III.5Управление персоналом и организацией

mjwong выпустил дообученную на наборах XNLI и ANLI модель на базе multilingual-e5-large-instruct для многоязычной классификации без примеров. Она использует архитектуру XLM-RoBERTa с примерно 658,7 млн параметров и доступна в форматах PyTorch и Safetensors. Модель принимает текст и заданные пользователем названия классов, а затем оценивает принадлежность текста к этим классам; её также можно применять для задач определения отношений между посылкой и гипотезой (NLI). Окно контекста составляет 514 токенов. В README приведены результаты оценки на XNLI для 15 языков, а также на MultiNLI и ANLI. Лицензия CC-BY-NC-4.0 ограничивает использование условиями этой лицензии, включая некоммерческий характер. Качество зависит от формулировок текста и меток классов; приведённые результаты относятся к указанным тестовым наборам и не гарантируют качество на других данных.

Nova 2 Lite — мультимодальная модель Amazon для повседневных задач с упором на скорость, экономичность и рассуждения. Она принимает текст, изображения и видео и генерирует текст.

Moondream Parakeet Ultra — дообученная версия модели Parakeet TDT 0.6B v3 от NVIDIA для автоматического распознавания речи. Она сохраняет исходную архитектуру Parakeet TDT, токенизатор и 0,6 млрд параметров в полной точности и предназначена для транскрибирования речи, в том числе длинных записей, фоновых разговоров и аудио с шумом. Модель поддерживает 25 языков, включая русский, английский и немецкий. Для длинных записей встроенная в веса голова определения речевой активности помогает разбивать аудио на сегменты длительностью до 30 секунд без отдельной VAD-модели. В приведённых тестах Parakeet Ultra показала более низкий WER, чем Parakeet TDT 0.6B v3, а также более высокую скорость в тестах на Photon с GPU NVIDIA; результаты зависят от среды и настроек запуска. Для запуска автор рекомендует Photon. Модель опубликована под лицензией CC-BY-4.0. Она предназначена для распознавания речи и не выполняет перевод или генерацию речи.

MajidFQ разработал эту модель на базе intfloat/e5-base-v2 для преобразования предложений и абзацев в плотные текстовые эмбеддинги. Она построена на архитектуре BERT и Sentence Transformers: использует усреднение токеновых представлений и нормализацию векторов. Размерность эмбеддинга — 768, функция сходства — косинусная, максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска парафраз, кластеризации и классификации. В частности, её можно применять для маршрутизации запросов по категориям бизнеса и сопоставления запросов с описаниями категорий. Обучение проводилось на 48 425 примерах пар предложений с оценками сходства. Модель принимает текст и выдаёт векторы; английская базовая модель и примеры в карточке не подтверждают поддержку других языков. Лицензия в предоставленных данных не указана.

ThaiLLM-8B-Instruct — диалоговая языковая модель KBTG-Labs, созданная с помощью mergekit на основе ThaiLLM-8B и Qwen3-8B. Она предназначена для генерации текста и следования инструкциям, с улучшенным пониманием тайского языка по сравнению с Qwen3-8B. Модель поддерживает режимы с рассуждением и без него, а также интерфейс вызова инструментов. Архитектура — плотная Qwen3ForCausalLM с 7,6 млрд параметров; максимальный контекст — 40 960 токенов. README описывает сравнение результатов экзаменационных и финансовых тестов с Qwen3-8B, но отмечает, что результаты могут различаться в зависимости от среды оценки. Модель работает с текстом и рассчитана на тайский и английский языки. Для запуска через Transformers требуется версия 4.51.0 или новее. Лицензия — Apache-2.0.

unsloth/whisper-large-v3-turbo — мультиязычная модель распознавания речи семейства Whisper, опубликованная Unsloth в формате Transformers и Safetensors. Это Transformer-энкодер-декодер с 905,2 млн параметров, производный от openai/whisper-large-v3-turbo и openai/whisper-large-v3. В turbo-версии число слоёв декодера сокращено с 32 до 4, что ускоряет работу и снижает потребление памяти при небольшом ухудшении качества. Модель принимает аудио и преобразует речь в текст на том же языке; также семейство Whisper поддерживает перевод речи между языками. Она рассчитана на многоязычную транскрибацию, в том числе аудио на русском, английском, китайском, немецком, испанском, французском и других языках. Для аудио длиннее 30 секунд README рекомендует использовать последовательную или пакетную обработку фрагментами. Модель может быть полезна для расшифровки записей, диктовки и транскрибации аудио с разными акцентами и фоновым шумом. Возможны галлюцинации, повторы и неодинаковая точность для разных языков, акцентов и диалектов; качество может быть ниже для языков с малым объёмом обучающих данных. Лицензия — MIT.

