III.4Клиентская поддержка и customer success

ERNIE-21B-A3B-Claude-4.5-High-OPUS-Thinking — текстовая MoE-модель Baidu, дообученная автором DavidAU на наборе рассуждений TeichAI/claude-4.5-opus-high-reasoning-250x. Модель предназначена для генерации текста общего назначения, компактных подробных рассуждений, творческого письма и диалогов. Архитектура использует 64 эксперта; в метаданных указано 3,3 млрд параметров, а базовая модель имеет контекст до 131 072 токенов. Карточка отмечает свободную манеру ответов, пригодность для мозгового штурма, прозы и сюжетов, а также стабильность рассуждений при разных настройках температуры. Модель принимает текст и генерирует текст; карточка и теги указывают английский язык. Лицензия — Apache-2.0. Автор предупреждает, что при низких квантизациях возможны циклические повторы; результаты зависят от параметров генерации.

Pleias-Pico — компактная языковая модель PleIAs на 353,4 млн параметров для генерации ответов в системах поиска с дополненной генерацией (RAG). Это плотная авторегрессионная модель семейства Llama, дообученная продолжением предобучения базовой Pleias-350m на 45 млрд токенов данных Common Corpus с примерами поисковых и RAG-задач. Длина контекста — 2048 токенов. Модель принимает запросы и предоставленные источники в специальной структурированной форме, анализирует релевантность и качество источников и генерирует ответы с цитатами и выдержками, привязанными к исходным материалам. Поддерживаются английский, французский, немецкий, испанский, итальянский, нидерландский, португальский, латинский и польский языки. Разработчик сообщает об улучшении фактической точности и проверяемости ответов в RAG-сценариях; модель также применялась в проектах PleIAs. Модель распространяется с лицензией Apache-2.0. Она не заменяет полноценную RAG-систему: ошибки поиска, сложные документы и запросы могут ухудшить ответы, а цитаты следует проверять. Дополнительное выравнивание безопасности не проводилось; возможны предвзятые или проблематичные ответы, несмотря на заявленный низкий уровень токсичности.

nlpguy/Qwen3.8-27B-Fimi-4 — объединённая мультимодальная модель семейства Qwen3.5, созданная разработчиком nlpguy с помощью mergekit. В основе слияния использована Qwen/Qwen3.5-27B; в объединение также вошли семь моделей Qwen-совместимых семейств, включая варианты для диалогов, рассуждений и генерации текста. Метаданные указывают архитектуру Qwen3_5ForConditionalGeneration и формат safetensors. Модель предназначена для диалогов и работы с изображениями в формате «изображение-текст»: она принимает текст и изображения и формирует текстовые ответы. Карточка не описывает отдельные прикладные сценарии, языки, размер контекста или лицензию, поэтому эти характеристики не уточняются.

Это дообученная модель семейства T5 с 52,6 млн параметров, созданная на основе weny22/sum_model_0318. По названию и метрикам ROUGE она предназначена для суммаризации текста. В карточке указана оценка на тестовом наборе: Loss 2,1007, ROUGE-1 0,1995, ROUGE-2 0,0701 и ROUGE-L 0,1598. В README отмечено, что опубликованный вариант обучен только в течение пяти эпох, хотя автор рассчитывал на 11–15 эпох; также изменены embedding и LM head для словаря размером 45 000 токенов. Данные обучения, поддерживаемые языки и условия лицензии в предоставленных сведениях не раскрыты.

AZOU — модель классификации корейского текста, разработанная Ким Хигю, Пак Сонхо, Юк Сехёном и Ким Хёджин. Она оценивает связь между входным текстом, инструкцией и заданной меткой: более высокий балл означает, что метка лучше соответствует инструкции и тексту. Такой формат позволяет применять модель к классификации без отдельного обучения на каждую задачу, в том числе для определения темы, выявления ненавистнических высказываний, поиска и фильтрации текстов по заданным критериям. Модель основана на klue/roberta-large и имеет архитектуру RoBERTa для классификации последовательностей; в репозитории представлены веса PyTorch. Размер — 435,4 млн параметров, контекст — до 514 токенов. Карточка приводит результаты на корейских наборах данных для задач классификации, включая сравнение с GPT-3.5 на отдельных тестах. Модель распространяется по лицензии MIT.

