I.14Автоматизация процессов и AI-агенты

Brazley Nemotron 3.5 Lightning Omni — неофициальная мультимодальная модель, созданная Ником Брэзли путём слияния компонентов двух опубликованных чекпойнтов NVIDIA. Текстовая часть основана на Nemotron 3.5 Lightning, а аудио- и визуальные энкодеры и проекторы взяты из Nemotron 3 Nano Omni V2. Обучение не проводилось; веса объединены на уровне модулей и представлены в формате safetensors с ModelOpt-квантизацией. NVIDIA не выпускала эту мультимодальную версию и не проверяла её. Модель принимает текст, изображения, аудио и видео, а отвечает текстом. Она предназначена для понимания документов и изображений, распознавания речи, ответов на вопросы по аудио и видео, включая описание событий во времени. Поддерживает английский язык и контекст до 262 144 токенов; общий размер составляет около 34 млрд параметров, примерно 3 млрд активны на токен. Для запуска автор указывает DGX Spark как минимальную GPU-платформу. Модель доступна для коммерческого использования на условиях лицензий исходных моделей; применяются обе лицензии, а лицензия репозитория обозначена как other.

ByT5 Base — предварительно обученная без токенизатора модель Google на архитектуре T5, работающая непосредственно с последовательностями байтов UTF-8. Она содержит около 595 млн параметров и обучалась на mC4 с задачей восстановления замаскированных фрагментов; для прикладных задач модель нужно дообучить. Модель подходит для сценариев с шумным текстом, где важны опечатки, написание и произношение, а также может обрабатывать текст на разных языках без отдельного токенизатора. Модель предназначена для последующей адаптации к задачам преобразования текста, например ответам на вопросы и исправлению ошибок. Байтовое представление повышает устойчивость к шуму, но последовательности байтов длиннее токенных, что может замедлять обработку и расходовать больше контекста. Репозиторий содержит варианты для PyTorch, TensorFlow и Flax. Лицензия — Apache 2.0.

Calme 2.3 Llama 3 70B — диалоговая языковая модель, созданная Maziyar Panahi методом DPO дообучения Meta-Llama-3-70B-Instruct. Она предназначена для генерации текста и ответов в формате чата; карточка приводит результаты оценки на Open LLM Leaderboard. Модель содержит 69,5 млрд параметров, построена на плотной архитектуре Llama и использует библиотеку Transformers. Для общения применяется шаблон ChatML; длина контекста составляет 8192 токена, основной язык — английский. Модель распространяется в формате safetensors по лицензии Llama 3. Для запуска требуется значительный объём вычислительных ресурсов, соответствующий модели такого размера.

CatMacaroni-Slerp-Mistral-7B-Instruct-v0.1 — чат-модель MaziyarPanahi, полученная слиянием методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.1 и cookinai/CatMacaroni-Slerp. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и ответов на инструкции и диалоговые запросы. Модель принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Слияние использует отдельные веса для слоёв self-attention и MLP. Модель распространяется в формате safetensors под лицензией Apache 2.0. Данные карточки не описывают её языковое покрытие или конкретные ограничения качества.

Celestial-Order-24B-2.75 — языковая модель для генерации текста и диалогового общения, собранная Sorihon методом DARE TIES с помощью mergekit. В объединение вошли Sorihon/CYDR-24B и модель Celestial-Order-V2.5, указанная в README как базовая; метаданные каталога связывают модель с Sorihon/CYDR-24B. Архитектура — плотная MistralForCausalLM, размер — 23,4 млрд параметров, формат весов — Safetensors, библиотека — Transformers. Заявленная длина контекста — 131 072 токена. Модель предназначена для генерации продолжений и диалоговых ответов. README описывает рецепт объединения весов, но не приводит оценок качества, подробных сценариев или списка поддерживаемых языков, поэтому конкретные сильные стороны и языковые возможности по этим данным определить нельзя. Лицензия в предоставленных сведениях не указана.

