III.10Проекты, процессы и операционное управление

Модель wordcab/t5-small-email-summarizer разработана командой Wordcab и дообучена на базе Falconsai/text_summarization, модели семейства T5. Она предназначена для суммаризации электронных писем на английском языке и создаёт краткие однострочные или подробные пересказы по режимам summarize_brief: и summarize_full:. Модель рассчитана на обработку деловой и неформальной переписки, включая тексты с опечатками, сокращениями и разным форматированием; её можно применять для управления почтовым ящиком, разбора приглашений на встречи, первичной сортировки обращений в поддержку и пересказа рассылок. В метаданных указаны 38,5 млн параметров, архитектура T5ForConditionalGeneration, библиотека Transformers и контекст длиной до 512 токенов. Модель принимает текст письма и генерирует текстовый пересказ. Лицензия — Apache 2.0. Модель ориентирована на английский язык; она может упускать нюансы длинных цепочек писем, а автор не рекомендует использовать её для пересказа юридических и медицинских документов.

WikiHow-Mistral-Instruct-7B — языковая модель ajibawa-2023, дообученная на наборе WikiHow для создания подробных пошаговых инструкций в стиле WikiHow. Она основана на Mistral-7B-Instruct-v0.2 и предназначена для ответов на запросы и генерации обучающих руководств по широкому кругу повседневных и специализированных тем. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст, поддерживает диалоговый формат ChatML; в карточке указан английский язык. Модель обучали три эпохи на WikiHow с использованием Axolotl. Модель ориентирована на развёрнутые объяснения шагов, советов и рекомендаций. Возможны неточности в инструкциях, особенно в узкоспециализированных или чувствительных темах; качество и безопасность ответов следует проверять. Лицензия — Apache-2.0.

Это исследовательский контрольный чекпойнт на базе LED-base для суммаризации совещаний и диалогов. Модель разработана и опубликована Immich; она обучена на подходящем подмножестве AMI Meeting Corpus с seed 73. Вариант baseline предназначен для суммаризации полной записи совещания или для иерархического конвейера сегментации, извлечения и генерации. Модель построена на архитектуре LED и содержит 95,2 млн параметров. Она принимает текст и генерирует текстовое резюме; для загрузки указаны Transformers и AutoModelForSeq2SeqLM. Репозиторий содержит веса safetensors. Лицензия — MIT. Карточка описывает конкретный экспериментальный baseline и не приводит оценок качества или подробностей о поддерживаемых языках.

Virtuoso-Small — компактная генеративная языковая модель Arcee.ai с 14 млрд параметров, созданная на базе Qwen2.5-14B. Она предназначена для выполнения инструкций, рассуждений и бизнес-задач, включая поддержку клиентов, создание контента и техническую помощь. Модель использует плотную архитектуру Qwen2 и поддерживает контекст до 131 072 токенов, а также интерфейс чата и вызова инструментов. Доступны локальное развертывание и доступ через API; в карточке также указана возможность получить версию GGUF. Модель распространяется по лицензии Apache-2.0.

Модель Transcript_Summerizer разработана Sandeep Ganga и дообучена на базе google/pegasus-large для создания кратких структурированных пересказов стенограмм. Это трансформерная модель типа encoder-decoder с 366,8 млн параметров, принимающая текст и генерирующая текст; в карточке заявлена поддержка английского языка, а контекст составляет 1024 токена. Модель предназначена для суммирования стенограмм встреч, лекций, подкастов и интервью, а также длинных неструктурированных текстов. Она выделяет основные выводы, убирает слова-паразиты и старается сохранять смысловую связность. Лицензия — Apache 2.0. Результаты могут отражать смещения данных дообучения; при работе со сложными или длинными стенограммами возможна потеря деталей, а пересказы могут содержать ошибки или галлюцинации. Для важных решений, особенно медицинских и юридических, их следует проверять человеком.

