I.14Автоматизация процессов и AI-агенты

kromcomp/L3.1-Spectrev2-12B — объединённая языковая модель на архитектуре Llama, созданная автором репозитория с помощью mergekit и метода Passthrough. В объединении использована модель merge/imps. Модель содержит 11,4 млрд параметров, построена как плотная авторегрессионная модель для генерации текста и поддерживает диалоговый режим. Модель подходит для генерации ответов в чате и других задач, где требуется продолжать или создавать текст. Заявленная длина контекста — 131 072 токена. Репозиторий содержит веса в формате Safetensors; для работы указана библиотека Transformers. README и метаданные не описывают специализацию по предметным областям или отдельные ограничения качества. Лицензия в предоставленных данных не указана.

LENS-d4000 — модель текстовых эмбеддингов, разработанная Yibin Lei. Она использует подход Lexicon-based Embeddings: компоненты вектора задуманы как соответствующие кластерам семантически близких токенов. Версия d4000 формирует представления размерностью 4000 на основе архитектуры Mistral с 7,1 млрд параметров. Модель предназначена для извлечения признаков из текста и получения эмбеддингов, которые можно применять для сравнения семантической близости текстов и поиска по смыслу. Для неё заявлен контекст длиной до 32 768 токенов. Репозиторий содержит веса Safetensors; лицензия — Apache 2.0. Описание не содержит результатов оценок качества или подробностей о рекомендуемом способе использования и ограничениях представлений. Указан интерфейс извлечения признаков, поэтому для получения эмбеддингов может потребоваться подходящая библиотека или обёртка.

unsloth/LFM2-2.6B-Exp-GGUF — GGUF-версия экспериментальной языковой модели LFM2-2.6B-Exp, разработанной Liquid AI и подготовленной Unsloth. Модель создана на основе LFM2-2.6B с использованием обучения с подкреплением и ориентирована на следование инструкциям, работу со знаниями и математическими задачами. Указано, что её результативность особенно высока среди моделей класса около 3B параметров, включая сильный результат на IFBench. Модель предназначена для агентных сценариев, извлечения данных, RAG, творческого письма и многошаговых диалогов. Из-за небольшого размера разработчики рекомендуют дообучение под узкие прикладные задачи. Модель не рекомендуется для задач, требующих глубоких знаний или программирования. Архитектура LFM2-2.6B включает 30 слоёв, из которых 22 являются convolutional-слоями и 8 attention-слоями, около 2,57 млрд параметров, контекст до 32 768 токенов и словарь размером 65 536 токенов. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Модель поддерживает диалоги через ChatML-подобный шаблон и вызов инструментов. В этой версии исправлен chat template; для llama.cpp рекомендуется использовать параметр --jinja. Рекомендуемые параметры генерации: temperature 0.3, min_p 0.15 и repetition_penalty 1.05. Лицензия — LFM Open License v1.0. README не указывает точные параметры квантования данной GGUF-сборки, поэтому объём памяти и компромисс между качеством и скоростью по конкретному файлу определить нельзя.

LingoWhale-8B — плотная двуязычная языковая модель с авторегрессионной архитектурой LingoWhaleForCausalLM, разработанная DeepLang Technology совместно с лабораторией NLP Университета Цинхуа. Модель содержит 7,7 млрд параметров, обучена на качественных китайских и английских данных и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста и может использоваться как базовая модель для ответов на вопросы, написания текстов, рассуждений и генерации кода. В README также приведены примеры диалоговой модели, полученной дообучением LingoWhale-8B на открытых SFT-данных; это пример производной модели, а не отдельная возможность исходной базовой модели. Для адаптации доступны примеры тонкой настройки, включая LoRA. Разработчики отмечают, что модель может галлюцинировать, а её математические способности ограничены. Для академических исследований модель открыта; коммерческое использование исходной модели и её производных требует заявки и получения разрешения по лицензии LingoWhale-8B наряду с Apache 2.0.