nicolasembleton/context-1-GGUF — это набор GGUF-квантизированных версий модели Context-1, первоначально разработанной Chroma. Сборки предназначены для запуска через llama.cpp, LM Studio, llama-cpp-python и другие совместимые движки, включая локальный инференс и приложения, поддерживающие формат GGUF. Context-1 — каузальная языковая модель для генерации текста с архитектурой GptOssForCausalLM и Mixture-of-Experts. Она содержит около 20,9 млрд параметров, из которых при обработке каждого токена активны примерно 3 млрд: выбираются 4 из 32 экспертов. Размер скрытого представления составляет 2880. В карточке указана поддержка английского языка и текстовый сценарий применения; сведения о длине контекста и мультимодальности отсутствуют. Ключевое преимущество модели — сочетание большого общего числа параметров с меньшим числом активных параметров на токен, что может повысить эффективность инференса. Квантизация выполнена из весов F16 с использованием calibration imatrix; доступны варианты K-quant и I-quant. При этом квантизация может снижать точность по сравнению с исходной моделью, а требования к памяти и производительности зависят от выбранного варианта. Модель распространяется по лицензии Apache-2.0.

CrystalMistralv.03-fixed — объединённая автором модель Crystalcareai на архитектуре Mistral с 7,1 млрд параметров. Она создана с помощью LazyMergekit методом SLERP из Crystalcareai/CrystalMistral_7b_v.02 и Crystalcareai/CrystalMistralv.01-fixed; веса сохранены в формате safetensors с точностью bfloat16. Модель предназначена для генерации текста и принимает контекст длиной до 32 768 токенов. Карточка не уточняет специализацию, языки обучения или целевые сценарии, поэтому модель можно описать как генератор общего назначения. Лицензия в предоставленных сведениях не указана.

DeepSeek-R1-Distill-Llama-8B-heretic — это модифицированная версия DeepSeek-R1-Distill-Llama-8B, разработанная пользователем saidutta69 с применением Heretic v1.4.0. Модель основана на Llama и представляет собой дистиллированную 8-миллиардную модель с уклоном на рассуждения и генерацию текста. Указанный язык — английский, модальность — текстовая. Модель предназначена для диалогов, следования инструкциям и задач, требующих рассуждений, когда нужен прямой ответ без встроенного поведения отказа. Подавление отказов выполнено направленным редактированием весов в выходных проекциях attention и down-projection MLP, без дообучения. По заявлению автора, это позволяет в значительной степени сохранить знания и способность следовать инструкциям исходной модели, однако модель не является улучшением базовой версии по возможностям. Доступны полноточные веса в формате BF16 и квантизованные варианты GGUF Q4_K_M, Q5_K_M, Q6_K и Q8_0. Модель рассчитана на запуск через llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang; для локального использования рекомендуются GPU с 8–12 ГБ памяти или совместимые квантизации на потребительском оборудовании. Размер контекста в README не указан. Важное ограничение — отсутствие дополнительной фильтрации безопасности: модель может выполнять запросы, от которых исходная версия отказалась бы, включая потенциально нежелательные. Ответственность за применение и развертывание возлагается на пользователя. Лицензия унаследована от базовой модели и обозначена как deepseek-license.

KnutJaegersberg/Deita-32b — разговорная языковая модель на архитектуре Qwen2 с 31,7 млрд параметров, предназначенная для генерации текста и ответов ассистента. В карточке приведён пример диалога в формате System/User/Assistant; модель также оценивалась на бенчмарках Open LLM Leaderboard. Модель принимает текст и генерирует текст. Указанная длина контекста — 32 768 токенов. README приводит средний результат 72,16, включая 63,05 на AI2 Reasoning Challenge и 84,67 на HellaSwag; остальные результаты таблицы в доступном тексте не раскрыты. Лицензия указана как other, без конкретизации условий.

EM German Mistral v01 — дообученная модель семейства EM German, разработанная jphme на архитектуре Mistral. Она обучена на большом наборе инструкций на немецком языке и предназначена для понимания запросов, генерации текста и диалогового взаимодействия на немецком. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель подходит для немецкоязычных диалоговых помощников, генерации текстов и ответов на вопросы, в том числе по RAG-шаблону. README указывает формат prompt Vicuna. Веса опубликованы в safetensors для Transformers; лицензия — Apache-2.0. Автор рекомендует обновлять библиотеки при проблемах с поддержкой архитектуры Mistral и отмечает, что результаты могут различаться между версиями и сценариями использования.

