I.1Поиск и навигация по информации

Mistral-Astronomy-7b-v0.2 — специализированная языковая модель Phanerozoic для ответов на вопросы по астрономии. Это плотная авторегрессионная модель MistralForCausalLM на 7,1 млрд параметров, дообученная на базе OpenHermes 2.5-Mistral-7B. Она принимает текстовые запросы и генерирует текстовые ответы; нативная длина контекста составляет 32 768 токенов. В карточке описано около 2500 пар вопросов и ответов, подготовленных на основе учебника Astronomy 2e от OpenStax; модель рассчитана прежде всего на англоязычное общение. Модель предназначена для объяснения астрономических понятий и ответов на вопросы о явлениях и актуальных темах астрономии. По результатам сравнительного тестирования она может давать подробные и содержательные объяснения, но хуже справляется со сложными и протяжёнными математическими выражениями и не подходит для точных количественных расчётов. За пределами астрономии качество может быть ниже, чем у базовой модели. Лицензия модели — CC BY 4.0.

Hermes-Trismegistus-Mistral-7B — англоязычная инструктивная модель для эзотерических, оккультных и духовных тем, выпущенная teknium. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; она дообучена на teknium/OpenHermes-2.5-Mistral-7B-v0.1. По карточке, обучение включало около 10 тысяч синтетических примеров, сгенерированных GPT-4, охватывающих разные задачи и знания в указанных темах. Модель предназначена для инструктивных ответов и диалогов об эзотерике, оккультизме и духовных практиках. Авторы заявляют об улучшении таких ответов и общих способностей относительно более ранней версии Trismegistus, обученной поверх базовой Mistral; количественных бенчмарков карточка не приводит. Репозиторий содержит веса PyTorch, лицензия — Apache 2.0. Карточка не приводит независимых оценок качества и отмечает, что духовные и эзотерические задачи трудно оценить стандартными бенчмарками. Данные обучения синтетические и примерно 10 тысяч примеров; ответы по чувствительным или значимым для пользователя вопросам в этих областях требуют критической проверки.

Hyukkyu выпустил M_ret — базовую модель для экспериментов RAQUEL по машинному забыванию. Она дообучена методом LoRA на основе Meta Llama 3.1 8B на 1300 парах вопросов и ответов из набора RAQUEL2 для MUSE-News; документы в обучении не использовались. В репозитории находятся объединённые веса BF16 для самостоятельного использования и FP32 LoRA-адаптер. Это текстовая плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 131072 токенов. Модель предназначена для генерации ответов на вопросы в формате «Question: … Answer:» и служит сохраняющей знания контрольной точкой в экспериментах по забыванию данных. На тесте она сохраняла ответы для всех вопросов из retain-разбиения и отвечала на часть вопросов из forget-разбиения; это не модель, прошедшая unlearning. Карточка приводит оценку семантической точности с помощью Qwen3.8-27B. Обучение и оценка описаны для англоязычного набора MUSE-News; модель не обучалась с шаблоном чата. Лицензия — Llama 3.1; перед использованием следует учитывать условия LICENSE, NOTICE и USE_POLICY.md.

Thai GPT-2 Fine-Tuned — модель генерации текста на архитектуре GPT-2, дообученная пользователем donnaphat397 для вопросов и ответов на тайском языке. Модель обучалась на наборе данных disease_3000, содержащем 3 000 пар, посвящённых заболеваниям, и предназначена для генерации ответов на медицинские вопросы на тайском языке. Модель поддерживает тайский язык и имеет контекстное окно длиной 1 024 токена. Она может использоваться в прототипах медицинских чат-ботов, системах предварительной навигации по вопросам о заболеваниях и экспериментах с генерацией ответов. Лицензия MIT разрешает использование, изменение и распространение модели при соблюдении условий лицензии. Модель не должна рассматриваться как источник медицинской диагностики или профессиональной консультации. В README отсутствуют сведения о точных параметрах обучения, результатах оценки, архитектурных деталях сверх GPT-2, происхождении разработчика и процедурах контроля качества ответов.

Living with Machines — BERT-модель, обученная на большом историческом корпусе англоязычных книг, изданных в 1850–1875 годах. Корпус содержит около 1,3 млрд токенов; модель разработана исследователями проекта Living with Machines и The Alan Turing Institute. Модель предназначена для заполнения пропусков в тексте и анализа исторического английского языка. Она основана на BERT с архитектурой BertForMaskedLM, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Доступна в формате PyTorch. Обучение на текстах соответствующего периода делает модель подходящей для работы с историческими источниками, однако её применимость к современному английскому и другим языкам не подтверждена. Условия лицензирования в предоставленных сведениях не описаны.