NbAiLab/borealis-open-12b — открытая инструктивно настроенная модель семейства Borealis, разработанная Национальной библиотекой Норвегии. Это дообучение Google Gemma 3 12B IT на наборе NbAiLab/aurora-sft-open для следования инструкциям с акцентом на норвежский язык. Модель поддерживает диалог и понимание изображений; репозиторий содержит веса safetensors для Transformers. Модель предназначена для написания и редактирования текстов на норвежском, суммаризации, ответов на вопросы и простых рассуждений, а также для работы с изображениями по текстовым инструкциям. Особое внимание уделено норвежскому букмолу и нюношку; также заявлено применение для английского языка. Это не специализированная модель рассуждений. Модель может галлюцинировать и выдавать неверные сведения; защитная настройка не исключает вредных или неподходящих ответов. Качество за пределами норвежского и английского языков изучено недостаточно, поэтому модель не следует использовать в критически важных сценариях без дополнительной проверки. Лицензия — Gemma.

DatedGPT-2023-Instruct — диалоговая инструктивная языковая модель семейства DatedGPT, представленная разработчиком под идентификатором datedgpt/datedgpt-2023-instruct. Это дообученная для следования инструкциям версия базовой модели datedgpt/datedgpt-2023-base на архитектуре LlamaForCausalLM с примерно 1,3 млрд параметров и контекстом 2048 токенов. Модель обучена только на данных, доступных до 2023 года, чтобы поддерживать анализ и прогнозирование без утечки сведений из будущего относительно этого временного среза. Модель предназначена для генерации текста в чате и выполнения инструкций на английском языке. Её можно применять для вопросов и ответов, диалогов и анализа, где важно ограничить знания модели временным срезом 2023 года. Репозиторий содержит веса в формате safetensors и шаблон чата в стиле Llama 2. Лицензия в предоставленных данных не указана. Модель не проходила RLHF или настройку безопасности; её знания ограничены данными до 2023 года, а ответы могут быть уверенно ошибочными.

KO-Platypus2-13B — авторегрессионная языковая модель на архитектуре LLaMA 2, разработанная Kyujin Han и консорциумом компаний Media Group Saramgwa Sup и Markr. Модель содержит 12,9 млрд параметров и принимает текст, генерируя текст; в карточке указано контекстное окно 2048 токенов. Модель дообучена на KOpen-platypus — наборе качественных корейских переводов датасета Open-Platypus. Она предназначена для генерации текста на корейском языке и задач общего языкового моделирования; карточка приводит результаты на корейских тестах рассуждения и понимания. В метаданных также указана поддержка английского языка. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

llm-jp-3-8x1.8b-instruct2 — японская инструктивная языковая модель серии LLM-jp-3, разработанной Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это причинный трансформер Mixtral с архитектурой MoE: 8 экспертов, из которых активируются 2; в метаданных указано 1,7 млрд параметров, а README сообщает 9,27 млрд общих и около 2,92 млрд активируемых параметров. Модель предобучалась на 2,1 трлн токенов, а затем прошла supervised fine-tuning и Direct Preference Optimization. Модель предназначена для диалогов и выполнения инструкций на японском языке, включая ответы на вопросы, извлечение и изложение информации, рассуждения и создание текстов. Контекст составляет 4096 токенов. Карточка описывает преимущественно японские данные и сценарии; метаданные также указывают английский язык. Репозиторий использует формат Transformers и файлы safetensors. Лицензия — Apache-2.0. Разработчики предупреждают, что модель находится на раннем этапе исследований и разработок и не настроена для гарантированного соответствия человеческим намерениям и требованиям безопасности. В README приведены оценки серии LLM-jp-3, но отдельные результаты этой версии в показанных таблицах отсутствуют.