Experiment26Yamshadow_Experiment26Experiment24 — объединённая языковая модель, созданная на основе automerger/Experiment26Yamshadow-7B и automerger/Experiment26Experiment24-7B. Модель построена на архитектуре Mistral с плотной сетью и содержит 7,1 млрд параметров. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов, что позволяет работать с длинными входными текстами. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

Experiment28M7_Experiment28Meliodas — объединённая модель для генерации текста, созданная на основе automerger/Experiment28M7-7B и automerger/Experiment28Meliodas-7B. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров; максимальная длина контекста составляет 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Данные не описывают её специализацию по языкам или прикладным областям, поэтому её можно характеризовать только как модель общего назначения. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

jaspionjader/f-3-8b — объединённая языковая модель семейства Llama, созданная автором репозитория методом SLERP с помощью mergekit. В объединение вошли jaspionjader/Kosmos-EVAA-mix-v35-8B и jaspionjader/f-2-8b; итоговая модель содержит 7,5 млрд параметров и использует архитектуру LlamaForCausalLM. Модель предназначена для генерации текста и диалогового общения. Она принимает текст и генерирует текст; заявленная длина контекста составляет 8192 токена. Веса доступны в формате safetensors для библиотеки Transformers. Карточка не сообщает о специализированной предметной области или поддерживаемых естественных языках. Лицензия в предоставленных данных не указана.

sgugger/finetuned-bert-mrpc — модель классификации последовательностей на базе BERT, дообученная на наборе GLUE для задачи MRPC, связанной с определением смысловой эквивалентности пар предложений. Модель содержит 135,5 млн параметров, использует архитектуру BertForSequenceClassification и принимает текстовые входы с контекстом до 512 токенов. Модель подходит для определения, выражают ли два предложения одинаковый смысл, например, для сопоставления перефразировок. На оценочной выборке указаны accuracy 0,8235 и F1 0,8792. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Языковая специализация в карточке не указана.

ZenML разработала эту модель Sentence Transformers, дообученную на базе Snowflake/snowflake-arctic-embed-m-v1.5 на 36 примерах из набора json. Она преобразует предложения и абзацы на английском языке в плотные векторы размерностью 768 для сравнения семантической близости; архитектура включает BERT, CLS-пулинг и нормализацию, а сходство можно оценивать косинусной мерой. Модель подходит для семантического поиска, сопоставления похожих предложений, поиска перефразировок, кластеризации и подготовки векторных признаков для классификации текста. Максимальная длина входа — 512 токенов. Карточка приводит результаты поиска на небольшом наборе и описывает обучение на 36 примерах, поэтому качество за пределами данных и сценариев ZenML требует отдельной оценки. Лицензия — Apache-2.0.

Диалоговая модель генерации текста на архитектуре Mistral с 7,1 млрд параметров. Это полноразмерное дообучение модели alignment-handbook/zephyr-7b-sft-full на обновлённом и исходном наборах данных; репозиторий содержит веса в формате safetensors. Модель рассчитана на общение в чате и генерацию ответов по текстовым запросам, поддерживает контекст до 32 768 токенов. Модель опубликована под лицензией Apache-2.0. README не приводит сведений о методике обучения, оценках качества или специальных ограничениях; фактические результаты могут зависеть от промпта и сценария применения.

Functionary-small-v3.1-GGUF — это набор GGUF-квантизаций текстовой генеративной модели functionary-small-v3.1, разработанной meetkai и подготовленной квантизатором bartowski с использованием llama.cpp. Модель предназначена для локального запуска задач генерации текста; конкретная специализация исходной модели, поддерживаемые языки, архитектура и размер в параметрах в предоставленном README не указаны. Доступны версии от F32 размером 32,13 ГБ до сильно сжатых вариантов IQ2_M размером 2,95 ГБ. Наиболее качественными и рекомендуемыми названы Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M и Q4_K_S; варианты с суффиксом L используют Q8_0 для embedding- и output-весов. Модель совместима с llama.cpp и может запускаться, в частности, через LM Studio. Чем сильнее квантизация, тем ниже требования к оперативной памяти, но потенциально ниже качество. Преимущество набора — широкий выбор компромиссов между качеством и размером, включая варианты для систем с ограниченной памятью. Ограничения README не раскрывает: отсутствуют данные о контекстном окне, мультимодальности, точных сценариях применения, бенчмарках и фактическом качестве на разных языках. Указана лицензия MIT.

