I.12Рекомендации и персонализация

LMUnit-Qwen2.5-72B — языковая модель Contextual AI для оценки ответов по критериям на естественном языке. Она получает запрос, ответ и проверочный критерий и возвращает непрерывную оценку от 1 до 5: чем выше балл, тем лучше ответ соответствует критерию. Модель основана на Qwen2.5-72B-Instruct и дообучена для оценки качества текста. Она поддерживает диалоговый формат и интерфейс вызова инструментов; число параметров — 71,5 млрд, контекст — до 32 768 токенов. В карточке указана поддержка английского языка. Обучение объединяет сигналы сравнений ответов, прямых оценок и оценок по отдельным критериям. Разработчик приводит результаты на FLASK, BiGGen Bench, LFQA, RewardBench и RewardBench2. Модель подходит для автоматической проверки ответов по пользовательским критериям, ранжирования вариантов и оценки качества развернутых текстов. Лицензия в предоставленных данных не указана.

ModernCamemBERT — франкоязычная модель семейства ModernBERT, разработанная Almanach. Это базовая модель на 135,5 млн параметров, предварительно обученная на корпусе из 1 трлн токенов французского текста с целью masked language modeling. В обучающие данные вошли отфильтрованный French RedPajama-V2, научные документы HALvest и французская Википедия; используется токенизатор CamemBERTav2. Модель предназначена для дообучения под задачи обработки французского языка, включая распознавание именованных сущностей, классификацию, определение семантического сходства, ответы на вопросы и получение эмбеддингов. По сравнению с прежними моделями CamemBERT её преимущества — более быстрое обучение и инференс, а также длинный контекст до 8192 токенов. Для заполнения пропусков в тексте доступна задача fill-mask. Авторы отмечают, что CamemBERTaV2 превосходит её по эффективности использования данных и результатам на большинстве бенчмарков; ModernCamemBERT рекомендуют прежде всего для сценариев с длинным контекстом или требованием к скорости. Модель распространяется по лицензии MIT.

OGBert-2M-Sentence — компактная модель эмбеддингов предложений от mjbommar на архитектуре ModernBERT с mean pooling и L2-нормализацией. Она содержит 2,1 млн параметров, имеет размер скрытого слоя 128 и принимает текст длиной до 1024 токенов. Модель обучена на корпусе специализированных словарных текстов, созданном на основе OpenGloss: 537 тысяч значений для 150 тысяч лексем. Модель предназначена для вычисления сходства предложений, поиска близких по смыслу текстов, кластеризации и поиска документов в предметных корпусах. В оценке на STS показала результаты ниже BERT-base в целом, но превзошла его на STS12; в тестах кластеризации и поиска также уступила более крупным моделям. Малый размер делает её подходящей для сценариев с ограниченными ресурсами. Лицензия — Apache-2.0.

rsl-ai/qwen_finetune_16bit — текстовая Sentence Transformer-модель, дообученная с помощью Unsloth на техническом датасете electroglyph/technical. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и подходит для поиска по смыслу и извлечения релевантных документов. Сходство векторов можно оценивать косинусной мерой. Модель основана на unsloth/Qwen3-Embedding-0.6B; в карточке указана архитектура Qwen3 и около 507,6 млн параметров. README сообщает максимальную длину последовательности 512 токенов, тогда как метаданные указывают контекст 32 768 токенов. Для описанного сценария обучения использовались пары технических текстов на английском языке и MultipleNegativesRankingLoss. Модель принимает текст и выдаёт векторы; файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана. Модель ориентирована на английские технические тексты, поэтому её качество для других языков и областей не подтверждено. Предел последовательности в README расходится с контекстом из метаданных; перед применением следует учитывать фактические ограничения используемой конфигурации.

syubraj/sentence_similarity_nepali — модель Sentence-Transformers для сопоставления предложений на непальском языке. Она преобразует предложения и абзацы в плотные векторы размерностью 768, пригодные для оценки семантической близости, поиска по смыслу и кластеризации. Модель основана на NepaliBERT от Rajan; архитектура — BERT, размер — около 95 млн параметров, длина контекста — 512 токенов. Модель обучалась для семантического сходства с использованием CosineSimilarityLoss и датасета stsb_multi_mt. Её можно применять для поиска похожих фраз и документов или группировки текстов по смыслу. Доступны веса в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

