II.10Разработка и эксплуатация AI/ML-систем

EnvACE-Qwen3-8B — диалоговая языковая модель на основе Qwen/Qwen3-8B, разработанная командой EnvACE и дообученная методом EnvACE для продолжительных сценариев использования инструментов. Это плотная авторегрессионная модель класса Qwen3ForCausalLM с 7,6 млрд параметров; она принимает текст и генерирует текст. Контекст составляет 40 960 токенов. При обучении модель осваивает взаимодействие с инструментами через «репетицию мира»: сама воспроизводит предполагаемые ответы среды на вызовы инструментов и использует их для планирования следующих шагов. Модель предназначена для агентных задач с вызовами инструментов и проверялась на BFCL-v4, τ²-Bench, VitaBench и FinMCP-Bench. Карточка сообщает о результатах на этих тестах, но не приводит здесь полные сравнительные таблицы. Модель доступна в формате safetensors для Transformers и распространяется по лицензии Apache-2.0. Для интеграции с инструментами и средами авторы указывают на фреймворк EnvACE. Заявленная языковая поддержка в метаданных — английский.

Experiment20-7B — экспериментальная языковая модель на 7,1 млрд параметров, разработанная yam-peleg для проверки и уточнения исследовательского конвейера обучения и оценки LLM. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, предназначенная для генерации текста; в репозитории опубликованы веса Safetensors, а заявленный контекст составляет 32 768 токенов. Эксперимент изучает влияние обработки данных, алгоритмов обучения и метрик оценки, поэтому модель может быть полезна для исследовательских проверок и испытания конвейера. README не описывает особые прикладные навыки или гарантии качества ответов. Модель выпущена под лицензией Apache-2.0.

eugenehp/f5tts — репозиторий с ONNX-графами, словарём и весами F5-TTS для запуска через RLX. Это staging-републикация чекпойнта F5-TTS, подготовленная для RLX runners; в составе указаны файлы F5 Transformer, декодера и предобработки, а также веса GGUF F16. Модель предназначена для синтеза речи по тексту и запуска через пакет rlx-f5tts. Метаданные описывают архитектуру как BERT с 129,5 млн параметров и контекстом 512 токенов; представлены форматы ONNX и GGUF F16. Карточка указывает лицензию MIT. README не сообщает поддерживаемые языки, голосовые режимы или ограничения качества.

Falcon3-1B-Base — базовая предварительно обученная языковая модель семейства Falcon3, разработанная Technology Innovation Institute. Это плотный авторегрессионный Transformer-декодер с 18 блоками, архитектурой LlamaForCausalLM, Grouped Query Attention, SwiGLU и RMSNorm; размер модели — 1,4 млрд параметров, словарь содержит 131 тысячу токенов, контекст — до 4096 токенов. Модель создана на основе более крупной Falcon3-3B: её уменьшили по глубине, ширине, числу голов и размеру эмбеддингов, а затем обучили с дистилляцией знаний. Модель предназначена для продолжения обучения и адаптации, а не для непосредственного использования как готового чат-бота. После дообучения её можно применять для генерации текста, рассуждений, понимания языка, инструкций, кода и математических задач на английском, французском, испанском и португальском языках. Веса опубликованы в формате safetensors для Transformers. Лицензия — TII Falcon-LLM License 2.0. Карточка рекомендует дополнительно обучать модель с помощью SFT, RLHF или продолжения предварительного обучения для большинства сценариев; без такой адаптации ответы на пользовательские инструкции могут быть ненадёжными.

