I.14Автоматизация процессов и AI-агенты

Cymist2-v0.2-SFT — языковая модель команды Cypien AI для генерации текста и диалоговых сценариев. Она основана на Mistral-7B-v0.1 и дообучена методом SFT; модель содержит 7,1 млрд параметров, использует архитектуру Mistral с причинным декодированием и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации ответов на турецком и английском языках, чат-ботов, виртуальных помощников и сценариев RAG, где ответы формирует языковая модель на основе предоставленного контекста. Репозиторий использует Transformers и формат Safetensors; заявлена лицензия Apache-2.0. Модель может наследовать смещения обучающих данных и выдавать неверные ответы. Авторы не рекомендуют применять её в критически важных системах или там, где нужны специальные знания вне общего текстового назначения.

ZZichen/DeepSeek-V2-Lite — текстовая языковая модель семейства DeepSeek-V2, представленная в карточке как базовая модель для генерации и диалогов. Архитектура использует Multi-head Latent Attention (MLA) для сжатия KV-кэша и разреженные MoE-слои DeepSeekMoE. В README указаны 15,7 млрд параметров, из которых для каждого токена активируется 2,4 млрд; модель имеет 27 слоёв. Метаданные каталога при этом оценивают общий размер в 2,5 млрд параметров. Модель предназначена для продолжения текста и диалогового взаимодействия на английском и китайском языках, включая ответы на вопросы и генерацию текста. README сообщает результаты на англоязычных и китайских бенчмарках и описывает контекст 32 тыс. токенов; метаданные указывают нативный контекст 163 840 токенов. Для инференса в BF16 авторы указывают требование одной GPU с 40 ГБ памяти. В репозитории представлены веса safetensors; README также описывает запуск через Transformers и рекомендует vLLM для более эффективного инференса. Лицензионные условия в предоставленных данных не указаны.

inferencerlabs/DeepSeek-V4-Flash-0731-MLX — вариант DeepSeek-V4-Flash-0731, опубликованный Inferencer Labs в формате MLX для запуска на совместимом оборудовании Apple. Это чат-модель генерации текста на архитектуре DeepSeek V4; в метаданных указано 10,7 млрд параметров и контекст до 1 048 576 токенов. Карточка отмечает, что модель тестировалась в приложении Inferencer на M3 Ultra с 512 ГБ памяти и рекомендует совместимый спекулятивный декодер для повышения производительности. Модель подходит для диалоговой генерации и других задач, решаемых через генерацию текста. В карточке перечислен английский язык. README предупреждает, что ответы могут быть неточными или неуместными, и рекомендует проверять результаты перед использованием в важных решениях. Лицензия в предоставленных данных не указана.

DeepSeek-V4-Flash-IQ2XXS-TM64-Q4KAttention-v1 — локальная GGUF-сборка базовой модели DeepSeek-V4-Flash-0731 от deepseek-ai. Пакет подготовлен erayyapagci на основе квантизаций из репозиториев antirez и Ralii и предназначен для запуска через специализированную ветку llama.cpp с Vulkan. Модель ориентирована на генерацию текста и диалоговые сценарии на английском и китайском языках. Основная модель использует разреженную экспертную архитектуру с 86 тензорами routed experts в формате IQ2_XXS/Q2_K, а также Q4_K-квантизацию attention-слоя. Ключевая особенность — альтернативная раскладка TM64 для экспертных тензоров и соответствующие Vulkan-ядра. В комплект входит отдельная draft-модель DSpark размером около 10 ГБ для speculative decoding; основной файл занимает около 79 ГБ. Заявлена поддержка контекста до 409 600 токенов на слот, а в многослотовых конфигурациях — до 1 228 800 токенов. Сильные стороны сборки — уменьшенный размер по сравнению с полноточной моделью, возможность локального запуска, ускорение prompt processing примерно на 14,86% и decode примерно на 2,50% в приведённых тестах, а также проверенная эквивалентность результатов стандартному пути. TM64 оптимизирована прежде всего для AMD/RADV/RDNA3, включая Strix Halo с устройством gfx1151; на других устройствах могут применяться стандартные ядра IQ2_XXS или потребуется конвертация. Для работы необходимы оба файла и совместимый специализированный runtime llama.cpp. В метаданных репозитория указана лицензия MIT, однако README уточняет, что для исходной модели действует её оригинальная лицензия.

