I.2Синтез, понимание и проверка знаний

neuramod/nrtr-functiongemma-router — дообученная Neuramod текстовая модель на базе google/functiongemma-270m-it, обученная с помощью TRL. Это компактная плотная авторегрессионная модель семейства Gemma 3 Text с 257 млн параметров и контекстом до 32 768 токенов. Она принимает текстовые сообщения и генерирует текст; карточка демонстрирует запуск через Transformers для ответа на пользовательский вопрос. Модель подходит для диалоговых сценариев и локальных текстовых агентов. Доступны веса Safetensors и квантованный формат GGUF Q4_K_M. Лицензия в предоставленных данных не указана.

NVIDIA Nemotron-3-Super-120B-A12B-Base — базовая большая языковая модель, обученная NVIDIA с нуля для дальнейшего дообучения, в том числе под следование инструкциям и генерацию кода. Это не чат-модель, а исходная платформа для разработчиков и исследователей, создающих специализированные языковые модели и AI-агентов. Модель использует гибридную архитектуру LatentMoE с чередованием слоёв Mamba-2 и Mixture-of-Experts, а также отдельными слоями Attention и Multi-Token Prediction. В README заявлены 120 млрд параметров всего и 12 млрд активных; метаданные Hugging Face указывают 6,6 млрд параметров. Поддерживается контекст до 1 048 576 токенов. Модель принимает и генерирует текст; заявлена поддержка 20 языков, включая русский, английский и китайский. Обучение велось более чем на 25 трлн токенов с NVFP4 для повышения вычислительной эффективности; MTP может ускорять генерацию с помощью speculative decoding. Модель предназначена для коммерческого использования. В метаданных указана лицензия other, поэтому конкретные условия следует сверять с лицензией и условиями распространения NVIDIA. Для запуска NVIDIA ориентирует на GPU-системы, в частности Ampere, Hopper и Blackwell; применение требует проверки на данных конкретного сценария. Это базовая модель, поэтому готовое следование инструкциям или качество чат-ответов не гарантируются.

OmniTranslate-1.1-i1-GGUF — квантизированная версия модели OmniTranslate-1.1, разработанной MihaiPopa-1 и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена прежде всего для автоматического перевода и генерации текста, включая сценарии с большим числом языков. В README заявлена поддержка языков, представленных кодами ISO 639, среди которых английский, русский, китайский, японский, арабский, испанский, французский, немецкий и многие другие, включая малоресурсные языки. Также указано, что базовая модель обучалась с использованием набора данных MihaiPopa-1/OmniSurgical-1.1. Модель распространяется в нескольких вариантах квантизации GGUF, включая IQ- и Q-семейства, с размером файлов примерно от 0,3 до нескольких гигабайт; конкретный доступный размер зависит от выбранного варианта. Квантизация позволяет снизить требования к памяти, но может уменьшать качество по сравнению с исходной моделью, особенно у наиболее компактных вариантов. Архитектура, число параметров, размер контекста, мультимодальные возможности и результаты бенчмарков в README не указаны, поэтому эти характеристики нельзя достоверно оценить. Лицензия модели — Apache-2.0.

Это дообученная разговорная языковая модель m3rtsavar на архитектуре Llama 3. В качестве основы использована unsloth/llama-3-8b-Instruct-bnb-4bit; при обучении применялись Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста в диалоговом формате. Её можно использовать для создания ответов на сообщения и ведения текстовых бесед. Модель имеет около 7,5 млрд параметров и контекстное окно до 8192 токенов; карточка указывает английский язык. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Карточка не описывает специализацию дообучения и оценки качества, поэтому пригодность для конкретных задач следует проверять отдельно.

anezatra дообучил Microsoft Phi-3 Mini-4K-Instruct на диалоговом наборе Opus Samantha, содержащем большие коллекции чат-транскриптов. Это плотная авторегрессионная модель семейства Phi-3 с примерно 3,7 млрд параметров и контекстом до 4096 токенов, предназначенная для генерации текста в формате диалога и работы в условиях ограниченных ресурсов и требований к задержке. Модель подходит для ведения диалогов и генерации ответов, а базовая модель Phi-3 также ориентирована на рассуждения, включая задачи по коду, математике и логике. В карточке заявлено применение на английском языке; качество для других языков может быть ниже. Возможны неточные или вымышленные ответы, смещения и небезопасный контент, поэтому результаты, особенно код и ответы для чувствительных областей, следует проверять. Файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