Frontis-MA1-30B — открытая языковая модель компании FrontisAI, выпущенная вместе с исследовательской системой OpenMLE для автоматизации инженерии машинного обучения и AutoResearch. Это дообученная на базе Qwen3-30B-A3B-Thinking-2507 причинная модель с архитектурой Mixture-of-Experts: в README указано 30,5 млрд параметров всего и 3,3 млрд активируемых, тогда как метаданные каталога указывают 2,6 млрд параметров. Модель принимает текст и генерирует текст, в том числе код; заявленная длина контекста — 262 144 токена. При обучении использовались примеры с исполнением программ и подкрепление по результатам выполнения. Модель предназначена для генерации, отладки и итеративного улучшения кода экспериментов машинного обучения, а также для поиска решений в цикле OpenMLE-Evo, который сочетает четыре операции: создание, улучшение, отладку и комбинирование программ. В сравнении на MLE-Bench Lite улучшение показателей измерялось для системы «модель плюс поисковый стенд», а не для одиночной генерации. Результаты оценки не подтверждают качество на широком спектре задач разработки ПО или научных исследований. Контекст длиннее использовавшегося при SFT порога в 32 768 токенов требует дополнительной проверки; сгенерированный код может быть ошибочным, небезопасным, затратным или разрушительным при запуске, поэтому его следует исполнять в изолированной среде с ограничениями ресурсов. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование.

Это разговорная модель-оценщик безопасности SORRY-Bench, созданная авторами SORRY-Bench путём дообучения Mistral-7B-Instruct-v0.2 на собранных ими человеческих оценках ответов. Она получает запрос пользователя и ответ другой модели и выдаёт одну цифру: 0, если ответ отказывает в выполнении или не решает запрос напрямую, и 1, если ответ выполняет запрос. Модель предназначена для автоматической оценки отказов и соблюдения запросов в рамках SORRY-Bench; авторы сообщают о согласии с человеческими оценками в 81,3% по Cohen’s kappa и времени оценки около 11 секунд за проход на одном GPU A100. Модель использует архитектуру Mistral-7B-Instruct-v0.2 и формат весов safetensors. Её обучали на примерах SORRY-Bench, поэтому она подходит для воспроизведения соответствующих оценок, но не предназначена для общего применения как защитный фильтр диалогов с LLM. Для корректной работы следует применять шаблон промпта и специальные токены форматирования Mistral-Instruct. Лицензия — MIT.

Xenova/gelan-c_all — версия модели детекции объектов GELAN-C, подготовленная Xenova в формате ONNX для использования с библиотекой Transformers.js. Модель принимает изображения и находит на них объекты, возвращая рамки и метки классов. Репозиторий предназначен для запуска детекции объектов в JavaScript-приложениях, в том числе в веб-среде. Карточка указывает архитектуру семейства YOLOv9 и совместимость весов ONNX с Transformers.js. Модель опубликована по лицензии GPL-3.0. Подробности о поддерживаемых классах объектов и показателях качества в карточке не приведены.

Anbeeld/gemma-4-31B-it-DFlash-GGUF — набор GGUF-квантизаций черновой модели z-lab/gemma-4-31B-it-DFlash, разработанной командой z-lab для ускорения генерации Gemma 4 31B IT. Модель не предназначена для самостоятельной генерации: её необходимо использовать в связке с google/gemma-4-31B-it в системах, поддерживающих спекулятивное декодирование, включая BeeLlama.cpp, vLLM и SGLang. В основе лежит метод DFlash — облегчённая block diffusion-модель, которая параллельно предлагает несколько следующих токенов для последующей проверки основной авторегрессионной моделью. Это позволяет ускорять задачи генерации текста, решения математических задач, программирования и диалогов. В опубликованных тестах на одной NVIDIA B300 ускорение достигало 5,8 раза при единичной конкуренции, однако при росте конкуренции преимущество снижалось до 1,9–5,2 раза в зависимости от задачи. README не указывает размер контекста, поддерживаемые языки и точные параметры архитектуры черновой модели. Для работы требуются совместимые реализации и основная модель Gemma 4 31B IT; поддержка DFlash в указанных версиях vLLM и SGLang может зависеть от экспериментальных изменений. Сильная сторона модели — заметное ускорение вывода при сохранении сценария работы основной модели, а ограничение — зависимость от специального программного стека и парной модели. В README указана лицензия Apache-2.0.

