I.2Синтез, понимание и проверка знаний

Это дообученная модель Sentence-Transformers на основе архитектуры BERT, содержащая 25,9 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 384 для сравнения смысловой близости, семантического поиска и кластеризации. Модель принимает текст и выдаёт векторные представления; максимальная длина контекста — 512 токенов. Модель подходит для поиска похожих текстов и группировки предложений или абзацев по смыслу. В README указано обучение с CosineSimilarityLoss, однако данные о наборе обучения и результатах оценки не приведены. Для использования требуется библиотека sentence-transformers. Репозиторий содержит веса PyTorch; лицензия в доступных данных не указана.

all-MiniLM-L6-v2-multi-qa-ties-merge — демонстрационная объединённая модель на основе энкодера BERT, созданная средствами Sentence Transformers. Она объединяет all-MiniLM-L6-v2 и multi-qa-MiniLM-L6-cos-v1 методом TIES с плотностью 70% для каждого набора изменений относительно all-MiniLM-L6-v2. Модель содержит 25,9 млн параметров и рассчитана на входной контекст до 512 токенов. Модель преобразует текст в векторные представления предложений для вычисления семантического сходства, поиска релевантных текстов и кластеризации. Базовые модели описаны как англоязычные энкодеры; основное применение — семантический поиск и сопоставление англоязычных запросов с текстами. Доступны форматы Safetensors, TensorFlow и OpenVINO. Лицензия в предоставленных данных не указана.

Arabic-SBERT-100K — модель Sentence Transformers, разработанная автором репозитория и дообученная на базе aubmindlab/bert-base-arabertv02. Она преобразует арабские предложения и абзацы в плотные векторы размерностью 768, пригодные для сравнения по косинусному сходству. Архитектура включает BERT-трансформер и усреднение токенных представлений; максимальная длина последовательности — 512 токенов. Модель предназначена для поиска семантически близких текстов и парафраз, оценки сходства предложений, кластеризации и классификации текста. Обучение проводилось на 75 тысячах триплетов из набора akhooli/arabic-triplets-1m-curated-sims-len с использованием MatryoshkaLoss. Она рассчитана на арабский язык; README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Arcle V1 — мультимодальная базовая модель на 5,84 млрд параметров, разработанная Абхинавом Анандом в ArcleIntelligence. Она объединяет языковое и математическое рассуждение, обработку изображений и документов, распознавание и синтез речи, понимание видео и генерацию изображений в одной модели с единым проходом. В основе — гибридная архитектура Mamba-2 и причинного self-attention; заявленное окно контекста составляет 2 097 152 токена, из которых проверено 131 072. Метаданные указывают языки английский, хинди, испанский и французский. Модель рассчитана на локальный офлайн-запуск; README приводит требования около 24 ГБ видеопамяти или 24 ГБ системной памяти при запуске на CPU. Модель предназначена для диалогов, математических и общеобразовательных вопросов, работы с изображениями и документами, транскрипции и синтеза речи, понимания видео, а также генерации изображений. В README приведены результаты по распознаванию английской речи и извлечению текста из документов; при этом качество на сканах и многостраничных макетах заметно ограничено, а генератор изображений создаёт абстрактные композиции вместо точного изображения заданных объектов. Репозиторий распространяется по лицензии Apache-2.0.

jegormeister/bert-base-dutch-cased — модель Sentence-Transformers на базе BERT, обученная для получения векторных представлений предложений и абзацев на нидерландском языке. Она кодирует текст в плотные векторы размерностью 256 и подходит для семантического поиска, сравнения сходства и кластеризации текстов. Модель содержит 136,3 млн параметров, принимает текстовые входы с контекстом до 512 токенов и распространяется в формате PyTorch. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Для работы доступны Sentence-Transformers и Transformers; при использовании Transformers поверх выходов трансформера требуется применить подходящий pooling. Модель предназначена для построения эмбеддингов, а не для генерации текста. В README не названа лицензия, поэтому условия использования по имеющимся сведениям определить нельзя.