Moritz Laurer разработал эту компактную модель для классификации текста без заранее заданного набора классов: пользователь передаёт текст и варианты меток, а модель оценивает их соответствие. Это дообученная на задачах естественного языкового вывода (NLI) модель на базе Microsoft XTREME-Distil, с архитектурой BERT и 14,1 млн параметров по метаданным. Модель принимает текст и выдаёт оценки классов; максимальная длина контекста — 512 токенов. Модель рассчитана на быстрый запуск на устройствах с ограниченными ресурсами и в браузере, в том числе через Transformers.js. Карточка приводит точность на наборах данных, использованных при обучении, но не содержит отдельной оценки zero-shot качества; автор отмечает, что модель работает менее точно, чем более крупные варианты. Лицензия — MIT.

Карточка модели roskosmos19/Coral на Hugging Face совпадает с карточкой roskosmos19/Coral-Router, поэтому описание составлено по ней. 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.

Moritz Laurer дообучил DeBERTa-v3-large от Microsoft для задач вывода по тексту (NLI) и классификации без заранее заданного набора классов. Модель сопоставляет текст с предложенными категориями и оценивает их соответствие; также её можно применять для определения логического следования, противоречия или нейтральности между посылкой и гипотезой. Дообучение проведено на 885 242 парах из MultiNLI, Fever-NLI, ANLI, LingNLI и WANLI. Архитектура — DeBERTa-v2 для классификации последовательностей, размер — 533,8 млн параметров, контекст — до 512 токенов. Карточка указывает английский язык. По оценкам автора, модель показала высокие результаты на этих наборах данных, в том числе на состязательном ANLI. Модель принимает текст и выдаёт метки и оценки классов. Результаты зависят от формулировок текста и кандидатов категорий, а модель может воспроизводить смещения обучающих данных. Для работы с актуальными версиями Transformers в README рекомендуется версия 4.13 или новее. Лицензия — MIT.

Это диалоговая версия JAIS Family — двуязычной языковой модели, разработанной Inception и Cerebras Systems и дообученной на инструкциях на арабском и английском языках. Репозиторий содержит дообучение базовой модели inceptionai/jais-family-256m; архитектура — плотная авторегрессионная JAISLMHeadModel, веса сохранены в формате Safetensors. Модель принимает текст и генерирует текст, контекст — до 2048 токенов. Модель предназначена для двуязычного диалога, ответов на вопросы и других задач генерации и анализа текста, особенно на современном стандартном арабском и английском. Размер этой версии — 256 млн параметров согласно идентификатору базовой модели; README описывает семейство в целом, а не характеристики именно этого размера. Лицензия Apache 2.0 разрешает использование и распространение. Возможны фактические ошибки, предвзятость и неподходящие ответы; модель не следует использовать для решений с высокими последствиями без контроля человека, а её знания других языков и диалектов не гарантированы.

Это GGUF-квантизированная версия инструкционной языковой модели Llama 3.1 8B Instruct Uz, базовая модель которой разработана behbudiy, а квантизацию выполнил mradermacher. Модель обучалась с использованием наборов yahma/alpaca-cleaned, behbudiy/alpaca-cleaned-uz и behbudiy/translation-instruction и ориентирована прежде всего на узбекский и английский языки. Модель предназначена для генерации текста по инструкциям, ответов на вопросы, суммирования и перевода. Она поддерживает распространённый формат GGUF и поставляется в нескольких вариантах квантизации размером примерно от 3,3 до 16,2 ГБ, включая Q2_K, IQ3, Q4_K, Q5_K, Q6_K, Q8_0 и f16. В README не указаны точный размер контекста, мультимодальные возможности, результаты тестирования или конкретные аппаратные требования. Основное преимущество — возможность локального запуска при выборе компактных вариантов квантизации; версии Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с лучшим качеством среди представленных. Более сильная квантизация уменьшает требования к памяти, но может снижать качество по сравнению с f16. Модель распространяется по лицензии llama3.1.