piotr-ai/polanka_3.7b_exp_260922 — разговорная языковая модель от разработчика piotr-ai, основанная на архитектуре Qwen3 MoE. Она предназначена для генерации текста в чате и поддерживает интерфейс вызова инструментов. Карточка демонстрирует примеры запросов на польском, английском и китайском языках; метаданные также перечисляют поддержку чешского, словацкого, украинского, русского, итальянского, испанского, французского, немецкого, португальского и литовского языков. Модель содержит 3,7 млрд параметров, работает с контекстом до 40 960 токенов и распространяется в формате safetensors по лицензии Apache-2.0. В метаданных не указана базовая модель, поэтому происхождение относительно Qwen3 MoE установить нельзя. Карточка содержит лишь несколько простых примеров и не приводит результатов оценки качества; возможности модели в конкретных задачах по ним определить нельзя.

Модель veronica320/QA-for-Event-Extraction — компонент системы извлечения событий, представленной в статье ACL 2021 «Zero-shot Event Extraction via Transfer Learning: Challenges and Insights». Это модель вопросно-ответного типа на архитектуре RoBERTa-large с 454,1 млн параметров, дообученная на QAMR. Она принимает вопрос и текстовый контекст и извлекает из контекста ответ, например участника события, о котором спрашивает пользователь. Модель предназначена для использования отдельно через Transformers AutoModelForQuestionAnswering или как часть системы извлечения событий из статьи. Контекст составляет до 514 токенов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Это шестибитная MLX-конверсия мультимодальной модели Qwen2.5-VL-3B-Instruct, подготовленная сообществом mlx-community из базовой модели Alibaba Qwen. Она предназначена для диалогового анализа изображений и видео с ответами на естественном языке; метаданные также отмечают интерфейс вызова инструментов. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Вариант рассчитан на запуск в экосистеме MLX; карточка указывает преобразование с помощью mlx-vlm 0.1.11 и формат файлов safetensors. Поддерживаемый язык карточки — английский. Лицензия этой конверсии в предоставленных данных не указана; дополнительные сведения о возможностях и условиях использования следует сверять с карточкой исходной модели Qwen2.5-VL-3B-Instruct.

Qwen3-1.7B-reas-int-065 — дообученная модель генерации текста на основе Qwen/Qwen3-1.7B, представленная в формате safetensors и предназначенная для диалогового взаимодействия. Карточка не описывает конкретные дополнительные навыки или обучающие данные, поэтому назначение модели можно определить только как общее текстовое общение и генерацию. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. Базовая Qwen3 — компактная многоязычная модель для генерации текста, диалогов, рассуждений, кода и выполнения инструкций, однако карточка не подтверждает, насколько хорошо эта версия справляется с отдельными задачами или какими языками располагает. Модель распространяется по лицензии Apache-2.0. Данные обучения и результаты оценки не описаны, поэтому качество и ограничения конкретного дообучения оценить нельзя.

Felldude/Qwen3.5-4B-Uncensored — дообученная мультимодальная модель на базе Qwen/Qwen3.5-4B-Base, опубликованная Felldude. Модель построена на архитектуре Qwen3.5 для генерации текста по текстовым и визуальным входам; метаданные указывают на 4 млрд параметров у базовой модели, поддержку обработки изображений, чата и интерфейса вызова инструментов. В README автор сообщает о обучении в FP32 с Adam на данных для vision, chain of thought и reasoning и заявляет о снижении ограничений на ответы; конкретные показатели приведены только для собственных тестов автора. Модель подходит для диалогов с изображениями, описания изображений и визуальных вопросов, а также для генерации ответов в свободной форме. В карточке заявлена поддержка 201 языка и диалекта для семейства Qwen3.5, однако отдельное подтверждение этой характеристики именно для дообученной версии не приводится. Контекстное окно и независимые оценки качества этой версии в предоставленных материалах не описаны. Лицензия — Apache-2.0.

