II.8Инженерия данных и аналитика

Intel опубликовала версию DeepSeek-Coder-1.3B-Base, преобразованную в формат OpenVINO IR и оптимизированную с помощью Optimum CLI с INT8-квантованием весов. Это плотная авторегрессионная модель семейства LLaMA с 1,3 млрд параметров и контекстом 16 384 токена, предназначенная для генерации и дополнения кода. Она обучена на корпусе кода уровня проектов и поддерживает заполнение пропусков в коде, завершение фрагментов и дополнение с учётом репозитория; в карточке указано применение для автодополнения кода в Visual Studio Code через расширение OpenVINO Code Completion. Основной язык — английский. Лицензия — MIT с дополнительными ограничениями использования, перечисленными в карточке исходной модели; перед внедрением следует свериться с LICENSE-MODEL.

Карточка модели theoracleguy/diar_streaming_sortformer_4spk-v2.1-fp32 на Hugging Face совпадает с карточкой mlx-community/diar_streaming_sortformer_4spk-v2.1-fp32, поэтому описание составлено по ней. Это потоковая модель диаризации речи Sortformer, преобразованная сообществом mlx-community из модели NVIDIA diar_streaming_sortformer_4spk-v2.1 в формат MLX с помощью mlx-audio 0.3.2. В основе архитектура FastConformer из 17 слоёв, энкодер Transformer из 18 слоёв и модули Sortformer; модель принимает монофонический звук с частотой 16 кГц и выдаёт вероятности активности говорящих для каждого кадра. Она рассчитана на потоки и записи с числом говорящих до четырёх, используя кэш говорящих и контекст для обработки длинных потоков и границ аудиофрагментов. Модель подходит для разметки того, кто и когда говорит в аудиозаписи или потоке, а также для определения активности речи. README описывает веса в формате MLX, распространяемые как safetensors; для работы используется библиотека mlx-audio. Это конверсия исходной модели NVIDIA, а не самостоятельное дообучение. README отсылает к карточке исходной модели за дополнительными сведениями; лицензия и языковая специализация в предоставленных данных не описаны.

Dragon-1.5-0.5B — компактная модель для диалогов и генерации текста, разработанная автором репозитория на базе Qwen2-0.5B-Instruct. Она предназначена для рассуждений, выполнения инструкций, ответов на вопросы общего характера и задач по программированию. Модель содержит 493,7 млн параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель дообучена на трассах рассуждений и кода с помощью SFT, а затем обучена методом GRPO. Автор заявляет о возможности быстрого запуска на ноутбуках и коммерческих GPU, однако качество ответов и устойчивость к галлюцинациям не подтверждены приведёнными данными. Карточка обозначает модель как экспериментальную. Лицензия — Apache-2.0.

naver/efficient-splade-V-large-doc — модель-разработанная Naver асимметричная разреженная кодировочная модель SPLADE для поиска пассажей. Она предназначена для документной стороны поиска: тексты документов и абзацев преобразуются в разреженные векторы размерности 30 522, пригодные для извлечения и ранжирования по скалярному произведению. Для полноценного асимметричного поиска README рекомендует использовать отдельную модель для запросов. Модель основана на DistilBERT и принимает текст длиной до 512 токенов; в README для воспроизведения оценки указано ограничение 256 токенов. В метаданных отмечены английский язык и датасет MS MARCO. Модель подходит для семантического поиска и разреженного извлечения документов, но сама по себе не является полной парой кодировщиков для запросов и документов. Лицензия — CC BY-NC-SA 4.0, с условиями атрибуции, распространения на тех же условиях и некоммерческого использования.

onnx-community/emotion-english-distilroberta-base-ONNX — ONNX-конверсия модели Emotion English DistilRoBERTa-base, разработанной Jochen Hartmann и опубликованной сообществом ONNX Community. Это дообученная версия архитектуры DistilRoBERTa для классификации эмоций в англоязычном тексте. Модель предназначена для определения одной из семи категорий: anger, disgust, fear, joy, neutral, sadness и surprise. Она подходит для анализа эмоциональной окраски сообщений, отзывов, постов и других коротких текстов; репозиторий содержит несколько ONNX-вариантов, включая FP16, INT8 и другие квантованные версии. Модель содержит около 95,2 млн параметров и поддерживает контекст до 514 токенов. Основные преимущества — компактность по сравнению с полноразмерными моделями RoBERTa и возможность запуска через ONNX Runtime или совместимые инструменты. Результаты зависят от английского языка, длины и стиля входного текста, а классификация ограничена фиксированными семью категориями эмоций. Сведения о лицензии в доступных источниках не установлены.