LinkBERT-base — англоязычный трансформерный энкодер семейства BERT, разработанный Мичи Ясунага и соавторами. Модель предварительно обучена на статьях англоязычной Википедии с учётом гиперссылок между документами: связанный текст подавался в общий контекст, чтобы модель усваивала знания, распределённые по нескольким документам. Размер модели — 135,5 млн параметров, максимальная длина контекста — 512 токенов; доступны веса PyTorch. Лицензия — Apache-2.0. Модель предназначена для дообучения под классификацию текста и другие задачи понимания языка, включая ответы на вопросы, классификацию последовательностей и токенов. Её также можно использовать как исходный энкодер для извлечения признаков. Учёт связей между документами особенно полезен для задач, требующих объединять сведения из нескольких источников, таких как поиск по документам и чтение с пониманием. В опубликованных результатах дообученная модель превосходит BERT-base на приведённых наборах MRQA и GLUE; сама базовая модель не является готовой системой ответов на вопросы и может требовать дообучения для целевой задачи.

prithivMLmods/Llama-3.1-5B-Instruct — инструктивно настроенная авторегрессионная языковая модель семейства Llama на архитектуре Transformer. По карточке, модель прошла дообучение SFT и RLHF и предназначена для диалоговой генерации, ответов на вопросы, перевода и выполнения инструкций. В метаданных указаны 4,9 млрд параметров, контекст 8192 токена и поддержка чат-сценариев; веса представлены в формате safetensors и рассчитаны на работу с Transformers. Модель поддерживает английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Она подходит для создания многоязычных диалоговых приложений и генерации текста по запросу. Карточка заявляет хорошее качество на отраслевых бенчмарках, но не приводит их названия или результаты, поэтому эти оценки нельзя независимо проверить по предоставленным данным. Лицензия — Llama 3.1 License.

Maziyar Panahi разработал Llama-3-8B-Instruct-v0.9 на основе MaziyarPanahi/Llama-3-8B-Instruct-v0.8. Это плотная авторегрессионная языковая модель семейства Llama с архитектурой LlamaForCausalLM, примерно 7,5 млрд параметров и контекстом до 8192 токенов. Модель предназначена для диалогов и генерации текста по инструкциям; для общения использует шаблон ChatML и может запускаться через библиотеку Transformers. В карточке приведены результаты тестирования на Open LLM Leaderboard, включая AI2 Reasoning Challenge и HellaSwag. Метаданные указывают английский язык. Репозиторий содержит веса в формате safetensors, а квантизованные GGUF-варианты размещены отдельно. Лицензия указана как other, поэтому перед использованием следует проверить условия лицензии в репозитории.

MaziyarPanahi/Llama-3-8B-Instruct-v0.9-GGUF — это набор файлов модели в формате GGUF, подготовленный разработчиком MaziyarPanahi на основе модели MaziyarPanahi/Llama-3-8B-Instruct-v0.9. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через llama.cpp и совместимые приложения и библиотеки. Известно, что модель относится к семейству Llama 3 и имеет размер 8B параметров. Доступны варианты квантования от 2 до 8 бит, что позволяет выбирать между меньшими требованиями к памяти и потенциальным сохранением качества. Формат GGUF поддерживается llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другими инструментами. Сведения о языках, размере контекста, точной архитектуре и результатах оценки в README не указаны. Основные преимущества — локальное использование, широкий выбор уровней квантования и совместимость с различными клиентами, включая GPU-ускорение и OpenAI-совместимые серверные интерфейсы в отдельных инструментах. Ограничения и условия лицензии в README не описаны; перед использованием необходимо проверить лицензию исходной модели и соответствующие условия распространения.

LLaMA-3-8B-SFR-Iterative-DPO-R — диалоговая инструктивная языковая модель Salesforce, основанная на архитектуре Llama 3. В репозитории указано 7,5 млрд параметров; модель принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. Она обучена с помощью итеративного онлайн RLHF на основе DPO с открытыми наборами данных, без дополнительной разметки людьми или GPT-4. Модель предназначена для диалоговых ответов и следования инструкциям. В карточке Salesforce сообщает о результатах на Alpaca-Eval-V2, MT-Bench и Chat-Arena-Hard, а также приводит академические бенчмарки, включая GSM-8K, MMLU и HumanEval. README обозначает выпуск как исследовательский, предназначенный для поддержки академической работы; лицензия в метаданных — llama3. Модель может выдавать оскорбительный или неэтичный контент, особенно при состязательных запросах. Salesforce рекомендует проверять точность, безопасность и справедливость перед применением, особенно в высокорисковых сценариях. Поддерживаемые естественные языки явно не перечислены.

