I.14Автоматизация процессов и AI-агенты

Это GGUF-версия мультиязычной модели распознавания речи NVIDIA Parakeet TDT 0.6B v3, подготовленная автором репозитория из официальных контрольных точек NeMo PyTorch. Модель предназначена для локальной транскрипции аудио с автоматическим определением языка; для работы в parakeet-cli требуется декодер TDT. Архитектура Token-and-Duration Transducer предсказывает текстовые токены и длительность их звучания, что позволяет эффективнее проходить аудиопоследовательность. Модель содержит около 600 млн параметров, представлена в GGUF F32 и рассчитана на запуск через parakeet.cpp и движок ggml. Поддерживаются 25 европейских языков, включая русский, английский, украинский, французский, немецкий, испанский и итальянский. Версия ориентирована на офлайн-транскрипцию на локальном оборудовании; README приводит оценки потребления памяти около 2,8 ГБ RAM и 2,6 ГБ VRAM. Лицензия — CC BY 4.0, требуется атрибуция.

aleada/Pixtral-12B-W4A16 — это 4-битно квантованный вариант базовой модели mgoin/pixtral-12b, подготовленный пользователем aleada для запуска через vLLM. Пакет создан с помощью llm-compressor 0.12.0 по рецепту GPTQModifier в формате compressed-tensors; поддерживается автоматическое обнаружение конфигурации квантования при загрузке. Проект поддерживается atlas — агентным проектом Алекса Адамопулоса, связанным с assert.gr. Модель предназначена для мультимодальных сценариев работы с текстом и изображениями, включая генерацию ответов, анализ визуального содержимого и стандартные задачи языкового моделирования. Квантованию подвергались линейные слои с конфигурацией W4A16 и group size 128, а vision tower и multi_modal_projector сохранены в исходном формате, поэтому приведённые в README результаты текстовых тестов не оценивают работу с изображениями. Размер квантованного артефакта составляет около 8,56 GiB; заявлена поддержка видеокарт архитектуры Ampere и запуск через vLLM. Квантирование уменьшает требования к памяти, но может снижать точность, особенно в генеративных задачах с многошаговыми вычислениями: на тесте GSM8K восстановление относительно исходной модели составило 91,0–91,6%, тогда как на задачах с выбором ответа — 95,9–99,3%. Поэтому модель подходит для экономичного инференса, но для чувствительных к точности вычислений и сложных цепочек рассуждений следует оценить влияние квантования на собственных данных. Контекстное окно, точные размеры архитектуры, список языков и полные характеристики базовой Pixtral-12B в README не указаны. Модель наследует лицензию исходной модели mgoin/pixtral-12b; дополнительных ограничений от автора квантованного пакета не заявлено.

INTELLECT-2-GGUF — это набор GGUF-квантизированных версий языковой модели INTELLECT-2, разработанной Prime Intellect и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. В README также указано, что при обучении использовался датасет PrimeIntellect/Intellect-2-RL-Dataset. Доступны исходные веса в формате BF16 и варианты квантизации Q8_0, Q6_K, Q5_K, Q4_K, IQ4, Q3 и Q2 с размером файлов примерно от 13 до 66 ГБ. Более крупные варианты обычно обеспечивают более высокое качество, а менее крупные требуют меньше оперативной памяти; рекомендуемым вариантом по умолчанию назван Q4_K_M. Модель поддерживает текстовую генерацию, однако сведения об архитектуре, числе параметров, контекстном окне и языках в README не приведены. Формат подсказок использует роли system, user и assistant, а также блок рассуждений <think>. Лицензия модели указана как Apache-2.0. Ограничения связаны прежде всего с компромиссом между размером файла, требованиями к памяти и качеством, зависящим от выбранного уровня квантизации; варианты Q3 и Q2 характеризуются как менее качественные, а некоторые форматы отмечены как устаревшие.

ljsabc/Qwen-1.5-14B-Chat-Fujisaki — разговорная языковая модель на архитектуре Qwen2 с плотной causal language model архитектурой. Карточка описывает запуск через класс AutoModel, а метаданные указывают 13,4 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. Репозиторий содержит веса в safetensors и распространяется по лицензии MIT. Карточка не описывает специальное назначение или подтверждённые улучшения относительно Qwen-1.5-14B-Chat.

