I.1Поиск и навигация по информации

facebook/fasttext-fr-vectors — предварительно обученная модель векторных представлений французских слов на основе библиотеки fastText, разработанной Facebook. Она предназначена для получения векторов слов и использования их в задачах классификации текста и определения языка, а также для оценки сходства слов по косинусной близости. Модель построена на архитектуре CBOW с позиционными весами, использует символьные n-граммы длиной 5 и выдаёт векторы размерности 300. Обучение проводилось на данных Common Crawl и Википедии. fastText рассчитан на работу на стандартном оборудовании и может применяться в прототипах и производственных системах. Модель поддерживает французский язык; описание семейства сообщает о моделях fastText для 157 языков. Возможны смещения в предсказаниях, а качество и охват представлений зависят от обучающих корпусов. Лицензия модели — CC BY-SA 3.0.

HerBERT-large-cased — польскоязычная языковая модель на архитектуре BERT, разработанная исследовательской командой Allegro совместно с группой лингвистической инженерии Института компьютерных наук Польской академии наук. Модель обучена на польских текстовых корпусах с помощью masked language modeling и Sentence Structural Objective, с динамическим маскированием целых слов. Для токенизации используется символьный Byte-Pair Encoding с размером словаря 50 тыс. токенов. Модель предназначена для извлечения контекстных представлений текста, которые можно использовать в NLP-системах для польского языка. В репозитории заявлены веса PyTorch, TensorFlow и Flax; число параметров составляет около 453,9 млн, а длина контекста — 514 токенов. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

MuRIL-Naamapadam — модель распознавания именованных сущностей в текстах на маратхи, пенджаби и телугу. Она разработана на основе MuRIL от Google и дообучена для задачи NER; архитектура — BERT для классификации токенов, размер — 264,8 млн параметров, максимальная длина контекста — 512 токенов. Модель выделяет сущности в предложениях на поддерживаемых языках; для проверки результатов доступен Hosted Inference API на странице модели. В README приведены F1: 0,8341 для маратхи, 0,8328 для телугу и 0,7334 для пенджаби. Указанная лицензия — Apache-2.0.

Intern-S2-Preview — мультимодальная модель общего назначения с 35 млрд параметров, разработанная командой InternLM. Она продолжает предварительное обучение на базе Qwen3.5 и дообучена по полному циклу, включающему предварительное обучение и обучение с подкреплением на сотнях научных задач. Модель предназначена для диалога, рассуждений, понимания изображений и научных рабочих процессов с использованием инструментов. Модель поддерживает специализированные научные сценарии, включая задачи по естественным наукам, моделирование физических сигналов и генерацию кристаллических структур материалов. Для длинных временных рядов заявлена работа с последовательностями от 1 до 1 000 000 точек; в README также приведены оценки с длиной вывода до 128K токенов для текстовых задач и до 64K для мультимодальных. Режим рассуждений включён по умолчанию, а для агентных сценариев доступен вызов инструментов. Модель работает с текстом и изображениями; README также описывает обработку временных рядов. Для временных рядов на момент публикации карточки поддержка инференса указана только в LMDeploy. Репозиторий содержит веса safetensors и использует Transformers. Лицензия — Apache-2.0. Заявленные характеристики отражают результаты разработчиков; карточка не приводит независимой оценки качества или полного описания поддерживаемых языков.

Карточка модели LanguageBind/LanguageBind_Video на Hugging Face совпадает с карточкой LanguageBind/LanguageBind_Image, поэтому описание составлено по ней. LanguageBind_Image — модель для сопоставления изображений с текстовыми описаниями в рамках проекта LanguageBind, разработанного авторами исследования LanguageBind, принятого на ICLR 2024. В репозитории она представлена как PyTorch-модель на базе архитектуры CLIPModel и предназначена для классификации изображений без примеров на этапе обучения: пользователь задаёт текстовые метки или описания, а модель оценивает их соответствие изображению. Модель входит в мультимодальный подход LanguageBind, который использует язык как общий семантический ориентир для связывания представлений разных модальностей. Для этого чекпойнта подтверждён сценарий zero-shot классификации изображений; описание проекта также упоминает вычисление сходства между модальностями и текстом. README не сообщает размер этой модели, её языковой охват или длину контекста. Лицензия репозитория — MIT.

