II.10Разработка и эксплуатация AI/ML-систем

Muse-Glimmer-30B-DFlash2-GGUF — набор GGUF-конвертаций черновой модели DFlash 2 для Muse-Glimmer-30B, разработанный Inco AI и предназначенный для использования с llama.cpp. Это не самостоятельная языковая модель: она работает внутри сервера со speculative decoding, предварительно генерируя токены, которые затем проверяет целевая модель Muse-Glimmer-30B. DFlash 2 использует block-diffusion для параллельного предсказания целого блока токенов за один проход, сохраняет несколько лучших кандидатов на каждой позиции и выбирает из них согласованный путь. Архитектура включает двухконтактные динамические свёртки, помогающие сохранять качество черновика к концу блока. Заявлена без потерь: при жадной генерации результат совпадает с целевой моделью, а при sampling сохраняется её распределение. Доступны варианты BF16 размером 5,5 ГБ, Q8_0 размером 2,9 ГБ и Q4_K_M размером 1,6 ГБ. Модель предназначена для ускорения инференса Muse-Glimmer-30B в поддерживаемом сервере speculative decoding; автономное использование не предусмотрено. В README не указаны языки, размер контекста и мультимодальные возможности. Для запуска требуется сборка llama.cpp с поддержкой DFlash 2 и совместимая целевая модель. Репозиторий распространяется по лицензии Apache-2.0.

Модель MyPlaygirl AI Team для бинарной классификации англоязычных текстовых сообщений: она относит текст к откровенному сексуальному контенту (NSFW) или безопасному для работы контенту (SFW). Модель предназначена для первичной модерации сообщений и может быть частью более широкой системы проверки контента. В карточке указано, что модель дообучена на пользовательском наборе примеров разговорных сообщений с метками NSFW и SFW. Она принимает текст длиной до 512 токенов и выдаёт метку класса; репозиторий содержит веса в формате safetensors. В карточке заявлены идеальные результаты на сбалансированной тестовой выборке из 100 примеров, однако размер и состав выборки ограничивают выводы о качестве на реальных данных. Лицензия — MIT. Модель обучена только для текстов, поэтому её результаты могут быть хуже на формулировках и типах сообщений, недостаточно представленных в обучающих данных. Для спорных случаев рекомендуется проверка человеком; также следует учитывать возможные смещения классификации.

Nawah-BERT-6M-bilingual — двуязычная модель семейства BERT от oddadmix, обученная с нуля предсказывать замаскированные токены. Она предназначена для задач masked language modeling на арабском и английском языках и может служить компактной энкодерной основой для экспериментов и последующего дообучения. Архитектура включает 8 слоёв, скрытый размер 128 и 2 головы внимания; модель содержит 6,2 млн параметров и принимает контекст до 2048 токенов. Модель обучалась на сбалансированном корпусе из 5 млрд арабских и 5 млрд английских токенов с двуязычным токенизатором на 32 тысячи токенов. В README приведены результаты оценки на отложенных данных для обоих языков. Весá опубликованы в формате safetensors, библиотека — Transformers, лицензия — Apache-2.0.

NVIDIA NeMo NanoCodec 22 кГц, 0,6 кбит/с, 12,5 кадра/с — нейронный аудиокодек для сжатия речи и восстановления аудио. Модель принимает монофонический WAV с частотой 22 050 Гц и выдаёт аудио в том же формате. Это вариант семейства NeMo NanoCodec, разработанный NVIDIA на основе NVIDIA Low Frame-rate Speech Codec; в карточке указано 62 млн параметров. Архитектура включает свёрточные кодировщик и декодировщик на основе HiFi-GAN и конечное скалярное квантование (FSQ). Кодек предназначен для компрессии аудио и может использоваться как компонент обучения моделей генерации речи. Этот вариант специально рассчитан на дообучение с ограниченным числом дикторов и не рекомендуется для универсального кодирования и декодирования. Обучение проводилось на речевых данных из 105 языков; лицензия указана как other, а карточка сообщает о возможности коммерческого и некоммерческого использования.

