I.14Автоматизация процессов и AI-агенты

swardiantara разработал Sentence Transformer на основе google/bert_uncased_L-2_H-128_A-2, дообученный на 8 894 парах текстов с использованием OrdinalProxyContrastiveLoss. Модель кодирует предложения и абзацы в плотные векторы размерности 128; косинусное сходство между ними подходит для поиска семантически близких текстов и retrieval-сценариев. Архитектура включает BERT с усреднением токенных представлений. Модель принимает текст, поддерживает последовательности длиной до 128 токенов по README и до 512 токенов по метаданным; для практического использования ориентируйтесь на ограничение 128 токенов, указанное в карточке. Базовая модель англоязычная, а примеры обучающих данных и карточка указывают на английский язык. Вес модели — около 4,4 млн параметров. Модель предназначена для извлечения эмбеддингов и сравнения предложений, а не для генерации текста. Лицензия в предоставленных данных не указана.

Blind Text 1 — русско- и англоязычная языковая модель семейства Blind, представленная разработчиком Blind. Это универсальный текстовый ассистент для диалога, объяснений, ответов на вопросы, выполнения инструкций и создания писем, публикаций, статей и кратких пересказов. Модель имеет MoE-архитектуру с 20,9 млрд параметров и 32 экспертами, из которых для каждого токена активны четыре; контекст составляет до 131 072 токенов. Весы распространяются в формате GGUF с квантизацией MXFP4 для экспертных весов и Q8_0 для эмбеддингов и выходного слоя. Модель предназначена для локального запуска через llama.cpp, Ollama или llama-cpp-python, включая работу без облачного сервиса. Карточка заявляет хорошее удержание контекста и естественные ответы на русском и английском. По приведённому в README замеру на RTX 5080 скорость генерации составляет около 10 токенов в секунду; CPU-запуск также возможен, но медленнее. Количественные результаты MMLU и других инструментальных бенчмарков пока не приведены. Лицензия — Apache-2.0.

BLOSSOM-v3.1-baichuan2-7b — диалоговая языковая модель, разработанная на основе Baichuan2-7B-Base и дообученная командой BLOSSOM на смеси наборов инструкций Orca, Wizard, Chat и Math. Модель имеет плотную архитектуру Baichuan с 7 млрд параметров и контекстное окно 4096 токенов; она принимает текст и генерирует текст в формате продолжения диалога. Модель предназначена для ответов на вопросы, выполнения инструкций, многоходового диалога и математических рассуждений на китайском и английском языках. Обучение проходило в два этапа: сначала на одношаговых инструкциях Wizard и Orca, затем на математических примерах и многотуровых диалогах Blossom Chat. Лицензия — Apache-2.0.

calme-2.1-llama3-70b-GGUF — это набор файлов модели в формате GGUF для текстовой генерации, подготовленный и опубликованный MaziyarPanahi на основе модели calme-2.1-llama3-70b того же разработчика. GGUF предназначен для локального запуска и совместим с llama.cpp и рядом клиентских приложений и библиотек, включая llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другие. Модель относится к семейству Llama 3 и имеет размер 70B, однако в README не указаны точные архитектурные параметры, поддерживаемые языки или размер контекста. Доступны варианты квантования с разрядностью от 2 до 8 бит, что позволяет выбирать между меньшими требованиями к памяти и потенциальным снижением качества либо более высоким качеством и большими ресурсами. Модель ориентирована на задачи генерации текста и может использоваться через локальные графические интерфейсы, командную строку, Python-библиотеки и OpenAI-совместимый сервер. Основные преимущества — широкий выбор уровней квантования, поддержка GPU-ускорения в совместимых инструментах и возможность локального развертывания. Ограничения включают необходимость самостоятельно подобрать подходящий квантованный файл и обеспечить достаточные вычислительные ресурсы; сведения о качестве, результатах тестирования, мультимодальности и лицензии в README отсутствуют. Информация о лицензии не предоставлена.

