III.8Договоры, юридическая работа и compliance

Marcoroni-neural-chat-7B-v1-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием Mistral-7B-Instruct-v0.2 и Toten5/Marcoroni-neural-chat-7B-v1 методом SLERP. Модель построена на архитектуре Mistral с плотной причинной языковой моделью и содержит 7,1 млрд параметров. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате. Контекст составляет до 32 768 токенов, поэтому её можно применять для многошаговых бесед и работы с длинными текстовыми запросами. Метаданные не устанавливают конкретные поддерживаемые естественные языки. Веса представлены в формате Safetensors, тип данных при слиянии указан как bfloat16. Лицензия — Apache-2.0. Качество и поведение могут зависеть от формулировки запроса; ограничения по языкам и отдельным прикладным областям в предоставленных данных не описаны.

Карточка модели ckoozzzu/new3 на Hugging Face совпадает с карточкой meta-llama/Llama-3.1-8B-Instruct, поэтому описание составлено по ней. Meta Llama 3.1 8B Instruct — языковая модель Meta для диалогов и генерации текста. Это авторегрессионная модель на основе оптимизированного трансформера с Grouped-Query Attention; версия Instruct настроена с помощью supervised fine-tuning и обучения с обратной связью от людей (RLHF). Модель принимает и генерирует текст, поддерживает диалоговый режим и предназначена для коммерческого и исследовательского применения. Модель подходит для создания чат-ассистентов, ответов на запросы и других задач генерации текста на английском, немецком, французском, итальянском, португальском, хинди, испанском и тайском языках. Контекстное окно в предоставленных материалах не указано. Модель обучена на статичном офлайн-наборе данных; возможны ошибки и небезопасные ответы, поэтому результаты следует проверять, а для использования инструментов требуется отдельная интеграция и контроль со стороны разработчика. Условия распространения и применения регулируются лицензией Meta Llama 3.1 Community License и Acceptable Use Policy.

Gemma 2 9B Instruct — языковая модель Google с открытыми весами, построенная на архитектуре decoder-only и адаптированная для следования инструкциям и диалога. Она принимает текст и генерирует текст; семейство Gemma описано как ориентированное на английский язык. Репозиторий содержит производную версию базовой модели google/gemma-2-9b и файлы safetensors для использования с Transformers. Модель подходит для ответов на вопросы, суммаризации, диалоговых интерфейсов, создания текстов и рассуждений по заданному контексту. Относительно компактный размер семейства позволяет запускать модели Gemma на локальных компьютерах или собственной облачной инфраструктуре, хотя фактические требования зависят от конфигурации запуска. Модель может ошибаться в фактах, хуже справляться со сложными или неоднозначными запросами и отражать предвзятость обучающих данных. Использование регулируется лицензией Gemma.

Gemma 3 4B PT — предварительно обученная мультимодальная модель Google из семейства Gemma, созданного на основе исследований и технологий Gemini. Она принимает текст и изображения и генерирует текст; открытые веса позволяют запускать её на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре. Модель подходит для ответов на вопросы по тексту и изображениям, суммаризации, генерации текстов, диалоговых интерфейсов и извлечения сведений из изображений. Семейство Gemma 3 поддерживает контекст до 128 тысяч токенов и более 140 языков. Карточка описывает как предварительно обученные, так и настроенные на инструкции варианты семейства; этот репозиторий — вариант PT. Ответы могут содержать фактические ошибки и отражать смещения обучающих данных; модель может испытывать трудности с неоднозначностью, нюансами языка и сложными открытыми задачами. Лицензия — Gemma, с условиями использования Google Gemma.

Instruct_Llama3_8B — авторегрессионная языковая модель на архитектуре Llama 3, дообученная Brillibits на разнообразных источниках данных. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста по инструкциям на английском языке; для общения используется формат промпта с системной частью и инструкцией. Модель обучали два этапа эпох с использованием QDora; в README указан контекст обучения 4096 токенов, а в метаданных — нативный контекст 8192 токена. Подходит для ответов на вопросы, выполнения текстовых инструкций и других сценариев генерации текста. Доступна в формате safetensors по лицензии Llama 3.

