I.14Автоматизация процессов и AI-агенты

NeuralKrishna-7B-slerp — объединённая модель генерации текста, созданная Kukedlc с помощью LazyMergekit. Она объединяет Kukedlc/Neural4gsm8k и Kukedlc/NeuralMaxime-7B-slerp методом SLERP; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель предназначена для диалоговой генерации текста и решения задач на рассуждение, включая математические вопросы. Контекстное окно составляет 32 768 токенов. В карточке приведены результаты Open LLM Leaderboard: среднее значение 75,79, ARC — 73,46 и HellaSwag — 88,96. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Показатели бенчмарков не гарантируют качество на других задачах; сведений о поддерживаемых языках и более подробной оценке ограничений в карточке нет.

NeuralsynthesisCalmexperiment-7B — автоматически объединённая модель, созданная Maxime Labonne методом DARE-TIES из NeuralSynthesis-7B-v0.1 и CalmExperiment-7B-slerp. Это плотная авторегрессионная языковая модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста. Указанная длина контекста — 32 768 токенов. Модель может применяться для генерации продолжений текста и диалоговых ответов. Репозиторий содержит веса в формате safetensors; модель распространяется по лицензии Apache-2.0. README описывает конфигурацию слияния, но не приводит отдельных оценок качества или подробных рекомендаций по использованию.

NeuTrixOmniBe-7B-model-remix — языковая модель на архитектуре Mistral, созданная слиянием CultriX/NeuralTrix-7B-dpo и paulml/OmniBeagleSquaredMBX-v3-7B-v2 с помощью LazyMergekit. Она предназначена для генерации текста и ответов на запросы; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. В README приведены результаты оценки на нескольких тестах рассуждения и понимания текста. Модель принимает текст и генерирует текст. Данные не подтверждают поддержку конкретных естественных языков или специализированных областей. Веса доступны в формате safetensors, лицензия — Apache-2.0. Карточка не описывает специальные ограничения или гарантии качества.

nyunai/nyun-c1-llama3-60B — плотная авторегрессионная языковая модель семейства Llama 3, разработанная Nyun AI. Модель содержит 59,2 млрд параметров и рассчитана на генерацию текста; заявленная длина контекста — 8192 токена. Разработчики сообщают, что модель создана без дообучения и содержит примерно на 14% меньше параметров, чем Llama 3 70B. В README приведены результаты сравнений на MMLU, Winogrande и BoolQ, где модель показывает сопоставимые или более высокие результаты по отдельным тестам. Подходит для генерации текста и ответов на вопросы общего назначения. Для использования действует лицензия Llama 3. Результаты производительности приведены разработчиком; они не гарантируют аналогичного качества на других задачах и наборах данных.

TheBloke опубликовал веса OpenAssistant LLaMA 30B SFT 7 в формате Hugging Face Transformers. Это плотная авторегрессионная модель семейства Llama с 32,3 млрд параметров, полученная слиянием XOR-весов OpenAssistant с исходными весами Llama 30B; чекпойнт соответствует седьмой эпохе обучения OpenAssistant. Модель предназначена для генерации текста в диалогах и ответах на запросы. Окно контекста — 2048 токенов. Репозиторий содержит веса PyTorch. В метаданных указана лицензия «other», а конкретные условия использования в предоставленной карточке не раскрыты.

PaliGemma 2 3B Mix 224 — мультимодальная модель Google на основе Gemma 2 и SigLIP, принимающая изображение и текст и генерирующая текст. Версия Mix объединяет несколько вариантов обучения для разных задач компьютерного зрения и языка; модель рассчитана прежде всего на дообучение под специализированные сценарии. Она подходит для создания подписей к изображениям, визуальных ответов на вопросы, чтения текста на изображениях (OCR), обнаружения и сегментации объектов. Также семейство предназначено для подписей к коротким видео и специализированных задач, например анализа снимков дистанционного зондирования, интерфейсов или научных изображений. Карточка подтверждает поддержку нескольких языков, но не перечисляет их коды. Репозиторий использует формат safetensors и библиотеку Transformers. Модель лучше работает с ясными инструкциями; качество в режиме без дообучения может уступать моделям, созданным для универсального общения. Она не является многоходовым чат-ботом и может ошибаться в фактах, рассуждениях и понимании языковых нюансов. Возможны смещения и генерация вредного или вводящего в заблуждение текста. Лицензия — gemma; применение регулируется условиями и политикой использования Gemma.