Wendi 2B — компактная модель для принятия решений, разработанная на основе Qwen3.5-2B. Она получает свидетельства, критерий выбора и небольшой набор вариантов, после чего выбирает ответ одним предсказанием следующего токена. Модель предназначена для маршрутизации рабочих процессов, выбора следующего действия, классификации с учётом инструкций, проверки свидетельств, анализа использования инструментов и классификации электронной почты. Модель представляет собой плотную архитектуру Qwen3.5 с 2 млрд параметров; карточка указывает настройку контекста до 262 144 токенов и поддержку диалога. Wendi дообучена с помощью supervised fine-tuning и гибридного GRPO; языковые LoRA-адаптеры ранга 16 объединены в самостоятельный BF16-чекпойнт. Для обслуживания README рекомендует актуальные версии SGLang или vLLM с поддержкой Qwen3.5. Метаданные указывают языки en и zh. Внутренние отложенные проверки показывают пригодность для ряда задач классификации и выбора по заданным критериям, однако результаты различаются по категориям и не гарантируют точность на новых данных. Для запросов на принятие решений README рекомендует отключать режим thinking, использовать заглавные буквы для вариантов и оценивать следующий токен только среди допустимых ответов. Модель распространяется по лицензии Apache-2.0.

MoJev — модель-оценщик от MoLeMo-Lab для выбора и ранжирования вариантов по текстовому состоянию, вопросу и списку кандидатов, заданному во время запроса. Она выдаёт распределение вероятностей, привязанное к заданной схеме, и предназначена для маршрутизации запросов, классификации политик и свидетельств, выбора инструментов и рабочих процессов, а также решений об исполнении, отложенной обработке или эскалации. Код модели распространяется по лицензии MIT; для весов также применяются условия лицензии базовой модели Qwen. Модель дообучена на Qwen3.5-0.8B: обучены все 854 036 544 параметра. Архитектура PackedScorer упаковывает состояние, вопрос и кандидатов в одну последовательность, использует маску внимания в виде дерева и проекции контекста и кандидатов ранга 512 с масштабированным скалярным произведением. Входное состояние может содержать текст и изображения; изображения обрабатываются через визуальные патчи. Выпущенная конфигурация обучалась с усечением до 16 384 токенов; базовая модель поддерживает контекст до 262 144 токенов, а с YaRN — до 1 010 000, но запрос также включает токены вопроса и кандидатов. В оценке на 12 000 решений авторы сообщают точность 93,23% и ожидаемую ошибку калибровки 0,79%. Модель подходит для структурированных решений по пользовательским вариантам, но качество и калибровка зависят от соответствия данных и кандидатов задаче. Карточка описывает англоязычные имена кандидатов, однако не указывает полный перечень поддерживаемых естественных языков.

basal-1.0-1.5B — польская и английская модель для классификации решений, разработанная автором репозитория Remek и дистиллированная из basal-1.0-4.5B. Это компактная инструкционная модель семейства Llama с 1,5 млрд параметров и контекстом до 8192 токенов; она принимает описание состояния и вопрос с вариантами ответа и оценивает допустимые варианты, включая выбор, ответ «да/нет» и числовую оценку. Модель предназначена для динамической классификации без переобучения: категории и правила задаются в запросе. Примеры применения — маршрутизация обращений и документов, проверка соответствия правилам и политике, оценка срочности или риска, выбор агента или инструмента и предварительная сортировка случаев по порогу уверенности. Вместо обычной генерации текста модель вычисляет распределение вероятностей по вариантам за один проход; усреднение предсказаний при прямом и обратном порядке вариантов помогает уменьшить чувствительность к их порядку. По оценке автора, версия 1,5B уступает версии 4,5B в точности, но обеспечивает примерно вдвое меньшую задержку и в 2,5 раза большую пропускную способность при половинном потреблении памяти. Модель поддерживает польский и английский языки и распространяется по лицензии Apache 2.0. Перед применением на собственных данных рекомендуется отдельная проверка и настройка порогов уверенности; решения с серьёзными последствиями следует проверять человеком.

Qwen3.8-27B-Abliterated-SME-Preview — предварительная модель-ассистент для малого и среднего бизнеса от hotdogs, дообученная методом LoRA SFT на базе hotdogs/Qwen3.8-27B-abliterated. Это плотная гибридная модель с архитектурой Qwen3_5ForConditionalGeneration: 64 слоя, включая линейное внимание GDN и полное внимание; в репозитории представлены объединённые веса BF16 в safetensors. Модель предназначена для ответов на деловые вопросы, анализа CSV и офисных документов, а также для формирования структурированных вызовов инструментов. Модель принимает текст; в карточке указана мультимодальная обёртка с поддержкой изображений, хотя README описывает текстовые сценарии. Обучение проводилось на англоязычном наборе документов и вызовов инструментов; метаданные также указывают тайский язык. Контекст обучения — 8192 токена. Лицензия — Apache-2.0. В README приведены результаты на ARC, MMLU и GSM8K, а также проверки формата вызовов инструментов; они указывают на сохранение общих возможностей базовой модели и улучшение математического рассуждения, но полноценные агентные бенчмарки ещё не проводились. Выпуск имеет статус Preview. Склонность базовой модели отказывать снижена намеренно; для выполнения вызовов csv_* и doc_* требуется подключить инструменты к среде исполнения. BF16-версия на 27 млрд параметров требует нескольких GPU либо квантованного варианта для практического запуска.