Magnum-Picaro-0.7-V3-12b — объединённая чат-модель на 12,1 млрд параметров, созданная Trappu с помощью LazyMergekit из Trappu/Nemo-Picaro-V2-12B и anthracite-org/magnum-v2-12b. В основе лежит плотная архитектура Mistral с моделью MistralForCausalLM; слияние выполнено методом TIES, веса сохранены в формате safetensors. Модель предназначена для диалогов и генерации текста по запросу. Каталог указывает контекст до 1 024 000 токенов. Метаданные описывают базовую модель как предназначенную для следования инструкциям и связной генерации на нескольких языках, но отдельные языки для этой версии не перечислены. Модель распространяется под лицензией, указанной в карточке Hugging Face; доступные сведения её не содержат.

Euraika/EuroLLM-22B-Instruct-GPTQ — 4-битная GPTQ-квантизованная версия инструкционной языковой модели EuroLLM-22B-Instruct-2512, разработанной командой EuroLLM проекта UTTER. Квантизацию выполнила Euraika с использованием GPTQModel; модель предназначена для генерации текста и диалоговых сценариев, включая ответы на вопросы, объяснение сложных тем и работу в формате ChatML. Модель поддерживает все 24 официальных языка Европейского союза, а также турецкий, украинский и другие европейские языки: английский, немецкий, французский, итальянский, испанский, португальский, польский, нидерландский, чешский, греческий, венгерский, румынский, финский, шведский, болгарский, словацкий, датский, словенский, литовский, латышский, эстонский, хорватский, ирландский, мальтийский и норвежский. Архитектура базовой модели в README не уточнена; заявлены 22 млрд параметров, 53 трансформерных слоя и размер квантизованной модели около 14 ГБ. Используется GPTQ с точностью 4 бита, group size 128 и desc_act=true. Ключевое преимущество модели — существенное снижение требований к памяти при сохранении заявленного качества квантизации; поддерживаются инференс через GPTQModel, vLLM и Transformers/AutoGPTQ, а также работа на нескольких GPU. Минимально рекомендуется 16 ГБ VRAM, оптимально — 24 ГБ. Ограничения включают зависимость качества от 4-битной квантизации и отсутствие в README сведений о длине контекста базовой модели, мультимодальности, результатах независимых бенчмарков и конкретных гарантиях качества. Модель распространяется по лицензии Apache 2.0.

bigscience/mt0-xxl — многоязычная модель семейства mT0, разработанная BigScience. Это дообученная версия mT5-XXL, обученная следовать инструкциям на смеси кросс-языковых задач xP3; архитектура — encoder-decoder MT5ForConditionalGeneration, размер — 6,7 млрд параметров. Модель предназначена для выполнения задач, сформулированных на естественном языке, в том числе перевода, ответов на вопросы, классификации тональности и создания текстов. Она поддерживает генерацию с нуля и переносит навыки на ранее не встречавшиеся задачи и языки; среди языков карточки указаны английский, французский, испанский, арабский, японский, корейский и другие. Качество ответов зависит от формулировки запроса: полезно явно обозначать границы входного текста, задачу и желаемый язык ответа, а также предоставлять контекст. Модель выпущена под лицензией Apache-2.0. Для запуска используются Transformers и веса PyTorch/Safetensors.

L3.1-Moe-2x8B-v0.2 — объединённая модель Mixture of Experts, созданная с помощью mergekit-moe на основе Joseph717171/Llama-3.1-SuperNova-8B-Lite_TIES_with_Base и ArliAI/Llama-3.1-8B-ArliAI-RPMax-v1.2. Разработчик объединил две модели и указывает, что проект вдохновлён mlabonne/Beyonder-4x7B-v3. Модель предназначена для генерации текста и диалогов. Она использует архитектуру Mixtral MoE, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. В метаданных указана библиотека Transformers и формат весов safetensors. В README приведены результаты Open LLM Leaderboard, включая средний балл 28,59 и IFEval 73,48. Модель распространяется по лицензии Llama 3.1. README не описывает поддерживаемые языки и специальные ограничения применения; качество ответов следует оценивать для конкретного сценария.

