III.5Управление персоналом и организацией

ALIA-40b-Instruct-2606 — языковая модель с инструкционной настройкой, разработанная Barcelona Supercomputing Center (BSC-LT). Это декодерная плотная трансформерная модель семейства Llama с 38,3 млрд параметров, построенная на базе ALIA-40b. Контекстное окно составляет 163 840 токенов. Модель предназначена для диалогов и выполнения инструкций: она отвечает на вопросы, учитывает контекст беседы и формирует структурированные ответы. Её постобучение включало адаптацию к длинному контексту, дообучение на 714 тысячах диалоговых примеров и выравнивание предпочтений методом DPO. Основной упор сделан на испанский, каталанский, баскский, галисийский и английский языки; качество на других языках не гарантируется. Модель не умеет самостоятельно вызывать внешние функции или API и не предназначена для автономного выполнения рабочих процессов. Её рассуждения и математические ответы могут быть ненадёжными, а код следует проверять. Разработчики предупреждают, что несмотря на настройку безопасности, возможны нежелательные ответы. Лицензия — Apache-2.0.

Amadeus-Verbo-FI-Qwen2.5-14B-PT-BR-Instruct — языковая модель на архитектуре Qwen2, разработанная Amadeus AI. Это дообученная на 600 тысячах инструкций за два прохода версия Qwen/Qwen2.5-14B-Instruct, предназначенная для диалогов и генерации текста на бразильском португальском языке. Модель содержит 14,7 млрд параметров и использует архитектуру Transformer с RoPE, SwiGLU, RMSNorm и групповым запросным вниманием. Для работы указан контекст длиной 32 768 токенов в метаданных; в README заявлена длина 131 072 токена. Поддерживаются диалоговый режим и интерфейс вызова инструментов. Модель распространяется в формате safetensors и доступна по лицензии Apache-2.0.

Aya Expanse 8B — многоязычная языковая модель для генерации текста, разработанная CohereForAI. Данная версия распространяется в формате GGUF и представляет собой квантованную сборку исходной модели CohereForAI/aya-expanse-8b; квантование выполнено bartowski на основе llama.cpp. Модель предназначена для локального запуска и поддерживает контекст длиной до 8192 токенов. Модель ориентирована на работу с текстом на 23 языках, включая английский, французский, немецкий, испанский, итальянский, португальский, японский, корейский, китайский, арабский, греческий, персидский, польский, индонезийский, чешский, иврит, хинди, нидерландский, румынский, русский, турецкий, украинский и вьетнамский. Ключевая сильная сторона — расширенные многоязычные возможности, что делает модель подходящей для генерации, преобразования и обработки текста в многоязычных сценариях. В README не приведены подробные сведения об архитектуре, конкретных результатах тестирования, требованиях к ресурсам или ограничениях качества, поэтому их оценку нельзя уточнить по имеющимся данным. Модель распространяется по лицензии CC-BY-NC-4.0 и предназначена только для некоммерческого использования. Также необходимо соблюдать C4AI Acceptable Use Policy и условия лицензионного соглашения Cohere; для доступа требуется принятие соответствующих условий и предоставление запрошенных данных.

Blaze.1-27B-Reflection — текстовая диалоговая модель на архитектуре Gemma 2, дообученная автором репозитория на данных саморефлексии и поведения, включая синтетические примеры рассуждений от DeepSeek и QwQ. Модель содержит 27,6 млрд параметров, рассчитана на генерацию текста и диалог на английском языке; её контекст — 8192 токена. Модель предназначена для сложных ответов на вопросы, пошагового рассуждения, суммаризации, поддержки принятия решений, диалога и творческого письма. По описанию карточки, дообучение ориентировано на длинные цепочки рассуждений и самопроверку. Весовые файлы представлены в формате safetensors, исходные веса экспортированы в bfloat16; лицензия — Gemma. Ограничения включают возможные ошибки и галлюцинации, снижение качества на неанглийских запросах и узкоспециальной терминологии, потерю контекста в длинных документах и диалогах, а также повторяющиеся рассуждения. Для запуска и дообучения требуются значительные вычислительные ресурсы.

