III.9Закупки и управление поставщиками

Teuken-7B-instruct-research-v0.4 — мультиязычная языковая модель с настройкой на выполнение инструкций, разработанная Fraunhofer, Forschungszentrum Jülich, TU Dresden и DFKI в рамках проекта OpenGPT-X. Это декодерный Transformer семейства LLaMA с 7,5 млрд параметров, обученный на 4 трлн токенов; длина контекста — 4096 токенов. Модель предназначена для диалогов и других задач генерации текста на европейских языках, в которых авторы стремились обеспечить более устойчивые результаты, чем у моделей, ориентированных преимущественно на английский. Модель поддерживает 24 языка ЕС, включая немецкий, английский, французский, испанский, итальянский, польский, чешский, болгарский, греческий и другие. При этом настройка на инструкции использовала англоязычные и немецкоязычные наборы данных в равных долях. Модель распространяется в формате Safetensors и использует лицензию с меткой «other»; подробные условия следует уточнять у разработчика. Авторы указывают, что модель может выдавать предвзятые, токсичные или фактически неверные ответы, и не рекомендуют её для задач программирования и математики.

GLM-Z1-Rumination-32B-0414-GGUF — это квантизированная версия языковой модели GLM-Z1-Rumination-32B-0414, разработанной командой THUDM. Сборку GGUF выполнил bartowski с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста и поддерживает китайский и английский языки; в README она описана как модель для глубокого исследовательского поиска, анализа информации и подготовки отчётов с использованием инструментов и браузерного взаимодействия. Модель имеет размер 32B параметров и поставляется в форматах GGUF с различными уровнями квантизации — от BF16 до Q4 и IQ4, что позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Рекомендуемые варианты включают Q4_K_M, Q5_K_M, Q6_K и Q6_K_L; файлы имеют размер примерно от 19 до 66 ГБ. Доступен специальный формат prompt, включающий системные инструкции для исследовательских задач. Сведения о точной архитектуре, размере контекстного окна, мультимодальности, результатах оценки и ограничениях исходной модели в README не указаны. Лицензия — MIT.

Модель krishanwalia30/DeepSeek-R1-Distill-Alpaca-FineTuned — дообученная разработчиком krishanwalia30 языковая модель для генерации текста и диалоговых ответов. Она основана на unsloth/DeepSeek-R1-Distill-Llama-8B-unsloth-bnb-4bit, использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. В качестве обучающих данных указаны yahma/alpaca-cleaned; в карточке заявлено дообучение на Alpaca для повышения адаптивности ответов. Модель предназначена для пользовательских ассистентов, генерации текстов и документации, ответов на специализированные запросы и извлечения аналитических выводов из данных. Она принимает текст и генерирует текст; заявленная родная длина контекста — 131 072 токена. README также упоминает ONNX Runtime, но метаданные перечисляют форматы PyTorch и safetensors, поэтому наличие ONNX-файлов не подтверждается. Заявления карточки о высокой точности и снижении галлюцинаций не подкреплены результатами бенчмарков. Лицензия — Apache-2.0.

Flan-Alpaca-Large — модель для следования инструкциям, созданная лабораторией Declare-Lab путём дообучения FLAN-T5 на наборах инструкций Flan и Alpaca. Она использует архитектуру T5 с условной генерацией текста и предназначена для ответов на запросы и выполнения разнообразных текстовых заданий. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache-2.0. Модель принимает текст и генерирует текст. Метаданные указывают 385,2 млн параметров и контекст до 512 токенов. README сообщает об обучении на данных Flan и Alpaca, но приводит для версии Large другое число параметров — 770 млн; поэтому размер из метаданных может не совпадать с описанием в карточке. Поддерживаемые языки явно не перечислены.

GPT-5.6 Luna — модель OpenAI из серии GPT-5.6. Она предназначена для высоконагруженных задач с чувствительностью к задержке, включая диалог, классификацию и лёгкие агентные сценарии. В карточке модель описана как быстрая и экономичная, со способностью к рассуждению. Данных о размере, архитектуре, модальностях, языках, длине контекста и лицензии в предоставленных источниках нет. Метаданные каталога относят модель к задаче image-text-to-text, однако README не подтверждает работу с изображениями.

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.