bunnycore/Qwen-2.5-3b-Evol-CoT-v2 — чат-модель для генерации текста, созданная сообществом bunnycore с помощью mergekit. Это объединение моделей семейства Qwen2 методом TIES на основе bunnycore/Qwen-2.5-3b-Evol-CoT; в слияние также включены варианты Mix-Data-lora, RP и qwen-2.5-3b-lora_model. Модель имеет плотную архитектуру Qwen2ForCausalLM, 3,1 млрд параметров и контекст до 32 768 токенов; веса доступны в формате safetensors и рассчитаны на Transformers. Модель предназначена для диалоговых ответов и генерации текста. В метаданных указана возможность работы через интерфейс вызова инструментов, но специальных прикладных областей или поддерживаемых языков карточка не описывает. Лицензия в предоставленных данных не указана.

bunnycore создала эту объединённую модель на основе нескольких предварительно обученных языковых моделей с помощью метода Model Stock и инструмента mergekit. В состав вошли Bespoke-Stratos-7B, модели семейств Qwen и DeepSeek, а также другие модели на 7B; архитектура — плотная Qwen2ForCausalLM, размер — 7,1 млрд параметров. Модель доступна в формате safetensors для Transformers и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов. Включённые модели указывают на ориентацию среди прочего на рассуждения, но README не описывает отдельные специализации или гарантии качества; приведённые результаты Open LLM Leaderboard ограничены несколькими метриками. Лицензия в предоставленных данных не указана.

bunnycore/Qwen2.5-7B-HyperMix — объединённая модель семейства Qwen2.5, созданная автором репозитория с помощью mergekit. В качестве базовой использована Orion-zhen/Qwen2.5-7B-Instruct-Uncensored; при слиянии DARE TIES также включены huihui-ai/Qwen2.5-7B-Instruct-abliterated-v2, Replete-AI/Replete-LLM-V2.5-Qwen-7b и EVA-UNIT-01/EVA-Qwen2.5-7B-v0.0. Модель предназначена для диалогов и генерации текста. Это плотная причинная языковая модель на 7,1 млрд параметров с контекстом до 32 768 токенов; репозиторий использует формат safetensors и библиотеку Transformers. Карточка не приводит подробных оценок качества или гарантированных преимуществ относительно включённых моделей. Модель принимает текст и генерирует текст. В метаданных указана лицензия Apache-2.0.

MaziyarPanahi/Qwen2.5-7B-Instruct-abliterated-v2-GGUF — это набор файлов модели в формате GGUF для базовой модели huihui-ai/Qwen2.5-7B-Instruct-abliterated-v2, разработанной huihui-ai и квантованной MaziyarPanahi. Модель предназначена для генерации текста и использования в диалоговых и других сценариях, где требуется локальный запуск совместимого языкового генератора. Указано, что модель имеет размер 7B и доступна в вариантах квантования с разрядностью 2, 3, 4, 5, 6 и 8 бит. Формат GGUF поддерживается llama.cpp и рядом совместимых инструментов, включая llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp и другие. README не содержит сведений о поддерживаемых языках, размере контекста, архитектуре, модальностях, результатах оценки или конкретных ограничениях качества. Главные преимущества — выбор уровней квантования и возможность запуска в широком наборе локальных приложений и библиотек, в том числе с GPU-ускорением. Лицензия в README не указана, поэтому условия использования необходимо уточнять отдельно у разработчика исходной модели и владельца репозитория квантованных файлов.