Карточка модели monsterbeasts/LishizhenGPT на Hugging Face совпадает с карточкой bigscience/bloomz-7b1-mt, поэтому описание составлено по ней. BLOOMZ-7B1-mt — многоязычная генеративная языковая модель, созданная BigScience путём дообучения BLOOM на смеси кросс-языковых задач xP3. Она предназначена для выполнения инструкций на естественном языке без отдельного дообучения под каждую задачу: модель может отвечать на вопросы, переводить, классифицировать текст и создавать связные тексты. Архитектура — плотная авторегрессионная BLOOM с 7,1 млрд параметров; модель работает с текстом, поддерживает десятки языков и имеет контекст до 2048 токенов. Среди сильных сторон — следование инструкциям и перенос между языками и задачами в режиме zero-shot. Качество ответов зависит от формулировки запроса: README рекомендует явно обозначать границу инструкции и указывать желаемый язык и контекст. Модель может продолжать входной текст вместо ответа, если запрос сформулирован неоднозначно. Распространяется по лицензии BigScience BLOOM RAIL 1.0.

Memgpt-slerp-7b-4 — диалоговая языковая модель, созданная объединением методом SLERP моделей starsnatched/MemGPT и liminerity/Memgpt-slerp-7b-3 с помощью LazyMergekit. В основе лежит архитектура Mistral; модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста и может использоваться в чат-ботах и сценариях, где требуется вести беседу с учётом длинного контекста. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели xqiuresearch/MOSS-Transcribe-Diarize-vuln на Hugging Face совпадает с карточкой xqiuresearch/MOSS-Transcribe-Diarize, поэтому описание составлено по ней. MOSS-Transcribe-Diarize 0.9B — мультимодальная модель семейства MOSS от OpenMOSS для расшифровки длинных аудио- и видеозаписей. Она за один проход преобразует запись в текст с временными метками и анонимными метками говорящих, совместно выполняя распознавание речи и диаризацию. Также модель может размечать акустические события и учитывать пользовательские инструкции и подсказки с терминами.

Карточка модели Jinstudio/VibeVoice-ASR на Hugging Face совпадает с карточкой microsoft/VibeVoice-ASR, поэтому описание составлено по ней. VibeVoice-ASR — модель Microsoft для распознавания речи и формирования структурированных расшифровок. Она принимает аудио и в одном проходе обрабатывает записи длительностью до 60 минут, указывая распознанный текст, временные метки и говорящих. Модель также поддерживает пользовательские ключевые слова для имён, терминов и другой специальной лексики. Модель рассчитана на многоязычную речь: README заявляет поддержку более 50 языков, автоматическое определение языка и переключение между языками в ходе записи. По данным карточки, модель построена на плотной архитектуре семейства VibeVoice, использует Transformers и хранит веса в формате safetensors. Указанная лицензия — MIT. Модель подходит для расшифровки длинных записей, где важны привязка реплик ко времени и разделение по говорящим. README заявляет обработку до 60 минут в пределах контекста 64K токенов; фактическое качество распознавания может зависеть от языка, акустики и предметной лексики.

Zen Ingress 1 3B SFT Merged — дообученная языковая модель AllenGXM на архитектуре Qwen2.5 для генерации текста и диалогового общения. Она основана на unsloth/qwen2.5-3b-instruct-unsloth-bnb-4bit; при обучении использовались Unsloth и библиотека Hugging Face TRL. Модель содержит 3,1 млрд параметров, имеет контекстное окно до 32 768 токенов и распространяется в формате safetensors. Подходит для генерации ответов и интеграции в чат-сценарии; метаданные также отмечают интерфейс вызова инструментов. Указанный язык — английский. Лицензия — Apache-2.0.