Magiq-Logic-0 — диалоговая модель mymaia для логического анализа и поддержки принятия решений. Она оценивает информацию, формирует обоснованные суждения и предназначена для использования в составе MAIA вместе с MAGIQ Core-0 и MAGIQ Translator-0, чтобы создавать связные ответы с учётом контекста. Модель основана на Mistral-7B-Instruct-v0.2 и дообучена для генерации текста; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Указаны английский, итальянский и французский языки. Модель распространяется в формате safetensors по лицензии Apache-2.0.

JeongMinMin дообучил компактную плотную языковую модель Qwen3 с 507,9 млн параметров на основе NotoriousH2/Qwen3-0.6B-JSON-SFT. Модель предназначена для генерации текста в формате JSON; метаданные также отмечают чатовый интерфейс и интерфейс вызова инструментов. В базовой модели заявлено извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний, однако README не уточняет, как именно этот сценарий изменён в данном дообучении. Модель принимает текст и генерирует текст. Указан контекст длиной до 40 960 токенов; для файлов используются safetensors. Модель опубликована под лицензией Apache-2.0. Карточка не сообщает об оценках качества или известных ограничениях.

Apollo Raines представляет вариант Llama-3.1-8B-Instruct, изменённый инструментом jBlaze методом representation engineering. По описанию автора, изменения вносятся непосредственно в веса для усиления аналитического рассуждения: модель глубже разбирает темы, рассматривает разные точки зрения и даёт более структурированные и подробные ответы. Дополнительное обучение не проводилось. Модель использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; в метаданных указаны 7,5 млрд параметров и контекст до 131 072 токенов. Карточка заявляет, что опубликованная версия намеренно ослаблена и служит демонстрацией возможностей метода. Указана лицензия Llama 3.1.

SpeechLMM-v2.0-L-7B — мультимодальная инструкционная модель на 7 млрд параметров из семейства SpeechLMM 2.0, разработанного командой Meetween и участниками консорциума Meetween. Она дообучена на Qwen/Qwen2.5-Omni-7B для задач, связанных с речью и виртуальными совещаниями. Архитектура авторегрессионная; аудио-, видео- и визуально-речевые признаки поступают в представление Thinker через адаптеры, а для чтения по губам добавлен путь AutoAVSR. Модель принимает текст, речь и видео и может выдавать текст или речь. Она предназначена для распознавания и перевода речи, вопросов и ответов по устному или письменному содержанию, суммаризации, определения намерений, деления аудио на главы, диаризации говорящих с аудиовизуальным контекстом, чтения по губам и генерации речи. Поддерживаются чешский, нидерландский, английский, французский, немецкий, венгерский, итальянский, португальский, испанский и шведский языки. Модель рассчитана на отдельные задачи и на использование как компонента системы помощи при совещаниях. Лицензия CC-BY-NC-SA 4.0 ограничивает коммерческое использование. Качество может зависеть от языка, качества записи и конкретной задачи; README не приводит количественных оценок качества. Для обработки записей совещаний следует учитывать согласие участников и применимые правовые основания.

EnnoAi-Pro-Llama-3-8B — чат-модель семейства Llama, разработанная Enno-Ai и дообученная для профессиональных задач на французском языке. По карточке, обучение проводилось на примерно 275 тысячах франкоязычных примеров по профессиональным и общим стратегическим темам; заявлена также поддержка английского языка. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров, работает с контекстом до 8192 токенов и принимает диалоги в формате ChatML с поддержкой системных сообщений. Модель предназначена для генерации ответов, анализа и использования в сценариях RAG, в том числе для профессиональных запросов на французском и английском языках. README сообщает о применении QLoRA при дообучении, но метаданные не указывают базовую модель, поэтому её идентификатор установить нельзя. Разработчик отмечает, что модель находится в разработке; приведённые в карточке результаты отдельных тестов не описывают её качество во всех сценариях. Лицензия — CreativeML OpenRAIL-M.