NemotronH-0.3B-A0.3B — компактная экспериментальная модель для тестирования и разработки, созданная на основе NVIDIA Nemotron 3 Ultra. Это причинная языковая модель с гибридной архитектурой nemotron_h, объединяющей блоки Mamba-2, групповой attention и mixture-of-experts. В версии 0.347 млрд параметров и пяти слоях сохранены типы блоков исходной архитектуры; около 0.309 млрд параметров активируются при обработке токена. Модель предназначена для проверки загрузки, структуры чекпойнта и работы инструментов с архитектурой NemotronH, а также для экспериментов с генерацией текста. Веса переинициализированы, после чего модель дообучали на небольшом игрушечном наборе данных, поэтому её не следует считать уменьшенной копией с сохранёнными знаниями исходной модели. Контекст — до 262144 токенов. Модель принимает текст и генерирует текст; для ускорения могут потребоваться пакеты mamba_ssm и causal_conv1d, иначе Transformers использует более медленную эталонную реализацию. Лицензия — MIT.

NeuroBERT-Pro — англоязычная BERT-модель, представленная boltuix и дообученная на основе google-bert/bert-base-uncased. Она предназначена для заполнения пропусков в тексте и классификации коротких команд, например для распознавания намерений в приложениях умного дома, мобильных устройствах и IoT-системах с ограниченными ресурсами. Модель поддерживает работу без подключения к интернету и рассчитана на локальный инференс; заявлены архитектура из 8 слоёв со скрытым размером 512 и контекст до 512 токенов. В метаданных указано около 49,2 млн параметров, а README заявляет квантованный размер около 150 МБ. Для извлечения пропущенных слов используется masked language modeling; также README описывает классификацию текста и заявляет сценарии распознавания именованных сущностей. Приведённая оценка основана на небольшом наборе примеров, а часть результатов прямо обозначена как гипотетическая, поэтому заявления о точности и производительности следует проверять на целевых данных и устройстве. Лицензия MIT разрешает коммерческое и личное использование.

NusaBERT Large — многоязычная языковая модель на основе энкодера BERT, разработанная LazarusNLP. Это версия IndoBERT Large p1, продолжительно предобученная примерно на 16 млрд токенов из открытых корпусов, включая индонезийскую Википедию, KoPI-NLLB и CulturaX. Модель содержит 435,5 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Модель предназначена для восстановления замаскированных слов и может служить основой для задач анализа текста на индонезийском и нескольких языках Юго-Восточной Азии. В README приведены результаты оценки на отложенной части корпуса: accuracy 0,7117 и perplexity 3,769. Она обучалась с Transformers и PyTorch, распространяется под лицензией Apache 2.0.

OELLM 9B — 256K context — Prelude anneal300b — это базовая языковая модель OpenEuroLLM, представленная в виде BF16-экспорта для Transformers. Она построена на плотной декодерной архитектуре Qwen3 с примерно 9 млрд параметров и контекстом до 262 144 токенов; для обработки длинного контекста используется RoPE с theta 64 000 000. Модель получена продолженным предобучением чекпойнта openeurollm/prelude на примерно 8 млрд токенов, включая тексты на европейских языках, код и научные материалы. Модель предназначена для completion-сценариев, исследований длинного контекста и извлечения сведений из больших текстов, а также как основа для дальнейшего дообучения. Это не чат-модель: она не обучена следовать инструкциям и не прошла safety alignment. Небольшая проверка извлечения информации проведена на английском и шведском, но она не подтверждает качество рассуждений, суммаризации или генерации во всём окне контекста. Для работы с полным контекстом требуются значительные ресурсы ускорителей, эффективная реализация attention и тщательная настройка KV-cache; обычно нужен tensor parallelism. Опубликованные веса доступны по лицензии Apache-2.0.

OpenOneRec/OneRec-1.7B-pretrain — предварительно обученная модель из серии OneRec-Foundation, разработанной авторами проекта OpenOneRec. Модель предназначена как основа для последующего дообучения и выравнивания под задачи генеративных рекомендаций и специализированные наборы данных. В README указаны Itemic-Text Alignment и совместное предобучение всех параметров. Это плотная авторегрессионная языковая модель на архитектуре Qwen3ForCausalLM с 1,8 млрд параметров и контекстом до 40 960 токенов. Репозиторий содержит веса Safetensors; метаданные указывают библиотеку Transformers и разговорную возможность. Лицензия — Apache-2.0. README направляет за техническими деталями архитектуры к техническому отчёту, поэтому конкретные механизмы рекомендаций и результаты оценки здесь не описаны.