Это конвертированная в формат MLX версия Gemma 4 Multi-Token Prediction (MTP) drafter от Google, подготовленная сообществом mlx-community на основе google/gemma-4-E2B-it-assistant. Компактная плотная модель с архитектурой Gemma4AssistantForCausalLM служит вспомогательным драфтером для спекулятивного декодирования: она предлагает несколько следующих токенов, которые основная модель Gemma 4 проверяет за один проход. Репозиторий использует safetensors и библиотеку MLX. Модель предназначена для ускорения генерации текста с совместимой целевой моделью Gemma 4. В README рекомендуются размер блока 6 для одиночных запросов и 3 для пакетной генерации; при temperature=0 результат заявлен побайтно идентичным генерации без драфтера. Это вспомогательная модель, поэтому сама по себе она не заменяет целевую модель и применима только в поддерживаемых конфигурациях спекулятивного декодирования. Лицензия — Gemma.

Hemmingway-1-27B-abliterated — модифицированная версия Hemmingway-1 от distributedcognition. Это плотная текстовая модель семейства Qwen3.8 размером 27 млрд параметров: в исходных весах удалено направление отказа, а остальные тензоры сохранены. Модель предназначена для диалоговой генерации текста, в том числе для red teaming, исследований offensive security и оценки поведения отказов. Доступны веса Safetensors и квантизованные варианты GGUF; GGUF можно запускать через llama.cpp, LM Studio, Ollama и Jan, а модель также поддерживают Transformers, vLLM и SGLang. В README указан контекст до 262144 токенов. По приведённой оценке на 104 вредоносных запросах число отказов по оценке языковой модели-судьи снизилось со 101 до 21; результат MMLU составил 82,74% против 83,13% у базовой модели. Это не гарантирует качество на других запросах. Встроенные защитные отказы удалены, поэтому модель может содействовать вредоносным действиям; автор рекомендует самостоятельно добавлять модерацию входов и выходов. Лицензия — Apache-2.0.

ImageShield-MMCF-2B-vl-GGUF — мультимодальная модель классификации контента, разработанная prithivMLmods на базе Qwen/Qwen3-VL-2B-Instruct и обученная на наборе данных ImageShield-Guardrail-Multimodal-20K. Модель предназначена для анализа визуального контента и классификации его как безопасного или небезопасного. Основной сценарий применения — модерация изображений и выявление потенциально чувствительного визуального контента, в частности эротических материалов категории NSFW, а также других нарушений визуальной безопасности. Модель поддерживает обработку изображений с текстовыми инструкциями, рассчитана на английский язык и имеет около 2 млрд параметров. Точный размер контекста в README не указан. Для распространения доступны варианты GGUF с разными уровнями квантования, включая BF16, F16 и диапазон от Q3_K до Q8_0; также опубликованы отдельные мультимодальные проекторы. Релиз является экспериментальным: модель может демонстрировать неожиданное поведение и артефакты рассуждений, поэтому результаты требуют дополнительной проверки и не должны рассматриваться как безошибочные решения модерации. Она предназначена для исследовательских задач и классификации контента, а ответственность за применение результатов лежит на пользователе. Указана лицензия Apache-2.0; авторы рекомендуют использовать реализацию на базе Transformers, несмотря на доступность формата GGUF для llama.cpp.

Japanese Stable LM Base Gamma 7B — базовая авторегрессионная языковая модель Stability AI на архитектуре Mistral с 7,1 млрд параметров. Модель создана продолжением предварительного обучения Mistral-7B-v0.1 на японских данных, чтобы повысить качество японского языкового моделирования и выполнения связанных с японским языком задач. Максимальная длина контекста — 4096 токенов. Модель предназначена для использования как основа для дообучения под конкретные приложения. Она генерирует текст, но не рассчитана на следование инструкциям; для этого разработчик указывает на отдельную версию Japanese Stable LM Instruct Gamma 7B. Обучение продолжалось примерно на 100 млрд токенов из японской и английской Википедии, японских корпусов mC4, CC-100 и OSCAR, а также SlimPajama без поднабора Books3. Лицензия Apache 2.0 допускает коммерческое использование без строгих ограничений. Предварительная обучающая выборка могла содержать оскорбительный или неподходящий контент, который может проявляться в генерациях. Разработчик рекомендует осторожность при использовании модели в продукционных системах и не рекомендует применять её в сценариях, способных причинить вред людям или группам.