FastApply-1.5B-v1.0 — языковая модель Kortix для быстрого применения изменений к коду. Она дообучена на базе unsloth/Qwen2.5-Coder-1.5B-Instruct-bnb-4bit и использует плотную архитектуру Qwen2 с 1,5 млрд параметров. Модель принимает текст с исходным кодом и фрагментом изменений, а в ответ формирует полный обновлённый файл, сохраняя его структуру, порядок, комментарии и отступы. Модель предназначена для AI-редакторов кода и инструментов, которым нужно быстро объединять изменения в файлах, в том числе в сценариях Fast Apply. Заявленная длина контекста — 32 768 токенов; README сообщает о скорости около 340 токенов в секунду при запуске у быстрых провайдеров, но эта скорость зависит от среды выполнения. Карточка указывает английский язык, однако он не определяет язык программирования, который можно редактировать. Модель распространяется по лицензии Apache-2.0. Она специализирована на редактировании кода и выдаёт результат в виде текста; качество и скорость могут зависеть от провайдера, формата запроса и кода. Данных о конкретных ограничениях применения в карточке не приведено.

Модель laion/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning_adam-beta1_0-95_Qwen3-32B — дообученная версия Qwen3-32B, созданная на датасете open-athena/GLM-4.6-stackexchange-overflow-sandboxes-32eps-65k-reasoning. Это плотная авторегрессионная языковая модель с архитектурой Qwen3ForCausalLM, рассчитанная на генерацию текста и диалоговый режим. Размер модели — 29,7 млрд параметров, нативный контекст — 40 960 токенов. Модель может применяться для генерации ответов в стиле Stack Exchange и Stack Overflow, решения задач по программированию и рассуждений в пределах обучающего распределения. Карточка не содержит результатов оценки качества или подробных рекомендаций по использованию, поэтому качество на конкретных задачах не подтверждено. Лицензия указана как other; конкретные условия следует сверить с карточкой репозитория и базовой модели.

GOBA AI Labs создала серию вариантов OLMoE-1B-7B-0125-Instruct, адаптированных под японский язык, финансы и программирование методом Expert Tuning. В этой модели эксперты разреженной MoE-архитектуры Transformer заменены доменно-специализированными экспертами, обученными с помощью дистилляции знаний; базовая модель — allenai/OLMoE-1B-7B-0125-Instruct. В репозитории представлены варианты для японского языка, финансов и генерации кода, каждый размером около 3,9 ГБ; активны 1,3 млрд параметров из 6,9 млрд. Модель поставляется в формате GGUF с квантизацией Q4_K_M и рассчитана на запуск, в частности, через llama.cpp. Варианты предназначены для генерации ответов и текста на японском языке, финансового анализа и выявления мошенничества, а также генерации и объяснения Python-кода. В описанных тестах японский вариант улучшил результат JMMLU на 4,5 процентного пункта, а вариант для кода — HumanEval+ на 10 пунктов; для финансового варианта прирост на подмножестве выявления мошенничества составил 16 пунктов. Базовая модель сохраняет общие навыки в пределах указанных авторами тестов, но оценки получены на выборках умеренного размера. Модель опубликована под лицензией Apache 2.0, допускающей коммерческое использование. К ограничениям относятся скромная активная ёмкость в 1,3 млрд параметров, возможная нестабильность оценок на небольших тестовых выборках и смещение финансового варианта в сторону выявления мошенничества с ухудшением прогнозирования доходов.

HerBERT-large-cased — польскоязычная языковая модель на архитектуре BERT, разработанная исследовательской командой Allegro совместно с группой лингвистической инженерии Института компьютерных наук Польской академии наук. Модель обучена на польских текстовых корпусах с помощью masked language modeling и Sentence Structural Objective, с динамическим маскированием целых слов. Для токенизации используется символьный Byte-Pair Encoding с размером словаря 50 тыс. токенов. Модель предназначена для извлечения контекстных представлений текста, которые можно использовать в NLP-системах для польского языка. В репозитории заявлены веса PyTorch, TensorFlow и Flax; число параметров составляет около 453,9 млн, а длина контекста — 514 токенов. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

Anwaarma/Improved-xlm-attempt2 — дообученная модель классификации текста на базе многоязычной XLM-RoBERTa, исходная модель предназначена для определения тональности твитов и коротких текстов. Модель содержит 305,2 млн параметров, принимает текст и выдаёт метку класса; максимальный контекст — 514 токенов. На оценочном наборе указаны accuracy 0,87 и loss 0,3637. Данные обучения и точное назначение классов не описаны, поэтому результаты нельзя уверенно переносить на другие наборы данных и сценарии. Модель опубликована в формате PyTorch; лицензия в предоставленных сведениях не указана.

