III.5Управление персоналом и организацией

Dhee-NxtGen-Qwen3-Indic — многоязычная языковая модель DheeYantra, разработанная совместно с NxtGen Cloud Technologies Pvt. Ltd. Она основана на архитектуре Qwen3-4B и содержит 3,7 млрд параметров; модель предназначена для диалогов в формате ассистента, рассуждений и сценариев с вызовом функций в 14 индийских языках. Для работы с текстом поддерживает контекст длиной до 40 960 токенов. Модель генерирует текст на письме целевых языков и подходит для суммаризации, ответов на вопросы, учебных и государственных помощников, а также многоязычных диалоговых систем. Она доступна для Transformers и оптимизирована для инференса через vLLM. Лицензия Apache-2.0. Качество может различаться между языками; смешение языков в запросах может его снизить. Модель может ошибаться и галлюцинировать, поэтому не предназначена для медицинских, юридических и других критически важных применений. Для инференса через vLLM указаны требования к GPU с compute capability не ниже 8.0; V100 не поддерживается.

DiCoW v3.2 — модель распознавания речи от команды BUT Speech@FIT Брненского технического университета, предназначенная для многособеседниковой автоматической транскрипции речи (MT-ASR) и распознавания речи целевого говорящего. Модель основана на Whisper large-v3-turbo и насчитывает около 905,2 млн параметров; в карточке указана архитектура DiCoW и формат весов safetensors. Для загрузки используется Transformers. В версии 3.2 применены преобразование FDDT с учётом диаризации, последовательное декодирование с резервным поиском, обнаружение и подавление галлюцинаций при инференсе, а декодер заморожен при дообучении для сохранения языковых возможностей. Обучение опиралось на NOTSOFAR-1, AMI Meeting Corpus и Libri2Mix; использовались шумовые аугментации, включая SpecAugment и смешивание с MUSAN. Модель рассчитана на многоязычную речь, однако конкретный перечень языков в предоставленных данных не приведён. Лицензия модели — CC BY 4.0; базовая модель имеет лицензию MIT, а обучающие данные — CC BY 4.0.

EuroLLM-1.7B-Instruct — мультиязычная языковая модель с 1,7 млрд параметров, разработанная Unbabel, Instituto Superior Técnico, Instituto de Telecomunicações, University of Edinburgh и другими исследовательскими организациями при финансировании Европейского союза. Это первая версия серии EuroLLM, дообученная следовать инструкциям; модель построена на плотном Transformer с архитектурой Llama, групповым запросным вниманием, RMSNorm, SwiGLU и RoPE. Длина контекста — 4096 токенов. Модель предназначена для диалогов, выполнения общих текстовых инструкций и машинного перевода. Она поддерживает множество европейских языков, а также арабский, китайский, хинди, японский и корейский. В карточке приведены результаты тестирования перевода на FLORES-200, WMT-23 и WMT-24; на FLORES-200 модель превзошла сравниваемую Gemma-2B и показала конкурентные результаты относительно Gemma-7B. Модель не прошла выравнивание по предпочтениям людей и может выдавать галлюцинации, вредоносный или ложный текст. Распространяется по лицензии Apache 2.0.

EuroMoE-2.6B-A0.6B-Instruct-2512 — мультиязычная языковая модель с разреженной архитектурой Mixture of Experts, разработанная консорциумом университетов и компаний, включая Instituto Superior Técnico — University of Lisbon, University of Edinburgh и Unbabel при финансировании Европейского союза. Модель содержит 2,6 млрд параметров, из которых при генерации активны 0,6 млрд; в метаданных репозитория указано 231,7 млн параметров. Она построена на архитектуре Mixtral и поддерживает контекст до 32 768 токенов. Модель дообучена следовать инструкциям на наборе EuroBlocks, ориентированном на выполнение общих инструкций и машинный перевод. Она предназначена для диалоговой генерации текста и работы с языками Европы, а также рядом других языков, включая русский, арабский, китайский, хинди, японский и корейский. Используются grouped-query attention, RMSNorm, SwiGLU и RoPE. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Модель не выровнена по человеческим предпочтениям и может выдавать галлюцинации, вредоносный контент или фактические ошибки. Лицензия Apache 2.0.