sarvamai_sarvam-m-GGUF — это набор квантизированных версий языковой модели sarvam-m, разработанной Sarvam AI и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. В README указана поддержка английского, бенгальского, хинди, каннада, гуджарати, маратхи, малаялам, ория, пенджаби, тамильского и телугу. Доступны варианты от BF16 размером 47,15 ГБ до низкобитных квантов примерно от 9,28 ГБ; наиболее качественными названы версии Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S и некоторые варианты Q4. Квантизация уменьшает требования к памяти, но может снижать качество по сравнению с исходными весами, особенно у низкобитных вариантов. Архитектура, число параметров и размер контекста в представленном README не указаны. Лицензия модели — Apache-2.0. Конкретные показатели качества, ограничения по сценариям применения и рекомендации по аппаратным требованиям, помимо размеров файлов квантов, не приведены.

SILMA-9B-Instruct-v1.0 — диалоговая языковая модель компании SILMA.AI, ориентированная прежде всего на задачи на арабском языке. Она основана на Gemma 2, имеет плотную архитектуру Gemma2ForCausalLM и 9 млрд параметров; модель можно запускать через Transformers, доступны веса в формате safetensors. Поддерживается контекст до 8192 токенов, в карточке указаны арабский и английский языки. Модель предназначена для генерации текста и диалоговых сценариев: создания черновиков, суммаризации, ответов в разговорном интерфейсе и образовательных инструментов. Разработчик заявляет о сильных результатах на арабских языковых задачах. Для RAG и целевых ответов на вопросы в README рекомендована отдельная модель SILMA Kashif v1.0. Качество ответов зависит от обучающих данных и формулировки запроса; модель может ошибаться в фактах, упускать языковые нюансы и воспроизводить предвзятость. Лицензия указана как gemma; перед коммерческим или иным использованием следует соблюдать её условия.

Swallow-MX-8x7b-NVE-v0.1 — языковая модель команды Swallow из лабораторий Okazaki и YOKOTA Токийского технологического института. Она прошла дополнительное непрерывное предобучение на базе Mixtral-8x7B-Instruct-v0.1 с добавлением японских данных; архитектура — Mixtral MoE. В метаданных указаны 7,1 млрд параметров и контекст 4096 токенов. Модель предназначена для генерации текста на японском и английском языках, включая ответы на вопросы, обобщение и перевод. В приведённых оценках Swallow показывает сильные результаты на ряде японских тестов, но результаты на английских тестах ниже показателей Llama 2 7B в этой таблице. Разработчики отмечают, что модель находится на ранней стадии исследований и не настроена для следования человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

Bella-Bartender — разговорная модель с выраженной персоной, созданная разработчиком juiceb0xc0de на основе unsloth/llama-3.2-3b-instruct с помощью дообучения Unsloth. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров, рассчитанная на диалог в манере непринуждённого, прямого и остроумного собеседника. Образ бармена задаёт стиль общения, а не сценарий работы в баре или ролевую игру. Модель предназначена для естественной беседы, творческого письма, редактирования и перефразирования текста, а также суммаризации, перевода и анализа текста. Обучение основано на тысячах ходов реальных разговоров одного человека с GPT, Perplexity и Claude, преобразованных так, чтобы модель воспроизводила авторский голос. Указанная длина контекста — 131 072 токена; основной язык карточки — английский. Модель принимает текст и генерирует текст. Сильная сторона Bella — последовательный разговорный стиль и удержание заданной персоны; автор также отмечает способность поддерживать философские беседы. Как модель на 3,2 млрд параметров, она уступает более крупным моделям в сложных многошаговых рассуждениях; может пропускать сарказм и идиомы, терять нить в длинных разговорах и иногда выдавать неверные сведения. Лицензия — Apache-2.0.