CrossEncoder-camembert-large — модель-кросс-энкодер для оценки семантического сходства двух предложений, созданная на базе CamemBERT и обученная с помощью класса CrossEncoder библиотеки Sentence Transformers. Она принимает пару текстов и выдаёт оценку сходства от 0 до 1; модель предназначена для ранжирования и сравнения предложений, например при поиске похожих формулировок или проверке релевантности пары фраз. Модель обучена на STS Benchmark, а карточка приводит результаты оценки на французской тестовой выборке: корреляция Пирсона 88,16 и Спирмена 87,57. Архитектура — CamemBERT для классификации последовательности, размер около 435,4 млн параметров, длина контекста — 514 токенов. Основной язык модели — французский. Вес опубликован в форматах PyTorch и Safetensors. Модель хорошо подходит для сопоставления коротких текстов на французском языке, но её оценки сходства не следует трактовать как универсальную меру истинной эквивалентности. Для пары текстов модель запускается совместно, поэтому при масштабном поиске по большому корпусу вычисления могут быть затратными. Лицензия — Apache-2.0.

daxa-ai/daxa-classifier-1.1 — текстовая генеративная модель, разработанная daxa-ai на базе Qwen/Qwen3-4B-Instruct-2507. Она предназначена для задач обработки и генерации текста; конкретные сценарии применения в предоставленных данных не уточняются. Модель поддерживает английский язык, относится к семейству text-generation и рассчитана на использование с библиотекой Transformers. Архитектура, количество параметров, размер контекста, поддерживаемые модальности и точные характеристики обучения не указаны. В метаданных также отмечена совместимость с text-generation-inference. Сильной стороной является использование инструкционной базовой модели Qwen3-4B-Instruct-2507 и интеграция с распространёнными инструментами экосистемы Transformers. Ограничения, условия лицензирования и допустимые способы использования в README не указаны.

DeepSeek-V4-Flash-4bit — модель для генерации текста в формате MLX, опубликованная сообществом mlx-community при поддержке Lambda.ai. Она предназначена для использования с библиотекой mlx-lm и поддерживает сценарии диалоговой генерации через chat template, если такой шаблон доступен в токенизаторе. Из доступных данных известно, что модель представлена в 4-битном варианте, что указывает на применение 4-битного квантования. README не содержит сведений об архитектуре, количестве параметров, поддерживаемых языках, размере контекста, дополнительных модальностях, сильных сторонах, ограничениях или лицензии. Для работы требуется библиотека mlx-lm; конкретные требования к оборудованию в карточке не указаны.

sentence-transformers/distilroberta-base-msmarco-v2 — модель Sentence Transformers на архитектуре DistilRoBERTa, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Модель содержит 95,2 млн параметров, рассчитана на текстовый ввод, имеет контекстное окно до 514 токенов и доступна в форматах PyTorch, TensorFlow, ONNX и OpenVINO. Модель можно использовать для поиска документов по смыслу, сравнения текстов и группировки похожих предложений. В карточке она помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать другую модель для новых проектов. Лицензия — Apache-2.0.

Diver-Retriever-0.6B — модель текстовых эмбеддингов и ранжирования AQ-MedAI, дообученная на Qwen/Qwen3-Embedding-0.6B. Она предназначена для семантического поиска и сопоставления запросов с документами, в том числе в задачах, требующих рассуждений. При обучении использовались данные по математике, программированию и медицине с подобранными по сложности негативными примерами. Модель поддерживает китайский и английский языки, имеет 507,6 млн параметров и контекст до 32 768 токенов; архитектура относится к семейству Qwen3. README отмечает результаты на Bright и MTEB-Medical, но не приводит здесь полные таблицы оценок. Распространяется в формате safetensors по лицензии Apache-2.0.

DolphinStar-12.5B — разговорная текстовая модель, созданная Noodlz линейным слиянием моделей Dolphin и Starling на архитектуре Mistral. Репозиторий содержит веса Safetensors; размер модели в метаданных указан как 12,3 млрд параметров, а контекст составляет до 32 768 токенов. Модель предназначена для диалогов и генерации текста. В карточке рекомендованы шаблоны ChatML или LM Studio по умолчанию; автор отмечает, что результаты зависят от шаблона и размера пакета. Лицензия — Apache 2.0.