Alcoft/dnotitia_Smoothie-Qwen3-14B-GGUF — набор GGUF-квантизованных версий языковой модели dnotitia/Smoothie-Qwen3-14B. Модель предназначена для генерации текста, диалогов, чат-сценариев и задач, требующих рассуждений. В карточке указана текстовая модальность и поддержка английского языка; размер исходной модели — 14 млрд параметров. Доступны варианты квантования от Q2_K до Q8_K с размером файлов примерно от 5 до 14 ГБ. Более низкие варианты требуют меньше памяти, но характеризуются низким или очень низким качеством; варианты Q4_K_M и выше отмечены как подходящие для большинства сценариев, а Q5 и Q6 — как обеспечивающие высокое или очень высокое качество. Некоторые расширенные варианты используют Q8_0 или F16 для выходных и embedding-слоёв. Сильной стороной набора является широкий выбор компромиссов между требованиями к памяти и качеством генерации, а формат GGUF удобен для локального запуска в совместимых инструментах. Ограничения включают снижение качества при агрессивном квантовании, отсутствие сведений о размере контекста, архитектурных деталях, производительности и дополнительных языках. Модель распространяется по лицензии Apache-2.0.

jaspionjader/dp-5-8b — объединённая языковая модель, созданная разработчиком jaspionjader из предварительно обученных моделей jaspionjader/dp-4-8b и jaspionjader/f-9-8b. Для слияния применён метод SLERP с помощью mergekit; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия, принимает текст и выдаёт текст. Родная длина контекста составляет 8192 токена. Модель опубликована в формате safetensors и рассчитана на использование через Transformers. Карточка не сообщает специализированной предметной области или языкового профиля, поэтому её можно описать как модель общего назначения. Лицензия в предоставленных данных не приведена.

EVA-Tissint-v1.2-14B — объединение предварительно обученных языковых моделей, созданное автором репозитория с помощью mergekit. В основе объединения лежит EVA-UNIT-01/EVA-Qwen2.5-14B-v0.2; также включена Ttimofeyka/Tissint-14B-v1.2-128k-RP. Использован метод della_linear, итоговая архитектура — плотная Qwen2, размер — 14 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия. Заявленная длина контекста составляет 131 072 токена; для семплирования автор рекомендует настройки из карточки Tissint. В репозитории опубликованы веса в формате safetensors. Модель объединяет два исходных чекпойнта, однако README не приводит сравнительных оценок качества или подробностей о поведении слияния, поэтому пригодность для конкретных сценариев следует оценивать отдельно. Лицензия в предоставленных данных не указана.

MaziyarPanahi/Experiment26Neuralsirkrishna_PasticheNeuralsirkrishna — объединённая текстовая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием automerger/Experiment26Neuralsirkrishna-7B и automerger/PasticheNeuralsirkrishna-7B. Модель предназначена для генерации текста и диалогов; контекстное окно составляет до 32 768 токенов. Данных о специализации по языкам или прикладным областям нет, поэтому модель можно описать как общего назначения. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Experiment26Neuralsirkrishna_Strangemerges_32Strangemerges_30 — объединённая языковая модель семейства Mistral, созданная слиянием automerger/Experiment26Neuralsirkrishna-7B и automerger/Strangemerges_32Strangemerges_30-7B. Она предназначена для генерации текста и диалогов; архитектура — плотная авторегрессионная MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Сведения о конкретных языках и специализированных областях применения в предоставленных материалах отсутствуют.