Cohere Labs Command A Vision — мультимодальная модель на 112 млрд параметров, разработанная Cohere и Cohere Labs для понимания изображений и диалога по визуальным данным. Она объединяет языковую модель на основе Command A с визуальным энкодером SigLIP2-patch16-512 через мультимодальный адаптер. Модель принимает изображения и текст, а отвечает текстом; поддерживает английский, португальский, итальянский, французский, немецкий и испанский языки. Модель предназначена для анализа изображений в корпоративных сценариях: ответов на вопросы о содержимом и контексте изображения, визуального диалога и извлечения сведений с изображений. Контекст в конфигурации Hugging Face составляет 32K токенов; README указывает поддержку до 128K при соответствующей настройке. Для одного изображения применяется до 12 плиток и дополнительная миниатюра, всего до 3328 визуальных токенов; рекомендуется разрешение до 2048×1536 пикселей. Весам доступна лицензия CC-BY-NC-4.0 с ограничением некоммерческого использования, а также требуется соблюдать политику допустимого использования Cohere Labs. README описывает режимы настройки защитных ограничений и отмечает, что по умолчанию включён contextual mode. Для запуска через Transformers требуется версия библиотеки с необходимыми изменениями из исходного репозитория.

jensjepsen/danish-lm-400m-sft-v33-avg-top3 — дообученная разработчиком Jens Jepsen на инструкциях датская языковая модель для генерации текста и выполнения запросов. Она основана на jensjepsen/danish-lm-400m-base-ropext8048-v1, использует плотную архитектуру Llama с 414,7 млн параметров и рассчитана на контекст до 8048 токенов. Репозиторий содержит усреднение весов трёх лучших контрольных точек SFT и отдельные контрольные точки. Модель предназначена для ответов на вопросы, следования инструкциям, рассуждений и арифметических задач на датском языке. Среди обучающих данных — наборы для вопросов по текстам и энциклопедическим материалам, научных вопросов, математики, NER и вывода структурированных ответов. В оценках карточки указаны результаты по датскому NER, индукции форматов, GSM8K, SciQ и другим задачам; качество зависит от задачи и формата запроса. Модель принимает текст и генерирует текст. Доступна через Transformers в формате safetensors. Лицензия Apache-2.0 разрешает использование на её условиях. В опубликованных оценках есть заметные ограничения: результат span-разметки снижается на незнакомых форматах, а некоторые метрики в карточке нельзя напрямую сравнивать с результатами из других оценочных протоколов.

FRED-T5-Summarizer — русскоязычная модель для суммаризации текста, обученная SberDevices. Она основана на архитектуре T5 и имеет около 870,1 млн параметров. Модель обучалась на смеси открытых русскоязычных наборов данных для суммаризации, включая RussianNLP/Mixed-Summarization-Dataset, и использует префиксный токен «\». Репозиторий содержит веса в формате safetensors. Модель предназначена для создания краткого изложения исходного текста на русском языке. Её можно применять для подготовки выжимок из статей, документов и других текстовых материалов. Распространяется по лицензии MIT. В карточке не приведены сведения о длине контекста и результаты оценки качества.

Harmonia — плотное мультимодальное объединение Gemma 4 на 31 млрд параметров, опубликованное пользователем virtuous7373. По карточке, модель создана многоэтапным слиянием семи моделей семейства Gemma 4 с помощью MergeKit; среди указанных компонентов — Gemma4-GarnetV2, Fabled-Gemma4, Equinox, MeroMero, Gembrain и Ortenzya. Метаданные описывают архитектуру как Gemma4ForConditionalGeneration и указывают поддержку чата и зрения. Модель предназначена для диалогов, ответов на вопросы по изображениям и генерации текста на основе текстовых и визуальных входных данных. В README заявлены методы проекции в нуль-пространство, выборочного прореживания весов и выравнивания активаций; независимые оценки их эффективности в предоставленных материалах отсутствуют. Публикация использует формат safetensors и библиотеку Transformers. Лицензия и длина контекста в доступных данных не приведены.

Карточка модели dragonstorm123/qwen3.5-4b-sft на Hugging Face совпадает с карточкой dragonstorm123/qwen3.5-4b-sft-disambiguation, поэтому описание составлено по ней. Мультимодальная модель Qwen3.5-4B, дообученная разработчиком dragonstorm123 на базе Qwen/Qwen3.5-4B с использованием Unsloth и библиотеки TRL. Предназначена для диалогового взаимодействия и задач image-text-to-text: модель принимает текст и изображения и формирует текстовые ответы. В метаданных также заявлены возможности работы с изображениями и интерфейс вызова инструментов. Модель содержит 4 млрд параметров и распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает обучающие данные и специальные ограничения применения; качество на конкретных задачах зависит от сценария использования.

