I.2Синтез, понимание и проверка знаний

SearchSwarm-30B-A3B — дообученная модель класса Qwen3 MoE от SearchSwarm для многошагового агентного исследования информации. Она предназначена для сложных исследовательских запросов: модель разбивает задачу на подзадачи, делегирует их субагентам, проверяет полученные результаты и составляет отчёт с опорой на источники. Субагенты работают в отдельных контекстах и возвращают компактные сводки, помогая основному агенту управлять конечным контекстом. Модель использует архитектуру Qwen3 MoE, содержит 2,4 млрд параметров и поддерживает контекст до 131 072 токенов. Она дообучена на базе Alibaba-NLP/Tongyi-DeepResearch-30B-A3B; доступна в формате safetensors для Transformers. В карточке приведены результаты на BrowseComp и BrowseComp-ZH, но они сами по себе не гарантируют качество в других сценариях. Лицензия — MIT.

Self-RAG Llama2 13B — языковая модель семейства Llama, разработанная командой Self-RAG. Она генерирует ответы на разнообразные запросы и специальные токены рефлексии, с помощью которых может адаптивно обращаться к системе поиска и оценивать собственные ответы и найденные фрагменты. Модель обучена на инструкционных данных с чередованием текстовых фрагментов и токенов рефлексии; при генерации эти токены используются для выбора ответа с учётом предпочтений пользователя. Модель предназначена для генерации ответов с подключённым поиском, а также для сценариев, где требуется оценивать и отбирать ответы и извлечённые материалы. Для полноценного инференса с поисковой системой и древовидным декодированием авторы предлагают использовать код проекта; README также описывает запуск с заранее предоставленными фрагментами. Модель содержит 12,9 млрд параметров, имеет контекст 4096 токенов и принимает текстовые инструкции. Доступна в формате PyTorch под лицензией MIT.

T3qm7xNeuralsirkrishna_Strangemerges_30Pastiche — объединённая текстовая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/Strangemerges_30Pastiche-7B и предназначена для генерации текста и диалогов. Модель принимает текст и выдаёт текст. Контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Сведения о специализации на определённой области или языке отсутствуют, поэтому модель следует считать общего назначения.

T5Gemma-9B-9B-UL2-IT — англоязычная instruction-tuned модель Google из семейства T5Gemma. Это encoder-decoder модель типа text-to-text с 9 млрд параметров в энкодере и 9 млрд в декодере, созданная на основе google/t5gemma-9b-9b-ul2 с адаптацией при помощи UL2. Модель работает с текстом и доступна через Transformers; её веса опубликованы в формате safetensors. Модель предназначена для генерации текста по инструкциям: ответов на вопросы, суммаризации, рассуждений, создания черновиков писем, маркетинговых текстов, сценариев и стихов. Энкодер также можно использовать для задач понимания текста и классификации, хотя основная задача в метаданных — text-generation. Карточка описывает модель как исследовательскую разработку семейства T5Gemma, но допускает применение для генерации и суммаризации. Возможны ошибки и устаревшие факты, трудности с неоднозначностью, нюансами языка и сложными открытыми запросами; ответы могут отражать смещения обучающих данных. Лицензия — Gemma; использование должно соответствовать условиям лицензии и политике запрещённого использования Gemma.

T5Gemma-B-B-PrefixLM-IT — англоязычная текстовая модель Google из семейства T5Gemma, дообученная по инструкциям на базе google/t5gemma-b-b-prefixlm. Это encoder-decoder архитектура, адаптирующая предварительно обученные модели Gemma к формату кодировщика и декодировщика; вариант использует конфигурацию B для обеих частей и PrefixLM. Модель принимает текст и генерирует текст, поддерживает диалоговый режим и предназначена для ответов на вопросы, суммаризации, рассуждений и других задач генерации текста. Модель подходит для создания черновиков, краткого пересказа документов и NLP-экспериментов. Английский указан как поддерживаемый язык семейства. По карточке модели, сравнительно компактные варианты T5Gemma рассчитаны в том числе на развёртывание на локальных компьютерах и в облачной инфраструктуре, однако для этого конкретного репозитория размер и требования к ресурсам не приведены. Ограничения включают возможные фактические ошибки, влияние пробелов и смещений обучающих данных, трудности с неоднозначностью и сложными открытыми задачами. Лицензия Gemma; применение должно учитывать политику допустимого использования Gemma.