Карточка модели Arsh9210/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16 на Hugging Face совпадает с карточкой lactroiii/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16, поэтому описание составлено по ней. NVIDIA Nemotron 3 Nano Omni — мультимодальная большая языковая модель семейства Nemotron, разработанная NVIDIA и дополнительно обученная на базе нескольких моделей, включая Qwen3-VL-30B-A3B-Instruct, Qwen3.5-122B-A10B, Qwen3.5-397B-A17B, Qwen2.5-VL-72B-Instruct и gpt-oss-120b. Репозиторий содержит веса в формате safetensors для Transformers; модель поддерживает чат и интерфейс вызова инструментов. В README рекомендуют начинать с контекста 131072 токена при развертывании на Spark. Модель предназначена для корпоративного мультимодального анализа видео, аудио, изображений и текста: ответов на вопросы, суммаризации, транскрибирования речи, OCR и анализа документов, а также понимания GUI. Примеры применения — поиск и краткое изложение видео, проверка заказов по видеозаписям, анализ договоров и финансовых документов, автоматизация браузера и почты. Ключевые ограничения и характеристики, включая точное число параметров и перечень поддерживаемых естественных языков, в предоставленных данных не раскрыты. Модель доступна для коммерческого использования; метаданные указывают лицензию other, поэтому перед внедрением следует свериться с условиями лицензии в карточке репозитория.

NVIDIA Nemotron 3 Nano Omni — мультимодальная большая языковая модель семейства Nemotron, разработанная NVIDIA и дополнительно обученная на базе нескольких моделей, включая Qwen3-VL-30B-A3B-Instruct, Qwen3.5-122B-A10B, Qwen3.5-397B-A17B, Qwen2.5-VL-72B-Instruct и gpt-oss-120b. Репозиторий содержит веса в формате safetensors для Transformers; модель поддерживает чат и интерфейс вызова инструментов. В README рекомендуют начинать с контекста 131072 токена при развертывании на Spark. Модель предназначена для корпоративного мультимодального анализа видео, аудио, изображений и текста: ответов на вопросы, суммаризации, транскрибирования речи, OCR и анализа документов, а также понимания GUI. Примеры применения — поиск и краткое изложение видео, проверка заказов по видеозаписям, анализ договоров и финансовых документов, автоматизация браузера и почты. Ключевые ограничения и характеристики, включая точное число параметров и перечень поддерживаемых естественных языков, в предоставленных данных не раскрыты. Модель доступна для коммерческого использования; метаданные указывают лицензию other, поэтому перед внедрением следует свериться с условиями лицензии в карточке репозитория.

ProfessorF (Nick V. Flor, PhD) публикует эту версию NVIDIA Nemotron 3 Nano Omni в формате GGUF BF16 для воспроизводимости исследований. Исходная мультимодальная модель разработана NVIDIA и объединяет понимание видео, аудио, изображений и текста для корпоративных сценариев: вопросов и ответов, суммаризации, транскрипции и анализа документов. В карточке указано, что модель дополнительно обучалась с использованием нескольких моделей Qwen и gpt-oss-120b; точное число параметров и длина контекста для этой копии не приведены. Модель предназначена для анализа записей встреч и обучающих видео, поиска по медиаматериалам, распознавания речи и текста на документах, а также для GUI-агентов и автоматизации работы с браузерами, почтой и системами управления инцидентами. Заявлена поддержка коммерческого использования; метаданные указывают лицензию other, поэтому перед внедрением следует проверить условия лицензии в карточке исходной модели NVIDIA и этой копии.

LFM2-24B-A2B — универсальная инструктивная языковая модель компании Liquid AI из семейства LFM2, предназначенная для локального развёртывания на устройствах и компьютерах. Это гибридная архитектура MoE с 24 млрд параметров, из которых активны около 2,3 млрд на токен; в метаданных указано 3,4 млрд параметров. Модель имеет 40 слоёв: 30 сверточных и 10 attention-слоёв, поддерживает контекст до 128 000 токенов и работает через Transformers. Для хранения весов используется safetensors. Модель подходит для диалогов, вызова инструментов, локальных RAG-систем, суммаризации документов и ответов на вопросы. Её можно использовать для приватных сценариев на собственном оборудовании, включая поддержку клиентов и многошаговые агентные процессы. Заявлена поддержка английского, арабского, китайского, французского, немецкого, японского, корейского, испанского и португальского языков. Разработчик не рекомендует модель для программирования; она не использует цепочки рассуждений в ответах. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с карточкой репозитория.

