II.10Разработка и эксплуатация AI/ML-систем

EurusPRM-Stage2 — языковая модель семейства Qwen2, выпущенная PRIME-RL. Это плотная причинная модель на 7,1 млрд параметров с контекстом 4096 токенов, предназначенная для оценки качества рассуждений по шагам. Она обучена методом Implicit PRM на метках уровня целого ответа: во время работы оценка отдельных шагов выводится из отношения логарифмических правдоподобий модели и базовой языковой модели, без отдельной разметки каждого шага. Модель подходит для оценки промежуточных шагов при решении задач и для построения систем обучения с подкреплением, использующих процессные награды. README приводит пример сопоставления её оценок с оценками Qwen2.5-Math-7B-Instruct. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. README не подтверждает, что эта модель предназначена для генерации ответов пользователю, хотя метаданные классифицируют её как text-generation.

EvoLM-8B-Rubric — дообученная модель на базе Qwen/Qwen3-8B, созданная в рамках проекта EvoLM: Self-Evolving Language Models through Co-Evolved Discriminative Rubrics. Она генерирует взвешенные критерии оценки, адаптированные к конкретному вопросу и ответам. Это финальный чекпойнт этапа генерации рубрик на шаге обучения 1000; на этом этапе модель получила 500 шагов обновления, поскольку обучение чередовало фазы рубрик и политики. Модель предназначена для использования в конвейере оценки ответов: отдельная модель-судья применяет созданные критерии к кандидатным ответам. Чекпойнт не выдаёт скалярную оценку сам по себе и не является парной моделью политики stellalisy/EvoLM-8B. Архитектура — плотная Qwen3ForCausalLM, около 7,6 млрд параметров, контекст до 40 960 токенов; формат весов — safetensors, загрузка поддерживается через Transformers. Базовая модель описана как многоязычная диалоговая модель, однако README не перечисляет языки, на которых специально обучалась генерация рубрик. Лицензия — Apache-2.0. Качество рубрик и итоговых оценок зависит от промпта, параметров генерации и используемой модели-судьи; модель обучалась для генерации рубрик внутри конвейера EvoLM и не предназначена для самостоятельной классификации качества ответов.

Falcon3-3B-Base — базовая предварительно обученная языковая модель семейства Falcon3, разработанная Technology Innovation Institute. Это плотный decoder-only Transformer с 22 блоками, механизмом Grouped Query Attention, SwiGLU и RMSNorm; число параметров — 2,8 млрд. Модель принимает текст и предназначена для генерации продолжений, а также как основа для последующего дообучения под конкретные сценарии. Модель обучена на многоязычных данных, коде и материалах по STEM; заявлены английский, французский, испанский и португальский языки. README указывает контекст до 8 тыс. токенов, тогда как метаданные каталога указывают нативный контекст 32 768 токенов. В описании модели также заявлены способности к рассуждению, пониманию языка, следованию инструкциям, программированию и математике, но это базовый чекпойнт без диалоговой настройки и для большинства прикладных сценариев требует дообучения. Модель получена обрезкой по глубине и ширине Falcon3-7B-Base и обучением с дистилляцией знаний. Распространяется по лицензии TII Falcon-LLM License 2.0; перед применением следует учитывать её условия.

Falcon-40B — плотная авторегрессионная языковая модель с декодерной архитектурой, разработанная TII и обученная предсказывать следующий токен на корпусе RefinedWeb и отобранных текстовых данных. В README указано 40 млрд параметров, тогда как метаданные Hugging Face сообщают 65 млрд; точный размер по этим источникам расходится. Архитектура использует rotary positional embeddings, multi-query attention и FlashAttention. Модель принимает и генерирует текст; в репозитории доступны веса PyTorch и Safetensors. Это базовая, не настроенная на выполнение инструкций модель для генерации текста и дальнейшей специализации или дообучения, например для суммаризации и создания чат-ботов. Она ориентирована прежде всего на английский, немецкий, испанский и французский языки; README также отмечает ограниченные возможности для итальянского, португальского, польского, нидерландского, румынского, чешского и шведского. Практическое использование требует значительных вычислительных ресурсов: для быстрой инференции README рекомендует 85–100 ГБ памяти. Модель разработала TII; лицензия Apache 2.0 допускает коммерческое использование. README предостерегает от применения без оценки рисков и мер снижения вреда: модель может наследовать стереотипы из веб-данных и плохо обобщает на языки, на которых обучалась ограниченно. Для прикладных сценариев рекомендуется дообучение и настройка защитных мер.