unsloth/Qwen3.6-27B-NVFP4 — это квантованный checkpoint модели Qwen3.6-27B, разработанный Unsloth на основе модели Qwen от команды Qwen. Модель представляет собой каузальную языковую модель с vision-энкодером и предназначена для генерации текста, мультимодального понимания изображений, агентного программирования, работы с frontend-задачами и рассуждений на уровне репозиториев. Модель содержит 27 млрд параметров, 64 слоя и поддерживает контекст длиной 262 144 токена с возможностью расширения до 1 010 000 токенов. Архитектура сочетает Gated DeltaNet, Gated Attention и FFN; в checkpoint включён модуль Multi-Token Prediction (MTP), который может использоваться для ускорения декодирования. Точные языки в README не указаны. Формат NVFP4 рассчитан на эффективный запуск, в том числе на GPU с 24 ГБ VRAM. По заявлению Unsloth, checkpoint обеспечивает до 2,5 раза большую пропускную способность по сравнению с другими NVFP4-квантованиями, а результаты на MMLU-Pro, GPQA и AIME 2025 близки к FP8 и BF16. Основные ограничения — потери, присущие квантованию, зависимость производительности от аппаратного обеспечения и backend, а также необходимость корректной настройки vLLM или совместимого движка; README не рекомендует Marlin из-за более низкой скорости. Модель распространяется по лицензии Apache-2.0 и совместима с Hugging Face Transformers, vLLM, SGLang и KTransformers.

Aya Expanse 8B — разработанная Cohere Labs многоязычная авторегрессионная языковая модель с оптимизированной архитектурой Transformer и 8 млрд параметров. Это выпуск весов семейства Command, дополнительно обученный с учителем, с применением обучения на предпочтениях, настройки безопасности и слияния моделей. Модель предназначена для диалогов и генерации текста на 23 языках, включая русский, английский, арабский, китайский, хинди, японский и испанский. Она принимает и выдаёт только текст, поддерживает контекст до 8 тысяч токенов и может использоваться для многоязычных ответов на вопросы, написания и преобразования текста. Модель выпущена для исследовательского использования; лицензия CC-BY-NC-4.0 запрещает коммерческое применение, а использование также регулируется политикой допустимого использования Cohere Labs. Заявления о сравнительных результатах основаны на оценках из карточки модели и не гарантируют качество для конкретных задач.

Gemma 1.1 7B IT — инструктивно дообученная текстовая языковая модель Google из семейства Gemma, созданного на основе исследований и технологий Gemini. Это декодерная модель с открытыми весами, рассчитанная на диалог и генерацию текста по инструкциям; её можно запускать на компьютере или в собственной облачной инфраструктуре. Модель подходит для ответов на вопросы, суммаризации, рассуждений, создания текстов и разговорных интерфейсов. В карточке семейства указана поддержка английского языка. Относительно компактный размер облегчает развёртывание при ограниченных вычислительных ресурсах, однако конкретный объём параметров и длина контекста в предоставленных данных не приведены. Ответы могут содержать фактические ошибки, отражать смещения обучающих данных и не учитывать тонкие языковые нюансы; качество также зависит от формулировки запроса и контекста. Для Gemma действует лицензия Gemma; при использовании следует соблюдать её условия и политику запрещённого использования Google.

Это GGUF-сборка Meta-Llama-3-1-8B-Instruct-f16-gguf, опубликованная ProfessorF (Nick V. Flor) для воспроизводимости исследований. Репозиторий содержит модель в формате GGUF F16; метаданные указывают на чат-возможности и генерацию текста. README описывает семейство Llama 3.2, но его сведения о размерах 1B и 3B и контексте 128k не подтверждают характеристики именно этой 8B-сборки. Модель предназначена для диалогового помощника и генерации текста, включая ответы на вопросы, суммаризацию, поиск знаний и переформулирование запросов. В README перечислены английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский; метаданные также содержат эти языки. Использование регулируется лицензией Llama 3.2 Community License, которая допускает коммерческое и исследовательское применение на своих условиях. Качество и ограничения этой конкретной сборки отдельно не описаны.