Qwen3-Reranker-0.6B-mlx-8Bit — модель для ранжирования текстов, разработанная пользователем mku64 на основе базовой модели Qwen/Qwen3-Reranker-0.6B от Qwen. Она предназначена для задач text ranking, например оценки релевантности текстов и упорядочивания результатов поиска или других текстовых кандидатов. В README приведён пример запуска через библиотеку mlx-lm. Модель конвертирована в формат MLX из Qwen/Qwen3-Reranker-0.6B с использованием mlx-lm версии 0.26.3 и доступна в 8-битном варианте. Размер базовой модели указан как 0.6B параметров. Дополнительные сведения об архитектуре, поддерживаемых языках, модальностях и размере контекста в README отсутствуют; по приведённым данным она относится к текстовым моделям. Для использования требуется установить mlx-lm; пример ориентирован на запуск через API load и generate. Лицензия — Apache-2.0. README не содержит подробностей о сильных сторонах, ограничениях качества или рекомендуемых сценариях эксплуатации.

QwenAmann-4B-dse — мультимодальная модель на 4 млрд параметров, разработанная авторами из Racine.ai и TW3 Partners для поиска по технической документации. Она дообучена на базе Qwen/Qwen3-VL-4B-Instruct методом Document Screenshot Embedding и формирует эмбеддинги документов и запросов для семантического поиска и сопоставления по релевантности. Модель принимает изображения страниц документов и учитывает текст, схемы, графики, таблицы и их расположение. Предварительно извлекать текст не требуется. Обучение проводилось на датасете racineai/OGC_MEGA_2: README сообщает о 1,44 млн примеров из более чем 35 языков и 15 технических областей; стабильные результаты отмечены на пяти языках. В метаданных перечислены английский, французский, русский, арабский, немецкий, испанский и итальянский. Модель предназначена для мультиязычного поиска по техническим документам, инженерным архивам и системам поддержки. Она распространяется под лицензией Apache 2.0. README заявляет о сопоставимой с Jina Embeddings v4 производительности, но не приводит деталей протокола оценки; указанное в README число языков с устойчивыми результатами и метаданные о языках карточки различаются.

Модель securin/qwen_finetune_intermediate — дообученная securin языковая модель семейства Qwen2, основанная на unsloth/qwen2.5-coder-1.5b-bnb-4bit. Она предназначена для генерации текста и может использоваться в сценариях, где требуется продолжать или создавать текстовые последовательности. Архитектура — плотная авторегрессионная Qwen2ForCausalLM; размер составляет 1,5 млрд параметров, длина контекста — до 32 768 токенов. В карточке указаны обучение с Unsloth и библиотекой TRL, формат весов — safetensors. Модель ориентирована на английский язык, а её базовая модель относится к семейству Qwen2.5-Coder. Карточка не описывает специализацию дообучения и не приводит результатов оценки качества, поэтому её пригодность для конкретных задач программирования или иных предметных областей следует проверять отдельно. Лицензия — Apache-2.0.

shahrukhx01/roberta-base-boolq — англоязычная модель классификации текста на базе архитектуры RoBERTa. В репозитории указаны 151,8 млн параметров и класс RobertaForSequenceClassification; модель выдаёт метку «YES» или «NO». Она предназначена для бинарной классификации ответов на вопросы формата BoolQ: по входному тексту определить, соответствует ли ответ «да» или «нет». Контекст модели составляет 514 токенов. Модель подходит для автоматической проверки бинарных ответов на английском языке и классификации текста по меткам «YES»/«NO». Доступны веса PyTorch и safetensors. Сведения о лицензии в предоставленных данных отсутствуют, поэтому условия использования по ним определить нельзя.

Finnish-NLP/roberta-large-finnish-v2 — крупная предобученная языковая модель RoBERTa, разработанная командой Finnish-NLP для обработки финского текста. Это версия предыдущей Finnish-NLP/roberta-large-finnish, обученная с теми же гиперпараметрами на более тщательно очищенном корпусе; по приведённым в карточке оценкам очистка не дала заметного улучшения результатов. Модель содержит 454,1 млн параметров, использует архитектуру RobertaForMaskedLM и доступна в форматах PyTorch и Flax. Модель обучалась на финских текстах из mC4, Википедии, новостных архивов Yle и STT, а также корпуса Suomi24. Она чувствительна к регистру, использует BPE-токенизацию и принимает последовательности до 514 токенов по метаданным. Основное прямое применение — восстановление замаскированных токенов; также модель предназначена для дообучения на классификации последовательностей и токенов, а также на ответах на вопросы. Для генерации текста она не предназначена. Лицензия — Apache-2.0. Корпуса включают неотфильтрованный интернет-контент, поэтому предсказания модели могут отражать его предвзятость; качество на конкретных задачах зависит от последующего дообучения.