Aitana-7B-S-Instruct-i1-GGUF — квантизированная версия инструкционной языковой модели Aitana-7B-S-Instruct, разработанной gplsi и распространяемой в формате GGUF пользователем mradermacher. Модель предназначена для генерации текста и выполнения инструкций в диалоговых и прикладных сценариях, включая ответы на вопросы, подготовку и преобразование текстов, мультиязычные задачи и работу с информацией на испанском, каталанском и английском языках. В обучении использовались наборы данных OpenAssistant, Aya, FLORES, GSM8K, Alpaca, Dolly и другие специализированные мультиязычные и испаноязычные коллекции. Модель имеет размер 7B параметров; точная архитектура и размер контекстного окна в README не указаны. Представленная версия содержит набор вариантов квантизации, включая IQ- и Q-форматы, с размером файлов примерно от 2,4 до 6,5 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; README рекомендует i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как оптимальный компромисс между размером, скоростью и качеством. Модель предназначена только для работы с текстом, сведения о поддержке изображений или других модальностей отсутствуют. К сильным сторонам относятся специализация на каталанском, испанском и английском языках, инструкционный формат и возможность локального запуска через совместимые с GGUF инструменты. Ограничения связаны с отсутствием данных о бенчмарках, контекстном окне и точных характеристиках исходной архитектуры, а также с тем, что качество зависит от выбранного уровня квантизации. Указанная лицензия — Apache-2.0.

BLOOMZ-7B1-P3 — мультиязычная авторегрессионная языковая модель семейства BLOOM, разработанная BigScience и дообученная на смеси кросс-языковых задач xP3. Модель предназначена для выполнения инструкций на естественном языке в режиме zero-shot: она может отвечать на вопросы, переводить, классифицировать текст по заданной инструкции и создавать тексты на разных языках. Архитектура плотная, на основе BLOOM-7B1; модель имеет 7,1 млрд параметров и контекст до 2048 токенов. Модель обучена следовать инструкциям на множестве языков и обобщать на задачи, которых не было в обучении. В карточке приведены примеры перевода, анализа тональности и генерации историй. Качество ответов зависит от формулировки запроса; модели полезно явно обозначать границу входного текста и желаемый язык ответа. Лицензия — BigScience BLOOM RAIL 1.0.

Llama3-ChatQA-1.5-8B — разговорная языковая модель NVIDIA для ответов на вопросы и систем генерации с дополнением извлечёнными данными (RAG). Она дообучена на базе Llama 3 с улучшенной методикой ChatQA и дополнительными данными для разговорных вопросов, табличных запросов и арифметических вычислений. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов; репозиторий содержит веса в формате Safetensors. Модель рассчитана прежде всего на ответы по предоставленному контексту: это могут быть целые документы, помещающиеся в контекст, или найденные поиском фрагменты. Она поддерживает разговорный формат и ориентирована на английский язык. В README приведены результаты оценки на наборах разговорного QA и RAG; качество зависит от контекста и сценария, поэтому ответы следует проверять, особенно при вычислениях и работе с таблицами. Лицензия — Llama 3 License.

Llama-SEA-LION-v2-8B-IT — языковая модель AI Singapore, разработанная командой Products Pillar при финансировании Singapore NRF. Это плотная decoder-модель на архитектуре Llama 3, дообученная следовать инструкциям на основе Llama-SEA-LION-v2-8B. Она содержит около 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для диалогов и генерации ответов на инструкции, в том числе на английском, индонезийском, тайском, вьетнамском и тамильском языках. Среди описанных сценариев оценки — ответы на вопросы, анализ тональности и токсичности, перевод, суммаризация, причинно-следственные рассуждения и языковой вывод; также оценивались соблюдение инструкций и многоходовой диалог. Модель доступна в формате safetensors для Transformers по лицензии Llama 3 Community License. Она может галлюцинировать, выдавать нерелевантные сведения и непоследовательно рассуждать. По заявлению разработчиков, модель не проходила safety-выравнивание, поэтому ответы требуют проверки, а для прикладного использования могут понадобиться дополнительные меры безопасности.

Mistral-C2F — диалоговая языковая модель, разработанная авторами проекта Mistral-C2F на основе Mistral-7B-v0.1. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, обученная с использованием обучения с подкреплением на основе обратной связи от людей (RLHF). Для усиления аналитических и рассуждательных способностей авторы применили двухэтапный подход Coarse to Fine: выход Coarse Actor объединяется с инструкционной моделью, чтобы перенести подробные рассуждения и уточнить ответы. Модель предназначена для диалогов, интеллектуальных помощников и исследований в области языковых моделей, машинного обучения и обработки естественного языка. Она принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. В README авторы отмечают улучшение разговорных и аналитических способностей и снижение токсичных ответов по сравнению с базовой моделью, однако не приводят здесь подробностей оценки. Модель распространяется по лицензии MIT; README указывает, что лицензия совпадает с лицензией базовой Mistral-7B-v0.1.

