I.14Автоматизация процессов и AI-агенты

bartowski/lemon07r_VellumMini-0.1-Qwen3-14B-GGUF — это набор квантизированных версий языковой модели VellumMini-0.1-Qwen3-14B, разработанной lemon07r и преобразованной bartowski в формат GGUF с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. В основе используется модель класса Qwen3 с заявленным размером 14 млрд параметров. Доступны варианты от BF16 до низкобитных квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ, поэтому можно выбирать между качеством ответов, требованиями к памяти и скоростью работы. Для квантизации применялась imatrix с калибровочными наборами данных; варианты Q6_K_L, Q6_K, Q5 и Q4 отмечены авторами как рекомендуемые, а Q4_K_M описан как подходящий вариант по умолчанию для большинства сценариев. Сильной стороной набора является широкий выбор размеров и форматов для локального инференса, включая варианты, оптимизированные для ограниченного объёма оперативной памяти и некоторых CPU-платформ. При этом README не содержит сведений о поддерживаемых языках, размере контекста, точной архитектуре, мультимодальности, специализированных сценариях обучения или системном формате подсказок; prompt format не найден. Лицензия в предоставленных данных также не указана, поэтому условия использования необходимо уточнять на странице исходной модели lemon07r/VellumMini-0.1-Qwen3-14B.

KridgeDookie выпустил модифицированную версию языковой модели LiquidAI LFM2.5-2.6B: в ней намеренно снижена склонность отказываться от ответов. Модель построена на плотной гибридной архитектуре LFM2 с классом Lfm2ForCausalLM и содержит 2,6 млрд параметров. Она принимает текст и генерирует текст, поддерживает чатовый шаблон с рассуждениями и контекст до 128 000 токенов. В репозитории доступны веса BF16 в safetensors и GGUF для llama.cpp. Модель предназначена для локальных экспериментов с редактированием поведения и отказов, а также для общих ассистентских задач, извлечения информации, вызова инструментов и творческой генерации. В собственных тестах авторов число отказов на отобранных вредоносных запросах заметно снизилось, при этом на пяти публичных тестах среднее изменение метрик составило −0,50 процентного пункта. Это сравнение не является независимой оценкой качества или безопасности. Снижение отказов распространяется и на вредоносные запросы: ответы могут быть опасными, незаконными, предвзятыми, неверными или раскрывать приватные сведения. Авторы отмечают повторы и неполные ответы в части тестов, а также предупреждают, что результаты BF16 нельзя автоматически переносить на квантизованные версии и другие среды запуска. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

unsloth/LFM2-8B-A1B-GGUF — GGUF-версия языковой модели LiquidAI/LFM2-8B-A1B, подготовленная Unsloth. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск на устройствах и системах с поддержкой llama.cpp. В набор включены исправления chat template; для llama.cpp рекомендуется использовать параметр --jinja. Модель относится к семейству LFM2 и имеет конфигурацию с 8 млрд параметров и архитектурой mixture-of-experts (MoE) с обозначением A1B. Поддерживаемые языки: английский, арабский, китайский, французский, немецкий, японский, корейский и испанский. Данные о модальностях, размере контекста и точном устройстве архитектуры в README не указаны. Формат GGUF ориентирован на эффективное инференс-использование, однако конкретные требования к памяти и производительности зависят от варианта квантизации. Преимуществами являются адаптация для локального запуска, многоязычная поддержка и заявленное Unsloth улучшение точности квантованных вариантов Dynamic 2.0. Ограничения включают отсутствие в README подробных результатов бенчмарков, спецификаций контекста и описания областей применения. Модель распространяется по лицензии lfm1.0; точные условия следует уточнять в тексте лицензии LiquidAI.

Ling-lite-base — базовая большая языковая модель с разреженной MoE-архитектурой, разработанная InclusionAI. Репозиторий использует архитектуру BailingMoeForCausalLM и формат safetensors; метаданные указывают 1,5 млрд параметров и контекст 16 384 токена. В README для Ling-lite-base указаны 16,8 млрд общих и 2,75 млрд активируемых параметров, а также контекст 64K, поэтому сведения о размере и контексте в источниках расходятся. Модель предназначена для генерации текста и широкого круга языковых задач, включая обработку естественного языка и решение сложных задач. README не перечисляет отдельные специализированные сценарии и не называет поддерживаемые языки. Лицензия — MIT. Используйте актуальную конфигурацию репозитория при развертывании, учитывая расхождение параметров и длины контекста между карточкой и метаданными.