Kairos-50M — трансформерная модель временных рядов, представленная авторами работы «Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models». Она предназначена для прогнозирования временных рядов без дообучения на данных конкретной задачи и рассчитана на применение в разных предметных областях. В карточке указаны 22 млн параметров, контекст до 512 токенов и библиотека Transformers; README заявляет 50 млн параметров, поэтому размер модели в источниках расходится. Модель использует динамическую токенизацию патчами, адаптивный выбор их размера по локальной информационной плотности и Dynamic Rotary Position Embedding (DRoPE), учитывающий спектральные особенности ряда. Обучение проводилось на корпусе PreSTS, содержащем более 300 млрд временных точек. Эти характеристики нацелены на обобщение на разнородные ряды без тонкой настройки. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не приводит подробных примеров использования или результатов по отдельным наборам данных, поэтому заявленное качество обобщения нельзя оценить по одной карточке.

KoMiniLM — компактная корейскоязычная модель семейства BERT, разработанная BM-K для снижения задержки и затрат памяти при дообучении и онлайн-инференсе. В метаданных указано 26,4 млн параметров; README также описывает версию KoMiniLM-23M. Модель основана на дистилляции KLUE-BERT: в студенческую модель переносились распределения self-attention и отношения значений внимания на нескольких слоях. Модель предназначена для извлечения признаков из корейского текста и может служить основой для задач понимания языка, включая анализ тональности, распознавание сущностей, определение сходства и перефразирования предложений, а также ответы на вопросы после дообучения. Контекст ограничен 512 токенами. README сообщает об экспериментах дообучения на корейских наборах данных, но численные результаты таблицы представлены не полностью. Файлы доступны в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

KpfBERT — текстовая модель на архитектуре BERT, опубликованная jinmang2. Она предназначена для извлечения признаков из текста и может служить основой для последующей классификации или других задач обработки языка. Репозиторий Hugging Face предлагает использовать её через Transformers как feature-extraction pipeline или загружать напрямую как AutoModel. Модель содержит около 141,2 млн параметров и имеет контекст длиной до 512 токенов. Карточка не сообщает подробностей о языковом охвате, обучающих данных, целевой области применения или лицензии, поэтому эти характеристики нельзя подтвердить.

LaBSE_geonames_RU_RELOCATION — дообученная artefucktor модель на базе sentence-transformers/LaBSE, предназначенная для работы с названиями географических объектов. Она преобразует названия городов из набора GeoNames cities500 RU и популярных стран для переезда в плотные векторы размерности 768, пригодные для семантического поиска и кластеризации. Модель построена на архитектуре BERT, содержит 498,1 млн параметров и принимает тексты длиной до 512 токенов. Модель можно применять для поиска географических названий по смысловой близости и группировки похожих названий. Базовая LaBSE создаёт общий векторный язык для 109 языков; в карточке этой модели указаны русский и английский. Весы опубликованы в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

Карточка модели MathGenie/MathCoder2-CodeLlama-7B на Hugging Face совпадает с карточкой MathGenie/MathCoder2-Llama-3-8B, поэтому описание составлено по ней. MathCoder2-Llama-3-8B — языковая модель MathGenie для генерации текста с упором на математические рассуждения и код. Она создана продолжением предобучения Meta-Llama-3-8B на наборе MathCode-Pile, содержащем математический код и сопровождающие его рассуждения на естественном языке. Модель с плотной архитектурой Llama насчитывает 7,5 млрд параметров, принимает текст и рассчитана на контекст до 8192 токенов. Она предназначена для решения математических задач, объяснения хода рассуждений и работы с математическим кодом на английском языке. В карточке указана лицензия Apache-2.0. Специализация на математике не гарантирует правильность вычислений или сгенерированного кода.