richardyoung/Qwen2.5-7B-Instruct-heretic — это англоязычная чат-модель на базе Qwen2.5-7B-Instruct, изменённая методом abliteration с помощью Heretic v1.4.0 для снижения частоты отказов. В README сообщается о 3 отказах на 100 запросов против 99 у исходной модели; это результат указанной авторами оценки, а не гарантия поведения во всех сценариях. Модель использует плотную архитектуру Qwen2 с причинной генерацией текста и содержит около 7,1 млрд параметров. Метаданные каталога указывают контекст до 32 768 токенов и поддержку чата. Базовая карточка Qwen2.5 описывает мультиязычные возможности, однако метаданные этой модели отмечают английский язык; поэтому другие языки здесь не считаются подтверждённой специализацией. Модель подходит для диалогов и генерации текста с меньшим числом отказов, в том числе для ролевых сценариев и ответов на инструкции. Как и другие языковые модели, она может выдавать ошибочную или небезопасную информацию, а сниженная склонность к отказам означает, что для чувствительных применений нужны собственные меры контроля. Лицензия — Apache-2.0.

PollardWeights/Qwen2.5-7B-Instruct-Pollard — это квантизированная версия Qwen/Qwen2.5-7B-Instruct, подготовленная PollardWeights с использованием метода Pollard Weights. Модель предназначена для генерации текста и диалоговых сценариев; поддерживает текстовый ввод и использует шаблон ChatML, встроенный в метаданные GGUF. В README указан английский язык. Модель построена на архитектуре qwen2 и содержит примерно 7,6 млрд параметров. Доступны варианты GGUF с разным размером и уровнем сжатия: от Q6_K размером около 6,25 ГБ до IQ1_KT размером около 2,04 ГБ. Квантизация использует измеренное распределение битов по чувствительности слоёв и calibration imatrix. Вариант Q6_K обеспечивает качество, близкое к f16, а IQ4_XS обозначен как рекомендуемый вариант по соотношению размера и качества. Основное преимущество модели — значительное уменьшение требований к памяти при сохранении пригодного качества, что упрощает локальный запуск в llama.cpp, Ollama и LM Studio. При этом более агрессивные варианты квантизации заметнее снижают качество: для IQ1_KT в тесте WikiText-2 perplexity была на 56,7% выше эталона f16. IQ1_KT требует ik_llama.cpp, тогда как Q6_K, IQ4_XS и IQ3_S работают в стандартных сборках llama.cpp. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-0.5B от команды Qwen, представленная в репозитории Unsloth, — базовая причинная языковая модель для работы с кодом. Это дообученная версия Qwen/Qwen2.5-Coder-0.5B; карточка указывает архитектуру Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. Модель принимает и генерирует текст, включая исходный код; в метаданных указан английский язык. Модель предназначена для генерации, анализа и исправления кода, рассуждений о программировании и задач заполнения пропусков в коде. Она сохраняет некоторые общие способности, включая работу с математикой, но это базовая модель: README не рекомендует использовать её для диалогов без дополнительного постобучения. Для работы используется библиотека Transformers; веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

Qwen2.5-Coder-0.5B-Instruct-GGUF — это набор GGUF-квантизированных версий инструкционной модели Qwen2.5-Coder-0.5B-Instruct. Исходную модель разработала команда Qwen, а квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и кода, диалогового взаимодействия и работы в локальных приложениях, поддерживающих llama.cpp, включая LM Studio. Модель содержит 0,5 млрд параметров и доступна в вариантах от F16 до низкобитных квантов Q8_0, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 0,34 до 0,99 ГБ. Указан английский язык; мультимодальность не заявлена. В README не указаны архитектура исходной модели, размер контекстного окна и полный перечень поддерживаемых языков. К сильным сторонам относятся небольшой размер, возможность локального запуска на устройствах с ограниченными ресурсами и несколько вариантов компромисса между качеством, скоростью и потреблением памяти. Более высокое качество ожидается у F16, Q8_0 и Q6, а низкобитные варианты подходят для систем с небольшим объёмом оперативной памяти, но могут заметнее терять качество. Версии Q4_0_8_8, Q4_0_4_8 и Q4_0_4_4 оптимизированы для ARM и требуют соответствующих аппаратных возможностей; некоторые из них не рекомендуются для Mac и Windows. Модель распространяется под лицензией Apache-2.0.