EllLaky/petri_esplicita_batteri — модель классификации изображений, созданная с помощью AutoTrain и дообученная на основе Falconsai/nsfw_image_detection. Она использует архитектуру ViT и содержит 113,2 млн параметров; назначение — распознавать категории изображений, связанные с NSFW-модерацией. В README приведены метрики на валидационной выборке: F1, точность, полнота, AUC и accuracy равны 1,0, однако состав выборки и методика оценки не описаны, поэтому эти результаты не гарантируют аналогичного качества на новых данных. Репозиторий содержит веса в формате safetensors. Сведения о лицензии, поддерживаемых языках и ограничениях использования не приведены в доступных материалах.

Pocket-TTS.AXERA — это пакет для синтеза английской речи на устройстве AX650. Репозиторий включает квантованную модель, Python-демо и предварительно собранную программу на C++; вывод поддерживает потоковый и непотоковый режимы. Модель экспортирована из ONNX и преобразована с помощью Pulsar2 в формат axmodel. Во время инференса на AX650 используются axmodel и ONNX-компонент для динамического KV-кэша. Проект предназначен для локального синтеза речи из текста на оборудовании AXERA AX650. Лицензия — Apache-2.0.

Quipus 0.6 Speech v2 — модель синтеза речи, разработанная HyperneuronAI на основе Qwen3 и дообученная от quipus-0.6-speechv1. Она преобразует текст в речь на 22 официально признанных языках Индии и подходит для голосовых помощников, разговорных систем, автоматических звонков, IVR, доступности и экспериментов с голосовыми приложениями. В модели заявлены 44 голоса — по два на язык; клонирование голоса не предоставляется. Для прежней версии авторы указывают скорость до 2× реального времени в Google Colab и 4,3× на Nvidia L40S, а также задержку до первого аудио около 120 мс в Colab. Эти показатели не перепроверялись для версии с поддержкой 22 языков и являются предварительными. README отмечает, что образцы доступны лишь для исходных языков, поэтому качество новых языков нельзя оценить по примерам в карточке. Модель распространяется по лицензии MIT.

interpretable-finetuning подготовил производную Qwen2.5-1.5B: в матрице эмбеддингов заменены две строки для маркеров ChatML `im_start` и `im_end`, скопированные из Qwen2.5-1.5B-Instruct. Остальные тензоры побитово совпадают с базовой моделью. Архитектура, токенизатор, словарь и идентификаторы токенов сохранены; модель содержит 1,5 млрд параметров, использует Transformers и поддерживает контекст до 131 072 токенов. Изменение устраняет совпадение этих маркеров с другими строками эмбеддингов, из-за которого модель могла не завершать генерацию при дообучении с замороженными эмбеддингами, например с LoRA. Это исправленная базовая языковая модель для экспериментов и последующего дообучения, а не готовая чат-модель: собственного поведения для диалога у неё нет. README также отмечает, что оставшиеся алиасные группы словаря могут создавать аналогичную проблему, если переиспользовать входящие в них токены. Лицензия — Apache-2.0.

Mostafa8Mehrabi/qwen3-30m-fp16 — компактная причинно-языковая модель генерации текста на архитектуре Qwen3, созданная на основе Qwen/Qwen3-0.6B. По README, модель уменьшена до 8 слоёв и скрытого размера 224; в метаданных указано 17,7 млн параметров, а карточка описывает её как версию примерно на 30–35 млн параметров. Используется токенизатор GPT-2 с размером словаря 50 257 токенов и формат SafeTensors; заявлена точность FP16. Контекст — до 32 768 токенов. Модель предназначена для лёгкой генерации текста и развёртывания на устройствах с ограниченными ресурсами. Уменьшенный размер рассчитан на более экономное использование памяти и быстрый вывод, в том числе на мобильных и периферийных устройствах. Карточка не приводит конкретных результатов бенчмарков или подробного перечня поддерживаемых естественных языков, поэтому качество и языковое покрытие нельзя оценить точнее. Лицензия — Apache-2.0. Существенное сокращение модели относительно базовой версии, а также замена токенизатора могут влиять на качество и совместимость; заявленные преимущества скорости и качества отдельно не подтверждены результатами оценки.