CYFRAGOVPL/Llama-PLLuM-70B-chat-2512 — диалоговая большая языковая модель семейства PLLuM, разработанная консорциумом PLLuM и развиваемая с 2025 года альянсом HIVE AI. Это плотная авторегрессионная модель архитектуры Llama с 69,5 млрд параметров и контекстом до 131 072 токенов; веса опубликованы в формате safetensors. Модель адаптирована к диалогу, выровнена по человеческим предпочтениям и предназначена для генерации связного текста и помощи в общих языковых задачах. Основной язык модели — польский; при обучении также использовались английские данные. Модель подходит для ответов на вопросы, суммаризации, извлечения информации и создания специализированных помощников. Для работы с польской публичной администрацией, юридическими и бюрократическими материалами README рекомендует использовать поиск по документам и RAG, а не полагаться только на знания модели. В обучении использовались продолженное предобучение на польских и английских текстах, ручные инструкции на польском и предпочтения, размеченные людьми. Указанная лицензия — Llama 3.1; перед использованием следует соблюдать её условия. Карточка описывает результаты на польских административных и общих языковых бенчмарках, но не даёт гарантии фактической точности ответов в конкретном применении.

Карточка модели munachi02/LonAI_20250122 на Hugging Face совпадает с карточкой chain03/SRole_3181, поэтому описание составлено по ней. chain03/SRole_3181 — объединённая модель для генерации текста и диалогового общения. Она создана методом линейного слияния mergekit из двух предварительно обученных языковых моделей: /root/top1 и /root/top2. Модель использует плотную архитектуру семейства Llama с классом LlamaForCausalLM и содержит 7,5 млрд параметров. Модель рассчитана на генерацию текста и ответы в формате чата. Заявленная длина контекста — 131 072 токена. Веса доступны в формате safetensors; в конфигурации слияния указан тип данных bfloat16. Лицензия в предоставленных сведениях не указана.

M7Yamshadowexperiment28_Experiment26T3q — слитая модель для генерации текста, созданная на основе automerger/M7Yamshadowexperiment28-7B и automerger/Experiment26T3q-7B. В метаданных указаны архитектура Mistral, 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов на запросы; описание базовой модели также указывает на применение для математических задач. Репозиторий содержит веса в формате safetensors. Модель выпущена по лицензии Apache-2.0.

Magiq-Logic-0 — диалоговая модель mymaia для логического анализа и поддержки принятия решений. Она оценивает информацию, формирует обоснованные суждения и предназначена для использования в составе MAIA вместе с MAGIQ Core-0 и MAGIQ Translator-0, чтобы создавать связные ответы с учётом контекста. Модель основана на Mistral-7B-Instruct-v0.2 и дообучена для генерации текста; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Указаны английский, итальянский и французский языки. Модель распространяется в формате safetensors по лицензии Apache-2.0.

MaziyarPanahi/mamba-gpt-7b-v1-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая модель на архитектуре Mistral, созданная методом SLERP из Mistral-7B-Instruct-v0.2 и CobraMamba/mamba-gpt-7b-v1. Она предназначена для генерации текста и ответов на инструкции в чат-сценариях. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors; в конфигурации слияния указана точность bfloat16. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает языковой охват и результаты сравнительных оценок.

stamsam/maple-preview-gguf — набор GGUF-конвертаций модели Maple-Preview, разработанной DeepGrove. Это языковая reasoning-модель для генерации текста и решения задач, реализованная как Mixture-of-Experts: всего около 20 млрд параметров, примерно 1 млрд активных на токен (A1B), 24 слоя и контекст до 131 072 токенов. Архитектура использует 256 экспертов, 8 активных экспертов, GQA с 16 query-heads и 4 KV-heads, а также гибридное внимание с чередованием скользящего окна размером 512 и глобального внимания. Модель поддерживает текстовую модальность; заявленные языки в README не указаны. В репозитории доступны варианты F16, Q4_K_M и экспериментальный ternary TQ2_0 с двухбитными весами, что позволяет выбирать между качеством, размером и требованиями к памяти. Сильными сторонами являются большой контекст, MoE-архитектура, низкая активная вычислительная стоимость и поддержка GPU для указанных сборок. При этом проект находится на ранней стадии валидации: систематические оценки, perplexity и бенчмарки отсутствуют, а поддержка ternary-вычислений новая. Файлы нельзя загрузить в основной llama.cpp или PrismML upstream; требуется форк stamsam/llama.cpp, ветка prism, с Maple runtime. Базовая модель и опубликованные материалы распространяются по лицензии MIT.