lucaswychan/Qwen2.5-Math-1.5B-Reasoning-Embedding — мультиязычная модель эмбеддингов на базе decoder-only архитектуры Qwen2.5-Math-1.5B, дообученная контрастивным обучением. Она преобразует текст в векторные представления для сравнения семантического сходства предложений и может использоваться как компонент поиска по смыслу или ранжирования текстов. Модель содержит 1,5 млрд параметров, принимает контекст длиной до 4096 токенов и распространяется в формате safetensors; для загрузки через Sentence Transformers или Transformers в карточке рекомендуется включить trust_remote_code. Авторы исследуют, дают ли языковые модели, обученные рассуждению с проверяемыми наградами, более качественную основу для эмбеддингов. Описанные эксперименты на MTEB и BRIGHT не выявили устойчивого преимущества такой инициализации над базовой моделью при одинаковом обучении эмбеддингов. Модель выпущена под лицензией Apache-2.0. README не приводит численных результатов именно этого чекпойнта или подробной оценки его языкового покрытия.

Qwen3-12B-20pct-Compressed-14B-EN-V1.5 — сжатая и дообученная для чата модель проекта Efficient and Robust AI System (E-AI), разработанного Vincent-Daniel Yun. В ней удалены 8 из 40 слоёв Qwen3-14B; в репозитории указано около 12 млрд параметров, а метаданные указывают 11,3 млрд. Модель принимает текст и генерирует текст, имеет контекст 40 960 токенов и ориентирована прежде всего на английский язык. Репозиторий распространяет веса в формате safetensors. Основное назначение модели — быстрая классификация и оценка текста: анализ тональности, тематики и намерений, модерация содержимого, проверка предпочтений, понимание прочитанного и ответы по материалам RAG. README также сообщает о результатах в медицинских и биомедицинских задачах. Для фактологических вопросов рекомендуется использовать поиск или RAG, а ответы держать короткими: модель может галлюцинировать факты, а длинная генерация, сложные рассуждения, математика и задачи с длинным контекстом не рекомендуются. В версии V1.5 включён контроль повторов по умолчанию; веса, согласно карточке, не изменились относительно V1. Модель основана на Qwen/Qwen3-14B и прошла сжатие удалением слоёв, восстановление и инструкционное дообучение для чата; методы сжатия и восстановления не раскрыты. Лицензия — Apache-2.0. Для Transformers требуется trust_remote_code=True из-за пользовательского слоя декодера; для vLLM в репозитории предусмотрен плагин.

Qwen3.5-9B MTPLX Optimized Speed — языковая модель семейства Qwen3.5, опубликованная Youssofal для быстрого локального вывода на компьютерах Apple Silicon. Это 9-миллиардная плотная модель генерации текста с поддержкой диалогов; основная часть весов представлена в 6-битном формате MLX, а нативные MTP-головы сохранены в BF16 для спекулятивного декодирования через MTPLX. Модель предназначена для локальных ответов на запросы и генерации текста с ускорением за счёт предсказания нескольких токенов: MTP-головы предлагают черновые токены, которые затем проверяет основная модель. В README приведены результаты измерений в MTPLX на Apple Silicon: для режима D2 указана скорость 101,32 токена в секунду. Для запуска требуется MTPLX; README описывает совместимый с OpenAI локальный сервер и рекомендуемые настройки декодирования. Это оптимизированная 6-битная сборка, а не полноточный чекпойнт; заявленные результаты относятся к указанному runtime-сценарию на Apple Silicon. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-Aggressive-GGUF — набор GGUF-квантов модели Qwen3.8-27B-Uncensored-Aggressive, опубликованный пользователем philbert440. Модель предназначена для локального запуска через llama.cpp и совместимые инструменты, включая сценарии генерации текста, рассуждений и работы с изображениями. В комплект входят основные веса в форматах BF16, Q8_0, Q6_K, Q5_K_M и Q4_K_M, где Q4_K_M является самым компактным вариантом. Модель имеет заявленный размер 27B параметров. Для обработки изображений предусмотрен отдельный vision projector mmproj, а для ускорения генерации с помощью speculative decoding — опциональная MTP head. Языки и размер контекстного окна в README не указаны. Версия основана на обновлённом рецепте α=1.15 с ортогонализацией вектора отказа на 28-м слое; заявленная цель — снизить склонность к отказам и сохранить качество рассуждений. По приведённой оценке в thinking mode, модель получила показатель openness 0,88, confab 0,725, factual 1,00 и gsm8k 0,85, однако методика основана на оценке Claude и результаты следует считать ориентировочными. Основное ограничение — модель является uncensored/de-refused и может выполнять запросы, которые исходная версия отклоняла, поэтому её следует использовать ответственно и с учётом законодательства. Лицензия — Apache 2.0.