Это англоязычная модель Sentence Transformer от tomaarsen, дообученная на парах вопросов и ответов из набора Natural Questions на базе google-bert/bert-base-uncased. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по смыслу, семантического поиска и поиска перефразировок. Модель также можно применять для кластеризации и классификации текстов с использованием полученных представлений. Архитектура состоит из BERT и слоя усредняющего pooling; сходство векторов можно оценивать косинусной мерой. Максимальная длина входа — 512 токенов. Модель принимает текст и выдаёт векторы; она не генерирует ответы. Лицензия — Apache-2.0. Качество зависит от задачи и корпуса: приведённые в карточке результаты на наборах поиска различаются, поэтому для целевого применения нужна отдельная оценка.

tomaarsen/bert-base-uncased-cnn — англоязычная Sentence Transformer модель от tomaarsen, дообученная на google-bert/bert-base-uncased на наборе sentence-transformers/stsb. Она преобразует предложения и абзацы в плотные векторы размерности 768 для оценки семантического сходства и других задач сравнения текстов. Модель использует архитектуру BERT, функцию косинусного сходства и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов на основе векторных представлений. В README приведены результаты оценки сходства на STS: Spearman cosine 0,8525 на sts-dev и 0,8232 на sts-test. Модель рассчитана на английский язык; её применение к другим языкам не подтверждено. Сведения о лицензии в предоставленных данных отсутствуют.

Shobhank-iiitdwd/BERT-BU-nli-sts-sent — англоязычная модель эмбеддингов на основе BERT, дообученная на задачах распознавания логических отношений между предложениями (NLI) и оценки семантического сходства (STS). Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 136,7 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Для использования доступны веса PyTorch; README приводит результат 84,61% на STS (en). Модель основана на bert-base-uncased и предназначена для англоязычных задач поиска и анализа сходства предложений. Для получения эмбеддингов без Sentence-Transformers нужно самостоятельно применить подходящую операцию pooling к контекстным представлениям токенов. Лицензия в предоставленных данных не указана.

m3hrdadfi/bert-zwnj-wnli-mean-tokens — модель эмбеддингов на базе BERT, опубликованная пользователем m3hrdadfi. Она предназначена для получения векторных представлений предложений и оценки их семантического сходства; применять её можно через Sentence-Transformers либо Transformers с подходящей операцией pooling поверх контекстных представлений токенов. В модели около 145,5 млн параметров, максимальная длина контекста — 512 токенов; доступен формат PyTorch. Модель подходит для построения поиска по смыслу, сопоставления похожих предложений и других сценариев, где нужны эмбеддинги текста. Метаданные указывают на BERT и возможности получения эмбеддингов; идентификатор модели и название mean-tokens также указывают на mean pooling. Лицензия в предоставленных данных не указана.

inrealm/bge-base-all-nli-triplet — англоязычная модель Sentence Transformer, созданная дообучением BAAI/bge-small-en на наборе sentence-transformers/all-nli. Она использует архитектуру BERT с пулингом CLS-токена и нормализацией, преобразует предложения и абзацы в плотные эмбеддинги размерности 384; сходство векторов можно оценивать косинусной мерой. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Максимальная длина последовательности — 512 токенов. Для работы с ней используются Sentence Transformers и форматы текстовых эмбеддингов. Модель оптимизирована для английского языка и обучена на примерах отношений entailment из all-nli. Качество на других языках и задачах, отличающихся от семантического сопоставления, может быть ниже. Лицензия в предоставленных данных не указана.

RishuD7/bge-base-en-v1.5-82-keys-phase-7-exp_v1 — англоязычная модель Sentence Transformers, дообученная разработчиком на базе BAAI/bge-base-en-v1.5. Архитектура основана на BERT и включает пулинг по CLS-токену и нормализацию; модель содержит 136,7 млн параметров и создаёт плотные текстовые эмбеддинги размерностью 768. Максимальная длина последовательности — 512 токенов, сходство в README рассчитывается по косинусной мере. Модель предназначена для семантического сравнения предложений и абзацев, поиска по смыслу, поиска перефразировок, кластеризации и классификации текстов. В README приведены обучающая выборка из 8 031 примера с парами anchor/positive и оценки на информационном поиске; значения cosine_accuracy@1, @3 и @5 составляют 0,0063, 0,0235 и 0,0353. Модель рассчитана на английский язык. Распространяется по лицензии Apache-2.0.

upskyy/bge-m3-korean — модель Sentence Transformers, дообученная разработчиком upskyy на базе BAAI/bge-m3 на наборах korsts и kornli. Она кодирует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для сравнения смысловой близости текстов; сходство оценивается косинусной мерой. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений, максимальная длина последовательности — 8192 токена. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Основной целевой язык — корейский; метаданные также отмечают многоязычную поддержку. В README приведена оценка на sts-dev: корреляция Спирмена для косинусного сходства 0,8724. В репозитории указаны веса safetensors. Лицензия в предоставленных данных не приведена.

