III.5Управление персоналом и организацией

llm-jp-3.1-13b-instruct4 — языковая модель семейства LLM-jp, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотная Transformer-модель на архитектуре Llama с 13,2 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие. Контекстное окно составляет 4096 токенов; модель распространяется в формате safetensors для Transformers. Модель прошла дополнительное инструкционное предобучение, контролируемое дообучение и выравнивание методом Direct Preference Optimization. Она предназначена для выполнения инструкций, ответов на вопросы и диалога на японском и английском языках. Разработчики сообщают об оценке на японском и английском MT Bench и о проверке безопасности японских ответов. Модель находится на раннем этапе исследований и разработок, и её ответы не гарантированно соответствуют намерениям пользователя или требованиям безопасности. Для запуска README указывает PyTorch, Transformers, Tokenizers, Accelerate и Flash Attention. Лицензия — Apache-2.0.

Qwen3.8-27B-Fast60L-Voodoo-GGUF — это созданная Valexiem модификация Qwen 3.8 27B: гибридная модель с gated DeltaNet и слоями полного внимания, сокращённая до 60 слоёв, с обрезанным словарём и динамической поканальной квантизацией. Основной вариант содержит 24,163 млрд параметров и занимает 5,59 GiB; модель распространяется в формате GGUF и рассчитана на локальный запуск и диалоговое применение. Лицензия — Apache-2.0. Модель предназначена для диалога и поиска по контексту. Автор сообщает о скорости около 51 токена в секунду на RTX 4070 с 12 ГБ видеопамяти при тесте на малой глубине контекста. Обрезка словаря удаляет 118 300 неиспользуемых мультиязычных токенов; карточка заявляет, что этот этап не меняет жадную генерацию относительно соответствующего не обрезанного варианта. Метаданные указывают английский язык. Существенное ограничение — модель не подходит для синтеза кода: в приведённой оценке исполняемого кода она набрала 2 из 4 против 4 из 4 у базового варианта. Возможны циклы повторов при кратких инструкциях, а скорость генерации заметно падает при длинном контексте: примерно до 21,5 токена в секунду на 128k и 9,3 на 256k. Приведённые скорости относятся к конкретной конфигурации оборудования и теста.

Yamatazen/Shisa-v2-Mistral-Nemo-12B-Abliterated — объединённая методом TIES модель на базе shisa-ai/shisa-v2-mistral-nemo-12b с компонентом natong19/Mistral-Nemo-Instruct-2407-abliterated. Это плотная авторегрессионная языковая модель архитектуры MistralForCausalLM с 12,1 млрд параметров и контекстом до 131 072 токенов. Она предназначена для диалогов и генерации текста на английском и японском языках; в метаданных также отмечен интерфейс для вызова инструментов. Модель распространяется в формате Safetensors и рассчитана на использование через Transformers. Ослабленные направления отказа могут означать меньшую склонность к отказам, однако карточка не приводит отдельной оценки безопасности или качества. Лицензия в предоставленных данных не указана.

SnorkelWestBeagle-DARETIES-7B — объединённая чат-модель на архитектуре Mistral, созданная с помощью LazyMergekit из Snorkel-Mistral-PairRM-DPO, WestLake-7B-v2 и NeuralBeagle14-7B; в конфигурации также указана Mistral-7B-v0.1 как базовая модель. Модель содержит 7,1 млрд параметров, принимает текст и предназначена для генерации ответов и рассуждений. Заявленная длина контекста — 32 768 токенов. Модель объединяет несколько чекпойнтов методом DARE-TIES с маской int8; веса сохранены в формате safetensors. В README приведены результаты Open LLM Leaderboard, включая оценки ARC и HellaSwag. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает специализацию по языкам или прикладным областям.

