Модель предназначена для семантического поиска, сопоставления текстов, кластеризации, классификации и других задач, где требуется сравнивать смысловое сходство текстовых данных. Модель работает в режиме embedding, поддерживает контекст до 8192 токенов и формирует эмбеддинги размерностью 768. Распространяется в формате GGUF с вариантами квантования от Q2_K до Q8_0, а также в формате f16. Квантированные версии занимают примерно от 61,7 до 146 МБ, тогда как f16-версия — 274 МБ. Для запуска в README указан LlamaEdge версии v0.14.17. Основное преимущество модели — возможность локального запуска и выбор между компактностью и качеством через разные уровни квантования; версии Q4_K_M, Q5_K_M и Q5_K_S отмечены как рекомендуемые. При этом сильное квантование может приводить к существенной потере качества, особенно у вариантов Q2_K и Q3. Модель ориентирована на английский язык, поэтому её пригодность для других языков не подтверждена. Лицензия — Apache-2.0.

Josiefied-Qwen2.5-14B-Instruct-abliterated-v4 — диалоговая языковая модель, разработанная Gökdeniz Gülmez и дообученная на основе Qwen/Qwen2.5-14B-Instruct. Это плотная модель семейства Qwen2 с 14 млрд параметров в формате Safetensors; она предназначена для генерации текста и общения в чате. Модель ориентирована на менее ограниченные ответы, хотя автор отмечает, что на экстремальные запросы она всё ещё может реагировать сдержанно. Модель принимает текст и генерирует текст, поддерживает интерфейс вызова инструментов и контекст до 32 768 токенов. В карточке указаны английский, немецкий, французский, испанский, португальский, итальянский, русский, китайский, японский, корейский, вьетнамский, тайский и арабский языки. Для обработки более длинного контекста README описывает масштабирование YaRN, которое может снижать производительность на коротких текстах при статической настройке. Модель распространяется по лицензии Apache-2.0. Автор предупреждает о возможных ограничениях и рекомендует использовать её на свой риск; приведённые в карточке результаты оценки не гарантируют качества для конкретных задач.

Aashraf995/KaLM-embedding-multilingual-mini-instruct-v2.5-Q8_0-GGUF — это версия мультиязычной instruct-модели для создания эмбеддингов, преобразованная из KaLM-Embedding/KaLM-embedding-multilingual-mini-instruct-v2.5 в формат GGUF. Конвертацию выполнил автор репозитория с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для задач извлечения признаков, семантического поиска и retrieval, оценки семантического сходства текстов (STS), классификации, кластеризации и reranking. В README указана поддержка английского и китайского языков, а также интеграция с библиотекой Sentence Transformers, llama.cpp и vLLM. Точный размер модели, архитектура исходной модели, размерность эмбеддингов и максимальная длина контекста в карточке не приведены; параметр контекста 2048 указан только в примере запуска llama.cpp. Квантование Q8_0 в формате GGUF ориентировано на локальный запуск и совместимость с экосистемой llama.cpp, однако README не содержит результатов бенчмарков или подробных сведений о преимуществах и ограничениях качества. Модель распространяется по лицензии Apache-2.0. Для использования доступны llama.cpp CLI и серверный режим; также приведены ссылки на инструкции исходной модели и llama.cpp.

KangalKhan-RawEmerald-7B — языковая модель для диалогов и генерации текста, созданная Yuma42. Это слияние моделей argilla/CapybaraHermes-2.5-Mistral-7B и argilla/distilabeled-OpenHermes-2.5-Mistral-7B с помощью LazyMergekit. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для общения в формате ChatML, ответов на вопросы и генерации текста. В карточке приведены результаты оценки на Open LLM Leaderboard. Автор предупреждает, что варианты GGUF от стороннего автора могут иногда выдавать опечатки и рекомендует в таком случае вариант Q4_K_S GGUF. Модель распространяется по лицензии Apache-2.0.

shangrilar/klue-roberta-base-klue-sts-mrc — модель Sentence-Transformers на базе RoBERTa, разработанная автором репозитория для получения векторных представлений предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 514 токенов. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Веса доступны в формате safetensors; для применения подходят Sentence-Transformers или Transformers с соответствующей операцией pooling. Карточка не сообщает лицензию и не приводит результатов оценки качества. Название базовой модели указывает на ориентацию на корейский язык, однако README и метаданные не перечисляют поддерживаемые языки.

LFM2.5-1.2B-Thinking-ONNX — ONNX-экспорт модели LFM2.5-1.2B-Thinking, разработанной Liquid AI. Это текстовая генеративная модель для кроссплатформенного вывода, включая локальный запуск, браузерные приложения и устройства с поддержкой ONNX Runtime или WebGPU. Модель предназначена для задач, требующих рассуждений: математических вычислений, программирования, логического анализа и других сложных запросов. Она генерирует пошаговый процесс рассуждения в тегах <think>...</think>, после чего формирует итоговый ответ. Поддерживаются английский, японский, корейский, французский, испанский, немецкий, итальянский, португальский, арабский и китайский языки. Архитектура и максимальная длина контекста в README не указаны; размер модели составляет около 1,2 млрд параметров согласно идентификатору и описанию варианта. Доступны варианты FP32, FP16, Q8 и Q4. Квантизированный Q4-вариант занимает около 1,2 ГБ и рекомендован для большинства сценариев, FP16 — около 2,4 ГБ и ориентирован на более высокое качество, Q8 — около 1,7 ГБ как компромисс между качеством и размером. ONNX-формат облегчает переносимость, но для браузерного запуска требуется WebGPU. Ограничения включают небольшой размер по современным меркам, возможные ошибки в сложных задачах и необходимость самостоятельно обрабатывать разделение рассуждений и итогового ответа. Модель распространяется по лицензии lfm1.0; точные условия следует проверить в файле LICENSE репозитория.

LFM2.5-8B-A1B-Uncensored-Gaston-GGUF — модифицированная GGUF-версия модели Liquid AI LFM2.5-8B-A1B, подготовленная Gastón Parravicini. Это текстовая reasoning-модель для диалогов и генерации текста, ориентированная на локальный запуск через llama.cpp, Ollama и совместимые инструменты. Вариант получил abliteration для существенного снижения отказов от ответов при сохранении рассуждений и общих возможностей базовой модели. Модель использует гибридную архитектуру из свёрточных LIV-блоков, Grouped Query Attention и разреженного MoE: всего около 8,3 млрд параметров, из которых примерно 1,5 млрд активны на каждом токене; задействованы 32 эксперта, четыре из них выбираются для токена. Заявлено контекстное окно 128K, обучение на 38 трлн токенов и поддержка английского, испанского, французского, немецкого, китайского, японского, корейского и арабского языков. Доступны квантизации IQ4_XS, Q4_K_M, Q5_K_M, Q6_K, Q8_0 и F16; Q4_K_M рекомендована как компромисс между качеством и размером. Сильными сторонами являются высокая скорость, компактное активное число параметров, сохранённый режим рассуждений с тегами <think> и заявленная частота отказов 1% на AdvBench после модификации. Ограничение модели — нестандартная гибридная архитектура, из-за которой обычные инструменты abliteration несовместимы без специальной адаптации. Версия предназначена для сценариев, где требуется меньше ограничений на генерацию, поэтому её ответы следует дополнительно проверять на безопасность и достоверность. Указана лицензия lfm-open-license-v1 от Liquid AI; подробные условия приведены по ссылке на лицензию базовой модели.