openaccess-ai-collective/falcon-7b-4k-alibi — это версия Falcon, расширенная до контекста 4k с использованием выборки RedPajama Sample. В README базовая Falcon-7B описана как причинная авторегрессионная модель с декодерной архитектурой; в метаданных указаны плотная архитектура RefinedWebModel и класс RWForCausalLM. Размер в метаданных указан как 10,9 млрд параметров. Базовая Falcon-7B разработана Technology Innovation Institute (TII) и обучена на корпусе RefinedWeb с дополнительными данными; версия в этом репозитории адаптирована для более длинного контекста. Модель предназначена прежде всего для генерации продолжения текста и как основа для дальнейшей специализации и дообучения, например для суммаризации или чат-ботов. README характеризует исходную Falcon-7B как англо-французскую модель и описывает rotary embeddings, multiquery attention и FlashAttention. Лицензия Apache 2.0 допускает коммерческое использование. Это сырая предварительно обученная модель, поэтому для инструкционного диалога и прикладного использования обычно требуется дообучение и оценка рисков; модель может воспроизводить предвзятости веб-данных и плохо работать на языках, отличных от английского и французского.

Это переразбитая на шарды версия Falcon-7B для запуска в средах с ограниченной оперативной памятью, например Colab и Kaggle. Базовую модель Falcon-7B разработал Technology Innovation Institute (TII): это плотная авторегрессионная модель с причинным декодером, обученная предсказывать следующий токен. В архитектуре используются rotary-позиционные эмбеддинги, multi-query attention и FlashAttention. README указывает 7 млрд параметров, тогда как метаданные репозитория сообщают 10,9 млрд; точный размер этой публикации по источникам расходится. Модель предназначена для генерации текста и как основа для дообучения под суммаризацию, чат-ботов и другие задачи. Это исходная, предварительно обученная модель, поэтому для большинства прикладных сценариев её рекомендуется дообучать. README называет английский и французский основными языками; ожидаемое качество на других языках ограничено. Для быстрого запуска указано требование не менее 16 ГБ памяти. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое использование. Возможны предвзятость и стереотипы из обучающих веб-данных; перед применением в производстве необходима оценка рисков.

FD-VAD — компактная потоковая модель семантического определения конца реплики для голосовых систем с полнодуплексным взаимодействием. Она принимает аудио короткими окнами и для каждого фрагмента выдаёт решение Continue или Stop, оценивая смысловую завершённость речи до того, как говорящий замолчит. Модель разработана на основе замороженного аудиоэнкодера WavLM-base-plus, временного адаптера с двухслойным MLP и замороженной основы Qwen2.5-0.5B-Instruct, адаптированной с помощью LoRA. Обучено около 10 млн параметров адаптера и LoRA. Аудио обрабатывается окнами длительностью 2,56 секунды с шагом 320 мс; каждое окно анализируется независимо, без доступа к будущему аудио. Модель предназначена для определения момента передачи хода в голосовых агентах и может служить семантическим компонентом потоковой обработки речи. В README для английского тестового набора приведены F1 0,83 для решения Stop и точность определения конца реплики 0,965. Модель обучена на английской части pipecat-ai/smart-turn-data-v3.1 и рассчитана только на английскую речь. Это семантический детектор конца реплики, а не универсальный акустический VAD; для непрерывного многорепличного аудио рекомендуется сочетать его с отдельным акустическим VAD. Репозиторий включает веса энкодера, языковой модели и адаптера для автономного запуска. Лицензия модели — MIT; включённые базовые веса распространяются на условиях исходных лицензий MIT и Apache-2.0.

Карточка модели biali/FLUX.2-small-decoder на Hugging Face совпадает с карточкой black-forest-labs/FLUX.2-small-decoder, поэтому описание составлено по ней. FLUX.2 Small Decoder — декодер VAE от Black Forest Labs, дистиллированная компактная замена стандартному декодеру FLUX.2. Он предназначен для декодирования латентных представлений в изображения в совместимых моделях FLUX.2: Klein 4B, Klein 9B, Klein 9B-KV и Dev; кодировщик при этом остаётся без изменений. Декодер содержит около 28 млн параметров против примерно 50 млн у полной версии и использует более узкие каналы. По данным карточки, он декодирует примерно в 1,4 раза быстрее и требует примерно в 1,4 раза меньше видеопамяти, сохраняя почти такое же качество изображений. Указана лицензия Apache 2.0. Модель предназначена для использования как компонент совместимого пайплайна генерации или редактирования изображений, а не для самостоятельного диалога или выдачи фактических ответов. Карточка отмечает возможные искажения текста на изображениях, несоответствие результата запросу и влияние стиля промпта.

