I.12Рекомендации и персонализация

Это англоязычный разреженный CSR-энкодер tomaarsen, дообученный на базе mixedbread-ai/mxbai-embed-large-v1 на наборе Natural Questions с помощью библиотеки Sentence Transformers. Модель преобразует запросы и фрагменты текста в разреженные векторы размерности 4096; предусмотрено до 256 активных измерений. Максимальная длина входа — 512 токенов, сходство оценивается косинусной мерой. Модель предназначена для семантического поиска и разреженного поиска по запросам и документам, в частности для сценариев вопросов и ответов, похожих на Natural Questions. В README приведены результаты оценки поиска при разных ограничениях на число активных измерений; метрики относятся к указанным наборам nq_eval и не гарантируют аналогичное качество на других данных. Лицензия — Apache-2.0.

Это англоязычный разреженный энкодер SPLADE, созданный разработчиками карточки на основе Luyu/co-condenser-marco с дообучением на MS MARCO с использованием hard negatives и дистилляции. Модель построена на BERT с головой masked language modeling и max-пулингом SPLADE; она преобразует предложения и абзацы в разреженные векторы размерности 30 522, сравниваемые скалярным произведением. Число параметров — 136,7 млн, контекст по метаданным — до 512 токенов; в README указана максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и разреженного поиска информации: векторизует запросы и документы, чтобы находить релевантные фрагменты. В README приведены оценки на наборах NanoMSMARCO и NanoBEIR. Модель принимает текст и выдаёт векторные представления; для запуска поддерживается библиотека sentence-transformers. Лицензия Apache-2.0. Модель оптимизирована для английского языка и обучалась на MS MARCO, поэтому качество на других языках и предметных областях может быть ниже; приведённые оценки получены на небольших Nano-наборах и не гарантируют качество на произвольных данных.

Это векторная модель Sentence Transformers на архитектуре ModernBERT, дообученная Thivy на базе ibm-granite/granite-embedding-311m-multilingual-r2 на наборе eti-embedding-training-data-4096-granite-v2. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 для семантического поиска, сравнения текстов, поиска перефразировок, классификации и кластеризации. Модель рассчитана на норвежский букмол и нюношк, включая длинные фрагменты: README указывает максимум 4096 токенов, а метаданные — нативный контекст 32768 токенов. В README приведены метрики на тестовых данных: точность cosine similarity 0,985 для TripletEvaluator и cosine_accuracy@1 0,612, @3 0,902, @5 0,95 для InformationRetrievalEvaluator; эти результаты относятся к указанным наборам оценки и не гарантируют качество на других данных. Модель предназначена для построения поиска и сравнения текстов на норвежском языке, в том числе для содержательных фрагментов длиной до 4096 токенов. Обучающий набор содержит 543 922 примера. Доступны веса в формате safetensors; в предоставленных данных лицензия не указана.

Janus-ORPO-7B — языковая модель, разработанная KAIST AI на основе Mistral-7B-v0.2 с применением метода ORPO. Для выравнивания использован Multifaceted Collection — набор из 196 тысяч уникальных системных сообщений, представляющих разнообразные предпочтения людей. Модель предназначена для генерации ответов на английском языке с учетом инструкций и заданного системного сообщения. Она подходит для диалогов и персонализированных ответов, а обучение также направлено на полезность и безвредность ответов. Архитектура — плотная авторегрессионная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель распространяется по лицензии Apache 2.0. Карточка описывает обучение на предпочтениях, но не приводит количественных результатов оценки; качество ответов может зависеть от системного сообщения и формулировки запроса.

Это японская модель CLOOB (Contrastive Leave One Out Boost), разработанная компанией rinna Co., Ltd. Она предназначена для извлечения сопоставимых признаковых представлений изображений и текста: модель использует изображенческий энкодер ViT-B/16 и 12-слойный BERT-энкодер текста. В метаданных Hugging Face основная задача указана как feature-extraction; репозиторий содержит веса PyTorch и Safetensors. Модель обучена на CC12M с подписями, переведёнными на японский язык. Её можно применять для построения мультимодальных эмбеддингов, поиска изображений по японскому описанию и сопоставления изображений с текстом. Изображенческий энкодер инициализирован из AugReg vit-base-patch16-224. Для использования требуется совместимый код и зависимости; карточка ссылается на модель japanese-clip как на другие доступные модели семейства. Лицензия — Apache-2.0.