Qwen3.5-9B-DFlash-GGUF — это квантизированная GGUF-версия черновой модели z-lab/Qwen3.5-9B-DFlash, основанной на Qwen3.5-9B. Репозиторий подготовлен onion515; исходную архитектуру DFlash разработала команда z-lab, а базовую модель — команда Qwen. Модель предназначена не для самостоятельной генерации текста, а для ускорения инференса методом Speculative Decoding: она быстро предлагает последовательность токенов, после чего целевая, более крупная модель проверяет эти предложения. Для работы требуется совместимая целевая модель, например Qwen3.5-9B, и свежая версия llama.cpp с нативной поддержкой DFlash, протестированная начиная с b9831. Модель использует плотную архитектуру, при которой во время инференса активны все параметры, и представлена в вариантах BF16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 0,7 до 2,4 ГБ. Рекомендуемым считается Q5_K_M как компромисс между качеством и скоростью; Q4_K_M требует меньше памяти, а BF16 и Q8_0 сохраняют более высокую точность. Ключевое преимущество — потенциальное увеличение пропускной способности генерации без предполагаемого снижения качества целевой модели. Ограничение состоит в узком назначении: модель необходимо использовать в связке с совместимым target model и llama.cpp, она не предназначена для обычного автономного текстового инференса. Лицензия репозитория — Apache 2.0; для исходной модели и связанных компонентов следует учитывать условия лицензирования upstream-проектов.

mlx-community/Qwen3.6-35B-A3B-MTP-4bit — это вспомогательная модель-драфтер с весами Multi-Token Prediction (MTP), выделенными из Qwen/Qwen3.6-35B-A3B и подготовленными сообществом mlx-community для работы со speculative decoding в MLX и mlx-vlm. Она не является самостоятельной чат-моделью или моделью для обычной генерации текста. Модель предназначена для ускорения авторегрессионной генерации: она предлагает кандидаты токенов, а совместимая целевая модель Qwen3.6 35B-A3B проверяет их. Указанный тип модели — qwen3_5_mtp, размер блока MTP — 2, целевая архитектура — Qwen3.6 35B-A3B. Веса представлены в формате Safetensors и используют 4-битное аффинное квантование MLX с размером группы 64; для работы требуются MLX, mlx-vlm и runtime с поддержкой Qwen MTP draft-моделей. Основное преимущество — потенциальное ускорение декодирования при совместном использовании с подходящим целевым чекпойнтом. Ограничение заключается в том, что репозиторий нельзя использовать автономно: стандартная генерация через generic Transformers API не ожидается. В README указан язык en. Лицензия — Apache-2.0; дополнительные условия использования следует проверять в карточке исходной модели Qwen/Qwen3.6-35B-A3B.

Rom3rk/Qwen3.8-27B-ComfyUI-GGUF — квантованная GGUF-версия дообученной модели Qwen3.8-27B, разработанная Rom3rk на базе модели Qwen Team. Модель специализирована на работе с JSON-описаниями UI-workflow для ComfyUI: преобразует запросы на естественном языке в готовые workflow, редактирует существующие схемы, исправляет некорректные или неполные связи, проверяет структуру и параметры, а также объясняет поведение узлов и взаимодействие компонентов. Она может возвращать как исходный workflow JSON, так и обычный диалоговый ответ с рекомендациями по ComfyUI. Модель предназначена для локального запуска через llama.cpp, Ollama или LM Studio. Доступна в формате GGUF; в репозитории приведён пример файла с квантизацией Unsloth Dynamic 3.0, выполненной с использованием llama.cpp и importance matrix. Рекомендуемый размер контекста — 32768 токенов. Сведения о точном числе параметров базовой архитектуры, поддерживаемых языках и мультимодальных входах в README не раскрыты; тег vision-language присутствует, но конкретные возможности работы с изображениями не описаны. Сильная сторона модели — узкая специализация на генерации, редактировании, ремонте и аудите ComfyUI-workflow с сохранением заданных узлов, настроек и связей. Ограничения связаны с зависимостью результата от используемой GGUF-квантизации, inference runtime, версии ComfyUI и набора custom nodes; совместимость и качество для конкретного workflow требуют проверки. Модель распространяется по лицензии Apache License 2.0 как модифицированный производный вариант Qwen3.8-27B.

