III.4Клиентская поддержка и customer success

optimum/whisper-tiny.en — английская модель распознавания речи семейства Whisper, экспортированная в формат ONNX с помощью Optimum. Она принимает аудио и генерирует текстовую расшифровку речи; размер модели составляет 29,4 млн параметров. Модель рассчитана на распознавание английской речи. Репозиторий опубликован под лицензией Apache 2.0. Формат ONNX позволяет использовать модель в совместимых средах инференса. Карточка не приводит дополнительных сведений о точности или специальных ограничениях распознавания.

AfriqueQwen3.5-9B-50Langs-i1-GGUF — это GGUF-квантизированная версия мультиязычной модели AfriqueQwen3.5-9B-50Langs, разработанной McGill-NLP и подготовленной квантизатором mradermacher. Модель предназначена для работы с африканскими и другими языками в задачах генерации и обработки текста, а также поддерживает сценарии image-text-to-text, то есть работу с изображениями и текстом. Модель содержит около 9 миллиардов параметров и ориентирована примерно на 50 языков, включая английский, французский, арабский, португальский и широкий набор африканских языков, среди которых суахили, хауса, йоруба, игбо, амхарский, зулу, коса, тсвана, тигринья и другие. README не указывает размер контекстного окна и подробности архитектуры. Доступны варианты квантования i1-IQ и i1-Q с размером файлов примерно от 2,8 до 6,6 ГБ; вариант i1-Q4_K_M отмечен как рекомендуемый по сочетанию скорости и качества. Сильной стороной модели является специализация на многоязычной обработке африканских языков и возможность локального запуска в формате GGUF. Качество, скорость и требования к памяти зависят от выбранного уровня квантования: наиболее компактные варианты могут заметно уступать в качестве, тогда как более крупные требуют больше ресурсов. Для поддержки визуального ввода могут потребоваться дополнительные mmproj-файлы из статического репозитория. Модель распространяется по лицензии CC BY 4.0.

Alif 1.0 8B Instruct — открытая авторегрессионная языковая модель, разработанная командой large-traversaal на базе unsloth/Meta-Llama-3.1-8B. Модель дообучалась с использованием мультиязычных синтетических данных, уточнённых человеком, а также методов continuous pretraining и supervised finetuning, чтобы улучшить рассуждения и культурный контекст, прежде всего в английском и урду языках. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на вопросы, ассистентов и другие задачи обработки текста. Она принимает только текст и генерирует только текст. Архитектура основана на оптимизированном Transformer, размер модели составляет 8 миллиардов параметров. Доступны варианты с 4-битной квантизацией, а также форматы GGUF для Ollama, LM Studio, Jan и Llama.cpp. Максимальный размер контекста в README не указан. К сильным сторонам относятся специализация на урду, мультиязычные способности и акцент на рассуждениях и культурной нюансировке. README сообщает о сравнительной оценке на размеченном людьми наборе данных для урду, однако числовые результаты и подробности ограничений не приведены. Модель распространяется по лицензии Apache 2.0.

answer-finder-v1-L-multilingual — модель для извлечения ответов из предоставленного текста, разработанная Sinequa. Она оценивает позиции начала и конца ответа в тексте; архитектура — BERT для вопросно-ответных задач, размер по метаданным — 151,7 млн параметров, максимальный контекст — 512 токенов. README указывает базовую модель bert-base-multilingual-cased, дополнительно предварительно обученную Sinequa для английского, французского, немецкого и испанского языков, и сообщает, что модель нечувствительна к регистру и акцентам. Модель предназначена для поиска ответов на вопросы по документам или фрагментам текста. В карточке приведены результаты F1 75 на SQuAD v2 для английского и 73,4 для французского, а также замеры скорости и памяти на GPU. Модель распространяется в формате PyTorch; README указывает минимальную версию Sinequa 11.10.0 и требования к CUDA. Лицензия в предоставленных данных не указана.

Chocolatine-2-14B-Instruct-v2.0.3 — языковая модель, разработанная Jonathan Pacifico и дообученная методом DPO на датасете jpacifico/french-orca-dpo-pairs-revised. Она основана на объединённой модели Chocolatine-2-merged-qwen25arch с архитектурой Qwen 2.5 и предназначена для диалогов и генерации текста, особенно на французском языке; также поддерживает английский. Размер модели — 14 млрд параметров, заявленная длина контекста — до 128 тысяч токенов. Автор сообщает о высоких результатах на французских бенчмарках и улучшении относительно предыдущих версий Chocolatine-2 и базовой архитектуры Qwen 2.5. Модель распространяется в формате Safetensors и имеет интерфейс для вызова инструментов. По заявлению автора, у семейства нет механизма модерации, поэтому ответы могут содержать нежелательный контент. Лицензия — Apache-2.0.