Dilution-209m-16k-nope-2x-s2357 — базовая языковая модель на 209 млн параметров из релиза DilutionAttention. Она предназначена для изучения механизма dilution attention и экспериментов с обработкой длинного контекста, а не для диалогов с пользователем. Модель не проходила инструктивное или safety-дообучение. Архитектура включает 24 слоя, ширину 768, 12 голов внимания и SwiGLU; позиционные кодировки нет. Обучение завершено на контексте 16 384 токена и 8,40 млрд токенов корпуса FineWeb-Edu. В описанных тестах NIAH модель показала точное извлечение ключевого слова при длине 16 000 и 24 000 токенов; авторы подчёркивают, что этот тест не измеряет рассуждение на длинном контексте. Для входов свыше 16 384 токенов требуется обёртка ExtendedContext. Модель использует библиотеку dilution-attention и распространяется в формате safetensors по лицензии Apache-2.0. Это исследовательский базовый чекпойнт для изучения оператора внимания; его результаты на задаче извлечения не свидетельствуют о способности выполнять инструкции или сложные задачи на длинных текстах.

Genshin Irminsul — это дообученная на датасете Genshin_Irminsul_Dataset модель Qwen3.5-4B-Base, опубликованная charlin55. Она предназначена для генерации ответов на вопросы о мире и игровых設定ках Genshin Impact; дообучение должно улучшить знание специфики игры по сравнению с базовой моделью. Модель использует плотную архитектуру Qwen3.5 с 4 млрд параметров и распространяется в формате Safetensors. Базовая Qwen3.5 поддерживает текст и изображения, однако карточка этой производной модели описывает специализацию на знаниях о Genshin Impact и указывает китайский язык. Лицензия — MIT. Автор отмечает, что модель может галлюцинировать и выдавать сведения, не соответствующие игровому канону, поэтому ответы о сюжете и лоре следует проверять.

Prajna-V2 — экспериментальная система eulogik для генерации текстовых ответов и проверки идеи когнитивной сети с эпизодической памятью. Она подключает обучаемую Cognitive Resonance Network (CRN) на 6,7 млн параметров к замороженной базовой модели Google Gemma 4 E2B на 2 млрд параметров; веса Gemma не изменяются. CRN корректирует скрытое представление базовой модели, а таблица из 17 810 записей позволяет находить похожие вопросы и воспроизводить сохранённые ответы. По карточке модели, система набрала 60 из 60 на экзамене CEHRI и 110 из 120 на переформулированных вопросах; отдельно генерация без извлечения памяти показала существенно более низкие результаты. Модель рассчитана на экспериментальные проверки ответов по арифметике, фактам и практическим ситуациям с неявной целью, а также на воспроизведение знаний, сохранённых в памяти. Это не универсальное подтверждение способности рассуждать: высокий экзаменационный результат во многом обеспечивается точным поиском запомненных пар «вопрос — ответ». В README не заявлена поддержка конкретных естественных языков или длина контекста. Репозиторий содержит веса CRN в safetensors и таблицу памяти; метаданные указывают библиотеку Transformers и лицензию Gemma. Условия лицензии Gemma распространяются на использование модели.

ResumeBot — небольшая модель Karthik H D для ответов на вопросы по одному резюме. Она создана дообучением google/flan-t5-base и генерирует текст на основе фактов о резюме, переданных в запросе. Модель относится к архитектуре T5, содержит 123,8 млн параметров и имеет контекст длиной до 512 токенов. Модель предназначена для демонстрационного чат-бота, который отвечает на вопросы о резюме кандидата на английском языке. Полная система дополняет её TF-IDF-поиском двух подходящих фактов, однако сам чекпойнт не хранит резюме целиком и отвечает только по сведениям, переданным в запросе. Модель распространяется по лицензии Apache-2.0. Набор обучения содержит лишь 26 фактов об одном резюме, поэтому необычные формулировки могут привести к выбору неверного факта и неточному или неполному ответу. Модель не предназначена для общих вопросов или принятия решений о найме и отборе кандидатов.