Metis-0.4-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием Mistral-7B-Instruct-v0.2 от Mistral AI и Metis-0.4 методом SLERP. Она предназначена для генерации текста и ответов на инструкции в чат-сценариях. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка описывает способ слияния, но не приводит специальных оценок качества или ограничений; возможности и результаты могут зависеть от языка запроса и конкретного сценария применения.

Mistral-Small-24B-Instruct-2501-4bit — это 4-битная версия модели Mistral-Small-24B-Instruct-2501, преобразованная сообществом mlx-community в формат MLX с использованием mlx-lm 0.21.0. Исходная модель опубликована под пространством имён mistralai и предназначена для выполнения инструкций и диалогового взаимодействия с пользователем. Модель рассчитана на задачи генерации текста, ответов на вопросы и других сценариев, где требуется инструктивное или чат-взаимодействие. Заявлены английский, французский, немецкий, испанский, итальянский, португальский, китайский, японский, русский и корейский языки. Размер исходной модели составляет 24 миллиарда параметров; версия использует 4-битное квантование и формат MLX, что ориентировано на запуск в совместимой MLX-среде. Сведения о длине контекста, точной архитектуре и мультимодальных возможностях в README не указаны. К сильным сторонам относятся поддержка нескольких языков, инструктивный формат и адаптация для использования с MLX через библиотеку mlx-lm. Ограничения включают отсутствие в предоставленных данных подробных результатов оценки, сведений о качестве на отдельных языках и характеристик производительности. Модель распространяется по лицензии Apache 2.0.

MaziyarPanahi/OpenHermes-2.5-neural-chat-7b-v3-2-7B-Mistral-7B-Instruct-v0.2-slerp — слитая диалоговая модель на архитектуре Mistral, созданная методом SLERP из mistralai/Mistral-7B-Instruct-v0.2 и Weyaxi/OpenHermes-2.5-neural-chat-7b-v3-2-7B. Веса представлены в формате safetensors; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате. Её можно применять для чат-ботов, написания и редактирования текстов, а также ответов на вопросы. Карточка не сообщает о специализированной области применения или поддерживаемых языках. Лицензия — Apache-2.0.

RecurrentGemma 9B IT — разработанная Google инструктивно настроенная большая языковая модель семейства RecurrentGemma с рекуррентной архитектурой. Она предназначена для генерации текста в диалогах и по инструкциям, включая ответы на вопросы, суммаризацию и рассуждения; также подходит для черновиков писем и другого текстового контента. Рекуррентная архитектура снижает потребление памяти по сравнению с Gemma и ускоряет генерацию при работе с длинными последовательностями. Модель доступна в формате safetensors и поддерживается библиотекой Transformers. Версия instruction-tuned рассчитана на английский язык. Лицензия Gemma; использование регулируется условиями Google для моделей Gemma. Как и другие языковые модели, она может выдавать фактические ошибки, отражать смещения обучающих данных и испытывать трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами. Для применения, особенно в пользовательских продуктах, следует проверять ответы и учитывать требования к безопасности контента.

CultriX/SeQwence-14Bv6 — объединённая языковая модель, созданная с помощью mergekit методом Model Stock на основе Qwen/Qwen2.5-14B-Instruct. В объединение вошли SeQwence-14Bv2, Qwestion-14B, Qwen2.5-Lumen-14B, Qwen2.5-14B-Wernicke, Virtuoso-Small, SeQwence-14Bv1 и SeQwence-14B-EvolMerge. Модель предназначена для генерации текста и диалоговых сценариев. Она использует плотную архитектуру Qwen2 с 14 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Метаданные отмечают интерфейс для вызова инструментов, однако README не описывает его поведение и ограничения. Модель опубликована в формате safetensors для Transformers. Условия лицензии в предоставленных данных не указаны.