OpenASR/parakeet-tdt-0.6b-v3 — локальная мультиязычная модель автоматического распознавания речи, разработанная NVIDIA и упакованная проектом OpenASR в формат .oasr. Она предназначена для преобразования аудио в текст на CPU и GPU, включая транскрибацию записей и потоков. Модель автоматически определяет язык речи и поддерживает 25 европейских языков: болгарский, хорватский, чешский, датский, нидерландский, английский, эстонский, финский, французский, немецкий, греческий, венгерский, итальянский, латышский, литовский, мальтийский, польский, португальский, румынский, словацкий, словенский, испанский, шведский, русский и украинский. Модель содержит около 600 млн параметров и сочетает энкодер FastConformer с декодером Token-and-Duration Transducer (TDT), который предсказывает длительность токенов и пропускает соответствующее число аудиокадров. Это повышает скорость декодирования и обеспечивает нативные временные метки слов. Обучение на корпусах Granary и NeMo ASR Set 3.0 позволило сохранять пунктуацию и регистр в расшифровке. Доступны варианты fp16, q8_0 и q4_k; сборка q8_0 рекомендована как компромисс между качеством и размером, а q4_k — для устройств с ограниченной памятью. Сильные стороны модели — поддержка большого числа европейских языков, автоматическое определение языка, высокая скорость локального инференса, временные метки слов и работа без Python во время выполнения. Ограничения включают специализацию только на распознавании речи и отсутствие данных о точности для всех языков и сценариев в представленном README. Модель и производные пакеты распространяются по лицензии CC-BY-4.0, требующей указания авторства NVIDIA.

Phi-3.5-mini-ITA — дообученная Anakin87 версия инструктивной языковой модели Microsoft Phi-3.5-mini-instruct, оптимизированная для итальянского языка. Это плотная авторегрессионная модель семейства Phi-3 с 3,7 млрд параметров в формате safetensors; поддерживает диалог и генерацию текста. В карточке заявлен контекст до 128 тыс. токенов, тогда как метаданные указывают native context в 4096 токенов. Модель предназначена для общения на итальянском языке, генерации и суммаризации текста, а также для локальных приложений и RAG-сценариев. README приводит оценки на итальянских бенчмарках и описывает запуск через Transformers, включая возможность квантизации и использование Flash Attention 2 для ускорения вывода. Метаданные также указывают английский язык. Модель распространяется по лицензии MIT. Она компактнее многих крупных инструктивных моделей, но фактическое качество зависит от задачи; заявленная в README длина контекста расходится с контекстом, указанным в метаданных.

bunnycore/Phi-3.5-mini-TitanFusion-V2 — объединённая языковая модель на базе Microsoft Phi-3.5-mini-instruct, созданная с помощью mergekit и метода TIES. В объединение вошли Phi-3.5-mini-TitanFusion-0.1, Phi-3.5-rp-lora_model и ArliAI/Phi-3.5-mini-3.8B-ArliAI-RPMax-v1.1; карточка также указывает conversational-возможности. Модель с архитектурой Phi-3 dense и примерно 3,7 млрд параметров предназначена для генерации текста и диалогов. Она принимает текст и выдаёт текст; указанный контекст — 4096 токенов. Карточка не уточняет языковой охват или специализацию по областям. Модель распространяется в формате safetensors через Transformers; сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели prompt-agnostic-language-models/Qwen-1B_dare_ties на Hugging Face совпадает с карточкой Qwen/Qwen3-0.6B-Base, поэтому описание составлено по ней. Qwen3-0.6B-Base — базовая плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это предварительно обученная модель примерно с 508 млн параметров: 28 слоёв, группированное внимание с 16 головами Q и 8 головами KV. Она принимает текст и генерирует продолжение, служит основой для дообучения и адаптации под прикладные задачи. Модель предназначена для языкового моделирования общего назначения, включая генерацию текста, работу с кодом, STEM-темами, логическими рассуждениями и многоязычными данными. Контекстное окно составляет 32 768 токенов. В README указано, что семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; перечень языков, поддерживаемых именно этой базовой версией, отдельно не приведён. Модель распространяется под лицензией Apache-2.0. Это базовая предобученная версия, поэтому для диалогового помощника или специализированного приложения обычно потребуется дообучение либо настройка шаблона запросов; карточка не приводит конкретных гарантий качества для таких сценариев.