MaziyarPanahi/Experiment26Yam_Multi_verse_modelExperiment28 — объединённая модель генерации текста, созданная на основе automerger/Experiment26Yam-7B и automerger/Multi_verse_modelExperiment28-7B. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров; веса доступны в формате safetensors. Модель предназначена для генерации текста по текстовому запросу и поддерживает контекст до 32 768 токенов. Метаданные указывают лицензию Apache-2.0. Карточка не описывает специализированные области применения или языки.

EZO-Qwen2.5-72B-Instruct — дообученная компанией Axcxept на базе Qwen/Qwen2.5-72B-Instruct плотная авторегрессионная языковая модель с 71,5 млрд параметров. Она предназначена для диалогов и генерации ответов, особенно на японском языке, а также для многоязычных сценариев. Модель обучали на инструкционных данных, подготовленных из японской Википедии и FineWeb; доступны веса в формате safetensors, интерфейс чата и интерфейс для вызова инструментов. Контекст — до 32 768 токенов. В README сообщается о высокой оценке в Japanese MT Bench при 4-битном квантовании, однако подробности методики и независимая проверка не приведены. Автор описывает модель как экспериментальный прототип, не предназначенный для коммерческого применения или критически важных систем; результаты не гарантируются. Указана лицензия Apache-2.0.

avemio/German-RAG-x-HERMES-LLAMA-MERGED-EXP — объединённая языковая модель, созданная с помощью mergekit методом DARE TIES на основе немецкоязычной модели GRAG-LLAMA-3.1-8B-CPT-HESSIAN-AI с добавлением GRAG-LLAMA-3.1-8B-MERGED-HESSIAN-AI и Hermes 3 Llama 3.1 8B от Nous Research. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для диалоговой генерации текста и сценариев RAG на немецком языке; Hermes 3 в составе слияния добавляет диалоговые и инструкционные возможности. Для работы требуются Transformers и формат весов safetensors; в модели используется шаблон чата ChatML. Карточка не сообщает результаты оценки качества. Лицензия в предоставленных данных не указана.

Index-Translate-9B — мультиязычная модель перевода на 9 млрд параметров из семейства Index-Translate, разработанная на базе Qwen3.5. Она предназначена для перевода текста между 150 языками и учитывает инструкции о терминологии, стиле, контексте, структуре и длине результата. Модель также поддерживает перевод текста на изображениях без внешнего OCR с помощью визуальных энкодеров mmproj. Модель умеет строго сохранять глоссарии, формат JSON, CSV и Markdown, блоки кода и переменные-заполнители, а также адаптировать тон и интерпретировать мемы, разговорные выражения и культурные отсылки. В техническом отчёте приведены результаты на тестах перевода и следования инструкциям, включая FLORES COMET-22 0,8789 и instTrans IFscore 0,8209. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Для перевода изображений требуется совместимый визуальный энкодер mmproj; языковой охват описан в техническом отчёте, но перечень языков в предоставленной карточке отсутствует. Результаты зависят от направления перевода и типа текста; показатели бенчмарков отражают конкретные тестовые наборы и условия оценки.

Infinity-Instruct-7M-Gen-Llama3.1-8B — языковая модель Пекинской академии искусственного интеллекта (BAAI), дообученная методом supervised instruction tuning на наборах Infinity-Instruct-7M и Infinity-Instruct-Gen. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная для диалогов и выполнения текстовых инструкций. Она использует шаблон чата Llama 3 Instruct и поддерживает контекст длиной 8192 токена. Модель рассчитана на генерацию ответов и следование инструкциям в общих пользовательских сценариях. По заявлению разработчиков, она показала результаты на AlpacaEval 2.0, сопоставимые с GPT-4; в README также указано, что модель обучалась без RLHF. Карточка приводит английский как язык модели. Модель доступна в формате safetensors под лицензией llama3.1; проект ограничивает использование академическими исследованиями и запрещает коммерческое применение. Разработчики не гарантируют точность ответов.