Apertus-SEA-LION-v4-8B-IT — многоязычная диалоговая языковая модель AI Singapore, разработанная при финансировании Национального исследовательского фонда Сингапура. Это плотная decoder-модель семейства Apertus с 10,3 млрд параметров по метаданным Hugging Face; в README она описана как модель на 8 млрд параметров. Модель дообучена на Apertus-8B-Instruct-2509 на примерно 6,4 млн пар инструкций и текстов, включая примеры для вызова инструментов. Использует токенизатор базовой модели и поддерживает контекст до 65 536 токенов. Модель предназначена для диалога и генерации текста с адаптацией к языкам и культурному контексту Юго-Восточной Азии. Она ориентирована на индонезийский, вьетнамский, тайский, филиппинский, тамильский, бирманский и малайский языки, а также обучалась на английском. Подходит для ответов на вопросы, многоходового чата, следования инструкциям, перевода, суммаризации и анализа тональности; карточка также сообщает о включении обучающих примеров для вызова инструментов. Модель распространяется по лицензии MIT. В README отмечены возможные галлюцинации и нерелевантные или непоследовательные ответы; устойчивость к состязательным запросам не проверялась, а отдельное выравнивание безопасности не проводилось.

BLOOMZ-1b7 — многоязычная авторегрессионная языковая модель семейства BLOOM, разработанная BigScience и дообученная следовать инструкциям на примерах из смеси задач xP3. Она предназначена для выполнения заданий, сформулированных на естественном языке, в режиме zero-shot: например, для перевода, ответов на вопросы, классификации тональности и создания коротких историй. Модель содержит около 1,7 млрд параметров, использует архитектуру BloomForCausalLM и принимает текстовые запросы; максимальный контекст — 4096 токенов. Модель обучалась на многоязычных данных и поддерживает широкий набор языков, включая английский, французский, испанский, китайский, хинди, арабский и другие. Результат зависит от формулировки запроса: полезно явно обозначать границу входа и желаемый язык ответа, а недостаточный контекст или неоднозначный промпт могут привести к продолжению исходного текста вместо ответа. Модель может ошибаться и не гарантирует качество на всех языках и задачах. Лицензия — BigScience BLOOM RAIL 1.0.

Chocolatine-2-4B-Instruct-DPO-v2.1 — плотная языковая модель на архитектуре Qwen3, разработанная Jonathan Pacifico и дообученная на базе Qwen/Qwen3-4B-Instruct-2507. В модели 3,7 млрд параметров; она принимает текст и генерирует текст, поддерживает контекст до 262 144 токенов и работает в режиме без явных цепочек рассуждений. Веса представлены в формате safetensors, библиотека для работы — Transformers. Модель предназначена для диалогов, следования инструкциям и решения задач на французском языке при сохранении возможностей на английском и других языках. В постобучении использованы DPO на французских предпочтениях и слияние моделей методом TIES; автор сообщает об улучшениях на протестированных французских бенчмарках и стабильных результатах на английских. Подходит для локального запуска; доступны отдельные квантованные варианты GGUF и MLX. В README указано, что у модели нет встроенного механизма модерации. Она не формирует явные трассы рассуждений. Лицензия — Apache-2.0.

EM German Mistral v01 — дообученная модель семейства EM German, разработанная jphme на архитектуре Mistral. Она обучена на большом наборе инструкций на немецком языке и предназначена для понимания запросов, генерации текста и диалогового взаимодействия на немецком. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель подходит для немецкоязычных диалоговых помощников, генерации текстов и ответов на вопросы, в том числе по RAG-шаблону. README указывает формат prompt Vicuna. Веса опубликованы в safetensors для Transformers; лицензия — Apache-2.0. Автор рекомендует обновлять библиотеки при проблемах с поддержкой архитектуры Mistral и отмечает, что результаты могут различаться между версиями и сценариями использования.

LFM2.5-350M-Extract-ML-LoRA — языковая модель Андреа Джемелли, дообученная на базе LiquidAI/LFM2.5-350M для извлечения сведений из документов и их классификации. Модель принимает текст страницы и выданную пользователем JSON-схему, возвращает значения, скопированные из текста, либо выбирает один из двенадцати классов документа. Поддерживает итальянский, немецкий, испанский, французский, португальский, китайский, японский и английский языки. Это плотная авторегрессионная модель семейства LFM2 с архитектурой Lfm2ForCausalLM; в репозитории около 444,6 млн параметров, формат весов — safetensors, контекст — до 128 000 токенов. LoRA-адаптер уже объединён с весами, поэтому модель можно загружать как обычную causal LM без PEFT. В оценке автора на наборе xfund-docai-xl средний F1 составил 0,7504, а 3 из 785 ответов не прошли разбор как JSON. Модель рассчитана на офлайн-анализ одностраничных документов, когда текст уже получен из PDF или OCR. Она не принимает изображения и сама не выполняет OCR; качество зависит от точности заданной схемы и исходного текста. Возможны неверное сопоставление полей и невалидный JSON; английский и португальский показали более слабые результаты, а часть классификационной оценки для английского основана на синтетических страницах. Лицензия — CC BY-NC-SA 4.0, допускающая использование на условиях лицензии с ограничением коммерческого применения.