paraphrase-multilingual-MiniLM-L12-v2 — многоязычная модель семейства Sentence Transformers, экспортированная в формат ExecuTorch для библиотеки React Native ExecuTorch. В README разработчик экспортированного репозитория прямо не указан; исходная модель связана с организацией sentence-transformers, а базовый энкодер инициализирован из xlm-roberta-base. Модель предназначена для оценки семантического сходства предложений, поиска парафраз, кросс-языкового поиска и извлечения средних по длине текстовых запросов. Она принимает токены и формирует L2-нормированный вектор размерности 384. Архитектура включает 12-слойный 12-головый BERT-энкодер со скрытым размером 384, mean pooling по последнему скрытому состоянию и без дополнительной проекционной головы. Максимальная длина входа — 126 токенов, словарь содержит 250 037 SentencePiece-элементов, поддерживается более 50 языков. Модель ориентирована на работу на устройстве и доступна в вариантах для Core ML, Vulkan и XNNPACK с точностью fp16, fp32 и 8da4w. Сильная сторона модели — кросс-языковое сравнение предложений и ранжирование более длинных текстов; результаты обычно лучше для предложений и англоязычных входов. Слабее она работает с короткими однословными запросами на неанглийских языках. Файлы опубликованы для ExecuTorch v1.4.1, прямой совместимости с более старыми или будущими версиями не гарантируется. Репозиторий распространяется по лицензии Apache-2.0.

zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1 — слияние языковых моделей Gemma 2, созданное с помощью mergekit и метода SLERP на основе lemon07r/Gemma-2-Ataraxy-v2-9B и recoilme/recoilme-gemma-2-9B-v0.4. Это плотная авторегрессионная модель с архитектурой Gemma2ForCausalLM и 9 млрд параметров, предназначенная для диалогов и генерации текста. Она принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. В конфигурации слияния использована точность bfloat16. Модель подходит для ведения диалогов, выполнения инструкций и творческой генерации текста. В README приведены результаты Open LLM Leaderboard, включая IFEval и BBH; этих оценок недостаточно, чтобы судить о качестве во всех сценариях. В доступных сведениях не указаны конкретные поддерживаемые языки. Репозиторий содержит веса в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

RWKV/RWKV7-G1j-13.3B-20260831 — базовая языковая модель семейства RWKV-7 «Goose», выпущенная BlinkDL в формате Transformers. Это плотная причинная модель с архитектурой Rwkv7ForCausalLM и 14,6 млрд параметров. В отличие от моделей с attention, она использует рекуррентное состояние постоянного размера: объём состояния не растёт как KV-кэш, а вычислительная работа при генерации остаётся постоянной на токен; обучение при этом можно распараллеливать. Модель предварительно обучена на веб-текстах, коде, синтетических, инструкционных, чатовых и рассуждательных данных. Она предназначена для генерации текста, оценки, последующего обучения и дообучения; шаблон чата задаёт формат запросов, но сам по себе не означает, что модель прошла выравнивание безопасности. Поддерживает многоязычную работу, включая английский, китайский, русский и другие языки из карточки. Для запуска доступны интеграция Transformers и дополнительная оптимизированная реализация TileLang. К ограничениям относятся зависимость качества следования инструкциям и языкового поведения от промптинга и последующего обучения, отсутствие заявленной оценки безопасности, предвзятости, токсичности, фактической точности и пригодности для задач с высокими ставками. Спекулятивное декодирование с откатом рекуррентного кэша требует сохранения предыдущих состояний; поддержка ускоренного исполнения зависит от оборудования и конфигурации. Лицензия — Apache-2.0.