Японская модель Sentence Transformer, разработанная kushalc1 на основе sbintuitions/sarashina-embedding-v2-1b и дообученная на датасете JSTS для сравнения смысловой близости текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 1792 и использует косинусное сходство; архитектура включает трансформер Llama с pooling по последнему токену. Контекст — до 8192 токенов. Обучение с MatryoshkaLoss позволяет усекать векторы до 1280, 768, 256 или 64 измерений, сохраняя близкое качество на приведённых тестах JSTS. Модель предназначена для семантического поиска, поиска перефразировок, кластеризации, классификации текста и оценки сходства японских текстов. В README приведены результаты Spearman для сходства текстов: 0,7435 при 1792 измерениях и 0,7389 при 64. Поддержка других языков не заявлена. В метаданных указан формат safetensors; лицензия не предоставлена.

Stern5497/sBert-swiss-legal-base — модель на базе RoBERTa, упакованная в формат Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости, семантического поиска и кластеризации текстов. Веса содержат около 211,6 млн параметров, модель принимает текст и выдаёт векторы; указанная длина контекста — 514 токенов. При обучении применялась функция MultipleNegativesRankingLoss с косинусным сходством. Название модели указывает на юридические тексты Швейцарии, однако README не уточняет языки и состав обучающих данных. Репозиторий содержит веса PyTorch; для удобного использования предлагается библиотека Sentence-Transformers. Лицензия в предоставленных данных не указана.

Seed-2.0-Lite — мультимодальная модель ByteDance, представленная как экономичная модель для корпоративных задач. Её позиционируют как универсальный вариант для производственных сценариев, где важны низкая задержка, мультимодальные возможности и работа с агентами. Каталог относит модель к задаче image-text-to-text, то есть к обработке изображений и текста с выдачей текстового ответа. Карточка также заявляет мультимодальные и агентные возможности, но не приводит сведений об архитектуре, размере, поддерживаемых языках, длине контекста или конкретных функциях агента. Условия лицензии в предоставленных данных не описаны.

ler001/SLIT_scoring — модель оценки текста на базе архитектуры Qwen2, дообученная с помощью TRL как reward model. Она предназначена для присвоения входному тексту числовой оценки, например для ранжирования вариантов ответа или оценки качества текста. Модель содержит 14 млрд параметров, принимает текст и выдаёт оценку; максимальный контекст составляет 32 768 токенов. В карточке не названа базовая модель: указано значение «None», поэтому определить её идентификатор нельзя. Репозиторий использует Transformers и формат safetensors. Лицензия в предоставленных данных не указана.

HuggingFaceTB/SmolLM2-1.7B-Instruct-GGUF — это квантованная версия SmolLM2-1.7B-Instruct, преобразованная в формат GGUF с помощью llama.cpp через GGUF-my-repo. Исходная модель разработана HuggingFaceTB, а данный вариант опубликован ngxson. Модель предназначена для генерации текста и использования в экосистеме llama.cpp, включая локальный запуск через командную строку или сервер. Модель содержит около 1,7 млрд параметров и использует квантование Q4_K_M, что ориентировано на более экономичное использование памяти по сравнению с полноразмерными весами. В README указана поддержка английского языка и текстовая модальность. Пример запуска сервера использует контекст длиной 2048 токенов, однако точный максимальный размер контекста в карточке не заявлен. Сильные стороны модели — компактный размер, возможность локального инференса и совместимость с llama.cpp. Ограничения включают англоязычную специализацию, возможное снижение точности из-за квантования и отсутствие подробных сведений о качестве, бенчмарках, архитектуре и рекомендуемых сценариях применения. Модель распространяется по лицензии Apache-2.0.

junnyu/structbert-large-zh — неофициальная копия китайской модели StructBERT-large. StructBERT разработана командой Alibaba AliceMind и расширяет BERT дополнительными задачами предобучения, учитывающими порядок слов и предложений. В карточке указано, что копия не создана командой AliceMind. Модель на базе архитектуры BERT предназначена для извлечения признаков из китайского текста и может служить основой для дообучения задач понимания языка. Исходная китайская версия описана как BERT-large; метаданные этой копии указывают 424,3 млн параметров и контекст до 512 токенов. В README приведены результаты исходной версии на китайском бенчмарке CLUE. Карточка не сообщает лицензию для этой копии, поэтому условия её использования следует уточнить в репозитории. Для практического применения потребуется задача или классификационная голова, обученная поверх извлекаемых признаков.