G-R-A-V-I-T-Y/long-t5-local-base-ARv1 — дообученная модель на архитектуре LongT5, созданная на основе google/long-t5-local-base. Она предназначена для генерации текста по входному тексту и рассчитана на обработку последовательностей длиной до 4096 токенов. В репозитории указаны 123,8 млн параметров и формат safetensors. README сообщает результаты оценки: Loss 2,9303, Exact Match 18,0 и среднюю длину генерации 3,38 токена. Название модели содержит AR, однако карточка не раскрывает целевую задачу, обучающие данные или intended uses, поэтому конкретное назначение дообучения подтвердить нельзя. Базовая LongT5 описана как англоязычная модель для суммаризации и ответов на вопросы по длинным текстам. Модель распространяется по лицензии Apache-2.0. Применимость приведённых оценок ограничена тем, что README не сообщает набор данных и подробности оценки.

MahaNER-BERT — модель для распознавания именованных сущностей в текстах на маратхи, разработанная L3Cube-Pune. Она основана на l3cube-pune/marathi-bert и дообучена на наборе L3Cube-MahaNER; архитектура — BERT с классификацией токенов, размер — 205,1 млн параметров, длина контекста — до 512 токенов. Модель предназначена для выделения и классификации сущностей в тексте, например при подготовке корпусов и анализе документов на маратхи. Репозиторий предоставляет веса PyTorch и safetensors. Лицензия — CC BY 4.0.

ArabicNLP/mT5-base_ar — уменьшенная версия многоязычной модели Google mT5-base, созданная Moustafa Banbouk. Это плотная encoder-decoder модель семейства T5 для генерации текста по текстовому запросу. В README указано 244 млн параметров после сокращения SentencePiece-словаря с 250 тыс. до 30 тыс. токенов: оставлены 20 тыс. арабских и 10 тыс. английских токенов. Метаданные Hub указывают 122,1 млн параметров; поэтому размер модели описан в источниках противоречиво. Модель предназначена для арабского и английского языков. Среди возможных сценариев README называет ответы на вопросы, суммаризацию и классификацию; конкретная пригодность зависит от задачи и дообучения. Это не отдельная архитектура, а адаптированная версия mT5 с уменьшенным словарём. Распространяется по лицензии MIT. README описывает модель как unsupervised, но не сообщает результаты оценки качества или конкретные ограничения по применению. Уменьшенный словарь может ограничивать обработку редкой лексики; также README и метаданные расходятся в числе параметров.

NlpHUST разработала эту модель для распознавания именованных сущностей во вьетнамском тексте. Это дообученная на наборе VLSP 2018 модель NlpHUST/electra-base-vn на базе ELECTRA с 160,9 млн параметров и контекстом до 512 токенов; веса доступны в форматах PyTorch и Safetensors. Модель размечает сущности типов «персона», «место», «организация» и «прочее», её можно применять через pipeline NER в Transformers. На оценочной выборке VLSP 2018 общий F1 составил 0,9214, а точность — 0,9907. F1 для персон составил 0,9664, мест — 0,9365, организаций — 0,8833; для категории «прочее» результат ниже — 0,6218. Модель лицензирована по MIT. Ограничения качества за пределами указанной выборки и домена в карточке не описаны.

