safetensors: формат, квантизация, runtime и память принадлежат одному artifact

pytorch: формат, квантизация, runtime и память принадлежат одному artifact

Открытая мультимодальная модель Qwen с 35 млрд параметров для диалогов, агентного программирования и анализа изображений.

Подходит для: написание и изменение кода в репозитории · анализ структуры проекта и поиск причин ошибок · создание веб-интерфейсов по описанию

GLM-5.1 — языковая модель Z.ai для генерации кода и длительных агентных инженерных задач с инструментами.

Подходит для: генерация кода по описанию задачи · поиск и исправление ошибок в репозитории · выполнение многоэтапных задач в терминале

Дообученная мультимодальная модель Qwen на 27 млрд параметров для более эффективных рассуждений, программирования, диалогов и агентных задач.

Подходит для: написание и отладка кода · выполнение многошаговых задач через терминал · создание программных прототипов по текстовому описанию

Модель SASVA AI на базе Qwen3.8-27B генерирует Terraform-конфигурации на HCL по описанию инфраструктуры.

Подходит для: создание Terraform-конфигурации AWS по описанию инфраструктуры · генерация HCL для GCP, Azure и Kubernetes · подготовка файлов `.tf` с блоками ресурсов, переменных и выходных значений

Большая языковая модель NVIDIA с архитектурой LatentMoE для диалогов, рассуждений, длинного контекста и ИИ-агентов.

Подходит для: автоматизация классификации и обработки IT-заявок · создание чат-бота с поддержкой длинного контекста · ответы на вопросы по нескольким документам в RAG-системе

Многоязычная MoE-модель Nomic AI, создающая текстовые эмбеддинги для семантического поиска и извлечения документов.

Подходит для: семантический поиск по многоязычным документам · поиск релевантных фрагментов для RAG · сопоставление пользовательского запроса с документами

Многоязычный реранкер Jina AI на базе Qwen3-0.6B, который сортирует документы по релевантности запросу для поиска и RAG.

Подходит для: переранжирование результатов поисковой выдачи · отбор релевантных фрагментов для RAG · сортировка найденных документов по запросу

Мультимодальная модель Z.ai для диалогов, анализа изображений, программирования и агентных задач.

Подходит для: ответы на вопросы по изображениям · описание и анализ визуальных материалов · помощь с программированием

Nomic Embed Code — дообученная модель на 7,1 млрд параметров, которая строит эмбеддинги кода и помогает находить подходящие фрагменты по текстовому запросу.

Подходит для: Поиск реализации функции по её текстовому описанию · Семантический поиск по репозиторию кода · Сопоставление фрагментов кода с описаниями функций

Реранкер ZeroEntropy на базе Qwen3-4B оценивает релевантность документов запросу и улучшает порядок результатов поиска.

Подходит для: повторное ранжирование документов в поисковой системе · сортировка кандидатов, найденных системой RAG · улучшение выдачи по запросам на естественном языке

Крупная модель MoE на базе Qwen 3.5 для агентного программирования, решения задач разработки и работы с инструментами.

Подходит для: решение задач разработки в терминальном coding-агенте · поиск и исправление ошибок в кодовой базе · автоматизация задач программирования с вызовом инструментов

Модель Nomic AI для преобразования изображений в эмбеддинги и мультимодального поиска по изображениям и текстовым запросам.

Подходит для: поиск изображений по текстовому запросу · извлечение эмбеддингов изображений для индексации · мультимодальный поиск в RAG-системе

Мультимодальная модель Qwen3.6 с 35 млрд параметров для диалогов, анализа изображений, агентного программирования и работы с инструментами.

Подходит для: написание и отладка кода по запросу · анализ и изменение кода в репозитории · создание и доработка веб-интерфейсов

Esper 2 — дообученная на Llama 3.2 3B Instruct модель для помощи с DevOps, облачной архитектурой и кодом.

Подходит для: генерация Terraform-конфигураций для AWS, Azure и GCP · создание и оптимизация Dockerfile · написание shell-скриптов для автоматизации DevOps

Trinity-13B — модель WhiteRabbitNeo для генерации кода и создания автономных программных агентов.

Подходит для: генерация кода для веб-сервисов на Python · создание примеров работы с AWS S3 · объяснение фрагментов кода и подходов к реализации

Мультиязычная модель Jina AI, создающая согласованные эмбеддинги текста и изображений для поиска и сопоставления между модальностями.

Подходит для: поиск изображений по текстовому запросу на разных языках · поиск текстов, соответствующих изображению · поиск похожих изображений

Мультимодальная модель Abacus.AI на базе Qwen3.8-27B для многошагового использования инструментов и автоматизации задач.

Подходит для: выполнение многошаговых задач с вызовом инструментов · автоматизация рабочих процессов через агентные сценарии · управление действиями в исполняемой среде до достижения результата

Многоязычный реранкер Jina AI, который переупорядочивает найденные документы по релевантности запросу.

Подходит для: повторная сортировка результатов поисковой выдачи · ранжирование кандидатов для RAG-системы · многоязычный поиск по коллекции документов

Англоязычная авторегрессионная модель EleutherAI для генерации текста и научного исследования поведения и интерпретируемости языковых моделей.

Подходит для: эксперименты с генерацией английского текста · исследование интерпретируемости языковых моделей · сравнение поведения моделей разных размеров

Переранжировщик на базе BAAI/bge-reranker-large оценивает релевантность корейских фрагментов запросу для улучшения поиска и RAG.

Подходит для: переранжирование найденных документов по корейскому запросу · повышение релевантности контекста в корейской RAG-системе · сортировка ответов и фрагментов по соответствию вопросу

Мультиязычная мультимодальная модель Jina AI ранжирует текстовые и визуальные документы по релевантности запросу.

Подходит для: поиск по отсканированным страницам и документам со сложной вёрсткой · ранжирование таблиц, графиков и инфографики по текстовому запросу · переранжирование результатов мультиязычного поиска

Дообученная модель Mistral на 7,1 млрд параметров для генерации текста и диалогов с контекстом до 524 288 токенов.

Подходит для: поиск заданного факта в длинном документе · ответы на вопросы по большому набору текстов · многошаговое извлечение связанных сведений из контекста