KaniTTS2 — модель синтеза речи, представленная в карточке как система для озвучивания текста в диалогах реального времени. Она использует двухэтапный конвейер: языковую модель и аудиокодек FSQ; в метаданных указана архитектура LFM2 с причинной языковой моделью KaniTTS2ForCausalLM и 460 млн параметров. Модель рассчитана на английский, испанский и кыргызский языки, формирует речь с частотой дискретизации 22 кГц и имеет контекст длиной до 128 000 токенов. Заявленные сценарии — озвучивание ответов чат-ботов и виртуальных помощников, а также настройка голоса, акцента и эмоциональной подачи. В карточке указана поддержка клонирования голоса. Для RTX 5080 автор приводит коэффициент реального времени около 0,2 и потребление 3 ГБ видеопамяти при использовании специального исполнителя. Репозиторий содержит веса safetensors; лицензия обозначена как other, поэтому условия использования следует сверить с лицензией и ограничениями, приведёнными автором в карточке.

JminJ/kcElectra_base_Bad_Sentence_Classifier — корейская модель классификации предложений, созданная разработчиком JminJ на базе Beomi/KcELECTRA. Она дообучена с помощью ElectraForSequenceClassification для бинарного определения того, относится ли комментарий или сообщение к нежелательным: метка 0 означает bad sentence, метка 1 — not bad sentence. Модель рассчитана на анализ текстов из интернет-комментариев и чатов. Для обучения объединили и переразметили открытые датасеты Korean Unsmile и Korean HateSpeech; отдельные примеры из Korean Unsmile также вручную переклассифицировали. В карточке указаны 151,7 млн параметров, контекст до 512 токенов и форматы PyTorch и Safetensors. На валидации для варианта KcELECTRA указана точность 0,8849. Классификатор может ошибаться, а понятие нежелательного высказывания отражает правила разметки обучающих данных. Разработчик отмечает, что не может публиковать преобразованные обучающие данные из-за авторских прав. Лицензия в предоставленных сведениях не указана.

gaber/kimi-k3-dspark-gguf — конвертированная в GGUF BF16 версия черновой модели Inferact/Kimi-K3-DSpark для ускорения генерации moonshotai/Kimi-K3 методом спекулятивного декодирования. Модель предсказывает несколько следующих токенов, которые затем проверяет основная модель; автор README заявляет ускорение в 3–5 раз при сохранении того же распределения выходов. В GGUF оставлено около 2,4 млрд параметров: матрица эмбеддингов исключена, поскольку описанный runtime передаёт модели скрытые состояния целевой модели. Архитектура включает пять трансформерных слоёв с Multi-head Latent Attention, блоковый предиктор на семь токенов и голову оценки уверенности. Модель предназначена для совместного использования с Kimi-K3 в speculative decoding, а не для самостоятельной генерации по обычному текстовому запросу. В README указано, что конверсия структурно корректна, но llama.cpp пока не поддерживает нужную MLA-реализацию для DFLASH; для этого runtime требуется патч. Лицензия в метаданных обозначена как other, конкретные условия в доступных данных не раскрыты.

KoELECTRA v3 Base Discriminator — предварительно обученная языковая модель ELECTRA для корейского языка, опубликованная пользователем monologg. Это плотная модель с 140,1 млн параметров и контекстом до 512 токенов; веса доступны в формате PyTorch, для загрузки README рекомендует Transformers и токенизатор ElectraTokenizer. Модель предназначена как базовый энкодер для последующей адаптации к задачам обработки корейского текста, включая классификацию и извлечение информации. Дискриминатор ELECTRA обучается различать исходные токены и заменённые токены, поэтому сам по себе он не предназначен для генерации связного текста. Лицензия — Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; применимость к конкретным задачам зависит от дообучения и проверки на целевых данных.