В репозитории SerialKicked/Lethe-AI-Repo собраны ресурсы для библиотеки Lethe AI Sharp: GGUF-модели, шаблоны Jinja и файлы для интеграции локальных LLM. В него входят квантованная модель эмбеддингов GTE large в формате Q6_K для поиска по RAG-сценариям и квантованный классификатор эмоций на базе BERT-base-uncased, дообученный на GoEmotions для многометочной классификации 28 эмоций. Также размещены исправленные шаблоны диалогов Mistral и Qwen. Репозиторий предназначен для разработчиков, использующих библиотеку Lethe AI Sharp на C#/.NET: его компоненты помогают организовать векторный поиск по документам и экспериментальный анализ эмоций. Для классификатора указано экспериментальное применение; характеристики контекста и полный перечень поддерживаемых языков в карточке не приведены. Лицензия репозитория — MIT.

NLLB-CLIP-Large-SigLIP — мультиязычная модель для сопоставления изображений и текста, объединяющая текстовый энкодер NLLB и визуальный энкодер SigLIP. Её можно применять для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт варианты подписей, а модель оценивает их соответствие изображению. Модель расширяет возможности CLIP на 201 язык набора Flores-200 и, согласно карточке, особенно хорошо работает с языками с ограниченными ресурсами. В README заявлено, что версия превосходит стандартный вариант и показывает state-of-the-art результат на Crossmodal-3600. Модель интегрирована с OpenCLIP; веса доступны в формате PyTorch. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение. Карточка не приводит численный размер модели или длину контекста.

passage-ranker.strawberry — модель ранжирования пассажей, разработанная Sinequa. Она оценивает релевантность пары «поисковый запрос — фрагмент текста», чтобы упорядочивать результаты поиска. Модель построена на XLM-RoBERTa и имеет около 110,2 млн параметров; README указывает базовую языковую модель mMiniLMv2-L6-H384-distilled-from-XLMR-Large и процедуру обучения MonoBERT. Модель обучалась и тестировалась на английском, китайском (упрощённом), нидерландском, французском, немецком, итальянском, японском, португальском и испанском языках. Контекст составляет 514 токенов; модель нечувствительна к регистру и диакритическим знакам. Она предназначена для многоязычного поиска и ранжирования результатов, включая применение в Sinequa версии 11.10.0 и выше. В README приведены результаты оценки на наборах BEIR и MIRACL. Модель распространяется в формате PyTorch. Для работы на GPU README указывает требование CUDA compute capability выше 7.5. Оценка релевантности обучена на MS MARCO Passage Ranking и переводах его данных для поддерживаемых языков, поэтому качество может различаться в зависимости от языка и предметной области. Лицензия в предоставленных данных не указана.

Ruri-Reranker-Small — японская модель ранжирования текстовых пар, разработанная cl-nagoya и основанная на Sentence Transformers. Она дообучена на cl-nagoya/ruri-reranker-stage1-small и использует архитектуру DistilBERT с классификационной головой; размер модели составляет 68 млн параметров, максимальная длина последовательности — 512 токенов. Модель предназначена для повторного ранжирования результатов поиска: она оценивает релевантность пары «запрос — документ», чтобы расположить наиболее подходящие результаты выше. В README приведены оценки на японских наборах JQaRA, JaCWIR и MIRACL; модель компактнее вариантов Ruri Base и Large. Модель принимает текст и выдаёт оценку релевантности. Она рассчитана на японский язык и опубликована под лицензией Apache 2.0. Длина входной последовательности ограничена 512 токенами; в приведённых бенчмарках показатели отличаются от более крупных моделей семейства Ruri.