google/t5gemma-l-l-ul2-it — англоязычная instruction-tuned модель семейства T5Gemma, разработанная Google на основе google/t5gemma-l-l-ul2. Это encoder-decoder-модель для преобразования текста в текст: предварительно обученную архитектуру T5Gemma адаптировали с помощью UL2, а затем настроили на выполнение инструкций. Репозиторий содержит веса в формате safetensors и предназначен для использования через Transformers. Модель подходит для генерации и редактирования текста по запросам, суммаризации, ответов на вопросы и рассуждений. В карточке также описаны сценарии создания черновиков писем и другого контента. Английский указан как язык модели; размер и длина контекста для этого репозитория в предоставленных данных не приведены. Как и другие языковые модели, она может выдавать фактические ошибки, отражать предвзятости обучающих данных и хуже справляться с неоднозначными формулировками и сложными открытыми задачами. Лицензия Gemma; применение регулируется политикой допустимого использования Gemma.

google/t5gemma-s-s-prefixlm — предварительно обученная текстовая модель семейства T5Gemma, разработанная Google. Это вариант с энкодером и декодером размера S, адаптированный с использованием PrefixLM; архитектура объединяет энкодер-декодерный подход T5 с основой Gemma. Модель работает в формате «текст на входе — текст на выходе» и рассчитана на английский язык. Модель подходит для генерации текста, ответов на вопросы, суммаризации и экспериментов в области NLP. Энкодер также можно применять в задачах классификации и понимания текста. Компактный размер семейства позволяет рассматривать локальное развёртывание, однако точное число параметров этого варианта в предоставленных данных не указано. Возможности зависят от качества и охвата обучающих данных; модель может упускать языковые нюансы, допускать фактические ошибки и испытывать трудности со сложными открытыми задачами. Лицензия — Gemma; для использования следует соблюдать условия лицензии и политику допустимого использования Gemma.

google/t5gemma-s-s-ul2-it — англоязычная instruction-tuned encoder-decoder-модель Google из семейства T5Gemma. Она получена дообучением базовой google/t5gemma-s-s-ul2, адаптированной из decoder-only-модели по схеме UL2; веса опубликованы в формате safetensors. Архитектура использует энкодер и декодер размера S. Модель предназначена для генерации текста по инструкциям, в том числе для ответов на вопросы, суммаризации, рассуждений и создания черновиков текстов. Текстовый формат входа и выхода позволяет применять её в сценариях text-to-text и диалоговых приложениях. Карточка не приводит число параметров и длину контекста этой версии. К ограничениям относятся возможные фактические ошибки, смещения в ответах и трудности с нюансами языка или сложными открытыми задачами; качество зависит от обучающих данных и формулировки запроса. Лицензия — Gemma; применяются условия и ограничения использования Gemma.

Tele-FLM-1T (также FLM-2-1T) — мультиязычная большая языковая модель, разработанная BAAI и TeleAI. Это авторегрессионный декодерный трансформер семейства TeleFLM с 1,1 трлн параметров, обученный примерно на 2,3 трлн токенов. В архитектуре используются RoPE, RMSNorm и SwiGLU; длина контекста составляет 4096 токенов. Модель рассчитана на генерацию текста и сложные языковые задачи, а разработчики отдельно отмечают улучшенные возможности фактического суждения. Модель поддерживает английский, китайский и другие языки. Разработчики публикуют веса, описание архитектурных решений и сведения об обучении для академического и промышленного сообщества. На момент описания модель ещё проходит оценку из-за ограниченных вычислительных ресурсов, поэтому её возможности не следует считать окончательно подтверждёнными. Лицензия — Apache 2.0. Несмотря на очистку обучающего корпуса, модель может воспроизводить предвзятые, дискриминационные или оскорбительные примеры и генерировать небезопасный контент.

Карточка модели migtissera/Tess-2.0-Mixtral-8x7B на Hugging Face совпадает с карточкой migtissera/Tess-2.0-Mixtral-8x7B-v0.2, поэтому описание составлено по ней. Tess-2.0-Mixtral — языковая модель общего назначения из серии Tess, разработанной migtissera. Она обучена на базе mistralai/Mixtral-8x7B-v0.1 и использует архитектуру MixtralForCausalLM с разреженной архитектурой MoE. Модель предназначена для генерации текста и диалогов; формат запросов включает роли SYSTEM, USER и ASSISTANT. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. В репозитории размещены веса в формате safetensors, лицензия — Apache-2.0. В карточке указано, что модель uncensored; она может выдавать неточные или вводящие в заблуждение ответы, а также предвзятый, оскорбительный или неподходящий контент, поэтому результаты следует проверять.