LayerSkip Llama 3.2 1B — языковая модель Meta, созданная на основе Meta Llama 3.2 1B с дополнительным непрерывным предобучением по рецепту LayerSkip. Она предназначена для генерации текста и ускорения авторегрессионного вывода с помощью self-speculative decoding: ранние слои предлагают продолжение, а оставшиеся слои проверяют его. В README описана экспериментальная реализация спекулятивного декодирования в Hugging Face Transformers и более оптимизированная реализация в кодовой базе LayerSkip, повторно использующая веса и KV-кэш ранних слоёв. Модель содержит около 1,23 млрд параметров согласно описанию базовой модели в каталоге, работает с текстом и ориентирована на английский язык по языковым метаданным. Репозиторий содержит веса PyTorch в формате safetensors. В README приведён тест на одной GPU A100, где self-speculative decoding показал более высокую скорость генерации, но авторы отмечают, что реализация через Transformers не оптимальна по памяти; интеграция с GPT-Fast и обучение указаны как незавершённые работы. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с лицензией Meta Llama 3.2.

Карточка модели huluhuluu/llama3p2-3b-inst-eagle3-sharegpt-sw512-epoch-9-step-231810 на Hugging Face совпадает с карточкой huluhuluu/llama-3.2-3b-instruct-eagle3-sharegpt-sw512-epoch9-step231810, поэтому описание составлено по ней. Это дообученная черновая модель EAGLE3 на архитектуре Llama, разработанная для ускорения генерации текста методом speculative decoding вместе с целевой моделью meta-llama/Llama-3.2-3B-Instruct. Она предлагает кандидаты токенов, которые целевая модель проверяет; самостоятельно как обычная языковая модель не предназначена для использования. Контрольная точка получена обучением SpecForge EAGLE3 на данных ShareGPT, имеет 494,7 млн параметров и нативный контекст 131 072 токена. Для загрузки требуется совместимый код SpecForge/EAGLE3. Указана лицензия other; карточка не содержит конкретных заявлений о производительности или бенчмарках.

AvoCahDoe/llava-1.5-13b-rlmpq-high-fidelity — вариант мультимодальной чат-модели LLaVA 1.5 13B, созданный на основе llava-hf/llava-1.5-13b-hf для экспериментов с RL-MPQ-квантованием. Модель принимает изображения и текстовые инструкции и формирует текстовые ответы, например, описывает изображения и отвечает на вопросы о них. В карточке указан сценарий High Fidelity и средняя точность квантования 6,7 бита; формат файлов репозитория — safetensors. README приводит сравнительные результаты для базовой FP16-модели, INT4 NF4 и RL-MPQ Aggressive на MMMU, MMBench и ScienceQA, но не содержит результатов именно для варианта High Fidelity. Модель предназначена для визуального диалога и оценки качества квантования; лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели.

Mage-ViT — визуальный энкодер, разработанный Microsoft и предназначенный прежде всего для обработки видео; изображение рассматривается как видео из одного кадра. Это 24-слойный Vision Transformer с 16 головами внимания, размером скрытого представления 1024 и пуллингом с многоголовым вниманием. Метаданные указывают 402,7 млн параметров, а README — около 316 млн; источники расходятся в оценке размера модели. Модель принимает изображения или последовательности видеокадров и возвращает признаки для отдельных патчей и глобальное векторное представление. Энкодер обучен с нуля на примерно 100 млн неразмеченных изображений и видео с использованием кластеризационной цели. При подготовке видео он поддерживает разреженный выбор патчей по важности, связанной с распределением битов видеокодека; для 64 кадров заявлен бюджет 4096 токенов и сокращение числа токенов примерно на 75%. В этом репозитории находится только предварительно обученный визуальный энкодер, без совместного обучения Mage-VL с языковой моделью. Лицензия — MIT.