MathCoder2-Llama-3-8B — языковая модель MathGenie для генерации текста с упором на математические рассуждения и код. Она создана продолжением предобучения Meta-Llama-3-8B на наборе MathCode-Pile, содержащем математический код и сопровождающие его рассуждения на естественном языке. Модель с плотной архитектурой Llama насчитывает 7,5 млрд параметров, принимает текст и рассчитана на контекст до 8192 токенов. Она предназначена для решения математических задач, объяснения хода рассуждений и работы с математическим кодом на английском языке. В карточке указана лицензия Apache-2.0. Специализация на математике не гарантирует правильность вычислений или сгенерированного кода.

mDenseOn-unsupervised — многоязычная плотная модель для поиска по LightOn, полученная на первом этапе обучения семейства mDenseOn. Это энкодер Sentence Transformers на базе ModernBERT с 306,9 млн параметров: он кодирует запросы и документы в векторы размерности 768, используя CLS-пулинг и косинусное сходство. Для запросов и документов предусмотрены префиксы `query:` и `document:`, максимальная длина последовательности — 8192 токена. Модель предварительно обучена контрастивным методом на корпусе примерно из 2,8 млрд пар «запрос—документ» на английском, французском, немецком, итальянском, испанском, португальском, шведском, норвежском и арабском языках; около четверти пар являются межъязыковыми. Чекпойнт подходит для экспериментов с многоязычным поиском, дообучения на собственных данных и дистилляции. Для большинства производственных сценариев авторы рекомендуют полностью обученную mDenseOn, поскольку этот чекпойнт ещё не прошёл этап настройки на отобранных сложных негативных примерах. Лицензия — Apache 2.0.

TroyDoesAI/Mermaid-Solar — текстовая генеративная модель на архитектуре Llama с 10,6 млрд параметров. Карточка описывает формат запроса, в котором инструкция и входные данные задают задачу, а ответ содержит Mermaid-код. Модель предназначена для генерации диаграмм Mermaid по текстовым инструкциям и исходным описаниям. Модель принимает текст и выдаёт текст; контекст составляет 4096 токенов. Данные о базовой модели и дополнительных языках не приведены. Лицензия — CC BY 4.0.

MiniCPM5-1B-Turkish — чат-модель, опубликованная пользователем thealper2 и созданная на основе openbmb/MiniCPM5-1B. Она предназначена прежде всего для следования инструкциям на турецком языке, диалогов, ответов на вопросы и генерации кода по запросам на турецком языке; поддержка английского языка сохранена. Модель обучена методом полного supervised fine-tuning на 195 876 примерах, включая общие турецкие инструкции, диалоги, задачи программирования и Python-код. Модель использует архитектуру LlamaForCausalLM (MiniCPM5) и содержит 1 080 632 832 параметра. Основной язык — турецкий, дополнительный — английский. Во время обучения использовалась длина последовательности 2048 токенов, тогда как базовая модель заявляет контекст до 131 000 токенов; поэтому характеристики длинного контекста для этой версии не подтверждены. Доступны форматы Transformers и GGUF, включая варианты BF16, Q4_K_M, Q5_K_M и Q8_0, что делает модель подходящей для локального запуска и edge-сценариев. Сильные стороны модели — специализация на турецких инструкциях и кодогенерации, полный fine-tuning и сравнительно небольшой размер, позволяющий запускать её на ограниченных ресурсах. Ограничения включают размер в 1B параметров, возможные галлюцинации и ограниченную фактическую точность; ошибки и особенности синтетических или собранных обучающих данных могли перейти в модель. В отдельных тестах отмечены возможные регрессии в генерации JavaScript-кода и англоязычном программировании. Модель распространяется по лицензии Apache-2.0.

AnasAlokla разработала мультиязычную модель для многометочной классификации эмоций в тексте. Модель основана на BERT и дообучена на AnasAlokla/multilingual_go_emotions_V1.1; в метаданных указаны архитектура BertForSequenceClassification и 205,1 млн параметров. Контекст ограничен 512 токенами. Модель определяет до 27 категорий эмоций и нейтральный класс, поэтому подходит для анализа отзывов, обращений в поддержку и публикаций в социальных сетях, а также для систем мониторинга настроений и чат-ботов. README заявляет поддержку арабского, английского, французского, испанского, нидерландского и турецкого языков; метаданные подтверждают пять из них, но не нидерландский. Лицензия — MIT. Классификация может отражать эмоциональные сигналы в тексте, но сама по себе не устанавливает намерения или состояние человека. Результаты на языках и типах текста, не представленных в обучающих данных, могут быть ненадёжными; README не приводит полную таблицу оценки в предоставленном фрагменте.

naflexvit_so400m_patch16_siglip.v2_webli — веса визуального энкодера NaFlexViT для библиотеки timm, основанные на архитектуре SigLIP-2 SO400M/16. Модель предназначена для извлечения признаков изображений и может использоваться как визуальный энкодер в системах поиска по изображениям, сопоставления изображений и текста или последующей классификации. Репозиторий содержит веса PyTorch в формате Safetensors и распространяется по лицензии Apache-2.0. Карточка не сообщает о дополнительных обучающих данных, численных характеристиках размера или ограничениях применения.