Модель amagzari/pegasus-cnn_dailymail-finetuned-samsum-v2 — дообученная версия google/pegasus-cnn_dailymail, созданная для суммаризации диалогов из набора SAMSum. Она принимает текст разговора и генерирует краткое изложение; в README приведены результаты оценки на тестовой выборке SAMSum: ROUGE-1 45,30, ROUGE-2 21,76, ROUGE-L 35,86 и ROUGE-Lsum 41,66. Модель построена на архитектуре PegasusForConditionalGeneration, содержит около 366,8 млн параметров, работает с PyTorch и имеет контекст до 1024 токенов. В карточке не указана лицензия, поэтому условия использования определить нельзя.

linydub/bart-large-samsum — модель суммаризации диалогов, дообученная с помощью Microsoft Azure Machine Learning на корпусе SAMSum от базового чекпойнта facebook/bart-large. Она принимает текст переписки и генерирует краткое изложение; подходит, например, для фиксации итогов чатов и обзора диалогов. Модель основана на BART, содержит около 252,8 млн параметров и имеет контекст длиной до 1024 токенов. Карточка приводит результаты оценки на SAMSum: ROUGE-1 55,02, ROUGE-2 29,60 и ROUGE-L 44,91. Распространяется по лицензии Apache-2.0.

RoBERTa TopSeg QMSUM — модель Sentence-Transformers на базе архитектуры RoBERTa, дообученная для кодирования предложений и абзацев в плотные векторы размерностью 768. Она обучалась на наборе QMSUM с расшифровками очных совещаний: фрагменты, относящиеся к одной теме, должны располагаться близко в векторном пространстве. Модель подходит для семантического поиска и кластеризации тематически связанных фрагментов стенограмм. Всего в модели 151,8 млн параметров; максимальный контекст — 514 токенов. Лицензия — CC BY 3.0.

Tasksource-JEV-Nano-v0 — англоязычная модель для принятия решений по тексту, разработанная Дамьеном Силео как дообучение LightOn LateOn на базе ModernBERT-base. Она использует многовекторное представление и позднее взаимодействие токенов, что предназначено для высокопроизводительной классификации и типизированных решений. Модель содержит 149 млн параметров, принимает текст и поддерживает контекст до 8192 токенов; в метаданных указана библиотека sentence-transformers и формат safetensors. Базовая модель LateOn ориентирована на семантический поиск и извлечение документов.

Ayush Auti разработал Ayush5605/dialogue-summarizer — модель FLAN-T5, дообученную на датасете SAMSum для создания кратких сводок диалогов. Она подходит для суммирования переписок, стенограмм встреч и разговоров с клиентами, сохраняя основную информацию. Модель использует архитектуру T5 и содержит 38,5 млн параметров. Она принимает текст и генерирует текстовую сводку; в первую очередь обучена на англоязычных диалогах. Контекст ограничен 512 токенами, а более длинные разговоры могут обрезаться. Лицензия — MIT.

Jev-Style-Qwen3.5-2B-Decision-v2-MLX-bf16 — англоязычная модель для классификации, маршрутизации и выбора типизированного ответа из заданного списка. Она основана на Qwen3.5-2B и дообучена в формате Jev-style: получает описание состояния, вопрос и от 2 до 26 вариантов, а за один проход выдаёт вероятности выбора с применением калибровки. Репозиторий содержит веса MLX в BF16, клиент инференса и материалы оценки; указанный размер модели — 1,7 млрд параметров, нативный контекст — 262 144 токена. Модель предназначена для задач с заранее заданными ответами, включая классификацию текста, логические вопросы, маршрутизацию и упорядоченные оценки. В фиксированной англоязычной панели автор сообщает точность 81,20% и улучшение метрик относительно сравниваемых моделей; эти результаты относятся к описанному набору задач и не гарантируют аналогичного качества на других данных. Интерфейс ограничивает промпт 1 024 токенами, хотя контекстная ёмкость базовой архитектуры больше. Этот вариант рассчитан на запуск через MLX на Apple Silicon. Лицензия — Apache-2.0.

mhmdrza9789/pegasus-samsum-summarizer — модель на архитектуре Pegasus, дообученная на наборе SAMSum на базе google/pegasus-cnn_dailymail. Она предназначена для создания кратких сводок повседневных диалогов на английском языке. Модель решает задачу суммаризации текста и доступна в формате safetensors; окно контекста составляет 1024 токена. Лицензия — MIT.