Maverick Llama 3 8B — диалоговая языковая модель на архитектуре Llama, созданная feeltheAGI на базе Meta Llama 3 8B и дообученная на наборе feeltheAGI/maverick-sharegpt. Модель содержит около 7,5 млрд параметров, принимает текст и предназначена для генерации ответов в формате чата с шаблоном ChatML; заявленная длина контекста — 8192 токена. Модель подходит для диалогового ассистента, ответов на вопросы, рассуждений и решения задач по математике. В карточке приведены результаты тестов EQ-Bench, WinoGrande, GSM8K и MathQA, но они не гарантируют качество в конкретных сценариях. Репозиторий предоставляет веса в формате Safetensors. Метаданные указывают лицензию Apache 2.0, тогда как README ссылается на Meta Llama 3 Community License Agreement; условия использования следует сверять с лицензией базовой модели.

MegaBeam-Mistral-7B-512k-GGUF — набор GGUF-квантизаций модели MegaBeam-Mistral-7B-512k, разработанной aws-prototyping и подготовленной для llama.cpp пользователем bartowski. Модель предназначена для генерации текста и локального запуска, в частности через llama.cpp и LM Studio. Она относится к семейству Mistral и имеет размер 7B параметров; поддерживает контекст до 512 тысяч токенов. Данные о языках и мультимодальности не указаны, поэтому модель следует рассматривать как текстовую. Доступны варианты от F16 до низкобитных Q2 и IQ-квантизаций, размером примерно от 2,50 до 14,48 ГБ. Более высокие разрядности обеспечивают лучшее сохранение качества, а низкие снижают требования к памяти ценой качества; в README рекомендуются, среди прочих, варианты Q4_K_M, Q5 и Q6. Квантизации созданы с использованием imatrix и llama.cpp b3600. Модель не поддерживает системный промпт и требует формата приглашения «<s> [INST] {prompt} [/INST]». В обновлённой версии заявлены улучшения пользовательского опыта и исправление проблем с повторениями. Распространяется по лицензии Apache-2.0. README не содержит результатов бенчмарков или подробного описания качества, поэтому фактические возможности модели в конкретных задачах требуют самостоятельной проверки.

MeliodasPercival_01_YamExperiment28 — объединённая автором карточки модель на архитектуре Mistral с 7,1 млрд параметров, созданная на основе automerger/MeliodasPercival_01-7B и automerger/YamExperiment28-7B. Она предназначена для генерации текста и диалогов, а контекст поддерживает до 32 768 токенов. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка не описывает специальные предметные области или ограничения качества; применимость следует оценивать на задачах пользователя.

MeliodasT3qm7_Experiment27Neuralsirkrishna — объединённая модель семейства Mistral, созданная на основе automerger/MeliodasT3qm7-7B и automerger/Experiment27Neuralsirkrishna-7B. Модель с плотной архитектурой MistralForCausalLM содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов. Модель принимает текст и выдаёт текст. Размер контекста составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Данных о специализации по языкам или прикладным областям нет.

Модель artificialguybr/Meta-Llama-3.1-8B-openhermes-2.5 — дообученная на наборе teknium/OpenHermes-2.5 языковая модель Meta-Llama-3.1-8B для следования инструкциям и решения общих текстовых задач. Она построена на архитектуре LlamaForCausalLM с плотной causal language model архитектурой и содержит 7,5 млрд параметров. Модель принимает текст и генерирует текст; заявленный язык — английский, а нативная длина контекста составляет 131 072 токена. Модель подходит для генерации текста, ответов на вопросы и других сценариев, где требуется выполнять инструкции на естественном языке. В карточке указана лицензия Apache-2.0. Среди ограничений отмечены возможные смещения, связанные с обучающими данными, и риск генерации вредоносного или предвзятого контента.