unsloth/Qwen2-VL-7B-Instruct — дообученная Unsloth версия мультимодальной диалоговой модели Qwen2-VL-7B-Instruct от Qwen. Она предназначена для ответов на вопросы по изображениям и видео, визуального анализа и диалога по визуальному содержимому. Модель принимает текст и изображения, а также может работать с видео; для видео README описывает поддержку локальных файлов и отмечает, что звуковую дорожку модель не понимает. Модель имеет плотную архитектуру Qwen2-VL с 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и использует динамическое разрешение изображений и мультимодальные позиционные эмбеддинги M-ROPE. В README заявлена работа с текстом на изображениях на нескольких языках, включая английский, китайский, европейские языки, японский, корейский, арабский и вьетнамский; метаданные карточки указывают английский язык. Модель может быть полезна для визуального анализа документов, видео и сцен, но хуже справляется с подсчётом объектов, пространственными отношениями и сложными многошаговыми инструкциями; сведения об изображениях могут быть неактуальны после июня 2023 года. Веса представлены в формате safetensors, библиотека для работы — Transformers. Лицензия Apache-2.0.

MichaelAnthony разработал qwen-3.5-0.8b-Hedgehog — дообученную текстовую модель семейства Qwen 3.5 для извлечения структурированных данных из документов в сценариях SimpleRAG. Это слитый чекпойнт r5 в формате FP16 для Transformers; адаптер LoRA не требуется. Метаданные указывают 581,4 млн параметров и контекст до 262 144 токенов, а README приводит размер 752 млн параметров. Модель предназначена для извлечения полей из найденных документов с выдачей данных по заданным JSON-путям и типам. В README рекомендуются температура 0 и отключённый режим рассуждений; режимы с рассуждениями и без них следует оценивать отдельно. В приведённых оценках r5 получил 71 балл на BenchLocal DataExtract-15 и 88 на BenchLocal Complex Documents; автор описывает его как стартовую модель, а не универсальный экстрактор с точностью 95%. Лицензия в предоставленных данных не указана.

Карточка модели Lencebo/rarium-clip-l14 на Hugging Face совпадает с карточкой laion/CLIP-ViT-L-14-laion2B-s32B-b82K, поэтому описание составлено по ней. CLIP ViT-L/14 — мультимодальная модель семейства CLIP, обученная LAION с помощью OpenCLIP на англоязычной подвыборке из 2 млрд пар данных LAION-5B. В карточке указано, что обучение проводил Росс Уайтман на суперкомпьютере JUWELS Booster. Модель принимает изображения и текстовые описания и сопоставляет их в общем пространстве признаков; основная задача в каталоге — классификация изображений без примеров обучения по текстовым меткам. Её также применяют для поиска изображений по тексту и текста по изображению, линейной классификации и как компонент конвейеров генерации изображений. Для ImageNet-1k заявлена точность zero-shot top-1 75,3%. Модель обучалась на английских данных и не предназначена для сценариев на других языках. Авторы рекомендуют ограничивать применение исследованиями; развёрнутые сценарии и использование без тщательной проверки на фиксированной таксономии не рекомендуются. Применение для наблюдения и распознавания лиц исключено из допустимых сценариев. Лицензия — MIT.

zeromodels представляет конверсию SigLIP Large Patch16-256 в формате Keras 3 для классификации изображений по текстовым описаниям без дообучения на конкретных классах. Это двухбашенный мультимодальный энкодер изображений и текста, основанный на google/siglip-large-patch16-256 и обученный с попарной sigmoid loss. Модель принимает изображение и текстовые промпты и оценивает соответствие между ними; реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для классификации изображений по пользовательским категориям, поиска изображений по текстовому описанию и сопоставления текста с изображениями. Вариант использует патчи размером 16 и входное разрешение 256 пикселей. Лицензия — Apache 2.0. README указывает на карточку исходной модели для дополнительных сведений; размер параметров, языковая поддержка и ограничения качества для этой конверсии не описаны.

