I.14Автоматизация процессов и AI-агенты

DeepSeek-R1-Distill-Qwen-7B-Uncensored-Reasoner-GGUF — это GGUF-версия дистиллированной 7-миллиардной модели рассуждений на базе Qwen, подготовленная h34v7 на основе модели nicoboss/DeepSeek-R1-Distill-Qwen-7B-Uncensored-Reasoner. Модель ориентирована на локальный запуск и генерацию ответов общего назначения с акцентом на рассуждения; README отдельно указывает возможность запуска на Android-устройствах с Snapdragon 8 Gen 2, Snapdragon 8 Gen 3 или Snapdragon Elite через Ollama и Termux. Для работы рекомендуется не менее 8,4 ГБ оперативной памяти, при этом на менее производительных устройствах возможна более низкая скорость. Ключевые сведения об архитектуре, точном размере файла, формате квантования, максимальном контексте, поддерживаемых языках и модальностях в README не приведены; по имеющимся данным, это текстовая языковая модель. В описании заявлена «uncensored»-настройка, однако её фактическое поведение и качество не подтверждены отдельными тестами. Модель распространяется по лицензии MIT.

Solstice-AI/DeepSeek-V4-Flash-Vision-Exp-UltraOptimised-GGUF-DSpark — это набор GGUF-квантизаций экспериментальной мультимодальной модели DeepSeek-V4-Flash-Vision-Exp, разработанной DeepSeek AI и подготовленной Solstice-AI. Набор предназначен для локального запуска и инференса в сценариях image-text-to-text, включая анализ изображений и работу с текстом, с поддержкой llama.cpp и Ollama. Модель имеет архитектуру MoE с 305 млрд общих параметров, 256 маршрутизируемыми экспертами, Multi-Head Latent Attention и Compressed Sparse Attention; в README также указано 13 млрд активных параметров на токен. Визуальная часть включает 32-слойный Vision Transformer с размером патча 14 и коэффициентом уменьшения 3. Заявлено окно контекста 1 048 576 токенов. В комплект входят квантизации UD-IQ4_XS, UD-Q3_K_XL и UD-Q8_K_XL, отдельный BF16-проектор изображений и DSpark-драфтер для speculative decoding. Сильные стороны набора — поддержка мультимодальных задач, очень длинного контекста, нескольких вариантов компромисса между размером, скоростью и точностью, а также сохранение проектора изображений в BF16. DSpark-драфтер заявлен как средство ускорения спекулятивного декодирования примерно в 1,4–1,7 раза, однако фактическая производительность зависит от оборудования и программного стека. Модель требует значительных ресурсов: указанные варианты занимают примерно 128,2–161,9 ГБ, а проектор — 934,5 МБ; в README приведены целевые конфигурации с 128–192 ГБ памяти и несколькими GPU. Лицензия набора — MIT. README не указывает поддерживаемые естественные языки. В описании также есть расхождение: заявлены 13 млрд активных параметров на токен и одновременно 6 активных экспертов на токен, поэтому точную схему маршрутизации следует уточнять по исходной модели.

dolphin-2.9.2-qwen2-7b-GGUF — это квантизированная версия языковой модели dolphin-2.9.2-qwen2-7b, опубликованной cognitivecomputations. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; модель распространяется в формате GGUF для локального запуска через совместимые средства инференса, включая llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев. В README указан шаблон сообщений с ролями system, user и assistant, поэтому её можно применять для интерактивных ассистентов и других задач text-generation. В основе лежит архитектура Qwen2 с 7 млрд параметров, однако сведения о поддерживаемых языках, размере контекста и мультимодальности не приведены. Доступны различные уровни квантизации, позволяющие выбирать компромисс между качеством, размером файла и скоростью работы в зависимости от объёма RAM и VRAM. K-квантизации проще выбирать, а I-квантизации могут обеспечивать лучшие характеристики при небольшом размере в некоторых конфигурациях, но имеют ограничения совместимости: в частности, I-квантизации не поддерживаются сборками Vulkan. Лицензия в README не указана.

