Характеристики

Лицензия: Apache 2.0
Базовая модель: USER2-1C-code
Опубликована: 22 сен 2026

Ссылки

Hugging Face

USER2-1C-code-GGUF

Unimikes

ЭмбеддингиТекст → embedding5 профессий

GGUF-модель эмбеддингов на базе ModernBERT для семантического поиска по коду и решениям на 1С.

277скачиваний за 30 дней1лайквеса обновлены23 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

USER2-1C-code-GGUF — GGUF-представление векторной модели PruhaNLP/USER2-1C-code, подготовленное Unimikes для локального запуска в llama.cpp, llama-server и LM Studio. Основа — ModernBERT-base, дообученная на кодовой базе 1С:Предприятие, включая язык BSL, структуру конфигураций и типовые библиотеки БСП.

Модель предназначена для получения эмбеддингов и семантического поиска по коду 1С, построения RAG-систем и поиска похожих или дублирующихся процедур и функций. Она принимает текстовые запросы и фрагменты кода и выдаёт векторы размерностью 256 или 768; поддерживает контекст до 8192 токенов и CLS-пулинг. Репозиторий содержит веса GGUF в формате F16.

Карточка описывает специализацию на 1С и BSL; метаданные указывают русский язык. Лицензия — Apache-2.0.

Сценарии применения

поиск фрагментов кода 1С по запросу на естественном языке
поиск похожих процедур и функций BSL
индексация кода 1С для RAG-систем
получение эмбеддингов кода 1С для локального семантического поиска

Ограничения

Модель специализирована на кодовой базе 1С и не позиционируется как универсальная модель для генерации текста или кода. Для использования требуется совместимая среда, например llama.cpp или LM Studio.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели II.3Разработка и данныеРефакторинг, миграция и модернизацияAI помогает улучшать структуру программ и переносить их на новые технологии без потери поведения.20 задач9 764модели II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей II.4Разработка и данныеОтладка, тестирование и качество ПОAI помогает находить дефекты, строить проверки и повышать надёжность программного продукта.25 задач13 978моделей

Также подходит для

II.10Разработка и эксплуатация AI/ML-систем

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

USER2-1C-code-GGUF (FP16)

Официальная GGUF-квантизация модели векторных эмбеддингов PruhaNLP/USER2-1C-code в формате FP16 без потери качества для использования в llama.cpp, llama-server и LM Studio.

Модель специально обучена на кодовой базе 1С:Предприятие (язык BSL, структура конфигураций, типовые библиотеки БСП) и предназначена для семантического поиска по коду, построения RAG-систем и поиска дубликатов процедур/функций.

Характеристики модели

Базовая архитектура: ModernBERT-base (modern-bert), дообученная на корпусе кода 1С:Предприятие.
Размерность эмбеддингов: 256 (MRL / Matryoshka Representation Learning) или 768 (полная).
Размер контекста: до 8192 токенов.
Формат: GGUF (FP16, вес файла ~287 МБ).
Пулинг: CLS (pooling_type = 1).

Интеграция с ИИ-агентами через MCP

Для подключения модели к средам разработки (Google Antigravity, OpenCode, Claude Desktop, Cursor, Windsurf, Continue.dev) используйте официальный MCP-сервер:

👉 GitHub репозиторий: Unimik-gem/lmstudio-embedding-mcp

Сервер работает без сторонних зависимостей (чистый Python) и позволяет любому ИИ-ассистенту выполнять семантический поиск и расчет эмбеддингов через локальный инстанс LM Studio.

Использование в LM Studio

Скачайте файл USER2-1C-code-f16.gguf через поиск LM Studio (по запросу Unimikes/USER2-1C-code-GGUF) или поместите вручную в папку моделей.
Важная настройка классификации:
- В разделе My Models выберите user2-1c-code.
- В правой панели настроек в блоке Domain Control переключите значение на Text Embedding.
Во вкладке Developer / Local Server (<->) нажмите Load Model и запустите локальный сервер (порт по умолчанию: 1234).

Тестовый запрос к серверу (PowerShell)

curl.exe -X POST http://127.0.0.1:1234/v1/embeddings `
  -H "Content-Type: application/json" `
  -d '{\"model\": \"user2-1c-code\", \"input\": \"Процедура ПриСозданииНаСервере(Отказ, СтандартнаяОбработка)\"}'

Использование в llama-server / llama.cpp

llama-server -m USER2-1C-code-f16.gguf --embedding --pooling cls -c 8192 --port 8080

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов: a95fa14