Экспериментальная модель эмбеддингов mayflowergmbh на основе SmolLM3 3B от Microsoft, дообученная с помощью LoRA для поиска по немецким текстам и оценки семантического сходства. Она преобразует текст векторовое представление размерностью 2048 и подходит для задач информационного поиска и сравнения предложений; совместима с библиотекой sentence-transformers. Архитектура основана на Llama и использует подход LLM2Vec: двунаправленное внимание и mean pooling. Метаданные указывают контекст модели 65 536 токенов, однако карточка README задаёт максимальную длину последовательности 512 токенов, после которой текст обрезается. Модель ориентирована на немецкий язык; качество для других языков не оценивалось. Для инференса требуется около 6 ГБ видеопамяти. Модель выпущена под лицензией Apache 2.0. В README она обозначена как экспериментальная; заявленное преимущество — настройка на немецкий информационный поиск с контрастивным обучением и подбором трудных негативных примеров.

deepset/bert-small-mm_retrieval-question_encoder — модель deepset для кодирования вопросов в плотные векторы, предназначенные для поиска по коллекции документов или таблиц в системах retrieval-augmented question answering. Это компонент архитектуры Dense Passage Retrieval (DPR), использующий класс DPRQuestionEncoder; в репозитории указано около 32,4 млн параметров и контекст до 512 токенов. Hugging Face относит модель к задаче feature-extraction. Модель принимает текст вопроса и выдаёт его векторное представление, которое можно сопоставлять с векторами passage- или table-encoder для поиска релевантного содержимого. Примеры deepset используют её как query embedding model в Haystack. Карточка Hugging Face не содержит описания лицензии или подробной информации о языках и обучении, поэтому эти характеристики здесь не заявляются.

Компактная англоязычная версия BERT из семейства BERT Miniatures, опубликованная Google и описанная в работе «Well-Read Students Learn Better». Модель имеет 4 слоя Transformer, скрытый размер 128 и 2 attention-головы; в метаданных указано около 5 млн параметров и контекст до 512 токенов. Доступны веса в форматах PyTorch и Flax, лицензия Apache-2.0. Модель предназначена для задач понимания английского текста и развёртывания в условиях ограниченных вычислительных ресурсов. Её можно дообучать для конкретных задач так же, как стандартные модели BERT; авторы отмечают, что особенно полезна дистилляция, когда метки для дообучения генерирует более крупная и точная модель. Компактность снижает требования к ресурсам, но качество может уступать более крупным моделям. Модель только для английского языка, без регистра и использует WordPiece; README приводит результаты на GLUE для вариантов линейки, но не отдельную таблицу для этой конфигурации.

jaschadub/bge-large-en-world-news-osint-v1 — англоязычная модель Sentence Transformers, дообученная на основе BAAI/bge-large-en для представления текстов о мировых новостях и OSINT в виде плотных эмбеддингов. Разработчик — jaschadub. Модель кодирует предложения и абзацы в векторы размерности 1024; сходство между ними оценивается косинусной мерой. Архитектура включает BERT, pooling по CLS-токену и нормализацию. Максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразирований, классификации и кластеризации. Модель принимает текст и выдаёт векторные представления. Лицензия в предоставленных данных не указана.