ggml-org/bge-m3-Q8_0-GGUF — это модель для извлечения признаков и вычисления семантического сходства предложений, преобразованная в формат GGUF из базовой модели BAAI/bge-m3. Конвертацию выполнили с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для задач поиска по смыслу, ранжирования, сопоставления текстов и построения векторных представлений, в том числе при локальном запуске через совместимые инструменты llama.cpp. Ключевая характеристика этой версии — квантование Q8_0 в формате GGUF, которое обычно позволяет сократить требования к памяти по сравнению с полноразмерными весами при сохранении большей части качества исходной модели. README не содержит сведений об архитектуре, количестве параметров, поддерживаемых языках, размере контекста и точных модальностях; по назначению и указанной базовой модели речь идет о текстовой embedding-модели. Ограничения качества и совместимости зависят от исходной BAAI/bge-m3 и используемого программного окружения. Лицензия — MIT.

Это GGUF-конверсия модели BAAI/bge-reranker-base, первоначально разработанной BAAI и подготовленной для запуска через движок CrispEmbed. Модель представляет собой cross-encoder reranker для английского и китайского языков: она оценивает соответствие запроса и текстового кандидата и предназначена для переранжирования результатов поиска, семантического поиска и других задач сопоставления текстов. Формат GGUF позволяет использовать её через ggml-совместимую инфраструктуру без Python и ONNX. Модель построена на архитектуре BERT и содержит 278 млн параметров, 12 слоёв, размерность представлений 768, CLS-pooling и токенизатор WordPiece. Доступны варианты F32 размером около 1066 МБ, Q8_0 размером около 287 МБ и Q4_K размером около 247 МБ; квантованные версии требуют меньше памяти, но используют приближённое числовое представление. Указанный контекстный размер в README отсутствует. Конверсия и квантование не изменяли архитектуру, словарь или заявленные возможности исходной модели; заявлена побитная эквивалентность с реализацией Hugging Face с косинусным сходством не менее 0,999 на тестовых текстах. Для инференса модель рассчитана на CrispEmbed, включая локальный и серверный режимы. Распространяется по лицензии MIT, при этом условия исходной модели BAAI/bge-reranker-base остаются определяющими.

c4ai-command-r7b-12-2024-heretic — модифицированная версия модели CohereForAI Command R7B, созданная автором репозитория с использованием Heretic 1.4.0 и метода направленной абляции (abliteration). Это мультиязычная генеративная языковая модель примерно на 7 млрд параметров, оптимизированная для retrieval-augmented generation (RAG), диалоговых сценариев, локального запуска и надёжного использования инструментов. Указан английский язык, однако в описании заявлена мультиязычность. Модель поддерживает текстовую генерацию и поставляется в форматах BF16 Safetensors и GGUF с квантованиями Q4_K_M, Q5_K_M, Q6_K и Q8_0; доступен запуск через Transformers, llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang. Ключевая особенность — подавление поведения, связанного с отказами, посредством изменения отдельных направлений весов в выходных проекциях attention и down-проекциях MLP, без дообучения. Это должно сохранять большую часть знаний и возможностей базовой модели, но одновременно означает отсутствие встроенной фильтрации безопасности: модель может выполнять запросы, которые исходная версия отклоняла, включая потенциально нежелательные. Поэтому её не рекомендуется размещать за незащищённым публичным endpoint для сторонних пользователей. Модель рассчитана на локальное использование на потребительских GPU и CPU/Apple Silicon; рекомендуемый объём видеопамяти зависит от квантования и составляет примерно 6–24 ГБ, а для контекста требуется дополнительно около 1 ГБ. Ограничения контекстного окна в README не указаны. Модель наследует лицензию other базовой модели CohereForAI c4ai-command-r7b-12-2024; подробные условия доступны по ссылке на её LICENSE.