QuantFactory/SeaLLM3-7B-Chat-GGUF — квантизированная версия чат-модели SeaLLMs/SeaLLM3-7B-Chat, созданная QuantFactory с использованием llama.cpp. Семейство SeaLLMs разработано для работы с языками Юго-Восточной Азии; модель предназначена для генерации текста, диалогов и выполнения пользовательских инструкций. Модель ориентирована на широкий круг задач: ответы на вопросы, следование инструкциям, математическое рассуждение, перевод и работу со знаниями общего назначения. В README заявлены улучшенные возможности многошагового диалога, сниженная склонность к галлюцинациям и более безопасное поведение, в том числе при запросах, связанных с культурой стран Юго-Восточной Азии. Указаны английский, китайский, индонезийский, вьетнамский, тайский и малайский языки; также заявлена поддержка тагальского, бирманского, кхмерского, лаосского, тамильского и яванского языков. Это текстовая autoregressive language model размером 7B параметров в квантизированном формате GGUF; конкретная схема квантизации и размер контекстного окна в README не указаны. Квантизация и совместимость с llama.cpp могут упростить локальный запуск и снизить требования к ресурсам, однако README не содержит точных требований к оборудованию и количественной оценки качества. Модель ограничена текстовой модальностью и, как и другие языковые модели, может допускать ошибки. Лицензия обозначена как other с названием seallms; условия использования приведены по ссылке на лицензию SeaLLMs. Перед применением необходимо ознакомиться с ними.

Whisper base.en — англоязычная модель автоматического распознавания речи, разработанная OpenAI. Это плотная модель Transformer типа encoder-decoder с архитектурой WhisperForConditionalGeneration; в репозитории указано 51,7 млн параметров. Она преобразует английскую речь в текст и предназначена для расшифровки аудио, в том числе длинных записей: базовая обработка рассчитана на фрагменты до 30 секунд, а конвейер Transformers с разбиением на фрагменты позволяет работать с более длинными записями и получать временные метки. Модель обучена на больших массивах аудио с транскрипциями и рассчитана на распознавание английской речи. Она показывает устойчивость к акцентам, шуму и специализированной лексике, но может добавлять слова, которых нет в аудио, повторять фрагменты и ошибаться на отдельных голосах и условиях записи. Лицензия — Apache 2.0.

deepdml/whisper-large-v3-turbo — многоязычная модель распознавания речи семейства Whisper, основанная на Whisper large-v3 от OpenAI. Это Transformer encoder-decoder с 905,2 млн параметров; в версии Turbo число слоёв декодера сокращено с 32 до 4, что ускоряет генерацию транскрипции с небольшим снижением качества. Модель принимает аудио и преобразует речь в текст, поддерживая распознавание на языке оригинала; семейство Whisper также умеет переводить речь, однако метаданные этой модели указывают только задачу автоматического распознавания речи. Модель подходит для транскрибирования записей, интервью, встреч и других аудиоматериалов на многих языках. Для длинных записей README описывает последовательную обработку скользящим окном и разбиение на перекрывающиеся фрагменты; стандартное окно восприятия составляет 30 секунд. По заявлению карточки, Whisper устойчив к акцентам, фоновому шуму и технической лексике, но точность неодинакова между языками, диалектами и группами говорящих. Возможны повторы и галлюцинации — текст, отсутствующий в аудио. Модель распространяется под лицензией Apache-2.0. README указывает поддержку библиотеки Transformers; файлы репозитория представлены в формате safetensors.