Open-Assistant Llama2 70B SFT OASST — языковая модель, разработанная Open-Assistant и дообученная на базе Llama 2 70B на смеси диалогов OASST с оценкой top-1. Это плотный авторегрессионный трансформер-декодер, предназначенный для генерации ответов в диалоговом формате. Для разграничения реплик используются специальные токены начала пользовательского и ассистентского хода и окончания хода. Модель подходит для чат-ботов, ответов на вопросы и генерации текста на английском, немецком, испанском и французском языках; README также отмечает ограниченные возможности на итальянском, португальском, польском, нидерландском, румынском, чешском и шведском. Число параметров составляет 68,7 млрд, контекст — 4096 токенов. Веса представлены в формате PyTorch, лицензия — Apache 2.0. Качество и полнота ответов на языках за пределами основных четырёх могут быть ограничены; контекст ограничен 4096 токенами. Модель предназначена для генерации текста по диалоговым примерам, а не для специализированных задач вроде распознавания изображений или аудио.

TheTravellingEngineer выпустил диалоговую модель на архитектуре Llama 2 с 6,6 млрд параметров. Она получена дообучением методом SFT базовой модели meta-llama/Llama-2-7b-chat-hf на датасете OpenAssistant Guanaco; репозиторий содержит объединённые веса fp16. Модель предназначена для генерации ответов в диалоге и выполнения текстовых инструкций в сценариях чат-ботов и помощников. Карточка указывает английский язык и контекстное окно 4096 токенов. Использование регулируется ограничениями исходной лицензии Llama 2; гарантий качества нет.

MOSS-Audio-8B-Instruct — открытая мультимодальная модель понимания аудио от MOSI.AI, команды OpenMOSS и Shanghai Innovation Institute. Вариант Instruct предназначен для выполнения инструкций по аудиозаписям: модель принимает аудио и формирует текстовые ответы о его содержании. Модель объединяет аудиоэнкодер MOSS-Audio-Encoder, адаптер модальности и языковую модель Qwen3-8B; общий размер составляет около 8,6 млрд параметров. Архитектура использует временные маркеры и признаки аудио с нескольких слоёв энкодера. Поддерживаются задачи распознавания речи с временными метками, анализа говорящих и эмоций, описания звуковых событий и сцен, понимания музыки, ответов на вопросы и суммаризации аудио. Карточка указывает английский и китайский языки. Модель ориентирована на разбор реальных аудиозаписей и вопросов с учётом временного контекста. Репозиторий распространяет веса в формате safetensors по лицензии Apache-2.0. Контекстное окно и количественные результаты именно этого варианта в предоставленных данных не указаны.

Карточка модели OpenMOSS-Team/MOSS-Audio-8B-Thinking на Hugging Face совпадает с карточкой OpenMOSS-Team/MOSS-Audio-4B-Instruct, поэтому описание составлено по ней. MOSS-Audio-4B-Instruct — открытая модель для понимания аудио, разработанная MOSI.AI, командой OpenMOSS и Shanghai Innovation Institute. Это вариант Instruct с аудиоэнкодером MOSS-Audio-Encoder и языковой основой Qwen3-4B; общий размер составляет около 4,6 млрд параметров. Аудио преобразуется в временные представления с частотой 12,5 Гц, которые объединяются с представлениями языковой модели для генерации текста. Модель принимает аудио и выполняет инструкции на его основе. Модель предназначена для распознавания речи с временными метками, ответов на вопросы и составления резюме по аудио, анализа говорящих, эмоций и звуковых событий, описания окружающей обстановки и понимания музыки. Архитектура с передачей признаков между слоями энкодера и временными маркерами поддерживает анализ акустических деталей и последовательности событий. В карточке семейства заявлена поддержка английского и китайского языков; результаты оценки относятся к семейству моделей и не гарантируют такое же качество именно для варианта 4B. Модель распространяется по лицензии Apache-2.0. Карточка описывает возможности семейства, но не приводит отдельные результаты оценки, требования к ресурсам или конкретные ограничения варианта 4B-Instruct.