SLIMER-LLaMA3 — языковая модель экспертного ИИ expertai для извлечения именованных сущностей без предварительного обучения на каждом типе сущностей. Она основана на Meta-Llama-3.1-8B-Instruct и дообучена на примерах для английского языка; размер составляет 7,5 млрд параметров, архитектура — плотная LLaMA, формат весов — Safetensors. Модель принимает текст и генерирует текстовый ответ в виде JSON-списка найденных фрагментов. Модель предназначена для zero-shot NER: пользователь задаёт тип сущности, его определение и рекомендации по разметке, после чего SLIMER извлекает подходящие упоминания из текста. Такой подход рассчитан на новые типы меток и тексты из предметных областей, отличающихся от обучающих данных; в карточке описаны оценки на CrossNER, MIT и BUSTER, включая финансовые сущности. Контекст — до 131072 токенов. Карточка сообщает об улучшении результата относительно исходной SLIMER на LLaMA-2 и о сопоставимых результатах с некоторыми современными моделями на доменах вне обучающего распределения. Лицензия — llama3.1. Модель ориентирована на английский язык; качество для других языков не заявлено. Результат следует проверять, особенно при неоднозначных упоминаниях: извлечение зависит от заданных определения и рекомендаций, а ответ ожидается в заданном JSON-формате.

Casually/uie-micro — это реализация на PyTorch модели UIE Micro от PaddlePaddle. Она предназначена для извлечения структурированной информации из китайского текста по заданной схеме: например, извлечения сущностей и отношений, а также информации о событиях. Интерфейс принимает текст и схему извлечения и возвращает найденные фрагменты с позициями и оценками вероятности. Модель основана на архитектуре ERNIE с классом UIE, содержит 24,8 млн параметров и имеет контекстное окно 2048 токенов. Репозиторий содержит веса PyTorch и Safetensors; задача в метаданных Hugging Face указана как feature-extraction. Лицензия — Apache-2.0. README описывает PyTorch-реализацию исходной модели PaddlePaddle/uie-micro; данных о сравнительных оценках качества нет.

UniWiZ-7B-v0.2 — текстовая генеративная модель от Proto-AI на архитектуре Mistral-7B с 7,1 млрд параметров. Она предназначена для генерации текста, суммаризации, ответов на вопросы и диалогов, а также для образовательных сценариев с объяснением понятий. Модель рассчитана на широкий круг тем; заявленная длина контекста — до 32 768 токенов. В README указано, что при обучении использовались разнообразные данные и материалы, ориентированные на безопасность. Модель может быть полезна для создания черновиков статей, краткого пересказа документов и разговорных помощников. Лицензия Apache-2.0. В карточке README часть сведений приведена для версии v0.1, поэтому применимость этих утверждений именно к v0.2 не вполне ясна.

NVIDIA Nemotron-3-Super-120B-A12B-NVFP4 — большая языковая модель NVIDIA для диалогов, рассуждений и создания агентных систем. Она содержит 120 млрд параметров, из которых при генерации активны 12 млрд, и использует гибридную архитектуру LatentMoE с чередованием слоёв Mamba-2, Mixture-of-Experts и Attention, а также Multi-Token Prediction для ускорения генерации. Модель обучена с применением квантования NVFP4 и рассчитана на контекст до 1 млн токенов. Модель предназначена для сложного следования инструкциям, длинноконтекстных задач, чат-ботов, RAG-систем и совместно работающих ИИ-агентов; среди примеров применения — автоматизация обработки IT-заявок и задачи с вызовом инструментов. Поддерживаются английский, французский, немецкий, итальянский, японский, испанский и китайский языки, а также сценарии работы с кодом. NVIDIA указывает, что модель готова к коммерческому использованию. В метаданных лицензия обозначена как other, поэтому конкретные условия следует проверять в лицензионных материалах репозитория.