Это порт в формате MLX модели Gemma 4 Multi-Token Prediction (MTP) drafter, подготовленный сообществом mlx-community на основе google/gemma-4-26B-A4B-it-assistant с помощью mlx-vlm 0.4.5. Модель предназначена для спекулятивного декодирования: четырёхслойный вспомогательный модуль предлагает несколько следующих токенов, а совместимая целевая модель Gemma 4 проверяет их за один прямой проход. Порт используют вместе с полной целевой моделью Gemma 4 в поддерживаемом конвейере MLX, чтобы ускорить генерацию текста. В README рекомендован размер блока черновых токенов 6 для одиночных запросов и 3 для пакетной генерации; при температуре 0 результат побайтно совпадает с генерацией без drafter. Репозиторий содержит веса safetensors, лицензия — Gemma. Это вспомогательная модель, а не самостоятельная модель для ответов: ей требуется совместимая целевая Gemma 4 и поддержка спекулятивного декодирования в используемом конвейере. README отсылает за совместимостью и ограничениями к документации drafter.

Модель google/gemma-4-26B-A4B-it-qat-q4_0-unquantized-assistant разработана Google DeepMind и представляет собой вариант Gemma 4 26B A4B для совместной работы с целевой моделью в конвейере спекулятивного декодирования с multi-token prediction. Это дообученная версия базовой модели google/gemma-4-26B-A4B-it-assistant, опубликованная в формате safetensors и лицензированная по Apache 2.0. Семейство Gemma 4 использует архитектуры Dense и MoE, гибридное внимание с локальными и глобальными слоями и поддерживает длинный контекст до 256 тысяч токенов для модели 26B A4B. Семейство принимает текст и изображения и выдаёт текст; заявлены диалоговый режим, рассуждение, работа с кодом, понимание документов и вызов инструментов. Эти сведения описывают семейство, а карточка не уточняет отдельно все возможности данного assistant-чекпойнта. Для совместимости с QAT-целевой моделью ассистент должен иметь тот же вариант QAT и точность.

ArchiveStudio публикует Gemma 4 31B IT Assistant — инструкционно настроенную модель семейства Gemma 4 от Google DeepMind. Карточка указывает, что это MTP-драфтер: облегчённая вспомогательная модель, предназначенная для ускорения генерации в конвейере speculative decoding. Она предлагает несколько токенов-кандидатов, которые целевая модель проверяет параллельно; по заявлению карточки, это может ускорить декодирование до 3 раз без изменения качества относительно обычной генерации. Модель построена на плотной архитектуре Gemma4AssistantForCausalLM и распространяется в формате safetensors через Transformers. Семейство Gemma 4 поддерживает ввод текста и изображений, генерацию текста, рассуждения, программирование, анализ документов и работу с инструментами; в README заявлены контекст до 256 тысяч токенов и многоязычная поддержка. Упоминания аудио относятся только к меньшим вариантам E2B и E4B и не подтверждают аудиовозможности этой 31B модели. Основной сценарий — ускорение генерации с помощью совместимой целевой модели, а не самостоятельное решение произвольных задач. Для использования MTP-драфтера нужен соответствующий speculative decoding конвейер и целевая модель. Лицензия — Apache 2.0.