TheBloke/Selfee-13B-fp16 — это версия SelFee 13B от KAIST AI, подготовленная TheBloke в формате PyTorch fp16. SelFee — плотная авторегрессионная языковая модель семейства LLaMA с примерно 12,9 млрд параметров, предназначенная для генерации текста по инструкциям и диалога. Веса получены слиянием diff SelFee с базовой LLaMA 13B и преобразованием из fp32 в fp16. Модель дообучали на инструкциях из нескольких областей, включая математику и программирование, с генерацией ответов, обратной связью и повторными исправлениями. Обучающие данные преимущественно англоязычные; модель может использоваться для диалога, ответов на вопросы, объяснений и написания кода. Контекст составляет 2048 токенов. README указывает на ошибки в математике, рассуждениях, фактической точности и программировании, а также на ограничения использованной оценки. Лицензия в метаданных обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Это объединённая языковая модель на 8,8 млрд параметров, созданная ByteDance с помощью mergekit из контрольных точек этапов midtrain alignment. Для слияния использован линейный метод: контрольная точка global_step12040 взята за основу и объединена с контрольными точками global_step10000 и global_step11000. Модель построена на архитектуре GPT-NeoX и сохранена в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. Контекст составляет до 16 384 токенов. Данные карточки не описывают конкретные языки или специализированные области применения. Лицензия в предоставленных сведениях не указана.

SmartLlama-3-8B-MS-v0.1 — объединённая модель генерации текста семейства Llama 3, собранная Kukedlc с помощью LazyMergekit из четырёх моделей: Locutusque/llama-3-neural-chat-v1-8b, cloudyu/Meta-Llama-3-8B-Instruct-DPO, cognitivecomputations/dolphin-2.9-llama3-8b и abacusai/Llama-3-Smaug-8B. В конфигурации указан метод слияния model_stock и формат bfloat16; модель имеет архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для генерации текста и диалогового общения. Её можно использовать для ответов на вопросы, написания черновиков и ведения многоходового чата. Карточка не уточняет поддерживаемые естественные языки и специализированные области применения. Лицензия указана как other, поэтому условия использования следует проверять в репозитории и у авторов исходных моделей. Доступные сведения не содержат сравнительных оценок качества или подробных ограничений поведения; результат зависит от запроса и сценария применения.

Smaug-34B-v0.1 — языковая модель семейства Llama, разработанная Abacus.AI и дообученная на базе jondurbin/bagel-34b-v0.2. Она содержит 33,9 млрд параметров, использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалоговых сценариев. Модель обучена методом DPO-Positive (DPOP) на предпочтениях ответов, включая варианты наборов ARC, HellaSwag и MetaMath. Авторы сообщают о результатах на ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K. Модель подходит для диалоговых помощников, ответов на вопросы и задач рассуждения, в том числе математических. В метаданных заявлено контекстное окно до 200 000 токенов; формат весов — Safetensors. Лицензия — Apache 2.0. README описывает один набор результатов, поэтому их не следует считать гарантией качества для любых задач; возможны ошибки и неточные ответы.

Smaug-Mixtral-v0.1 — разговорная языковая модель серии Smaug от Abacus.AI, полученная дообучением Mixtral с помощью метода DPO-Positive (DPOP). Она предназначена для генерации ответов в чате и решения широкого круга задач, включая рассуждения и математику. Архитектура — Mixtral MoE; в метаданных указан размер 7,1 млрд параметров и контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache 2.0. В карточке приведены результаты оценок на ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K; средний результат указан как 75,12. README описывает DPOP как подход к обучению на предпочтениях, призванный избегать снижения вероятности предпочтительных ответов и улучшать результаты на разных задачах. Языки обучения или поддерживаемые языки в предоставленных данных не обозначены.