AIOne-Agent-52B-A36B-it — мультимодальная модель с разреженной архитектурой Mixture-of-Experts, разработанная JDONE-Research на базе google/gemma-4-31B-it. В текстовой части около 52 млрд параметров, из которых примерно 36 млрд активны на токен; модель также использует визуальный энкодер. Она принимает текст, изображения и видео и генерирует ответы на корейском и английском языках. Заявлена длина контекста 256 тысяч токенов. Модель предназначена для корейского рассуждения и следования инструкциям, анализа изображений и видео, ответов на вопросы по документам и длинным текстам. Её можно применять в корпоративных агентных системах, для поиска по документам и многошаговых диалогов. Базовая модель поддерживает работу с изображениями; понимание видео и корейская настройка заявлены в карточке AIOne-Agent. Модель распространяется под лицензией Apache-2.0. Результаты не следует использовать как единственное основание для решений с юридическими последствиями; README также исключает применение для автоматизированного насилия и анализа медиаданных с нарушением приватности или прав на изображения.

AI21-Jamba2-3B — компактная языковая модель компании AI21 Labs для локального развёртывания на телефонах и персональных компьютерах. Она содержит 2,3 млрд параметров и использует архитектуру Jamba, сочетающую слои Mamba и Transformer; модель доступна через библиотеку Transformers и предназначена для генерации текста в диалоговом режиме. Модель подходит для следования инструкциям, ответов с опорой на предоставленный контекст, работы с длинными документами и сценариев RAG, в том числе при обработке технической и корпоративной документации. Контекстное окно составляет 256 000 токенов. По карточке, обучение включало дообучение на инструкциях, оптимизацию DPO и этапы обучения с подкреплением; заявлены результаты на бенчмарках instruction following и grounding. Модель выпущена под лицензией Apache 2.0, допускающей коммерческое использование. Компактный размер рассчитан на устройства с ограниченными ресурсами, однако качество конкретных ответов следует проверять на целевых задачах; сведения о поддерживаемых естественных языках в предоставленных данных отсутствуют.

JEV-27B — модель AutoTrust для быстрых классификационных решений и генерации текста. Она дообучена на базе Qwen/Qwen3.8-27B и объединяет два режима в одном наборе весов: System 1 выдаёт калиброванные вероятности для предложенных вариантов, а System 2 использует генерационную способность базовой модели для ответов и рассуждений. Для обслуживания обоих режимов автор рекомендует vLLM; решения можно запрашивать через HTTP-интерфейс. Модель рассчитана на выбор из заданных вариантов, ранжирование и классификацию по текстовому контексту, включая вопросы с большим числом вариантов. Заявлена поддержка контекста до 262 144 токенов; в README описаны тесты на длинных текстах и результаты на нескольких бенчмарках решений. Карточка указывает английский язык. Модель содержит 22,3 млрд параметров и распространяется в формате safetensors под лицензией Apache-2.0. Результаты бенчмарков и скорость приведены авторами модели и не гарантируют аналогичного качества на других данных. Для режима System 1 требуется использовать интерфейс решения и формат запроса, описанные в README; карточка не заявляет поддержку изображений для этой модели.

MiniCPM-V 4.5 int4 — мультимодальная vision-language модель, разработанная OpenBMB. Она предназначена для анализа одиночных и нескольких изображений, видео, документов и текстовых запросов, включая распознавание текста, разбор PDF, визуальные вопросы и ответы, а также понимание коротких и длинных видеоматериалов. Модель поддерживает более 30 языков и ориентирована в том числе на локальный запуск на мобильных устройствах и компьютерах. В основе лежат языковая модель Qwen3-8B и визуальный энкодер SigLIP2-400M; общий размер составляет около 8 млрд параметров. Архитектура включает unified 3D-Resampler для совместной обработки изображений и видео: до шести кадров 448×448 могут сжиматься в 64 видеотокена, что снижает вычислительную стоимость и позволяет анализировать видео с частотой до 10 кадров в секунду. Для изображений поддерживаются произвольные пропорции и разрешение до 1,8 млн пикселей. Модель также использует подходы LLaVA-UHD для работы с изображениями высокого разрешения и отличается сильными заявленными результатами в OCR, понимании документов и мультимодальном рассуждении. К сильным сторонам относятся высокая эффективность для модели такого размера, поддержка изображений, нескольких изображений и видео, развитое распознавание текста, режимы быстрого и глубокого рассуждения, а также варианты запуска через llama.cpp, Ollama, vLLM и SGLang. Представленная версия использует квантование int4, поэтому может требовать меньше памяти, но потенциально уступает полноразмерным вариантам по точности. README не указывает максимальную длину текстового контекста и не приводит подробный перечень ограничений; фактическая скорость и качество зависят от оборудования, формата инференса и сложности входных данных. Модель распространяется по лицензии Apache 2.0.