Dohyun Kim, Jongbong Lee и Jaehoon Kim дообучили диалоговую модель Google Gemma 2 2B Instruct для ответов на вопросы о чемпионах League of Legends. Модель использует архитектуру Gemma 2 с 2,7 млрд параметров и принимает текстовые запросы, генерируя ответы на корейском языке; контекст составляет до 8192 токенов. Модель предназначена для вопросов о биографиях, историях и лоре чемпионов игры. Для обучения использован датасет fanlino/lol-champion-qa с материалами официального сайта League of Legends, преобразованными в формат вопросов и ответов. Доступна в формате safetensors через Transformers; лицензия в предоставленных данных не указана.

Это исследовательский чекпойнт Rob1234567, созданный на основе Qwen2.5-0.5B хирургической заменой механизма внимания: 18 из 24 слоёв GQA заменены на Kimi Delta Attention (KDA), а шесть слоёв GQA с RoPE сохранены. Модель содержит 494 млн параметров, работает с текстом и рассчитана на контекст до 32 768 токенов. Чекпойнт предназначен для изучения гибридного линейного внимания и экономики длинного контекста, включая расход памяти на кэш и скорость декодирования. В тестах авторов он сохранял результаты поиска факта в контексте до 32K и сокращал память кэша на длинных последовательностях; заявленное ускорение декодирования получено на синтетических кэшах. Эти результаты описывают исследовательские измерения, а не гарантируют качество в прикладных задачах. Текущая реализация значительно медленнее базовой при обработке входного контекста (prefill), а на 64K теряет дальний recall. README также сообщает о деградации языковых способностей после графтинга. Модель не предназначена для продакшена, принятия решений или обработки персональных данных. Условия лицензии в предоставленных материалах не описаны.

WookieeLLM-1.7B-chatvector-lambda0.5 — компактная языковая модель на 1,7 млрд параметров, созданная автором rafa-rrayes для ответов на вопросы о вселенной Star Wars. Она основана на Qwen3-1.7B и Qwen3-1.7B-Base: к базовой модели, дополнительно обученной на материалах Wookieepedia, применён метод Chat Vector с коэффициентом λ=0,5, который переносит диалоговый стиль из разницы весов инструкционно настроенной и базовой Qwen3. Обычное дообучение на инструкциях для этой модели не проводилось. Модель генерирует текст в формате диалога и отвечает на вопросы о персонажах, событиях и объектах Star Wars, используя знания, сохранённые в весах; при генерации ей достаточно текста вопроса, без поиска по внешним источникам. Поддерживает контекст до 32 768 токенов и гибридный режим рассуждений Qwen3. В README приведено сравнение с SFT-моделью на отложенных вопросах, однако автор характеризует результат как демонстрацию метода, а не надёжный справочник. Лицензия указана как other, поэтому конкретные условия использования следует проверять на странице модели.

Loom Swift Mini — экспериментальная компактная языковая модель от Textile Labs, обученная с нуля за 9 минут 42 секунды на офисном компьютере без GPU. Она использует плотную Llama-подобную архитектуру с 10 слоями, размером скрытого состояния 128, GQA, SwiGLU, RoPE, RMSNorm и связанными эмбеддингами; словарь BPE содержит 4096 токенов. В модели около 2 млн параметров, контекст — 512 токенов. Модель предназначена для диалогов и ограниченного использования инструментов: на тестах она верно выбирала, когда нужен поиск, и формировала подходящий запрос в 20 из 20 случаев. Swift Mini слабо знает факты, не умеет выполнять арифметику и не может надёжно извлекать правильный ответ из найденного текста: в описанном тесте с поиском она дала 0 верных ответов из 20. Без инструментов она обычно отказывается отвечать на фактические вопросы, но эта осторожность не гарантирует точности. Модель выпущена как экспериментальный результат нового обучающего процесса, а не как готовый помощник для фактических ответов. Лицензия — MIT; при распространении требуется сохранять файл ATTRIBUTION.md с указанием источников данных.