MambaOut Base Short RW — модель классификации изображений и извлечения признаков из семейства MambaOut, подготовленная Россом Уайтманом для библиотеки timm. Вариант обучен на ImageNet-1k по рецепту обучения на основе Swin и ConvNeXt; содержит 88,8 млн параметров и рассчитан на изображения размером 224 × 224 при обучении и 288 × 288 при тестировании. Модель подходит для отнесения изображений к категориям ImageNet-1k, извлечения карт признаков и получения векторных представлений изображений. Её можно использовать как визуальный backbone в компьютерном зрении. Репозиторий предоставляет веса PyTorch в формате safetensors; лицензия — Apache-2.0.

kehanlu/mandarin-wav2vec2 — предварительно обученная аудиомодель Wav2Vec 2.0 base, разработанная Ke-Han Lu и соавторами. Модель преобразована из контрольной точки Fairseq/ESPnet в формат Hugging Face Transformers и предварительно обучена на примерно 960 часах мандаринской речи из AISHELL-2; в метаданных указано около 116,5 млн параметров. Модель предназначена для извлечения признаков из мандаринской речи и последующей адаптации к задачам распознавания речи, например через CTC-финетюнинг. Она работает с аудио и поддерживает китайский мандарин; готовой системой транскрибирования сама по себе не является. Для ASR используется отдельная производная модель kehanlu/mandarin-wav2vec2-aishell1. Модель подходит для построения акустических представлений и исследовательских пайплайнов распознавания речи. Ограничения включают специализацию на мандаринской речи, отсутствие готовой ASR-головы в этой контрольной точке и зависимость условий использования от лицензии AISHELL-2: свободное применение разрешено для академических целей, а коммерческое использование требует разрешения фонда AISHELL.

MediaPipe-Face-Detection — модель обнаружения лиц, разработанная Qualcomm и оптимизированная для устройств Qualcomm. Она основана на реализации MediaPipe-Face-Detection из MediaPipePyTorch и предназначена для приложений реального времени, включая Android-сценарии и встраиваемые системы. Модель принимает изображения размером 256×256 и определяет ограничивающие рамки лиц, а также шесть ориентиров: левый и правый глаз, кончик носа, рот и точки tragion обоих глаз. Решение включает детектор лиц примерно на 135 тыс. параметров и детектор лицевых ориентиров примерно на 603 тыс. параметров. Доступны варианты в форматах ONNX, QNN_DLC и TFLITE, в плавающей точности и в формате w8a8. Размер компонентов составляет около 557 КБ и 2,33 МБ для float, а также 260 КБ и 750 КБ для w8a8. Заявлена обработка менее чем за миллисекунду на ряде устройств Qualcomm при использовании NPU, однако фактическое время и потребление памяти зависят от чипсета, runtime и конфигурации. Сильными сторонами модели являются компактность, низкая задержка и наличие готовых экспортированных артефактов для экосистемы Qualcomm. Ограничения включают фиксированное входное разрешение, ориентацию на устройства и программные стеки Qualcomm, а также отсутствие в README сведений о точности, поддерживаемых языках, устойчивости к сложным условиям съёмки и максимальном числе одновременно обнаруживаемых лиц. Модель распространяется по лицензии Apache-2.0.

MemGPT-3 — англоязычная диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров, дообученная автором @starsnatched на основе mistralai/Mistral-7B-Instruct-v0.2. Она предназначена для вызова функций в MemGPT и использования как базовая модель для агентов MemGPT; автор сообщает о сопоставимой с GPT-4 производительности при работе с MemGPT, но README не приводит результатов оценки. Метаданные указывают контекст 32 768 токенов, тогда как в README сказано, что модель обучалась на последовательностях до 8 192 токенов. Модель поддерживает диалоговый сценарий и использует шаблон ChatML; в качестве сред запуска упомянуты WebUI и llama.cpp. Модель распространяется под лицензией Apache-2.0. Автор предупреждает о возможных ненадёжных, небезопасных или предвзятых ответах и рекомендует проверять результаты.

slprl/mhubert-base-25hz — это преобразованная SLP-RL версия многоязычной модели HuBERT от Meta, представленной в работе TWIST. Модель содержит 113,3 млн параметров и реализована как HubertModel в Transformers; веса Safetensors конвертированы из исходного выпуска Textlesslib, а результаты сверены с оригиналом. Модель предназначена для извлечения речевых признаков с частотой 25 Гц и токенизации речи, в частности для обучения языковых моделей речи и преобразования стиля говорения. Она обучалась на смеси многоязычных наборов данных, включая Multilingual LS, Vox Populi, Common Voice, Spotify и Fisher. Лицензия — MIT; подробности условий также приведены в лицензии Textlesslib.