Shellypeckie/student_qwen3_1p7b_clean4b_dolly_seq_kd — дообученная на TRL версия компактной языковой модели Qwen3-1.7B. Это плотная авторегрессионная модель с 1,7 млрд параметров для генерации текста и диалогов; в метаданных указан контекст до 40 960 токенов. Карточка демонстрирует генерацию ответа на вопрос в формате беседы. Модель рассчитана на диалоговые запросы и генерацию текста по инструкциям. В карточке не описаны состав обучающих данных, точные языки и результаты оценивания, поэтому качество для конкретных задач по ней определить нельзя. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Hastagaras/Sunmoy-9B-G2 — диалоговая модель генерации текста на базе архитектуры Gemma 2. Она создана слиянием нескольких моделей, включая Gemmoy-9B-G2-MK.3, gemma-2-9b-it-abliterated и gemma2-9B-sunfall-v0.5.2. По карточке, модель рассчитана на диалоговый формат с системным сообщением и последовательностью реплик пользователя и модели. Модель содержит около 9 млрд параметров и поддерживает контекст до 8192 токенов. README отмечает, что опубликованная версия неожиданно стала иметь размер 10B, тогда как GGUF-вариант остаётся 9B; подробности конфигурации слияния в карточке опущены. Лицензия в предоставленных данных не указана.

SymbioticLM-1B — компактная модель генерации текста от Convergent Intelligence LLC, построенная на базе Qwen и предназначенная для рассуждений с использованием символической обработки и постоянной эпизодической памяти. Она рассчитана на CPU и ограниченные по памяти среды: лёгких ассистентов, исследовательских агентов и логическую обработку. README описывает гибридную архитектуру с rotary-трансформером Qwen, символическими модулями, памятью на 2048 векторов и режимом симуляции; метаданные указывают 507,9 млн параметров, архитектуру Qwen3 и контекст до 40 960 токенов. Модель применима для математического моделирования, планирования, генерации небольших фрагментов кода и построения объяснений на основе графов. Лицензия — AFL-3.0.

T-900-8B — разговорная языковая модель семейства Llama, опубликованная ChaoticNeutrals. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации текста. Метаданные указывают поддержку английского языка, контекст до 8192 токенов и возможность диалогового использования. Модель предназначена для генерации текста в формате чата. В карточке указаны объединение с ChaoticNeutrals/T-850-8B и адаптером ResplendentAI/Llama3_RP_ORPO_LoRA; набор данных связан с RPOrpo. Репозиторий содержит веса в формате safetensors, а README упоминает GGUF. Модель распространяется по лицензии Apache-2.0. Тег «not-for-all-audiences» указывает на возможное наличие контента для взрослой аудитории; характер такого контента карточка не уточняет. Пользовательский README не сообщает подробностей о качестве, обучении или конкретных ограничениях модели.

Tencent-Hy-30B-A3B-uncensored-heretic-GGUF — это набор квантованных моделей в формате GGUF, созданный mradermacher на основе модели 0xSojalSec/Tencent-Hy-30B-A3B-uncensored-heretic. В README также указано, что исходная модель связана с Tencent-Hy; отдельное подтверждение разработчика исходной модели не приведено. Доступны варианты квантования от Q2_K до Q8_0 и IQ4_XS, размером примерно от 11,2 до 32,1 ГБ. Модель предназначена для локального запуска в совместимых средах, поддерживающих GGUF, а заявленная область применения включает перевод. Указаны следующие языки: китайский, английский, французский, португальский, испанский, японский, турецкий, русский, арабский, корейский, тайский, итальянский, немецкий, вьетнамский, малайский, индонезийский, тагальский, хинди, польский, чешский, нидерландский, кхмерский, бирманский, персидский, гуджарати, урду, телугу, маратхи, иврит, бенгальский, тамильский, украинский, тибетский, казахский, монгольский и уйгурский. Модальность, размер контекста и точная архитектура в README не указаны. Сильная сторона публикации — широкий выбор уровней квантования: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант с очень хорошим качеством, а Q8_0 — как вариант с лучшим качеством среди перечисленных. Более сильное сжатие уменьшает требования к памяти, но может снижать качество; для Q3_K_M отдельно отмечено более низкое качество. Лицензия — Apache-2.0.

