I.6Перевод и языковая адаптация

MaziyarPanahi/Llama-3-8B-Instruct-v0.1 — дообученная чат-модель на архитектуре Llama 3, разработанная Maziyar Panahi на основе MaziyarPanahi/Llama-3-8B-Instruct-DPO-v0.2. Она предназначена для генерации текста в диалоге и запускается через библиотеку Transformers; для общения используется шаблон ChatML. Модель содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель принимает текстовые сообщения и генерирует текстовые ответы. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors; README также ссылается на отдельную GGUF-версию. Лицензия указана как other, поэтому перед использованием следует проверить условия лицензии на странице модели.

Карточка модели princeton-nlp/Llama-3-Instruct-8B-IPO-v0.2 на Hugging Face совпадает с карточкой princeton-nlp/Llama-3-Instruct-8B-SimPO-v0.2, поэтому описание составлено по ней. Llama-3-Instruct-8B-SimPO-v0.2 — диалоговая языковая модель семейства Llama, выпущенная командой Princeton NLP как модель из работы SimPO (Simple Preference Optimization with a Reference-Free Reward). Она предназначена для генерации текста в формате инструкций и диалога. Модель содержит 7,5 млрд параметров, принимает текст и имеет контекстное окно 8192 токена. Модель связана с исследованием оптимизации предпочтений без эталонной модели. В карточке не приведены подробности обучения, оценки качества или специальные области применения; метаданные указывают поддержку чата и формат весов safetensors. Лицензия в предоставленных данных не указана.

Карточка модели princeton-nlp/Llama-3-Instruct-8B-KTO-v0.2 на Hugging Face совпадает с карточкой princeton-nlp/Llama-3-Instruct-8B-SimPO-v0.2, поэтому описание составлено по ней. Llama-3-Instruct-8B-SimPO-v0.2 — диалоговая языковая модель семейства Llama, выпущенная командой Princeton NLP как модель из работы SimPO (Simple Preference Optimization with a Reference-Free Reward). Она предназначена для генерации текста в формате инструкций и диалога. Модель содержит 7,5 млрд параметров, принимает текст и имеет контекстное окно 8192 токена. Модель связана с исследованием оптимизации предпочтений без эталонной модели. В карточке не приведены подробности обучения, оценки качества или специальные области применения; метаданные указывают поддержку чата и формат весов safetensors. Лицензия в предоставленных данных не указана.

Карточка модели princeton-nlp/Llama-3-Instruct-8B-RRHF-v0.2 на Hugging Face совпадает с карточкой princeton-nlp/Llama-3-Instruct-8B-SimPO-v0.2, поэтому описание составлено по ней. Llama-3-Instruct-8B-SimPO-v0.2 — диалоговая языковая модель семейства Llama, выпущенная командой Princeton NLP как модель из работы SimPO (Simple Preference Optimization with a Reference-Free Reward). Она предназначена для генерации текста в формате инструкций и диалога. Модель содержит 7,5 млрд параметров, принимает текст и имеет контекстное окно 8192 токена. Модель связана с исследованием оптимизации предпочтений без эталонной модели. В карточке не приведены подробности обучения, оценки качества или специальные области применения; метаданные указывают поддержку чата и формат весов safetensors. Лицензия в предоставленных данных не указана.

Llama-3-linear-8B — языковая модель на архитектуре Llama, созданная Mlabonne путём объединения Meta-Llama-3-8B и Meta-Llama-3-8B-Instruct методом task arithmetic через LazyMergekit. Модель содержит 7,5 млрд параметров и предназначена для генерации текста и диалоговых ответов; для работы с ней подходят сценарии ассистента и продолжения текста. Модель принимает текст и генерирует текст. Её нативное контекстное окно составляет 8192 токена. В карточке указана лицензия other; перед использованием следует проверить условия лицензии базовых моделей Meta-Llama 3.

Carchofa/looped_llama_8b_128k — языковая модель для генерации текста, опубликованная на Hugging Face и предназначенная для запуска через библиотеку Transformers. Модель относится к семейству Llama и содержит около 7,5 млрд параметров. Модель может использоваться для продолжения текстов, подготовки черновиков, генерации ответов и других сценариев, основанных на text-generation. Её нативное контекстное окно составляет 131 072 токена, что позволяет обрабатывать длинные входные документы и диалоги. README не содержит сведений о разработчике, лицензии, языках обучения, данных, результатах оценки и специальных ограничениях, поэтому перед практическим применением требуется дополнительная проверка качества и условий использования.