Qwen2.5-R1-Minny-1.5B-v1 — компактная языковая модель на 1,5 млрд параметров для генерации текста, рассуждений, математики и программирования. По карточке модели, она создана слиянием DeepSeek-R1-Distill-Qwen-1.5B с математическими, кодовыми и reasoning-моделями; метаданные указывают DeepSeek-R1-Distill-Qwen-1.5B как базовую модель и тип происхождения finetune. Архитектура — плотная Qwen2, формат весов — safetensors, максимальный контекст — 131 072 токена. Модель рассчитана как основа для дальнейшего обучения и выравнивания, включая SFT и DPO, а также может применяться для генерации текста и ответов в диалоговом режиме. В README заявлены способности к математическим рассуждениям и написанию кода. Карточка сообщает о сравнении слияния по прямому проходу на наборах FineWeb, OpenMath и CodeAlpaca, но результаты не подтверждают качество ответов в практических сценариях. README предупреждает о нестабильном следовании шаблонам запросов без дополнительного instruct-тюнинга и об ограничениях небольших языковых моделей, включая галлюцинации и слабое извлечение фактов. Лицензия — Apache-2.0.

Qwen2-7B-Instruct-Exp — разговорная языковая модель на архитектуре Qwen2, разработанная Alibaba PAI. Модель дообучена на основе Qwen2-7B-Instruct для расширения пользовательских инструкций примерами того же типа задачи, но с другим содержанием. В обучении использованы выборки OpenHermes и LCCD, а для подготовки аннотаций — Qwen-max и примеры авторов. Модель принимает текстовые инструкции и генерирует текстовые варианты с изменённым содержанием, сохраняя тип задачи. В карточке указаны 7,1 млрд параметров и контекст до 131 072 токенов. Авторы оценивали её влияние на аугментацию данных для задач элементарной математики и импликатур; результаты зависели от тестового набора. Подходит для создания синтетических обучающих примеров и разнообразных формулировок заданий. Лицензия в предоставленных данных не указана.

jaymanaryan/qwen3-0.6b-reasoning-indic-merge — слитая модель на архитектуре Qwen3-0.6B, созданная автором репозитория с помощью arcee_fusion из кластеров reasoning_stem и indic. Это плотная авторегрессионная модель примерно на 507,9 млн параметров с контекстом до 40 960 токенов; она предназначена для генерации текста, диалогов, рассуждений, математических задач, программирования и запросов на Indic-языках, включая Hinglish. В README указаны проверки на небольшом наборе промптов: результаты были связными, а проверка perplexity дала значение около 28,1. Модель ориентирована на компактное локальное применение и поддерживает интерфейсы чата и вызова инструментов. В тестах по умолчанию проявлялись видимые цепочки рассуждений с многоточиями. Она не специализируется на творческом письме и не заявлена для медицинских или широких общих задач; приведённые проверки ограничены небольшим набором примеров. Лицензия — Apache-2.0.

Qwopus3.5-9B-Coder-MTP-MoQ — набор квантованных GGUF-версий модели на основе Qwen/Qwen3.5-9B, опубликованный Waleed Ahmad. Репозиторий предназначен для генерации текста и диалога; в названии заявлена специализация на программировании, но README не приводит отдельных оценок или сведений о настройке под код. Также указана поддержка MTP speculative decoding для ускорения генерации. Метод MoQ (Mixture of Quants) распределяет точность квантования по слоям модели, сохраняя более высокую точность для важных частей и сильнее сжимая остальные. В README приведены варианты примерно от 3,3 до 3,9 бит на вес, а также заявление автора о сравнительных оценках относительно других квантований. Файлы доступны в формате GGUF; для запуска README показывает llama.cpp. Модель унаследовала мультимодальные возможности базовой Qwen3.5-9B, однако карточка этого репозитория описывает прежде всего текстовую генерацию и не подтверждает работу с изображениями в данных GGUF. Указанная лицензия — MIT. Качество конкретных квантованных вариантов может различаться; заявления о превосходстве в README принадлежат автору и не сопровождаются подробностями методики оценки.