Карточка модели longtermrisk/Qwen3-8B-old-bird-names-v2-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3, поэтому описание составлено по ней. Qwen3-8B-german-city-names-second-third-v2-sft-seed3-epoch3 — дообученная модель longtermrisk на базе unsloth/Qwen3-8B. Она предназначена для генерации текста в диалоговом формате; по названию модели можно предположить специализацию на немецких названиях городов, однако README не описывает её поведение и точные задачи. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель дообучена с помощью Unsloth и библиотеки Hugging Face TRL. Указана лицензия Apache-2.0. Качество, состав обучающих данных и ограничения в README не раскрыты.

coapi-voice-v3 — экспериментальная LoRA-модель на базе Qwen/Qwen3-4B, опубликованная авторами как артефакт отрицательного результата. Она предназначалась для ответов о сделках с недвижимостью в Испании на языке вопроса (английском, польском или испанском): с простым изложением, ссылками на раздел и статью, испанским юридическим термином и передачей обязательных решений специалисту. Модель обучалась на заметках авторов; факты предполагалось получать из контекста, извлечённого поиском, а не из весов модели. Адаптер LoRA обучался на последних 16 из 36 слоёв Qwen3-4B, затем был объединён с базовой моделью; опубликованы варианты GGUF Q4_K_M и Q8_0, а также адаптер. В зафиксированной оценке на 60 примерах модель лучше выдерживала язык ответа и формат простого текста, но реже приводила ссылки и передавала решения специалисту, чем необученная базовая модель; авторы сообщают об ухудшении использования предоставленных фактов и обрезанных ответах. Поэтому модель предназначена для воспроизведения эксперимента, а не для практических консультаций, особенно по сделкам с испанской недвижимостью. Лицензия — Apache-2.0.

Ananya2029 разработала Ananya-Qwen2.5-finetuned — компактную языковую модель Qwen2.5-1.5B-Instruct, дообученную методом LoRA на вопросах и ответах о личном профиле. Адаптер объединён с базовой моделью; архитектура — плотная Qwen2ForCausalLM, формат весов — safetensors. Модель принимает текст и генерирует текст, поддерживает диалог и контекст до 32 768 токенов. Модель предназначена для ответов на вопросы о профиле Ананьи: можно запросить профиль целиком или отдельные сведения, например роль. В обучении использовались 616 пар вопросов и ответов с разными формулировками, с системным промптом и без него. Лицензия — Apache-2.0. Это учебный эксперимент, обученный только на одном личном профиле; автор не позиционирует его как универсального помощника. Ответы за пределами профильных сведений могут быть ненадёжными.

GPT-5.6 Terra — языковая модель OpenAI общего назначения, предназначенная для рабочих сценариев, где важен баланс возможностей и стоимости. Она поддерживает рассуждение с настраиваемым уровнем усилий, вызов функций, структурированный вывод и работу с инструментами через Responses API. Модель принимает текст и изображения, а выдаёт текст; заявленное окно контекста — 1 050 000 токенов, максимальный объём ответа — 128 000 токенов. Terra подходит для программирования, анализа и создания документов, поиска по информации и выполнения многошаговых задач с инструментами. В API доступны веб-поиск, поиск по файлам, интерпретатор кода и управление компьютером. OpenAI указывает, что аудио- и видеовходы не поддерживаются. Модель предоставляется через API и сервисы OpenAI; открытая лицензия на веса не указана.

C4AI Command R 08-2024 — языковая модель Cohere и Cohere For AI, представленная в этом репозитории в виде дообученной версии весов CohereLabs/c4ai-command-r-08-2024. Это плотный авторегрессионный трансформер с 32,3 млрд параметров и контекстом до 131 072 токенов; в обучении применялись supervised fine-tuning и обучение на предпочтениях, а для ускорения инференса используется grouped-query attention. Модель принимает текст и генерирует текст. Модель предназначена для диалогов, рассуждений, суммаризации и ответов на вопросы. Она поддерживает генерацию на 23 языках, включая русский, и обучена на задачах grounded generation: может отвечать по предоставленным фрагментам документов и добавлять ссылки на источники, что подходит для RAG. Также поддерживает выбор внешних инструментов и формирование вызовов по специальному шаблону. Для grounded generation и использования инструментов важно соблюдать рекомендованные шаблоны промптов: отклонение от них может снизить качество. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование; README также требует соблюдать Acceptable Use Policy Cohere for AI.

