III.5Управление персоналом и организацией

Whisper tiny.en — компактная модель распознавания речи на английском языке, разработанная OpenAI. Это предварительно обученный Transformer encoder-decoder с архитектурой sequence-to-sequence и примерно 29,4 млн параметров; модель принимает аудио и выдаёт текстовую расшифровку. Она обучена на больших объёмах размеченной речи и предназначена для транскрибации английского аудио, в том числе записей с акцентами, фоновым шумом и специализированной лексикой. Для аудио длиннее примерно 30 секунд можно применять разбиение на фрагменты средствами Transformers. Модель может быть полезна для расшифровки записей, интервью, лекций и голосовых сообщений. Она способна ошибаться и иногда генерировать слова, которых нет в аудио; точность зависит от качества записи, акцента и предметной области. Лицензия — Apache 2.0.

inception42/jais-family-6p7b-chat — диалоговая версия двуязычной большой языковой модели Jais, созданной Inception Institute of Artificial Intelligence. Это дообученная для следования инструкциям модель с авторегрессионной decoder архитектурой; репозиторий содержит веса Safetensors, а для загрузки требуется пользовательский класс модели с параметром trust_remote_code=True. Размер модели по идентификатору — 6,7 млрд параметров. Модель предназначена для диалога и генерации текста на арабском и английском языках. Её можно использовать для создания чат-ассистентов, ответов на вопросы, суммаризации двуязычных документов и анализа тональности; также она подходит для дальнейшей адаптации под конкретные задачи. Модель оптимизирована для арабского языка и обладает сильными возможностями на английском. Она может выдавать неверные, вводящие в заблуждение или предвзятые ответы; качество на других языках и диалектах не гарантируется. Не следует полагаться на неё при принятии важных медицинских, юридических, финансовых или связанных с безопасностью решений без контроля человека. Лицензия — Apache 2.0.

JEB-4B — дообученная szybkie.ai модель принятия решений на базе плотной Qwen3.5-4B, предназначенная для классификации и выдачи вероятностей по заданным вариантам ответа. Вместо генерации текста она за один проход оценивает типизированные вопросы о состоянии или тексте: даёт ответ «да/нет», выбирает вариант или выставляет оценку по шкале. Несколько вопросов к одному состоянию обрабатываются параллельно с общим префиксом. Модель дообучена с целевой функцией для принятия решений: ограниченный softmax по токенам ответов обучался на мягких метках, полученных от учителя с 176 млрд параметров. Это помогает выдавать более калиброванные вероятности; в карточке приведены результаты на тестах классификации AG News, SST-2 и TREC. Модель принимает текст и выдаёт распределение вероятностей по предложенным вариантам. Заявленные языки — английский и польский; базовая Qwen3.5 также обладает мультимодальными возможностями, но README описывает сценарии JEB-4B как текстовые. Модель подходит для классификации, маршрутизации запросов и извлечения типизированных суждений в программных системах. Калибровка проверена на ограниченном наборе оценивания и может ухудшиться на других данных; перед использованием нужны проверка на целевом распределении и настройка порогов. Модель не предназначена для медицинских, юридических, финансовых или критичных для безопасности решений без независимой проверки и участия человека. Весы выпущены под Apache-2.0; код JEB — под MIT.

Shuttle-2.5-mini — языковая модель компании ShuttleAI Inc., созданная дообучением Mistral-Nemo-Base-2407. Модель построена на плотной архитектуре Mistral с 12,1 млрд параметров по метаданным; в README указано 13 млрд. Она предназначена для сложного диалога, многоязычного общения, рассуждений, ролевых сценариев и агентных задач. Поддерживает чат и использует формат запросов ChatML. Модель доступна в формате Safetensors и распространяется по лицензии Apache 2.0. README указывает контекстное окно базовой модели 128 тысяч токенов, тогда как метаданные каталога приводят 1 024 000 токенов нативного контекста; это расхождение требует проверки перед использованием длинного контекста. Shuttle-2.5-mini обозначена как бета-версия; заявленные многоязычные и агентные возможности описаны без подробных результатов оценки.