Stella-PL-retrieval — польскоязычный текстовый энкодер для информационного поиска, разработанный на основе stella_en_1.5B_v5 и дообученный для поиска по польским текстам. Модель сначала адаптировали к польскому языку методом мультиязычной дистилляции на 20 миллионах польско-английских пар, затем дообучили контрастивной функцией потерь на 1,4 миллиона запросов с подобранными положительными и отрицательными фрагментами. В основе — плотная архитектура Qwen2 с 1,5 млрд параметров; репозиторий содержит веса safetensors. Контекст модели составляет до 131 072 токенов. Энкодер преобразует текст в векторы размерностью 1024 и предназначен прежде всего для поиска релевантных документов по запросу на польском языке. В README указано значение NDCG@10 62,32 на Polish Information Retrieval Benchmark. Модель оптимизирована для информационного поиска; для семантического сходства и кластеризации разработчики рекомендуют дистиллированную модель sdadas/stella-pl. Лицензия в метаданных указана как Gemma.

SkillScout Large — плотный bi-encoder, дообученный для TalentCLEF 2026 Task B на основе jjzha/esco-xlm-roberta-large. Он кодирует название профессии в эмбеддинг размерности 1024 и позволяет находить семантически близкие навыки в таксономии ESCO с помощью косинусного сходства. Модель предназначена для первого этапа двухэтапного поиска «профессия — навыки»: быстрого извлечения кандидатов, например с помощью FAISS; для повышения качества ранжирования её можно дополнить cross-encoder-реранкером. Модель использует XLM-RoBERTa-large со mean pooling, содержит 658,7 млн параметров и принимает текст. Контекст модели — 514 токенов, однако карточка рекомендует ограничивать вход 64 токенами; длинные описания вакансий следует сокращать до названия должности. Модель обучена на английских метках ESCO и оптимизирована для этой таксономии; результаты на O*NET и пользовательских таксономиях могут отличаться. Bi-encoder сам по себе ненадёжно различает основные и контекстные навыки, поэтому для градуированного ранжирования полезен реранкер. Лицензия — Apache-2.0.

TeluguSBERT-STS — модель семейства BERT от L3Cube-Pune для получения векторных представлений предложений на телугу и оценки их семантического сходства. Она создана на основе l3cube-pune/telugu-sentence-bert-nli и дообучена на наборе данных STS; модель выпущена в рамках проекта MahaNLP. Модель подходит для сравнения смысла двух предложений, поиска похожих фраз и построения семантического поиска на телугу. Это плотная модель с 264,8 млн параметров и контекстом до 512 токенов; репозиторий содержит веса PyTorch, а метаданные отмечают поддержку эмбеддингов. Лицензия — CC BY 4.0.

TIPS B/14 (v1) — контрастивная модель «текст—изображение» семейства TIPS, представленная в карточке как оригинальный релиз, преобразованный из официальных чекпойнтов. Она предназначена для сопоставления изображений и текстовых описаний и классификации изображений по текстовым меткам без отдельного обучения на этих классах. Модель объединяет визуальный энкодер ViT-B/14 с 12 слоями и текстовый трансформер с 12 слоями. Визуальная часть содержит 86 млн параметров, текстовая — 110 млн; размер эмбеддинга — 768. Штатное разрешение изображений — 448 пикселей, поддерживаются другие разрешения, кратные размеру патча, с интерполяцией позиционных эмбеддингов. Для текста используется токенизатор SentencePiece с ограничением в 64 токена. Пространственно насыщенные признаки изображений выравниваются с текстовыми эмбеддингами; веса доступны в формате safetensors, библиотека для работы — Transformers. Модель подходит для поиска изображений по описаниям, сравнения изображения с вариантами текста и zero-shot классификации. Лицензия — Apache-2.0. В README не заявлена поддержка конкретных естественных языков; текстовый энкодер ограничен 64 токенами. Для изображений требуется вход в диапазоне [0, 1] без нормализации ImageNet.