Llama-SEA-LION-v2-8B — многоязычная языковая модель, разработанная командой Products Pillar организации AI Singapore при финансировании Национального исследовательского фонда Сингапура. Это плотная decoder-модель на архитектуре Llama 3 с 7,5 млрд параметров, полученная продолжением предварительного обучения Meta-Llama-3-8B-Instruct на примерно 48 млрд токенов пяти языков Юго-Восточной Азии и английского. Модель принимает текст и предназначена для генерации ответов и выполнения языковых задач на английском, индонезийском, тамильском, тайском и вьетнамском языках; контекст составляет до 8192 токенов. Модель оценивали на ответах на вопросы, анализе тональности, выявлении токсичности, переводе, суммаризации, причинно-следственных рассуждениях и распознавании языковых следствий. Оценка проводилась в режиме пяти примеров с использованием собственных для языков подсказок и ограниченных выборок данных, поэтому результаты могут не отражать качество во всех сценариях. Карточка предупреждает, что модель не прошла настройку безопасности; для использования в продуктах следует самостоятельно проверить её ответы и настроить меры безопасности. Лицензия — Llama 3 Community License.

onnx-community/Qwen3.5-0.8B-ONNX-OPT — ONNX-версия постобученной мультимодальной модели Qwen3.5-0.8B, разработанной командой Qwen. Это каузальная языковая модель с vision encoder, предназначенная для обработки текста и изображений, включая задачи рассуждения, программирования, визуального понимания, агентных сценариев, прототипирования, исследовательской разработки и специализированного дообучения. Артефакты совместимы с Hugging Face Transformers.js и ONNX Runtime. Модель содержит 0,8 млрд параметров, 24 слоя и скрытое измерение 1024. В архитектуре сочетаются Gated Delta Networks, Gated Attention и feed-forward блоки; заявлена гибридная архитектура с sparse Mixture-of-Experts на уровне семейства Qwen3.5. Нативная длина контекста составляет 262 144 токена. Модель поддерживает 201 язык и диалект, а также мультимодальный ввод текста и изображений. Благодаря небольшому размеру она ориентирована на более экономичный инференс и локальные эксперименты, однако уступает более крупным моделям по качеству и предназначена прежде всего для задач разработки и исследований. Модель распространяется по лицензии Apache 2.0. README не содержит подробностей о требованиях к аппаратному обеспечению, точных форматах входных изображений и ограничениях коммерческого применения, поэтому эти аспекты следует уточнять отдельно.

Qwen3.5-9B-Kazakh — казахская адаптация мультимодальной модели Qwen3.5, подготовленная ISSAI. Модель дообучена на казахских текстах с расширением словаря на 16 тысяч казахских токенов, затем к ней перенесено инструкционное выравнивание официальной Qwen3.5-9B методом chat-vector merge. Для восстановления мультимодальности к языковой части подключены исходные энкодер изображений и мультимодальный проектор Qwen3.5-9B. Это плотная модель класса Qwen3_5ForConditionalGeneration с поддержкой чата и изображений; файлы опубликованы в формате Safetensors и доступны через Transformers. Лицензия — Apache-2.0. Модель предназначена для диалогов и ответов на вопросы на казахском и английском языках, а также для анализа изображений в чате. Расширенный токенизатор повышает эффективность работы с казахским текстом, а инструкционное выравнивание сохраняет стиль общения Qwen. По оценке авторов, модель слабее исходной на сложных задачах, требующих развёрнутого рассуждения, и показывает снижение качества на задачах компьютерного зрения, поскольку её отдельно не дообучали на визуальных задачах.