Einstein-4d-Marcoro14-nddmpk-KrishnaHercules-7b-slerp — языковая модель, созданная mvpmaster слиянием моделей Einstein-4D-Marcoro14-7b-full-slerp и nddmp-kellemar-KrishnaHercules-7b-slerp методом SLERP с помощью LazyMergekit. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста. Она принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В карточке и метаданных не приведены сведения о целевых языках, специализированных областях или оценках качества, поэтому их нельзя надёжно определить.

deepmodal/embeddinggemma-300m-ko — модель Sentence Transformers, дообученная на базе google/embeddinggemma-300m для получения векторных представлений корейских предложений и абзацев. Она преобразует текст в плотные эмбеддинги размерностью 768 и сравнивает их с помощью косинусного сходства; максимальная длина последовательности — 2048 токенов. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, классификации и кластеризации текстов. В карточке указаны 4 264 316 обучающих примеров формата «запрос — документ» и результаты оценки информационного поиска. Модель принимает текст и выдаёт векторы для последующего сравнения или использования в поисковых системах. Репозиторий использует архитектуру Gemma 3 Text и формат safetensors; для работы рекомендована библиотека Sentence Transformers. Лицензия — Apache-2.0. Данные карточки указывают на поддержку корейского языка; качество и применимость за пределами корейских текстов не подтверждены приведёнными сведениями.

EmbeddingGemma-300M-qat-q4_0-GGUF — модель для создания текстовых эмбеддингов, представленная организацией ggml-org и основанная на Google EmbeddingGemma 300M. Она предназначена для задач семантического поиска, сравнения сходства предложений, извлечения признаков и других сценариев, где требуется преобразовать текст в векторное представление. Модель поставляется в формате GGUF с квантизацией Q4_0; заявленный размер базовой модели — около 300 миллионов параметров. Она поддерживает работу через llama-server с endpoint для эмбеддингов и через утилиту llama-embedding. README не содержит сведений о поддерживаемых языках, максимальной длине контекста, размерности эмбеддингов и архитектурных деталях. К сильным сторонам относятся специализированное назначение для эмбеддингов и сниженные требования к ресурсам благодаря квантизации. Доступна настройка нормализации векторов, включая отсутствие нормализации, L1, L2 и P-норму. Ограничения модели и результаты бенчмарков не указаны. Лицензия обозначена как Gemma.

tardellirs/embeddinggemma-pt-br-128k — португалоязычная модель для создания текстовых эмбеддингов, полученная из google/embeddinggemma-300m. Разработчик сократил словарь токенизатора до 128 тысяч токенов, обрезав матрицу эмбеддингов токенов; трансформерный энкодер и слои pooling и Dense сохранены без изменений. В репозитории указаны 202,1 млн параметров в метаданных и около 207 млн в README. Модель предназначена для семантического поиска, сравнения предложений и других сценариев, где нужны векторные представления текста на португальском языке. README приводит результат MTEB(por) mean_16 0,7192 — 99,1% результата исходной модели при меньшем размере. Контекст модели — 2048 токенов; для использования подходят Sentence Transformers и text-embeddings-inference. Это артефакт сокращения словаря, а не дообучение: README сообщает, что обучение не проводилось. Модель распространяется по лицензии Gemma; качество за пределами португальских задач не подтверждено, а сокращение словаря может ограничивать работу с текстами на других языках.

ERNIE-4.5-VL-424B-A47B-Base-PT — базовая мультимодальная модель Baidu семейства ERNIE 4.5, предназначенная для понимания и генерации текста с учётом изображений. Это предварительно обученная MoE-модель с архитектурой ERNIE4_5_VLMoeForConditionalGeneration: в README указаны 424 млрд параметров всего и 47 млрд активных параметров на токен; метаданные каталога приводят оценку общего размера 47,1 млрд. Модель обрабатывает текст и изображения, поддерживает контекст до 131 072 токенов и рассчитана на английский и китайский языки. Модель подходит для диалога, ответов на вопросы по изображениям, описания визуальных материалов и кросс-модальных рассуждений, а также для задач понимания и генерации текста. Это базовый чекпойнт стадии pretraining, а не указанный в карточке вариант, настроенный для конкретного пользовательского сценария. README приводит пример запуска через vLLM с 16 GPU по 80 ГБ и требует trust_remote_code. Лицензия — Apache-2.0.