Карточка модели tokyotech-llm/Swallow-70b-instruct-v0.1 на Hugging Face совпадает с карточкой tokyotech-llm/Swallow-7b-instruct-v0.1, поэтому описание составлено по ней. Swallow-7b-instruct-v0.1 — диалоговая языковая модель TokyoTech-LLM на архитектуре Llama 2 с 6,7 млрд параметров. Она прошла дополнительное предварительное обучение преимущественно на японских текстах, а версия instruct — supervised fine-tuning для следования инструкциям. Токенизатор с расширенным японским словарём эффективнее представляет японский текст. Модель принимает текст и генерирует текст; заявленный контекст — 4096 токенов. Модель предназначена для диалогов и выполнения текстовых инструкций на японском и английском языках: написания текстов, ролевых диалогов, ответов на вопросы, рассуждений и извлечения информации. В README опубликованы оценки на японском MT-Bench и сравнение с другими моделями, однако они не гарантируют качества для каждого сценария. Выпуск v0.1 обозначен как предварительная версия; разработчики предупреждают, что модель ещё не настроена на соответствие человеческим намерениям и требованиям безопасности. Лицензия — Llama 2 Community License (llama2).

Amadeus-Verbo-MI-Qwen-2.5-14B-PT-BR-Instruct-Experimental — объединённая SLERP-модель семейства Qwen2.5, созданная Amadeus AI на основе Qwen/Qwen2.5-14B-Instruct и AmadeusAI/AV-BI-Qwen2.5-14B-PT-BR-Instruct. Это плотная авторегрессионная языковая модель с 14 млрд параметров для диалогов и генерации текста; поддерживает интерфейс вызова инструментов. Модель принимает текстовые запросы и выдаёт текстовые ответы, рассчитана прежде всего на португальский язык Бразилии. Контекст составляет 32 768 токенов, для запуска README рекомендует актуальную версию Transformers. Модель подходит для чат-ботов, ответов на вопросы, написания и преобразования текста на португальском языке. Заявленные данные не описывают специальные предметные области или результаты сравнительных оценок качества. Распространяется по лицензии Apache-2.0.

Breexe-8x7B-Instruct-v0_1 — диалоговая языковая модель MediaTek Research, дообученная для выполнения пользовательских инструкций на основе Breexe-8x7B-Base, который расширяет Mixtral-8x7B. Модель предназначена прежде всего для традиционного китайского языка, также поддерживает английский. Она подходит для ответов на вопросы, многошагового диалога, суммаризации и работы с RAG-сценариями. Метаданные указывают архитектуру Mixtral с разреженной смесью экспертов (MoE), 7,2 млрд параметров и контекст до 32 768 токенов; в README также приведено значение 8 тыс. токенов, поэтому фактическую длину контекста следует проверять для конкретной конфигурации. Расширенный словарь токенизатора, по данным разработчика, ускоряет обработку традиционного китайского языка относительно Mixtral-8x7B. README сообщает о результатах на бенчмарках китайского и английского языков на уровне GPT-3.5-turbo-1106, но не приводит здесь подробностей измерений. Модель выпущена в версии 0.1 и распространяется по лицензии Apache-2.0. Она не предназначена для обработки изображений или аудио; разработчик также отмечает, что в диалоговом режиме нет специальной обработки вредоносных запросов.

Higgs Audio v3 STT — модель распознавания речи в текст от автора репозитория erik-at-boson. Она объединяет энкодер Whisper-Large-v3 с дообученными в версии v2 слоями внимания и декодер Qwen3-1.7B; всего в модели 2,68 млрд параметров. Модель принимает монофонические WAV-аудиозаписи с частотой 16 кГц и предназначена для транскрибации речи. Для повышения точности поддерживается режим Thinking. Карточка описывает обновлённые веса и обновлённый набор данных для дообучения, включающий публичные обучающие части AMI, VoxPopuli, SPGISpeech, LibriSpeech, TED-LIUM, GigaSpeech и Earnings22. В репозитории также приведён скрипт транскрибации с детерминированным подавлением повторов слов и фраз. Для загрузки требуется включить trust_remote_code=True и установить библиотеку boson_multimodal для предварительной обработки аудио. Модель распространяется по лицензии Apache-2.0.