Llama-3.1-Sherkala-8B-Chat — языковая модель Inception (компании G42), MBZUAI и Cerebras Systems, дообученная для выполнения инструкций. Она предназначена прежде всего для казахского языка и также поддерживает английский, русский и турецкий. Модель принимает текст и генерирует текст, подходит для диалоговых помощников, ответов на вопросы и создания контента. В основе лежит причинный трансформер-декодер архитектуры Llama 3.1-8B с позиционным кодированием RoPE и grouped-query attention. Размер модели — 8 млрд параметров, контекст — 8192 токена. Для лучшей токенизации казахского словарь расширен высокочастотными казахскими токенами; обучение включало 45,3 млрд токенов и многоязычную настройку на инструкции. Модель может выдавать неточные, вводящие в заблуждение или предвзятые ответы, поэтому для чувствительных и важных решений необходима проверка человеком. Она не предназначена для коммерческого использования; в карточке указана лицензия CC BY-NC-SA 4.0, а README также требует соблюдать условия лицензии Meta Llama 3.1 Community и связанные политики.

llm-jp-3-980m-instruct2 — инструктивная языковая модель из серии LLM-jp-3, разработанной Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотный авторегрессионный трансформер семейства Llama с 980 млн параметров, дообученный методом supervised fine-tuning на инструкционных данных. Модель принимает текст и генерирует текст; карточка описывает японские и английские данные, а контекст составляет 4096 токенов. Модель предназначена для диалогов и выполнения текстовых инструкций, включая ответы на вопросы и формирование ответов в заданном формате. Предварительное обучение проводилось на смеси корпусов, включающей японскую Википедию, Common Crawl и документы PDF; для последующего обучения использовались, среди прочего, вручную подготовленные японские инструкционные наборы. Разработчики предупреждают, что модель находится на ранней стадии исследований и разработок и не была настроена для надёжного следования человеческим намерениям и требованиям безопасности. Модель распространяется под лицензией Apache-2.0.

M7Yamshadowexperiment28_ShadowExperiment24 — объединённая модель генерации текста, созданная на основе automerger/M7Yamshadowexperiment28-7B и automerger/ShadowExperiment24-7B. В карточке указана архитектура Mistral с плотной архитектурой и классом MistralForCausalLM; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Лицензия — Apache-2.0. Карточка не описывает специальные области применения или дополнительные возможности модели.

Карточка модели swarnendu123/MERaLiON-2-10B на Hugging Face совпадает с карточкой MERaLiON/MERaLiON-2-10B, поэтому описание составлено по ней. MERaLiON-2-10B — мультимодальная языковая модель для речи и аудио, разработанная I2R, A*STAR в Сингапуре. Она объединяет локализованный аудиоэнкодер Whisper Large v3 с текстовым декодером Gemma 2 9B и содержит 8,1 млрд параметров. Модель дообучена на 120 000 часах аудио и речи для распознавания речи, вопросов и ответов по аудио, суммаризации диалогов, создания аудиоподписей и понимания звуковой сцены. Модель рассчитана на многоязычные сценарии Сингапура и Юго-Восточной Азии: распознаёт английскую, китайскую, малайскую, тамильскую, индонезийскую, тайскую и вьетнамскую речь, включая местные акценты, разговорные выражения и переключение языков. Принимает монофоническое аудио с частотой 16 кГц длительностью до 300 секунд; для транскрибации и перевода README рекомендует аудиофрагменты до 30 секунд. Основная задача в каталоге — автоматическое распознавание речи. Модель предназначена для понимания речи и аудио, а не для вызова инструментов, математических или программных задач. Распространяется по лицензии MERaLiON Public License; перед использованием следует проверить её условия для конкретного сценария.

cloudyu/Mixtral_34Bx2_MoE_60B — языковая модель для генерации текста, созданная автором репозитория на основе объединения jondurbin/bagel-dpo-34b-v0.2 и SUSTech/SUS-Chat-34B. В метаданных указаны архитектура Mixtral с механизмом Mixture of Experts и около 33,9 млрд параметров; веса опубликованы в формате safetensors. Для модели заявлен контекст до 200 000 токенов. Модель предназначена для генерации текста и диалоговых сценариев на английском и китайском языках. В README приведены результаты оценок на Open LLM Leaderboard, однако показатели в разных таблицах различаются, поэтому их нельзя считать однозначной характеристикой качества. Модель распространяется по лицензии Apache-2.0.