Модель mrm8488/flan-t5-large-finetuned-openai-summarize_from_feedback — дообученная версия google/flan-t5-large на наборе summarize_from_feedback. Это текстовая модель семейства T5 с архитектурой T5ForConditionalGeneration, содержащая 385,2 млн параметров. Она предназначена для суммаризации текста; в карточке приведены результаты оценки на тестовом наборе: ROUGE-1 30,24, ROUGE-2 11,49, ROUGE-L 24,65 и ROUGE-Lsum 26,18. Нативная длина контекста — 512 токенов. Модель принимает текст и генерирует текстовое резюме. Карточка не уточняет целевые языки или специальные сценарии применения, поэтому результаты для конкретных языков и типов документов не следует предполагать. Модель распространяется под лицензией Apache-2.0.

LDCC-Instruct-Llama-2-ko-13B-v4.2.8 — корейско-английская инструкционная языковая модель, разработанная Lotte Data Communication на базе архитектуры Llama 2. Модель дообучена на общедоступных корейских и английских данных, прошедших обработку и очистку; данные клиентов Lotte Data Communication не использовались. Модель предназначена для генерации текста в ответ на инструкции по шаблону Prompt/Answer. Это плотная модель семейства Llama с 12,9 млрд параметров и контекстом 2048 токенов, сохранённая в формате safetensors. Для использования весов действует лицензия CC BY-NC 4.0, которая ограничивает коммерческое применение.

llm-jp/llm-jp-3.1-1.8b-instruct4 — языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это версия серии LLM-jp-3.1 с улучшенным следованием инструкциям благодаря дополнительному обучению на парах инструкций и ответов, а также последующей настройке с учителем и Direct Preference Optimization. Модель построена на плотной архитектуре LlamaForCausalLM и содержит около 1,7 млрд параметров. Она принимает текст и генерирует текст, поддерживает японский и английский языки, а контекст составляет 4096 токенов. Подходит для диалога и выполнения текстовых инструкций; опубликована в формате Safetensors для Transformers. Разработчики отмечают, что модель находится на раннем этапе исследований и разработок и не была специально настроена для гарантированного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

d0rj/ru-mbart-large-summ — модель суммаризации на базе ru-bart-large, созданной как уменьшенная версия facebook/mbart-large-50 с эмбеддингами только для русского и английского языков. Модель дообучена на объединённых обучающих выборках из датасетов d0rj/samsum-ru, IlyaGusev/gazeta, zjkarina/matreshka, rcp-meetings/rudialogsum_v2, GEM/wiki_lingua и mlsum; размер обучающей выборки составил 155 678 примеров. Модель предназначена для сокращения текстов, в том числе новостных материалов и диалогов. Это плотная encoder-decoder архитектура mBART с 226,2 млн параметров и контекстом до 1024 токенов; в репозитории доступны веса PyTorch и safetensors. В README приведён пример использования через pipeline Transformers с задачей summarization. Лицензия — MIT. В README указано, что оценка проводилась на части объединённых validation-наборов, однако численные результаты и подробное описание метрик недоступны в карточке; отчёт обозначен как незавершённый.

SauerkrautLM-gemma-2-9b-it — текстовая чат-модель VAGO solutions на базе Google Gemma 2 9B IT, дообученная методом Spectrum Fine-Tuning на немецко-английских данных Sauerkraut Mix v2. В ходе обучения затрагивалось 25% слоёв модели. Модель предназначена для диалогов и выполнения инструкций на немецком и английском языках. Разработчики сообщают об улучшениях следования инструкциям, рассуждений здравого смысла и решения математических задач при сохранении большей части ранее приобретённых способностей базовой модели. Архитектура — плотная Gemma2ForCausalLM с 9 млрд параметров; контекст — до 8192 токенов. В репозитории представлены веса safetensors. Лицензия — gemma. Разработчики предупреждают, что несмотря на очистку данных, модель может выдавать неподходящий или некорректный контент; результаты оценки зависят от настроек бенчмарков.

Smoothie-Qwen3-30B-A3B — вариант Qwen3-30B-A3B с настройкой вероятностей токенов для более сбалансированной многоязычной генерации. В README указаны параметры сглаживания: минимальный коэффициент 0,5, smoothness 10, выборка из 1000 элементов, окно размером 4 и веса n-грамм 0,5/0,3/0,2; перечислены диапазоны Unicode, связанные с обработкой китайских иероглифов и знаков. Метаданные классифицируют модель как генеративную MoE-архитектуру Qwen3 на Transformers с 2,6 млрд параметров и контекстом 40 960 токенов; доступны интерфейсы чата и вызова инструментов. Базовая модель — Qwen/Qwen3-30B-A3B, лицензия Apache-2.0. README не уточняет языки, помимо общего упоминания многоязычной генерации, и не приводит результатов сравнительной оценки.