Experiment28M7_Experiment27Shadow — объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная из automerger/Experiment28M7-7B и automerger/Experiment27Shadow-7B. Она предназначена для генерации текста и принимает текстовые запросы, продолжая их в виде текста. Модель поддерживает контекст длиной до 32 768 токенов. Опубликована в формате safetensors и распространяется по лицензии Apache 2.0. Данных о специализации на конкретных языках или прикладных областях в карточке нет.

FalconMamba-7B-Instruct — англоязычная авторегрессионная языковая модель TII на архитектуре Mamba с причинным декодером. Она дообучена на инструкционных данных поверх Falcon-Mamba-7B; в метаданных указано 8,9 млрд параметров. Для обучения использовались веб-тексты RefinedWeb, технические материалы, код, математические данные и часть FineWeb-Edu. Модель предназначена для диалогов, выполнения текстовых инструкций и генерации продолжений; работает с текстом и поддерживает генерацию на английском языке. Обучение увеличивало длину контекста с 2 048 до 8 192 токенов. В карточке отмечено, что архитектура Mamba не имеет фиксированного предела дальних зависимостей при инференсе. Для ускорения рекомендуются оптимизированные ядра Mamba; модель также можно запускать в FP16 и 4-битном режиме. Карточка приводит результаты на общих языковых и рассуждательных бенчмарках, включая MMLU, GSM8K и IFEval. Модель выпущена под лицензией TII Falcon-Mamba License 2.0, обозначенной в метаданных как other; перед использованием следует проверить её условия. Карточка описывает преимущественно английское применение и не заявляет специальных возможностей для других языков.

chanwit/flux-7b-base-stage-0 — объединённая языковая модель, созданная автором репозитория с помощью mergekit и метода SLERP из chanwit/flux-7b-base-stage-00 и Intel/neural-chat-7b-v3-3. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалогов. Она принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. В README описана схема слияния и указано представление весов в bfloat16; метаданные указывают формат safetensors и возможность диалога. Сведений о лицензии и языках в предоставленных источниках нет.

DavidAU разработал эту экспериментальную версию Gemma 4 31B IT, дообученную с помощью Unsloth на закрытых авторских наборах данных. Модель рассчитана на диалоговую генерацию текста, включая творческое письмо, рассказывание историй, ролевые сценарии, программирование и ответы в режиме рассуждения; карточка также содержит пример генерации художественной сцены. По данным README, шаблон чата включает режим thinking по умолчанию, а для обычного instruct-режима предлагается отдельный шаблон. Базовая Gemma 4 31B IT поддерживает текст и изображения, а каталог относит эту модель к мультимодальному семейству Gemma 4 с возможностью анализа изображений. Для базовой модели README сообщает контекст до 256 тысяч токенов; метаданные указывают формат safetensors и библиотеку Transformers. Автор описывает результаты внутренних бенчмарков как сильные, но оценивание продолжается и возможны дальнейшие перенастройка и обновления. README отмечает возможные сбои форматирования тегов в блоке рассуждений и зависимость отображения этого режима от приложения. Модель выпущена по лицензии Apache-2.0.

zeromodels/gemma-4-e2b — конверсия Gemma 4 E2B от Google в формате Keras 3, подготовленная для библиотеки zeromodels. Реализация работает с TensorFlow, PyTorch и JAX; веса хранятся в bfloat16. README указывает 5,1 млрд параметров с учётом эмбеддингов и 2,3 млрд эффективных параметров. Модель принимает изображения, аудио и текст и выдаёт текст; доступен текстовый диалоговый интерфейс. Она подходит для ответов на вопросы по изображениям и аудио, а также для обычной генерации текста. В карточке приведены размер окна скользящего внимания — 512 токенов — и примеры загрузки через Keras 3. Язык, явно указанный в метаданных карточки, — английский. Репозиторий заявлен как дообучение google/gemma-4-E2B, однако описанные изменения представлены как Keras-конверсия. Лицензия — Apache 2.0; за подробностями об условиях использования README отсылает к карточке Google Gemma.