M7Yamshadowexperiment28_Inex16Calme — слитая модель для генерации текста, созданная на основе automerger/M7Yamshadowexperiment28-7B и automerger/Inex16Calme-7B. Модель использует плотную архитектуру Mistral с 7,1 млрд параметров и работает с контекстом до 32 768 токенов. Она предназначена для генерации текста и диалоговых ответов. Репозиторий содержит веса в формате safetensors. Модель опубликована по лицензии Apache 2.0.

kzome/manhua-ar-model — дообученная разработчиком kzome модель генерации текста на архитектуре Qwen2.5. Она основана на unsloth/Qwen2.5-7B-Instruct-bnb-4bit и содержит 7,1 млрд параметров; в карточке указаны обучение с Unsloth и библиотекой TRL, а также поддержка диалога и интерфейса вызова инструментов. Модель подходит для генерации текста и диалогового взаимодействия. Контекстное окно составляет до 32 768 токенов, основной указанный язык — английский. Модель распространяется по лицензии Apache-2.0.

mDeBERTa-v3-base — многоязычная модель Microsoft на архитектуре DeBERTa V3, предназначенная для задач понимания текста и предсказания замаскированных токенов. Вариант base содержит 12 слоёв, скрытый размер 768 и 306 млн параметров; словарь включает 250 тыс. токенов. Модель обучена на многоязычных данных CC100 с использованием предобучения в стиле ELECTRA и механизма разделения градиентов при совместном использовании эмбеддингов. Контекст ограничен 512 токенами. Модель поддерживает английский, русский и другие языки, перечисленные в метаданных. В README приведены результаты переноса с обучением только на английских данных и тестированием на 15 языках XNLI; в этой оценке mDeBERTa-base показала более высокий средний результат, чем XLM-R-base. Модель подходит как основа для дообучения на классификацию и другие задачи понимания естественного языка, однако сама карточка задаёт основную задачу fill-mask. Распространяется по лицензии MIT.

MeliodasPercival_01_Strangemerges_32Alloyingotneoy — объединённая модель генерации текста на архитектуре Mistral, созданная слиянием automerger/MeliodasPercival_01-7B и automerger/Strangemerges_32Alloyingotneoy-7B. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и диалоговых сценариев. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Данных о специализации на конкретных языках или предметных областях нет.

Mergerix-7b-v0.2 — объединённая текстовая модель, опубликованная MiniMoog и созданная с помощью LazyMergekit из трёх моделей на базе Mistral. Веса объединены методом model_stock; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель предназначена для генерации текста и диалога, принимает текст и выдаёт текст. Контекст — до 32 768 токенов. Репозиторий содержит веса в формате safetensors, а лицензия указана как Apache-2.0. Карточка не описывает специальные области применения или результаты оценки качества, поэтому практическое качество и поведение объединённой модели могут зависеть от запроса.

Это квантизированная в формате GGUF версия instruct-модели Ministral-3-3B-Instruct-2512 от Mistral AI, подготовленная DevQuasar для запуска в совместимом локальном ПО. Модель предназначена для диалогов, выполнения инструкций и генерации текста; базовая модель также поддерживает анализ изображений. Компактный размер семейства рассчитан на локальные и периферийные устройства. В репозитории представлены варианты GGUF BF16 и F16. Лицензия в предоставленных данных не указана; перед использованием проверьте условия лицензии базовой модели Mistral AI. Доступная карточка не описывает конкретные ограничения качества или производительности.

mal-sh/mith-embed-v2-train — модель Sentence Transformers на базе арабоязычной aubmindlab/bert-base-arabertv2, дообученная для получения плотных векторных представлений предложений и абзацев. Она предназначена для поиска семантически близких текстов, оценки сходства, поиска перефразировок, кластеризации и классификации текстов; особенно полезна для задач с арабскими вопросами и ответами. Модель выдаёт векторы размерности 768, для сравнения текстов использует косинусное сходство и принимает последовательности длиной до 512 токенов. В README перечислены арабский, китайский, немецкий, английский, французский, итальянский, польский, русский, испанский и турецкий языки; обучающие данные включают наборы арабских QA, NLI и межъязыкового сходства предложений. Архитектура состоит из BERT-трансформера и mean pooling. Репозиторий содержит веса в формате safetensors, размер модели — 162,4 млн параметров. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Карточка модели zenosai/MonkeyOCRv2-AS на Hugging Face совпадает с карточкой zenosai/MonkeyOCRv2-B-Parsing, поэтому описание составлено по ней. MonkeyOCRv2-B-Parsing — мультимодальная модель для разбора документов, разработанная командой MonkeyOCRv2. Она принимает изображения документов и предназначена для извлечения и структурирования их содержимого; модель также поддерживается как парсер PDF в RAGFlow. В README указана оценка на документах 17 языков, включая цифровые и сфотографированные документы, однако конкретные языки не перечислены. Модель использует плотную архитектуру MonkeyOCRv2ForCausalLM и содержит 507,9 млн параметров. Метаданные указывают контекст до 40 960 токенов, библиотеку Transformers и формат весов Safetensors. В README описаны запуск через Transformers и vLLM, а также возможность дообучения на собственных данных. Лицензия — Apache-2.0. Подходит для разбора PDF и изображений документов с выдачей текстового представления, в том числе для последующей работы с содержимым в RAG-системах. Ограничение: README не приводит перечень поддерживаемых языков и подробностей о формате или точности результатов для отдельных типов документов.