Anbeeld/Qwen3.8-27B-DSpark-GGUF — набор GGUF-квантизаций черновой модели RadixArk DSpark для ускорения генерации целевых моделей Qwen3.8-27B. Модель разработана Anbeeld на основе RadixArk/Qwen3.8-27B-DSpark, обученной с использованием SpecForge и предназначенной для speculative decoding в связке с SGLang. Это не самостоятельная языковая модель: для работы ей требуется совместимая целевая модель Qwen3.8-27B, а GGUF-варианты рассчитаны на BeeLlama.cpp — форк llama.cpp с расширенными возможностями квантизации. Черновая модель содержит около 1,86 млрд параметров, использует BF16, пять полноценных attention-слоёв, GQA с 32 query heads и 8 key/value heads, VanillaMarkov head ранга 256 и максимальную длину последовательности 262 144 позиции. Конфигурация предполагает семь черновых предложений и проверку до восьми токенов целевой моделью. В README приведены оценки на задачах программирования, математики, диалогов, общих знаний и длинного контекста: для DSpark v2 заявлены средняя длина принятой последовательности 3,43 токена на запрос и ускорение генерации до 3,16 раза при единичной конкурентности, однако результаты зависят от целевой модели, оборудования, режима обслуживания и нагрузки. Сильная сторона модели — повышение пропускной способности и снижение стоимости авторегрессионной генерации при сохранении проверки результатов целевой моделью. Ограничения включают необходимость совместимого target-чекпойнта и специализированного программного стека; приведённые показатели получены на GPU NVIDIA GB300 и H200 и не гарантируют аналогичную производительность на другом оборудовании. В метаданных указана лицензия «other», но её конкретные условия в README не раскрыты.

SergiioB подготовил неофициальный экспорт Qwen3.8-27B в формате OpenVINO INT4 с сохранением части слоёв GatedDeltaNet в более высокой точности. Это мультимодальная плотная модель Qwen с архитектурой Qwen3_5ForConditionalGeneration, полученная на основе Qwen/Qwen3.8-27B. Экспорт предназначен для диалогов и задач анализа изображений; в README качество проверено на англоязычном примере ai2d. В языковом графе 73% слоёв сжаты до INT4 с группой 128, около 22% оставлены в плавающей точности, а около 5% представлены в INT8. По замерам автора, на Intel Arc Pro B70 модель выдаёт 13,89 токена/с и проходит проверку качества на указанном примере. Для запуска требуется OpenVINO GenAI 2026.4 или новее; README отмечает сбой с более старой версией 2026.2 и рекомендует передавать конфигурацию генерации именованным аргументом. Модель опубликована под лицензией Apache-2.0. Экспорт неофициальный, а приведённые результаты производительности и качества относятся к одному устройству и ограниченному тесту; они не подтверждают качество на широком наборе задач.

OS-Software/Qwen3.8-27B-MTP-heretic-ja — производная от Qwen/Qwen3.8-27B модель, прошедшая abliteration: в ней существенно ослаблено исходное выравнивание безопасности. В карточке указано, что тестирование отказов проводилось на японских наборах данных; суффикс ja указывает на японскую направленность этой версии, хотя отдельные сведения о языковой поддержке не приведены. Базовая Qwen3.8-27B описана как плотная причинная языковая модель с энкодером изображений, способная работать с текстом, изображениями и видео. Она рассчитана на диалоги, анализ визуальных материалов, программирование, исследования и многошаговые агентные задачи. Размер составляет 27 млрд параметров, нативная длина контекста — 262 144 токена с возможностью расширения до 1 млн. Архитектурные сведения и характеристики контекста относятся к базовой модели. Ослабленное выравнивание повышает вероятность вредных, неточных, предвзятых и оскорбительных ответов. Разработчик предназначает эту версию для исследований безопасности, изучения выравнивания и red teaming, а не для публичных пользовательских сервисов. Лицензия — Apache-2.0.

immanuelpeter/Qwen3.8-27B-Vision — репозиторий с визуальной частью модели Qwen3.8-27B: визуальным энкодером и обученным модулем объединения признаков. Он предназначен для извлечения признаков изображений и подготовки визуальных представлений для языковой части исходной мультимодальной модели. Архитектура включает 27 слоёв, размер скрытого состояния 1152, 16 голов внимания и обработку изображений с патчами размером 16; модуль объединения группирует пространственные токены 2×2 и преобразует признаки к ширине языковой модели 5120. Модель выдаёт исходные токены энкодера и объединённые признаки. Репозиторий содержит веса в формате safetensors и конфигурации Transformers для визуального энкодера и предобработки изображений. По README веса извлечены из Qwen/Qwen3.8-27B, а проверки показали побитовое совпадение тензоров и выходов с родительской реализацией на CPU и NVIDIA A100 в BF16. Лицензия — Apache-2.0. Это визуальный компонент, а не самостоятельная диалоговая модель; его применение предполагает интеграцию с остальной системой Qwen.