Jais Family 13B Chat — диалоговая языковая модель семейства Jais, разработанного Inception Institute of Artificial Intelligence. Это дообученная для общения версия базовой модели inceptionai/jais-family-13b с плотной архитектурой JAISLMHeadModel и примерно 13 млрд параметров. Модель принимает текст и генерирует ответы в чате; она рассчитана прежде всего на арабский и английский языки. Размер контекста — 2048 токенов. Модель подходит для создания арабоязычных и двуязычных чат-ассистентов, ответов на вопросы, суммаризации арабских и английских документов, а также задач понимания текста, таких как классификация тональности. Для загрузки требуется пользовательский класс модели с параметром trust_remote_code=True. Лицензия — Apache 2.0. Ответы могут быть ошибочными, предвзятыми, вводящими в заблуждение или оскорбительными; результаты требуют проверки, особенно в важных решениях. Модель оптимизирована для арабского и английского, поэтому её не следует считать одинаково компетентной в других языках или диалектах.

inception42/jais-family-30b-16k — двуязычная большая языковая модель семейства Jais от Inception Institute of Artificial Intelligence. Это модель с авторегрессивной архитектурой causal decoder, предварительно обученная с нуля; семейство включает варианты разных размеров, а данный репозиторий относится к варианту на 30 млрд параметров. Модель предназначена для генерации текста на арабском и английском языках и может использоваться для диалоговых ассистентов, анализа тональности, суммаризации двуязычных документов и задач обработки естественного языка. Jais оптимизирована для арабского языка и обладает сильными возможностями в английском. Семейство обучалось на арабских, английских и программных данных; карточка описывает варианты с контекстом 16K в названии репозитория. Модель распространяется по лицензии Apache 2.0. Возможны фактические ошибки, смещения и некорректные или оскорбительные ответы; она не предназначена для решений с высокими ставками без человеческого контроля и не должна считаться одинаково компетентной в других языках и диалектах.

Kanana-2-3B-Instruct — компактная языковая модель Kakao, предназначенная для диалогов и выполнения инструкций. Она основана на плотной архитектуре Qwen3 с 2,9 млрд параметров и создана на базе kakaocorp/kanana-2-3b-base. Модель прошла дообучение с учителем и обучение с подкреплением; поддерживает контекст до 32 768 токенов. Модель подходит для чат-ботов, ответов на вопросы, рассуждений и других текстовых задач. Kakao отмечает улучшенную эффективность токенизации корейского языка по сравнению с предыдущим поколением Kanana. Модель также предназначена для сценариев вызова инструментов, хотя фактическое качество зависит от задачи и способа развертывания. Для запуска в README рекомендованы Transformers версии 4.57.0 или новее; приведены варианты развертывания через vLLM и SGLang. Лицензия указана как other, поэтому конкретные условия использования следует уточнить в карточке модели. В README указано, что пользовательские данные Kakao не использовались при обучении.

Lapa-12B-pt — мультимодальная модель семейства Gemma 3, дообученная украинскими исследователями из Украинского католического университета, AGH University of Krakow, КПИ имени Игоря Сикорского и Львовской политехники. Она предназначена прежде всего для работы с украинским языком и принимает текст и изображения, выдавая текстовые ответы. Модель содержит 12 млрд параметров и использует архитектуру Gemma3ForConditionalGeneration. По описанию авторов, токенизатор адаптирован для украинского языка: 80 тысяч из 250 тысяч токенов заменены на украиноязычные, что сокращает число токенов для украинского текста примерно в 1,5 раза относительно Gemma 3. Модель подходит для диалога, генерации и суммаризации текста, а также ответов и извлечения сведений по изображениям. Качество ответов зависит от обучающих данных и формулировки запроса; модель может ошибаться в фактах, упускать языковые нюансы и испытывать трудности со сложными задачами. README не сообщает подробностей о тренировочном наборе данных. Лицензия указана как Gemma; следует соблюдать условия лицензии Google Gemma.