Карточка модели RinTrin/climate-tech-test на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

teven/cross_all_bs192_hardneg_finetuned_WebNLG2020_metric_average — текстовая модель на базе MPNet, дообученная для сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768 и предназначена для поиска семантически близких фрагментов, кластеризации и оценки сходства. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате PyTorch. Модель подходит для семантического поиска, группировки похожих текстов и сравнения предложений по смыслу. Для корректного использования в Transformers требуется применить соответствующую операцию pooling к контекстным представлениям токенов; README также описывает применение через Sentence-Transformers. Лицензия и поддерживаемые естественные языки в предоставленных данных не установлены.

Это модель Sentence Transformers на архитектуре MPNet, дообученная на данных WebNLG 2020 для оценки покрытия данных. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. В модели 136,7 млн параметров, она принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель подходит для поиска семантически близких текстов и группировки предложений или документов по смыслу. Для использования предусмотрены Sentence-Transformers и Transformers с соответствующей операцией pooling. Данных о лицензии в предоставленных источниках нет.

cyberneurova-Qwen3.8-27B-GGUF — набор квантизированных сборок модели cyberneurova-Qwen3.8-27B, разработанной cyberneurova. Модель предназначена для локального запуска в llama.cpp, Ollama, LM Studio, Jan и других средах, поддерживающих формат GGUF, и относится к задачам генерации текста. Модель имеет размер 27B параметров и доступна в вариантах квантизации от Q2_K до Q8_0 объёмом примерно от 10 до 29 ГБ. Рекомендуется вариант Q4_K_M как компромисс между качеством и требованиями к памяти. Заявлена мультимодальность: для обработки изображений требуется отдельный vision projector mmproj-F16.gguf объёмом около 0,9 ГБ. В README приведён пример контекста 8192 токена, однако максимальный размер контекста явно не указан. Языки не заявлены. К сильным сторонам относятся локальный запуск, несколько уровней квантизации, поддержка изображений и заявленный результат базовой модели 11 из 12 на исполняемом бенчмарке программирования. Ограничения включают зависимость качества и требований к памяти от выбранной квантизации, необходимость дополнительного проектора для работы с изображениями и наличие сокращённых встроенных отказов; пользователь несёт ответственность за применение модели и соблюдение законодательства. Модель распространяется по лицензии Apache-2.0.

AbuYahya2/deepseek-marsad-v2 — объединённая языковая модель, созданная с помощью mergekit методом TIES. В качестве базовой использована deepseek-ai/DeepSeek-R1-Distill-Llama-8B; в слияние также вошли arcee-ai/Llama-3.1-SuperNova-Lite, FuseAI/FuseChat-Llama-3.1-8B-Instruct и richardyoung/Llama-3.1-8B-Instruct-abliterated-obliteratus. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров. Модель предназначена для генерации текста и диалогового общения. Среди возможных сценариев — ответы на вопросы, помощь с задачами на рассуждение и программирование, а также вызов инструментов через предусмотренный интерфейс. Заявленная длина контекста — 131 072 токена. Модель принимает текст и генерирует текст; в карточке указана библиотека Transformers и формат весов safetensors. Карточка не приводит результатов оценки качества или подробного описания ограничений. Лицензия в предоставленных данных не указана.

DeepSeek-R1-Distill-Qwen-7B-bnb-4bit — это 4-битно квантованная версия модели DeepSeek-R1-Distill-Qwen-7B, опубликованная Unsloth и основанная на базовой модели deepseek-ai/DeepSeek-R1-Distill-Qwen-7B. Модель относится к семейству плотных языковых моделей Qwen, дистиллированных из DeepSeek-R1, и предназначена для исследовательских и прикладных задач, требующих рассуждений, включая решение математических задач, программирование, анализ и генерацию текста. В README также упоминается применение для диалоговых сценариев и текстового завершения через экосистему Transformers и инструменты Unsloth. Модель имеет размер 7B параметров и поддерживает английский язык; другие языки и мультимодальные возможности в предоставленных данных не указаны. Суффикс bnb-4bit указывает на 4-битное представление в формате, связанном с bitsandbytes, что снижает требования к памяти и делает запуск доступнее на ограниченных по ресурсам GPU, однако может сопровождаться компромиссом между качеством и точностью по сравнению с полной точностью. Архитектурные детали и размер контекста в README не приведены. Сильной стороной модели являются возможности рассуждения, унаследованные от DeepSeek-R1 и дистиллированные в компактную 7B-модель, а также более экономичное потребление памяти благодаря квантованию. Ограничения включают возможные ошибки, недостаточную читаемость или смешение языков, характерные для reasoning-моделей и упомянутые в контексте исходного семейства; конкретные результаты для этой версии не указаны. Модель распространяется по лицензии Apache-2.0.