laion/r2egym_8b_rope_65k-step17 — экспериментальная модель генерации текста на базе Qwen3-8B, дообученная с подкреплением для задач R2EGym. Репозиторий описывает 17 шагов обучения и контекст 65 тысяч токенов с масштабированием RoPE через YaRN; метаданные указывают 7,6 млрд параметров, архитектуру Qwen3ForCausalLM и нативный контекст 163 840 токенов. Модель предназначена для диалоговой генерации и решения задач с кодом. Она доступна в формате Safetensors и используется через Transformers. В метаданных указан обучающий датасет open-athena/r2egym_gpt5_codex_solved_tasks и базовая модель laion/GLM-4_7-r2egym_sandboxes-maxeps-131k-lc. Лицензия — Apache-2.0. Это ранний чекпойнт обучения: README сообщает лишь о 17 шагах, поэтому качество и устойчивость ответов не следует считать подтверждёнными. Поддерживаемый язык по карточке — английский.

RF-DETR Base — модель обнаружения объектов в изображениях семейства RF-DETR, разработанного авторами работы «RF-DETR: Neural Architecture Search for Real-Time Detection Transformers» и интегрированного в библиотеку Transformers. Она предназначена для быстрого обнаружения объектов с балансом точности и задержки; базовый чекпойнт обучен распознавать 80 категорий COCO 2017. Архитектура сочетает визуальный ViT-бэкбон в стиле DINOv2 с регистрами и чередованием оконного и полного внимания, многомасштабный проектор признаков и декодер Deformable DETR с объектными запросами. Модель принимает изображения и выдаёт классы объектов и их рамки. Лицензия — Apache-2.0. Модель ориентирована на обнаружение объектов общего назначения. Карточка не приводит оценок качества или требований к вычислительным ресурсам, поэтому пригодность для конкретной среды следует оценивать отдельно.

eugenehp/siglip2-base-naflex — staging-репозиторий с перераспространённым чекпойнтом Google SigLIP 2 NaFlex для запуска через RLX. Это плотная модель семейства SigLIP 2 с поддержкой изображений переменного соотношения сторон; в репозитории есть веса Safetensors и вариант GGUF F16. Модель предназначена для классификации изображений по текстовым меткам без специального дообучения: например, можно сопоставить изображение с вариантами «документ» и «фотография». Для запуска README приводит команду с библиотекой rlx-siglip2. Репозиторий отмечен как staging-переиздание upstream-чекпойнта, а не основной пакет для runtime RLX; README рекомендует обращаться к upstream, если нужен исходный чекпойнт. В метаданных указана лицензия Apache-2.0. Данные о размере параметров, контексте и поддерживаемых естественных языках не приведены; поскольку задача визуальная и ответы представляются оценками соответствия меткам, модель не рассчитана на основной язык.

SmolLCoder-360M-Instruct — компактная инструктивная языковая модель для помощи с программированием, основанная на HuggingFaceTB/SmolLM2-360M-Instruct и разработанная motexture. Модель построена на плотной архитектуре семейства Llama и содержит 361,8 млн параметров; она поддерживает генерацию текста и диалоговый режим, рассчитана на контекст до 8192 токенов и работает с текстом на английском языке. Модель предназначена для локального использования в роли небольшого помощника по программированию: она может генерировать фрагменты кода и отвечать на запросы в диалоговом формате. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или подробностей обучения, поэтому возможности и надёжность кода следует проверять на конкретных задачах.

speechless-tools-7b — дообученная языковая модель от uukuguy на базе speechless-coding-7b-16k-tora, созданная по рекомендациям проекта ToolLlama. Она предназначена для генерации текста с вызовом инструментов и работы с разнообразными API, в том числе для выбора подходящего API и формирования инструкций для него. Модель использует плотную архитектуру Llama и содержит 6,6 млрд параметров; длина контекста — 16 384 токена. Репозиторий предоставляет веса в формате PyTorch. В README приведены результаты локального сравнения с ChatGPT-CoT и ToolLlama на наборах G1_instruction, G1_category и G1_tool; они указывают на оценку сценариев выбора и применения инструментов. Модель лицензирована по условиям Llama 2. В карточке не перечислены поддерживаемые естественные языки и конкретные ограничения качества.