DUSUNEN Atlas 278M v1 — модель эмбеддингов, разработанная Göktuğ Düşünen как дообучение intfloat/multilingual-e5-base для поиска на турецком языке. Она построена на XLM-RoBERTa и преобразует запросы и документы в векторы для семантического поиска, извлечения информации и сравнения предложений. Для запросов используется префикс «query: », для документов — «passage: ». Контекст модели — 514 токенов; в README для обучения указана длина последовательности 256 токенов. Модель обучена на 50 000 турецких триплетов с трудными отрицательными примерами с использованием Matryoshka Representation Learning. При инференсе можно выбирать размерность эмбеддингов 768, 512, 384, 256, 128 или 64, что позволяет уменьшить объём векторного индекса. На проверочной выборке из 2 000 примеров авторы сообщают точность 94,75% для 128 измерений против 92,65% у усечённой базовой модели; это результат только для внутридоменной проверки, а не оценка на широком бенчмарке. Модель распространяется под лицензией MIT.

mradermacher/e5-base-v2-i1-GGUF — набор квантизированных файлов модели intfloat/e5-base-v2, подготовленный пользователем mradermacher. Модель предназначена для получения векторных представлений предложений и оценки их семантического сходства, а также может применяться в задачах семантического поиска, кластеризации и других сценариях, где используются sentence embeddings. В README указана поддержка английского языка. Модель распространяется в формате GGUF и доступна в вариантах квантизации i1-IQ и i1-Q с размером файлов примерно от 0,1 до 0,2 ГБ. В набор входят варианты с различным компромиссом между размером, скоростью и качеством; для некоторых низкобитных вариантов прямо отмечено пониженное качество, а i1-Q4_K_S и i1-Q4_K_M обозначены как удачные варианты по соотношению характеристик. Архитектура, число параметров, модальности и размер контекста в README не указаны. Лицензия модели — MIT. Квантизация уменьшает требования к хранению и вычислительным ресурсам, но может снижать качество представлений по сравнению с исходной моделью; степень снижения зависит от выбранного варианта GGUF.

nixiesearch/e5-small-v2-onnx — это ONNX-версия модели intfloat/e5-small-v2, преобразованная с помощью инструмента onnx-convert. Модель разработана для преобразования предложений и абзацев в плотные векторы фиксированной размерности, пригодные для семантического поиска, кластеризации и задач определения сходства текстов. Модель относится к семейству sentence-transformers и предназначена прежде всего для англоязычных текстов. В составе доступны вариант Float32 с оптимизацией уровня 2 и вариант model_opt2_QInt8.onnx с 8-битным квантованием QInt8 и той же оптимизацией. Размерность эмбеддингов в README не указана; сведения об архитектуре, максимальной длине контекста и точной поддерживаемой мультимодальности отсутствуют. Модель работает только с текстовыми входами. К сильным сторонам относятся формат ONNX, наличие оптимизированной и квантованной версии, а также возможность использовать модель в системах семантического поиска и кластеризации. Ограничения включают отсутствие заявленной поддержки других языков и нехватку данных о производительности, размере векторов и контекстном окне. Модель распространяется по лицензии Apache 2.0.

EuroVLM-1.7B-Preview — мультимодальная модель зрения и языка, разработанная Unbabel совместно с Instituto Superior Técnico, Instituto de Telecomunicações, University of Edinburgh, Aveni, University of Paris-Saclay, University of Amsterdam, Naver Labs и Sorbonne Université при финансировании Европейского союза. Она основана на EuroLLM-1.7B и предназначена для работы с изображениями и текстом: модель описывает изображения, отвечает на вопросы по ним, выполняет инструкции с визуальным контекстом и анализирует документы, диаграммы и графики. Модель использует архитектуру LLaVA-NeXT с плотным трансформером EuroLLM и визуальным энкодером ViT на основе SigLIP2 SO400M. По карточке, языковая часть содержит 1,7 млрд параметров, а визуальный компонент — около 400 млн; контекст поддерживает до 32 тысяч токенов. Заявлена поддержка 39 языков, включая русский. Модель была настроена на многоязычных наборах для описания изображений, визуальных вопросов и ответов и мультимодальных рассуждений. Лицензия — Apache 2.0. Это предварительная версия, которая всё ещё разрабатывается. Возможны ошибки и галлюцинации в описаниях изображений, предвзятая интерпретация и нестабильность результатов между языками; карточка рекомендует осторожность при применении в производственной среде.

Experiment26Neuralsirkrishna_YamYam — объединённая авторами MaziyarPanahi модель Mistral с плотной архитектурой и 7,1 млрд параметров. Она объединяет automerger/Experiment26Neuralsirkrishna-7B и automerger/YamYam-7B и предназначена для генерации текста и диалогов. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В карточке указан формат Safetensors и лицензия Apache-2.0. Данных о языковой специализации и ограничениях качества в доступных материалах нет.