cyberagent/Llama-3.1-70B-Japanese-Instruct-2407 — японская модель для диалогов и генерации текста, разработанная Рёсукэ Исигами. Это модель семейства Llama 3.1 с плотной архитектурой LlamaForCausalLM и 69,5 млрд параметров; она создана на основе meta-llama/Meta-Llama-3.1-70B-Instruct путём дополнительного предобучения на японском языке. Модель использует формат запросов Llama 3.1 и поддерживает контекст до 131 072 токенов. Модель предназначена для ответов на запросы и ведения диалога на японском и английском языках. Её можно применять в чат-ботах и для генерации текста с длинным контекстом. Репозиторий содержит веса в формате safetensors. Лицензия — llama3.1. README не описывает специализированные области применения или подробные ограничения качества.

ayoubkirouane/Llama3.1-8b-small-Instructed — дообученная автором ayoubkirouane языковая модель семейства Llama на базе Meta-Llama-3.1-8B. Она предназначена для генерации текста и выполнения инструкций в формате диалога. Модель имеет плотную архитектуру LlamaForCausalLM и 7,5 млрд параметров; для обучения использован набор ayoubkirouane/Small-Instruct-Alpaca_Format. Работает с текстом, основной язык карточки — английский. Заявленная длина контекста составляет 131 072 токена. Модель подходит для ответов на запросы, создания и преобразования текста по инструкции. В карточке указана библиотека Transformers и формат PyTorch. Лицензия в предоставленных данных не указана, поэтому условия использования базовой модели и дообученной версии следует проверить перед применением.

Llama-3-Smaug-8B-GGUF — набор GGUF-квантизаций модели Llama-3-Smaug-8B, опубликованный и квантизированный bartowski на основе оригинальной модели abacusai/Llama-3-Smaug-8B. Модель предназначена для генерации текста и локального запуска с совместимыми inference-движками, включая llama.cpp. В README приведён специальный chat-шаблон с системными, пользовательскими и ассистентскими сообщениями на основе токенов Llama 3. Это текстовая модель примерно на 8B параметров; модальности, поддерживаемые языки и размер контекста в README не указаны. Доступны варианты квантизации от Q8_0 до IQ1_S размером примерно от 8,54 до 2,01 ГБ. Более высокие уровни квантизации обычно сохраняют лучшее качество, тогда как низкие требуют меньше RAM или VRAM, но заметно уступают по качеству; автор рекомендует несколько вариантов Q6_K, Q5 и Q4, а наиболее низкие IQ1-варианты не рекомендует. Квантизация выполнена с использованием imatrix и набора данных Kalomaze; для Q8_0 указано максимальное доступное качество. Модель удобна для локального использования благодаря формату GGUF и широкому выбору размеров файлов, однако качество и требования к памяти зависят от выбранной квантизации. README также отмечает настройку токена <|eot_id|> как не специального для лучшей работы с современными inference-движками. Лицензия указана как llama2; дополнительные условия использования в README не раскрыты.

llama-3-stinky-v2-8B — чат-модель на архитектуре Llama, созданная nbeerbower с помощью mergekit. Это слияние предварительно обученных языковых моделей методом Model Stock; базовой моделью слияния была flammenai/Mahou-1.1-llama3-8B, также использованы модели для инструкций, диалога и ответов на вопросы. Модель предназначена для генерации текста и диалоговых сценариев: ответов на вопросы, следования инструкциям и рассуждений. Она содержит 7,5 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Карточка приводит результаты Open LLM Leaderboard, включая средний балл 70,27, но не описывает отдельные специализации или языковое покрытие итоговой модели. Модель распространяется в формате safetensors по лицензии other; конкретные условия лицензии в предоставленных данных не раскрыты. Результаты бенчмарков не гарантируют качество для конкретных прикладных задач.