Yi-Ko-6B-instruct-v1.4 — корейская инструктивная модель на архитектуре Llama, разработанная автором репозитория cocoirun. Модель дообучена методом SFT с LoRA на наборе примерно из 110 тысяч примеров, включающем данные Open-Orca-Ko, KoBEST, AIHub и вручную подготовленные материалы по истории, естественным наукам, математике, машинному чтению, анализу отзывов, грамматике и ИТ-знаниям; часть англо-корейских и корейско-английских данных была переведена и отредактирована. Модель предназначена для генерации ответов на инструкции и вопросов, в том числе для викторин, объяснений и задач машинного чтения на корейском языке. В метаданных указаны 5,9 млрд параметров, контекст до 2048 токенов и формат safetensors. Лицензия — CC BY-SA 4.0. Обучающие данные не опубликованы, а карточка не приводит количественных оценок качества.

KafkaLM 70B German V0.1 GGUF — это квантизированная версия языковой модели KafkaLM 70B German V0.1, разработанной Seedbox и преобразованной в формат GGUF пользователем TheBloke. Модель основана на архитектуре Llama и предназначена для генерации текста и диалогового взаимодействия преимущественно на немецком языке. Для обучения или дообучения указано использование набора данных seedboxai/multitask_german_examples_32k. Модель имеет около 70 миллиардов параметров и работает с текстовой модальностью. Репозиторий содержит варианты GGUF с разрядностью от 2 до 8 бит, что позволяет выбирать компромисс между качеством, потреблением памяти и скоростью работы. Формат поддерживается llama.cpp и рядом локальных интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. В README приведён шаблон запросов Zephyr с отдельными ролями system, user и assistant. Размер контекста и дополнительные языки явно не указаны. Сильными сторонами модели являются специализация на немецком языке, большой размер и возможность локального запуска на CPU и GPU благодаря квантизации. Ограничения включают зависимость качества и требований к памяти от выбранного варианта квантизации, а также отсутствие в представленных данных подробных результатов оценки, сведений о мультимодальности и характеристик контекстного окна. Для модели указана лицензия llama2.

KcELECTRA-base — Beomi-гийн урьдчилан сургасан ELECTRA загвар бөгөөд Naver News-ийн сэтгэгдэл, хариу сэтгэгдэлд тулгуурлан эхнээс нь сургажээ. Энэ нь солонгос хэлний хэрэглэгчийн үүсгэсэн, ярианы өнгө аястай, алдаатай бичвэр болон шинэ үг ихтэй текстэд зориулсан суурь загвар юм. Загвар нь 136.3 сая параметртэй, ELECTRA нягт архитектуртай бөгөөд ElectraForPreTraining ангилалд хамаарна. Контекстийн дээд хэмжээ 512 токен; PyTorch болон safetensors форматаар нийтлэгдсэн. Солонгос хэл үндсэн хэл нь бөгөөд өгөгдөл бэлтгэхдээ англи үсэг, тусгай тэмдэгт, эможийг мөн хамруулсан. Сэтгэгдлийн сэтгэл хөдлөлийн ангилал, нэрлэсэн entity таних, өгүүлбэрийн төстэй байдал болон асуулт-хариултын зэрэг даалгаварт нарийн тохируулж ашиглаж болно. README-д дурдсан жишиг үнэлгээнд NSMC болон Naver NER зэрэг солонгос хэлний даалгаврууд багтсан. Ерөнхий, цэвэр бичвэрийн даалгаварт KoELECTRA илүү сайн ажиллаж болзошгүй бөгөөд энэ загвар нь хэрэглэгчийн үүсгэсэн шуугиантай текстэд түлхүү тохирно. MIT лицензтэй.