Это конвертированная в формат MLX модель семейства Gemma 4 от mlx-community, созданная на основе google/gemma-4-31B-it-assistant. Она служит компактной моделью-помощником MTP для спекулятивного декодирования: четырёхслойный drafter предлагает несколько следующих токенов, а целевая модель Gemma 4 проверяет их одним проходом, ускоряя генерацию текста в совместимой связке. При температуре 0 результат побайтно совпадает с генерацией без drafter. Для одиночных запросов рекомендован размер блока 6, для пакетной генерации — 3. Модель предназначена для запуска через MLX и mlx-vlm; совместимость зависит от целевой модели и конвейера спекулятивного декодирования. Лицензия — Gemma.

gernet_m.idstcv_in1k — модель классификации изображений семейства GENet (GPU-Efficient-Networks), обученная авторами статьи на ImageNet-1k. Архитектура реализована в библиотеке timm как конфигурация BYOBNet, которая позволяет задавать структуру блоков и стадий, схему stem, выходной stride, функции активации и нормализации, а также механизмы внимания. Модель предназначена для классификации изображений и может использоваться как визуальный backbone для извлечения карт признаков и эмбеддингов. Она содержит 21,1 млн параметров, требует около 3,0 GMACs и рассчитана на вход размером 224 × 224 пикселя. Репозиторий распространяет веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

GLM-4-32B-Base-0414 — плотная авторегрессионная языковая модель семейства GLM-4, разработанная Z.ai. В репозитории указаны 31,6 млрд параметров, предварительное обучение на 15 трлн единиц высококачественных данных и контекст до 32 768 токенов. Модель предназначена для генерации текста и служит базой для дальнейшего дообучения и постобучения; в карточке также описаны результаты семейства GLM-4-32B-0414 в генерации кода, вызове функций, ответах на вопросы с поиском и подготовке отчётов. Карточка указывает китайский и английский языки. Весы доступны в формате safetensors, библиотека — Transformers. Лицензия MIT. Несмотря на название Base, README смешивает описание базовой модели и всей серии, поэтому возможности диалога, вызова функций и рассуждений не следует считать гарантированными свойствами именно этого чекпойнта.

lyssquant/GLM-5.2-Q2_K-MTP-Q8-layers — пакет слоёв GGUF для распределённого запуска GLM-5.2-Q2_K-MTP-Q8 в локальном кластере Mesh LLM. Репозиторий производен от meshllm/GLM-5.2-Q2_K-MTP-Q8-GGUF и разделяет исходную модель на отдельные артефакты по слоям. Указанный вариант использует Q2_K с MTP-Q8. Пакет предназначен для приватного локального вывода, распределения вычислений и памяти между несколькими машинами, а также обслуживания чата через совместимый с OpenAI локальный API. Для работы требуется Mesh LLM; карточка отсылает к исходной модели за сведениями об архитектуре, шаблоне чата и лицензии, поэтому условия использования здесь не уточняются.

Anbeeld/GLM-5.3-Flash-DFlash2-GGUF — набор GGUF-квантизаций черновой модели DFlash 2 от Inco AI для GLM-5.3-Flash от zai-org. Это не самостоятельная языковая модель, а компонент ускорения спекулятивного декодирования: он работает внутри совместимого сервера и предлагает целые блоки токенов, которые затем проверяет целевая модель GLM-5.3-Flash. Репозиторий предназначен для использования с BeeLlama.cpp, а исходная модель также поддерживается SGLang. DFlash 2 использует блочно-диффузионный подход, предсказывает несколько токенов за один проход, сохраняет наиболее вероятных кандидатов для каждой позиции и выбирает согласованный путь. Динамические свёртки в архитектуре черновой модели помогают сохранять качество прогнозов к концу блока. Согласно README, декодирование без потерь: жадный вывод совпадает с выводом целевой модели, а при выборке сохраняется её распределение. В приведённых тестах модель повысила среднюю длину принятых последовательностей и пропускную способность по сравнению с авторегрессионным декодированием и штатным MTP, особенно на задачах математики и генерации кода. Модель предназначена для ускорения инференса GLM-5.3-Flash в сценариях генерации текста, решения математических задач, программирования и диалогового тестирования. Для работы требуются целевая модель, совместимый сервер спекулятивного декодирования и подходящая вычислительная инфраструктура; в оценке использовались четыре GPU NVIDIA GB300, размер блока спекуляции составлял 8. Сведения о размере модели, точной архитектуре, поддерживаемых языках, модальностях и длине контекста в README не указаны. Лицензия CC BY-NC-ND 4.0 разрешает исследовательское использование и оценивание; для коммерческого применения требуется отдельная лицензия.