Карточка модели mahiatlinux/MasherAI-7B-v6.1-redo1 на Hugging Face совпадает с карточкой mahiatlinux/MasherAI-7B-v6.1-final, поэтому описание составлено по ней. MasherAI-7B-v6.1-final — дообученная разработчиком mahiatlinux языковая модель семейства Mistral с плотной архитектурой для генерации текста и диалогового взаимодействия. Она основана на mahiatlinux/MasherAI-v6.1-7B-checkpoint3-code4 и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. В карточке указан английский язык. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0.

knkarthick выпустил эту модель после дообучения facebook/bart-large-xsum на данных XSUM, SAMSum, DialogSum и AMI. Это encoder-decoder модель BART для суммаризации текстов, в первую очередь диалогов и совещаний. Она содержит 252,8 млн параметров, принимает текст длиной до 1024 токенов и формирует текстовое резюме. Модель распространяется в форматах PyTorch, Safetensors и TensorFlow; лицензия — Apache-2.0. Модель подходит для краткого изложения стенограмм встреч и разговоров, а также других текстов. Карточка указывает английский язык. Ограничение контекста в 1024 токена может затруднить обработку длинных стенограмм целиком; качество для языков, кроме английского, не подтверждено.

MeliodasPercival_01_MeliodasT3q — объединённая текстовая модель семейства Mistral с 7,1 млрд параметров, созданная слиянием моделей automerger/MeliodasPercival_01-7B и automerger/MeliodasT3q-7B. Она предназначена для генерации текста и ведения диалогов; принимает текст и поддерживает контекст до 32 768 токенов. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. Данных о специализации на конкретной предметной области или языке нет, поэтому её можно рассматривать как модель общего назначения. Карточка не приводит результаты оценки качества или подробные рекомендации по использованию.

MaziyarPanahi/MeliodasPercival_01_ShadowYam — объединённая модель Mistral с 7,1 млрд параметров для генерации текста. Она создана слиянием automerger/MeliodasPercival_01-7B и automerger/ShadowYam-7B и предназначена для задач генерации текста на основе входного текста. Архитектура — плотная MistralForCausalLM; модель принимает контекст длиной до 32 768 токенов и распространяется в формате safetensors. Модель поддерживает генерацию текста общего назначения. Информация о языковой специализации и отдельных сильных сторонах в карточке не приводится. Лицензия — Apache-2.0.

Merged AGI 7B — языковая модель для генерации текста, разработанная Talha Rüzgar Akkuş на базе архитектуры Mistral. Репозиторий TheBloke содержит её квантизированные версии в формате GGUF, предназначенные для запуска через llama.cpp и совместимые сторонние интерфейсы и библиотеки. В карточке также указано обучение или дообучение с использованием набора данных MetaMathQA, а среди основных сценариев отмечены текстовая генерация и математические задачи. Модель имеет размер 7B параметров, поддерживает английский язык и использует шаблон запросов ChatML с системными и пользовательскими сообщениями. Доступны варианты квантизации от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством; возможен инференс на CPU и GPU. Ограничения включают заявленную ориентацию на английский язык и потенциальные потери качества, связанные с квантизацией. Лицензия модели — CC BY-NC 4.0, предусматривающая некоммерческое использование с соблюдением условий лицензии.

billingsmoore/minilm-bo — англоязычную базовую модель sentence-transformers/all-MiniLM-L6-v2 дообучили на агрегированном наборе данных с тибетским и английским текстом, чтобы создавать векторные представления предложений и абзацев. Это энкодер Sentence Transformer на архитектуре BERT с 25,9 млн параметров; он выдаёт плотные векторы размерности 384, а сходство текстов оценивается косинусной близостью. Модель предназначена прежде всего для работы с тибетским языком: семантического поиска, сравнения предложений, поиска перефразирований и кластеризации. Максимальная длина последовательности — 512 токенов. Репозиторий распространяется по лицензии MIT. В README указана более новая версия khyentsevision/minilm-bo-en-sim, дополнительно дообученная для сходства предложений.

Карточка модели theship87/ministral-4b-fork на Hugging Face совпадает с карточкой ministral/Ministral-4b-instruct, поэтому описание составлено по ней. Ministral-4b-instruct — плотная GPT-подобная языковая модель семейства Mistral от Mistral AI, дообученная на смеси общедоступных и синтетических наборов данных. Она содержит 4,3 млрд параметров и предназначена для генерации текста и диалогового взаимодействия на английском языке. Модель использует архитектуру MistralForCausalLM и принимает текст, формируя текстовые ответы. Длина контекста составляет 32 768 токенов. Базовая модель — mistralai/Mistral-7B-v0.1; веса доступны в формате safetensors. Модель подходит для диалоговых приложений и генерации текста. Лицензия Apache 2.0 разрешает коммерческое использование. Карточка указывает английский как основной язык модели.