Dohyeon1/ERNIE-M-SMoE-ngroups48 — языковая модель семейства ERNIE 4.5 с разреженной MoE-архитектурой, опубликованная пользователем Dohyeon1 на Hugging Face и предназначенная для генерации текста. Модель работает через библиотеку Transformers и распространяется в формате Safetensors. Модель содержит 3,3 млрд параметров и поддерживает контекст длиной до 131 072 токенов, что делает её подходящей для диалогов, продолжения текста, подготовки черновиков и работы с большими текстовыми фрагментами. Метаданные также указывают на conversational-сценарии применения. README не содержит сведений о разработчике, языках, лицензии, обучающих данных, результатах оценки, точной конфигурации архитектуры и ограничениях. Поэтому перед использованием в продуктивных или коммерческих системах необходимо отдельно проверить лицензию, языковую поддержку и качество модели на целевых данных.

EuroMoE-2.6B-A0.6B-Instruct-Preview — предварительная многоязычная языковая модель Unbabel и академических партнёров проекта EuroLLM, финансируемого Европейским союзом. Это модель MoE на базе архитектуры Mixtral для генерации текста и диалогового общения; в карточке указаны 2,6 млрд параметров и 0,6 млрд активных параметров, а метаданные каталога приводят 231,7 млн параметров. Контекст — 4096 токенов. Архитектура использует grouped-query attention, RMSNorm, SwiGLU и RoPE. Модель дообучена на наборе EuroBlocks для выполнения инструкций общего назначения и машинного перевода. Она рассчитана на 35 языков, включая языки ЕС, русский, китайский, арабский, хинди, японский и корейский. Подходит для многоязычных диалогов, следования инструкциям и перевода. Выпущена под Apache License 2.0. Это preview-версия в разработке, поэтому её производительность и стабильность могут быть ограничены. Модель не выровнена по человеческим предпочтениям и может выдавать галлюцинации, вредный контент или фактические ошибки; авторы рекомендуют осторожность при применении в production.

Experiment26Yam_Experiment24Alloyingotneoy — объединённая модель Mistral, созданная слиянием automerger/Experiment26Yam-7B и automerger/Experiment24Alloyingotneoy-7B. Она предназначена для генерации текста и может использоваться в приложениях, которым нужны ответы или продолжения текста на основе запроса. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Весовые файлы представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0.

Experiment28M7_Experiment24Shadow — слитая языковая модель семейства Mistral, объединяющая модели automerger/Experiment28M7-7B и automerger/Experiment24Shadow-7B. Она содержит 7,1 млрд параметров и предназначена для генерации текста по текстовым запросам; заявленная длина контекста — до 32 768 токенов. Модель подходит для диалогов, черновиков и продолжения текста, а также для других задач генерации на основе текстового контекста. Веса опубликованы в формате safetensors, лицензия — Apache 2.0. В карточке нет подробных оценок качества или сведений о специализированной настройке модели.

Experiment28M7_ShadowMeliodas — объединённая модель на базе архитектуры Mistral, созданная из automerger/Experiment28M7-7B и automerger/ShadowMeliodas-7B. Она предназначена для генерации текста и диалогов; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

FRED-T5-large — русскоязычная предварительно обученная текстовая модель семейства T5, разработанная командой SberDevices. Она предназначена для задач преобразования текста, включая генерацию и переформулирование; обучение проводилось на корпусе русского языка объёмом 300 ГБ с использованием смеси семи denoising-целей, основанной на подходе UL2. Архитектура включает 24 слоя и скрытое представление размером 1024; в метаданных указано 403,9 млн параметров и класс T5ForConditionalGeneration. Модель использует токенизатор BBPE и поддерживает русский язык. Веса опубликованы в формате PyTorch по лицензии Apache-2.0. Модель подходит как русскоязычная основа для генеративной обработки текста и дообучения под прикладные сценарии. Длина контекста в предоставленных сведениях не указана.

EmanuelOverride/gemma-4-26B-A4B-it-heretic-APEX-GGUF — экспериментальная коллекция GGUF-квантов модели coder3101/gemma-4-26B-A4B-it-heretic. Модель относится к семейству Gemma 4, использует архитектуру mixture-of-experts (MoE) и предназначена для генерации текста. В репозитории представлены пользовательские конфигурации APEX, оптимизированные для многоуровневого квантования экспертных блоков и внимания к контексту. Доступны варианты с размером примерно от 12,9 до 15,8 GiB и плотностью квантования от 4,29 до 5,25 BPW. Конфигурации различаются распределением уровней точности, включая Q3_K, Q4_K и Q5_K, а также способом защиты routing-блоков, shared experts и Global Attention. Заявленные преимущества включают более эффективное использование памяти, потенциально высокую скорость на устаревшем оборудовании, сохранение связности и улучшенное внимание к деталям длинного контекста. Однако варианты являются экспериментальными, а заявленные различия в качестве, скорости и стабильности основаны на тестировании автора и могут зависеть от оборудования и сценария. Указан английский язык. Модель предназначена для инференса через инструменты, поддерживающие формат GGUF и соответствующую MoE-архитектуру. Стандартные и предсказуемые конфигурации APEX рекомендуется искать в репозитории mudler; разработчик также отмечает вклад авторов исходной архитектуры, abliteration-механики и imatrix-датасета. Лицензия — Apache-2.0.