bunnycore/Qwen2.5-3B-RP-Thinker — языковая модель, созданная автором репозитория слиянием нескольких предварительно обученных моделей методом TIES через mergekit. В основе Qwen/Qwen2.5-3B-Instruct; также объединены bunnycore/Qwen2.5-3B-RP-Mix, Spestly/Athena-1-3B и PowerInfer/SmallThinker-3B-Preview. Модель предназначена для генерации текста в диалогах и выполнения инструкций. Она построена на архитектуре Qwen2, содержит 3,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. В репозитории указаны формат safetensors и библиотека Transformers; в оценке Open LLM Leaderboard приведены результаты по IFEval и BBH. Карточка не сообщает языковой состав и специальные прикладные области. Лицензия в доступных данных не указана, поэтому условия использования по ним определить нельзя; результаты оценок не гарантируют качество для конкретных запросов.

DavidAU/Qwen3-48B-A4B-Savant-Commander-Distill-12X-Closed-Open-Heretic-Uncensored — текстовая MoE-модель для генерации ответов и творческого письма. По карточке автора, это объединение 12 дистиллированных моделей Qwen3 по 4 млрд параметров, включая модели с рассуждением; пользователь может выбирать экспертов, указывая их имена в запросе. В метаданных указаны архитектура Qwen3 MoE, 3,7 млрд параметров, библиотека Transformers и контекст до 262 144 токенов; автор заявляет об активации двух экспертов по умолчанию и возможности задействовать до 12. Модель предназначена для диалогов, рассуждений, математики, программирования и создания художественных текстов, в том числе хоррора и романтики. Сильная сторона — переключение между экспертами для разных запросов; результат и скорость зависят от выбранных экспертов и их числа. Автор предупреждает, что модели нужно явно задавать желаемый стиль и уровень откровенности, а чрезмерное квантование может заметно ухудшить работу. По README, модель аблитерирована для уменьшения отказов и рассчитана на генерацию откровенного, в том числе NSFW-контента. Лицензия в метаданных — Apache-2.0.

AtomicChat/Qwen3.5-4B-DFlash-GGUF — GGUF-квантизированная версия модели z-lab/Qwen3.5-4B-DFlash, подготовленная и самостоятельно квантизированная командой Atomic Chat. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный и полностью офлайн-запуск через llama.cpp, Ollama, LM Studio, Jan или приложение Atomic Chat. В карточке указано, что модель имеет 0,6 млрд параметров, 6 слоёв и архитектуру плотного декодера DFlashDraftModel с гибридным вниманием: скользящее окно 4096 токенов сочетается с глобальным вниманием. Заявлена длина контекста до 262 144 токенов, словарь из 248 320 токенов и текстовая модальность. Репозиторий содержит квантизацию Q8_0 размером около 0,7 ГБ; она описывается как практически без потерь и рассчитанная на сохранение качества исходной модели. Квантизация выполнена с использованием матрицы важности для каждого тензора. Сильными сторонами являются небольшой размер, возможность локальной работы, длинный контекст и применение importance matrix при квантизации. Ограничения — отсутствие в карточке сведений о поддерживаемых языках, результатах тестирования, рекомендуемых параметрах sampling и фактическом качестве на задачах. Для корректного диалогового формата необходимо использовать шаблон Qwen3.5 через параметр --jinja; без него возможна генерация некорректных реплик. Исходная модель выпущена под лицензией Apache 2.0; квантизированная версия подготовлена Atomic Chat.