bartowski/moxin-llm-7b-GGUF — это набор GGUF-квантизаций текстовой генеративной модели moxin-llm-7b, разработанной moxin-org. Квантизации выполнены bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска, в том числе через LM Studio и совместимые инструменты на базе llama.cpp. Модель содержит около 7 миллиардов параметров и поставляется в вариантах от F16 до низкобитных Q2 и IQ2/IQ3/IQ4-квантизаций. Размер файлов составляет примерно от 2,79 до 16,23 ГБ, что позволяет выбирать баланс между качеством, скоростью и требованиями к оперативной памяти. Для некоторых вариантов эмбеддинги и выходные веса квантизированы в Q8_0. Наиболее качественными считаются F16, Q8_0, Q6_K_L, Q6_K, Q5 и Q4_K-варианты; низкобитные версии экономят память, но могут заметно уступать в качестве. В README не указаны архитектура базовой модели, поддерживаемые языки, размер контекстного окна и специальный формат промпта; его рекомендуется уточнить на странице исходной модели. Модель поддерживает только текстовую модальность. Для набора указана лицензия Apache-2.0.

MrBERT — многоязычная модель-энкодер от BSC-LT на архитектуре ModernBERT, предварительно обученная с нуля на корпусе объёмом 6,1 трлн токенов. Она использует двунаправленный masked language modeling и предназначена для получения контекстных представлений текста на 35 европейских языках и кода. Модель содержит около 307 млн параметров, использует токенизатор SentencePiece с словарём на 256 тысяч токенов и поддерживает контекст до 8192 токенов. MrBERT подходит как основа для последующей настройки на поиск и извлечение информации, классификацию, семантический поиск и кросс-языковые задачи понимания текста. В карточке приведены оценки на XTREME и других многоязычных тестах, включая XNLI, PAWS-X и UDPOS; результаты различаются по задачам и языкам. Для получения эмбеддингов или прикладного предсказания потребуется соответствующая downstream-настройка. Модель распространяется под лицензией Apache-2.0. Хотя в обучающем корпусе присутствуют код и 35 языков, основная доля данных — английская (67,4%); результаты и качество могут быть неодинаковыми для разных языков и задач.

zelk12/MT1-Max-Merge_02012025163610-MU-gemma-2-MTM2MUMT1g2-9B — объединённая разговорная языковая модель на архитектуре Gemma 2, созданная методом SLERP с помощью mergekit из моделей zelk12/MT1-Gen2-gemma-2-9B и zelk12/MT-Merge2-MU-gemma-2-MTg2MT1g2-9B. Она предназначена для генерации текста и ведения диалогов. Модель содержит 9 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 8192 токенов и представлена в формате safetensors для библиотеки Transformers. В метаданных указана лицензия; её условия следует учитывать при использовании модели.

zelk12/MT4-BMM-gemma-2-9B — объединённая диалоговая языковая модель на архитектуре Gemma 2, созданная методом SLERP из двух моделей Gemma 2. Модель содержит 9 млрд параметров, рассчитана на генерацию текста и ответы в диалоге; для работы используется библиотека Transformers. Нативная длина контекста — 8192 токена. Модель принимает текст и выдаёт текст. Она может служить основой для чат-ботов и генерации ответов на запросы. В README указано, что веса объединены с помощью mergekit; лицензия в предоставленных данных не указана.

zelk12/MT-Max-Merge_02012025163610-MUG-gemma-2-9B — языковая модель, созданная автором репозитория объединением двух моделей Gemma 2 с помощью SLERP в mergekit. Это плотная причинная языковая модель на 9 млрд параметров для генерации текста и диалогового общения; она принимает текст и выдаёт текст. Нативный контекст составляет 8192 токена, модель предназначена для работы через Transformers и распространяется в формате safetensors. Модель подходит для генерации ответов в диалогах и других сценариев генерации текста. Она является объединением моделей zelk12/MT-Max-Merge_02012025163610-GP-gemma-2-MTg4MT5g4-9B и zelk12/MT-Max-Merge_02012025163610-MU-gemma-2-MTM2MUMTM4-9B; README указывает базовую модель объединения zelk12/MT-Max-Merge_02012025163610-MU-gemma-2-MTM2MUMTM4-9B. Языки, специальные отраслевые задачи и условия лицензии в доступных сведениях не определены.