Qwen3.8-Flash-Next-Uncensored-Q4_K_M-MTP — квантованная GGUF-модель, созданная на базе Qwen3.8-Flash-Next и производной orcarouter/Qwen3.8-Flash-Next-Uncensored. Модель разработана для локального запуска и исследовательских задач, включая интерпретируемость, изучение механизмов отказа, тестирование безопасности и оценку устойчивости моделей. Она предназначена для генерации текста и поддерживает английский и китайский языки; в метаданных также указана vision-language направленность, однако подробности о поддерживаемых визуальных входах не приведены. Модель использует архитектуру qwen4exp с Gated DeltaNet, QSA, HyperConnections и PLE. Она содержит полный 48-слойный основной блок и один слой Multi-Token Prediction (MTP), интегрированный непосредственно в четыре GGUF-фрагмента, поэтому отдельный файл для черновой головы не требуется. Применена квантизация Q4_K_M для основной части и MTP-головы. Общий размер составляет около 113,7 ГиБ, а заявленный нативный контекст — 262 тысячи токенов. Интегрированный MTP рассчитан на ускорение генерации при использовании совместимого llama.cpp. Ключевая особенность модели — abliteration, то есть удаление механизмов отказа исходной модели. Благодаря этому она может отвечать на вредоносные, неэтичные и незаконные запросы, от которых базовая модель отказалась бы. Это делает её пригодной для контролируемого red-teaming и исследований, но создаёт существенные риски при практическом использовании; для развёртывания необходимы собственные фильтры безопасности и модерации. Для запуска требуется llama.cpp с поддержкой qwen4exp и соответствующих функций speculative decoding. Модель распространяется по Qwen Community License 1.0, унаследованной от базовой модели. Для коммерческого использования в формате Model as a Service или AI Work Assistant, согласно указанным условиям, требуется отдельная лицензия от Qwen.

Это дообученный вариант токенизатора речи Qwen3-TTS, созданный автором репозитория takuma104 на базе Qwen/Qwen3-TTS-Tokenizer-12Hz. Он декодирует речевые токены в аудио с частотой дискретизации 48 кГц вместо 24 кГц у исходной модели и может использоваться как сменный декодер в системах Qwen3-TTS без изменения кодировщика или TTS-модели. Модель также поддерживает кодирование аудио в токены и обратное декодирование. Архитектура расширяет декодер одним блоком; добавлено около 95 тысяч параметров, а существующие модули декодера дообучены совместно. Кодировщик принимает аудио, при кодировании снижает его частоту до 24 кГц, а декодер формирует выход с частотой 48 кГц. Обучение проводилось на примерно 1,5 тысячи часов речевых данных с состязательной функцией потерь и дополнительными аудиокритериями. Модель подходит для восстановления речи из токенов Qwen3-TTS и получения аудиовыхода с повышенной частотой дискретизации в совместимом речевом конвейере. Новые слои синтезируют частотную составляющую выше 12 кГц, поэтому точность восстановления тонких высокочастотных деталей может зависеть от записи. Лицензия — Apache-2.0.

Brendan/refpydst-1p-icdst-split-v1 — модель эмбеддингов на базе MPNet, разработанная Brendan. Она инициализирована из sentence-transformers/all-mpnet-base-v2 и дообучена на 1% обучающей выборки MultiWOZ с использованием supervised contrastive loss. Модель предназначена для поиска примеров в контексте (in-context example retrieval) для задач MultiWOZ: она сопоставляет заданный пример с подходящими примерами из обучающего набора. Модель принимает текст, подготовленный в заданном формате, и преобразует его в плотный вектор размерности 768; в метаданных указан контекст до 514 токенов. Векторы можно использовать для семантического поиска и сравнения сходства предложений. Это специализированный энкодер для примеров MultiWOZ, а не универсальная модель эмбеддингов. Лицензия в предоставленных данных не указана.