Карточка модели Tubing/Qwen3.5-9B-abliterated на Hugging Face совпадает с карточкой lukey03/Qwen3.5-9B-abliterated, поэтому описание составлено по ней. Qwen3.5-9B-abliterated — текстовая диалоговая модель на архитектуре Qwen3.5, созданная lukey03 на основе Qwen/Qwen3.5-9B. Автор удалил часть поведения отказа ортогональной проекцией весов, затем применил QLoRA-дообучение и объединил адаптер с основными весами. В репозитории указано 7,2 млрд параметров, архитектура dense и контекст длиной 262 144 токена; модель распространяется в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для генерации ответов в диалоге, включая запросы, на которые исходная модель отказывалась отвечать. В README также приведены примеры рассуждений, математики и программирования, но основная задача в каталоге — генерация текста. Карточка сообщает о тестировании на 18 запросах, однако это небольшой набор и результаты не гарантируют качество на других задачах. Удаление отказов означает, что модель может выдавать вредоносный, опасный или откровенный контент. Лицензия — Apache-2.0.

Qwen3.6-35B-A3B-TQ-apex3 — созданный varjosoft квантованный чекпойнт Qwen/Qwen3.6-35B-A3B для генерации текста и диалогов. Это нативный смешанно-точный вариант TurboQuant: большинство весов экспертов хранится в TQ3, чувствительные группы — в TQ4, а тензоры с высоким эксцессом распределения оставлены в FP16. Размер на диске составляет около 18,6 ГБ; для инференса требуется около 20 ГБ резидентной памяти. Модель построена на архитектуре Qwen3.5 MoE и загружается через Transformers с совместимым загрузчиком TurboQuant. Чекпойнт предназначен для локального запуска диалоговой модели и генерации текста; в README приведены результаты бенчмарка GSM8K. Автор сообщает о качестве выше предыдущих вариантов квантования и MLX-4bit reference, однако приведённые измерения относятся к конкретному тесту GSM8K-200 и конфигурации запуска. Лицензия — Apache-2.0. README указывает на высокие требования к памяти при воспроизведении сжатия: не менее 100 ГБ CPU RAM для полной загрузки bf16-весов.

Это квантованная NVFP4-версия Qwen3.8-27B с черновыми слоями MTP, подготовленная felippeburk как механическая конверсия весов sakamakismile/Qwen3.8-27B-MTP-NVFP4 в единый файл GGUF для llama.cpp. Модель предназначена для генерации текста и диалогов, а MTP-слои позволяют использовать спекулятивное декодирование на совместимых графических процессорах Blackwell, включая RTX 5090 и RTX 5080. Основной файл весит около 19 ГБ. Для обработки изображений README указывает на отдельный проектор mmproj-F16.gguf; сам файл модели текстовый. В README приведены настройки запуска с контекстом 196 тысяч токенов, однако это рекомендуемая конфигурация, а не подтверждённый метаданными предел контекста. Модель использует формат рассуждений Qwen3.8: этап рассуждения расходует общий лимит выходных токенов, поэтому слишком малый лимит может привести к пустому итоговому ответу. Репозиторий распространяется по лицензии Apache-2.0. Для запуска требуются llama.cpp с поддержкой NVFP4 и MTP, а обработка изображений требует отдельного совместимого проектора; заявленный сценарий ориентирован на оборудование Blackwell.