NeuralsirkrishnaShadow_Experiment27Shadow — объединённая модель Mistral для генерации текста, созданная из automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment27Shadow-7B. Она предназначена для сценариев, где нужно продолжать текст или получать ответы в текстовом формате. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате safetensors. Данных о специализации по языкам или прикладным областям в карточке нет. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробных сведений о поведении, поэтому пригодность для конкретных задач следует проверять отдельно.

NorwAI-Mistral-7B-instruct — генеративная текстовая модель, разработанная исследовательским центром NorwAI при Норвежском университете науки и технологий (NTNU) совместно с норвежскими партнёрами, включая Schibsted, NRK, VG и Национальную библиотеку Норвегии. Модель предназначена для работы с норвежским языком и диалоговых или иных сценариев, требующих следования инструкциям; она дообучена примерно на 9000 самостоятельно собранных высококачественных норвежских инструкциях. Модель основана на NorwAI-Mistral-7B, использует авторегрессионную архитектуру и содержит около 7 млрд параметров. Контекст — до 32 000 токенов. Токенизатор расширен за счёт объединения токенизатора Llama 2 с норвежским токенизатором, итоговый словарь содержит 64 000 токенов. Основная заявленная языковая специализация — норвежский язык; сведения о мультимодальности отсутствуют, модель предназначена для генерации текста. Сильная сторона модели — адаптация к норвежскому языку и инструкциям носителей языка. Как и другие большие языковые модели, она может порождать галлюцинации, фактически неверные ответы, токсичный или предвзятый контент. Модель распространяется по специальной лицензии NorLLM: бесплатное использование разрешено организациям, зарегистрированным в странах Северной Европы, для собственных целей, но не для перепродажи; предусмотрены требования к атрибуции и ограничения, связанные с безопасностью, фундаментальными правами и географией использования.

GemMaroc/Qwen2.5-7B-Instruct-darija — инструктивная языковая модель на архитектуре Qwen2.5, дообученная командой GemMaroc для генерации текста на марокканском арабском языке (Darija). Модель содержит 7,1 млрд параметров, использует архитектуру decoder-only Transformer и поддерживает контекст до 32 768 токенов. Она основана на Qwen/Qwen2.5-7B-Instruct и обучена на наборе инструкций GemMaroc/TULU-3-50k-darija-english; опубликованные веса представлены в формате safetensors. Модель предназначена для диалогов, ответов на инструкции, рассуждений и генерации текста на Darija, а также для работы с английским в двуязычных сценариях. Разработчик приводит оценки на бенчмарках для Darija и английского; результаты различаются по задачам, а улучшения на одном языке или показателе не гарантируют качества в других сценариях. Среди ограничений — более слабые результаты в анализе тональности и абстрактивном суммировании, чем у современных специализированных моделей, а редкие варианты написания Darija могут дробиться токенизатором. Модель может наследовать социальные предубеждения предобучающих данных и не имеет дополнительного выравнивания безопасности RLHF/RLAIF, поэтому для прикладного развёртывания разработчик рекомендует модерацию. Условия лицензии в предоставленных данных не указаны.

SphinxMind-14B-normalize-false — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом TIES на основе shuttleai/shuttle-3-mini с включением EVA-UNIT-01/EVA-Qwen2.5-14B-v0.2. Модель содержит 14 млрд параметров и предназначена для диалогового общения и генерации текста; доступна в формате safetensors для библиотеки Transformers. Её контекстное окно составляет 65 536 токенов. Модель может использоваться для ведения диалогов, творческого письма и создания историй. В карточке нет сведений о лицензии, поэтому условия использования определить нельзя.

Strawberry-1.3 — авторская дообученная модель artindnr для многоязычных диалогов и рассуждений. Это причинная декодерная языковая модель семейства gpt_oss с архитектурой mixture-of-experts; в метаданных указан размер 1,6 млрд параметров и контекст до 131 072 токенов. Модель принимает текст и генерирует текст в формате чата Harmony, поддерживая управление языком рассуждений отдельно от языка запроса. Модель дообучена на многоязычном наборе рассуждений и предназначена для создания помощников, обучения и задач, требующих последовательного анализа на фарси, английском, немецком, испанском, французском, итальянском и других языках. README описывает её как дальнейшее дообучение Strawberry-1.2, а метаданные связывают её с Strawberry-1.1; базовая модель в каталоге указана как artindnr/strawberry-1.1. Качество и охват языков могут различаться; в сложных технических ответах возможны смешение языков, фактические ошибки и ошибки рассуждения. README также предупреждает об отсутствии дополнительной настройки безопасности сверх унаследованной от базовых моделей. Лицензия — Apache 2.0.