unsloth/Kimi-K2-Thinking-BF16 — публикация модели Kimi K2 Thinking в формате BF16, размещённая Unsloth и основанная на moonshotai/Kimi-K2-Thinking. Это текстовая разговорная модель с архитектурой DeepSeek V3; карточка описывает исходную Kimi K2 Thinking как модель с архитектурой Mixture-of-Experts, примерно 1 трлн параметров и 32 млрд активируемых параметров. В метаданных данной публикации указано 37,9 млрд параметров. Модель предназначена для сложных рассуждений, работы с инструментами, исследований, программирования и написания текстов. Заявлены контекст до 256 тыс. токенов и способность поддерживать длинные последовательности вызовов инструментов; результаты тестов в README получены с поиском, браузером и интерпретатором кода там, где указано использование инструментов. Это текстовая модель, а не модель для обработки изображений или аудио. Метаданные указывают лицензию «other», поэтому конкретные условия использования следует сверять с лицензией и уведомлениями в репозитории. README описывает INT4-квантизацию исходной Kimi K2 Thinking, однако эта публикация заявлена как BF16, а в метаданных указан формат safetensors; результаты и характеристики исходной версии не следует автоматически переносить на эту публикацию.

Granite-3.2-2B-Instruct — инструкционная языковая модель семейства Granite, разработанная командой Granite компании IBM. Это плотная авторегрессионная модель на 2,5 млрд параметров, дообученная на базе ibm-granite/granite-3.1-2b-instruct для задач рассуждения и выполнения инструкций; режим рассуждения можно включать по необходимости. Модель работает с текстом, поддерживает диалог и интерфейс вызова инструментов, имеет контекст до 131 072 токенов и распространяется в формате safetensors по лицензии Apache 2.0. Модель предназначена для общих инструкционных задач и интеграции в ассистентов: ответов на вопросы, суммаризации длинных документов и встреч, извлечения и классификации текста, RAG, задач с кодом и вызова функций. Поддерживаются английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. Среди сильных сторон — длинный контекст, управляемое рассуждение и многоязычный диалог. К ограничениям относятся унаследованные от Granite-3.1-2B-Instruct ограничения и этические соображения; README не приводит их подробнее.

Карточка модели RedHatAI/granite-3.2-2b-instruct на Hugging Face совпадает с карточкой ibm-granite/granite-3.2-2b-instruct, поэтому описание составлено по ней. Granite-3.2-2B-Instruct — инструкционная языковая модель семейства Granite, разработанная командой Granite компании IBM. Это плотная авторегрессионная модель на 2,5 млрд параметров, дообученная на базе ibm-granite/granite-3.1-2b-instruct для задач рассуждения и выполнения инструкций; режим рассуждения можно включать по необходимости. Модель работает с текстом, поддерживает диалог и интерфейс вызова инструментов, имеет контекст до 131 072 токенов и распространяется в формате safetensors по лицензии Apache 2.0. Модель предназначена для общих инструкционных задач и интеграции в ассистентов: ответов на вопросы, суммаризации длинных документов и встреч, извлечения и классификации текста, RAG, задач с кодом и вызова функций. Поддерживаются английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. Среди сильных сторон — длинный контекст, управляемое рассуждение и многоязычный диалог. К ограничениям относятся унаследованные от Granite-3.1-2B-Instruct ограничения и этические соображения; README не приводит их подробнее.

Jamba2 Mini — компактная языковая модель, разработанная AI21 Labs для надёжных корпоративных сценариев. Она использует архитектуру Jamba, сочетающую слои SSM и Transformer с разреженной экспертной моделью (MoE), и содержит 7,2 млрд параметров по метаданным. Модель предназначена для генерации текста и диалогов, ответов на вопросы, следования инструкциям и работы с длинными документами; поддерживает контекст до 262 144 токенов. Модель обучалась на основе предобучения Jamba 1.5 с последующим дообучением на длинных документах, коде, математике и веб-текстах, а также этапами SFT, DPO и обучения с подкреплением. Разработчик сообщает о настройке на точное следование инструкциям и опору на предоставленный контекст. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое использование. Для запуска через vLLM в README рекомендуется версия 0.12.0 или выше.