Ziya-Writing-LLaMa-13B-v1 — языковая модель IDEA-CCNL из серии Ziya, созданная на архитектуре LLaMA с 12,9 млрд параметров. Это инструкционно дообученная модель, усиленная для задач письма; в обучении использовались данные по письму, общие инструкции и обучение с обратной связью от людей (RM и PPO). Модель предназначена для подготовки официальных отчётов, выступлений, писем, рекламных и творческих текстов, а также ответов на разнообразные инструкции. В карточке заявлена поддержка английского и китайского языков. Модель принимает текст и генерирует текст; длина контекста — 2048 токенов. Авторы сообщают об улучшении качества письма по результатам сравнительной оценки, однако оценивание проводилось на 100 инструкциях, а качество текста субъективно. Лицензия репозитория — GPL-3.0, при этом README отдельно предупреждает, что из-за ограничений лицензии исходных весов LLaMA модель нельзя использовать коммерчески и необходимо соблюдать политику LLaMA.

bubo-bubo-13b — авторегрессионная языковая модель, разработанная ibivibiv и дообученная на архитектуре Llama 2. Она предназначена для суммаризации цепочек сообщений и других коммуникационных переписок. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текстовые инструкции в формате Alpaca. Модель рассчитана на английский язык и генерирует текстовые резюме. Контекст составляет 4096 токенов. В README приведены результаты нескольких бенчмарков, однако автор отмечает, что модель специально настроена на суммаризацию, поэтому эти оценки не следует трактовать как подтверждение широких возможностей. Модель распространяется в формате safetensors по лицензии Llama 2.

Llama-3.1-8B-Instruct_Flat-Affect — вариант Meta Llama 3.1 8B Instruct, созданный Apollo Raines с помощью инструмента jBlaze для изменения поведения модели непосредственно в весах. Дополнительное обучение не проводилось. Модель предназначена для диалогов и генерации текста в сдержанном, клиническом и объективном тоне, без выраженной эмоциональной окраски и энтузиазма. Это плотная авторегрессионная модель LlamaForCausalLM в формате safetensors; в метаданных указаны 7,5 млрд параметров и контекст до 131 072 токенов. Карточка отмечает английский язык. Вариант представлен как демонстрация технологии jBlaze с намеренно сниженной силой воздействия изменений, поэтому полноту заявленного эффекта следует оценивать на практике. Лицензия — Llama 3.1.

TAPAS small — модель Google на архитектуре TAPAS, дообученная на задаче последовательных вопросов и ответов по таблицам (SQA). Она принимает вопрос и таблицу, представленную в текстовом виде, и выбирает ячейки таблицы для ответа; это подходит для диалогового поиска фактов в табличных данных. Модель содержит 32,4 млн параметров, использует контекст до 512 токенов и доступна в форматах PyTorch и TensorFlow. Дообучению предшествовали маскированное языковое моделирование и промежуточное обучение на примерах числовых рассуждений по таблицам. По умолчанию используется вариант с относительными позиционными эмбеддингами, где индексы позиций сбрасываются в каждой ячейке; также доступен вариант no_reset с абсолютными позиционными эмбеддингами. Модель обучена для английского языка на наборе SQA и предназначена для ответов на вопросы о таблицах. Лицензия — Apache-2.0.

Arlo Classify 1.0 — модель NoaberAI для классификации текстов и принятия структурированных решений на нидерландском языке. Она дообучена на базе многоязычной microsoft/mdeberta-v3-base и использует архитектуру DeBERTa V2 с классификационной головой на три класса: entailment, neutral и contradiction. В метаданных указано 306 млн параметров, длина контекста — 512 токенов. Модель предназначена для выбора категорий из заданного пользователем списка без обучения под новые категории и для оценки того, насколько утверждение подтверждается текстом. Она возвращает метку или оценку уверенности, а не сгенерированный ответ. По заявлению разработчика, модель работает быстро, в том числе на CPU, и может запускаться локально. Обучение ориентировано на нидерландский язык, но многоязычная основа позволяет применять её и к текстам на других языках. Модель лицензирована по MIT. Она рассчитана на классификацию и проверку утверждений, а не на генерацию текста или извлечение произвольных полей. В README не приведены количественные результаты оценки качества; контекст ограничен 512 токенами.