odunola/lfm-350m — это зеркальная публикация модели LFM2.5-350M от Liquid AI. Веса не изменены; в репозитории обновлён tokenizer_config.json, чтобы Transformers мог разбирать простые ответы ассистента и вызовы инструментов. Это плотная гибридная языковая модель LFM2 с 444,6 млн параметров по метаданным, 16 слоями и контекстом 128 000 токенов по метаданным. Она принимает и генерирует только текст; README описывает её как универсальную инструкционную модель для локального запуска и устройств с ограниченными ресурсами. Модель предназначена для извлечения данных, формирования структурированных ответов и вызова инструментов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, испанский и португальский языки. README указывает скорость до 313 токенов в секунду на AMD CPU и запуск менее чем с 1 ГБ памяти, однако эти показатели зависят от оборудования и условий измерения. Для работы доступны Transformers и другие среды вывода. Модель дообучена на LiquidAI/LFM2.5-350M-Base и выпущена под лицензией LFM Open License v1.0. README не рекомендует её для задач, требующих обширных знаний, и программирования; контрольная дата знаний — середина 2024 года.

openPangu-Embedded-7B — плотная языковая модель с 7,4 млрд параметров от Huawei, обученная с нуля на Ascend NPU. Модель предназначена для диалогов и генерации текста; поддерживает быстрый и медленный режимы рассуждения, причём по умолчанию включён медленный. Для быстрого режима в конце запроса добавляют тег /no_think. В карточке указаны 34 слоя и обучение примерно на 19 трлн токенов. Модель ориентирована на китайский и английский языки и принимает контекст до 32 768 токенов согласно метаданным. В README приведены результаты бенчмарков MMLU-Pro и CMMLU, однако они не гарантируют точность в практических задачах. Лицензия обозначена как other; перед использованием следует проверить условия в репозитории. Разработчик предупреждает, что ответы могут содержать ошибки и не заменяют профессиональные медицинские или юридические рекомендации.

Shisa V2 Qwen2.5 7B — двуязычная чат-модель общего назначения от Shisa.AI, полученная дообучением Qwen/Qwen2.5-7B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для диалогов и генерации текста на японском и английском языках. Разработчики сосредоточились на постобучении на синтетических данных, чтобы улучшить качество японских ответов, сохранив возможности базовой модели на английском языке. Модель подходит для ответов на вопросы, следования инструкциям, многоходового общения, ролевых диалогов и перевода между японским и английским. Она выдаёт текст, поддерживает интерфейс вызова инструментов и использует шаблон чата базовой модели. Метаданные указывают контекст 32 768 токенов; в README для семейства приведено значение 128K/8K, поэтому доступная длина может зависеть от конфигурации и способа запуска. Модель использует Transformers и формат safetensors. По опубликованным оценкам модель улучшает ряд японских бенчмарков относительно Qwen2.5-7B-Instruct, хотя в некоторых англоязычных тестах базовая модель показывает более высокие результаты. Лицензия — Apache 2.0. Результаты бенчмарков не гарантируют качество на конкретных пользовательских данных; модель может ошибаться и генерировать неточные ответы.

Swallow-7b-instruct-v0.1 — диалоговая языковая модель TokyoTech-LLM на архитектуре Llama 2 с 6,7 млрд параметров. Она прошла дополнительное предварительное обучение преимущественно на японских текстах, а версия instruct — supervised fine-tuning для следования инструкциям. Токенизатор с расширенным японским словарём эффективнее представляет японский текст. Модель принимает текст и генерирует текст; заявленный контекст — 4096 токенов. Модель предназначена для диалогов и выполнения текстовых инструкций на японском и английском языках: написания текстов, ролевых диалогов, ответов на вопросы, рассуждений и извлечения информации. В README опубликованы оценки на японском MT-Bench и сравнение с другими моделями, однако они не гарантируют качества для каждого сценария. Выпуск v0.1 обозначен как предварительная версия; разработчики предупреждают, что модель ещё не настроена на соответствие человеческим намерениям и требованиям безопасности. Лицензия — Llama 2 Community License (llama2).