Synatra-V0.1-7B-Instruct-Mistral-7B-Instruct-v0.1 — чат-модель, созданная объединением Mistral-7B-Instruct-v0.1 и maywell/Synatra-V0.1-7B-Instruct методом SLERP. Она предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В метаданных карточки указан корейский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не сообщает о специальных ограничениях применения или проверках качества; результаты могут зависеть от формулировки запроса и не гарантируют точности ответов.

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.

bigheiniuJ/zephyr-7b-hindsight-full — диалоговая языковая модель, созданная дообучением alignment-handbook/zephyr-7b-sft-full с помощью TRL. Она предназначена для генерации текста в формате чата и ответов на пользовательские запросы. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров; формат весов — safetensors, библиотека — Transformers. Контекст составляет до 32 768 токенов. Карточка демонстрирует генерацию ответа на вопрос в диалоговом формате. Модель подходит для чат-ботов, ответов на вопросы и продолжения диалога. Лицензия в предоставленных данных не указана.

DAMO-NLP-SG разработала zero-shot-модель классификации текста на основе XLM-RoBERTa. Модель дообучена методом SSTuning: на неразмеченных англоязычных данных она учится предсказывать индекс метки с помощью задачи First Sentence Prediction. В архитектуре XLMRobertaForSequenceClassification около 305,2 млн параметров; модель принимает текст и названия классов и выдаёт оценки классов. Контекст составляет до 514 токенов. Модель предназначена для классификации без дополнительного дообучения, например для анализа тональности и определения тематики. В README указано, что она обучалась на 20,48 млн примеров на английском языке, но может применяться и на других языках, поддерживаемых XLM-RoBERTa. Рекомендуемое число меток — от 2 до 20. Распространяется по лицензии MIT.

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.

Apollo-Astralis V1 4B — разговорная модель для рассуждений, разработанная VANTA Research на основе Qwen3-4B-Thinking. Это авторегрессионный трансформер семейства Qwen3 с 3,7 млрд параметров по метаданным; модель дообучена методом LoRA и настроена на пошаговое рассуждение, совместное решение задач и тёплое, эмпатичное общение. Она предназначена для диалогов, логического анализа, объяснения решений и поддерживающих ответов. Модель рассчитана прежде всего на английский язык; контекстное окно составляет 262 144 токена по метаданным. Выпускается под лицензией Apache 2.0. Модель может чрезмерно эмоционально реагировать даже в ситуациях, требующих спокойного тона; она не оптимизирована для задач соревновательной математики и может испытывать трудности в узкоспециализированных технических областях. Ответы могут содержать фактические ошибки, поэтому важные сведения следует проверять.

Arcee-Agent — языковая модель на 7,1 млрд параметров, разработанная Arcee AI для вызова функций и работы с инструментами. Она основана на Qwen2-7B и использует плотную архитектуру Qwen2ForCausalLM; для обучения применялся Spectrum, вычислительные ресурсы предоставила CrusoeAI. Модель предназначена для диалоговых агентов, маршрутизации запросов к инструментам и многошаговой автоматизации. Она может формировать вызовы API и баз данных, а также вести самостоятельный диалог. Поддерживает форматы Glaive FC v2, Salesforce и Agent-FLAN; в README отмечена наилучшая работа с форматом VLLM OpenAI FC. Контекст — до 131 072 токенов. Карточка указывает английский, немецкий и арабский языки. Модель распространяется под лицензией Apache-2.0. В README заявлены скорость и эффективность, однако не приведены независимые оценки качества. Как и другие языковые модели, она может ошибаться; выполнение её вызовов инструментов зависит от внешней инфраструктуры и настроек приложения.