Это предварительно квантованная версия Qwen/Qwen3-Omni-30B-A3B-Instruct, подготовленная с помощью NVIDIA ModelOpt и предназначенная для запуска на графических процессорах NVIDIA Blackwell, включая RTX 5090, B100 и B200. Модель семейства Qwen3-Omni с архитектурой MoE принимает текст, изображения, аудио и видео, а выдаёт текст и речь. Размер исходной модели — 30 млрд параметров, из которых около 3 млрд активируются на токен; NVFP4 W4A8 уменьшает размер чекпойнта примерно до 27 ГБ с примерно 60 ГБ у версии BF16. Квантированы веса экспертов и attention в Thinker; lm_head, маршрутизаторы MoE и остальные этапы оставлены без квантования. Для калибровки использовались английские и китайские запросы. Чекпойнт рассчитан на инференс с аппаратной поддержкой FP4 и не подходит для RTX 4090, A100 и H100; для этих ускорителей автор рекомендует вариант FP8. Модель распространяется по лицензии Apache-2.0.

coder3101/Qwen3-VL-32B-Instruct-heretic-v2 — изменённая версия мультимодальной модели Qwen3-VL-32B-Instruct от Qwen. По README, модель прошла abliteration: в приведённом сравнении доля отказов снизилась с 99 до 9 из 100, а KL-дивергенция относительно исходной модели составляет 0,0977. Метаданные указывают плотную архитектуру Qwen3-VL с 32 млрд параметров и формат safetensors. Модель принимает текст и изображения и предназначена для диалога с визуальным контекстом, распознавания текста на изображениях, анализа видео и визуального рассуждения. README базовой модели заявляет контекст 256 тыс. токенов с возможностью расширения до 1 млн и OCR на 32 языках; это характеристики семейства, а не отдельные результаты оценки данной модификации. В карточке нет отдельного описания её качества по задачам. Модель выпущена под лицензией Apache-2.0. Снижение числа отказов может означать ослабление встроенных ограничений безопасности; приведённая таблица не описывает методику оценки и не позволяет судить о поведении во всех сценариях.

amd/Qwen3-VL-8B-Instruct-w8a8-llmcompressor — квантизированная версия мультимодальной модели Qwen3-VL-8B-Instruct, созданная AMD с использованием LLM Compressor и формата compressed-tensors. Модель предназначена для задач преобразования текста и изображений в текст, включая визуальные вопросы и анализ диаграмм. Архитектура — Qwen3VLForConditionalGeneration; поддерживаются входные данные в виде текста и изображений и текстовый вывод. В README указан английский язык, однако полный набор языков базовой модели не раскрыт. Модель рассчитана на CPU-инференс на AMD EPYC под Linux с использованием vLLM, ZenDNN и ZenTorch. Применяется схема W8A8: веса языковой части представлены в INT8 с симметричной поканальной квантизацией, активации — в INT8 с симметричной динамической потокенной квантизацией. Vision tower, проектор и lm_head сохранены в BF16. Размер модели на диске уменьшен с 16,3 до 9,9 ГиБ, примерно на 40%. Для работы указаны vLLM 0.26.0, PyTorch 2.11.0, ZenDNN 6.1.0, ZenTorch 2.11.0.3 и LLM Compressor 0.12.0. По результатам оценки относительно BF16-версии модель показала 0,5740 на ChartQA против 0,5544 у базовой модели и 0,3857 на MMMU для технических и инженерных задач против 0,3952. Это указывает на близкое к исходному качество при меньшем объёме хранения и ориентации на оптимизированный CPU-инференс, однако качество может зависеть от аппаратного и программного стека. Указано ограничение совместимости с ZenDNN v6. Модель распространяется по лицензии Apache-2.0.

DevQuasar/Qwen.Qwen3.8-Flash-Next-GGUF — квантизированная версия модели Qwen/Qwen3.8-Flash-Next, опубликованная DevQuasar. Модель предназначена для задач генерации текста и может использоваться в сценариях, поддерживаемых базовой моделью, однако конкретные области применения, языки и особенности поведения в README не указаны. Из доступных данных известно только, что модель относится к pipeline text-generation и распространяется в формате GGUF. Размер, архитектура, объём контекста, поддерживаемые модальности и параметры квантизации не приведены. К потенциальным преимуществам относятся уменьшенные требования к ресурсам по сравнению с полной версией, но точные компромиссы между скоростью, потреблением памяти и качеством неизвестны. Лицензия и условия использования в README не указаны.