Experiment26Yamshadow_Experiment29Experiment24 — объединённая языковая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста по текстовым запросам и может использоваться в сценариях, где требуется продолжать или создавать текст. Модель объединяет automerger/Experiment26Yamshadow-7B и automerger/Experiment29Experiment24-7B и поддерживает контекст до 32 768 токенов. Распространяется в формате safetensors по лицензии Apache-2.0.

Experiment28M7_NeuralsirkrishnaInex12 — объединённая модель семейства Mistral, созданная из automerger/Experiment28M7-7B и automerger/NeuralsirkrishnaInex12-7B. Она предназначена для генерации текста и диалогов по текстовым запросам. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM, веса сохранены в формате safetensors; длина контекста составляет до 32 768 токенов. Поддерживаемые языки и специализированные области применения в карточке не описаны. Модель распространяется по лицензии Apache-2.0.

Experiment28M7_Strangemerges_32M7 — объединённая методом SLERP языковая модель на архитектуре Mistral, созданная из automerger/Experiment28M7-7B и automerger/Strangemerges_32M7-7B. Модель предназначена для генерации текста и диалога; она содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. README не описывает специальные области применения, языки или ограничения качества; доступные сведения указывают на модель общего назначения.

FastSLM — модель на базе Qwen3-4B, дообученная okestro-ai-lab для преобразования речи в текст и других задач понимания аудио. Она использует архитектуру FastSLM с плотной моделью условной генерации и адаптацией языковой модели к аудио; веса доступны в формате safetensors. Модель ориентирована на эффективную обработку длинных записей: в README заявлена обработка до восьми часов аудио на GPU с 40 ГБ памяти. Для вывода требуются GPU и специальный код модели в Transformers. FastSLM поддерживает транскрибирование речи, перевод аудио в текст на другом языке, суммаризацию аудиозаписей и ответы на вопросы по их содержанию. README сообщает о сохранении возможностей исходной языковой модели для текстовых задач при отключении LoRA. В метаданных указаны английский и корейский языки; опубликованные материалы также упоминают стандартные тесты распознавания речи, но численные результаты здесь не приведены. Модель распространяется по лицензии Apache-2.0.

Finnish ModernBERT base — энкодерная модель архитектуры ModernBERT, разработанная TurkuNLP и предварительно обученная на финском, шведском, английском, коде, латыни и северносаамском языках. Модель содержит около 142,7 млн параметров, состоит из 22 слоёв и обучалась на 410,2 млрд токенов. Метаданные указывают контекстное окно 16 000 токенов; в карточке также отмечена теоретическая возможность экстраполяции до 128 тысяч токенов. Модель предназначена для заполнения маскированных токенов и получения контекстных представлений текста. Её можно применять как основу для задач обработки естественного языка и поиска по текстам; авторы сообщают о сильных результатах в задачах поиска вне обучающего домена на финском, шведском и английском языках. Модель конкурентоспособна в задачах NLU на коротком контексте, хотя в приведённом сравнении XLM-R-large показала лучшие результаты. Модель выпущена под лицензией Apache-2.0. Обучающие данные содержат источники с предвзятым и потенциально вредным содержанием, поэтому представления модели могут отражать эти свойства; их следует оценивать с учётом возможного влияния на уязвимые группы.

FuseO1-DeepSeekR1-QwQ-32B-Preview-GGUF — это набор квантизированных версий языковой модели FuseO1-DeepSeekR1-QwQ-32B-Preview, разработанной FuseAI и подготовленной пользователем bartowski в формате GGUF. Модель предназначена для генерации текста и локального запуска через llama.cpp и совместимые приложения, включая LM Studio. Модель содержит 32 млрд параметров; README не указывает её точную архитектуру, поддерживаемые языки, модальности и размер контекстного окна. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ. Более высокие уровни сохраняют лучшее качество, но требуют больше памяти, тогда как Q3 и некоторые IQ-варианты рассчитаны на системы с ограниченным объёмом RAM. Квантизация выполнена с использованием imatrix и специального датасета; для запуска требуется корректный шаблон prompt. Сильная сторона модели — широкий выбор вариантов с различным компромиссом между качеством, размером и требованиями к памяти, а также поддержка локального инференса. Ограничения включают отсутствие в README данных о фактических результатах тестирования, языках, контексте и возможностях мультимодальности; качество также зависит от выбранного уровня квантизации. Лицензия в предоставленных материалах не указана.