Granite-3.3-8B-Math-PRM-v2 — плотная языковая модель на 8,2 млрд параметров, разработанная Granite Alignment Team и IBM Research на базе IBM Granite-3.3-8B-Instruct. Модель дообучена как генеративная модель оценки процесса рассуждений (PRM): для каждого шага решения она определяет, верна ли цепочка рассуждений на текущий момент, выдавая метку Y или N. Вероятность Y можно использовать как численную оценку вознаграждения при выборе лучшего решения из нескольких вариантов. Основное назначение — проверка пошаговых решений математических задач, обнаружение ошибок в рассуждениях и ранжирование сгенерированных решений в схемах Best-of-N. В README также отмечены результаты применения при масштабировании вывода на задачах программирования. Модель настроена прежде всего на английский язык; базовая модель поддерживает также немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский. Контекст — до 131 072 токенов. Для оценки каждого шага к нему требуется добавить вопрос «Is this response correct so far (Y/N)?». Модель показала сильные результаты в опубликованных оценках Math-500, ProcessBench и PRMBench, однако эти результаты не гарантируют точность на произвольных задачах или форматах рассуждений. Лицензия Apache 2.0; карточка сообщает, что для обучения использовались отобранные данные из источников с разрешительными лицензиями.

haloregnetz_b.ra3_in1k — модель классификации изображений и извлечения визуальных признаков, разработанная Россом Уайтманом и обученная в библиотеке timm на ImageNet-1k. Она основана на архитектуре RegNet-Z и использует блоки HaloNet с локальным пространственным вниманием; конфигурация настроена на разумное время обучения и сокращённое число блоков self-attention, а не на точное воспроизведение конкретной статьи. Модель предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов изображений. В карточке указаны 11,7 млн параметров, вычислительная сложность 2,0 GMACs и входной размер 224 × 224 пикселя. Для обучения применялась схема RandAugment RA3. Модель принимает изображения и выдаёт классы либо визуальные признаки и эмбеддинги. Лицензия — Apache-2.0. Классификация ориентирована на категории ImageNet-1k; качество на иных наборах данных и изображениях, отличающихся по распределению, может быть ниже.

Hammer 2.0-0.5B — компактная языковая модель для вызова функций в приложениях с агентами на устройстве, разработанная командой MadeAgents. Это плотная авторегрессионная модель семейства Qwen2, дообученная на базе Qwen/Qwen2.5-0.5B-Instruct с применением маскирования функций. Для обучения использованы 60 тысяч примеров вызова функций из APIGen/xLAM и дополнительный набор xlam-irrelevance-7.5k. Модель содержит 493,7 млн параметров, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель предназначена для генерации текста и выбора или вызова функций в агентных сценариях, в том числе для локальных приложений с ограниченными ресурсами. В README сообщается о результатах на BFCL-v3 и других академических тестах, но эти оценки не гарантируют качество для конкретных инструментов и рабочих процессов. Карточка указывает лицензию CC BY 4.0.

Карточка модели kyutai/helium-1-2b-books на Hugging Face совпадает с карточкой kyutai/helium-1-2b, поэтому описание составлено по ней. Helium-1-2B — базовая языковая модель Kyutai с архитектурой Llama и 1,9 млрд параметров, представленная в формате safetensors для библиотеки Transformers. Модель обучена на текстах на 24 официальных языках Европейского союза; её контекст составляет 4096 токенов. По карточке, модель дистиллирована из Gemma 2. Модель предназначена для генерации и понимания текста, а также для исследований и разработки систем NLP. Она не дообучена следовать инструкциям или предпочтениям людей, поэтому для прикладных сценариев обычно требуется дополнительное выравнивание, например supervised fine-tuning или RLHF. Компактный размер ориентирован на использование на устройствах с ограниченными ресурсами, включая мобильные и периферийные устройства. Модель может генерировать фактические ошибки, предвзятый, вредный или бесполезный текст; перед применением необходимы оценка и меры снижения рисков. Поддерживаются английский, болгарский, чешский, датский, немецкий, греческий, испанский, эстонский, финский, французский, ирландский, хорватский, венгерский, итальянский, литовский, латышский, мальтийский, нидерландский, польский, португальский, румынский, словацкий, словенский и шведский языки. Лицензия — CC-BY-SA 4.0; также действуют условия использования Gemma.