OpenASR/moss-transcribe-diarize — модель MOSS-Transcribe-Diarize, разработанная командой OpenMOSS-Team и адаптированная OpenASR для локального запуска. Она объединяет автоматическое распознавание речи и диаризацию говорящих в одном проходе: формирует расшифровку, определяет говорящих и указывает временные интервалы их реплик. Модель предназначена для обработки аудиозаписей встреч, интервью, разговоров и других многоголосых сценариев, где важно понимать, кто и когда говорил. Модель содержит около 0,9 млрд параметров. Её архитектура сочетает аудиоэнкодер масштаба Whisper Medium, адаптер на базе MLP и LayerNorm и декодер масштаба Qwen3-0.6B. Основной фокус — китайский и английский языки; также заявлена поддержка ещё более 15 языков. Контекстное окно в README не указано. Для OpenASR доступны варианты fp16, q8_0 и q4_k в формате .oasr, позволяющие выбирать между качеством, размером и требованиями к памяти. Заявлены показатели 2,52% CER для китайского и 2,23% WER для английского на фиксированных оценочных наборах OpenASR. К сильным сторонам относятся совместная транскрипция и диаризация без отдельного конвейера, локальная работа на CPU и GPU без Python во время инференса и несколько уровней квантования. Ограничения включают отсутствие подробных данных о качестве на других языках и неуказанный контекст; приведённые метрики не следует автоматически распространять на любые аудиозаписи. Распространение выполняется по лицензии Apache-2.0, унаследованной от исходной модели; OpenASR выполняет конвертацию формата, квантование и адаптацию для локального инференса.

OCC-RAG-1.7B — компактная языковая модель компании OCC AI с 1,7 млрд параметров, основанная на архитектуре Qwen3 и дообученная на синтетических примерах вопросов и ответов с опорой на источники. Она принимает вопрос и набор текстовых источников, анализирует их релевантность и формирует ответ со ссылками на источники и структурированным ходом рассуждения. Модель предназначена для контекстно-обоснованных ответов, многошагового поиска фактов по нескольким документам и отказа от ответа, если источники не содержат достаточных сведений. В карточке заявлены результаты на уровне или выше некоторых более крупных моделей по точности привязки к источникам и отказам; оценка охватывала цепочки рассуждений до трёх шагов. Поддерживает английский и русский языки, имеет контекст до 32 768 токенов и рассчитана на запуск через Transformers-совместимые стеки, в том числе на ограниченных ресурсах. Модель не предназначена для общения или ответов на основе общих знаний без предоставленных источников; цепочки длиннее трёх шагов выходят за пределы описанного обучения и оценки. Распространяется по лицензии MIT.

BRAG-Qwen2-1.5b-v0.1 — компактная языковая модель серии BRAG, разработанная Pratik Bhavasar и Ravi Theja на базе архитектуры Qwen2 и дообученная для генерации ответов с использованием найденного контекста (RAG). Модель предназначена для работы с текстом и таблицами, а также для диалоговых сценариев RAG: она отвечает на вопросы по переданному контексту и должна сообщать, если ответа в нём нет. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 131 072 токенов по метаданным. В README указана поддержка до 32 тыс. токенов и отмечено, что модель обучалась и оценивалась на английском языке, хотя базовая модель обладает многоязычными возможностями. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Модель рассчитана на короткие контексты и может хуже работать с длинными, несмотря на указанное в метаданных окно контекста. README предупреждает о возможных галлюцинациях и рекомендует использовать заданный авторами системный промпт. Метаданные не указывают результаты этой версии в приведённой таблице сравнения.