GeM2-Llamion-14B-LongChat — текстовая генеративная модель VAIV Company из серии GeM 2.0. Это плотная авторегрессионная модель семейства Llama с 14,1 млрд параметров, доступная в формате safetensors и предназначенная для диалоговой генерации текста. Версия LongChat поддерживает контекст до 200 000 токенов, что позволяет вести длинные диалоги и работать с большими текстовыми материалами в одном контекстном окне. По README, Llamion создана преобразованием модели Orion в стандартную архитектуру LLaMA с помощью отображения параметров и офлайн-переноса знаний; конкретная базовая модель Orion в метаданных не идентифицирована. Карточка приводит результаты оценки perplexity на англоязычной и корейской Википедии, но не описывает ограничения качества или перечень поддерживаемых языков. Модель распространяется по лицензии Apache-2.0.

Это GGUF-версия модели gemma-4-E4B-Gemini-3.1-Pro-Reasoning-Distill, разработанной Ayodele01. Репозиторий содержит скомпилированные и квантованные файлы, подготовленные с использованием llama.cpp для эффективного локального запуска на пользовательском оборудовании. Модель предназначена для генерации текста и локального инференса. Доступны варианты квантования с разрядностью от 3 до 8 бит: Q8_0 обеспечивает качество, близкое к неквантованной версии, а Q3_K_M отличается максимальным сжатием, более высокой скоростью и сниженным качеством. Вариант Q4_K_M рекомендован как компромисс между скоростью, потреблением памяти и качеством. README не содержит сведений о точном числе параметров, архитектуре, поддерживаемых языках, длине контекста, мультимодальности, результатах тестирования или лицензии, поэтому эти характеристики нельзя определить по имеющимся данным.

OsaurusAI/gemma-4-E4B-it-qat-JANG_4M — это мультимодальная модель семейства Gemma 4 в формате MLX, подготовленная OsaurusAI на основе google/gemma-4-E4B-it-qat-q4_0-unquantized. В ней 42 текстовых слоя; эмбеддинги, нормализации и компоненты обработки медиа сохранены в fp16, проекции внимания и маршрутизатор MoE представлены в 8-битном аффинном формате, а основная часть декодера и экспертов — в 4-битном. Модель принимает текст и поддерживает обработку изображений; в исходной конфигурации также сохранены настройки аудио и видео. Модель предназначена для диалога и мультимодальных сценариев, включая вопросы по изображениям. Для запуска требуется совместимый с Gemma 4 загрузчик MLX/vMLX, поддерживающий конфигурацию квантования JANG и файлы процессора и шаблона чата Gemma 4. Репозиторий не содержит весов MTP для спекулятивного декодирования. Лицензия — Gemma; применимость аудио- и видеовхода зависит от поддержки конкретного загрузчика.

ibm-granite/granite-4.1-30b-GGUF — это конверсия модели IBM Granite 4.1 30B в формат GGUF, предназначенная для запуска и инференса с инструментами, поддерживающими этот формат. Разработчик исходной модели — IBM; репозиторий содержит варианты с различными уровнями квантования, преобразованные из модели в формате .safetensors. Базовая модель указана как ibm-granite/granite-4.1-30b. Модель относится к задачам генерации текста и может использоваться в сценариях локального или оптимизированного инференса, совместимого с GGUF. Из доступных данных известны размер базовой модели — 30B параметров, текстовая модальность и поддержка библиотеки Transformers; сведения о конкретной архитектуре, языках, размере контекста, результатах тестирования и сильных или слабых сторонах отсутствуют. Вариант bf16 разделён на пять файлов из-за ограничений на размер одного файла и может быть объединён инструментом llama-gguf-split. Лицензия — Apache-2.0. Условия применения квантованных вариантов, требования к аппаратным ресурсам и совместимость с конкретными средствами запуска в карточке подробно не указаны.