Gemma-4-31B-JANG_4M-CRACK-GGUF — набор GGUF-квантизаций модели Gemma-4-31B-JANG_4M-CRACK на базе google/gemma-4-31b-it. Конвертацию и публикацию выполнил douyamv. Модель предназначена для генерации текста и запуска в llama.cpp, LM Studio, Ollama и других совместимых с GGUF средах. Это плотный Transformer Gemma 4 с 31 млрд параметров и 60 слоями, гибридным вниманием Sliding/Global Attention, а также поддержкой текста, изображений и аудио. В карточке указаны английский язык и pipeline text-generation. Модель получила CRACK abliteration, направленную на удаление отказов, и JANG v2 mixed-precision quantization. Доступны варианты от Q3_K_M примерно на 14 ГБ до Q8_0 примерно на 33 ГБ; Q4_K_M заявлен как оптимальный баланс размера и качества, а Q8_0 — как наиболее близкий к исходной модели. Для запуска требуется ориентировочно от 20 до 40 ГБ оперативной памяти в зависимости от варианта квантизации, при рекомендуемом объёме от 24 до 48 ГБ. Качество ограничивается исходной квантизацией JANG v2 и последующей переквантизацией в GGUF, хотя дополнительная потеря качества заявлена как минимальная. У модели удалены защитные ограничения, поэтому её применение требует осторожности и соблюдения законодательства. Распространение регулируется Gemma License.

egoriow/gpt-oss-120b-GGUF — квантованная в формате GGUF версия модели openai/gpt-oss-120b, размещённая egoriow. Это разговорная текстовая модель для генерации ответов и ведения диалога; README указывает на запуск через LlamaEdge, а метаданные отмечают поддержку чата и архитектуру GPT-OSS типа MoE. В метаданных указаны 2,1 млрд параметров и контекст до 131 072 токенов. Модель принимает текст и генерирует текст. Репозиторий содержит варианты GGUF и GGUF F16; лицензия — Apache-2.0. Карточка называет исходной моделью openai/gpt-oss-120b, но конкретные характеристики качества и ограничения применения не описывает.

mrm8488 подготовил на базе энкодерной модели Alibaba-NLP/gte-large-en-v1.5 Sentence Transformer, дообученный на примерах из mathstackexchange, Socratic и Stack Exchange. Модель преобразует предложения и абзацы в плотные 1024-мерные векторы; для сравнения близости используется косинусное сходство. Метаданные указывают 433,9 млн параметров, библиотеку Sentence Transformers и контекст до 8192 токенов, а карточка описывает максимальную длину последовательности 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации, особенно для вопросов и ответов из математических и тематических сообществ. В README приведён результат Spearman 0,859 на тесте семантического сходства STS. Лицензия в предоставленных данных не указана.

onnx-community/gte-multilingual-base — это ONNX-версия модели Alibaba-NLP/gte-multilingual-base, подготовленная сообществом onnx-community для работы с библиотекой Transformers.js. Модель предназначена для преобразования предложений и документов в векторные представления, которые можно использовать для семантического поиска, retrieval-систем, сопоставления текстов и других задач, основанных на сравнении смысловой близости. Модель работает в режиме feature extraction и формирует эмбеддинги размерностью 768 признаков. В примерах используются mean pooling и нормализация векторов, после чего релевантность текстов оценивается по косинусному сходству. Для поисковых запросов рекомендуется добавлять инструкцию «Represent this sentence for searching relevant passages:». Модель заявлена как мультиязычная, однако README не содержит перечня поддерживаемых языков, сведений об архитектуре, размере исходной модели или максимальной длине контекста. К сильным сторонам относятся возможность выполнять вычисление эмбеддингов непосредственно в JavaScript-среде через Transformers.js и удобная совместимость с ONNX. Ограничение состоит в том, что это модель для представления и сопоставления текстов, а не генеративная языковая модель: README не описывает её возможности по генерации текста, точность на бенчмарках или ограничения по языкам и длине входа. Лицензия в предоставленных данных не указана.