Atom-7B-Chat — диалоговая языковая модель, совместно разработанная Llama中文社区 и AtomEcho. Она создана на основе Llama 2-7B и продолжительно предобучена на крупных китайских текстовых корпусах; архитектура — плотный decoder-only Transformer семейства Llama с 6,7 млрд параметров. Модель предназначена для диалогов на китайском и английском языках, ответов на вопросы и генерации текста. В README указано штатное контекстное окно 4K токенов; с NTK-расширением заявлена поддержка более 18K, а после дообучения — до 32K токенов. Разработчики сообщают об оптимизации китайского словаря до 65 000 токенов и повышении скорости кодирования и декодирования китайского текста. Модель можно запускать с Transformers; README также приводит примеры размещения 7B-модели в форматах INT8 и INT4 на потребительских видеокартах. Репозиторий содержит веса safetensors, лицензия Apache-2.0 допускает коммерческое использование. Заявленные свойства контекста и скорости приведены разработчиками; независимые результаты оценки в предоставленных материалах не описаны.

BgGPT-Gemma-2-9B-IT-v1.0 — языковая модель INSAIT при Софийском университете, построенная на Gemma 2 9B. Это плотный decoder-only трансформер с 9 млрд параметров и контекстом 8192 токена; модель дообучена для следования инструкциям и диалога. Модель предназначена прежде всего для общения и генерации текста на болгарском языке, включая ответы на вопросы, рассуждения и решение учебных задач. Она также сохраняет возможности на английском. При непрерывном предварительном обучении использовалась стратегия Branch-and-Merge и около 100 млрд токенов, из них 85 млрд на болгарском; затем модель дообучили на болгарских инструкциях, составленных на основе реальных диалогов. Модель доступна по условиям Gemma Terms of Use. Для работы рекомендуется формат чата Gemma 2; README предупреждает, что Flash Attention снижает качество работы. Заявления о результатах на бенчмарках приведены авторами модели и не гарантируют качество на конкретных пользовательских задачах.

BLOOMZ-560M — многоязычная авторегрессионная языковая модель семейства BLOOM, разработанная проектом BigScience. Модель дообучена на смеси межъязыковых задач xP3 для следования инструкциям на естественном языке и выполнения задач без примеров, в том числе на языках, не встречавшихся в конкретной задаче при обучении. Это плотная модель с 560 млн параметров и контекстом до 2048 токенов; принимает текст и генерирует текст. Модель подходит для переводов, ответов на вопросы, классификации тональности, объяснений и творческой генерации по текстовым запросам. В карточке приведён пример использования через Transformers. Она поддерживает множество языков, включая английский, французский, испанский, хинди, китайский и другие; русский язык есть среди языков предварительного обучения BLOOM, но карточка не выделяет его как основной для этой версии. Качество зависит от формулировки запроса и предоставленного контекста; модель может продолжать входной текст вместо ожидаемого ответа, если граница инструкции задана неясно. Лицензия — BigScience BLOOM RAIL 1.0.

CLM-Qwen3.5-2B — модель на основе Contrastive Language Models, разработанная Jayavibhav с использованием метода CLM, созданного Jacky Kwok, Hangoo Kang, Tarun Suresh, Jon Saad-Falcon, Marco Pavone, Christopher Ré и Azalia Mirhoseini. Это дообучение Qwen3.5-2B: замороженный языковой энкодер с двумя небольшими проекционными головами для представления состояния и ответа. Модель кодирует контекст и кандидаты в общем векторном пространстве, оценивает варианты по косинусному сходству и выдаёт относительное распределение вероятностей. Для повторно используемых вариантов можно кэшировать их представления. Модель предназначена для ранжирования вариантов ответа, классификации документов и типизированных решений по длинным текстовым контекстам. Она принимает состояния длиной до 131 тыс. токенов и обучена на английских данных, включая синтетические документы более чем 200 типов и задачи решений из нескольких прикладных областей. По заявлению авторов, модель превосходит CLM-v0.1-8B в тесте классификации документов, но уступает Jev на 4,6 процентного пункта; результаты на синтетических документах могут отличаться от результатов на реальных файлах. Для новых рабочих процессов решений качество без дополнительной настройки низкое: для таких задач авторы рекомендуют подгонку голов на нескольких сотнях примеров. Модель оценивает только переданный набор кандидатов, поэтому вероятности относительны к нему; головы также требуют эмбеддингов последнего токена Qwen3.5-2B в заданном формате. Веса распространяются по лицензии Apache 2.0.