Tess-34B-v1.5b — универсальная большая языковая модель серии Tess, разработанной migtissera. Модель дообучена на базе Yi-34B-200K и предназначена для генерации текста и диалогов в формате с ролями SYSTEM, USER и ASSISTANT. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 33,9 млрд параметров. Заявленная длина контекста — 200 000 токенов. В метаданных указан формат PyTorch и лицензия other; конкретные условия лицензии следует проверять в репозитории модели. README не сообщает об отдельных ограничениях или специализированных областях применения.

TSFT-RAG Gemma-3-4B-IT — полноразмерная дообученная модель на базе Google Gemma 3 4B IT, созданная независимым исследователем Sascha Frank в рамках проекта TSFT-RAG. Модель предназначена для RAG-сценариев: ответов на вопросы по найденным источникам, выявления вопросов без достаточной опоры на источники, извлечения информации и создания структурированных ответов, включая JSON. Это плотная модель семейства Gemma 3 с архитектурой Gemma3ForConditionalGeneration и примерно 4 млрд параметров. Она принимает текст и, как производная Gemma 3, поддерживает мультимодальный ввод изображений, хотя для этой версии мультимодальная оценка не проводилась. Карточка сообщает об оценке преимущественно на немецкоязычных наборах данных; сведений о длине контекста нет. В опубликованной оценке агрегированный результат вырос относительно базовой модели, особенно на выявлении неподдержанных вопросах, но качество grounded QA немного снизилось. Модель оптимизирована для RAG и не предназначена для общего диалога; в важных областях требуется проверка человеком. Лицензия — Gemma license.

Vela Halu — модель компании vllm-sr для проверки ответов на соответствие предоставленным свидетельствам. Это дообученный 307-миллионный энкодер ModernBERT для классификации токенов: он помечает фрагменты ответа как поддержанные контекстом или галлюцинированные и возвращает границы фрагментов в символьных смещениях Unicode. Модель предназначена для проверки ответов, основанных на документах, в том числе текста и кода; README сообщает о тестировании на наборе из 10 698 примеров и приводит метрики обнаружения фрагментов и ответов. Модель принимает текст ответа вместе с доказательствами; заявленная в README длина входа — до 8 192 токенов с учётом специальных токенов. Метаданные указывают контекстное окно базовой модели в 32 768 токенов. Модель доступна в формате Safetensors для Transformers и распространяется по лицензии Apache 2.0. Поддерживаемые языки в карточке не перечислены. Обнаружение опирается на соответствие явным свидетельствам: оно не проверяет истинность утверждений в целом, а арифметические задачи и рассуждения в несколько шагов могут ошибочно помечаться как галлюцинации.

usermma/Wicked-Moondust-12B-mlx-fp16 — версия модели Naphula/Wicked-Moondust-12B, преобразованная в формат MLX разработчиком usermma с помощью mlx-lm 0.31.2. Это плотная авторегрессионная модель семейства Mistral с 12,1 млрд параметров, предназначенная для генерации текста и диалогов; каталог отмечает поддержку чата. Контекст модели составляет до 131 072 токенов. Модель подходит для диалоговых приложений и генерации текста с длинным контекстом. В README указано использование через mlx-lm. В метаданных заявлена лицензия Apache-2.0. Данных о поддерживаемых естественных языках и специальных предметных областях нет.

Yi-34B — большая языковая модель, разработанная 01.AI и обученная с нуля на многоязычном корпусе объёмом 3 трлн токенов. Это базовая, не чатовая версия модели: она предназначена для генерации текста и может использоваться как основа для последующего дообучения и прикладных систем. Модель имеет плотную архитектуру Transformer, совместимую по структуре с Llama, но, согласно карточке, не использует веса Llama и не является её производной. Размер — 33,9 млрд параметров, родная длина контекста — 4096 токенов. Основные языки — китайский и английский; карточка описывает способности к пониманию языка, рассуждениям здравого смысла и чтению с пониманием. Для запуска доступны веса PyTorch и Safetensors. Модель требует значительных вычислительных ресурсов; в README для локального запуска Yi-34B-Chat приводится пример с ускорителем A800 на 80 ГБ. Лицензия — Apache 2.0.