franken-Beagle-11B — языковая модель для генерации текста и диалогов, созданная Vicgalle с помощью mergekit. Она получена слиянием методом passthrough двух диапазонов слоёв модели mlabonne/NeuralBeagle14-7B; архитектура — плотная MistralForCausalLM, размер — 10,6 млрд параметров, контекст — до 32 768 токенов. Модель принимает текст и выдаёт текст; карточка отмечает поддержку диалогового режима. Модель подходит для диалогов, ответов на инструкции, рассуждений и творческой генерации текста. Базовая NeuralBeagle14-7B дообучена на предпочтениях и предназначена для диалогов, следования инструкциям, рассуждений и творческого письма. Репозиторий распространяет веса в формате safetensors; лицензия — Apache 2.0.

Gemma 7B — текстовая авторегрессионная языковая модель из семейства Gemma, разработанного Google на основе исследований и технологий, использованных при создании Gemini. Модель принимает текст и генерирует текст; семейство включает предварительно обученные и настроенные на выполнение инструкций варианты. Для этой модели карточка указывает генерацию текста, а метаданные — форматы Safetensors и GGUF и библиотеку Transformers. Модель подходит для ответов на вопросы, суммаризации, диалоговых интерфейсов и генерации различных текстов, включая черновики писем, сценарии и маркетинговые материалы. Google описывает Gemma как компактное семейство, которое можно запускать на ноутбуке, настольном компьютере или собственной облачной инфраструктуре. В README заявлена поддержка английского языка; размер контекста для этого репозитория не приведён. Ответы могут содержать фактические ошибки и отражать предвзятость обучающих данных; модель может хуже справляться со сложными задачами, неоднозначностью и тонкими языковыми нюансами. Для практического применения следует проверять результаты и учитывать правила безопасного использования Gemma. Лицензия — Gemma License.

PlumChat — объединённая языковая модель от sequelbox на архитектуре Llama 3.1, созданная методом DARE/DELLA с помощью mergekit на основе meta-llama/Llama-3.1-8B-Instruct и моделей ValiantLabs/Llama3.1-8B-ShiningValiant2 и sequelbox/Llama3.1-8B-MOTH. Модель содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для диалогов, следования инструкциям и генерации текста. Её можно использовать для ответов на вопросы, ведения переписки и подготовки текстовых черновиков. Доступны веса в формате safetensors для библиотеки Transformers. Карточка приводит результаты Open LLM Leaderboard, включая среднее значение 13,13 и IFEval 42,43; оценки не гарантируют качество на конкретных задачах. Модель принимает текст и генерирует текст; данных о специально поддерживаемых языках в карточке нет. Унаследованные от Llama 3.1 ограничения и условия распространяются на эту производную модель; лицензия — llama3.1.

Bielik-11B-v3.0-Instruct-awq — это квантизированная в формате AWQ версия инструкционной языковой модели Bielik-11B-v3.0-Instruct, разработанной командами SpeakLeash и ACK Cyfronet AGH. Модель имеет архитектуру causal decoder-only и предназначена для генерации и обработки текста в сценариях, требующих следования инструкциям. Она поддерживает 32 европейских языка, включая польский, английский, русский, украинский и немецкий, при этом оптимизирована прежде всего для польского языка. Модель основана на Bielik-11B-v3-Base-20250730 и является текстовой, без заявленной поддержки других модальностей. Квантизация AWQ уменьшает требования к ресурсам по сравнению с исходной моделью, однако может снижать качество ответов и повышать вероятность галлюцинаций. В README не указаны размер контекста, точные требования к оборудованию и результаты бенчмарков, поэтому эти характеристики оценить нельзя. Модель распространяется по лицензии Apache 2.0 с дополнительными условиями использования Bielik.