Это англоязычный CSR Sparse Encoder, дообученный авторами карточки на базе mixedbread-ai/mxbai-embed-large-v1 на датасете Natural Questions с использованием Sentence Transformers. Модель кодирует предложения и абзацы в разреженные векторы размерности 4096; предусмотрено до 256 активных измерений, а сходство оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов, число параметров — 433,9 млн. Модель предназначена для семантического поиска и разреженного извлечения релевантных документов, в том числе в сценариях поиска по вопросам на английском языке. В README приведены оценки на NanoBEIR, Natural Questions и других наборах Nano BEIR при разных ограничениях на активные измерения. Модель распространяется под лицензией Apache-2.0. Результаты зависят от числа активных измерений и используемого корпуса; карточка содержит оценки на небольших наборах, поэтому они не гарантируют качество на других данных.

datagemma-rag-27b-it-IMat-GGUF — GGUF-квантизированная версия модели google/datagemma-rag-27b-it, разработанной Google. Модель предназначена для генерации текста и диалоговых сценариев, включая задачи, связанные с retrieval-augmented generation (RAG). В репозитории представлены варианты от BF16 и FP16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K. Часть вариантов использует IMatrix для более эффективной квантизации; исходный тип данных модели — BF16, квантизация выполнена с помощью llama.cpp. Размер исходной модели — 27B параметров, а размер файлов зависит от варианта квантизации и составляет примерно от 10,45 до 54,46 ГБ. Модель подходит для локального запуска через совместимые инструменты экосистемы llama.cpp, когда требуется снизить требования к памяти за счёт квантизации. Более компактные варианты удобнее для ограниченных ресурсов, но могут сильнее уступать исходной точности; конкретные показатели качества в README не приведены. Архитектура, поддерживаемые языки, размер контекста и мультимодальные возможности не указаны, поэтому их характеристики нельзя достоверно определить по представленным данным. Использование регулируется лицензией Gemma от Google; для доступа на Hugging Face требуется принять условия лицензии.

Многоязычный энкодер вопросов для Dense Passage Retrieval (DPR), опубликованный пользователем voidful и основанный на bert-base-multilingual-cased. Модель преобразует вопрос в плотный вектор: в Transformers результат доступен через pooler_output. Её можно использовать как компонент поиска по корпусу документов в связке с энкодером passages и системой извлечения ответов. Модель содержит 205,1 млн параметров, использует архитектуру DPRQuestionEncoder и принимает текстовые входные данные с контекстом до 512 токенов. Для обучения указаны датасеты NQ, Trivia, SQuAD, DRCD и MLQA; обучающий набор включает 644 217 пар вопросов, а проверочный — 73 710. Репозиторий содержит веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

oridror разработал e5-base-hebrew-qa-v2-myd-r1 — модель эмбеддингов на базе intfloat/multilingual-e5-base, дообученную для сопоставления вопросов и ответов на иврите. Она использует архитектуру XLM-RoBERTa, содержит 305,2 млн параметров и принимает текстовые запросы и документы, преобразуя их в векторы для оценки семантического сходства. Контекст модели — до 514 токенов. Модель предназначена для семантического поиска ответов на вопросы на иврите, ранжирования подходящих фрагментов и поиска по парам «вопрос—ответ». Для корректной работы нужно добавлять префикс «query: » к запросам и «passage: » к документам. В оценке на 500 отложенных парах на иврите указаны Accuracy@1 0,722, Accuracy@5 0,852 и MRR@10 0,7774. Модель выпущена под лицензией Apache-2.0.

MaziyarPanahi/Experiment26Yam_OgnoExperiment27 — слитая текстовая модель на базе двух моделей: automerger/Experiment26Yam-7B и automerger/OgnoExperiment27-7B. Она предназначена для генерации текста и диалогов. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

GLuCoSE-base-ja — японская модель эмбеддингов предложений, разработанная Акихико Фукутти, Юитиро Хосино и Ётаро Ватанабэ. Она основана на LUKE и дообучена для получения векторных представлений японского текста; использует mean pooling и формирует эмбеддинги размерности 768. Модель рассчитана на последовательности длиной до 512 токенов по README; метаданные указывают контекст в 514 токенов. Модель предназначена для сравнения смысловой близости предложений и семантического поиска по японским текстам. Для обучения использована смесь веб-данных и наборов для поиска и понимания естественного языка. В карточке приведены результаты оценки на JSTS и AIO3, где модель превзошла сравниваемые эмбеддинг-модели по указанным метрикам. Модель принимает текст и выдаёт векторные представления, удобные для поиска и ранжирования по близости. Она поддерживает японский язык и распространяется по лицензии Apache-2.0. Оценки в карточке относятся к конкретным тестовым наборам и сами по себе не гарантируют качество на других данных.