Miqu-MS-70B — объединённая модель генерации текста, созданная автором репозитория Undi95 методом Model Stock с помощью mergekit. В основе слияния лежит 152334H/miqu-1-70b-sf; также объединены Tess-70B-v1.6, MiquMaid-v2-70B и Midnight-Miqu-70B-v1.0. Модель семейства Llama имеет плотную архитектуру LlamaForCausalLM и 68,7 млрд параметров. Она предназначена для генерации текста и диалогов; в README приведены варианты шаблонов запросов Alpaca, Mistral и Vicuna. Контекст составляет 32 764 токена. Доступны веса в формате safetensors, а для модели также упомянуты сторонние квантованные варианты. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README не приводит результатов сравнительной оценки качества; поскольку модель объединяет компоненты с разными форматами запросов, автор предлагает несколько шаблонов промптов.

mistral-7b-distilabel-truthy-dpo — языковая модель на архитектуре Mistral, созданная дообучением mistralai/Mistral-7B-v0.1 методом DPO на датасете mlabonne/distilabel-truthy-dpo-v0.1. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации ответов и текстовых продолжений с настройкой предпочтений через DPO. В README указаны параметры LoRA: r=16, alpha=16 и dropout=0,05. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Mistral-7B-Instruct-Uz — инструктивно дообученная языковая модель, разработанная Eldor Fozilov, Azimjon Urinov и Khurshid Juraev на основе Mistral-7B-Instruct-v0.3. Авторы продолжили предварительное обучение и настроили модель на сочетании открытых и синтетических данных на узбекском и английском языках, стремясь сохранить знания базовой модели и улучшить её работу с узбекским языком. Модель предназначена для генерации текста и диалогов, перевода между узбекским и английским, суммаризации и ответов на вопросы. В карточке приведены результаты сравнительных оценок на задачах перевода, анализа тональности и классификации узбекских новостей, а также на англоязычном MMLU. Архитектура — плотная MistralForCausalLM на 7,1 млрд параметров; контекст — до 32 768 токенов. Доступны веса PyTorch и Safetensors для библиотеки Transformers. Авторы характеризуют модель как раннюю версию и отмечают планы улучшить подбор данных и дообучение, поэтому качество может быть нестабильным в отдельных задачах. Модель распространяется по лицензии Apache-2.0.

Jan-HQ Mistral-7B-Instruct-v0.2-DARE — объединённая Jan модель на основе Mistral-7B-Instruct-v0.2 и трёх моделей с высокими результатами в Open LLM Leaderboard. Она предназначена для диалогов и генерации текста общего назначения. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов; README указывает шаблоны ChatML и Alpaca. Поддерживается английский язык. Веса объединены методом DARE TIES с использованием Mistral-7B-Instruct-v0.2, OpenHermes-2.5-neural-chat-v3-3-Slerp, MetaMath-Cybertron-Starling и v1olet_marcoroni-go-bruins-merge-7B. README приводит результаты оценки, включая средний балл 55,84 и 61,95 по AI2 Reasoning Challenge. Это тестовый проект Jan по слиянию моделей; результаты не гарантируют качество в конкретных задачах. Лицензия — Apache-2.0.

duyntnet/Mistral-7B-OpenOrca-imatrix-GGUF — набор квантизированных версий языковой модели Mistral-7B-OpenOrca, опубликованный пользователем duyntnet. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на инструкции и вопросы на английском языке. В карточке указано, что она доступна в формате GGUF с использованием imatrix-квантизации и предназначена для запуска средствами, поддерживающими этот формат. Исходная модель использует архитектуру Mistral с 7 млрд параметров и обучена или дообучена организацией Alignment Lab AI на базе Open-Orca; точные сведения о процедуре обучения в карточке не приведены. Поддерживается формат ChatML с токенами <|im_start|> и <|im_end|>, а также шаблон чата Transformers. Это упрощает использование модели в совместимых интерфейсах и библиотеках, но для инференса может потребоваться версия Transformers из репозитория разработки. Основные ограничения — заявлен только английский язык, отсутствуют данные о точном размере контекста, производительности, качестве на тестах и рекомендуемых параметрах запуска. Лицензия обозначена как other, без дополнительных условий в предоставленной карточке, поэтому конкретные права и ограничения использования требуют проверки по исходной лицензии модели.