GPT-3.5 Turbo Instruct — вариант модели OpenAI, настроенный на выполнение инструкций в текстовых запросах и не ориентированный на диалоговые оптимизации. Он предназначен для генерации текста в ответ на инструкции и запросы пользователя. В README указан предел знаний в виде обучающих данных по сентябрь 2021 года. Сведения об архитектуре, размере, контекстном окне и лицензии в предоставленных источниках отсутствуют.

Giraffe-13b-32k-v3 — авторегрессионная языковая модель на архитектуре Transformer/Llama, разработанная Abacus.AI. Она дообучена на базе Llama 2 13B для работы с контекстом до 32 768 токенов: длинный контекст получен с помощью интерполяции, затем модель дополнительно настроена на выполнение инструкций с использованием ShareGPT и Orca-Chat. В метаданных указано 12,9 млрд параметров. Модель предназначена для генерации текста и диалоговых задач по инструкциям. Длинное окно контекста подходит, например, для ответов на вопросы по объёмным документам и предоставленным результатам поиска; разработчик также сообщает об улучшении рассуждений и математических способностей на бенчмарках. Поддерживаемый язык в карточке явно не перечислен. Модель распространяется по лицензии Llama 2 Community License. Разработчик предупреждает, что безопасность модели не оценивалась, и позиционирует её для исследований и экспериментов; результаты могут содержать ошибки.

win10/miscii-Virtuoso-Small — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом TIES. В объединении использованы arcee-ai/Virtuoso-Small и sthenno-com/miscii-14b-1028; базовой указана sthenno-com/miscii-14b-1028. Модель содержит 14 млрд параметров и принимает текст для генерации текста в диалоговом формате, включая сценарии с интерфейсом вызова инструментов. Модель подходит для генерации ответов и ведения диалога; описание базовой Virtuoso-Small указывает на следование инструкциям, рассуждения и бизнес-задачи. Заявленная длина контекста — 131072 токена. Модель распространяется в формате Safetensors и предназначена для использования через Transformers. Сведения о лицензии и конкретных ограничениях качества в карточке не приведены.

Карточка модели ginipick/Gemma-3-R1984-4B на Hugging Face совпадает с карточкой VIDraft/Gemma-3-R1984-4B, поэтому описание составлено по ней. Gemma3-R1984-4B — мультимодальная модель для диалогов и анализа изображений, дообученная VIDraft на базе Google Gemma 3 4B. В карточке заявлена работа с изображениями, видео и документами, включая PDF, CSV и TXT; метаданные классифицируют модель как image-text-to-text и указывают архитектуру Gemma3ForConditionalGeneration с плотными весами в формате Safetensors. Модель рассчитана примерно на 4 млрд параметров и контекст до 8 000 токенов. Сценарии применения включают визуальные вопросы и ответы, анализ документов, сравнение файлов, диалог и исследовательские запросы с поиском в интернете через SERPHouse API и цитированием найденных источников. Указана поддержка английского, корейского, японского, китайского, испанского, русского, арабского, хинди, индонезийского, французского и немецкого языков. Поиск в интернете требует API-ключа; обработка видео и документов описана как часть платформы и не подтверждена тегом задачи модели. В метаданных указана лицензия Gemma; README дополнительно упоминает MIT для Agentic AI-платформы, поэтому условия для весов следует связывать с лицензией Gemma.