Nemotron-3-Super-120B-A12B-BF16 — языковая модель NVIDIA для диалога, рассуждений и создания агентных систем. Она предназначена для разработчиков чат-ботов, RAG-систем и совместно работающих ИИ-агентов, а также для автоматизации больших потоков задач, например обработки ИТ-заявок. Модель поддерживает сложное следование инструкциям и работу с длинным контекстом. Архитектура сочетает слои Mamba-2, Mixture-of-Experts и внимания в гибриде LatentMoE; также используются Multi-Token Prediction для ускорения генерации и 12 млрд активных параметров при 120 млрд общих. Карточка указывает контекст до 1 млн токенов, тогда как метаданные Hugging Face — 262 144 токена. Модель принимает текст и генерирует текст; заявлены английский, французский, немецкий, итальянский, японский, испанский и китайский языки. Модель ориентирована на высокую пропускную способность, агентные сценарии, код, рассуждения и мультиязычный диалог. Карточка заявляет коммерческую готовность, но метаданные указывают лицензию «other», поэтому перед использованием следует проверить её условия. В опубликованном репозитории формат весов указан как safetensors; карточка описывает обучение с NVFP4, но это не означает, что репозиторий представляет квантизованную версию.

Карточка модели unsloth/granite-3.2-2b-instruct на Hugging Face совпадает с карточкой ibm-granite/granite-3.2-8b-instruct, поэтому описание составлено по ней. Granite-3.2-8B-Instruct — плотная языковая модель IBM Granite Team с 8,2 млрд параметров, дообученная на базе ibm-granite/granite-3.1-8b-instruct для выполнения инструкций и задач рассуждения. Модель поддерживает управляемый режим рассуждения, который можно включать по необходимости, и работает через библиотеку Transformers; доступны веса в формате safetensors. Модель предназначена для диалоговых помощников и общих прикладных сценариев: суммаризации, классификации и извлечения текста, ответов на вопросы, RAG, задач с кодом и вызова функций. Контекст — до 131 072 токенов, что подходит для анализа длинных документов и стенограмм. Поддерживаются английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. Модель распространяется по лицензии Apache 2.0. README указывает, что к ней применимы этические ограничения и ограничения Granite-3.1-8B-Instruct; конкретные ограничения в карточке не перечислены.

Карточка модели microperceptron/NVIDIA-Nemotron-3-Super-120B-A12B-BF16 на Hugging Face совпадает с карточкой nvidia/NVIDIA-Nemotron-3-Super-120B-A12B-BF16, поэтому описание составлено по ней. Nemotron-3-Super-120B-A12B-BF16 — языковая модель NVIDIA для диалога, рассуждений и создания агентных систем. Она предназначена для разработчиков чат-ботов, RAG-систем и совместно работающих ИИ-агентов, а также для автоматизации больших потоков задач, например обработки ИТ-заявок. Модель поддерживает сложное следование инструкциям и работу с длинным контекстом. Архитектура сочетает слои Mamba-2, Mixture-of-Experts и внимания в гибриде LatentMoE; также используются Multi-Token Prediction для ускорения генерации и 12 млрд активных параметров при 120 млрд общих. Карточка указывает контекст до 1 млн токенов, тогда как метаданные Hugging Face — 262 144 токена. Модель принимает текст и генерирует текст; заявлены английский, французский, немецкий, итальянский, японский, испанский и китайский языки. Модель ориентирована на высокую пропускную способность, агентные сценарии, код, рассуждения и мультиязычный диалог. Карточка заявляет коммерческую готовность, но метаданные указывают лицензию «other», поэтому перед использованием следует проверить её условия. В опубликованном репозитории формат весов указан как safetensors; карточка описывает обучение с NVFP4, но это не означает, что репозиторий представляет квантизованную версию.