facebook/wav2vec2-large-robust-ft-libri-960h — модель распознавания речи от Facebook на архитектуре Wav2Vec2 Large с плотной сетью и декодированием CTC. Она предварительно обучалась на Libri-Light, Common Voice, Switchboard и Fisher, а затем была дообучена на 960 часах англоязычной речи из LibriSpeech. Модель преобразует аудиозапись в текст и подходит для расшифровки аудиокниг, диктовки и телефонной речи. На вход следует подавать аудио с частотой дискретизации 16 кГц; метаданные указывают размер около 402,7 млн параметров. Репозиторий содержит веса PyTorch и safetensors. Модель ориентирована на английскую речь. Её применение ограничено качеством и условиями записи: шум, акценты и отличия от обучающих доменов могут ухудшать распознавание. Лицензия — Apache-2.0.

intanm/xlm-roberta-base-squad2-idkmrc — дообученная модель для извлечения ответа на вопрос из предоставленного текста. Она основана на deepset/xlm-roberta-base-squad2 и использует архитектуру XLM-RoBERTa с головой XLMRobertaForQuestionAnswering; размер — 305,2 млн параметров, контекст — до 514 токенов. Модель предназначена для сценариев, где вопрос и текст известны заранее, например для поиска ответа в документах. Карточка сообщает результат оценки Loss 0,8167, но не приводит датасет, языки обучения или подробные результаты, поэтому качество для конкретного языка и типа текста по этим данным оценить нельзя. Репозиторий распространяется по лицензии CC BY 4.0.

AfriqueGemma-12B-i1-GGUF — это квантованное представление мультимодальной модели AfriqueGemma-12B, разработанной McGill-NLP и подготовленной в формате GGUF пользователем mradermacher. Модель относится к семейству Gemma 3 и предназначена для работы с текстом и изображениями, включая сценарии image-text-to-text. Модель содержит около 12 миллиардов параметров и ориентирована прежде всего на многоязычные задачи с фокусом на африканские языки. В README заявлена поддержка африкаанс, амхарского, арабского, английского, французского, хауса, игбо, малагасийского, чичева, оромо, португальского, киньяруанда, шона, сомалийского, сесото, суахили, тигринья, тсвана, коса, йоруба и зулу. Возможные применения включают генерацию и анализ текста, многоязычный диалог, а также обработку запросов, содержащих изображения. Преимущество этой версии — возможность запускать модель локально через совместимые инструменты для GGUF с выбором квантования под доступные ресурсы. Доступны варианты от очень компактных IQ1 до более качественных Q6_K; низкобитные варианты экономят память, но могут заметно снижать качество, тогда как i1-Q4_K_M указана как быстрая и рекомендуемая конфигурация. Размер контекста и точные характеристики архитектуры в README не указаны. Модель распространяется по лицензии CC BY 4.0.

AfriqueQwen3.5-4B-i1-GGUF — квантизированная версия модели AfriqueQwen3.5-4B, разработанной McGill-NLP и подготовленной в формате GGUF пользователем mradermacher. Модель относится к семейству Qwen3.5 и предназначена для мультиязычных задач, включая работу с африканскими языками и сценарии image-text-to-text. Модель содержит около 4 миллиардов параметров и поддерживает текстовые и визуальные входные данные. В заявленный языковой охват входят африкаанс, амхарский, арабский, английский, французский, хауса, игбо, малагасийский, чиньянджа, оромо, португальский, киньяруанда, шона, сомали, сесото, суахили, тигринья, тсвана, коса, йоруба и зулу. Доступно множество вариантов квантизации размером примерно от 1,7 до 4,1 ГБ, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Сильной стороной модели является ориентация на африканские языки, а также поддержка мультимодальных задач и локального запуска через совместимые инструменты для GGUF. К ограничениям относятся потенциальная потеря качества при низких уровнях квантизации, отсутствие в README точных сведений о размере контекста, архитектурных деталях, результатах оценки и рекомендуемых сценариях применения. Лицензия модели — CC BY 4.0.