voidism/diffcse-bert-base-uncased-sts — модель для получения векторных представлений предложений, основанная на BERT-base-uncased и обученная методом DiffCSE. DiffCSE — разработанная Yung-Sung Chuang и соавторами схема контрастивного обучения без разметки: она обучает представления учитывать смысловые различия между исходным и отредактированным предложениями. В README метод показал улучшение результатов на задачах семантического сходства текста по сравнению с unsupervised SimCSE. Модель предназначена для извлечения эмбеддингов предложений, в том числе для оценки семантического сходства и построения систем поиска по смыслу. Это плотная модель семейства BERT с 136,7 млн параметров и контекстом до 512 токенов; принимает текст и выдаёт векторные представления. Карточка описывает DiffCSE для английских моделей BERT и RoBERTa, а данный репозиторий относится к варианту BERT-base-uncased для STS. Лицензия — Apache-2.0. README упоминает необходимость специализированной версии Transformers для обучения DiffCSE; для использования готовой модели рекомендует API SimCSE.

Это GGUF-квантизированная версия модели dolphin-2.9.2-Phi-3-Medium-abliterated, разработанной cognitivecomputations и подготовленной пользователем legraphista. Модель основана на Phi-3 Medium, распространяется для генерации текста и ориентирована на диалоговые, инструкционные, математические, кодовые и агентские сценарии. В обучении исходной модели использовались, в частности, наборы Dolphin-2.9.2, OpenHermes-2.5, CodeFeedback-Filtered-Instruction, dolphin-coder, Samantha, Orca Math и Agent-FLAN. Модель предназначена для локального запуска через llama.cpp и совместимые инструменты. Репозиторий предоставляет файлы в форматах BF16, FP16 и различных вариантах квантования GGUF: от Q8_0 и Q6_K до Q2_K, включая варианты с применением IMatrix. Размер доступных файлов составляет примерно от 5,20 до 27,92 ГБ. Указан английский язык; сведения о других языках, точном числе параметров, архитектурных деталях и размере контекста в README отсутствуют. К сильным сторонам относятся широкий выбор уровней квантования, возможность подобрать баланс между качеством и требованиями к памяти, а также использование IMatrix в ряде компактных вариантов. Ограничения включают зависимость характеристик от выбранного файла квантования и отсутствие в предоставленных данных результатов бенчмарков или подробной оценки качества. Модель и её варианты распространяются по лицензии MIT.

mlx-community/dolphin-2.9-llama3-8b-4bit-mlx — 4-битная конверсия в формат MLX модели Dolphin 2.9 от Cognitive Computations, выполненная сообществом mlx-community с помощью mlx-lm 0.10.0. В основе — дообученная Meta Llama 3 8B с плотной архитектурой LlamaForCausalLM; в метаданных указано 7,5 млрд параметров и контекст 8192 токена. Модель предназначена для диалоговой генерации текста и ответов на инструкции; среди обучающих данных есть наборы для кода, математики, общения и вызова функций. Модель принимает текст и генерирует текст. Карточка описывает запуск через mlx-lm. Лицензия указана как other, поэтому условия использования следует сверить с исходной карточкой модели и лицензией базовой Meta Llama 3. Подробные сведения об ограничениях и языковом покрытии в доступной карточке не приведены.

addy88/eli5-all-mpnet-base-v2 — модель Sentence-Transformers на базе RoBERTa, дообученная на данных ELI5. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения семантической близости, поиска и кластеризации текстов. В обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством; число параметров — 95,2 млн, контекст — до 514 токенов. Модель подходит для семантического поиска и группировки похожих текстов. Для использования с Transformers требуется корректно применить pooling к контекстным представлениям токенов; README также описывает применение через Sentence-Transformers. В репозитории указан формат PyTorch. Лицензия в доступных данных не приведена.

Falcon3-10B-Base — базовая предварительно обученная языковая модель семейства Falcon3, разработанная Technology Innovation Institute. Это плотный авторегрессионный трансформер с 9,9 млрд параметров; в карточке архитектура указана как LlamaForCausalLM. Модель принимает текст и генерирует продолжение, поддерживает английский, французский, испанский и португальский языки, а контекстное окно достигает 32 768 токенов. Модель обучалась на данных из веба, кода, STEM и многоязычных источников; в README заявлены результаты в рассуждениях, понимании языка, следовании инструкциям, программировании и математике. Это сырой базовый чекпойнт: для большинства прикладных сценариев его следует дополнительно дообучить, например с помощью SFT или RLHF. Весовые файлы представлены в формате safetensors. Лицензия — TII Falcon-LLM License 2.0; перед использованием следует учитывать её условия.