granite-4.2-3b-MLX-4bit — это 4-битная квантованная версия языковой модели granite-4.2-3b, разработанной командой IBM Granite (ibm-granite). Квантование выполнено командой LM Studio с использованием mlx_lm, а модель оптимизирована для работы на устройствах Apple Silicon через MLX. Модель предназначена для генерации текста и поддерживает сценарии рассуждений, диалога и вызова инструментов, заявленные в её тегах и исходной карточке. Модель относится к классу text-generation и имеет размер 3 млрд параметров в исходной версии. Она работает с текстом и заявлена для английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков. Сильными сторонами версии являются уменьшенное потребление памяти благодаря 4-битному представлению и оптимизация для локального запуска на Apple Silicon. Данные о размере контекста, точных архитектурных особенностях, результатах тестирования и ограничениях качества в README не приведены. Модель распространяется по лицензии Apache-2.0. README не указывает дополнительных ограничений использования, однако предупреждает, что модель может генерировать неточный, вредный или неподходящий контент; результаты требуют проверки человеком.

Pantheon-Reasoning-26B-A4B-1.1-GGUF — это квантизированная версия текстовой генеративной модели Pantheon-Reasoning-26B-A4B-1.1, разработанной Gryphe и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для диалогов, работы в режиме instruction-following, рассуждений, творческого письма и ролевых сценариев. Указан английский язык и текстовая модальность. Модель содержит 26B параметров и использует конфигурацию A4B; дополнительные сведения об архитектуре, размере контекста и точном значении этой конфигурации в README не приведены. Квантизация выполнена с использованием llama.cpp и метода imatrix, доступны варианты от BF16 до различных уровней Q3–Q8 и IQ. Старшие варианты обеспечивают более высокое качество, а младшие требуют меньше оперативной памяти, но могут сильнее терять в качестве. Для работы необходимы совместимые инструменты, включая llama.cpp, LM Studio, KoboldCpp и другие приложения, поддерживающие GGUF; для недавно поддержанных архитектур может потребоваться обновление ПО. Модель распространяется по лицензии Apache-2.0.

gte-multilingual-mlm-base — многоязычный текстовый энкодер, разработанный Institute for Intelligent Computing группы Alibaba. Это версия для Transformers исходной модели Alibaba-NLP/gte-multilingual-mlm-base: веса сохранены без изменений, а конфигурация преобразована для загрузки без trust_remote_code. Модель содержит 305,3 млн параметров и принимает последовательности длиной до 8192 токенов. Энкодер построен на архитектуре transformer++ на основе BERT с RoPE и GLU и использует словарь XLM-R. Он обучен методом masked language modeling на многоязычных текстовых данных и предназначен для представления текста; в карточке также заявлены результаты на GLUE и XTREME-R, превосходящие XLM-R-base того же размера. Модель поддерживает 75 языков, включая русский, и подходит для задач, которым нужны контекстуальные представления текста и заполнение маски. Лицензия — Apache-2.0.

h2oai/h2ogpt-gm-oasst1-en-2048-falcon-40b-v2 — языковая модель H2O.ai, дообученная с помощью H2O LLM Studio на персонализированной подготовке набора OpenAssistant/oasst1. В основе лежит tiiuae/falcon-40b; метаданные указывают архитектуру RefinedWeb, плотную авторегрессионную модель RWForCausalLM и 65 млрд параметров. Модель предназначена для генерации текста на английском языке, в том числе для диалогов и ответов на вопросы. Модель можно применять для создания черновиков, диалоговых ответов и классификации или разметки текста. В репозитории указана лицензия Apache-2.0. README предупреждает, что ответы могут содержать ошибки, быть нерелевантными или воспроизводить предвзятые и оскорбительные высказывания; результаты следует проверять.

EleutherAI/Hermes-RWKV-v5-7B-HF — языковая модель на архитектуре RWKV-v5 (Eagle), разработанная EleutherAI. Модель содержит 7,8 млрд параметров: она предварительно обучена на многоязычных данных, а затем дообучена на диалоговом наборе OpenHermes 2.5 от Nous Research для генерации текста в формате чата. Модель подходит для ведения диалога и генерации ответов на текстовые запросы. Формат чата совместим с форматом Hugging Face, но вместо специальных токенов `assistant` и `user` используются ASCII-коды 0x16 и 0x17 для совместимости с токенизатором RWKV World. Доступна в формате safetensors и распространяется по лицензии Apache-2.0.