Neural-Chat-v3 — языковая модель с 7,1 млрд параметров, разработанная командой NeuralChat компании Intel. Это дообученная на Open-Orca/SlimOrca модель Mistral-7B-v0.1, дополнительно выровненная методом Direct Preference Optimization на парах Intel/orca_dpo_pairs. Модель предназначена для генерации текста и языковых задач, включая диалоговые сценарии и ответы на запросы. README указывает контекст 8192 токена; в метаданных каталога указано значение 32768 токенов. Модель ориентирована на английский язык. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. README отмечает, что результаты зависят от формулировки запроса и что для конкретных задач может потребоваться дополнительное дообучение. Модель может выдавать фактически неверные, предвзятые, оскорбительные или непристойные ответы, поэтому перед применением в продукте необходима проверка безопасности.

Neural-Chat-v3-2 — языковая модель Intel на 7,1 млрд параметров для генерации текста и выполнения языковых задач. Она построена на архитектуре Mistral и дообучена из Intel/neural-chat-7b-v3-1 на наборе MetaMathQA с выравниванием методом DPO на парах Intel/orca_dpo_pairs. Исходная версия neural-chat-7b-v3-1 была дообучена на базе mistralai/Mistral-7B-v0.1. Модель предназначена для инференса в широких языковых сценариях, включая математические вопросы и диалог. README указывает контекст 8192 токена; метаданные каталога сообщают 32768, поэтому фактический предел может зависеть от конфигурации и версии. Модель принимает текст и генерирует текст; в карточке указан английский язык. Модель может выдавать фактически неверные ответы, а также предвзятый, оскорбительный или неприемлемый контент. Перед внедрением рекомендуется проверять её безопасность и точность. Лицензия — Apache-2.0.

NeuralDareBeagle-7B-slerp — объединённая языковая модель на архитектуре Mistral, созданная с помощью LazyMergekit путём слияния NeuralBeagle14-7B и DareBeagle-7B-v2 методом SLERP. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста и может использоваться для диалогов, ответов на запросы и создания текстовых материалов. Карточка приводит результаты Open LLM Leaderboard, включая оценки по AI2 Reasoning Challenge и HellaSwag, но не описывает отдельные языковые или предметные специализации. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

NeuralsirkrishnaShadow_AlloyingotneoyNeuralsirkrishna — объединённая модель на архитектуре Mistral, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/AlloyingotneoyNeuralsirkrishna-7B. Она предназначена для генерации текста и диалогов, включая сценарии с контекстом до 32 768 токенов. Модель содержит 7,1 млрд параметров, а её веса опубликованы в формате Safetensors. Модель распространяется по лицензии Apache-2.0. README и метаданные не описывают специализированную область применения или известные ограничения качества; её подтверждённая задача — генерация текста.

larsksy/norbert4-large-scandinavian-embedding — модель Sentence Transformer, дообученная на базе ltg/norbert4-large для получения эмбеддингов предложений и абзацев на норвежском, датском и шведском языках. Модель насчитывает 358,8 млн параметров и строит плотные векторы размерности 960; для сравнения текстов используется косинусное сходство. Максимальная длина входной последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Обучение проводилось на данных NLI, group-b-qa и DDSC. Доступна в формате safetensors и предназначена для использования с библиотекой Sentence Transformers. Лицензия в предоставленных данных не указана.