Athene-70B — открытая по весам диалоговая языковая модель команды Nexusflow, дообученная методом RLHF на основе meta-llama/Meta-Llama-3-70B-Instruct. Она предназначена для чат-ассистентов и генерации ответов на запросы пользователя; для диалогов использует тот же шаблон чата, что и Llama 3 70B Instruct. Модель построена на плотной архитектуре Llama с 69,5 млрд параметров и поддерживает контекст до 8192 токенов. В карточке приводится результат 77,8% на Arena-Hard-Auto — бенчмарке, служащем приближённой оценкой качества в Chatbot Arena. Метаданные указывают английский язык. Модель распространяется по Nexusflow Research License; условия этой лицензии следует учитывать при использовании.

Llama-Sahabat-AI-v2-70B-IT — инструктивная языковая модель из семейства Sahabat-AI, разработанная PT GoTo Gojek Tokopedia Tbk и AI Singapore при соинициировании GoTo и Indosat Ooredoo Hutchison. Это плотная авторегрессионная модель-декодер на архитектуре Llama 3.1 с 69,5 млрд параметров, дообученная для общения и выполнения инструкций в индонезийском языковом контексте. Она предназначена для диалоговых приложений, ответов на вопросы, суммаризации, анализа тональности, перевода, рассуждений и работы с местными языками и культурой Индонезии. Модель принимает текст и генерирует текст. Поддерживает английский, индонезийский, яванский, сунданский, язык батак тоба и балийский. Контекстное окно составляет до 131 072 токенов по метаданным; README указывает 128k. В оценках использовались бенчмарки IndoMMLU, SEA-HELM, SEA-IFEval и SEA-MTBench, в том числе задания на следование инструкциям и многоходовый диалог. Модель может выдавать галлюцинации, нерелевантные ответы и непоследовательные рассуждения; ответы требуют проверки. Для приложений с повышенными требованиями к безопасности разработчикам следует самостоятельно настраивать меры безопасности. Лицензия — Llama 3.1 Community License.

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.

GPT-OSS-NEMO-20B — дообученная с помощью SFT и LoRA модель OpenAI GPT-OSS-20B, представленная автором карточки как модель для многоязычных рассуждений и диалогов. Она использует архитектуру GPT-OSS с Mixture of Experts; в метаданных указано 1,6 млрд параметров, контекст — 131 072 токена. Карточка описывает обучение на наборе HuggingFaceH4/Multilingual-Thinking и заявляет поддержку английского, испанского, арабского, французского, немецкого, китайского, японского, корейского, хинди и русского языков. Модель предназначена для ответов на вопросы, многошагового решения задач и диалога на разных языках, в том числе с рассуждением на одном языке и ответом на другом. Она принимает текст и генерирует текст; автор заявляет возможность задавать язык рассуждений через системное сообщение. Репозиторий распространяется по лицензии Apache-2.0. Качество может различаться между языками, а рассуждения на языках с меньшим объёмом обучающих данных могут быть слабее. Факты в ответах следует проверять; модель также может воспроизводить смещения из обучающих данных.

Llama-SEA-LION-v3-8B-IT-GGUF — набор файлов модели в формате GGUF для Llama-SEA-LION-v3-8B-IT, разработанной командой Products Pillar организации AI Singapore при финансировании Singapore NRF. Это мультиязычная decoder-модель, дообученная для выполнения инструкций и ориентированная на языки Юго-Восточной Азии. Модель предназначена для генерации текста и сценариев, требующих работы с инструкциями на английском и языках региона. Она обучалась в два этапа примерно на 12,3 млн англоязычных пар «инструкция—ответ» и 4,5 млн пар на языках Юго-Восточной Азии, включая бирманский, китайский, филиппинский, индонезийский, яванский, кхмерский, лаосский, малайский, сунданский, тамильский, тайский и вьетнамский. Размер базовой модели составляет 8 млрд параметров. В репозитории доступны варианты GGUF с различными уровнями квантования — от F16 до Q2_K и Q8_0. Сильная сторона модели — специализация на многоязычных задачах с акцентом на языки Юго-Восточной Азии и наличие вариантов, подходящих для запуска в средах с разными требованиями к памяти. Модель может галлюцинировать, выдавать нерелевантное или вымышленное содержание, а её рассуждения могут быть непоследовательными, поэтому ответы требуют проверки. Модель не прошла выравнивание по безопасности; разработчикам и пользователям рекомендуется самостоятельно применять меры безопасности и дообучение. Распространяется по лицензии Llama 3.1 Community License.