Meta-Llama-3-8B-Instruct-BPE-fix-GGUF — это GGUF-версия инструкционной языковой модели Meta-Llama-3-8B-Instruct, разработанной Meta. Модель предназначена для генерации текста и выполнения инструкций в сценариях диалоговых ассистентов, ответов на вопросы, написания и преобразования текста. В карточке указаны английский язык и задача text-generation; поддержка других языков не заявлена. Известно, что модель относится к семейству Llama 3 и содержит 8 миллиардов параметров. Формат GGUF ориентирован на локальный запуск с совместимыми инструментами инференса, а суффикс BPE-fix указывает на вариант с исправлением, связанным с токенизацией BPE, однако подробности этого исправления в README не приведены. Сведения о размере контекста, точной архитектуре, модальностях, производительности и ограничениях качества отсутствуют. Модель распространяется по лицензии Meta Llama 3 Community License. Лицензия разрешает использование, воспроизведение, распространение, создание производных работ и модификацию на установленных условиях. При распространении материалов или продуктов необходимо включать текст лицензии, указывать «Built with Meta Llama 3», сохранять требуемое уведомление об авторских правах и соблюдать Acceptable Use Policy. Для организаций и продуктов с более чем 700 миллионами ежемесячных активных пользователей предусмотрено получение отдельной лицензии Meta.

MetaMath-OpenHermes-2.5-neural-chat-v3-3-Slerp-GGUF — набор файлов модели в формате GGUF, подготовленный MaziyarPanahi на основе модели Weyaxi/MetaMath-OpenHermes-2.5-neural-chat-v3-3-Slerp. Модель предназначена для генерации текста и может использоваться в локальных приложениях, чат-интерфейсах и системах, поддерживающих GGUF, включая llama.cpp, text-generation-webui, LM Studio, GPT4All, KoboldCpp и llama-cpp-python. В репозитории представлены варианты квантования с разрядностью от 2 до 8 бит, включая Q2_K, Q3_K, Q4_K, Q5_K и Q6_K, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством генерации. Точные размер модели, архитектура исходной модели, максимальная длина контекста и поддерживаемые языки в README не указаны. Формат ориентирован на эффективный запуск, в том числе с GPU-ускорением, однако квантование может влиять на качество по сравнению с полноразмерной версией. Модель распространяется по лицензии Apache-2.0.

KennethTM/MiniLM-L6-danish-encoder — компактная модель Sentence-Transformers для семантического представления датских предложений и абзацев. Она построена на архитектуре BERT, содержит 25,9 млн параметров и преобразует текст в плотные векторы размерностью 384. Максимальная длина входной последовательности — 512 токенов. Модель адаптирована от sentence-transformers/all-MiniLM-L6-v2 с датским токенизатором и обучена на наборах ELI5 и SQuAD, переведённых с английского на датский. Её можно применять для семантического поиска, сравнения сходства предложений и кластеризации текстов на датском языке. Для использования доступны веса PyTorch и safetensors; библиотека модели — Sentence-Transformers. Лицензия — MIT. Автор README указывает, что доступна более новая версия KennethTM/MiniLM-L6-danish-encoder-v2, обученная на большем объёме данных.

Mini-Monkey — компактная мультимодальная языковая модель, разработанная Mingxin Huang, Yuliang Liu, Dingkang Liang, Lianwen Jin и Xiang Bai. Она основана на архитектуре InternVL Chat и предназначена для диалога с пользователем по изображениям и понимания визуальных данных. Модель применяет стратегию адаптивного многомасштабного кадрирования MSAC, чтобы получать представления объектов на разных масштабах, и механизм сжатия SCM, уменьшающий число визуальных токенов. Авторы сообщают о сильных результатах на общих задачах понимания изображений и задачах работы с документами, включая OCR, диаграммы и визуальные вопросы и ответы. В README заявлены результаты на уровне моделей с большим числом параметров, однако количественный размер именно этой модели в предоставленных метаданных и тексте карточки не указан. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Она рассчитана на визуальные вопросы и ответы, распознавание текста и извлечение сведений из документов, диаграмм и графиков. Репозиторий распространяет веса в формате safetensors; лицензия — MIT.

Mistral-7b-FFT-Test3-Mistral-7B-Instruct-v0.2-slerp — текстовая диалоговая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.2 и Dans-DiscountModels/Mistral-7b-FFT-Test3; в конфигурации указан тип данных bfloat16. Модель предназначена для генерации текста и выполнения инструкций в диалоге, а контекст составляет до 32 768 токенов. Модель подходит для чат-ботов, ответов на вопросы и других сценариев генерации текста. В карточке указана лицензия Apache-2.0. Данных о специальных предметных областях или языках, на которые модель рассчитана в первую очередь, нет.

mistral-7b_open_platypus-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая языковая модель на архитектуре Mistral, созданная слиянием Mistral-7B-Instruct-v0.2 и mistral-7b_open_platypus методом SLERP. Модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате. Её можно применять для чат-ботов, черновиков текстов, ответов на вопросы и задач, использующих возможности исходной модели Open Platypus. Веса опубликованы в формате safetensors; README указывает тип данных bfloat16. Модель распространяется по лицензии Apache-2.0. Результаты и конкретные ограничения качества в карточке не описаны; как и другие генеративные языковые модели, она может выдавать фактически неверные ответы.