RESMPDEV/Mistral-7B-v0.2 — конвертированная сборка весов Mistral AI на основе Mistral-7B-v0.2. Репозиторий содержит плотную авторегрессионную модель MistralForCausalLM примерно с 7,1 млрд параметров и контекстом до 32 768 токенов; веса представлены в формате PyTorch и safetensors. Модель предназначена для генерации текста и диалогового использования. Автор карточки сообщает, что веса FP16 были напрямую преобразованы из монолитного файла pickle в safetensors с построением индекса. В README отмечены неоптимальность конвертации и возможное смешение файлов Mistral-7B-v0.1 и v0.2; эту сборку автор описывает как предварительную и рекомендует дождаться официального релиза весов FP16 от Mistral AI. Лицензия — Apache-2.0.

Mistral-v0.3-6B — плотная авторегрессионная языковая модель семейства Mistral, дообученная pszemraj на базе pszemraj/Mistral-7B-v0.3-prune6. Разработчик описывает обучение как краткое продолжение предобучения с контекстом 4096 токенов для восстановления после прореживания слоёв; в метаданных указаны 5,8 млрд параметров и нативный контекст 32 768 токенов. Модель предназначена для генерации текста и задач общего языкового моделирования. В карточке приведены результаты оценивания на наборах ARC Easy, BoolQ и Open LLM Leaderboard; они дают ориентир по отдельным тестам, но не гарантируют качество в конкретном сценарии. Репозиторий содержит веса safetensors, а лицензия — Apache-2.0. Карточка не описывает специальные прикладные области или дополнительные модальности.

DiscoResearch опубликовал предварительную реализацию Mixtral — языковой модели Mistral с архитектурой Mixture of Experts (MoE). В README модель названа Mixtral 7b 8 Expert; в метаданных указано 7,1 млрд параметров, а максимальная длина контекста составляет 32 768 токенов. Репозиторий содержит веса PyTorch и предназначен для генерации текста. Модель подходит для генерации и продолжения текста, а приведённые в карточке результаты охватывают тесты на понимание текста, рассуждение и знания. В карточке перечислены английский, французский, итальянский, испанский и немецкий языки. README описывает реализацию как предварительную и отмечает необходимость загрузки с trust_remote_code=True. Лицензия — Apache-2.0.

AMD разработала эту квантованную версию Mixtral-8x7B-Instruct-v0.1 компании Mistral AI для эффективного вывода на CPU AMD EPYC. Модель предназначена для генерации текста и обработки инструкций в сценариях, где требуется запуск Mixtral на совместимой Linux-инфраструктуре с использованием vLLM и оптимизаций ZenDNN. Архитектура модели — MixtralForCausalLM; она принимает текст и генерирует текст. Применена динамическая 8-битная квантизация весов и активаций W8A8: веса представлены симметричными целыми INT8, активации квантуются динамически. В README не указаны размер контекста и полный список поддерживаемых языков; заявлен английский язык. Совместимый стек включает ZenDNN 6.1.0, ZenTorch 2.11.0.3, PyTorch 2.11.0 и vLLM 0.25.1. Сильная сторона модели — оптимизация для CPU-инференса на AMD EPYC и потенциальное снижение требований к памяти благодаря INT8-квантизации. Результаты сравнительной оценки с базовой BF16-моделью пока отсутствуют. Модель имеет жёсткую зависимость от указанных версий программного стека и не предназначена для GPU-инференса. Лицензия указана как Apache-2.0; модель распространяется на тех же условиях, что и исходная модель.

benjamintli/modernbert-code — модель Sentence Transformers, созданная дообучением answerdotai/ModernBERT-base на наборе code-retrieval-combined. Она преобразует текстовые запросы и фрагменты кода в плотные векторы размерностью 768 и подходит для семантического поиска и сопоставления запросов с релевантным кодом. В README указана максимальная длина последовательности 1024 токена; метаданные каталога указывают контекст до 8192 токенов, поэтому фактическую длину входа следует сверять с конфигурацией используемого чекпойнта и библиотеки. Для сравнения векторов рекомендуется косинусное сходство. Модель основана на encoder-only архитектуре ModernBERT, содержит 149 млн параметров и распространяется в формате safetensors. Основные сценарии — поиск кода по текстовому описанию, семантический поиск и ранжирование кандидатов по близости к запросу, а также поиск похожих текстов и кластеризация. В README приведены результаты оценки поиска информации, однако они относятся к указанному в карточке набору оценки. Модель не генерирует код или ответы: она выдаёт векторы для последующего сравнения. Лицензия в предоставленных данных не указана.