MiniCPM5-2B-RKNN3 — это преобразованные артефакты языковой модели openbmb/MiniCPM5-2B для работы на сопроцессорах Rockchip RK1820 и RK1828. Модель представляет собой авторегрессионную языковую модель семейства LlamaForCausalLM с 2,52 млрд параметров; веса представлены в формате W4A16, а файлы графа подготовлены отдельно для каждой целевой платформы. Репозиторий создан HanzoHuang на основе модели OpenBMB и преобразован инструментарием rknn3-toolkit 1.1.0. Модель предназначена для генерации текста и локальных диалоговых сценариев на совместимом оборудовании Rockchip с использованием RKNN3 Runtime, RKLLM3 Server или примеров RKNN3 Runtime. Метаданные указывают английский и китайский языки; исходная модель имеет контекст до 131 072 токенов, однако применимая длина контекста зависит от преобразованной модели и конфигурации среды выполнения. Артефакты требуют совместимого стека RKNN3 и прошивки RK182x. Граф RK1820 нельзя использовать на RK1828 и наоборот; файлы не загружаются через Transformers, llama.cpp или устаревшие среды RKLLM/RKNN. Квантизация может снизить качество генерации по сравнению с исходной BF16-моделью. Лицензия исходной модели — Apache-2.0.

Это перешардированная версия Mistral-7B-v0.1 от команды Mistral AI: веса разделены на шесть файлов вместо двух, чтобы упростить загрузку модели на машинах с ограниченной оперативной памятью, например в бесплатной среде Google Colab. Модель содержит 7,1 млрд параметров и предназначена для генерации текста на основе предварительно обученной трансформерной языковой модели; её архитектура включает Grouped-Query Attention, Sliding-Window Attention и токенизатор Byte-fallback BPE. Контекст составляет до 32 768 токенов. Модель подходит как базовая для генерации продолжений текста и экспериментов с языковыми моделями. Это не чат-модель с настроенными механизмами модерации: карточка предупреждает, что у неё нет встроенных средств модерации. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache 2.0.

Mistral-Small-3.1-DRAFT-0.5B — компактная языковая модель Alamios для ускорения генерации методом speculative decoding вместе с mistralai/Mistral-Small-3.1-24B-Instruct-2503 или mistralai/Mistral-Small-24B-Instruct-2501. Это плотная авторегрессионная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 475,3 млн параметров; она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и диалоговый режим. Модель дообучена на выводах Mistral по 20 тысячам примеров из различных наборов данных, включая разные типы задач; обучение охватило два прохода и 12 млн токенов на проход. В первую очередь это черновая модель для совместной работы с указанными моделями Mistral, а не самостоятельная замена им. В карточке указаны английский, французский, немецкий, испанский, итальянский и португальский языки. Лицензия — Apache-2.0.

Модель helenai/MIT-ast-finetuned-speech-commands-v2-ov — конвертированная в формат OpenVINO версия модели MIT/ast-finetuned-speech-commands-v2, предназначенная для ускоренного вывода. Она использует архитектуру Audio Spectrogram Transformer (AST) с 113,2 млн параметров и решает задачу классификации аудио, в частности распознавания речевых команд. Модель принимает аудио и выдаёт метки классов. В метаданных указан английский язык. Формат OpenVINO предназначен для ускоренного инференса; лицензия в предоставленных данных не указана.

Репозиторий содержит веса модели mit_b3, предварительно обученной на ImageNet и предназначенной для использования в качестве энкодера в библиотеке segmentation-models-pytorch. Модель относится к семейству Mix Transformer (MiT) и применяется как визуальная основа для задач классификации изображений и сегментации в составе соответствующих моделей библиотеки. Карточка указывает формат весов safetensors и лицензию other. Сведения о размере модели, поддерживаемых языках и конкретных ограничениях качества не приведены.