Teapot LLM — компактная языковая модель сообщества TeapotAI, дообученная на синтетических данных от FLAN-T5-Large. В метаданных указаны архитектура T5, 385,2 млн параметров и контекст до 512 токенов; доступны форматы Safetensors и ONNX. Модель предназначена для генерации ответов на основе предоставленных документов и контекста, в том числе в сценариях RAG. Teapot обучена отвечать на вопросы по контексту, извлекать сведения из документов и выдавать структурированные данные, включая JSON. Она рассчитана на локальный запуск на устройствах с ограниченными ресурсами, включая смартфоны и CPU, и поддерживается Transformers.js для работы в JavaScript-средах. README отмечает стремление модели воздерживаться от ответа, если контекст не содержит достаточных сведений. Метаданные перечисляют английский, французский, румынский и немецкий языки, однако авторы сообщают, что модель не оценивалась на языках, кроме английского. Она не предназначена для генерации кода, творческого письма или критически важных решений. Лицензия — MIT.

Карточка модели safestack/Bielik-11B-v3.0-Instruct на Hugging Face совпадает с карточкой speakleash/Bielik-11B-v3.0-Instruct, поэтому описание составлено по ней. Bielik-11B-v3.0-Instruct — генеративная языковая модель с 11 млрд параметров, разработанная SpeakLeash совместно с центром ACK Cyfronet AGH. Это дообученная для следования инструкциям версия Bielik-11B-v3-Base-20250730 с архитектурой causal decoder-only; формат диалога — ChatML. Модель предназначена для общения, ответов на вопросы и выполнения разнообразных текстовых задач, включая задачи на логику, STEM, математику и работу с инструментами. Модель обучали на текстах и инструкциях на 32 европейских языках, уделяя особое внимание польскому. В обучении использовались многоходовые диалоги, синтетические и проверенные вручную инструкции, а также методы DPO и обучения с подкреплением. В метаданных перечислена поддержка польского и ряда европейских языков, включая русский и английский. Лицензия — Apache 2.0. Разработчики характеризуют модель как демонстрацию возможностей базовой модели после дообучения. Она может выдавать фактически неверные, предвзятые или оскорбительные ответы и не имеет встроенных механизмов модерации; её выводы требуют проверки.

Fanar-2-27B-Instruct — арабско-английская большая языковая модель, разработанная Институтом компьютерных исследований Катара (QCRI) при Университете Хамада бин Халифы. Это плотный авторегрессионный трансформер на 28,3 млрд параметров, дообученный на основе google/gemma-3-27b-pt. Модель рассчитана на диалоговую генерацию текста, рассуждения на арабском языке и работу с инструментами; поддерживает литературный арабский и диалекты, включая заливный, левантийский и египетский, а также английский. Модель ориентирована на арабоязычные и двуязычные сценарии: ответы на вопросы, понимание текста, математические задачи и культурно адаптированный диалог. В README описаны режим выборочного рассуждения, вызов инструментов и меры снижения галлюцинаций. Метаданные указывают контекст до 131 072 токенов; карточка также приводит 32 768 токенов. Доступна в формате safetensors и совместима с Transformers. Лицензия — Apache-2.0. Как и другие генеративные модели, Fanar может выдавать предвзятые, оскорбительные или неверные ответы. Авторы не рекомендуют использовать её самостоятельно для решений с высокими ставками, включая медицинские, юридические и финансовые; для таких сценариев нужны проверки и дополнительные меры безопасности.

inception42/jais-adapted-7b-chat — диалоговая языковая модель семейства Jais, разработанного Inception Institute of Artificial Intelligence. Это адаптированная от Llama 2 и дообученная для следования инструкциям модель с 7 млрд параметров, предназначенная для генерации ответов на арабском и английском языках. Она подходит для чат-ассистентов, понимания и создания текста, анализа тональности и суммаризации двуязычных документов. Репозиторий содержит веса в формате safetensors; для загрузки требуется пользовательский класс модели и параметр trust_remote_code=True. Модель распространяется по лицензии Apache 2.0. Ответы могут быть ошибочными, предвзятыми или оскорбительными; качество на других языках и диалектах не гарантируется, а для важных решений нужен контроль человека.