Fireball-Llama-3.11-8B-v1orpo — диалоговая языковая модель EpistemeAI для генерации ответов и ведения беседы. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров, дообученная на unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit. Для запуска карточка рекомендует Transformers версии 4.43.0 или новее; модель также рассчитана на работу с исходной кодовой базой Llama. Модель подходит для разговорных приложений, генерации текста и интеграции с инструментами через интерфейс вызова инструментов. Контекстное окно составляет 131 072 токена. В карточке описана поддержка английского, французского, немецкого, хинди, итальянского, португальского, испанского и тайского языков; результаты на других языках могут быть ненадёжными. Модель может выдавать неточные, предвзятые или нежелательные ответы, поэтому перед внедрением её следует проверять и настраивать под конкретный сценарий. Вызов инструментов требует безопасной интеграции со стороны разработчика. Лицензия репозитория — Apache-2.0.

GLM4.7-Distill-LFM2.5-1.2B — компактная плотная языковая модель на архитектуре Liquid AI LFM2, разработанная автором репозитория на основе LiquidAI/LFM2.5-1.2B-Instruct. Модель содержит около 1,5 млрд параметров по метаданным (в README указано 1,2 млрд) и обучена методом офлайн-дистилляции: для обучения использовались синтетические ответы GLM-4.7 и открытые наборы инструкций. Учитель не нужен при запуске, а цепочки рассуждений в модель не включены. Модель предназначена для диалогового помощника, следования инструкциям, планирования и разбиения задач, суммаризации, объяснений, лёгкой помощи с кодом и агентных сценариев, включая локальный запуск на периферийных устройствах. Заявлены контекст до 128 000 токенов и поддержка английского языка; метаданные также указывают интерфейс для вызова инструментов. Модель ориентирована на краткие ответы и совместима с Transformers и safetensors. Автор предупреждает, что модель может галлюцинировать, ошибаться в сложных логических выводах и уверенно отвечать при недостатке оснований; она не подходит для актуальных событий и критически важных медицинских, юридических или безопасностных решений без проверки. Лицензия — Apache-2.0.

GLM-4.7-heretic — версия GLM-4.7 от Z.ai, обработанная методом abliteration с помощью Heretic v1.1.0. По данным карточки, изменение снижает частоту отказов, сохраняя качество исходной модели; в выбранном испытании зафиксировано 4 отказа из 100, а KL-дивергенция составила 0,0181. Модель предназначена для генерации текста и диалогов, а базовая GLM-4.7 рассчитана на программирование, агентные задачи и рассуждения. Это модель семейства GLM-4 MoE с 23,4 млрд параметров и контекстом до 202 752 токенов; метаданные указывают английский и китайский языки. Доступны веса в формате Safetensors и интерфейс чата. Лицензия — MIT.

Granite Guardian 4.1 8B — специализированная модель IBM Research для проверки того, соответствуют ли запросы и ответы LLM заданным критериям. Это плотная причинно-языковая модель на 8,4 млрд параметров, дообученная на базе ibm-granite/granite-4.1-8b; она принимает текст и выдаёт бинарное суждение «да» или «нет». Контекстное окно составляет 131 072 токена. Модель выявляет попытки обхода защитных механизмов, ненормативную лексику и галлюцинации, связанные с вызовом инструментов и ответами на основе поиска (RAG). С помощью режима Bring Your Own Criteria можно задавать собственные проверки, например требования к длине, формату или содержанию ответа. Поддерживаются режим с подробными рассуждениями и режим с быстрым выводом только оценки. Модель также подходит для ранжирования вариантов ответа при выборе лучшего из нескольких. Карточка сообщает о обучении на данных с человеческой разметкой и синтетических данных, созданных с учётом внутреннего red teaming. Основной язык в метаданных — английский. Лицензия Apache 2.0. Разработчик рекомендует использовать модель в предусмотренном формате оценивания; при отклонении от него возможны неожиданные ответы, а модель может быть уязвима к состязательным атакам.