Карточка модели Openintelligent123/NVIDIA-Nemotron-3-Super-120B-A12B-BF16 на Hugging Face совпадает с карточкой nvidia/NVIDIA-Nemotron-3-Super-120B-A12B-BF16, поэтому описание составлено по ней. Nemotron-3-Super-120B-A12B-BF16 — языковая модель NVIDIA для диалога, рассуждений и создания агентных систем. Она предназначена для разработчиков чат-ботов, RAG-систем и совместно работающих ИИ-агентов, а также для автоматизации больших потоков задач, например обработки ИТ-заявок. Модель поддерживает сложное следование инструкциям и работу с длинным контекстом. Архитектура сочетает слои Mamba-2, Mixture-of-Experts и внимания в гибриде LatentMoE; также используются Multi-Token Prediction для ускорения генерации и 12 млрд активных параметров при 120 млрд общих. Карточка указывает контекст до 1 млн токенов, тогда как метаданные Hugging Face — 262 144 токена. Модель принимает текст и генерирует текст; заявлены английский, французский, немецкий, итальянский, японский, испанский и китайский языки. Модель ориентирована на высокую пропускную способность, агентные сценарии, код, рассуждения и мультиязычный диалог. Карточка заявляет коммерческую готовность, но метаданные указывают лицензию «other», поэтому перед использованием следует проверить её условия. В опубликованном репозитории формат весов указан как safetensors; карточка описывает обучение с NVFP4, но это не означает, что репозиторий представляет квантизованную версию.

Карточка модели SIZWL/NVIDIA-Nemotron-3-Super-120B-A12B-BF16 на Hugging Face совпадает с карточкой nvidia/NVIDIA-Nemotron-3-Super-120B-A12B-BF16, поэтому описание составлено по ней. Nemotron-3-Super-120B-A12B-BF16 — языковая модель NVIDIA для диалога, рассуждений и создания агентных систем. Она предназначена для разработчиков чат-ботов, RAG-систем и совместно работающих ИИ-агентов, а также для автоматизации больших потоков задач, например обработки ИТ-заявок. Модель поддерживает сложное следование инструкциям и работу с длинным контекстом. Архитектура сочетает слои Mamba-2, Mixture-of-Experts и внимания в гибриде LatentMoE; также используются Multi-Token Prediction для ускорения генерации и 12 млрд активных параметров при 120 млрд общих. Карточка указывает контекст до 1 млн токенов, тогда как метаданные Hugging Face — 262 144 токена. Модель принимает текст и генерирует текст; заявлены английский, французский, немецкий, итальянский, японский, испанский и китайский языки. Модель ориентирована на высокую пропускную способность, агентные сценарии, код, рассуждения и мультиязычный диалог. Карточка заявляет коммерческую готовность, но метаданные указывают лицензию «other», поэтому перед использованием следует проверить её условия. В опубликованном репозитории формат весов указан как safetensors; карточка описывает обучение с NVFP4, но это не означает, что репозиторий представляет квантизованную версию.

NVIDIA Nemotron-3-Super-120B-A12B-NVFP4 — большая языковая модель NVIDIA для диалогов, рассуждений и построения агентных систем. Она предназначена для чат-ботов, RAG-приложений, совместно работающих агентов и высоконагруженных сценариев, включая автоматизацию ИТ-заявок, а также для сложного следования инструкциям и анализа длинного контекста. Модель использует гибридную архитектуру LatentMoE: слои Mamba-2 чередуются со слоями Mixture-of-Experts и отдельными слоями внимания. Всего в модели 120 млрд параметров, из которых активны 12 млрд; предусмотрены слои Multi-Token Prediction для ускорения генерации. Веса обучены с применением NVFP4, а заявленная длина контекста достигает 1 млн токенов. Модель поддерживает английский, французский, немецкий, итальянский, японский, испанский и китайский языки, а также задачи с кодом. Модель дообучена для диалогов, рассуждений, работы с инструментами, инструкциями и структурированными ответами; карточка сообщает о готовности к коммерческому использованию. Указана лицензия other, поэтому конкретные условия коммерческого применения следует сверить с лицензией репозитория. Возможности работы с изображениями, аудио или видео не заявлены; качество ответов зависит от задачи и используемой конфигурации вывода.