Llama-SEA-LION-v3-70B-IT-GGUF — это 70-миллиардная мультиязычная decoder-модель для генерации текста, разработанная командой Products Pillar организации AI Singapore при финансировании Singapore NRF. Модель ориентирована на языки Юго-Восточной Азии и создана на основе Llama-SEA-LION-v3-70B-IT; аббревиатура SEA-LION расшифровывается как Southeast Asian Languages In One Network. Модель предназначена для диалоговых и других текстовых задач, включая обработку инструкций и генерацию ответов на английском, китайском, вьетнамском, индонезийском, тайском, филиппинском, тамильском, малайском, кхмерском, лаосском, бирманском, яванском и сунданском языках. Она была дообучена примерно на 12,3 млн англоязычных и 4,5 млн инструкционных пар на языках региона. В данном репозитории представлены веса в формате GGUF с вариантами квантования от Q2_K до Q8_0, а также F16; некоторые варианты разделены на несколько файлов. Контекст модели в README не указан. К сильным сторонам относятся широкий охват языков Юго-Восточной Азии, большой размер и специализация на инструкционном взаимодействии. Модель может галлюцинировать, выдавать нерелевантный или вымышленный контент, а её рассуждения могут быть непоследовательными, поэтому ответы требуют проверки. Выпуск не прошёл дополнительное safety-выравнивание: пользователи и разработчики должны самостоятельно реализовать меры безопасности и при необходимости дообучение. Использование регулируется Llama 3.1 Community License.

Карточка модели ltopaiman4/whisper-small на Hugging Face совпадает с карточкой openai/whisper-small, поэтому описание составлено по ней. Whisper Small — модель распознавания речи семейства Whisper, разработанная OpenAI. Это мультиязычная модель Transformer типа encoder-decoder с 153,1 млн параметров, обученная на размеченных аудиоданных. Она преобразует речь в текст на языке исходного аудио и может переводить речь с разных языков на английский. Для обработки аудио в Transformers используется вместе с WhisperProcessor. Модель подходит для транскрибирования записей, в том числе длинных: базовая обработка рассчитана на фрагменты до 30 секунд, а разбиение на фрагменты позволяет обрабатывать аудио произвольной длины и получать временные метки. Whisper демонстрирует устойчивость к акцентам, фоновому шуму и технической лексике, но точность различается между языками, диалектами и группами говорящих. Возможны галлюцинации, повторы и ошибки распознавания. Модель распространяется по лицензии Apache-2.0.

Amadeus-Verbo-FI-Qwen2.5-7B-PT-BR-Instruct — языковая модель для бразильского португальского, созданная Amadeus AI дообучением Qwen/Qwen2.5-7B-Instruct на 600 тысячах инструкций в течение двух эпох. Это плотная Transformer-модель семейства Qwen2 с причинной генерацией текста; в метаданных указано 7,1 млрд параметров и контекст 32 768 токенов. README приводит другие значения: 7,61 млрд параметров и контекст 131 072 токена. Модель предназначена для диалогов и генерации ответов на инструкции на бразильском португальском. Метаданные также отмечают интерфейс для вызова инструментов. Для загрузки README рекомендует библиотеку Hugging Face Transformers. Модель распространяется под лицензией Apache-2.0.

aya-expanse-32b-GGUF — это набор GGUF-квантизаций языковой модели Aya Expanse 32B, разработанной CohereForAI и подготовленной для llama.cpp пользователем bartowski. Модель предназначена для генерации текста и диалоговых сценариев, включая работу через LM Studio. Доступны варианты с разным уровнем квантизации, размером файла и компромиссом между качеством и требованиями к памяти. Модель имеет около 32 миллиардов параметров и поддерживает широкий набор языков: английский, французский, немецкий, испанский, итальянский, португальский, японский, корейский, китайский, арабский, греческий, персидский, польский, индонезийский, чешский, иврит, хинди, нидерландский, румынский, русский, турецкий, украинский и вьетнамский. Это текстовая модель без заявленной поддержки дополнительных модальностей. README не содержит сведений об архитектуре исходной модели и размере контекста. Сильная сторона набора — большой выбор квантизаций, позволяющий запускать модель на системах с разным объёмом памяти. Варианты Q6_K и Q6_K_L обозначены как близкие к исходному качеству, а Q4_K_M — как сбалансированный вариант; более компактные форматы требуют меньше памяти, но могут заметно снижать качество. Модель распространяется по лицензии CC-BY-NC-4.0 и предназначена только для некоммерческого использования; для доступа также предусмотрено принятие условий лицензии Cohere и предоставление регистрационных данных.