ITS Embedding BGE — англоязычная модель эмбеддингов, дообученная ITS Global на основе BAAI/bge-large-en-v1.5 для семантического поиска и извлечения документов в базе знаний ITS Global. Модель на архитектуре BERT преобразует предложения и фрагменты текста в плотные векторы размерностью 1024; для сопоставления запросы и документы нужно кодировать одной моделью. Максимальная длина контекста — 512 токенов. В проверке на наборе ITS из 1 124 запросов модель показала Accuracy@5 0,961744 против 0,916370 у исходной BGE-large-en-v1.5. Этот результат относится к конкретной проверке и настройкам поиска, поэтому не гарантирует аналогичного качества на других данных. Модель формирует эмбеддинги и не генерирует ответы самостоятельно. Распространяется по лицензии MIT.

Mistral7B-PairRM-SPPO-ExPO — диалоговая языковая модель на архитектуре Mistral, созданная экстраполяцией ExPO на основе UCLA-AGI/Mistral7B-PairRM-SPPO и mistralai/Mistral-7B-Instruct-v0.2. Разработчик применил коэффициент экстраполяции 0,3 к весам контрольных точек SFT и DPO/RLHF для улучшения согласования с предпочтениями людей. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленное контекстное окно — 32 768 токенов. Она предназначена для диалогов и генерации ответов общего назначения. В README приведены результаты оценки на AlpacaEval 2.0 и MT-Bench, однако они не гарантируют аналогичного качества в других сценариях. Модель распространяется в формате safetensors по лицензии Apache-2.0. Язык карточки и языковой тег метаданных — английский.

MonaTrix-v4 — объединённая модель для генерации текста на архитектуре Mistral, созданная CultriX с помощью LazyMergekit. В неё вошли Kukedlc/NeuralMaxime-7B-slerp, eren23/ogno-monarch-jaskier-merge-7b и eren23/dpo-binarized-NeutrixOmnibe-7B. Модель содержит 7,1 млрд параметров, поддерживает контекст длиной до 32 768 токенов и распространяется в формате safetensors. Модель подходит для диалоговых ответов и продолжения текста. В метаданных указана лицензия Apache-2.0. Данных о специальных предметных областях или более узких ограничениях в карточке нет.

MotherEarth-1.14-8B — слитая языковая модель семейства Llama, созданная разработчиками MotherEarth с помощью mergekit. Веса двух предварительно обученных моделей, MotherEarth-1.13-8B и MotherEarth-Proverbs-8B, объединены методом SLERP; в карточке указана архитектура LlamaForCausalLM и размер 7,5 млрд параметров. Модель предназначена для генерации текста и диалогового общения. Контекстное окно составляет до 131 072 токенов. Репозиторий содержит веса в формате safetensors; библиотека для работы с моделью — Transformers. Данные не сообщают о специализации на конкретных языках или прикладных областях. Лицензия в предоставленных данных не указана. Характеристики качества, конкретная языковая поддержка и ограничения применения не описаны.

Prima-LelantaclesV7-experimental-7b — объединённая языковая модель семейства Mistral, опубликованная ChaoticNeutrals. Она создана методом SLERP из моделей Nitral-AI/Prima-LelantaclesV6.69-7b и Nitral-AI/Prima-LelantaclesV6.31-7b. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и предназначена для генерации текста; её контекстное окно составляет 32 768 токенов. Модель может применяться для создания и продолжения текста, а также для задач рассуждения на основе текстового запроса. В README приведены результаты оценивания на отдельных тестах Open LLM Leaderboard. Доступны веса в формате safetensors. Репозиторий указывает лицензию «other», поэтому условия использования следует уточнять по карточке модели и её лицензии.