etri-xainlp/llama3-8b-dpo_v1 — диалоговая языковая модель команды ETRI xainlp, дообученная на базе meta-llama/Llama-8b-hf. Модель принимает и генерирует только текст; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — до 8192 токенов. Модель обучалась с помощью SFT и LoRA на 1,821 млн примеров с инструкциями, затем с помощью DPO и LoRA на 221 тыс. примеров пользовательских предпочтений. Она предназначена для диалогов и выполнения текстовых инструкций. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Карточка модели Mihaiii/Pallas-0.3 на Hugging Face совпадает с карточкой Mihaiii/Pallas-0.4, поэтому описание составлено по ней. Mihaiii/Pallas-0.4 — инструкционная дообученная языковая модель на архитектуре Llama, созданная на базе migtissera/Tess-34B-v1.4. Она содержит 33,9 млрд параметров и поддерживает контекст до 200 000 токенов. Модель предназначена для рассуждений и понимания текста, хорошо работает с длинными системными промптами. Её можно использовать для ответов на вопросы и анализа длинных текстовых материалов; для художественного повествования она не предназначена. Обучение выполнено на частном датасете. Лицензия указана как other.

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.

WizardLM-13B-V1.2 — полноразмерная текстовая модель с архитектурой Llama, разработанная командой WizardLM и обученная на базе Llama 2 13B. Модель предназначена для генерации ответов на инструкции и многоходового диалога; в карточке приведён шаблон общения в стиле Vicuna. Число параметров — 12,9 млрд, контекст — 4096 токенов. Модель подходит для диалоговых помощников, ответов на вопросы и выполнения сложных текстовых инструкций. В README приведены результаты внутренних оценок MT-Bench, AlpacaEval и WizardLM Eval; авторы отмечают, что тестирование выполнялось самостоятельно и результаты ожидали проверки. Репозиторий содержит веса PyTorch. Лицензия — Llama 2 License.

amir22010/gemma4-e4b-w4a16-it-v2 — мультимодальная модель для диалога и анализа изображений, созданная Team Horizon на основе google/gemma-4-E4B-it. Это версия Gemma 4 E4B Instruct с квантизацией весов W4A16: веса представлены в 4-битном формате, активации остаются в FP16. Поддерживаются входные изображения и текст; модель предназначена для визуальных вопросов и ответов, анализа документов и диалоговых инструкций. Квантизация выполнена методом RTN для линейных слоёв; lm_head и аудиослои исключены. По README, для инференса требуется около 10 ГБ видеопамяти, рекомендуется 16–24 ГБ. Заявлены улучшения на отдельных бенчмарках после калибровки на TextVQA, DocVQA и UltraChat, однако эти результаты относятся к тестам автора и не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии Apache-2.0. Среди известных ограничений — небольшое снижение точности на задачах анализа документов относительно базовой модели; аудиослои сохранены в исходной точности и не квантизированы.

Yukang/Llama-2-7b-longlora-32k-ft — дообученная полная версия LLaMA 2 на 7 млрд параметров, созданная авторами проекта LongLoRA для работы с длинным контекстом. Модель предназначена для генерации текста и обработки запросов, в которых важно учитывать большой объём предшествующего текста, например длинные документы. Контекст этой версии расширен до 32 768 токенов. В README описан подход LongLoRA: для эффективного расширения контекста при дообучении используется разреженное локальное внимание, при этом во время инференса сохраняется плотное глобальное внимание. Метаданные указывают нативную длину контекста 4 096 токенов, поэтому заявленное в README расширение до 32 768 токенов следует отличать от этого значения. Модель использует архитектуру LlamaForCausalLM и распространяется в формате PyTorch. Модель подходит для суммаризации и вопросов по длинным текстам, но README не приводит отдельные оценки качества именно этого чекпойнта. Условия лицензии в предоставленных данных не указаны.

PIT-4B-FT — англоязычная instruction-tuned языковая модель семейства Point-In-Time GPT от Diamegs. Это декодерный Transformer для генерации текста и следования инструкциям; LoRA-адаптеры обучены на инструкционных данных и объединены с базовыми весами Diamegs/PIT-4B-202412. Модель отражает знания из веб-текстов FineWeb по декабрь 2024 года и предназначена для генерации ответов и анализа, учитывающего состояние знаний на этот момент. Модель работает с текстом, использует библиотеку Transformers и хранится в формате safetensors. Контекст ограничен 2048 токенами. Лицензия — Apache-2.0. У модели нет RLHF и дополнительной настройки безопасности; она может воспроизводить предвзятость обучающих данных. Её знания ограничены материалами, доступными до декабря 2024 года, поэтому для критически важных задач требуется дополнительная проверка и настройка.