AIArchiveInfo публикует побайтную архивную копию модели 01-ai/Yi-6B-200K: веса не обучались, не дообучались и не изменялись. Это плотная авторегрессионная языковая модель семейства Yi с архитектурой LlamaForCausalLM; она содержит около 5,8 млрд параметров и поддерживает контекст до 200 000 токенов. В README серия Yi описана как двуязычная, прежде всего ориентированная на китайский и английский языки, и предназначенная для понимания языка, рассуждений, чтения и генерации текста. Модель подходит для локальной генерации текста и экспериментов с длинными документами и запросами. Репозиторий содержит веса PyTorch в формате Safetensors. Модель лицензирована по Apache-2.0. Хотя архитектура совместима с подходами Llama, README подчёркивает, что Yi обучена с нуля и не использует веса Llama.

Zero-Mistral-24B — текстовая большая языковая модель, разработанная ZeroAgency.ru и дообученная на базе mistralai/Mistral-Small-3.1-24B-Instruct-2503. В отличие от базовой модели, в этой версии удалены возможности работы с изображениями. Модель рассчитана прежде всего на русский и английский языки; для обучения использовались Big Russian Dataset и собственный набор данных Shkolkovo.online. Модель предназначена для диалогов и генерации текста, включая ответы на вопросы, математические задачи и рассуждения. По данным карточки, она сохраняет контекст до 128 тысяч токенов и имеет 23,4 млрд параметров. Доступны веса Safetensors и варианты GGUF, включая BF16, F16 и квантованные версии. Для запуска описана поддержка Transformers, vLLM и llama.cpp. Лицензия — MIT. Разработчики отмечают хорошие математические навыки и некоторые способности к рассуждению; результаты тестов приведены в карточке. Карточка не содержит подробных сведений о характерных ошибках или систематических ограничениях качества.

Airophin разработал пользователь bhenrym14 как QLoRA-дообучение Llama 2 13B для генерации текста с расширенным контекстом. Модель использует плотную архитектуру LlamaForCausalLM, содержит 12,9 млрд параметров и применяет частичное NTK-масштабирование RoPE; автор указывает целевую длину контекста 16 384 токена. В метаданных Hugging Face указана нативная длина контекста 4 096 токенов. Обучение проходило в два этапа: на длинных фрагментах набора Dolphin и затем на Airoboros GPT-4 1.4.1. Модель предназначена для диалоговой генерации, ответов по предоставленному контексту, инструкций и задач вроде викторин и вопросов с выбором ответа. Для ответов по документам в карточке предложен формат с явными разделителями контекста. Автор сообщает о тестировании длинных последовательностей до 12 000 токенов и приводит результаты perplexity, но отмечает, что оценка влияния отдельных этапов обучения затруднена. Для запуска требуются способы поддержки частичного NTK RoPE-масштабирования; README указывает, что на момент его написания оно не поддерживалось нативно в Transformers и ExLlama. Доступные веса fp16 опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Anima-7B-100K — языковая модель для генерации текста, разработанная lyogavin на основе Llama 2 7B. Авторы обучали её на специально отобранных длинных примерах вопросов и ответов с контекстом от 30 до 100 тысяч токенов и применили оптимизации памяти для работы с длинными последовательностями. В README заявлена поддержка входа длиной до 100 тысяч токенов; метаданные указывают нативный контекст 32 768 токенов. Модель предназначена для ответов на вопросы по длинным документам и поиска сведений в большом контексте. В README приведены собственные оценки на задачах извлечения тем и чисел из длинного контекста и NarrativeQA, но авторы отмечают нехватку подходящих оценочных наборов для контекста в 100 тысяч токенов. Модель основана на плотной архитектуре Llama и имеет 6,6 млрд параметров. В карточке указан английский язык. Лицензия Apache-2.0 допускает коммерческое использование.

Jebadiah/Aria-7b-128k-v3 — объединённая языковая модель, созданная Jebadiah с помощью mergekit. В основе лежит Nitral-AI/Echidna-7b-128k, объединённая с Jebadiah/Aria-7b-128k-v2 методом DARE TIES; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров. Репозиторий содержит веса в формате safetensors, библиотека для работы с моделью — Transformers. Модель предназначена для генерации текста. В метаданных указан нативный контекст 32 768 токенов. Карточка не описывает отдельные специализированные задачи, языковую поддержку или прикладные области, поэтому модель уместно рассматривать как инструмент общего назначения. Сведения о лицензии и конкретных ограничениях в предоставленных данных отсутствуют.