Dulia 13B 8K Alpha — чатовая языковая модель семейства Llama, разработанная duliadotio и дообученная на базе Llama 2 с использованием наборов Dolphin и Orca Chat, а также OpenAssistant SFT Trainer. Модель содержит 12,9 млрд параметров и построена на архитектуре LlamaForCausalLM; для контекста до 8192 токенов применено линейное масштабирование RoPE. Модель предназначена для генерации текста и ведения многоходовых диалогов на английском языке. Она подходит для чат-ботов и ответов на пользовательские запросы; обучена с шаблоном диалогов OpenAssistant. Репозиторий предоставляет веса в форматах PyTorch и safetensors для Transformers. Модель распространяется по лицензии Llama 2. В README отмечены риски неточных, предвзятых и нежелательных ответов; оценка проводилась на английском языке и не охватывает все сценарии, поэтому перед внедрением требуется проверка и настройка безопасности под конкретное применение.

EXAONE-3.5-32B-Instruct-GGUF — это набор GGUF-квантизованных версий языковой модели EXAONE-3.5-32B-Instruct, разработанной LGAI-EXAONE. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и работы в диалоговом режиме, включая запуск через LM Studio и другие совместимые инструменты. Модель содержит 32 миллиарда параметров и поддерживает английский и корейский языки. В репозитории доступны варианты от полноразмерного F16 весом около 64 ГБ до квантизаций Q3, Q4, Q5, Q6, Q8 и IQ различных размеров. Более качественные варианты требуют больше оперативной или видеопамяти, тогда как Q3 и некоторые IQ-варианты рассчитаны на системы с ограниченными ресурсами. Для взаимодействия используется специальный шаблон prompt с ролями system, user и assistant. Сильной стороной репозитория является широкий выбор квантизаций, позволяющий подобрать баланс между качеством, размером и производительностью; варианты Q5 и Q6 отмечены как высококачественные, а Q4_K_M рекомендован как типичный компромисс. Ограничения включают отсутствие информации о размере контекста, архитектуре базовой модели, мультимодальности, результатах тестирования и системных требованиях. Лицензия указана как proprietary/other с названием exaone; перед использованием необходимо ознакомиться с условиями, приведёнными в файле LICENSE.

Llama 3.1 Swallow Gen 8B v0.1 — языковая модель, полученная слиянием моделей Tokyo Institute of Technology и BAAI с помощью Mergekit. Она объединяет Llama-3.1-Swallow-8B-Instruct-v0.1 и Infinity-Instruct-7M-Gen-Llama3_1-8B методом dare_ties; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, формат весов — safetensors, библиотека — Transformers. Модель предназначена для генерации текста и диалогов на японском и английском языках, включая выполнение текстовых инструкций. Контекст составляет до 8192 токенов. Лицензия в предоставленных данных не указана.

unsloth/Llama-4-Scout-17B-16E-Instruct-GGUF — GGUF-версия инструкционно дообученной модели Meta Llama 4 Scout 17B 16E-Instruct, подготовленная Uns​​loth. Модель предназначена для диалоговых приложений и выполнения инструкций, однако конкретные сценарии использования и результаты тестирования в предоставленных данных не описаны. В README указана поддержка арабского, немецкого, английского, испанского, французского, хинди, индонезийского, итальянского, португальского, тайского, тагальского и вьетнамского языков. Из идентификатора следует конфигурация 17B 16E, но архитектура, размер контекста, точные параметры квантования, поддерживаемые модальности и требования к ресурсам не указаны. Поэтому сильные стороны можно уверенно связать только с инструкционной настройкой и многоязычностью; ограничения производительности и качества требуют самостоятельной оценки. Использование регулируется Llama 4 Community License Agreement от Meta. Лицензия предоставляет ограниченные безвозмездные права на использование, воспроизведение, распространение и модификацию при соблюдении условий, включая передачу текста лицензии, указание «Built with Llama», сохранение атрибуции и соблюдение Acceptable Use Policy. Для продуктов или сервисов с более чем 700 миллионами ежемесячных активных пользователей предусмотрено отдельное лицензирование Meta.

Joemgu/mlong-t5-large-sumstew — многоязычная модель для абстрактивного суммирования длинных документов и генерации заголовков, созданная на базе архитектуры LongT5 и дообученная разработчиком на наборе данных Joemgu/sumstew. Она принимает текст с инструкцией «Summarize:» для получения краткого содержания или «Write a title and summarize:» для генерации заголовка и краткого содержания. Модель содержит около 614,9 млн параметров; в метаданных указан контекст 4096 токенов, а в README заявлена обработка входов до 16 тысяч токенов. Поддерживаемые языки — английский, немецкий, французский, итальянский и испанский. Репозиторий использует Transformers и содержит веса в форматах PyTorch и Safetensors. Лицензия — Apache-2.0. Модель предназначена для подготовки кратких изложений и заголовков к длинным текстам. Ограничение по длине входа зависит от источника: README заявляет до 16 тысяч токенов, тогда как метаданные указывают контекст 4096 токенов; фактическое качество за пределами этого значения следует проверять на целевых документах.