TIPS S/14 (v1) — контрастивная модель «изображение–текст» семейства TIPS, представленная в карточке как конверсия официальных чекпойнтов. Модель сочетает визуальный энкодер ViT-S/14 на 22 млн параметров и 12-слойный текстовый трансформер на 34 млн параметров; размерность эмбеддингов — 384. Она создаёт пространственно информативные признаки изображений, согласованные с текстовыми эмбеддингами. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, а также для извлечения и сопоставления визуальных и текстовых признаков. Штатное разрешение изображений — 448 пикселей; поддерживаются другие разрешения, кратные размеру патча, с интерполяцией позиционных эмбеддингов. Изображения подаются в диапазоне [0, 1] без нормализации ImageNet; текст обрабатывается токенизатором SentencePiece в нижнем регистре, максимум 64 токена. Визуальная башня обучалась с двумя CLS-токенами: первый согласован с текстовой башней, второй обучался на синтетических подписях. Модель опубликована под лицензией Apache-2.0. Языковой охват в карточке не уточнён.

peggyes/abena-simcse-twi — модель Sentence Transformers, дообученная на базе Ghana-NLP/abena-base-asante-twi-uncased для получения векторных представлений предложений и абзацев на языке Asante Twi. Архитектура включает BERT, усредняющий слой pooling и плотные эмбеддинги размерности 768; сходство между векторами можно оценивать косинусной мерой. Модель обучалась на 7 000 пар текстов с функцией потерь MultipleNegativesRankingLoss и подходит для поиска и сравнения текстов. Модель принимает текст; длина последовательности в README указана до 64 токенов, а максимальный контекст базовой модели в метаданных — 512 токенов. Для задач поиска и сопоставления следует учитывать ограничение в 64 токена, указанное для этой модели. Языковая специализация — Asante Twi. Репозиторий использует формат safetensors и библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

laion/CLIP-convnext_base_w-laion2B-s13B-b82K-augreg — модель сопоставления изображений и текста семейства CLIP, обученная Ross Wightman с помощью OpenCLIP на подмножестве LAION-2B. Она предназначена прежде всего для классификации изображений по текстовым описаниям без дополнительного обучения, а также для поиска изображений по тексту и поиска текста по изображению. Визуальная часть модели основана на ConvNeXt-Base, текстовая — на архитектуре OpenAI CLIP RN50x4: глубина 12 слоёв и размерность эмбеддингов 640. Модель обучалась на разрешении 256×256 с усиленной аугментацией и регуляризацией; показатель zero-shot top-1 на ImageNet составляет 71,5%. Она рассчитана на английские запросы и подписи. README указывает, что модель предназначена для исследований и не рекомендуется для развёртывания без тщательной проверки на конкретной задаче и фиксированном наборе классов. Применение для наблюдения и распознавания лиц исключено. Лицензия репозитория — MIT.

alakxender/e5-dhivehi-paws-mnr — модель в формате Sentence Transformers, дообученная разработчиком на базе intfloat/multilingual-e5-base для понимания смыслового сходства предложений на дивехи. Она кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения используется косинусное сходство. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений, максимальная длина последовательности в карточке — 256 токенов. Модель подходит для поиска семантически близких фраз, выявления перефразирований, кластеризации текстов и построения поиска по дивехи. README также перечисляет классификацию текста как возможный сценарий использования эмбеддингов. Обучение проводилось на 25 436 парах из alakxender/dhivehi-paws-labeled с MultipleNegativesRankingLoss; приведённая оценка Spearman для сходства составляет 0,283. Метаданные указывают 311,4 млн параметров и лицензию MIT. В README заявлена специализация на дивехи, но также приведена базовая мультиязычная модель; качество для других языков отдельно не оценено.