zeromodels/gemma-4-e4b — реализация Gemma 4 E4B в формате Keras 3, подготовленная командой zeromodels на основе google/gemma-4-E4B. Модель принимает изображения, аудио и текст и генерирует текстовые ответы; для загрузки и обработки мультимодальных входов используется Gemma4Processor. Также доступен текстовый сценарий генерации через Gemma4TextGenerate и Gemma4Tokenizer. Вариант E4B имеет 4,5 млрд эффективных параметров и 8 млрд параметров с учётом эмбеддингов, 42 слоя и окно скользящего внимания 512 токенов. Веса хранятся в bfloat16. Реализация работает с TensorFlow, Torch и JAX; по умолчанию загружается в bfloat16, также предусмотрена загрузка в float32 и дополнительная квантизация int8. Модель предназначена для мультимодального диалога и генерации текстовых ответов. Лицензия — Apache 2.0.

Sahajtomar/German-semantic — модель семейства BERT на базе Sentence Transformers, предназначенная для сравнения смысловой близости предложений на немецком языке. README приводит результаты на немецком наборе STS: 87,9% на dev и 84,3% на test. Модель преобразует предложения в плотные векторные представления, которые подходят для вычисления семантического сходства и поиска похожих фраз. В метаданных указаны форматы PyTorch и поддержка задач sentence-similarity и feature-extraction. Лицензия в предоставленных данных не указана.

GLM-10B — плотная языковая модель семейства GLM, разработанная командой авторов статьи GLM: General Language Model Pretraining with Autoregressive Blank Infilling. Модель предварительно обучена на наборе данных The Pile с авторегрессионной целью заполнения пропусков; архитектура включает 48 слоёв Transformer, размер скрытого состояния 4096 и 64 головы внимания в каждом слое. В метаданных указано 13,1 млрд параметров и реализация на PyTorch. Модель предназначена для дообучения и применения в задачах понимания и генерации естественного языка, включая языковое моделирование, задачи формата seq2seq и классификацию вариантов ответа. Она может извлекать признаки из текста; основное назначение в карточке Hugging Face отмечено как feature-extraction. В метаданных указан английский язык. Условия лицензирования в предоставленных данных не описаны. Практическое использование требует учитывать, что опубликована базовая предварительно обученная модель, а примеры и инструкции вынесены в репозиторий проекта.

HermesFlashback-7B.1 — диалоговая языковая модель, созданная FredrikBL слиянием моделей NeuralHermes-2.5-Mistral-7B и Mistral-7B-v0.1-flashback-v2 с помощью LazyMergekit. Веса объединены методом SLERP; модель основана на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Модель предназначена для диалогов и генерации текста по запросам. Её можно применять для ответов на вопросы, написания и продолжения текста, а также для тестирования диалоговых сценариев. Заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. В карточке не приведены результаты оценивания качества или подробности о языках обучения, поэтому их нельзя установить по доступным данным.

Ice0.51.1-16.01-RP — объединённая языковая модель автора icefog72, созданная методом SLERP с помощью mergekit из двух предварительно обученных моделей. Это плотная Mistral-архитектура с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговое общение. Указанная длина контекста — 32 768 токенов; веса доступны в формате safetensors и предназначены для работы через Transformers. Модель подходит для ведения диалогов и генерации ответов или продолжений текста. Карточка не сообщает языки обучения и отдельные специализированные области применения. Лицензия в предоставленных данных не указана.