Moritz Laurer опубликовал мультиязычную модель классификации последовательностей на архитектуре ERNIE-M с 658,7 млн параметров. Она дообучена для вывода о естественном языке (NLI) на данных XNLI и английского MNLI и подходит для классификации текстов по заданным пользователем категориям без отдельного обучения на этих категориях. Модель сравнивает посылку и гипотезу, определяя, следует ли гипотеза из текста, противоречит ему или не связана с ним. Это позволяет классифицировать тексты по кандидатным меткам и выполнять NLI на многих языках. README сообщает о поддержке 100 языков; оценки приведены для 15 языков XNLI, а для остальных качество может быть ниже. Максимальная длина контекста — 514 токенов. Модель основана на ERNIE-M от Baidu, предварительно обученной на основе RoBERTa на многоязычном корпусе CC100. В README отмечено, что она превосходит RoBERTa сопоставимого размера. Доступны веса PyTorch и safetensors; лицензия — Apache-2.0. К ограничениям относятся возможное снижение качества на языках вне оценки XNLI и потенциальные смещения, связанные с данными NLI. Для архитектуры требуется Transformers версии 4.27 или новее.

Jais-13b — предварительно обученная двуязычная языковая модель на 13 млрд параметров, разработанная Inception, Университетом искусственного интеллекта имени Мохаммеда бин Заида (MBZUAI) и Cerebras Systems. Она предназначена для генерации текста на арабском и английском языках и может служить основой для дообучения под прикладные задачи, включая чат-ассистентов и поддержку клиентов. Модель использует декодерную архитектуру Transformer типа GPT-3 с активацией SwiGLU и позиционными представлениями ALiBi. Обучение проводилось на 395 млрд токенов, включая арабский, английский и код. Для загрузки требуется пользовательский класс модели и параметр trust_remote_code=True; в README приведён пример для Transformers 4.28.0. Модель ориентирована на арабский и английский языки; равное качество для других языков и диалектов не предполагается. Как и другие большие языковые модели, она может выдавать неверную, вводящую в заблуждение или оскорбительную информацию, поэтому её ответы не следует использовать как единственное основание для важных решений. Лицензия Apache 2.0 допускает использование модели в соответствии с её условиями.

LFM2-2.6B-Transcript — компактная плотная языковая модель Liquid AI, разработанная совместно с AMD для суммаризации расшифровок встреч. Модель дообучена на базе LiquidAI/LFM2-2.6B и содержит 2,4 млрд параметров; её контекст составляет 128 000 токенов. Она принимает текстовую расшифровку с указанием участников и выдаёт связное резюме, ключевые тезисы, решения и поручения. Модель рассчитана на длинные транскрипты встреч продолжительностью 30–60 минут, включая внутренние совещания, звонки с клиентами и брифинги. Она поддерживает английский язык и предназначена для одношагового диалога с заданным форматом входа. По заявлению разработчиков, модель может работать локально на CPU, GPU и NPU, в том числе в условиях ограниченной памяти, что подходит для конфиденциальных и автономных сценариев. Для этого репозитория указана лицензия other; конкретные условия использования следует сверить с лицензией и документацией модели. Качество и скорость зависят от оборудования и входной расшифровки. Разработчики рекомендуют низкую температуру генерации, около 0,3; модель специализирована на английских стенограммах встреч, поэтому не следует считать её универсальной или многоязычной.

MERaLiON-AudioLLM-Whisper-SEA-LION — аудиотекстовая языковая модель, разработанная I2R при A*STAR совместно с AI Singapore. Она предназначена для распознавания и понимания речи, особенно в многоязычной среде Сингапура с местными акцентами, диалектами и переключением языков. Модель содержит 8,1 млрд параметров; в её архитектуре сочетаются аудиоэнкодер на основе дообученного Whisper-large-v2, адаптер и текстовый декодер SEA-LION V3. Она принимает аудио и текстовые инструкции и генерирует текстовый ответ. Для аудио заявлены монофонический формат, частота 16 кГц и длительность до 30 секунд. Модель обучена на 260 000 часах аудио и рассчитана на распознавание речи, перевод речи, ответы на вопросы по аудио, суммаризацию диалогов, выполнение речевых инструкций и анализ паралингвистических признаков. Основной язык — английский, включая сингапурский вариант; также поддерживаются языки, совместимые с Whisper и SEA-LION. Модель доступна для Transformers и vLLM и распространяется по MERaLiON Public License. Авторы отмечают её результаты на сингапурских данных; отдельно модель не предназначена для вызова инструментов, математики и программирования.