CohereLabs/command-a-plus-05-2026-fp8 — FP8-квантизированная версия Command A+, разработанная Cohere и Cohere Labs. Это открытая decoder-only Sparse Mixture-of-Experts Transformer-модель, предназначенная для агентских, мультиязычных и требовательных к рассуждению задач, включая корпоративные сценарии, диалоговое взаимодействие и обработку изображений. Модель принимает текст и изображения, а генерирует текст. Она содержит 25 млрд активных параметров и 218 млрд параметров всего, использует 128 экспертов, из которых 8 выбираются для каждого токена, а также одного общего эксперта. Архитектура сочетает скользящее и глобальное внимание в соотношении 3:1 и поддерживает контекст до 128K входных токенов. Обучение охватывает 48 языков, включая английский, русский, немецкий, французский, испанский, арабский, китайский, японский, корейский и другие. FP8-квантизация снижает требования к вычислительной инфраструктуре по сравнению с полноразмерной BF16-версией; для неё заявлены ориентировочные конфигурации от 2 GPU B200 или 4 GPU H100. В README указано, что доступные варианты квантизации демонстрируют незначительные различия в качестве и производительности, однако рекомендуемым для большинства задач назван вариант W4A4 благодаря меньшей задержке и аппаратным требованиям. Для запуска необходимы совместимые версии Transformers или vLLM, а для vLLM требуется vLLM 0.21.0 или новее. Модель распространяется по лицензии Apache 2.0.

Gemma 3 27B IT — мультимодальная instruction-tuned модель семейства Gemma, разработанная Google DeepMind на основе технологий, использованных при создании Gemini. Данная версия основана на google/gemma-3-27b-it и представлена в формате GGUF, предназначенном для локального запуска совместимыми инструментами. Модель принимает текст и изображения и генерирует текст. Она предназначена для ответов на вопросы, суммаризации документов, рассуждений, генерации и анализа текста, а также понимания изображений и извлечения визуальной информации. Заявлена поддержка более 140 языков. Для версии 27B предусмотрено контекстное окно до 128K токенов, изображения нормализуются до 896×896 и кодируются в 256 токенов, а максимальный объём генерируемого текста составляет 8192 токена. К сильным сторонам относятся мультимодальность, широкий языковой охват, большое контекстное окно и открытые веса, благодаря чему модель можно разворачивать на собственных устройствах или в облачной инфраструктуре. При этом размер 27B означает повышенные требования к памяти и вычислительным ресурсам по сравнению с меньшими вариантами семейства, а качество ответов может зависеть от языка, задачи, используемого квантования и конкретного программного окружения. Модель распространяется по лицензии Gemma; применяются соответствующие условия использования Google.

NVIDIA Nemotron 3 Nano Omni — мультимодальная модель семейства Nemotron, разработанная NVIDIA и представленная в репозитории Unsloth как вариант на основе nvidia/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16. В карточке указаны архитектура NemotronH_Nano_Omni_Reasoning_V3 и формат safetensors; вариант рассчитан на диалог и интерфейс вызова инструментов. В README также описана поддержка обработки текста, изображений, аудио и видео, включая распознавание речи, OCR и анализ графического интерфейса. Модель предназначена для корпоративных мультимодальных сценариев: ответов на вопросы и суммаризации записей встреч и видео, поиска по медиаматериалам, анализа документов, проверки информации в изображениях и автоматизации работы с GUI. README приводит примеры клиентского сервиса, медиа и развлечений, деловых и научных документов, а также браузерных и почтовых агентов. В метаданных перечислены языки английский, французский, испанский, итальянский, немецкий, японский и китайский; в README указана возможность коммерческого использования. Лицензия в метаданных обозначена как other, поэтому конкретные условия следует сверять с лицензией репозитория.

Jamba2 Mini — компактная языковая модель, разработанная AI21 Labs для надёжных корпоративных сценариев. Она использует архитектуру Jamba, сочетающую слои SSM и Transformer с разреженной экспертной моделью (MoE), и содержит 7,2 млрд параметров по метаданным. Модель предназначена для генерации текста и диалогов, ответов на вопросы, следования инструкциям и работы с длинными документами; поддерживает контекст до 262 144 токенов. Модель обучалась на основе предобучения Jamba 1.5 с последующим дообучением на длинных документах, коде, математике и веб-текстах, а также этапами SFT, DPO и обучения с подкреплением. Разработчик сообщает о настройке на точное следование инструкциям и опору на предоставленный контекст. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое использование. Для запуска через vLLM в README рекомендуется версия 0.12.0 или выше.