K2S3 разработала K2S3-Mistral-7b-v1.4 — плотную авторегрессионную языковую модель семейства Mistral с 7,2 млрд параметров. Она дообучена методом SFT с настройкой всех параметров на базе mistralai/Mistral-7B-v0.1; для обучения использовались данные alpaca-gpt4-data и примеры из OpenOrca. Модель предназначена для генерации текста и выполнения инструкций в диалоговых и других текстовых сценариях. Она принимает текст и выдаёт текст, поддерживает английский язык и имеет контекст длиной до 32 768 токенов. Весы опубликованы в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

LakeExpander — объединённая языковая модель, созданная allstax с помощью mergekit из cognitivecomputations/WestLake-7B-v2-laser и allstax/AI-G-Expander-v6. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM и примерно 7,1 млрд параметров; веса сохранены в формате safetensors. Модель предназначена для генерации текста, включая диалоговые сценарии. Контекстное окно составляет 32 768 токенов. Объединение выполнено методом SLERP с типом данных float16. Репозиторий распространяется по лицензии Apache-2.0. Данных о специализированной предметной области или гарантированных характеристиках качества в карточке нет.

SauerkrautLM-7b-HerO-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием методом SLERP моделей Mistral-7B-Instruct-v0.2 и SauerkrautLM-7b-HerO; конфигурация слияния использует bf16. Модель предназначена для генерации текста и ответов на инструкции в формате диалога. Контекстное окно составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Synthia-v3.0-11B — языковая модель общего назначения от Migtissera, созданная на архитектуре Llama и дообученная для следования инструкциям и ведения развёрнутых диалогов. В README указано, что обучение проводилось на наборе Synthia-v3.0, включающем около 10 тысяч высококачественных примеров, сгенерированных GPT-4-Turbo, и опиралось на принципы LIMA. Модель предназначена для генерации текста, ответов на вопросы и продолжительных бесед. Её можно применять в диалоговых интерфейсах, для написания и объяснения материалов, а также для рассуждений в формате Tree of Thoughts и Chain of Thought. Размер модели — 10,6 млрд параметров, родной контекст — 4096 токенов; заявлена поддержка текстового ввода и вывода. Модель может выдавать неточные или вводящие в заблуждение ответы, а также предвзятый, оскорбительный или неподходящий контент. В README она названа uncensored, поэтому результаты требуют проверки и модерации. Лицензия — Apache-2.0.

Tulpar-7b-v2 — языковая модель HyperbeeAI на архитектуре Mistral, дообученная на инструкционном наборе данных, включающем примеры, созданные GPT-4, а также отфильтрованные и подготовленные наборы Airoboros и Platypus. Модель содержит 7,1 млрд параметров и принимает текст для генерации ответов по инструкциям; её контекстное окно составляет 32 768 токенов. Модель предназначена для диалоговых сценариев и выполнения текстовых инструкций на английском языке. Она распространяется в формате Safetensors по лицензии Apache-2.0. Разработчик не гарантирует точность, объективность и отсутствие предвзятости и рекомендует проверять безопасность модели перед внедрением.

Vikhrmodels/Vikhr-7B-instruct_0.2 — русско- и англоязычная инструкция-модель семейства Llama, опубликованная Vikhrmodels. Она предназначена для генерации текста и ответов на запросы в формате инструкций. Модель имеет плотную архитектуру LlamaForCausalLM, 6,7 млрд параметров и контекстное окно 2048 токенов. В метаданных указаны наборы данных Vikhr_instruct и darulm. Репозиторий содержит веса в формате safetensors. Карточка README сообщает о GGUF-версии, но не содержит подробностей о её характеристиках. Лицензия в предоставленных данных не указана.

Athene-70B-Preview — диалоговая большая языковая модель с открытыми весами, разработанная командой Nexusflow и дообученная с помощью RLHF на основе Llama-3-70B-Instruct. Репозиторий содержит копию первоначального выпуска Athene-70B; в карточке рекомендуется использовать более новую версию. Модель построена на плотной архитектуре Llama и содержит 69,5 млрд параметров; для запуска используется библиотека Transformers, веса представлены в формате safetensors. Контекстное окно составляет 8192 токена, основной язык — английский. Модель предназначена для диалогов и генерации текста, включая ответы на вопросы и выполнение пользовательских инструкций. В README отмечен результат 77,8% на Arena-Hard-Auto — прокси-бенчмарке Chatbot Arena. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

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