MaziyarPanahi/rfp_instruct_model-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая модель на архитектуре Mistral, созданная методом SLERP из mistralai/Mistral-7B-Instruct-v0.2 и arjunssat/rfp_instruct_model. Модель содержит 7,1 млрд параметров, принимает текстовые инструкции и генерирует ответы; поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и выполнения инструкций в текстовом формате. Карточка описывает способ объединения весов, но не приводит оценок качества или специализированных сценариев применения. Распространяется по лицензии Apache-2.0.

TextAttack дообучила RoBERTa-base для классификации пар предложений на датасете MRPC из набора GLUE. Модель содержит 151,8 млн параметров и принимает текстовые пары; максимальная длина контекста по метаданным — 514 токенов. При дообучении использовались 5 эпох, размер пакета 16, скорость обучения 3e-05 и максимальная длина последовательности 256 токенов. Модель предназначена для определения, выражают ли два предложения одинаковый смысл. В карточке указана точность 0,912 на оценочной выборке, достигнутая после двух эпох обучения. Доступны веса PyTorch и Flax; лицензия в предоставленных данных не указана.

Ruri-Small — компактная модель Sentence Transformer, разработанная cl-nagoya для получения векторных представлений японских предложений и оценки их семантического сходства. Она дообучена на базе line-corporation/line-distilbert-base-japanese с использованием cl-nagoya/ruri-dataset-ft и предназначена для задач поиска и сравнения японских текстов. Модель использует архитектуру DistilBERT, формирует эмбеддинги размерности 768 и обрабатывает последовательности длиной до 512 токенов. Для оценки сходства применяется косинусная мера. В README приведены результаты JMTEB по поиску, семантическому сходству, классификации, переранжированию, кластеризации и классификации пар. Модель распространяется по лицензии Apache 2.0.

RWKV7-G1i-7.2B-20260805 — базовая предобученная языковая модель семейства RWKV-7, разработанная Bo Peng, Yu Zhang, Songlin Yang, Ruichong Zhang и Zhiyuan Li при поддержке RWKV Project под эгидой LF AI & Data Foundation. Это плотная авторегрессионная модель на 7,8 млрд параметров в формате safetensors; в README также указано 7,2 млрд параметров. Она использует рекуррентную архитектуру без внимания с постоянным размером состояния и постоянной вычислительной работой на генерируемый токен, а обучение допускает параллелизацию. Модель принимает текст и генерирует продолжение, поддерживает чатовый шаблон, но не заявлена как безопасный или выровненный диалоговый помощник. Метаданные указывают контекст 2048 токенов. Модель предварительно обучена на веб-текстах, коде, синтетических данных, инструкциях, диалогах и данных для рассуждений. Её назначение — оценка, последующее обучение и дообучение, а также генерация текста и эксперименты с диалоговыми сценариями. README называет языки многоязычными, а метаданные перечисляют английский, китайский, японский, корейский, французский, арабский, испанский и португальский. Для использования требуются flash-linear-attention и актуальная версия Transformers. Лицензия — Apache-2.0.

Samantha-1.11-CodeLlama-34b — диалоговая модель на основе CodeLlama-34B, дообученная Эриком Хартфордом на 6 000 специально отобранных диалогов в формате ShareGPT/Vicuna. Она предназначена для генерации кода, помощи с домашними заданиями и общения в роли персонального собеседника; в обучении также использовались темы философии, психологии и личных отношений. Модель содержит 33,5 млрд параметров, использует архитектуру Llama и принимает текстовые запросы с контекстом до 2 048 токенов, выдавая текст. По README, обучение выполнено в течение 40 эпох с использованием QLoRA, Axolotl и DeepSpeed. Карточка сообщает, что модель не участвует в ролевых романтических или сексуальных сценариях. Модель распространяется по лицензии Llama 2, условия которой допускают коммерческое и некоммерческое использование с ограничениями лицензии. Она создана как экспериментальный вариант персонального ИИ-собеседника и помощника по коду. Как и другие языковые модели, может ошибаться в ответах и примерах кода; контекст ограничен 2 048 токенами.