Карточка модели OpenMOSS-Team/MOSS-Audio-4B-Thinking на Hugging Face совпадает с карточкой OpenMOSS-Team/MOSS-Audio-4B-Instruct, поэтому описание составлено по ней. MOSS-Audio-4B-Instruct — открытая модель для понимания аудио, разработанная MOSI.AI, командой OpenMOSS и Shanghai Innovation Institute. Это вариант Instruct с аудиоэнкодером MOSS-Audio-Encoder и языковой основой Qwen3-4B; общий размер составляет около 4,6 млрд параметров. Аудио преобразуется в временные представления с частотой 12,5 Гц, которые объединяются с представлениями языковой модели для генерации текста. Модель принимает аудио и выполняет инструкции на его основе. Модель предназначена для распознавания речи с временными метками, ответов на вопросы и составления резюме по аудио, анализа говорящих, эмоций и звуковых событий, описания окружающей обстановки и понимания музыки. Архитектура с передачей признаков между слоями энкодера и временными маркерами поддерживает анализ акустических деталей и последовательности событий. В карточке семейства заявлена поддержка английского и китайского языков; результаты оценки относятся к семейству моделей и не гарантируют такое же качество именно для варианта 4B. Модель распространяется по лицензии Apache-2.0. Карточка описывает возможности семейства, но не приводит отдельные результаты оценки, требования к ресурсам или конкретные ограничения варианта 4B-Instruct.

SauerkrautLM-gemma-2-2b-it — чат-модель VAGO solutions, дообученная на основе google/gemma-2-2b-it методом Spectrum Fine-Tuning. При дообучении затрагивали 25% слоёв и использовали немецко-английскую смесь данных Sauerkraut Mix v2. Модель предназначена для диалогов и выполнения инструкций, включая рассуждения на здравый смысл и решение задач. Разработчик сообщает об улучшении этих навыков и многоязычности; основной упор сделан на немецкий и английский, хотя в карточке также отмечено улучшение результатов на ряде других языков. Модель имеет архитектуру Gemma 2 с 2,7 млрд параметров, принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов. Файлы представлены в формате safetensors. Модель распространяется по лицензии gemma. Разработчик предупреждает, что очищенные данные не исключают появления неподходящего контента, а поведение модели не гарантируется как стабильно уместное.

Whisper small.en — англоязычная модель распознавания речи от OpenAI, представленная в семействе Whisper. Это Transformer-модель типа encoder-decoder с архитектурой sequence-to-sequence и 153,1 млн параметров. Она принимает аудио и преобразует английскую речь в текст; для длинных записей транскрибирование можно выполнять с разбиением аудио на фрагменты, а при соответствующей настройке получать временные метки. Модель обучена на размеченных аудиоданных в рамках семейства Whisper и рассчитана на распознавание английской речи, в том числе в условиях акцентов, фонового шума и специальной лексики. Репозиторий предоставляет веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия — Apache-2.0. Транскрипции могут содержать слова, которых нет в аудио; возможны повторения и ошибки распознавания. Качество зависит от акустических условий и разновидности английского; эта англоязычная версия не предназначена для многоязычного распознавания или перевода речи.

Amadeus-Verbo-MI-Qwen-2.5-32B-PT-BR-Instruct-Experimental — диалоговая языковая модель на архитектуре Qwen2.5, созданная AmadeusAI слиянием SLERP моделей Qwen/Qwen2.5-32B-Instruct и AmadeusAI AV-BI-Qwen2.5-32B-PT-BR-Instruct. Она предназначена для генерации текста и диалогов на бразильском португальском языке; доступна для запуска через Transformers и поддерживает интерфейс вызова инструментов. Модель содержит 32 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель подходит для чат-ботов, ответов на вопросы и генерации текста на португальском языке. В метаданных указана лицензия Apache-2.0. Карточка не приводит результатов оценивания качества или подробностей о проверке поведения после слияния.