Карточка модели kyutai/helium-1-2b-science на Hugging Face совпадает с карточкой kyutai/helium-1-2b, поэтому описание составлено по ней. Helium-1-2B — базовая языковая модель Kyutai с архитектурой Llama и 1,9 млрд параметров, представленная в формате safetensors для библиотеки Transformers. Модель обучена на текстах на 24 официальных языках Европейского союза; её контекст составляет 4096 токенов. По карточке, модель дистиллирована из Gemma 2. Модель предназначена для генерации и понимания текста, а также для исследований и разработки систем NLP. Она не дообучена следовать инструкциям или предпочтениям людей, поэтому для прикладных сценариев обычно требуется дополнительное выравнивание, например supervised fine-tuning или RLHF. Компактный размер ориентирован на использование на устройствах с ограниченными ресурсами, включая мобильные и периферийные устройства. Модель может генерировать фактические ошибки, предвзятый, вредный или бесполезный текст; перед применением необходимы оценка и меры снижения рисков. Поддерживаются английский, болгарский, чешский, датский, немецкий, греческий, испанский, эстонский, финский, французский, ирландский, хорватский, венгерский, итальянский, литовский, латышский, мальтийский, нидерландский, польский, португальский, румынский, словацкий, словенский и шведский языки. Лицензия — CC-BY-SA 4.0; также действуют условия использования Gemma.

Helium-1 Preview — плотная базовая языковая модель с 2 млрд параметров, разработанная Kyutai. Она предназначена для генерации и понимания текста в системах обработки естественного языка, а также для исследований и разработки. Архитектура включает 24 слоя, 20 голов внимания и размерность модели 2560; нативная длина контекста — 4096 токенов. Модель работает с английским, французским, немецким, итальянским, португальским и испанским языками. Это базовая модель, не дообученная следовать инструкциям и не согласованная с предпочтениями людей. Для прикладных сценариев обычно требуется дополнительное обучение и оценка; без этого модель может выдавать ошибочные, предвзятые, вредные или бесполезные ответы. README не рекомендует использовать её для языков, отличных от перечисленных. Лицензия — CC-BY 4.0.

hrnet_w18.ms_aug_in1k — модель классификации изображений на архитектуре HRNet, обученная авторами работы «Deep High-Resolution Representation Learning for Visual Recognition» на ImageNet-1k. Её также можно использовать как визуальный backbone для извлечения карт признаков и эмбеддингов изображений. Модель содержит 21,3 млн параметров, требует изображения размером 224 × 224 и имеет вычислительную сложность 4,3 GMACs. Она доступна через библиотеку timm; веса представлены в форматах PyTorch и Safetensors. Модель предназначена для распознавания объектов из классов ImageNet-1k и построения визуальных признаков для последующих задач компьютерного зрения. Лицензия — MIT.

HRNet-W30 — сверточная модель классификации изображений из библиотеки timm, обученная авторами архитектуры на ImageNet-1k. Она предназначена для распознавания объектов на изображениях и может использоваться как визуальная основа для извлечения карт признаков и эмбеддингов. Модель содержит около 37,7 млн параметров, требует изображение размером 224 × 224 пикселя и имеет вычислительную сложность 8,2 GMACs. Её архитектура HRNet поддерживает высокое пространственное разрешение признаков на протяжении обработки изображения. Репозиторий предоставляет веса в форматах PyTorch и safetensors; лицензия — MIT.

HuatuoGPT-3-Grader-8B — медицинская модель-оценщик от FreedomIntelligence для проверки ответов ассистента по заданным критериям с начислением баллов в рамках OnePO. Она сопоставляет диалог и список рубрик, а затем за одну генерацию возвращает JSON-список булевых значений, показывающих, выполнен ли каждый критерий; для отрицательных критериев true означает, что нежелательное поведение присутствует. Модель обучена на примерах, размеченных GPT-4.1, и предназначена для оценки открытых медицинских ответов, включая пакетную обработку. Это плотная авторегрессионная модель семейства Qwen3 с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров. Она принимает текстовые диалоги и критерии оценки и генерирует текстовый JSON-ответ. Контекст составляет до 40 960 токенов; для работы рекомендуется шаблон запроса из карточки и формат без рассуждений, соответствующий обучению. Репозиторий содержит веса Safetensors. Модель рассчитана на выставление оценок по предоставленным рубрикам, а не на самостоятельную постановку медицинского диагноза или консультацию. Качество оценки зависит от формулировок критериев и соблюдения шаблона; сама разметка GPT-4.1 также может отражать ошибки. Лицензия в предоставленных данных не указана.