Карточка модели mitra-mir/setfit-model-Misinformation-on-Media-Traditional-Social на Hugging Face совпадает с карточкой mitra-mir/setfit-model-Misinformation-on-Global-Support, поэтому описание составлено по ней. Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.

SoftTiger-13b — языковая модель общего назначения, представленная TigerResearch как основа для создания собственных LLM. Она построена на плотной архитектуре Llama с декодером LlamaForCausalLM и содержит 13 млрд параметров; модель предназначена для генерации текста и запускается через Transformers с кодом TigerBot. Модель поддерживает китайский и английский языки, принимает текст и генерирует текст. Её нативная длина контекста составляет 8192 токена. В репозитории указаны веса в формате safetensors и лицензия Apache-2.0. README не приводит оценок качества или специализированных сценариев, поэтому пригодность для конкретных задач следует проверять отдельно.

Stella-PL — двуязычный польско-английский текстовый энкодер, созданный авторами модели на основе stella_en_1.5B_v5. Его адаптировали для польского языка методом мультиязычной дистилляции на корпусе из 20 миллионов польско-английских пар текстов. Модель имеет архитектуру Qwen2, содержит 1,5 млрд параметров и поддерживает контекст до 131 072 токенов. Энкодер преобразует текст в векторы размерностью 1024 для семантического поиска, сравнения предложений и поиска информации. Он сравнивает тексты на польском или английском языках, а также сопоставляет тексты между этими языками. В README указано значение NDCG@10 60,52 на польском бенчмарке информационного поиска PIRB. Модель распространяется по лицензии MIT. Заявленные сценарии ограничены текстовыми эмбеддингами; README не описывает её как универсальную генеративную модель, несмотря на архитектуру причинного языкового моделирования и соответствующий тег в метаданных.

StrangeMerges_50-7B-slerp — текстовая генеративная модель, созданная Gille путём слияния liminerity/M7-7b и Gille/StrangeMerges_49-7B-dare_ties с помощью LazyMergekit. Для объединения использован метод SLERP с настройками, меняющими вклад моделей по слоям и компонентам self-attention и MLP. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров. Она предназначена для генерации текста и диалога, принимает текст и выдаёт текст. Заявленная длина контекста — 32 768 токенов. В README приведены результаты на тестах AI2 Reasoning Challenge и HellaSwag. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не уточняет поддерживаемые естественные языки и конкретные сценарии применения; результаты тестов сами по себе не гарантируют качество на других задачах.

Swallow 70B Instruct — крупная языковая модель для генерации текста, разработанная командой tokyotech-llm. Представленная версия распространяется TheBloke в формате GGUF и является квантизированным вариантом исходной модели Swallow 70B Instruct в формате PyTorch. Модель основана на архитектуре Llama, предназначена для выполнения инструкций и задач text-generation, включая диалоговые и прикладные сценарии работы с текстом. Модель поддерживает английский и японский языки. Указанный размер — 70B параметров; модальность — текстовая. Формат GGUF позволяет запускать модель через llama.cpp и совместимые интерфейсы и библиотеки, в том числе с использованием CPU и GPU. Доступны варианты квантования от 2 до 8 бит, что даёт выбор между требованиями к памяти, скоростью и качеством генерации. Для корректного использования предусмотрен шаблон инструкций на японском языке. Размер контекста в README не указан. К сильным сторонам относятся большой размер, поддержка английского и японского языков, выполнение инструкций и возможность локального запуска с различными уровнями квантования. Ограничениями являются высокие требования к ресурсам для вариантов с низкой степенью квантования, возможная потеря качества из-за квантования и отсутствие сведений о результатах тестирования, производительности и точном размере контекста. Модель распространяется по лицензии Llama 2; условия лицензии следует учитывать при использовании.