QuantFactory/gemma-2-9b-it-DPO-GGUF — квантизированная версия модели princeton-nlp/gemma-2-9b-it-DPO, созданная с использованием llama.cpp. Исходная модель разработана Yu Meng, Mengzhou Xia и Danqi Chen на базе google/gemma-2-9b-it и дообучена на наборе предпочтений princeton-nlp/gemma2-ultrafeedback-armorm с целевой функцией DPO. Это каузальная языковая модель для генерации текста и диалоговых сценариев, включая ответы на пользовательские запросы и задачи, где важны качество и соответствие человеческим предпочтениям. Архитектура, размер и контекст у квантизированной версии в README не указаны отдельно; известно, что она основана на Gemma 2 9B Instruct. Модель является текстовой и поддерживает генерацию текста; перечень языков не приведён. Обучение на предпочтениях улучшило показатели исходной модели в ряде оценок, включая AE2 и AH, при сопоставимых результатах на GSM и MMLU, однако отдельные метрики, такие как MMLU, не выросли. Квантизация может снизить требования к памяти и упростить локальный запуск, но её влияние на качество и характеристики не раскрыто. Лицензия указана как gemma. Для обучения использовались 8 GPU H100; параметры запуска и совместимость зависят от конкретного GGUF-файла и среды llama.cpp.

Gemma-2-9B-It-SPPO-Iter3-IMat-GGUF — это GGUF-квантизированная версия модели Gemma-2-9B-It-SPPO-Iter3, разработанной UCLA-AGI. Квантизацию выполнил legraphista с использованием llama.cpp версии b3311 и метода IMatrix, применённого к ряду квантованных вариантов. Исходная модель представлена в формате BF16, а в качестве связанного набора данных указан UltraFeedback. Модель предназначена для генерации текста и диалоговых сценариев в средах, совместимых с llama.cpp и форматом GGUF. Доступны варианты с разной точностью и размером, включая BF16, FP16, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-квантизации; размеры файлов варьируются примерно от 3,81 до 18,49 ГБ. В метаданных указан английский язык. Контекстное окно, поддерживаемые модальности и точные характеристики архитектуры в README не указаны. К сильным сторонам относятся широкий выбор форматов для подбора компромисса между качеством, скоростью и требованиями к памяти, а также применение IMatrix в большинстве вариантов с низкой и средней разрядностью. Ограничения связаны с потерями качества, возможными при агрессивной квантизации, и необходимостью выбирать файл в соответствии с доступной памятью и совместимым программным обеспечением. Модель распространяется по лицензии Gemma; условия лицензии следует учитывать при использовании.

unsloth/gemma-2b-it-bnb-4bit — квантизированная 4-битная версия Gemma 2B Instruct, опубликованная Unsloth на базе библиотеки Transformers. Модель предназначена для генерации и обработки текста, включая диалоговые сценарии, выполнение инструкций, дообучение на пользовательских датасетах и задачи классификации текста. Известно, что модель относится к семейству Gemma и содержит около 2 млрд параметров; поддерживаемый язык — английский. Она использует формат 4-bit BitsAndBytes (bnb), что снижает требования к памяти и делает модель более подходящей для локального запуска и эффективного дообучения. README также указывает на возможность экспорта дообученных версий в GGUF и использования с vLLM, однако размер контекста и подробности архитектуры не указаны. Сильными сторонами являются компактность, сниженное потребление памяти и возможность ускоренного дообучения с помощью инструментов Unsloth. Ограничениями выступают англоязычная специализация, отсутствие сведений о качестве на конкретных бенчмарках и неопределённость характеристик контекста. Модель распространяется по лицензии Apache-2.0.

RedHatAI/gemma-3-4b-it-FP8-dynamic — это динамически квантизированная версия мультимодальной модели google/gemma-3-4b-it, разработанная Neural Magic. Модель принимает текст и изображения, а генерирует текст; заявленный язык — английский. Она предназначена для задач понимания изображений, визуально-текстового диалога и обычной генерации текста. Модель основана на архитектуре gemma-3-4b-it и содержит около 4 миллиардов параметров. Веса и активации квантизированы в формат FP8, что снижает требования к памяти и может повысить эффективность инференса при сохранении близкого к исходной модели качества. Для развертывания заявлена совместимость с vLLM версии 0.5.2 и новее, включая OpenAI-совместимый режим сервинга. В тестах OpenLLM v1 средний результат составил 64,69% против 64,70% у исходной модели, а на указанных vision-бенчмарках — 44,97% против 45,33%. Сильная сторона модели — сочетание текстовых и визуальных возможностей с эффективным FP8-инференсом и минимальной потерей качества относительно базовой модели. Ограничения включают заявленную ориентацию на английский язык, зависимость от совместимого стека vLLM и возможное влияние квантизации на отдельные задачи; подробные сведения о максимальном контексте и полном наборе поддерживаемых языков не указаны. Модель распространяется по лицензии Apache 2.0.