GLM-4-9B-Chat-1M — открытая чат-модель семейства GLM-4, разработанная Zhipu AI. Это плотная архитектура ChatGLM примерно на 10,7 млрд параметров, рассчитанная на диалог и генерацию текста; модель поддерживает контекст до 1 048 576 токенов и интерфейс вызова инструментов. README также упоминает возможности веб-браузинга, выполнения кода и рассуждений по длинным текстам. Модель предназначена для многошаговых диалогов, анализа длинных документов, ответов на вопросы по большому контексту, рассуждений, работы с кодом и вызова пользовательских инструментов. В README заявлена поддержка 26 языков, включая японский, корейский и немецкий; метаданные карточки отмечают китайский и английский. Для весов действует лицензия, указанная в LICENSE; в метаданных она обозначена как other.

pitcany/gpt-oss-120b — зеркало модели открытых весов gpt-oss-120b, разработанной OpenAI. Это языковая модель с архитектурой MoE для диалога, задач рассуждения и разработки; она поддерживает вызов инструментов, включая функции, веб-поиск и исполнение Python, при соответствующей настройке. Для корректной работы модель следует использовать с форматом диалога Harmony. Усилие рассуждения можно настраивать на низкий, средний или высокий уровень. В карточке указано 117 млрд параметров и 5,1 млрд активных параметров; метаданные репозитория указывают 2,1 млрд параметров, поэтому размер в источниках расходится. Контекстное окно — 131 072 токена. Репозиторий содержит формат GGUF; исходная модель описана как использующая квантизацию MXFP4 для весов MoE. Лицензия — Apache-2.0, допускающая коммерческое применение. Модель общего назначения; явные ограничения по языкам в предоставленных данных не описаны.

Granite-4.0-350M — компактная инструктивная языковая модель команды Granite компании IBM, дообученная на базе ibm-granite/granite-4.0-350m-base с помощью supervised fine-tuning, обучения с подкреплением и слияния моделей. Она использует архитектуру decoder-only dense Transformer; в метаданных указано 352,3 млн параметров и контекст до 32 768 токенов. Модель предназначена для диалогов, локального запуска на устройствах и дообучения под специализированные задачи с умеренными вычислительными ресурсами. Модель подходит для суммаризации, классификации и извлечения текста, ответов на вопросы, RAG, задач с кодом и вызова инструментов. Она поддерживает английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. Лицензия — Apache 2.0. Качество на языках, кроме английского, может быть ниже; модель также может выдавать неточные, предвзятые или небезопасные ответы, поэтому перед применением в конкретной задаче её следует оценить и настроить.

Llama-3.3-Nemotron-Super-49B-v1.5 — большая языковая модель NVIDIA, созданная на основе Meta Llama-3.3-70B-Instruct и оптимизированная с помощью Neural Architecture Search. В метаданных указано 87 млрд параметров; модель использует плотную архитектуру и поддерживает контекст до 131 072 токенов. Модель предназначена для рассуждений, диалогов и выполнения инструкций на английском языке, а также для задач с кодом. Она дообучалась на математике, программировании, естественных науках и вызове инструментов; дополнительные этапы постобучения улучшили следование предпочтениям в чате, рассуждения и агентные сценарии. Подходит для чат-ботов, AI-агентов и систем RAG, а интерфейс вызова инструментов позволяет подключать внешние функции. README указывает поддержку немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Оптимизация архитектуры рассчитана на более эффективное использование памяти и пропускной способности; заявлена возможность размещения на одном GPU H200 при высокой нагрузке. Модель предназначена для коммерческого использования; в метаданных лицензия обозначена как other, поэтому конкретные условия следует сверять с лицензией репозитория. Для практического развертывания нужны значительные вычислительные ресурсы.