UniME-LLaVA-1.6-7B — мультимодальная модель DeepGlint AI для получения текстовых и визуальных представлений и выполнения задач сопоставления текста с изображениями. Она дообучена на базе llava-hf/llava-v1.6-mistral-7b-hf; архитектура LLaVA-NeXT с языковой частью Mistral-7B принимает изображения и текстовые инструкции и формирует текстовый ответ, пригодный для визуального диалога и вопросов об изображениях. Модель обучалась для улучшения мультимодальных эмбеддингов: применялась дистилляция текстовых представлений с учителем NV-Embed V2, затем — instruction tuning с подбором сложных негативных примеров. По README, на этапе дистилляции дообучалась только языковая часть, а остальные параметры оставались замороженными. Модель обучена на TIGER-Lab/MMEB-train и заявлена авторами как лидер таблицы MMEB при разрешении изображений 336×336 на момент снимка в README. Модель распространяется в формате safetensors по лицензии MIT. Она предназначена для сценариев, где нужно сопоставлять изображения и текст или отвечать на запросы по изображениям; заявленное лидерство относится к конкретной таблице и снимку результатов, а не гарантирует превосходство на любых задачах.

USTM (Unified Speech-Text Model) — модель Naver AI, полученная дополнительным обучением Mistral-7B-v0.1 по методике унифицированного предварительного обучения речи и текста. Это плотная авторегрессионная архитектура Mistral с 7,2 млрд параметров и контекстом до 32 768 токенов, представленная в формате safetensors и работающая через Transformers. Модель предназначена для совместной обработки речи и текста и естественного разговорного взаимодействия с учётом паралингвистических характеристик речи. В качестве обучающих данных указаны многоязычные речевые наборы, включая Multilingual LibriSpeech, GigaSpeech, Common Voice 15.0, VoxPopuli и People's Speech. В метаданных указан английский язык; точный перечень поддерживаемых языков из карточки не следует. Модель лицензирована по Apache-2.0. Доступные сведения не описывают конкретные ограничения качества или сценарии, в которых модель не подходит.

VN_legal_embedding_512 — модель Sentence Transformers, разработанная для создания плотных 768-мерных эмбеддингов предложений и абзацев в юридическом контексте. Она дообучена на базе intfloat/multilingual-e5-base на внутреннем наборе примерно из 30 000 примеров юридических вопросов и связанных с ними контекстов с использованием TripletLoss и косинусного расстояния. Модель предназначена для семантического поиска и сопоставления юридических вопросов с релевантными контекстами; эмбеддинги также подходят для кластеризации. Архитектура основана на XLM-RoBERTa, число параметров — 305,2 млн, длина контекста — 514 токенов. Репозиторий содержит веса в формате safetensors; библиотека для работы — Sentence Transformers. Лицензия в предоставленных данных не указана.

Gemma 4 26B A4B IT — мультимодальная инструктивно дообученная модель Google DeepMind из семейства Gemma 4, основанная на Gemma 4 26B A4B. Репозиторий содержит веса в формате safetensors и использует архитектуру Gemma4ForConditionalGeneration с поддержкой зрения и диалогового режима. Модель принимает текст и изображения и генерирует текст; варианты Gemma 4 этого размера рассчитаны на контекст до 256 тысяч токенов. Семейство поддерживает более 140 языков по данным карточки, а также включает механизмы рассуждения, вызова функций и гибридное внимание с локальными и глобальными слоями. Модель подходит для диалоговых ассистентов, генерации и исправления кода, рассуждений, суммаризации, ответов по изображениям и документам, OCR, анализа диаграмм, скриншотов и пользовательских интерфейсов, а также агентных сценариев с вызовом инструментов. Лицензия Apache 2.0. Указанная в карточке поддержка изображений не означает, что именно эта версия умеет обрабатывать видео или аудио: README относит аудиовход к вариантам E2B, E4B и 12B, а метаданные отмечают для этой модели только зрение.