PowerBot-8B — объединённая модель на базе Llama 3, созданная автором репозитория с помощью Mergekit из nvidia/Llama3-ChatQA-1.5-8B и refuelai/Llama-3-Refueled. Она предназначена для генерации текста и диалоговых сценариев, включая ответы на вопросы по документам с сохранением полного документа в контексте. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров. Она принимает текст, поддерживает английский язык и имеет контекстное окно 8192 токена. Веса опубликованы в формате Safetensors и bfloat16; модель распространяется по лицензии Apache-2.0.

LFM2.5-VL-1.6B — компактная мультимодальная модель Liquid AI для понимания изображений и диалога по визуальному содержимому. Это дообученная версия LFM2.5-1.2B-Base: языковая основа дополнена визуальным энкодером SigLIP2 NaFlex на 400 млн параметров. Модель содержит 1,6 млрд параметров и имеет контекст 32 768 токенов. Модель принимает изображения и текст, а отвечает текстом. Она подходит для описания изображений, распознавания текста на изображениях и документах, ответов на вопросы по визуальному содержимому и работы с несколькими изображениями. Поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Обрабатывает изображения до 512×512 пикселей без масштабирования; более крупные изображения делит на фрагменты с дополнительным обзорным изображением. Для локального запуска и адаптации доступны Transformers и vLLM. К сильным сторонам относятся следование инструкциям, обработка изображений высокого разрешения, OCR и многоязычное понимание изображений. Модель не предназначена для задач, требующих обширных знаний. В карточке Hugging Face лицензия обозначена как other; конкретные условия следует сверить с файлами репозитория Liquid AI.

T5Gemma-2B-2B-PrefixLM-IT — разработанная Google instruction-tuned модель семейства T5Gemma с энкодером и декодером по 2 млрд параметров. Она основана на предварительно обученной модели google/t5gemma-2b-2b-prefixlm и предназначена для генерации и преобразования текста по инструкциям. Архитектура encoder-decoder объединяет энкодер и декодер; веса доступны в формате safetensors и модель рассчитана на работу с английским текстом. Её можно применять для ответов на вопросы, суммаризации, рассуждений и создания текстов. Небольшой по меркам крупных языковых моделей размер позволяет запускать её на локальных компьютерах или в облачной инфраструктуре. Модель может ошибаться в фактах, хуже справляться со сложными или неоднозначными запросами и наследовать смещения обучающих данных. Лицензия — Gemma; перед использованием следует учитывать политику допустимого использования Gemma.

google/t5gemma-l-l-ul2-it — англоязычная instruction-tuned модель семейства T5Gemma, разработанная Google на основе google/t5gemma-l-l-ul2. Это encoder-decoder-модель для преобразования текста в текст: предварительно обученную архитектуру T5Gemma адаптировали с помощью UL2, а затем настроили на выполнение инструкций. Репозиторий содержит веса в формате safetensors и предназначен для использования через Transformers. Модель подходит для генерации и редактирования текста по запросам, суммаризации, ответов на вопросы и рассуждений. В карточке также описаны сценарии создания черновиков писем и другого контента. Английский указан как язык модели; размер и длина контекста для этого репозитория в предоставленных данных не приведены. Как и другие языковые модели, она может выдавать фактические ошибки, отражать предвзятости обучающих данных и хуже справляться с неоднозначными формулировками и сложными открытыми задачами. Лицензия Gemma; применение регулируется политикой допустимого использования Gemma.

google/t5gemma-ml-ml-ul2-it — инструкция-дообученная текстовая модель семейства T5Gemma от Google, построенная как encoder-decoder с энкодером и декодером размера ML и адаптацией UL2. Семейство T5Gemma преобразует предварительно обученные decoder-only модели в encoder-decoder архитектуру; эта версия предназначена для диалоговой генерации текста по инструкциям. Модель работает с текстом на английском языке и использует библиотеку Transformers; репозиторий содержит веса в формате Safetensors. Модель подходит для ответов на вопросы, суммаризации, рассуждений и создания текстов, включая черновики писем, маркетинговые материалы и творческие форматы. Компактный размер семейства позволяет рассматривать запуск на локальных компьютерах или в облаке, хотя для этой конкретной версии в предоставленных данных нет точного числа параметров. Качество зависит от обучающих данных и формулировки запроса; модель может упускать языковые нюансы, ошибаться в фактах и воспроизводить смещения. Лицензия — Gemma; применяются ограничения политики допустимого использования Gemma.