Qolda — ISSAI әзірлеген, қазақ, орыс және ағылшын тілдерінде жұмыс істеуге арналған 4,3 млрд параметрлі шағын көру-тілдік чат-модель. Ол OpenGVLab/InternVL3_5-4B негізінде дообучатылған: InternViT-300M көру энкодері мен MLP проекторын Qwen3-4B тілдік моделімен біріктіреді және InternVL фреймворкінде оқытылған. Модель мәтіндік диалогқа да, суреттер туралы сұрақтарға жауап беруге, визуалды мазмұнды талдауға және мәтіндік тапсырмаларды орындауға да арналған. README мәтіндік және визуалды бенчмарктерді қазақ, орыс және ағылшын тілдерінде келтіреді. Hugging Face метадеректері негізгі міндетін image-text-to-text деп белгілейді; чат мүмкіндігі де көрсетілген. Transformers және lmdeploy арқылы іске қосуға болады. lmdeploy серверінде API сұрауында enable_thinking параметрін extra_body ішінде нақты орнату қажет; тапсырма күрделілігіне қарай бос thinking жауабы қайтуы мүмкін. README лицензия шарттарын атамайды.

Sarvam-1-GGUF — это GGUF-квантизированная версия языковой модели sarvamai/sarvam-1, подготовленная пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска локально через совместимые инструменты, включая LM Studio. В README приведён формат промпта для инструкционного режима. Модель ориентирована на работу с бенгальским, английским, гуджарати, хинди, каннада, малаялам, маратхи, ория, пенджаби, тамильским и телугу. Доступны варианты от F16 до разных уровней квантования, включая Q8_0, Q6_K, Q5_K_M, Q4_K_M и более компактные форматы. Размер файлов составляет примерно от 1,17 до 5,05 ГБ; варианты с более высоким качеством требуют больше памяти, а низкоразрядные квантизации подходят для систем с ограниченными ресурсами. Сильная сторона сборки — широкий выбор форматов для компромисса между качеством, размером и скоростью локального вывода. Некоторые варианты используют Q8_0 для embedding- и output-весов, что может улучшать качество. Специализированные Q4_0_X_X оптимизированы для ARM-процессоров, но не рекомендуются для Mac и Windows; для них также требуются соответствующие аппаратные расширения. Архитектура, число параметров, размер контекста и мультимодальные возможности в README не указаны. Лицензия модели также не указана.

weblab-10b — языковая модель, разработанная Такеши Кодзимой и созданная на базе кода EleutherAI/gpt-neox. Это плотный авторегрессионный трансформер GPT-NeoX с 36 слоями и размером скрытого представления 4864; в README указано 10 млрд параметров, а метаданные репозитория содержат 13,9 млрд. Модель предварительно обучена примерно на 600 млрд токенов из японского C4 и The Pile и ориентирована прежде всего на японский язык, сохраняя многоязычную направленность. Модель предназначена для генерации текста и языковых задач на основе контекста, включая ответы на вопросы, понимание текста и краткое изложение. В README приведены результаты оценки на японском бенчмарке JGLUE; они показывают применимость к задачам японского языка, но не гарантируют качество для каждого пользовательского сценария. Контекстное окно составляет 2048 токенов. Репозиторий содержит веса PyTorch; лицензия CC BY-NC 4.0 ограничивает использование некоммерческими условиями.

ABEJA-QwQ32b-Reasoning-Japanese-v1.0 — японская языковая модель рассуждений, разработанная командой ABEJA. Она создана слиянием ABEJA-Qwen2.5-32b-Japanese-v0.1 с Qwen/QwQ-32B и последующим дообучением; базовая японская модель, в свою очередь, основана на Qwen/Qwen2.5-32B-Instruct. Модель с архитектурой Qwen2 и 32 млрд параметров генерирует текст и поддерживает диалог, включая сценарии, требующие последовательного рассуждения. Контекст — до 32 768 токенов. Модель предназначена прежде всего для работы на японском языке. Она выводит ход рассуждения в блоке, заключённом в специальные маркеры, а затем формирует итоговый ответ. В README рекомендованы конкретные параметры генерации и особый формат начала запроса; при многоходовом диалоге в историю следует помещать только итоговые ответы. Модель распространяется по лицензии Apache-2.0.