Shisa V2 Qwen2.5 32B — двуязычная диалоговая языковая модель общего назначения от Shisa.AI, дообученная на основе Qwen/Qwen2.5-32B-Instruct. Она рассчитана на задачи на японском языке, сохраняя возможности английского, и подходит для диалога, ответов на вопросы, генерации текста и структурированных ответов. Модель содержит 32 млрд параметров, использует плотную архитектуру Qwen2 и принимает текстовые запросы. Контекст — до 32 768 токенов; поддерживаются чат-шаблон базовой модели и интерфейс вызова инструментов. В README описано улучшение качества японских ответов относительно базовой модели и приведены результаты тестирования на японских и англоязычных бенчмарках. Модель распространяется по лицензии Apache 2.0. Для инференса авторы проверяли vLLM и SGLang.

TildeOpen-30B-MU-Instruct — многоязычная инструкционная языковая модель на 29,9 млрд параметров, созданная автором martinsu дообучением TildeAI/TildeOpen-30b. Это плотная модель семейства Llama для генерации текста и диалогов; она использует формат ChatML и контекст до 65 536 токенов по метаданным. В карточке обучения указана длина последовательности 4096 токенов, поэтому фактическую работу на более длинном контексте следует проверять отдельно. Модель обучена в течение одной эпохи на 163 млн токенов с маскированием функции потерь для системных и пользовательских сообщений. Данные охватывают 25 языков, с акцентом на английский и латышский, а также включают многоязычные диалоги, вопросы и ответы и примеры для RAG. Автор сообщает о кратких ответах и хороших результатах в одном тестовом сравнении EuroBlocks, но подчёркивает, что это предварительная проверка, а не доказательство общего превосходства. Для запуска README рекомендует vLLM с медленным токенизатором и подходящую системную подсказку; ошибочная автоматическая сборка быстрого токенизатора может ухудшить качество. Модель требует значительных вычислительных ресурсов. Она не прошла настройку безопасности с RLHF, проверку на токсичность или оценку вреда и может выдавать ошибочную информацию. Лицензия — CC BY 4.0.

Trendyol-LLM-7b-chat-v0.1 — чатовая версия генеративной языковой модели, разработанной Trendyol и архивированной VeriPazarı. Это авторегрессионная плотная трансформерная модель семейства LLaMA, дообученная с помощью LoRA на наборе из 180 тысяч инструкций. Модель содержит 6,7 млрд параметров, принимает и генерирует текст, поддерживает чатовый режим и имеет контекст длиной до 4096 токенов. Модель предназначена для диалогов, ответов на вопросы и выполнения инструкций на турецком и английском языках. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Авторы предупреждают, что ответы могут содержать ошибки, предвзятость или токсичный контент, а надёжность модели в реальных приложениях широко не проверялась.

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

Coral-Router, также называемая Coral-MNLI в карточке, — модель классификации последовательностей на базе BART-large, дообученная на MultiNLI. Она принимает текст и список меток-кандидатов, оценивает, насколько каждая метка подходит, и подходит для классификации без обучения на конкретных классах, в том числе в режиме нескольких меток. Модель применяет подход естественного логического вывода: исходный текст рассматривается как предпосылка, а каждая метка превращается в гипотезу; оценка соответствия основана на вероятности entailment. Это позволяет использовать её для определения тематики, тональности, намерения и модерации содержимого. Размер модели — 252,8 млн параметров, контекст — до 1024 токенов. Лицензия — Apache-2.0. Для длинных текстов возможна обрезка: сохраняется начало текста, поэтому важную информацию рекомендуется размещать ближе к началу. Качество также зависит от ясности и конкретности предложенных меток.

Модель Zoont/faster-whisper-large-v3-turbo-int8-ct2 — преобразованная версия OpenAI Whisper large-v3-turbo в формате CTranslate2 с 8-битной квантизацией. Она предназначена для распознавания речи и преобразования аудио в текст с использованием faster-whisper; поддерживает мультиязычную обработку, включая русский и английский языки. Репозиторий создан 31 января 2025 года, использует библиотеку CTranslate2 и распространяется по лицензии MIT. Карточка отсылает к исходной модели за подробностями; в ней не приведены отдельные сведения о качестве распознавания или длине контекста.