Provence-reranker-debertav3-v1 — модель Naver Labs Europe для отбора релевантного контекста в системах поиска и генерации с дополнением контекста (RAG). Она принимает вопрос и найденный фрагмент текста, оценивает релевантность предложений и удаляет предложения, не относящиеся к вопросу. Модель также сохраняет возможность ранжировать фрагменты по релевантности. Модель основана на DeBERTav3-reranker, дообученном на базе DeBERTa-v3-large, и содержит 533,8 млн параметров по метаданным Hugging Face. Она совместно кодирует предложения фрагмента, что помогает учитывать связи между ними, и автоматически выбирает предложения для сохранения по пороговому значению. Заявленный предел контекста — 512 токенов. Модель рассчитана на английский язык и может использоваться перед любой LLM для сокращения контекста и снижения шума при ответах на вопросы. В README сообщается о проверке на наборах из разных областей и о сохранении качества ответов при удалении нерелевантных предложений; результат зависит от порога сжатия и конкретного сценария. Лицензия в метаданных — CC BY-NC-ND 4.0; README также указывает CC BY-NC-ND 4.0, несмотря на упоминание ShareAlike в тексте названия лицензии.

Theros создал эту объединённую языковую модель семейства Qwen2.5 с помощью mergekit и метода SCE. В качестве базовой использована Theros/Qwen2.5-ColdBrew-R1-test4; в объединение также вошли ZeroXClem/Qwen2.5-7B-Qandora-CySec, bunnycore/Qwen-2.5-7B-Deep-Stock-v4 и ZeroXClem/Qwen2.5-7B-HomerCreative-Mix. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и формат safetensors. Она предназначена для генерации текста и диалогов; заявленная длина контекста — до 131 072 токенов. Карточка не сообщает о специализированных языках или областях применения. Лицензия в предоставленных данных не указана, поэтому условия использования следует проверять на странице репозитория Hugging Face. Это тестовый вариант ColdBrew R1, и его качество для конкретных задач следует оценивать отдельно.

Reasoning-Llama-3.1-CoT-RE1 — языковая модель EpistemeAI для генерации текста и диалоговых ответов с рассуждениями. Это плотная авторегрессионная модель семейства Llama на 7,5 млрд параметров, дообученная на базе unsloth/meta-llama-3.1-8b-instruct-bnb-4bit с использованием Unsloth и Hugging Face TRL. В метаданных указан набор Bespoke-Stratos-17k. Модель предназначена для генерации ответов на текстовые запросы и ведения диалога. В карточке указаны английский язык и контекстное окно до 131 072 токенов; доступен формат safetensors. Указанная в метаданных лицензия — Llama 3.1, тогда как README сообщает Apache-2.0; перед использованием следует проверить условия лицензии исходной модели и репозитория.

VoVanPhuc/sup-SimCSE-VietNamese-phobert-base — модель эмбеддингов предложений для вьетнамского языка, разработанная Vo Van Phuc. Она основана на SimCSE и использует архитектуру RoBERTa PhoBERT; вариант sup обучен с учителем для получения векторных представлений предложений и оценки их семантического сходства. Модель подходит для поиска похожих фраз, семантического поиска и сопоставления предложений на вьетнамском языке. Модель содержит около 162,4 млн параметров по метаданным и принимает последовательности длиной до 258 токенов. Для работы доступны веса PyTorch и Safetensors. README описывает её как модель с высокой эффективностью для эмбеддингов предложений, однако сравнительные результаты и детали обучающих данных в карточке не приведены. Лицензия в предоставленных данных не указана.

Vikhr-Gemma-2B-instruct-GGUF — русскоязычная инструктивная модель, разработанная Vikhrmodels на основе Gemma 2 2B и дообученная на датасете GrandMaster-PRO-MAX. Модель предназначена для генерации текста и выполнения инструкций на русском языке, включая диалоговые и прикладные сценарии, где требуется обработка текстовых запросов. Формат GGUF рассчитан на использование с llama.cpp и совместимыми инструментами. Модель относится к текстовым одно-модальным моделям; сведения о поддерживаемых языках указывают русский язык. Размер базовой модели составляет 2B параметров, однако характеристики контекстного окна и точные архитектурные параметры в README не указаны. Доступны варианты квантования от Q2 до Q8, а также F16, F32 и BF16; приведённые значения perplexity показывают, что более сильное квантование может ухудшать результат, особенно для вариантов Q2. Лицензия Apache-2.0 разрешает использование модели на соответствующих условиях этой лицензии.