Norobara-ZLoss-8x7B-GGUF — квантизированная версия языковой модели Norobara ZLoss 8X7B, разработанной Doctor Shotgun и подготовленной в формате GGUF пользователем TheBloke. Модель основана на архитектуре Mixtral и предназначена для генерации текста по инструкциям, диалоговых сценариев и локального запуска через совместимые приложения и библиотеки. Модель обучалась на наборах данных LDJnr/Capybara, unalignment/toxic-dpo-v0.1, LDJnr/Verified-Camel, HuggingFaceH4/no_robots и связанных наборах Doctor Shotgun. В метаданных указан английский язык. Доступны варианты квантования от 2 до 8 бит, что позволяет выбирать компромисс между потреблением памяти, скоростью и качеством. Исходное обозначение 8x7B указывает на конфигурацию модели, однако точное число активных параметров и размер контекстного окна в README не указаны. GGUF-версии совместимы с llama.cpp и рядом локальных интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Сильной стороной является возможность запуска на CPU и GPU с разными уровнями квантования; ограничениями могут быть потери качества при использовании наиболее агрессивных вариантов квантования, а также отсутствие заявленной поддержки мультимодальных входов. Лицензия в README не указана, поэтому условия использования следует уточнять в репозитории исходной модели и у автора.

olmOCR-7B-0225-preview — предварительная версия модели для распознавания и преобразования содержимого документов в текст, разработанная Allen Institute for AI и дообученная на Qwen2-VL-7B-Instruct с использованием набора данных olmOCR-mix-0225. Она предназначена для обработки изображений страниц документов; рекомендованный сценарий — передавать изображение одной страницы, масштабированное так, чтобы его наибольшая сторона составляла 1024 пикселя. Для обработки PDF и пакетного запуска авторы рекомендуют набор инструментов olmOCR, поддерживающий масштабный инференс через SGLang. Модель основана на мультимодальной архитектуре Qwen2-VL, содержит 7,1 млрд параметров и имеет контекст длиной до 32 768 токенов. Она принимает изображения документов и выдаёт текст; карточка указывает английский язык. Модель доступна по лицензии Apache-2.0. Это предварительная версия, поэтому качество распознавания может зависеть от качества и структуры исходного изображения; в README не приведены отдельные результаты оценки или подробный список ограничений.

olmOCR-7B-0725 — модель Allen Institute for AI, дообученная на наборе olmOCR-mix-0225 на основе Qwen2.5-VL-7B-Instruct. Она предназначена для распознавания текста и извлечения содержимого из изображений документов; для масштабной обработки авторы рекомендуют использовать её через инструментарий olmOCR, который поддерживает эффективный инференс с помощью sglang. Модель использует мультимодальную архитектуру Qwen2.5-VL с 7,1 млрд параметров и принимает изображение одного документа. В README рекомендовано подавать его с максимальной стороной 1288 пикселей. Метаданные указывают контекст длиной до 128 000 токенов; модель работает с текстом и изображениями, а в качестве основного сценария заявлена обработка документов. Лицензия — Apache-2.0.

openmixtral-6x7b-merged_v2 — объединённая модель mychen76 на архитектуре Mixtral MoE для генерации текста. Карточка указывает, что это merge моделей, однако перечень объединённых моделей в доступном описании отсутствует. Модель подходит для сценариев генерации текста. Метаданные указывают 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. Она распространяется по лицензии Apache-2.0.

Orion-14B-Chat-RAG — диалоговая модель OrionStarAI из семейства Orion-14B. Базовую серию обучили с нуля на многоязычном корпусе объёмом 2,5 трлн токенов; эта версия дообучена на специальном наборе данных для генерации с дополнением извлечёнными сведениями (RAG). Модель предназначена для ответов на вопросы по найденным документам и других сценариев, где ответ опирается на переданный контекст. Это плотная авторегрессионная языковая модель с 14,1 млрд параметров и контекстным окном 4096 токенов. В README заявлена поддержка китайского, английского, японского и корейского языков; метаданные также отмечают возможности работы с кодом. Репозиторий содержит веса PyTorch. Для применения в RAG необходимо организовать поиск и передавать модели извлечённый контекст; сама карточка не описывает встроенный поисковый индекс. Модель может быть полезна для многоязычных диалогов и генерации ответов с опорой на документы. README заявляет высокую эффективность в задачах RAG, но не приводит в предоставленном фрагменте конкретных результатов оценки этой версии. Лицензия в предоставленных данных не указана.

Карточка модели infgrad/puff-large-v1 на Hugging Face совпадает с карточкой infgrad/puff-base-v1, поэтому описание составлено по ней. infgrad выпустил модель на базе XLM-RoBERTa для поиска и семантического сопоставления текстов. Она формирует векторные представления предложений и поддерживает несколько выходных размерностей: 256, 768, 1024, 1563, 1792, 2048 и 4096. Модель рассчитана на поиск как внутри одного языка, так и между китайским и английским; автор отмечает, что английские представления слабее китайских. Контекстная длина составляет 514 токенов. Модель распространяется под лицензией MIT.