Карточка модели Chiraag25/NVIDIA-Nemotron-3-Ultra-550B-A55B-NVFP4 на Hugging Face совпадает с карточкой baseten/NVIDIA-Nemotron-3-Ultra-550B-A55B-NVFP4-dequant-to-BF16, поэтому описание составлено по ней. Nemotron-3-Ultra-550B-A55B-NVFP4-dequant-to-BF16 — большая языковая модель NVIDIA для диалогов, рассуждений и агентных сценариев. Она использует гибридную архитектуру LatentMoE с чередованием слоёв Mamba-2 и Mixture of Experts, отдельными слоями Attention и Multi-Token Prediction. Всего в модели 550 млрд параметров, из них 55 млрд активны при вычислении; репозиторий содержит веса SafeTensors в BF16, полученные из NVFP4-чекпойнта. Модель предназначена для сложных многошаговых задач, следования инструкциям, анализа длинных документов и кодовых баз, а также для создания чат-ботов, RAG-систем и AI-агентов. Она поддерживает генерацию текста и чат на английском, французском, испанском, итальянском, немецком, португальском, японском, корейском, хинди, арабском, китайском и иврите. Карточка заявляет контекст до 1 млн токенов, тогда как метаданные указывают 262 144 токена; фактический предел зависит от конфигурации используемого чекпойнта и среды запуска. Модель рассчитана на крупные многонодовые развёртывания и требует мощного оборудования NVIDIA. Лицензия указана как other; README разрешает коммерческое и некоммерческое использование, но конкретные условия следует сверить с текстом лицензии репозитория.

Карточка модели nasooh1/NVIDIA-Nemotron-3-Ultra-550B-A55B-NVFP4 на Hugging Face совпадает с карточкой baseten/NVIDIA-Nemotron-3-Ultra-550B-A55B-NVFP4-dequant-to-BF16, поэтому описание составлено по ней. Nemotron-3-Ultra-550B-A55B-NVFP4-dequant-to-BF16 — большая языковая модель NVIDIA для диалогов, рассуждений и агентных сценариев. Она использует гибридную архитектуру LatentMoE с чередованием слоёв Mamba-2 и Mixture of Experts, отдельными слоями Attention и Multi-Token Prediction. Всего в модели 550 млрд параметров, из них 55 млрд активны при вычислении; репозиторий содержит веса SafeTensors в BF16, полученные из NVFP4-чекпойнта. Модель предназначена для сложных многошаговых задач, следования инструкциям, анализа длинных документов и кодовых баз, а также для создания чат-ботов, RAG-систем и AI-агентов. Она поддерживает генерацию текста и чат на английском, французском, испанском, итальянском, немецком, португальском, японском, корейском, хинди, арабском, китайском и иврите. Карточка заявляет контекст до 1 млн токенов, тогда как метаданные указывают 262 144 токена; фактический предел зависит от конфигурации используемого чекпойнта и среды запуска. Модель рассчитана на крупные многонодовые развёртывания и требует мощного оборудования NVIDIA. Лицензия указана как other; README разрешает коммерческое и некоммерческое использование, но конкретные условия следует сверить с текстом лицензии репозитория.

Granite-3.1-1B-A400M-Instruct — языковая модель IBM Granite Team для выполнения инструкций и создания диалоговых ассистентов. Это дообученная на Granite-3.1-1B-A400M-Base модель с архитектурой GraniteMoE; README также описывает этапы supervised fine-tuning, выравнивания с помощью reinforcement learning и слияния моделей. В метаданных указано 163,6 млн параметров и контекст до 131 072 токенов. Модель предназначена для суммаризации, классификации и извлечения текста, ответов на вопросы, RAG, задач с кодом и вызова функций, а также для многоязычного диалога и работы с длинными документами и встречами. README перечисляет английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. Производительность на других языках может уступать английской; ответы могут быть неточными, предвзятыми или небезопасными. Лицензия — Apache 2.0.