Athene-70B-Preview — диалоговая большая языковая модель с открытыми весами, разработанная командой Nexusflow и дообученная с помощью RLHF на основе Llama-3-70B-Instruct. Репозиторий содержит копию первоначального выпуска Athene-70B; в карточке рекомендуется использовать более новую версию. Модель построена на плотной архитектуре Llama и содержит 69,5 млрд параметров; для запуска используется библиотека Transformers, веса представлены в формате safetensors. Контекстное окно составляет 8192 токена, основной язык — английский. Модель предназначена для диалогов и генерации текста, включая ответы на вопросы и выполнение пользовательских инструкций. В README отмечен результат 77,8% на Arena-Hard-Auto — прокси-бенчмарке Chatbot Arena. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

BgGPT-Gemma-2-2.6B-IT-v1.0 — диалоговая языковая модель INSAIT, института при Софийском университете Св. Климента Охридского. Это плотный декодерный трансформер семейства Gemma 2 с 2,7 млрд параметров и контекстом 8192 токена, предназначенный для генерации текста и выполнения инструкций в формате чата. Модель основана на Google Gemma 2 2B и Gemma 2 2B IT. INSAIT непрерывно предобучил её примерно на 100 млрд токенов, включая 85 млрд токенов на болгарском языке, используя стратегию Branch-and-Merge, а затем дообучил на болгарских инструкциях и диалогах. Она рассчитана прежде всего на болгарский язык, сохраняя возможности английского, и подходит для ответов на вопросы, суммаризации, рассуждений и диалоговых приложений. Модель распространяется по условиям Gemma Terms of Use. В README отмечено, что Flash Attention для неё не поддерживается и может ухудшить качество; для работы с инструкциями следует использовать шаблон чата Gemma 2.

Breeze-7B-Instruct-v1_0 — диалоговая языковая модель MediaTek Research для ответов на вопросы, многоходового чата, суммаризации и сценариев RAG. Это дообученная версия Breeze-7B-Base-v1_0, которая, в свою очередь, основана на Mistral-7B; модель использует архитектуру Mistral с плотным декодером и содержит 7,2 млрд параметров. Модель рассчитана прежде всего на традиционный китайский язык, а также поддерживает английский. Словарь расширен с 32 тыс. до 62 тыс. токенов для лучшей поддержки традиционного китайского; в карточке заявлено ускорение инференса на этом языке. Контекст модели — 32 768 токенов по метаданным каталога; README описывает версию с контекстом 8 тыс. токенов. Эти значения различаются между источниками. Модель работает с текстом и предназначена для использования как готовый чат-ассистент. В README отмечено, что для диалогов нет специальной обработки вредоносных запросов. Модель опубликована под лицензией Apache-2.0; её качество и скорость могут зависеть от сценария и условий запуска.

Weyaxi/CollectiveCognition-v1.1-Nebula-7B — объединённая языковая модель на архитектуре Mistral, созданная путём слияния teknium/CollectiveCognition-v1.1-Mistral-7B и PulsarAI/Nebula-7B. Она предназначена для генерации текста и может использоваться для диалогов, ответов на вопросы и других задач с текстовыми инструкциями. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке приведены результаты оценки Open LLM Leaderboard, включая ARC и HellaSwag. Доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

DareBeagle-7B-v2 — языковая модель для генерации текста, созданная mlabonne путём слияния NeuralBeagle14-7B и NeuralDaredevil-7B методом slerp с помощью LazyMergekit. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров; репозиторий содержит веса Safetensors в формате float16. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Модель подходит для диалогов, следования инструкциям, рассуждений и творческой генерации текста — эти возможности также указаны для базовой NeuralBeagle14-7B. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Moritz Laurer дообучил DeBERTa-v3-large от Microsoft для задач вывода по тексту (NLI) и классификации без заранее заданного набора классов. Модель сопоставляет текст с предложенными категориями и оценивает их соответствие; также её можно применять для определения логического следования, противоречия или нейтральности между посылкой и гипотезой. Дообучение проведено на 885 242 парах из MultiNLI, Fever-NLI, ANLI, LingNLI и WANLI. Архитектура — DeBERTa-v2 для классификации последовательностей, размер — 533,8 млн параметров, контекст — до 512 токенов. Карточка указывает английский язык. По оценкам автора, модель показала высокие результаты на этих наборах данных, в том числе на состязательном ANLI. Модель принимает текст и выдаёт метки и оценки классов. Результаты зависят от формулировок текста и кандидатов категорий, а модель может воспроизводить смещения обучающих данных. Для работы с актуальными версиями Transformers в README рекомендуется версия 4.13 или новее. Лицензия — MIT.