llm-jp-3.1-8x13b-instruct4 — языковая модель серии LLM-jp-3.1, разработанной Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это модель-трансформер с архитектурой MoE на базе Mixtral: 8 экспертов, из которых активируются 2. Общее число параметров — около 73,2 млрд, активных — около 22,2 млрд; контекст — 4096 токенов. Модель предназначена для диалогов и выполнения инструкций на японском и английском языках. Она прошла продолжительное обучение на данных с парами «инструкция — ответ», затем supervised fine-tuning и выравнивание методом Direct Preference Optimization. Подходит для ответов на вопросы, генерации текстов и других сценариев, где требуется следовать инструкциям. Модель выпущена в формате Transformers и хранится в safetensors; для работы README указывает PyTorch, Transformers, Tokenizers, Accelerate и FlashAttention. Авторы отмечают, что модель находится на ранней стадии исследований и разработок и не настроена для надёжного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

bigscience/mt0-small — многоязычная модель BigScience для выполнения инструкций на естественном языке. Это вариант mT5-small, дообученный на смеси задач xP3; архитектура кодировщик-декодировщик MT5, размер — 157,4 млн параметров. Модель принимает текстовые инструкции и генерирует текстовые ответы, в том числе для задач перевода, классификации по инструкции, объяснения понятий и написания историй. Модель рассчитана на выполнение разнообразных задач без специального обучения под каждую из них и демонстрирует перенос между языками и задачами в zero-shot-сценариях. Карточка приводит примеры на нескольких языках и указывает, что модель понимает языки предобучения mC4 и дообучения xP3; метаданные перечисляют поддерживаемые языки. Доступны веса PyTorch, safetensors и ONNX. Лицензия — Apache-2.0. Качество зависит от формулировки запроса: стоит ясно обозначать границы входного текста и задавать нужный язык и контекст. Модель не гарантирует точность ответов на всех задачах и языках.

Cohere и Cohere Labs разработали Cohere Labs Tiny Aya Earth — авторегрессионную языковую модель на 3,35 млрд параметров для многоязычной генерации текста и диалогов, с особым акцентом на языки Западной Азии и Африки. Модель принимает текст и выдаёт текст; поддерживает более 70 языков. Контекст составляет 8K токенов, заявлена также генерация до 8K токенов. Архитектура основана на оптимизированном трансформере: три слоя используют скользящее внимание с окном 4096 и RoPE, а четвёртый — глобальное внимание. После предобучения модель прошла дообучение с учителем и обучение на предпочтениях. Модель подходит для многоязычных диалогов, генерации, суммаризации, перевода и межъязыковых задач, включая работу с языками с ограниченными обучающими данными и локальное развёртывание при ограниченных вычислительных ресурсах. Карточка отмечает сильные стороны в открытой генерации и работе с низкоресурсными языками. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование без отдельного согласования; также требуется соблюдать политику допустимого использования Cohere Labs.

VoRA-7B-Instruct — инструктивная модель семейства VoRA, разработанная Hon-Wong и дообученная на базе Hon-Wong/VoRA-7B-Base. Это плотная авторегрессионная модель с архитектурой VoRAForCausalLM на 7,1 млрд параметров; она рассчитана на диалоговую генерацию текста и работу с изображениями и текстом. Контекстное окно составляет 32 768 токенов. Модель опубликована в формате safetensors и поддерживает интерфейс вызова инструментов. Модель подходит для диалоговых помощников, генерации ответов и сценариев, где нужно обрабатывать изображения вместе с текстовыми запросами. Карточка указывает датасет дообучения VoRA-Recap-29M, но не описывает его состав, поэтому нельзя уточнить специализацию обучения или гарантировать качество на конкретных задачах. Лицензия в предоставленных данных не указана.