iLLaDA-8B-Base — базовая языковая модель семейства iLLaDA, разработанная GSAI-ML и представленная в работе Improved Large Language Diffusion Models. Это плотная 8-миллиардная модель с полностью двунаправленной архитектурой маскированной диффузии, обученная с нуля на 12 триллионах токенов. В ней 32 слоя, размерность модели 4096 и 32 головы внимания; контекст составляет 8192 токена. Модель предназначена для генерации текста и диалоговых сценариев. Она поддерживает генерацию переменной длины и оценивание вариантов ответа на основе уверенности, что подходит, в частности, для задач с выбором ответа. В README приведён результат 74,8 на MMLU для базовой версии iLLaDA 8B. Модель доступна в формате Safetensors и используется через Transformers. Лицензия — Apache-2.0. README не сообщает о специализированной отраслевой настройке или ограничениях качества за пределами приведённых результатов; языки обучения и применения не указаны.

win10/Infinirc-ArliAI-RPMax-v1.3-merge-13.3B — разговорная языковая модель семейства Llama, созданная автором win10 с помощью mergekit. В README указано, что это слияние методом passthrough; среди исходных моделей указана win10/Infinirc-ArliAI-RPMax-v1.3-merge-8B. Метаданные каталога также связывают модель с этой базовой моделью и классифицируют её как производную. Модель предназначена для генерации текста и диалогов. Она принимает текст и выдаёт текст; заявленная длина контекста — 131 072 токена. В репозитории представлены веса Safetensors для библиотеки Transformers. Метаданные указывают 12,7 млрд параметров и архитектуру LlamaForCausalLM. Лицензия в предоставленных данных не указана.

InternLM2.5-1.8B — языковая модель для генерации текста, разработанная командой InternLM. Она сохраняет архитектуру InternLM2 и использует около 1,7 млрд параметров; по заявлению разработчиков, версия 2.5 улучшила рассуждения по сравнению с InternLM2-1.8B. Модель оценивается на бенчмарках MMLU, CMMLU и BBH. Модель подходит для продолжения текста, ответов на вопросы, решения задач на рассуждение и других сценариев генерации на естественном языке. Контекстное окно составляет 32 768 токенов. Карточка содержит результаты оценки на англоязычных и китайских бенчмарках, но не перечисляет полный набор поддерживаемых языков. Возможны предвзятые, дискриминационные и иные нежелательные ответы, поэтому результаты требуют проверки. Код распространяется по Apache-2.0; для весов заявлен открытый доступ для академических исследований и возможность запросить бесплатное коммерческое разрешение.

Это преобразованная в формат архитектуры Llama версия InternLM2 Chat 7B SFT, размещённая пользователем bartowski. Модель предназначена для генерации текста в диалоговом формате и может использоваться для ответов на запросы и ведения беседы. Модель содержит 7,4 млрд параметров и поддерживает контекст длиной до 32 768 токенов. README сообщает о конвертации из InternLM в формат Llama; в репозитории указан формат safetensors. Лицензия обозначена как other, поэтому условия её использования следует проверять в исходной карточке модели и у базовой модели.

InternVL2-1B — мультимодальная модель с инструкционной настройкой от команды OpenGVLab. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель Qwen2-0.5B-Instruct; размер модели в таблице README указан как 0,9 млрд параметров. Модель принимает изображения и текстовые запросы, а ответы формирует текстом. В README заявлено контекстное окно 8 тыс. токенов и обучение на длинных текстах, нескольких изображениях и видео. Модель предназначена для диалога по изображениям и видео, понимания документов, графиков и инфографики, распознавания текста в сценах и решения визуальных научных и математических задач. Среди описанных сценариев — ответы на вопросы по изображению, OCR и понимание видеокадров. Репозиторий распространяется по лицензии MIT. Результаты в README основаны на перечисленных бенчмарках; они не гарантируют точность на любых данных. В предоставленной карточке не описаны специальные ограничения применения.

AISE-TUDelft/java-rational-classifier — модель на базе MPNet, созданная командой AISE-TUDelft и представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения смысловой близости; модель также подходит для семантического поиска и кластеризации текстов. Число параметров — 136,7 млн, длина контекста — 514 токенов. Модель поставляется в формате PyTorch и обучалась с функцией потерь CosineSimilarityLoss. Название указывает на специализацию на классификации Java-кода по рациональным свойствам, но README описывает применение только как модели эмбеддингов и не раскрывает детали этой специализации. Лицензия в предоставленных сведениях не указана.