Jeff-Qwen3.5-2B — модель классификации с нулевым числом примеров, созданная сообществом путём дообучения Qwen/Qwen3.5-2B. Она принимает описание ситуации и список вариантов на естественном языке и за один проход выдаёт калиброванные вероятности для каждого варианта, без генерации ответа и последующего разбора текста. Модель предназначена для встраивания в локальные приложения, где нужно быстро выбрать категорию, намерение или действие. По README, версия v1.2 обучена на 284 747 вопросах за одну эпоху; заявлены точность 81,7% на панели из пяти тестов, ошибка калибровки ECE 0,021 и поддержка списков до 254 вариантов. Модель основана на плотной архитектуре Qwen 3.5 и распространяется в формате safetensors через библиотеку Transformers. В README приведены ориентиры времени принятия решения: около 24 мс на RTX PRO 6000 и 60 мс на Apple M4 Max с MLX. Карточка ориентирована на англоязычные запросы. Лицензия — Apache-2.0. Модель компактна и быстра для выбора между явно заданными вариантами, однако качество рассуждений уступает более крупным моделям. Результаты зависят от предметной области и формулировки вариантов; для специализированных задач README рекомендует дообучение на собственных примерах. Для длинных документов v1.2 показала более низкий результат, чем завышенный из-за утечки тестовых документов результат v1.1.

Saransh 1.7B — компактная модель суммаризации на базе Qwen3-1.7B, разработанная M37labsorg и дообученная следовать инструкциям. Она создаёт связные краткие или подробные резюме английских статей, отчётов, стенограмм, научных текстов и переписки; длину можно задавать числом предложений, абзацев или примерным количеством слов. Модель имеет архитектуру Qwen3 с 1,7 млрд параметров и контекстное окно до 40 960 токенов по метаданным; README рекомендует разбивать входы длиннее 8 192 токенов на части. Базовые веса доступны в формате safetensors, а отдельные сборки GGUF поддерживают локальный запуск на обычном компьютере. Сильные стороны Saransh — управление длиной резюме и отбор обучающих примеров для повышения точности передачи чисел, имён и атрибуций. При этом модель может добавлять неподтверждённые имена и иногда числа, а резюме склонны быть длиннее эталонных; результат следует проверять, особенно перед использованием в юридических, медицинских или финансовых решениях. Модель рассчитана на английский язык, не предназначена для перевода, открытого диалога или ответов на вопросы. Лицензия Apache 2.0 допускает коммерческое использование.

ChocoLlama-2-7B-base — языково-адаптированная базовая языковая модель, разработанная Matthieu Meeus и Anthony Rathé на основе Meta Llama-2-7B. Модель дообучена методом LoRA на 32 млрд нидерландских токенов; архитектура — плотная LlamaForCausalLM, размер — 6,6 млрд параметров, контекст — 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации и понимания текста на нидерландском языке, а также для последующей адаптации к прикладным задачам, например к работе с вакансиями, корпоративной отчётностью и законодательством. Это базовая модель, не настроенная для диалогов и выполнения инструкций; для таких сценариев авторы рекомендуют instruct-версию или дополнительное дообучение. Основной язык — нидерландский. Из-за обучения преимущественно на нидерландских данных модель может плохо работать с другими языками, включая английский. В данных обучения не проводилась отдельная фильтрация потенциально предвзятого или вредоносного содержания, поэтому для снижения нежелательных ответов авторы рекомендуют дообучение на тщательно отобранных данных. Лицензия — Llama 2 Community License.

Dixtral — модель распознавания речи, разработанная группой BUT Speech@FIT Брненского технического университета. Она сочетает речевую модель Voxtral-Mini-3B-2507 с энкодером DiCoW v3 large, учитывающим информацию о диаризации, чтобы распознавать речь целевого говорящего в многоголосых записях. Модель предназначена для транскрибации разговоров и записей совещаний с несколькими участниками. Для ответов на вопросы по аудио разработчики рекомендуют отдельную модель Dixtral_QA. Модель дообучена на NOTSOFAR-1, AMI Meeting Corpus и LibriMix/LibriSpeechMix; опубликована в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.