facebook/fasttext-es-vectors — предварительно обученные испанские векторные представления слов на базе fastText, разработанного Facebook. Модель предназначена для получения векторов слов и их применения в задачах классификации текста и определения языка. Она подходит для экспериментов, прототипирования и практических приложений, работает на обычном многоядерном процессоре и не требует специализированного оборудования. Векторы обучены методом CBOW с позиционными весами на корпусах Common Crawl и Wikipedia. Размерность представлений — 300; используются символьные n-граммы длины 5, окно контекста 5 и 10 отрицательных примеров. Символьные n-граммы позволяют строить представления также для словоформ, не встречавшихся напрямую при обучении. Модель ориентирована на испанский язык. Лицензия — CC BY-SA 3.0. Косинусное сходство векторов можно использовать для оценки семантической близости слов. Предсказания могут отражать смещения, присутствующие в обучающих данных.

facebook/fasttext-tr-vectors — предварительно обученная модель векторных представлений слов fastText для турецкого языка. fastText разработана Facebook как открытая лёгкая библиотека для обучения векторов слов и классификаторов текста; эта модель предназначена для получения векторов, которые можно использовать в классификации текста, определении языка и сравнении семантической близости слов. Векторы обучены методом CBOW с позиционными весами на корпусах Common Crawl и Википедии. Размерность векторов — 300, используются символьные n-граммы длиной 5, окно контекста 5 и 10 отрицательных примеров. Модель принимает текст и выдаёт векторные представления слов. Символьные n-граммы помогают получать векторы для словоформ, в том числе редких. Модель можно применять на обычном оборудовании, в том числе в прототипах и производственных системах. Векторы отражают статистику обучающих корпусов и могут содержать смещения; они не предназначены сами по себе для генерации текста. Лицензия — CC-BY-SA-3.0.

Карточка модели LanguageBind/LanguageBind_Video_V1.5_FT на Hugging Face совпадает с карточкой LanguageBind/LanguageBind_Image, поэтому описание составлено по ней. LanguageBind_Image — модель для сопоставления изображений с текстовыми описаниями в рамках проекта LanguageBind, разработанного авторами исследования LanguageBind, принятого на ICLR 2024. В репозитории она представлена как PyTorch-модель на базе архитектуры CLIPModel и предназначена для классификации изображений без примеров на этапе обучения: пользователь задаёт текстовые метки или описания, а модель оценивает их соответствие изображению. Модель входит в мультимодальный подход LanguageBind, который использует язык как общий семантический ориентир для связывания представлений разных модальностей. Для этого чекпойнта подтверждён сценарий zero-shot классификации изображений; описание проекта также упоминает вычисление сходства между модальностями и текстом. README не сообщает размер этой модели, её языковой охват или длину контекста. Лицензия репозитория — MIT.

Llama-3.3-Nemotron-Super-49B-GenRM-Multilingual — генеративная модель оценки ответов, разработанная NVIDIA на основе Llama-3.3-Nemotron-Super-49B-v1 и дообученная с помощью обучения с подкреплением. Она анализирует историю многоязычного диалога и оценивает один ответ или сравнивает два ответа: сначала формирует рассуждение, затем выдаёт целочисленную оценку качества и, при сравнении, рейтинг предпочтения. Модель построена на трансформерной архитектуре Nemotron-NAS с классом DeciLMForCausalLM; карточка указывает 49 млрд параметров, а метаданные — 87 млрд. Поддерживаются текстовый ввод и текстовый вывод, контекст до 131 072 токенов. Заявлены английский, китайский, корейский, французский, испанский, русский, японский, немецкий, итальянский, португальский, польский, индонезийский, нидерландский и вьетнамский языки. Для запуска рекомендованы vLLM 0.8.3 и как минимум две GPU NVIDIA с 80 ГБ памяти. Модель предназначена для оценки полезности ответов и ранжирования вариантов в многоязычных чат-сценариях; в README также приведены результаты на RM-Bench и JudgeBench. Разработчик заявляет возможность коммерческого и некоммерческого использования; метаданные обозначают лицензию как other, поэтому конкретные лицензионные условия следует сверять с карточкой модели. Практическое ограничение — высокая потребность в GPU-памяти; оценки качества могут не совпадать с предпочтениями конкретного пользователя или критериями предметной области.