C4AI Command R 08-2024 — генеративная языковая модель, разработанная Cohere и Cohere For AI. Она предназначена для диалогов, рассуждений, суммаризации, ответов на вопросы и работы с поиском по документам (RAG); также умеет выбирать и вызывать инструменты в диалоговом интерфейсе. Модель использует авторегрессионную архитектуру Transformer с grouped-query attention, дообучена с учителем и на предпочтениях пользователей. В README указан размер 35 млрд параметров, а в метаданных — 32,3 млрд; длина контекста составляет 128K токенов. Модель принимает и генерирует только текст. Обучение охватывало 23 языка, оценка проводилась на 10; метаданные перечисляют английский, французский, немецкий, испанский, итальянский, португальский, японский, корейский, китайский и арабский. Для вызова инструментов требуется использовать специальный шаблон диалога; отклонение от него может снизить качество. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование, также необходимо соблюдать политику допустимого использования C4AI.

AI21 Jamba Large 1.6 — большая языковая модель для следования инструкциям, разработанная AI21. Она использует гибридную архитектуру Jamba, объединяющую Mamba (SSM) и Transformer, и предназначена для генерации текста и диалогов, в том числе для бизнес-сценариев с вызовом функций, структурированным выводом JSON и генерацией ответов с опорой на предоставленные данные. Модель имеет 94 млрд активных и 398 млрд общих параметров и контекстное окно 256 тысяч токенов. В README заявлена поддержка английского, испанского, французского, португальского, итальянского, нидерландского, немецкого, арабского и иврита. Для запуска требуется CUDA; в качестве способа эффективного инференса рекомендован vLLM. Модель распространяется по Jamba Open Model License, допускающей исследовательское и коммерческое использование на условиях лицензии. Указанная в карточке дата отсечения знаний — 5 марта 2024 года.

AI21 Jamba Mini 1.6 — разработанная AI21 гибридная инструкционная модель семейства Jamba, сочетающая архитектуры State Space Model (Mamba) и Transformer. В модели 12 млрд активных параметров и 52 млрд параметров всего; она принимает текст и предназначена для генерации текста в диалоге, следования инструкциям, вызова функций, структурированного вывода JSON и генерации ответов с опорой на заданные источники. Контекстное окно составляет 256 тыс. токенов. Модель рассчитана на длинные контексты и деловые сценарии; для запуска README рекомендует CUDA и vLLM версии 0.6.5 или выше. Поддерживаются английский, испанский, французский, португальский, итальянский, нидерландский, немецкий, арабский и иврит. Заявленные разработчиком преимущества — скорость инференса и качество обработки длинного контекста. Модель распространяется по Jamba Open Model License, допускающей исследования и коммерческое использование на её условиях.

google/gemma-3-4b-it-qat-q4_0-gguf — мультимодальная instruction-tuned модель Gemma 3, разработанная Google DeepMind. Она использует открытые веса и предназначена для генерации текста и понимания изображений: ответов на вопросы, суммаризации документов, рассуждений, анализа визуального содержимого и извлечения информации из изображений. Модель принимает текст и изображения, а выдаёт текст. Это 4B-версия в формате GGUF с квантизацией Q4_0 и Quantization Aware Training (QAT). QAT позволяет приблизить качество к версии в формате bfloat16 при существенно меньших требованиях к памяти, что облегчает запуск на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре. Для модели заявлено контекстное окно до 128K токенов, максимальный объём генерируемого вывода — 8192 токена; изображения нормализуются до 896×896 и кодируются в 256 токенов. Поддерживается более 140 языков. Ограничения включают зависимость качества от квантизации и используемой инфраструктуры, а также то, что поддержка изображений может различаться между инструментами запуска: например, в README указано отсутствие такой поддержки для Ollama через Hugging Face. Использование регулируется лицензией Gemma и соответствующими Terms of Use.