SoulX-Transcriber — аудиоязыковая модель, разработанная Soul AI Lab совместно с группой ASLP Северо-Западного политехнического университета. Она выполняет распознавание речи и диаризацию в многосторонних диалогах в единой сквозной системе: определяет говорящих, сегментирует аудио с временными отметками и формирует согласованную с говорящими расшифровку, в том числе при быстрых сменах реплик и наложении речи. Модель построена на архитектуре Qwen3-Omni-30B-A3B-Instruct и предназначена для расшифровки разговоров с несколькими участниками. В README описано обучение с учетом характеристик говорящих и приведены результаты на наборах AISHELL-4 и AliMeeting. Репозиторий содержит веса safetensors; модель распространяется по лицензии Apache-2.0. Модель подходит для анализа встреч, интервью и других диалоговых записей, где важно связать реплики с участниками и временными интервалами. README не приводит конкретные ограничения качества или сведения о поддерживаемых языках самой модели; описанные в нем китайские и английские данные относятся к конвейеру симуляции диалогов.

StrangeMerges_12-7B-slerp — языковая модель на основе архитектуры Mistral с 7,1 млрд параметров, созданная Gille с помощью LazyMergekit. Это слияние моделей Keynote-Technology/KAI-7B-v0.1 и Gille/StrangeMerges_11-7B-slerp методом SLERP; веса опубликованы в формате safetensors и имеют тип bfloat16. Модель предназначена для генерации текста и может применяться для диалога, написания текстов и решения задач на рассуждение. В README приведены результаты Open LLM Leaderboard, включая показатели на AI2 Reasoning Challenge и HellaSwag. Контекст составляет до 32 768 токенов. Лицензия — Apache-2.0.

StrangeMerges_55-7B-model_stock — объединённая текстовая модель семейства Mistral, опубликованная Gille. Она создана методом model_stock с помощью LazyMergekit на основе нескольких моделей Mistral 7B, включая StrangeMerges_54-7B-model_stock, MBX-7B-v3, NeuralMaths-Experiment-7b и другие. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Предназначена для генерации текста и диалогов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. В README не приведены оценки качества или конкретные гарантии поведения, поэтому пригодность для специализированных задач следует проверять отдельно.

sentence-transformers/stsb-bert-base — модель Sentence-Transformers, разработанная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Архитектура основана на BERT; модель содержит 136,7 млн параметров и принимает текст с контекстом до 512 токенов. Модель предназначена для получения эмбеддингов предложений и сравнения их семантической близости. Доступны реализации в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Карточка предупреждает, что модель устарела и создаёт эмбеддинги низкого качества, поэтому рекомендует выбрать более современные модели. Лицензия — Apache-2.0.

Модель optimum-intel-internal-testing/stsb-bert-tiny-safetensors — это модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторные представления размерностью 128. В README указано, что модель предназначена для задач сравнения предложений, кластеризации и семантического поиска. Разработчик явно не указан; модель опубликована под идентификатором optimum-intel-internal-testing/stsb-bert-tiny-safetensors. Архитектура включает BERT в конфигурации BertModel с максимальной длиной последовательности 512 токенов и mean pooling, учитывающим attention mask. Модель работает с текстом и использует режим без принудительного приведения к нижнему регистру. Языки и точный размер базовой BERT-модели в README не указаны. Обучение выполнялось с CosineSimilarityLoss в течение 10 эпох с размером пакета 16. Сильная сторона модели — компактное 128-мерное представление, удобное для хранения и быстрого поиска, а также готовая интеграция с библиотеками sentence-transformers и Hugging Face Transformers. Ограничения заключаются в отсутствии сведений о поддерживаемых языках, качестве на конкретных бенчмарках, составе обучающих данных и сравнении с другими моделями. Лицензия в README не указана.

Stylizer-V2-LLaMa-70B — объединённая языковая модель на архитектуре Llama, созданная автором репозитория с помощью mergekit и метода SCE. Основой слияния послужила huihui-ai/Llama-3.3-70B-Instruct-abliterated; также объединены модели Nemotron, Euryale, Hermes и Negative LLAMA. Модель содержит 69,5 млрд параметров и рассчитана на генерацию текста и диалоги. Метаданные указывают контекст длиной до 131072 токенов и библиотеку Transformers. Модель принимает текст и выдаёт текст; карточка не описывает более узкую специализацию или гарантированные преимущества по сравнению с исходными моделями. В репозитории указаны веса в формате safetensors. Лицензия в предоставленных данных не указана.