Русскоязычный классификатор токсичных комментариев на базе BERT, дообученный автором khvatov от cointegrated/rubert-tiny2. Модель предназначена для определения токсичности пользовательских комментариев и сообщений на русском языке. Обучение проводилось на объединённых наборах комментариев с 2ch.hk, Pikabu и OK.ru. В README приведены результаты на тестовой выборке: F1 составляет 0,9273 для токсичного класса и 0,9827 для нетоксичного. Модель принимает текст и выдаёт метки классификации; размер — 29 млн параметров, контекст — до 2048 токенов. Доступна в форматах PyTorch и safetensors, лицензия MIT. Показатели получены на указанных данных и могут не переноситься на другие источники или определения токсичности.

smolllama-81M-tied — небольшая авторегрессионная языковая модель семейства Llama, разработанная BEE-spoke-data и обученная с нуля. Веса входных и выходных эмбеддингов связаны; архитектура включает 6 слоёв, скрытый размер 768 и 24 головы стандартного многоголового внимания. Модель содержит 81,3 млн параметров и рассчитана на контекст до 1024 токенов. Это исходная предварительно обученная модель для генерации текста, а не настроенный чат-бот или специализированный инструмент. Она обучалась на англоязычных корпусах, включая MiniPile, Wikipedia и RefinedWeb, и обычно требует дообучения под конкретные задачи перед практическим применением. Модель опубликована в формате safetensors по лицензии Apache-2.0.

Это GGUF-представление SNAC 24 kHz — компактного многомасштабного нейронного аудиокодека с остаточной векторной квантизацией (RVQ), созданного Hubert Siuzdak. Репозиторий cstr подготовил конверсию для использования с CrispStrobe/CrispASR; модель предназначена для декодирования аудиотокенов, которые выдаёт совместимая модель-«говорящий», например Orpheus-TTS. Сама по себе она не преобразует произвольный текст в речь: для синтеза её нужно запускать вместе с такой моделью. Кодек рассчитан на монофонический звук с частотой 24 кГц и использует три кодбука размером 4096. В репозитории представлен файл GGUF в формате F32 размером около 25 МБ; README указывает на применение в C++-рантайме libcrispasr без Python во время инференса. Модель связана с мультиязычным сценарием, но конкретный перечень поддерживаемых языков в предоставленных данных не приведён. Лицензия — MIT, как у upstream-модели.

eugenehp/snac-24khz-rlx — экспортированный для RLX/Orpheus декодер SNAC с частотой дискретизации 24 кГц. Репозиторий содержит веса декодера в safetensors, конфигурацию и небольшие эталонные файлы для проверки соответствия. Это конверсия и перекладка весов исходного чекпойнта для использования через библиотеку RLX и компонент rlx-orpheus; базовая модель в доступных сведениях не названа. Модель предназначена для декодирования аудиокодековых представлений в аудио в составе речевого синтеза Orpheus. Основной файл весов занимает 75,6 МиБ. Указанная лицензия — MIT. Карточка не сообщает поддерживаемые языки, длину контекста или отдельные показатели качества.

HuggingFaceTB/stack-edu-classifier-java — классификатор образовательной ценности Java-кода, разработанный HuggingFaceTB для оценки файлов кода из набора The Stack v2. Модель дообучена на bigcode/starencoder с классификационной головой; обучающие примеры размечены Llama 3.1 70B Instruct. Классификатор применялся при создании датасета Stack-Edu для обучения SmolLM2. Модель основана на BERT-подобной архитектуре StarEncoder, содержит 151 млн параметров и принимает последовательности длиной до 1024 токенов. Она предназначена для классификации отдельных файлов Java-кода по образовательной ценности и качеству. В README не указана лицензия модели.

HuggingFaceTB разработала stack-edu-classifier-rust — классификатор образовательной ценности файлов с кодом на Rust. Модель представляет собой дообученную на StarEncoder BERT-подобную архитектуру с классификационной головой; она содержит 151 млн параметров и принимает последовательности длиной до 1024 токенов. Обучающие примеры из The Stack v2 были размечены Llama 3.1 70B Instruct. Классификатор применялся при создании набора данных Stack-Edu для обучения SmolLM2. Модель предназначена для оценки качества и образовательной ценности отдельных файлов Rust, например для отбора примеров кода в обучающие наборы. Она ориентирована на Rust и не учитывает контекст за пределами файла. Точность может снижаться на данных, отличающихся от обучающих; ограничение в 1024 токена может мешать оценке длинных файлов. Результаты также зависят от качества разметки и могут смещаться в пользу подробно прокомментированного кода. Лицензия в предоставленных данных не указана.