Apriel-1.5-15b-Thinker-GGUF — это GGUF-версия мультимодальной модели рассуждений Apriel-1.5-15b-Thinker, разработанной ServiceNow AI и подготовленной в формате GGUF командой Unsloth. Модель предназначена для генерации текста, решения математических и научных задач, программирования, следования инструкциям, работы с API и функциями, диалоговых сценариев, а также понимания и рассуждений по изображениям и смешанным текстово-графическим данным. Модель содержит 15 млрд параметров и рассчитана на эффективное локальное развёртывание: по заявлению разработчиков, она помещается на одной GPU. Она обучалась с использованием продолжительного предварительного обучения на текстовых и мультимодальных данных, а также supervised fine-tuning более чем на 2 млн текстовых примеров. Для постобучения не применялись reinforcement learning и специализированное обучение на изображениях. Заявлены результаты 52 балла в Artificial Analysis, 68 в Tau2 Bench Telecom и 62 в IFBench, однако конкретные сведения о контекстном окне, поддерживаемых языках и архитектуре в README не указаны. Сильными сторонами модели являются сочетание компактного размера, развитого текстового рассуждения, возможностей работы с изображениями и ориентация на корпоративные задачи. Ограничениями могут быть повышенный расход токенов и более длительное время ответа из-за подробного рассуждения по умолчанию, а также отсутствие image SFT, что может влиять на отдельные визуальные сценарии. Модель распространяется по лицензии MIT.

trohrbaugh/LFM2-24B-A2B-heretic-ara — модифицированная версия LiquidAI/LFM2-24B-A2B, созданная методом abliteration: в README указано изменение слоёв 17–39 и сравнение с исходной моделью. Это гибридная MoE-модель для генерации текста и диалогов; в карточке указано 3,4 млрд параметров, а исходная модель описана как модель с 24 млрд параметров и примерно 2,3 млрд активных параметров на токен. Контекст модели составляет 128 000 токенов. Модель предназначена для многоязычного чата, вызова инструментов, ответов на вопросы и суммаризации документов, в том числе в локальных RAG-системах и приватных сценариях развёртывания. README сообщает, что в тесте на 100 запросах эта версия отказала в 0 случаях против 96 у исходной модели. Поддерживаемые языки — английский, арабский, китайский, французский, немецкий, японский, корейский, испанский и португальский. Разработчики исходной модели не рекомендуют её для программирования. Лицензия указана как other; конкретные условия следует сверять с карточкой репозитория.

Linkbricks-Horizon-AI-Avengers-V4-32B — дообученная Saxo и командой Linkbricks Horizon-AI языковая модель на архитектуре Qwen2 с 32 млрд параметров. Она основана на Saxo/Linkbricks-Horizon-AI-Avengers-V3-32B; авторы сообщают о дообучении SFT и DPO, а также ORPO, примерно 35% параметров модели. Модель принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Для неё указано контекстное окно 32 768 токенов. Модель предназначена для генерации и написания текста, перевода между корейским, японским, китайским и английским языками, суммаризации, анализа отзывов и публикаций в социальных сетях, задач по программированию, математике и логическим рассуждениям. По заявлению авторов, при обучении использовались многоязычные новостные и вики-корпуса, наборы для перевода и другие данные по перечисленным задачам. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Dolphin 2.9.1 Llama 3 70B — диалоговая языковая модель, подготовленная Эриком Хартфордом, Лукасом Аткинсом, Фернандо Фернандесом и Cognitive Computations на основе Meta-Llama-3-70B. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров и контекстом 8192 токена; веса опубликованы в формате Safetensors. Полное дообучение проводилось с длиной последовательности 4K, модель использует шаблон ChatML. Модель предназначена для генерации ответов по инструкциям, диалогов, задач программирования и математики, а также сценариев с вызовом функций и начальными агентными возможностями. В обучении использованы наборы инструкций, диалогов, кода и математики. Основной язык — английский; карточка не заявляет отдельную языковую специализацию. Разработчики описывают Dolphin как модель без встроенных ограничений на содержание, поэтому перед предоставлением её пользователям рекомендуется добавить собственный слой модерации. Использование, включая коммерческое, разрешено в рамках лицензии Meta Llama 3 Community License Agreement.