DictaLM-3.0-1.7B-Instruct — инструкционная языковая модель из семейства Dicta-LM 3.0, разработанного Dicta. Модель содержит 1,7 млрд параметров, построена на архитектуре Qwen3 и первоначально инициализирована из Qwen3-1.7B-Base. Она обучена на больших корпусах текстов на иврите и английском; поддерживает контекст до 62 080 токенов и рассчитана на диалоговое использование по шаблону чата. Модель предназначена для генерации ответов на инструкции и ведения диалога на иврите и английском. Её можно развернуть через vLLM или Transformers; заявлена поддержка вызова инструментов для интеграции с внешними API. Это полноточная версия BF16 в формате safetensors, доступная для скачивания и свободного использования. Лицензия — Apache-2.0. Размер 1,7 млрд параметров позволяет использовать её как компактную модель, однако качество и возможности могут быть ниже, чем у более крупных моделей. Для корректной работы с инструкциями требуется применять заданный шаблон чата. README не приводит количественных оценок качества и подробностей об обучающих данных.

Jais Adapted 13B Chat — двуязычная диалоговая большая языковая модель семейства Jais, разработанная Inception AI. Это адаптированная версия Llama 2, дообученная для общения на арабском и английском языках; модель содержит 13 млрд параметров и распространяется в формате Safetensors. Модель предназначена для чат-ассистентов и генерации текста, а также может применяться для суммаризации арабских и англоязычных документов, анализа тональности и задач понимания языка. Она ориентирована прежде всего на арабоязычных пользователей и двуязычные сценарии. Для загрузки требуется включить trust_remote_code=True. Модель оптимизирована для арабского языка и также обладает сильными возможностями на английском. Ответы могут быть ошибочными, предвзятыми, вводящими в заблуждение или оскорбительными; модель не следует использовать для решений с высокими ставками без контроля человека или полагаться на неё в других языках. Лицензия — Apache 2.0.

Sakalti/light-1.1-3B — дообученная Sakalti модель для генерации текста и диалога, разработанная Sakalti на базе Sakalti/light-3B. Она построена на плотной архитектуре Qwen2 и содержит 3,1 млрд параметров. Модель рассчитана на текстовый ввод и генерацию текста; в метаданных также отмечен интерфейс вызова инструментов. Карточка сообщает, что модель обучалась с использованием Unsloth и библиотеки TRL. Метаданные указывают контекст до 131 072 токенов и поддержку английского и японского языков. Указана лицензия qwen-research; условия её применения следует сверять с лицензией репозитория и базовой модели.

Модель promotion/Llama-3.1-8B-TLDR-NBPO-eta0.05 — диалоговая языковая модель на архитектуре Llama, дообученная методом Nash Bargaining Preference Optimization (NBPO) на задаче TL;DR. Она основана на meta-llama/Llama-3.1-8B-Instruct и предназначена для генерации кратких резюме с учётом полноты, точности, лаконичности и полезности. В обучении использовались 300 обновлений оптимизатора и глобальный размер пакета 16; модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. В карточке описана оценка независимых показателей предпочтения относительно общей базовой политики на отложенных промптах; качество оценивал Llama-3.3-70B-Instruct. Модель распространяется в формате safetensors по лицензии Llama 3.1. Данные карточки не указывают языковой охват или ограничения на применение сверх условий этой лицензии.

dddsaty выпустил Merge_Sakura_Solar — разговорную модель генерации текста на архитектуре Llama с 10,6 млрд параметров. Она объединяет Sakura-SOLAR-Instruct, Sakura-SOLRCA-Instruct-DPO и Sakura-SOLRCA-Math-Instruct-DPO-v2 с помощью mergekit и метода dare_ties. Модель предназначена для диалогов, ответов на вопросы и решения математических задач. В карточке приведены результаты тестов ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K; средний балл указан как 74,03. Поддерживает контекст до 4096 токенов и работает с текстом на английском языке. Модель распространяется в формате safetensors по лицензии CC BY-NC-SA 4.0. По условиям лицензии производные материалы должны распространяться на тех же условиях, требуется указание авторства, а коммерческое использование запрещено.