Arcee Homunculus-12B — языковая модель с 12,2 млрд параметров, созданная Arcee AI методом дистилляции Qwen3-235B-A22B на архитектуру Mistral Nemo. Она предназначена для диалогов и генерации текста: режим /think поддерживает развёрнутые рассуждения, а /nothink — краткие ответы. В README описана передача траекторий логитов и замена токенизатора Mistral на токенизатор Qwen3. Модель рассчитана на запуск на одной потребительской GPU; заявлены результаты 57,1% на GPQADiamond и 67,5% на MMLU. Контекст модели — 131 072 токена. В карточке указаны английский язык, библиотека Transformers и формат Safetensors; лицензия — Apache-2.0. Модель может подойти для исследовательских задач, связанных с дистилляцией рассуждений, а также для облегчённых производственных развёртываний. README предупреждает об экспериментальном характере такого применения и возможных затратах на задержку и память.

IceTea21EnergyDrinkRPV13-DPOv3 — разговорная языковая модель на архитектуре Mistral, созданная автором репозитория слиянием предварительно обученных моделей методом SLERP с помощью mergekit. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; длина контекста — до 32 768 токенов. Модель принимает текстовые запросы и генерирует текстовые ответы. В карточке указано слияние двух вариантов IceTea21EnergyDrinkRPV13, однако их локальные пути не дают надёжного идентификатора базовой модели на Hugging Face. Сведения о специализированных областях и поддерживаемых естественных языках не приведены. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

ClaudioItaly/Intelligence-Cod-Rag-7B-V3.3 — слитая диалоговая языковая модель на архитектуре Qwen2 с 7,1 млрд параметров. Она создана с помощью mergekit методом TIES на основе ClaudioItaly/intelligence-cod-rag-7b-v3 с включением newsbang/Homer-7B-v0.1. Модель предназначена для генерации текста в диалоге и ответов на запросы. Метаданные указывают контекст длиной до 32 768 токенов и формат весов safetensors. Для использования доступна библиотека Transformers. README не описывает конкретные сценарии RAG или специализированные возможности, поэтому их нельзя подтвердить только по названию модели. Лицензия в предоставленных данных не указана.

InternVL-Chat-V1-1 — мультимодальная модель OpenGVLab для диалога по изображениям и тексту. Её архитектура объединяет визуальный энкодер InternViT-6B с разрешением 448 × 448, MLP-проектор и внутреннюю чат-версию LLaMA2-13B; общий размер составляет 19 млрд параметров. Изображение кодируется в 256 визуальных токенов после операции pixel shuffle. Модель предназначена для ответов на вопросы об изображениях, визуального диалога и распознавания текста на изображениях. В этой версии улучшены OCR и поддержка китайских разговоров; карточка также показывает поддержку многоязычности. Можно вести текстовый диалог без изображения. Модель работает через Transformers и требует значительных вычислительных ресурсов; авторы предупреждают, что 4-битная BNB-квантизация может ухудшить понимание изображений, а результаты при работе с несколькими изображениями и видео слабы из-за недостатка обучающих данных. Лицензия — MIT.

MohitML10 опубликовал sentence-transformers-модель для сопоставления предложений и абзацев по смыслу. Она основана на BERT, содержит 25,9 млн параметров и преобразует текст в нормализованные плотные векторы размерностью 384; сходство оценивается косинусной мерой. Обучение проводилось на 7 200 парах предложений с оценками сходства. Метаданные указывают максимальный контекст 512 токенов, а карточка модели описывает максимальную длину последовательности 256 токенов. Модель подходит для семантического поиска, ранжирования текстов по сходству, поиска перефразировок, кластеризации и использования в качестве признаков для классификации текста. Хотя название репозитория указывает на обнаружение jailbreak-запросов, карточка описывает обучение на сходстве предложений и не подтверждает отдельную классификацию таких запросов. Лицензия в предоставленных данных не указана.