Это англоязычная модель Sentence Transformers, разработанная пользователем jaimevera1107 и дообученная на базе sentence-transformers/all-MiniLM-L6-v2 на 67 560 парах предложений с оценками сходства. Архитектура основана на BERT: энкодер с усреднением токенных представлений и нормализацией формирует плотные векторы размерности 384. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; в README заявлена максимальная длина последовательности 256 токенов. Модель предназначена для семантического сравнения предложений и абзацев, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Она выдаёт векторы, которые можно сравнивать косинусным сходством; примеры обучающих данных относятся к биомедицинской тематике, поэтому модель может быть полезна для поиска и сопоставления научных текстов этой области. Лицензия в предоставленных данных не указана.

Jev-Style-Qwen3.5-2B-Decision-v2-MLX-bf16 — англоязычная модель для классификации, маршрутизации и выбора типизированного ответа из заданного списка. Она основана на Qwen3.5-2B и дообучена в формате Jev-style: получает описание состояния, вопрос и от 2 до 26 вариантов, а за один проход выдаёт вероятности выбора с применением калибровки. Репозиторий содержит веса MLX в BF16, клиент инференса и материалы оценки; указанный размер модели — 1,7 млрд параметров, нативный контекст — 262 144 токена. Модель предназначена для задач с заранее заданными ответами, включая классификацию текста, логические вопросы, маршрутизацию и упорядоченные оценки. В фиксированной англоязычной панели автор сообщает точность 81,20% и улучшение метрик относительно сравниваемых моделей; эти результаты относятся к описанному набору задач и не гарантируют аналогичного качества на других данных. Интерфейс ограничивает промпт 1 024 токенами, хотя контекстная ёмкость базовой архитектуры больше. Этот вариант рассчитан на запуск через MLX на Apple Silicon. Лицензия — Apache-2.0.

Llama-3-15b-Instruct-GLUED-Plus — инструктивная языковая модель, дообученная athirdpath на базе athirdpath/Llama-3-15b-Instruct-GLUED. Это плотная авторегрессионная модель семейства Llama с 14,9 млрд параметров, контекстом до 8192 токенов и форматом диалога L3; для обучения использовались Unsloth и Hugging Face TRL, а также частный датасет объёмом 8 тысяч примеров.

MegaDolphin-2.2-120b — разговорная языковая модель, созданная QuixiAI как преобразование Dolphin-2.2-70b методом слияния passthrough с помощью MergeKit. Модель построена на плотной архитектуре Llama и содержит 120,1 млрд параметров. Она принимает текстовые запросы в формате ChatML и генерирует текст; контекст составляет 4096 токенов. В карточке указана поддержка английского языка. Модель предназначена для диалога, ответов на вопросы, инструкций и многоходовых бесед, в том числе для эмпатичных ответов и личных советов. Разработчик описывает её как uncensored и предупреждает о высокой готовности выполнять запросы, включая неэтичные; перед предоставлением модели пользователям рекомендуется добавить собственный слой выравнивания. Лицензия — Llama 2 Community License (llama2).

Mistral-Nemo-2407-12B-Estrella-v1 — модель генерации текста на архитектуре Mistral, созданная автором карточки путём слияния нескольких языковых моделей с помощью mergekit. В состав слияния вошли, среди прочих, Mistral-Nemo-Instruct-2407, MN-12B-Celeste, Magnum, Lyra и Lumimaid. Модель содержит 12,1 млрд параметров и заявленный контекст до 1 024 000 токенов. Модель предназначена для диалогов и генерации связных, лаконичных, но творческих ответов. В README рекомендован формат запросов Mistral Instruct; также может подойти ChatML. Автор советует низкую температуру генерации 0,3–0,5. Доступна под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.