Это квантизированная версия текстовой генеративной модели Mixtral-8x22B-v0.1, разработанной Mistral AI и подготовленной для распространения пользователем ChristianAzinn. Модель поставляется в формате GGUF и предназначена для локального запуска через llama.cpp и совместимые приложения, включая LM Studio, Ollama и другие сервисы на его основе. Модель использует архитектуру Mixture of Experts (MoE) и доступна в вариантах квантизации от 2 до 6 бит, включая IQ2_XXS, IQ2_XS, Q2_K, IQ3, Q3, Q4, Q5 и Q6. Также заявлена поддержка 16-битного формата в метаданных, однако репозиторий ориентирован на GGUF-квантизации с importance matrix; для Q8_0, FP16 и FP32 рекомендуется использовать другой репозиторий. Поддерживается текстовая генерация на английском языке и контекстное окно до 65 536 токенов. Сильные стороны модели — большой контекст, широкий выбор уровней квантизации и повышенное качество некоторых вариантов благодаря importance matrix при небольших дополнительных затратах. Ограничение — очень большой размер исходной модели: она не предназначена для большинства пользовательских компьютеров, а длинный контекст требует значительных ресурсов. Файлы могут быть разделены на части; llama.cpp и LM Studio поддерживают работу с такими шардами. Модель распространяется по лицензии Apache-2.0.

MOSS-moon-003-sft — языковая модель с 16 млрд параметров, разработанная командой OpenMOSS-Team. Она основана на CodeGen и предварительно обучена на китайских, английских и программных токенах, после чего дообучена с учителем на примерно 1,1 млн многоходовых диалогов. Модель предназначена для диалогов с пользователем, следования инструкциям в нескольких репликах и отказа на неподходящие запросы. Модель принимает текст и генерирует текст; карточка указывает поддержку английского и китайского языков и контекст до 2048 токенов. Её можно применять для ответов на вопросы, простых математических задач, помощи с кодом и китайскоязычных диалогов. Описанные требования к запуску составляют 31 ГБ видеопамяти для загрузки в FP16 и больше при генерации; доступны варианты MOSS в INT8 и INT4, но этот репозиторий содержит веса PyTorch. Модель может выдавать неверную, вводящую в заблуждение или предвзятую информацию, поэтому ответы следует проверять. Лицензия — AGPL-3.0.

MRAI_synatra_7B_v1-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral, созданная слиянием Mistral-7B-Instruct-v0.2 и MRAIRR/MRAI_synatra_7B_v1 методом SLERP. Она предназначена для генерации текста и выполнения инструкций в чате. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Слияние собрано в bfloat16 с помощью MergeKit; в качестве базовой модели указан mistralai/Mistral-7B-Instruct-v0.2. В карточке не описаны специализированные области применения или подтверждённый перечень языков. Модель распространяется по лицензии Apache-2.0.

multilingual-e5-small-fra-32768 — текстовая модель эмбеддингов, опубликованная alphaedge-ai на основе intfloat/multilingual-e5-small. Она предназначена для задач семантического сравнения предложений, поиска и ранжирования документов, сопоставления запросов с фрагментами текста и других сценариев, где требуется преобразование текста в векторные представления. Модель интегрируется с библиотекой sentence-transformers и поддерживает раздельное кодирование запросов и документов. Модель оптимизирована для французского языка за счёт сокращения словаря методом trimming. Размер словаря уменьшен с 250 037 до 32 768 токенов, а количество параметров — с 117 653 760 до 34 222 464, что соответствует уменьшению размера примерно на 70,91%. По заявлению авторов, при французских текстах она должна демонстрировать результаты, близкие к исходной multilingual-e5-small, при существенно меньшем потреблении памяти. Архитектурные детали, размер контекста и поддержка других модальностей в README не указаны; заявлена только работа с текстом. Главное ограничение — возможное заметное ухудшение качества на языках, отличных от французского, поскольку редко используемые для выбранного языка токены были удалены. Модель распространяется по лицензии MIT.