FriendliAI публикует версию C4AI Command R+, квантизированную в FP8 для ускорения инференса при сохранении высокой точности. В основе — авторегрессионный трансформер CohereForAI примерно на 103,8 млрд параметров; модель принимает текст и генерирует текст. Для этой версии метаданные указывают контекст 8192 токена. Указанные в карточке базовой Command R+ 128K токенов к этой версии не относятся. Модель предназначена для диалогов, ответов на вопросы, суммаризации, RAG и многошагового использования инструментов. Она оптимизирована для английского, французского, немецкого, испанского, итальянского, португальского, японского, корейского, китайского и арабского языков; русский входил в дополнительные языки предобучения. Для работы с FP8 нужны GPU NVIDIA Ada, Hopper или Blackwell; README описывает запуск через Friendli Container. Лицензия — CC-BY-NC-4.0, с ограничениями на коммерческое использование.

embeddinggemma-300m-GGUF — это модель для создания векторных представлений текста, основанная на google/embeddinggemma-300m. Исходную модель разработала Google, а GGUF-версии подготовила Second State Inc. Модель предназначена для задач семантического сходства и других сценариев, где требуется сравнивать тексты по смыслу, включая поиск и работу с векторными индексами. Модель поддерживает запуск через sentence-transformers и LlamaEdge, использует специальный режим embedding и имеет контекстное окно 2048 токенов. Доступны варианты размерности эмбеддингов 128, 256, 512 и 768. Репозиторий содержит квантованные GGUF-файлы размером примерно от 212 до 329 МБ, а также версию f16 размером 616 МБ. Квантование уменьшает требования к ресурсам, но может снижать качество: Q4_K_M, Q5_K_M и Q5_K_S обозначены как сбалансированные или рекомендуемые варианты, тогда как наиболее компактные версии имеют существенные потери качества. README не содержит сведений о поддерживаемых языках, точной архитектуре, составе модальностей или конкретных наборах данных обучения. Модель распространяется по лицензии Gemma; условия лицензии следует учитывать при использовании.

Granite-4.0-Tiny-Preview — инструктивная языковая модель команды Granite компании IBM. Это гибридная архитектура Mixture-of-Experts для генерации текста; метаданные указывают 421,5 млн параметров, а README приводит оценку 7 млрд параметров. Модель дообучена на Granite-4.0-Tiny-Base-Preview с помощью обучения на инструкциях и выравнивания с подкреплением. Лицензия — Apache 2.0. Модель предназначена для выполнения инструкций и интеграции в ассистентов. Она поддерживает диалог, вызов инструментов, суммаризацию, классификацию и извлечение текста, ответы на вопросы, RAG, задачи по коду и работу с длинными документами и встречами. Указанное в метаданных окно контекста составляет 131 072 токена. README перечисляет 12 поддерживаемых языков: английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский. Модель может применяться в бизнес-ассистентах и сценариях работы с длинным контекстом. README отмечает использование как открытых наборов данных с разрешительными лицензиями, так и внутренних синтетических данных. Чекпойнт имеет статус preview; для запуска README рекомендует установить Transformers из исходного кода. Подробные ограничения и результаты оценки в предоставленной карточке не приведены.

QuantFactory/Llama-3-8B-ProLong-64k-Instruct-GGUF — квантизированная версия модели Princeton NLP Llama-3-8B-ProLong-64k-Instruct, созданная с использованием llama.cpp. Модель основана на Meta-Llama-3-8B-Instruct и разработана исследователями Tianyu Gao, Alexander Wettig, Howard Yen и Danqi Chen. Это текстовая instruction-tuned модель для генерации ответов и работы с длинным контекстом объёмом до 64 000 токенов. Она предназначена для диалогов, вопросов и ответов по большим наборам документов, retrieval-augmented generation, извлечения информации, классификации в контексте, переранжирования результатов поиска, анализа и суммаризации длинных документов. Для восстановления диалоговых возможностей модель дообучалась на UltraChat. Модель имеет около 8 миллиардов параметров и поддерживает только текстовую модальность. При обучении использовалась смесь коротких и длинных данных общим объёмом 20B токенов; заявлено стабильное функционирование с контекстом до 64K токенов и высокая производительность на задачах длинного контекста среди моделей сопоставимого размера. Ограничения включают возможное влияние квантизации на качество, однако конкретный формат и уровень квантизации в представленном README не указаны. Языки, точные аппаратные требования и детальные показатели benchmark также не приведены. Лицензия указана как llama3. Условия её применения следует проверять по лицензии семейства Llama 3 и исходной карточке модели.