inception42/jais-family-1p3b — двуязычная языковая модель семейства Jais, опубликованного Inception Institute of Artificial Intelligence. Семейство включает модели, обученные с нуля, и варианты, адаптированные на основе Llama 2; README не уточняет, к какой группе относится этот чекпойнт и каков его точный размер. Модель предназначена для генерации текста на арабском и английском языках. Её можно использовать как основу для чат-ассистентов, суммаризации двуязычных документов, анализа тональности и исследований арабского NLP. В репозитории указаны архитектура causal decoder и веса Safetensors; для загрузки требуется пользовательский класс модели и параметр trust_remote_code=True. Модель может ошибаться, воспроизводить смещения и выдавать оскорбительный или вводящий в заблуждение текст. Она оптимизирована для арабского и английского, поэтому её качество на других языках не гарантируется; для важных решений требуется проверка человеком. Лицензия — Apache 2.0.

J.A.R.V.I.S. Titan V12 MoE Merged Baseline — объединённая самостоятельная модель Dhanesh на архитектуре DeepSeekMoE, сочетающая MoE-бэкбон и адаптированные экспертные слои V12. В метаданных указано 7,1 млрд параметров, архитектурный класс JarvisTitanMoEForCausalLM, формат safetensors и контекст до 32 768 токенов; README при этом указывает бэкбон 14,8 млрд параметров. Модель предназначена для генерации текста в диалоговом режиме. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в файлах репозитория.

uclanlp/keyphrase-mpnet-v1 — модель Sentence-Transformers, разработанная UCL NLP для представления фраз в виде плотных векторов размерности 768. Она основана на sentence-transformers/all-mpnet-base-v2 и дополнительно дообучена с помощью SimCSE на корпусе из миллиона ключевых фраз из научных публикаций, новостей, онлайн-форумов и других областей. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текстовые фразы; длина контекста составляет 514 токенов. Векторы подходят для семантического поиска, кластеризации и вычисления семантических оценок качества моделей извлечения ключевых фраз. Обучение на фразах из нескольких предметных областей делает её специализированным вариантом для работы с ключевыми фразами. В предоставленных материалах условия лицензии не приведены.

Это модель Sentence Transformers, разработанная авторами репозитория ipsnan/keywordsextraction для извлечения ключевых слов из украинских научных и деловых документов. Она дообучена на базе intfloat/multilingual-e5-base и использует энкодер XLM-RoBERTa с усреднением токеновых представлений и L2-нормализацией. Модель содержит около 305,2 млн параметров, выдаёт эмбеддинги размерности 768 и обрабатывает последовательности длиной до 514 токенов по метаданным; в README указан предел 512 токенов. Модель кодирует документ и сопоставляет его с заранее подготовленными эмбеддингами ключевых слов, ранжируя совпадения по косинусному сходству. Она предназначена для поиска ключевых слов в научных текстах, академических материалах и деловых документах, а также для использования в семантическом поиске и сопоставлении предложений. В комплекте репозитория есть индекс ключевых слов и скрипт обработки PDF. Модель лучше всего работает с текстами на украинском языке и возвращает только слова из имеющегося индекса; для нового набора ключевых слов индекс нужно подготовить заново. Качество зависит от того, насколько первые примерно 3000 символов документа отражают его тему. Модель распространяется по лицензии MIT.

jaspionjader/Kosmos-EVAA-immersive-sof-v44-8B — плотная авторегрессионная языковая модель семейства Llama, созданная разработчиком jaspionjader путём слияния предварительно обученных моделей jaspionjader/sof-10, jaspionjader/sof-13 и jaspionjader/sof-14 методом Model Stock с помощью mergekit. Модель предназначена для генерации текста и диалогового взаимодействия; репозиторий использует библиотеку Transformers и формат safetensors. Указанный размер — 7,5 млрд параметров, длина контекста — 131 072 токена. Модель принимает текст и генерирует текст. Карточка не сообщает о специализации на конкретных языках или прикладных областях. Лицензия в предоставленных данных не указана.

KunoichiVerse-7B — англоязычная чат-модель, созданная слиянием моделей Nitral-AI/Kunocchini-7b-128k-test и MTSAIR/multi_verse_model с помощью LazyMergekit и метода SLERP. Модель построена на плотной архитектуре Mistral с причинной языковой моделью MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для диалогов и генерации текста. В README заявлено контекстное окно 128 тыс. токенов, тогда как метаданные указывают native context в 32 768 токенов. Репозиторий содержит веса в формате safetensors; также упомянут отдельный репозиторий GGUF от MarsupialAI. Лицензия — Apache-2.0.