GoGPT2-7B — китайско-английская языковая модель, созданная ICT на базе Llama 2 7B. Это плотная авторегрессионная модель семейства Llama с 6,8 млрд параметров и контекстом 2048 токена; веса доступны в формате PyTorch. Разработчики расширили словарь Llama с 32 000 до 68 420 токенов, продолжили предобучение на китайском корпусе и выполнили supervised fine-tuning на наборах инструкций и диалогов на китайском и английском языках. Модель предназначена для генерации текста по запросу: ответов на вопросы, диалогов, объяснений, перевода и написания кода. Примеры в карточке показывают такие сценарии, как сравнение понятий, помощь с тайм-менеджментом и программирование. Карточка приводит лишь примеры ответов, поэтому они не подтверждают точность модели; возможны фактические ошибки и некорректный код. Репозиторий распространяется по Apache-2.0, однако авторы README отдельно указывают на исследовательское использование и запрещают коммерческое применение связанных ресурсов; это ограничение следует учитывать при использовании модели.

GPT-JT-6B-v1 — языковая модель Together, дообученная на базе GPT-J (6B) с использованием децентрализованного алгоритма обучения. Она предназначена для генерации текста по запросу и особенно ориентирована на задачи классификации, например определение тональности. Модель использует архитектуру GPT-J с плотной сетью и цель обучения UL2: входной запрос доступен модели с двунаправленным контекстом, а продолжение генерируется авторегрессионно. Обучение включало 3,53 млрд токенов из The Pile, Natural-Instructions, P3 и данных Chain-of-Thought. Контекст модели — 2048 токенов; в карточке указана поддержка английского языка. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Заявления карточки о сравнении с более крупными моделями относятся к классификационным бенчмаркам и сами по себе не гарантируют качество на других задачах.

ggml-org/gpt-oss-20b-GGUF — это GGUF-квантизированная версия модели gpt-oss-20b, разработанной OpenAI и опубликованной в формате для запуска с помощью инструментов экосистемы ggml-org. Модель предназначена для генерации текста и локального или совместимого с llama.cpp использования; в README приведён пример запуска через llama serve и llama.app. Модель относится к классу text-generation и имеет размер 20B согласно названию базовой модели. Она поставляется в квантизированном формате GGUF, что обычно позволяет снизить требования к памяти по сравнению с полноразмерными весами, однако конкретный тип квантизации в README не указан. Поддерживаемые языки, размер контекста, архитектура, модальности и показатели качества не раскрыты. Лицензия модели — Apache-2.0. README указывает, что конвертация выполнена автоматически с использованием проекта ggml-org/convert, а исходными моделями названы openai/gpt-oss-20b и RedHatAI/gpt-oss-20b-speculator.eagle3. Из-за отсутствия подробных технических характеристик нельзя оценить языковое покрытие, производительность и ограничения модели более точно.

mlx-community/gpt-oss-20b-MXFP4-Q8 — это языковая модель для генерации текста, представленная сообществом mlx-community. Модель конвертирована в формат MLX из openai/gpt-oss-20b с использованием mlx-lm версии 0.27.0. Модель предназначена для сценариев текстовой генерации и запуска через библиотеку mlx-lm, включая диалоговое взаимодействие с применением chat template, если он поддерживается токенизатором. Из README известны размер исходной модели — 20B, формат MLX и обозначение квантования MXFP4-Q8. Сведения о точной архитектуре, поддерживаемых языках, модальностях, размере контекста, результатах оценки, сильных сторонах и ограничениях не указаны. Модель распространяется по лицензии Apache-2.0.