Hunyuan-0.5B-Pretrain — предварительно обученная плотная языковая модель из семейства Hunyuan, разработанного Tencent. Она содержит 463,5 млн параметров и предназначена для генерации текста и адаптации под конкретные задачи, в том числе для последующего дообучения в диалоговую модель или агентную систему. Модель поддерживает контекст до 256 тысяч токенов и использует архитектуру HunYuanDenseV1 с Grouped Query Attention. Семейство Hunyuan описано как поддерживающее быстрый и пошаговый режимы рассуждений, длинный контекст и сценарии с инструментами; метаданные также указывают возможности чата и интерфейса вызова инструментов. Доступны веса в формате safetensors, а для семейства заявлена поддержка эффективного инференса и квантования. Карточка предлагает использовать Transformers и упоминает TensorRT-LLM, vLLM и SGLang для развёртывания. Это базовая предварительно обученная модель, поэтому для следования инструкциям и надёжного диалога может потребоваться дообучение. README не приводит отдельную оценку ограничений именно версии 0.5B. Лицензия в предоставленных данных не обозначена.

Это преобразованная в формат Hugging Face Transformers версия потоковой модели Zipformer для обнаружения ключевых слов (KWS) из проекта Icefall, реализованного k2-fsa. Модель содержит 3,49 млн параметров; исходные веса PyTorch перенесены без изменений в safetensors, без дообучения и квантизации. Лицензия — Apache License 2.0. Модель принимает готовые 80-мерные признаки Kaldi Fbank для аудио с частотой дискретизации 16 кГц и обрабатывает поток окнами по 45 кадров. Она предназначена как компонент распознавания ключевых слов в аудиопотоке; для получения событий обнаружения вызывающей системе нужно самостоятельно подготовить аудиопризнаки и реализовать потоковую нарезку, граф ключевых слов и beam search. Это низкоуровневый чекпойнт, а не готовый сквозной классификатор для Hugging Face pipeline. Пересчёт аудио, извлечение Fbank, управление состоянием потока и декодирование остаются на стороне приложения; преобразование не меняет ограничения и характеристики исходной модели.

TheBlokeAI/JackFram-Llama-68M — компактная версия модели JackFram Llama 68M, подготовленная TheBlokeAI. В репозитории удалены файлы состояния обучения и веса преобразованы в формат safetensors; README указывает, что модель совместима с Llama 1 и содержит два слоя. Метаданные указывают 43,5 млн параметров и контекст 2048 токенов. Модель предназначена прежде всего для генерации текста и проверки процессов квантования и других операций с моделями. Это облегчённый технический чекпойнт, а не полноразмерная модель для широкого применения. Лицензия в метаданных обозначена как other, без уточнения условий.

KURE-v2-unsupervised — экспериментальный этап 1 модели KURE-v2, разработанный nlpai-lab. Это энкодер ModernBERT с поздним взаимодействием ColBERT, предназначенный как стартовая основа для обучения собственных поисковых систем на корейском и английском языках. Модель обучена контрастивным методом без учителя на 20,7 млн пар «запрос — документ» и поддерживает контекст до 16 384 токенов. Модель формирует многовекторные представления для поиска и сопоставления запросов с документами. В README приведены результаты поиска на девяти корейских наборах MTEB: средний nDCG@10 составляет 0,7283. Авторы не рекомендуют использовать этот контрольный чекпойнт напрямую в промышленной системе; он предназначен прежде всего для последующего обучения собственного ретривера. Лицензия — Apache-2.0.

redis/langcache-embed-medical-v1 — модель Sentence Transformers, дообученная Redis на базе Alibaba-NLP/gte-modernbert-base для семантического сравнения медицинских текстов и семантического кэширования. Архитектура ModernBERT преобразует предложения и абзацы в плотные векторы размерности 768; сходство оценивается косинусной мерой. Модель принимает последовательности длиной до 8192 токенов и обучена на медицинских парах вопросов с метками сходства. Модель предназначена для поиска похожих медицинских запросов и повторного использования кэшированных ответов в системах на Redis LangCache. В README приведены метрики бинарной классификации: точность по косинусному сходству 0,92 и F1 0,93. Репозиторий содержит варианты в форматах safetensors, ONNX и OpenVINO. Язык медицинских данных в карточке не уточнён. Условия лицензии в предоставленных данных отсутствуют.