Agnes-SeaLLM-8B — дообученная авторами Agnes-AI плотная авторегрессионная языковая модель семейства Qwen3 с 7,6 млрд параметров. Она предназначена для диалогов и следования инструкциям, а также для математических рассуждений и перевода с особым вниманием к языкам и культурному контексту Юго-Восточной Азии. Модель принимает текст и генерирует текст; заявлена поддержка английского, вьетнамского, индонезийского, тайского и китайского языков. Контекст — до 40 960 токенов. В README заявлены высокая эффективность при ограниченных ресурсах, сильные результаты на экзаменационных тестах и меры по снижению галлюцинаций, однако приведённые таблицы результатов опущены. Для запуска README рекомендует как минимум две GPU с 24 ГБ VRAM каждая и 64 ГБ оперативной памяти. Распространяется по лицензии Apache-2.0.

aya-23-35B-IMat-GGUF — это GGUF-квантизированная версия языковой модели Aya 23 35B, разработанной CohereForAI. Квантизацию выполнил legraphista с использованием llama.cpp и метода IMatrix; исходная модель имела формат FP16. Модель предназначена для генерации текста и мультиязычных сценариев работы с текстом. Заявлена поддержка 23 языков: английского, французского, немецкого, испанского, итальянского, португальского, японского, корейского, китайского, арабского, греческого, персидского, польского, индонезийского, чешского, иврита, хинди, нидерландского, румынского, русского, турецкого, украинского и вьетнамского. Архитектура и размер контекста в README не указаны. Доступны варианты квантования от IQ1_S до Q8_0, а также FP16; размеры файлов составляют примерно от 8,52 до 69,97 ГБ. IMatrix применяется в ряде вариантов, преимущественно для более компактных квантов. Основные преимущества — широкий языковой охват, возможность локального запуска через совместимые инструменты GGUF и выбор между различными уровнями сжатия. Более сильное квантование уменьшает требования к хранению и памяти, но может снижать точность и качество генерации; конкретные характеристики производительности в README не приведены. Модель распространяется по лицензии CC-BY-NC-4.0, допускающей использование с ограничениями, включая запрет коммерческого применения.

Darwin-28B-KR — разработанная VIDRAFT мультимодальная модель семейства Darwin с примерно 28 млрд параметров на архитектуре Qwen3_5ForConditionalGeneration с гибридным полным и линейным вниманием. Она предназначена прежде всего для общения, понимания, генерации и рассуждений на корейском языке, а также поддерживает рассуждения на английском. Модель умеет анализировать изображения и видео и формулировать ответы на корейском языке. Модель подходит для корейских вопросов и ответов, задач на рассуждение, письма, суммаризации, творческой генерации, перевода между корейским и английским, а также для анализа визуальных материалов. В README приведено сравнение с другими моделями на корейском тесте CLIcK по выборке из 200 вопросов; результат модели — 0,786. Для инференса указана поддержка Transformers и рекомендуемый запуск через vLLM; для BF16 требуется около 55 ГБ видеопамяти. Это объединение Darwin-27B-KR и Darwin-28B-Opus методом evolutionary merge, с последующей identity tuning. Модель опубликована под лицензией Apache-2.0. В метаданных указаны интерфейс чата и интерфейс вызова инструментов; задачи распознавания изображений и видео не представлены отдельными pipeline-тегами, поэтому главная задача — text-generation.

bosonai/higgs-audio-v3-stt-v2 — англоязычная модель распознавания речи Boson AI на архитектуре HiggsAudio3. Это дообученный чекпойнт bosonai/higgs-audio-understanding-v3-1.7b, в который слиты веса LoRA ранга 64 и alpha 128. Модель принимает аудио и преобразует речь в текст; карточка указывает задачу automatic-speech-recognition и формат safetensors. Модель предназначена для транскрибирования английской речи. В обучающую смесь вошли части AMI IHM, GigaSpeech, LibriSpeech, SpgiSpeech, TED-LIUM и VoxPopuli; для Earnings22 данные пропускались. В README приведены результаты оценки WER на AMI, Earnings-22 и GigaSpeech по методике Open ASR Leaderboard. Модель распространяется по лицензии Apache-2.0. Результаты зависят от записи и условий распознавания; сведения об ограничениях качества за пределами приведённых оценок в карточке не представлены.