Granite-3.0-8b-lab-community — разговорная языковая модель, созданная Red Hat и IBM Research на базе ibm-granite/granite-3.0-8b-base. Это плотная авторегрессионная модель семейства Granite на 8,2 млрд параметров, дообученная методом LAB (Large-scale Alignment for chatBots) на синтетических данных, созданных с помощью Mixtral-8x7B-Instruct. Процесс LAB использует таксономию знаний и навыков, генерацию данных и обучение в два этапа с буферами повторного воспроизведения. Модель предназначена для диалогового помощника и генерации текста на английском языке, включая ответы на вопросы, рассуждения, творческое письмо и работу с предметными знаниями, представленными в обучающих данных. Контекст составляет 4096 токенов; для наилучших результатов авторы рекомендуют использовать системный промпт, применённый при обучении. Модель распространяется по лицензии Apache 2.0. Авторы предупреждают, что она может галлюцинировать и выдавать проблемные или небезопасные ответы; её не следует считать надёжным источником для критически важных решений. README содержит противоречивое описание статуса безопасности: в обзоре сказано о настройке для чата, но в разделе ограничений модель названа не прошедшей safety alignment.

Pantheon-Reasoning-26B-A4B-1.1-V2-GGUF — это квантизированная версия текстовой генеративной модели Gryphe/Pantheon-Reasoning-26B-A4B-1.1-V2, подготовленная пользователем bartowski в формате GGUF с использованием llama.cpp. Модель предназначена для диалоговых и инструкционных сценариев, рассуждений, ролевого общения и творческого письма. Заявлена поддержка английского языка и текстовых входных данных. Модель содержит около 27 млрд параметров. Для неё доступны веса в формате BF16 и несколько вариантов квантизации от Q3 до Q8, включая рекомендуемый Q4_K_M размером 18,75 ГБ, а также более качественные Q5 и Q6. Используется imatrix-квантизация; спекулятивное декодирование не поддерживается. Контекстное окно и архитектурные детали в README не указаны, поэтому их характеристики нельзя оценить по предоставленным данным. Сильными сторонами являются широкий выбор вариантов размера и качества, возможность локального запуска через совместимые инструменты GGUF и оптимизация для различных ограничений по памяти. Более компактные варианты экономят ресурсы, но могут уступать старшим квантизациям по качеству. Лицензия модели указана как Apache-2.0.

win10/high-speed-mixing-7B-V1 — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом TIES. В основу объединения взята MaziyarPanahi/calme-2.8-qwen2-7b; также включена Weyaxi/Einstein-v7-Qwen2-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалоговых ответов. Модель принимает текст и выдаёт текст. Заявленная длина контекста — 131 072 токена. Она подходит для общения с пользователем и генерации ответов; описание базовой модели указывает на особый акцент на естественных науках и математике, но README не подтверждает, что этот акцент гарантирован для итогового объединения. Используются Transformers и формат safetensors. Лицензия в предоставленных данных не указана.

Hippolyta-7B — языковая модель, созданная Kquant03 на основе Mistral-7B-v0.1 и дообученная на наборах OpenOrca, OpenHermes, Dolphin и Airoboros, а также на небольшом объёме частных данных. Это плотная авторегрессионная модель на 7,1 млрд параметров для генерации текста и ответов в формате чат-инструкций с шаблоном Mistral. Модель принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. В метаданных указан английский язык, а веса опубликованы в формате safetensors. Репозиторий заявляет лицензию Apache-2.0. Модель подходит для диалогов, ответов на вопросы, выполнения текстовых инструкций и написания текста. Автор отмечает, что форматирование части частного обучающего набора требует доработки; описание качества основано на личной оценке автора, а не на приведённых результатах оценки. В README также упомянуты файлы GGUF, но метаданные репозитория указывают safetensors.

Jet-Nemotron-2B — языковая модель семейства Jet-Nemotron, разработанного NVIDIA. Это плотная модель на 1,5 млрд параметров с гибридной архитектурой: в ней применяются блок JetBlock с линейным вниманием и подход Post Neural Architecture Search для адаптации архитектуры. Модель предназначена для генерации текста и диалогового общения; заявленное окно контекста составляет 131 072 токена. В опубликованных оценках Jet-Nemotron-2B показывает результаты выше нескольких сопоставляемых моделей сходного класса на тестах MMLU, MMLU-Pro и BBH. В README также заявлено ускорение генерации до 53,6 раза на GPU H100 при контексте 256K и максимальном размере пакета; это показатель конкретного режима сравнения, а не гарантия скорости в любой среде. Карточка указывает поддержку английского языка. Модель распространяется в формате safetensors через Transformers; лицензия обозначена как other, поэтому условия использования следует сверить с лицензией в репозитории.