Dolphin 2.9.1 DBRX — разговорная и инструкционная языковая модель, дообученная Eric Hartford, Lucas Atkins, Fernando Fernandes и командой Cognitive Computations на базе databricks/dbrx-base. Она использует архитектуру DBRX и формат диалога ChatML; базовая модель поддерживает контекст до 32 тысяч токенов, а дообучение проводилось с длиной последовательности 4 тысячи токенов. Модель предназначена для диалоговых ответов, выполнения инструкций, генерации кода и начальных агентных сценариев, включая вызов функций. Для коммерческого и иного использования README указывает лицензию databricks-open-model-license, а метаданные — лицензию other; условия следует сверять с лицензией репозитория. Модель описана авторами как uncensored и может охотно отвечать на небезопасные запросы, поэтому перед предоставлением пользователям рекомендуется добавить собственный слой фильтрации.

German-RAG-PHI-3.5-MINI-4B-SFT-HESSIAN-AI — авторегрессионная языковая модель на базе Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Модель дообучена для сценариев генерации с использованием найденных документов и предназначена прежде всего для немецкоязычного рынка. В метаданных указаны архитектура Llama, 3,7 млрд параметров и контекст до 131 072 токенов; веса доступны в формате safetensors. Модель отвечает на вопросы по предоставленному контексту, извлекает релевантную информацию, составляет краткие сводки и выполняет задачи рассуждения. README также описывает обучение на примерах RAG и поддержку немецкого и английского языков. Лицензия в метаданных Hugging Face — MIT; README указывает Apache 2.0, поэтому сведения о лицензии расходятся и требуют проверки перед использованием. Ответы могут содержать фактические ошибки, а без фильтрации модель способна выдавать вредоносный или чувствительный контент. Результаты следует проверять, а для пользовательских приложений учитывать риски предвзятости и генерации небезопасного текста.

Salamandra-7B-Instruct-Aina-Hack — разговорная языковая модель, разработанная подразделением языковых технологий Barcelona Supercomputing Center для мероприятия AinaHack, посвящённого созданию ИИ-инструментов для администрации Каталонии. Это инструкция-настроенная версия Salamandra-7B: decoder-only трансформер семейства Llama с 32 слоями и примерно 7 млрд параметров. Модель принимает текст и генерирует текст, использует шаблон ChatML и поддерживает контекст до 8192 токенов. Модель предназначена для диалоговых помощников и генерации текста на европейских языках, а также может служить основой для прикладной донастройки. Семейство Salamandra обучалось с нуля на многоязычном корпусе из 35 европейских языков и программного кода; карточка этой версии описывает её как proof of concept с предварительной настройкой следования инструкциям. Модель распространяется под лицензией Apache 2.0. У модели выявлены социальные и когнитивные смещения, а анализ охватывает не все поддерживаемые языки. Карточка предупреждает, что модель не прошла RLHF-выравнивание для фильтрации чувствительных тем и может создавать вредный или неподходящий контент; перед применением в продуктах необходимы оценка рисков и дополнительная настройка безопасности.

MiniCPM5-2B-GPTQ — GPTQ-квантованная версия MiniCPM5-2B, разработанная OpenBMB. Это плотная Transformer-модель на 2 млрд параметров для генерации текста, локального и on-device-развертывания, а также сценариев с ограниченными ресурсами. Модель ориентирована на английский и китайский языки и интегрируется с библиотекой Transformers. Модель предназначена для следования инструкциям, программирования, математических рассуждений, работы с длинным контекстом, использования инструментов и агентских задач. Заявлена конкурентоспособность с моделями класса 4B, а среди моделей сопоставимого размера отмечаются сильные результаты в коде, математике, long-context, tool use и agentic-сценариях. Поддерживаемая модальность — текст; максимальный размер контекста в предоставленных данных не указан. Ключевое преимущество — сочетание компактного размера, возможностей для локального запуска и высокой производительности в ряде прикладных задач. Ограничения включают меньший размер по сравнению с крупными моделями и отсутствие сведений о точных требованиях к памяти, форматах квантования и результатах независимого тестирования. Модель распространяется по лицензии Apache-2.0.