Lumma-Fev-0.1B — компактная модель принятия решений компании FrontiersMind, дообученная на FrontiersMind/Nandi-Mini-150M. Это причинный трансформер с архитектурой FevForDecision и механизмом выбора по вариантам ответа: за один проход модель читает документ-состояние и набор типизированных вопросов, затем выдаёт вероятности для каждого вопроса, не генерируя текст. Поддерживаются вопросы форматов «да/нет», выбор из вариантов и оценка по упорядоченной шкале. Модель предназначена для классификации и структурированных решений по тексту или состоянию, заданному текстом, JSON-объектом либо массивом. Вопросы обрабатываются независимо друг от друга, а выводы можно использовать в локальных приложениях и API, совместимом с TypeSafe. В карточке приведён пример автономного выбора игровых действий по состоянию Super Mario; метаданные классифицируют модель как text-classification и указывают английский язык. Модель хранится в формате safetensors с точностью bf16. В качестве ограничения автор отмечает, что уверенность и вероятности являются оценками модели и требуют проверки калибровки на размеченных данных перед использованием для автоматических действий. Лицензия — Apache-2.0.

jeffwan/mmarco-mMiniLMv2-L12-H384-v1 — многоязычный cross-encoder на базе multilingual MiniLMv2, дообученный на MMARCO: машинно переведённой версии MS MARCO. Модель сопоставляет запрос с каждым найденным фрагментом текста и оценивает их релевантность, чтобы ранжировать результаты информационного поиска. Её можно применять для повторного ранжирования кандидатов, предварительно найденных поисковой системой, например Elasticsearch, и для сортировки абзацев по соответствию запросу. В карточке указано, что обучение охватывает 14 языков и что модель показала хорошие результаты также на других языках. Архитектура — XLM-RoBERTa для классификации последовательностей, размер — 124,3 млн параметров, длина контекста — 514 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель оценивает пары «запрос — фрагмент», поэтому для большого корпуса обычно сначала требуется отдельный этап поиска кандидатов. Обучающие данные получены машинным переводом MS MARCO; качество на других языках не гарантируется указанными экспериментами.

cross-encoder/ms-marco-TinyBERT-L2-v2 — компактный кросс-энкодер на архитектуре BERT, дообученный на задаче ранжирования отрывков MS MARCO. Модель разработана командой Sentence Transformers и предназначена для информационного поиска: она оценивает релевантность пары «запрос — отрывок», после чего найденные документы можно отсортировать по оценке. Обычно её используют как второй этап поиска после первичного отбора кандидатов, например поисковой системой ElasticSearch. Модель содержит 4,4 млн параметров, принимает текст и выдаёт оценку релевантности; максимальная длина входа — 512 токенов. Основной язык — английский. В приведённом сравнении модель показывает NDCG@10 69,84 на TREC Deep Learning 2019 и MRR@10 32,56 на тестовой выборке MS MARCO; в замерах на V100 указана скорость 9000 документов в секунду. Доступны форматы PyTorch, Safetensors, ONNX, OpenVINO и Flax. Лицензия — Apache-2.0.

В репозитории ToddBB/MyAwesomeModel-TestRepo заявлена модель MyAwesomeModel, однако карточка не позволяет надёжно установить реальные возможности и характеристики именно этой модели. В ней приведены общие утверждения о рассуждениях, генерации кода и вызове функций, но они не подтверждены описанием архитектуры или доступными результатами для этого репозитория. Метаданные указывают на задачу извлечения признаков, архитектуру BERT и библиотеку Transformers; лицензия — MIT. Поэтому назначение модели описывается только как извлечение признаков, без переноса на неё неподтверждённых заявлений карточки.