Borealis 2 26B-A4B Preview — экспериментальная предварительная instruction-tuned модель, разработанная исследовательской лабораторией Norwegian AI Lab (NbAiLab). Она создана для раннего тестирования, получения обратной связи и диалоговых сценариев. Модель основана на google/gemma-4-26B-A4B-it, дополнительно обучена на данных Aurora и дообучена методом supervised fine-tuning на наборе NbAiLab/aurora-sft-2606 в течение двух эпох. Модель содержит 26 млрд параметров, из которых 4 млрд активны, что указывает на разреженную архитектуру. В карточке она обозначена как image-text-to-text, однако подробности о поддерживаемых визуальных входах не приведены. Заявлены норвежский букмол, норвежский нюношк и английский языки; обучающие данные также включали датский, шведский, фарерский, исландский, финский, саамские и другие языки. Контекстное окно и точная архитектура не указаны. Знания обучающего корпуса ограничены 1 января 2025 года. Сильной стороной модели является специализация на норвежских языках и использование крупного корпуса Aurora объёмом около 47,6 млрд слов, а также instruction tuning с вычислением потерь только по ответам ассистента. При этом модель имеет статус preview и экспериментальное качество, поэтому может быть нестабильной и не предназначена для некритичных производственных задач без дополнительного тестирования. Модель распространяется по лицензии nb-license-1.0; в карточке также указано обозначение лицензии other.

DuplexJev-B-Whisper-small-Falcon-H1-1.5B — компактный аудиоязыковой коннектор семейства DuplexJev от adventists-ai. Он объединяет замороженный аудиоэнкодер Whisper-small и замороженную языковую модель Falcon-H1-1.5B-Instruct; обучаемый SwiGLU-проектор с объединением кадров содержит 29,4 млн параметров. Модель принимает аудио и отвечает на типизированные вопросы распределением вероятностей по вариантам за один проход, без генерации токенов; можно задавать несколько вопросов параллельно.

Это модель Sentence Transformers, дообученная автором репозитория на базе hiieu/halong_embedding для получения векторных представлений предложений и абзацев. В основе лежит XLM-RoBERTa; модель содержит 305,2 млн параметров, использует mean pooling и нормализацию и формирует эмбеддинги размерностью 768. Для сравнения текстов применяется косинусное сходство; матрёшечное обучение позволяет использовать укороченные представления размерностью 512, 256, 128 и 64. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В README приведены результаты оценки поиска по датасету dim_768 и вариантам меньшей размерности; обучение проводилось на 10 200 парах текстов. Максимальная длина последовательности по README — 512 токенов, метаданные указывают контекст 514 токенов. Примеры обучающих данных и название модели указывают на финансовую специализацию, но README не описывает её границы подробно. Лицензия в предоставленных данных не указана.

Helsinki-NLP/opus-mt-ja-da — модель машинного перевода с японского на датский из проекта OPUS-MT, основанная на архитектуре MarianMT. Она принимает японский текст и генерирует перевод на датском; обработка включает нормализацию и SentencePiece-токенизацию с моделями spm32k для исходного и целевого текста. Размер модели — 58,2 млн параметров, контекст — до 512 токенов. В тесте Tatoeba для направления японский—датский указаны BLEU 43,2 и chr-F 0,590. Модель выпущена под лицензией Apache-2.0.

Qwen3.8-27B-Kimiko-2 — объединённая плотная мультимодальная модель семейства Qwen, созданная nlpguy с помощью mergekit методом Karcher Mean. В слияние вошли Qwen/Qwen3.8-27B, TeichAI/Qwen3.8-27B-Fable-Distill, beyoru/Kiwen1.1-27B и nlpguy/Qwen3.8-27B-Fimi-4. Модель содержит 27 млрд параметров и рассчитана на диалоги с текстом и изображениями. Модель предназначена для общения и анализа изображений в формате image-text-to-text. Базовая модель также описана как пригодная для анализа видео, программирования и многошаговых задач, однако карточка этой версии не подтверждает отдельно эти возможности. Репозиторий использует Transformers и формат safetensors. Модель опубликована 25 августа 2026 года. Лицензия и ограничения применения в предоставленных данных не описаны; качество и поведение после слияния могут отличаться от входивших в него моделей.