Badger ι Llama 3 8B Instruct — разговорная языковая модель на архитектуре Llama 3, созданная автором карточки путём комбинирования нескольких моделей на базе Llama 3 8B, включая instruct- и экспериментальные варианты. Модель рассчитана на генерацию ответов в формате чата, продолжение историй и ролевые диалоги; в README также приведён пример суммаризации длинной статьи. Автор сообщает, что модель хорошо работает с instruct-шаблоном и склонна выдавать развёрнутые ответы. В метаданных указаны 7,5 млрд параметров, контекст 8192 токена, библиотека Transformers и формат safetensors. README упоминает также варианты GGUF, но карточка не уточняет, относятся ли они к этому репозиторию. Лицензия указана как Llama 3. Модель преимущественно англоязычная по приведённым примерам; подтверждённых сведений о других языках нет.

CalmexperimentT3qm7-7B — автоматически созданная Maxime Labonne объединённая языковая модель на архитектуре Mistral. В слиянии использованы mistralai/Mistral-7B-v0.1, allknowingroger/CalmExperiment-7B-slerp и nlpguy/T3QM7; базовой моделью в конфигурации указана mistralai/Mistral-7B-v0.1. Модель содержит 7,1 млрд параметров, представлена в формате safetensors и использует точность bfloat16. Модель предназначена для генерации текста. Контекст составляет до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает специализированные области применения или дополнительные возможности.

Chinese-Mistral-7B-Instruct-v0.1 — это китайско-английская диалоговая модель на архитектуре Mistral, разработанная лабораторией наук о Земной системе Университета Цинхуа. Она основана на Mistral-7B: разработчики расширили словарь для эффективной обработки китайского текста и выполнили дополнительное предварительное обучение, а версию Instruct дообучили с помощью LoRA на англо- и китайскоязычных данных Alpaca-GPT4. Модель содержит 7,2 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов и ведения диалога на китайском и английском языках, а также для общих задач понимания текста, знаний и рассуждений. Китайский словарь повышает эффективность токенизации китайского текста; в README также приведены оценки на китайских и англоязычном тестах знаний. Модель принимает текст и генерирует текст. Возможны ошибочные, вводящие в заблуждение или вредоносные ответы; перед использованием в приложениях разработчики рекомендуют проверку безопасности и настройку под конкретный сценарий. Лицензия в предоставленных сведениях не указана.

MingZhong/DialogLED-base-16384 — базовая модель для понимания и суммаризации длинных диалогов, построенная на архитектуре Longformer-Encoder-Decoder (LED). Разработчики предварительно обучили её на большом объёме диалоговых данных с помощью задачи window-based denoising; размер модели — 95,2 млн параметров, длина входа при предобучении ограничена 16 384 токенами. Модель предназначена для суммаризации длинных бесед и других задач понимания диалогов. Для прикладных задач её предполагается дообучать; README отсылает за инструкциями по fine-tuning к GitHub. Доступны веса в формате PyTorch. Лицензия в предоставленных данных не указана.

eridai/erida-Inari-260905 — языковая модель для генерации текста, опубликованная под идентификатором eridai и предназначенная для работы с русскоязычными запросами. Модель относится к классу causal language models и может использоваться в сценариях диалога, текстовой генерации и решения задач, требующих рассуждений. Модель интегрируется с библиотекой Transformers и рассчитана прежде всего на русский язык. В её описании указано обучение или настройка на наборе данных eridai/russian_dpo_qa, ориентированном на вопросы и ответы на русском языке. Точный размер модели, архитектура, длина контекста, поддерживаемые дополнительные языки и модальности в доступных данных не указаны. К сильным сторонам относятся специализация на русскоязычном взаимодействии и поддержка диалоговых и reasoning-сценариев. Ограничения модели, результаты оценивания, требования к аппаратному обеспечению и рекомендуемые параметры использования не приведены, поэтому её качество и пригодность для конкретных задач следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

MaziyarPanahi/Experiment28M7_Strangemerges_32Yam — слитая модель Mistral для генерации текста, созданная на основе automerger/Experiment28M7-7B и automerger/Strangemerges_32Yam-7B. В репозитории используются веса в формате safetensors; размер модели — 7,1 млрд параметров, длина контекста — до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Сведения о специальных сценариях применения, языковой специализации и дополнительных возможностях в карточке не приведены. Модель распространяется по лицензии Apache-2.0.