Карточка модели ronigold/dictalm2.0-instruct-fine-tuned на Hugging Face совпадает с карточкой ronigold/dictalm2.0-instruct-fine-tuned-alpaca-gpt4-hebrew, поэтому описание составлено по ней. Модель разработал Roni Goldshmidt: это дообученная Dicta-IL dictalm2.0-instruct на базе Mistral с 7,1 млрд параметров. Она предназначена для генерации вопросов и ответов на иврите по фрагментам текста, в частности по энциклопедическим материалам; карточка описывает синтетический набор данных, созданный на основе статей Википедии на иврите. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors по лицензии MIT. Подходит для подготовки учебных вопросов, проверки понимания текста и создания пар «вопрос—ответ» по предоставленному материалу. В описанной автором оценке на синтетическом отложенном наборе указаны F1 88% и exact match 75%; эти результаты относятся к данному набору и не гарантируют точность на других данных. Модель может воспроизводить смещения обучающих данных, а ответы требуют проверки; её не рекомендуют использовать для критически важных медицинских или юридических сведений без проверки человеком.

cyankiwi/diffusiongemma-26B-A4B-it-AWQ-INT4 — квантованная версия DiffusionGemma на базе google/diffusiongemma-26B-A4B-it, разработанной Google DeepMind. Это мультимодальная модель с открытыми весами, которая принимает текст, изображения и видео, а генерирует текст. Представленная версия использует квантование AWQ INT4 и занимает около 17,23 ГБ. Модель предназначена для генерации текста, рассуждений, диалоговых сценариев, обработки мультимодальных запросов и задач, связанных с STEM и агентными системами. Она применяет дискретную диффузию: вместо последовательной генерации токенов модель итеративно восстанавливает блоки токенов, что может повышать скорость вывода. Архитектура включает encoder-decoder с двунаправленным вниманием в декодере и разреженную Mixture-of-Experts-конфигурацию: 25,2 млрд параметров всего, 3,8 млрд активных параметров, 30 слоёв и 8 активных экспертов из 128. Заявлены контекст до 256 тысяч токенов, окно скользящего внимания 1024 токена и длина генерируемого блока 256 токенов. Поддерживаются английский, китайский, хинди, арабский, русский, японский, корейский, нидерландский, французский и испанский языки. Модель оптимизирована для инференса с небольшим размером пакета и низкой задержкой, преимущественно на одном производительном ускорителе; режим рассуждений и системные промпты поддерживаются. Ограничение развертывания — отсутствие поддержки внутримодельного тензорного и конвейерного распараллеливания; для нескольких GPU рекомендуется репликация через data parallelism. Лицензия — Apache 2.0.

EmertonMonarch-7B-slerp — языковая модель для генерации текста, созданная объединением моделей mlabonne/Monarch-7B и yleo/EmertonBeagle-7B-dpo методом SLERP с помощью LazyMergekit. Это плотная модель архитектуры MistralForCausalLM размером 7,1 млрд параметров; для неё указан контекст до 32 768 токенов. Модель принимает текст и генерирует текст, подходя для диалогов и общих языковых задач. Модель опубликована в формате safetensors и использует лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка описывает состав слияния и параметры объединения, но не приводит отдельные оценки качества или подробные ограничения применения.

EttinX-sts-m — англоязычный cross-encoder для оценки семантического сходства двух текстов. Модель разработана dleemiller на основе jhu-clsp/ettin-encoder-150m и дообучена на sentence-transformers/stsb после предварительного обучения на подмножестве pair-score-sampled датасета dleemiller/wiki-sim. Модель использует архитектуру ModernBERT и содержит 149 млн параметров. Она принимает пары текстов и возвращает оценку сходства от 0 до 1; заявленная длина контекста — около 8 тыс. токенов. По README, на тестовой части STS-Benchmark достигнуты корреляции Pearson 0,9143 и Spearman 0,9102. Модель подходит для ранжирования пар по сходству, сравнения ответов и оценки результатов LLM. Распространяется по лицензии MIT.