Vigogne 2 70B Chat — крупная диалоговая языковая модель на архитектуре Llama 2, разработанная bofeng huang; в системном промпте также указано, что модель создана при участии Zaion Lab. Данная версия распространяется TheBloke в формате GGUF и предназначена для генерации текста, общения и выполнения инструкций, прежде всего на французском языке. Модель содержит около 70 миллиардов параметров и относится к семейству LLM для text-generation. GGUF-файлы поддерживают квантование от 2 до 8 бит, что позволяет запускать модель с использованием CPU и GPU через llama.cpp и совместимые приложения, включая text-generation-webui, LM Studio, KoboldCpp и другие. Конкретный размер контекста в README не указан. К сильным сторонам относятся большой размер модели, диалоговая настройка, ориентация на французский язык и наличие нескольких уровней квантования для выбора компромисса между требованиями к памяти и качеством. Ограничения связаны с тем, что это текстовая модель без заявленной поддержки изображений или других модальностей, а характеристики качества, наборы данных и подробные результаты оценки в README не приведены. Модель распространяется по лицензии Llama 2.

Amadeus-Verbo-FI-Qwen2.5-32B-PT-BR-Instruct — языковая модель для бразильского португальского, созданная Amadeus AI дообучением Qwen/Qwen2.5-32B-Instruct на наборе из 600 тысяч инструкций в течение двух эпох. Она предназначена для диалогов и генерации текста по инструкциям; доступен интерфейс для вызова инструментов. Модель построена на архитектуре Transformer Qwen2 с причинным языковым моделированием, содержит около 32 млрд параметров и распространяется в формате safetensors для Transformers. В карточке указана длина контекста 131 072 токена, тогда как метаданные каталога сообщают native context в 32 768 токенов. Основной язык модели — бразильский португальский. Модель распространяется по лицензии Apache-2.0. Её специализация на бразильском португальском и большой размер требуют подходящей вычислительной инфраструктуры; заявленный длинный контекст README отличается от значения в метаданных каталога.

BLOSSOM-v5-9b — разговорная языковая модель семейства Llama, разработанная командой Blossom и дообученная на базе Yi-9B. Модель содержит 8,6 млрд параметров, принимает текст и генерирует продолжение диалога; её контекст составляет 4096 токенов. Модель предназначена для диалоговых ответов, следования инструкциям, решения математических задач и общего понимания текста на китайском и английском языках. Обучение прошло в два этапа на наборах Blossom Wizard, Orca, Math и Chat; по README, данные включали примеры, дистиллированные из GPT-4-0125-preview. Репозиторий содержит веса safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов сравнительной оценки качества; заявленные общие способности и улучшения не сопровождаются бенчмарками.

JPQ24/Llama-3.1-8b-Natural-Synthesis-merged-16bit — дообученная текстовая модель JPQ24 на архитектуре Llama 3.1. В карточке указана базовая модель unsloth/llama-3.1-8b-instruct-unsloth-bnb-4bit; обучение выполнено с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 7,5 млрд параметров и поддерживает контекст длиной до 131 072 токенов. Модель предназначена для генерации текста и диалогового взаимодействия на английском языке; метаданные также отмечают интерфейс вызова инструментов. Доступна в формате safetensors по лицензии Apache-2.0. Название указывает на объединение и 16-битный формат, однако README и метаданные не подтверждают способ слияния или точность сохранённых весов.

Luth-LFM2-1.2B — франкоязычная дообученная версия LFM2-1.2B, созданная kurakurai в сотрудничестве с Liquid AI. Модель дообучена полным fine-tuning на наборе Luth-SFT с помощью Axolotl, после чего результат объединён с LFM2-1.2B. Это плотная авторегрессионная модель семейства LFM2 на 1,5 млрд параметров; она работает через Transformers, использует формат safetensors и поддерживает контекст до 128 000 токенов. Модель предназначена для генерации текста и диалогов с выполнением инструкций. Дообучение улучшило результаты на французском языке в следовании инструкциям, математике и общих знаниях; английские возможности сохранились или немного улучшились. В карточке приведены оценки на французских и английских бенчмарках, включая IFEval, GPQA-Diamond, MMLU и Math500. Подходит для франкоязычных и англоязычных ассистентов, ответов на вопросы, решения математических задач и генерации текста. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией и файлами репозитория.