NVIDIA Nemotron Parse v1.2 — модель NVIDIA для извлечения текста и структуры документов по изображению. Она предназначена для разбора PDF- и PPT-страниц, включая документы со сложной и изменчивой вёрсткой, и может использоваться в системах поиска и курирования документов, а также для подготовки данных и повышения точности приложений на базе LLM и VLM. Модель построена на архитектуре vision encoder–decoder: визуальный энкодер ViT-H, адаптер на 1D-свёртках и mBart-декодер из 10 блоков. По изображению RGB и текстовой инструкции она формирует текстовую строку со структурированными аннотациями: распознанным текстом, классами элементов и их ограничивающими рамками в естественном порядке чтения. Поддерживаются таблицы с выводом в форматах LaTeX, HTML, Markdown, JSON или CSV, а также настройка извлечения текста, встроенного в изображения. Размер модели — менее 1 млрд параметров; указанный диапазон разрешений входа — от 1024×1280 до 1664×2048 пикселей. Модель выделяет заголовки, разделы, подписи, сноски, списки, таблицы, библиографию и изображения, сохраняя их пространственное положение и порядок чтения. Для остановки повторяющихся фрагментов и структурирования табличного вывода доступны дополнительные обработчики логитов. README заявляет готовность к коммерческому применению; метаданные указывают лицензию other, а токенизатор распространяется по CC-BY-4.0, поэтому условия лицензии весов следует проверять отдельно. Для качества генерации в версии 1.2 требуется промпт с четырьмя категориями токенов; использование старого трёхтокенного промпта заметно ухудшает результат.

KhaledReda/all-MiniLM-L6-v24-pair_score — англоязычная модель Sentence Transformer, созданная KhaledReda дообучением KhaledReda/all-MiniLM-L6-v23-pair_score. Она преобразует предложения и короткие тексты в плотные эмбеддинги размерности 384, предназначенные для оценки семантического сходства с помощью косинусной близости. Модель основана на архитектуре BERT и содержит 25,9 млн параметров. Модель подходит для сравнения запросов и описаний, поиска похожих текстов и ранжирования пар по смысловой близости, в том числе в сценариях поиска товаров по коротким запросам и развернутым описаниям. Она обучена на парах текстов со скалярными оценками сходства; в README указаны 12,58 млн обучающих примеров. Метаданные задают контекст до 512 токенов, тогда как карточка модели указывает максимальную длину последовательности 256 токенов, поэтому фактическое ограничение следует проверять в используемой конфигурации. Для использования доступна лицензия Apache-2.0. Модель ориентирована на английский язык; качество для других языков не подтверждено. Она выдает эмбеддинги, а не готовые текстовые ответы.

C4AI Command-R v01 — авторегрессионная плотная языковая модель Cohere и Cohere For AI на 35 млрд параметров, выпущенная с открытыми весами. Она предназначена для генерации текста, ответов на вопросы, суммаризации, рассуждений и работы с RAG; также обучена формировать вызовы инструментов в специальном формате диалога. Модель принимает и генерирует текст. Она построена на оптимизированном трансформере, после предварительного обучения прошла дообучение с учителем и обучение на предпочтениях. Контекст составляет 128K токенов. Модель рассчитана на английский, французский, немецкий, испанский, итальянский, бразильский португальский, японский, корейский, упрощённый китайский и арабский; русский входил в дополнительные языки предобучения, но не указан среди языков, на которых модель специально оптимизирована. Весам требуется следовать лицензии CC-BY-NC-4.0 и Политике допустимого использования C4AI. Для вызова инструментов рекомендуется использовать предусмотренный шаблон диалога: отклонение от него может снизить качество. README указывает на сильные возможности RAG, но для их использования нужно предоставить модели найденные документы и соответствующий формат запроса.

Qwen2.5-7B-Instruct-1M — разговорная модель генерации текста из семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалога, ответов на вопросы, работы с длинными документами и другими задачами, где нужно учитывать большой объём контекста. Модель построена на архитектуре Qwen2 с причинно-следственной языковой моделью и 7,1 млрд параметров по метаданным. Карточка семейства указывает на RoPE, SwiGLU, RMSNorm и контекст до 1 010 000 токенов; генерация ограничена 8192 токенами. Модель дообучена на базе Qwen/Qwen2.5-7B, поддерживает чат и интерфейс вызова инструментов. Указанные языковые сведения подтверждают английский, но сами по себе не доказывают поддержку только одного языка. Для работы с контекстом около миллиона токенов README рекомендует специальную сборку vLLM и указывает потребность как минимум в 120 ГБ видеопамяти суммарно для версии 7B. В прежних средах выполнения качество может снижаться на последовательностях длиннее 262 144 токенов. Лицензия — Apache-2.0.