OPI-PIB/pl-ModernBERT-large — крупный предварительно обученный энкодер ModernBERT для обработки польского языка, разработанный как часть семейства Polish ModernBERT. Это плотная модель с 28 слоями и размером скрытого представления 1 024; в репозитории указано около 474,5 млн параметров. Она принимает текст длиной до 8 194 токенов и предсказывает пропущенные токены, а после дообучения может использоваться как основа для классификации документов, разметки последовательностей, оценки сходства, поиска и переранжирования. Модель обучена примерно на 44,5 млрд польских токенов. Архитектура использует RoPE, GeGLU, предварительную нормализацию и чередование глобального и локального внимания; веса опубликованы в формате safetensors. В README приведены оценки на польских задачах NLU, включая KLEJ и LongContext, где модель показывает конкурентные результаты среди крупных польских энкодеров. Для перечисленных прикладных задач потребуется адаптация или дообучение под целевой сценарий. Лицензия — Apache-2.0. Модель предназначена прежде всего для польскоязычных задач; качество и применимость к другим языкам не подтверждены приведёнными сведениями.

prometheus-2-llama-3-8b — языковая модель для диалоговой генерации текста, созданная как репликация prometheus-7b-v2.0 на базе Llama 3 8B Instruct. Веса получены слиянием с равными коэффициентами двух моделей, отдельно обученных на наборах Preference-Collection и Feedback-Collection. Модель предназначена для диалоговых сценариев генерации и оценки ответов по предпочтениям и обратной связи. Это плотная авторегрессионная архитектура Llama с 7,5 млрд параметров и контекстом 8192 токена; она принимает текст и выдаёт текст. В карточке указаны английский язык и формат Transformers safetensors. Обучение описано как один этап длительностью одну эпоху с эффективным размером пакета 128, learning rate 1e-5, косинусным расписанием и примерно 5% warmup. Модель распространяется по лицензии Apache-2.0.

Карточка модели rickix84/recall-honcho-8b на Hugging Face совпадает с карточкой dman1011/recall-honcho-8b, поэтому описание составлено по ней. recall-honcho-8b — дообученная модель на базе Qwen/Qwen3-8B от автора репозитория dman1011. Она предназначена для этапа явного извлечения выводов в Honcho: по идентификатору собеседника и сообщениям диалога формирует атомарные, самодостаточные и правильно атрибутированные факты в JSON-схеме Honcho. Модель рассчитана на интеграцию как локальный компонент deriver; для последующих диалогических рассуждений автор рекомендует использовать более крупную модель. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и имеет контекст до 40 960 токенов. Веса доступны в safetensors; README также описывает отдельный LoRA-адаптер. Обучение выполнено методом LoRA на 7 160 синтетических примерах с метками, дистиллированными из Claude Opus 4.8. В проверочной выборке из 298 примеров указаны точность токенов 93,8% и eval loss 0,201. Модель обучена для английского языка. Модель извлекает только явно высказанные сведения и не предназначена для дедуктивных, индуктивных или абдуктивных выводов. Она оптимизирована под точный prompt Honcho, поэтому на запросах другого формата дисциплина вывода может ухудшиться. Лицензия — Apache-2.0.

sentence-transformers/roberta-base-nli-stsb-mean-tokens — модель sentence-transformers, обученная командой Sentence Transformers на базе RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения семантической близости, кластеризации и семантического поиска. Модель содержит 151,8 млн параметров, принимает текст и формирует эмбеддинги; максимальная длина контекста — 514 токенов. Доступны веса в форматах PyTorch, TensorFlow, Flax, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. В карточке она помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новую модель для векторного поиска и сравнения предложений.

TabRank — это диалоговая языковая модель на базе Qwen3-8B, дообученная AdarshSingh7647 для переранжирования таблиц. Она получает вопрос и список кандидатов-таблиц в одном сообщении и за одну генерацию возвращает их полный порядок в виде JSON с позициями кандидатов. Модель предназначена для второго этапа поиска: она переставляет таблицы из списка, уже найденного первой системой поиска, чтобы наиболее подходящие к вопросу оказались выше. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и имеет контекстное окно 40 960 токенов. Для обучения применялся LoRA ранга 16, слитый с весами базовой модели; файлы представлены в формате safetensors. В README сообщается об оценке на пяти бенчмарках, использованных при обучении, и семи бенчмарках вне обучающей выборки; результаты показывают улучшение среднего nDCG@10 относительно базовой модели. Лицензия — Apache-2.0.