Jet-Nemotron-4B — плотная причинно-языковая модель с 3,1 млрд параметров из семейства Jet-Nemotron. По карточке модели, семейство разработано с применением метода post-training Neural Architecture Search и использует JetBlock — блок линейного внимания, образуя гибридную архитектуру. Модель предназначена для генерации текста и диалогового взаимодействия; поддерживает контекст до 32 768 токенов и рассчитана на английский язык. Разработчики заявляют о высокой пропускной способности генерации и приводят сравнительные результаты на общих языковых бенчмарках, включая MMLU, MMLU-pro и BBH. Для работы указаны Transformers и требования к ряду дополнительных библиотек; в репозитории веса представлены в формате safetensors. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией в карточке модели.

NousResearch k2-merged-3.5T-bf16 — экспериментальная объединённая («frankenmerge») языковая модель, созданная на основе моделей Kimi K2-07, Kimi K2-09 и Kimi K2 Base. Модель предназначена для генерации и продолжения текста, а также диалоговых сценариев. В метаданных она обозначена как text-generation и conversational, использует библиотеку Transformers и формат safetensors. Модель содержит 63,2 млрд параметров, поддерживает контекст длиной до 131 072 токенов и относится к архитектурному семейству DeepSeek V3. В названии указано представление BF16, подходящее для запуска на совместимом оборудовании. Модель имеет лицензию modified-MIT, при этом в метаданных Hugging Face лицензия обозначена как other; условия распространения и использования следует проверять перед применением в продукте. Из-за экспериментального характера объединения возможны нестабильность поведения, непредсказуемое качество и высокие требования к памяти.

Это экспериментальная квантизация GGUF модели huihui-ai/Huihui-Kimi-Linear-48B-A3B-Instruct-abliterated, подготовленная ENOSYS. Она предназначена для генерации текста в диалоге, включая ответы на запросы, связанные с кодом, математикой и инструментами. В README указаны калибровочные данные для английского и русского текста, кода, математики и инструментов, а также экспериментальная глобальная квантизация с целевым диапазоном 3,0–3,5 бит на вес. Тензоры записаны в F16 для совместимости с архитектурой Nvidia Pascal, включая P100; для квантования использовалась нестандартная ветка LLaMA C++, а репозиторий содержит небольшие патчи. Модель основана на Kimi Linear 48B A3B Instruct и предназначена для локального запуска в формате GGUF; карточка описывает её как разговорную мультиязычную модель. Квантизация уменьшает размер весов, но приводит к потерям качества: в README приведены сравнительные метрики perplexity и KL divergence для нескольких вариантов битности. Лицензия — MIT.

L3-8B-Intermix-v0.3 — объединённая модель для генерации текста и диалогов, опубликованная bunnycore. Она создана с помощью mergekit методом model_stock на основе bunnycore/L3-Intermix-v0.2, cognitivecomputations/dolphin-2.9-llama3-8b и Orenguteng/Llama-3-8B-Lexi-Uncensored; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров. Модель предназначена для диалогового взаимодействия и генерации ответов; каталог отмечает поддержку чата. Контекст модели составляет 8192 токена. Доступны веса в формате safetensors, лицензия — Apache-2.0. Данных о специализации по конкретным областям или поддерживаемых естественных языках нет.

mrm8488/limstral-7B-v0.1 — языковая модель Mistral 7B, дообученная на наборе данных LIMA для следования инструкциям. Она предназначена для генерации ответов на пользовательские запросы и выполнения общих инструкций в диалоговых сценариях. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Основной язык в карточке — английский. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не сообщает результаты оценки качества и не описывает специализированные области применения.