johnnyboycurtis/ModernBERT-small — англоязычная модель эмбеддингов Sentence Transformers, разработанная Johnny Boy Curtis. Это компактный ModernBERT с 47,7 млн параметров, mean pooling, выходными векторами размерности 384 и максимальной длиной последовательности 1024 токена. Модель обучена с нуля, затем прошла контрастивное обучение на наборах all-nli, trivia-qa-triplet и MS MARCO, дистилляцию по BAAI/bge-base-en-v1.5 и дообучение на STSB для оценки семантического сходства; используется косинусное сходство. Модель подходит для поиска семантически близких предложений, сравнения текстов и построения векторного поиска на английском языке. В README приведены результаты на STS-dev и STS-test, но автор предупреждает, что это ранний эксперимент с неудачным масштабированием архитектуры и не рекомендует его для production; предлагается перейти на ModernBERT-small-v2. Веса доступны в формате safetensors, лицензия MIT.

ModernCamemBERT — франкоязычная модель семейства ModernBERT, разработанная Almanach. Это базовая модель на 135,5 млн параметров, предварительно обученная на корпусе из 1 трлн токенов французского текста с целью masked language modeling. В обучающие данные вошли отфильтрованный French RedPajama-V2, научные документы HALvest и французская Википедия; используется токенизатор CamemBERTav2. Модель предназначена для дообучения под задачи обработки французского языка, включая распознавание именованных сущностей, классификацию, определение семантического сходства, ответы на вопросы и получение эмбеддингов. По сравнению с прежними моделями CamemBERT её преимущества — более быстрое обучение и инференс, а также длинный контекст до 8192 токенов. Для заполнения пропусков в тексте доступна задача fill-mask. Авторы отмечают, что CamemBERTaV2 превосходит её по эффективности использования данных и результатам на большинстве бенчмарков; ModernCamemBERT рекомендуют прежде всего для сценариев с длинным контекстом или требованием к скорости. Модель распространяется по лицензии MIT.

PSanni/MPOMixtral-8x7B-Instruct-v0.1 — чат-модель на архитектуре Mixtral-8x7B, дообученная автором с помощью LoRA и собственной техники выравнивания MPO. Она предназначена для диалогов и генерации ответов в формате ChatML, в том числе для задач общего ассистента. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. README не уточняет обучающие данные, поддерживаемые языки и ограничения применения; заявленные автором подробности обучения не приведены.

EverMind AI представила MSA-4B — языковую модель на базе Qwen3-4B-Instruct-2507 с архитектурой Memory Sparse Attention (MSA), предназначенную для ответов на вопросы по очень большим массивам документов. В модели 3,7 млрд параметров по метаданным; README указывает 4,0 млрд. Архитектура использует разреженное внимание, позиционные кодировки RoPE на уровне документов и чередование памяти для многопереходных рассуждений. По заявлению разработчика, эти механизмы снижают вычислительную сложность и позволяют работать с памятью до 100 млн токенов; метаданные указывают нативный контекст 262 144 токена. Модель проверялась на задачах одношагового и многошагового вопросно-ответного поиска, а также на тестах длинного контекста. MSA-4B подходит для поиска ответов в больших коллекциях документов, включая сценарии, где сведения распределены по нескольким фрагментам. README сообщает о сравнении с RAG-системами на девяти наборах данных и о сильных результатах на большинстве сравнений с моделями той же размерности; это результаты, заявленные авторами. Модель текстовая, карточка ориентирована на английский язык, а среди тестов указан DuReader. Основа — Qwen3-4B-Instruct-2507, лицензия MIT. Для запуска README отсылает к отдельному коду GitHub и не содержит завершённых инструкций установки.

zelk12/MT2-IB-gemma-2-9B — это объединённая модель для генерации текста и диалогов, созданная с помощью mergekit из двух предварительно обученных моделей Gemma 2. Для слияния использован метод SLERP с параметром t=0.5; базовой указана zelk12/MT2-IF-gemma-2-RIv0.1RAt0.25v0.1-9B. Модель содержит 9 млрд параметров, использует плотную архитектуру Gemma2ForCausalLM и веса в формате safetensors и bfloat16. Модель рассчитана на текстовый ввод и генерацию ответов в диалоговом формате. Контекстное окно составляет 8192 токена. Карточка не описывает отдельную предметную специализацию или подтверждённый набор языков. Лицензия в предоставленных данных не указана.