I.12Рекомендации и персонализация

REBEL-OpenChat-3.5 — диалоговая языковая модель Cornell-AGI, созданная дообучением OpenChat-3.5 методом REBEL (Reinforcement Learning via Regressing Relative Rewards). При обучении использовались модель вознаграждения Starling-RM-7B-alpha и датасет Nectar; модель предназначена для ответов на вопросы и выполнения текстовых инструкций в формате чата. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 8192 токена. В README приведены результаты AlpacaEval 2.0, MT-Bench, MMLU и GSM8K, но они сами по себе не гарантируют качество в конкретном сценарии. Модель распространяется по лицензии Apache-2.0.

RobBERT-2023-base-ft — дообученная модель на базе DTAI-KULeuven/robbert-2023-dutch-base, представленная в формате sentence-transformers. Она предназначена для получения представлений нидерландских запросов и документов и измерения сходства между предложениями; авторы сообщают о сильных результатах на MTEB-NL. Модель построена на архитектуре RoBERTa, содержит 151,6 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для семантического поиска, сопоставления запросов с фрагментами документов и задач ранжирования на нидерландском языке. В README приведён пример кодирования запросов и текстов из MS MARCO; в метаданных перечислены датасеты BEIR-NL для поиска, вопросов и ответов и проверки фактов. Лицензия — MIT. Модель работает с текстом и выдаёт эмбеддинги, которые можно использовать для вычисления сходства и поиска. Её специализация — нидерландский язык; приведённая оценка качества относится к MTEB-NL, а результаты на других языках и типах данных не описаны.

stefra разработал модель roberta-unical-old на базе дообученной FacebookAI/roberta-large. Это энкодер архитектуры UNICAL, обученный методом statement tuning для оценки утверждений относительно текста-состояния: модель возвращает вероятность истинности каждого утверждения и не генерирует текст. Блочная двунаправленная маска внимания позволяет оценивать несколько утверждений в одном запросе независимо друг от друга, что предназначено для быстрой фильтрации семантических утверждений. Модель работает через Transformers и содержит собственный код архитектуры; на GPU может загружаться в float16. Модель подходит для классификации по заданным категориям, когда их можно представить как утверждения, а также для оценки и ранжирования таких утверждений по вероятности истинности. В README приведены результаты проверки на нескольких наборах данных, включая отдельные задачи, не встречавшиеся при обучении; качество на них различается, поэтому перенос на новые домены требует проверки. Языковая ориентация следует от англоязычной базовой RoBERTa-large. Сведения о лицензии в предоставленных данных отсутствуют.

MaziyarPanahi/TheTop-5x7B-Instruct-S2-v0.1 — текстовая генеративная модель, созданная MaziyarPanahi путём слияния пяти моделей 7B с помощью метода SLERP. Она построена на архитектуре Mistral и предназначена для генерации ответов и других текстов по запросу; заявленное контекстное окно составляет 32 768 токенов, а размер модели по метаданным — 7,1 млрд параметров. Модель подходит для диалоговых сценариев, ответов на вопросы и общих задач генерации текста. В карточке приведены результаты тестов на академических наборах, включая ARC и HellaSwag; эти оценки сами по себе не гарантируют качество в конкретном приложении. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия Apache-2.0.

qnhat/bge-small-scifact-rrf — текстовая Sentence Transformer-модель, дообученная на базе BAAI/bge-small-en-v1.5. Она преобразует предложения и абзацы в плотные векторы размерности 384, нормализует их и позволяет сравнивать по косинусному сходству. Модель основана на BERT; максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и извлечения релевантных текстов, в том числе в научных материалах по тематике SciFact. В обучающем наборе 47 241 пример с тройками текстов; использовалась функция потерь MultipleNegativesRankingLoss. Она рассчитана на английский текст и подходит для поиска и ранжирования фрагментов по смысловой близости. Для использования нужны совместимые библиотеки, например Sentence Transformers. Карточка не сообщает лицензию, поэтому условия распространения и коммерческого использования следует уточнить на странице репозитория Hugging Face.

Cerberus-7B-slerp — объединённая модель для генерации текста, созданная методом slerp с помощью mergekit на основе fblgit/UNA-TheBeagle-7b-v1 и UCLA-AGI/zephyr-7b-sft-full-SPIN-iter3. Это плотная Mistral-модель с 7,1 млрд параметров, принимающая текст и поддерживающая контекст до 32 768 токенов. Она подходит для генерации текста и диалоговых задач; в README приведены результаты Open LLM Leaderboard по рассуждениям и пониманию естественного языка. Модель распространяется в формате safetensors по лицензии Apache-2.0. Указанные результаты бенчмарков не гарантируют качество для конкретных задач; README не описывает целевые языки и отдельные специализированные области применения.

Dialog2Flow joint target model (DSE-base) — модель для получения плотных векторных представлений предложений и абзацев, созданная как вариант D2F_joint в рамках исследования Dialog2Flow. Она использует DSE-base в качестве основы и реализована на Sentence Transformers с архитектурой BERT; модель преобразует текст в векторы размерности 768 и дообучена для извлечения структуры диалоговых потоков. Модель предназначена для сравнения и поиска текстов, кластеризации реплик и автоматического выделения потока диалога. В README отмечено улучшение результатов по сравнению с вариантом на BERT-base. Поддерживаемый язык — английский; максимальная длина контекста составляет 512 токенов. Модель можно применять через Sentence Transformers или Hugging Face Transformers с подходящей операцией pooling. Лицензия — MIT.

Lelantos-low-tune — объединённая языковая модель на 7,1 млрд параметров от nlpguy, созданная с помощью mergekit методом task arithmetic. В основе объединения лежат DPOpenHermes-7B-v2 и SanjiWatsuki/Lelantos-7B; архитектура — плотная Mistral для авторегрессионной генерации текста. Модель рассчитана на диалог и другие сценарии генерации текста, поддерживает контекст до 32 768 токенов. В README приведены результаты Open LLM Leaderboard: средняя оценка 70,82, включая 67,06 на AI2 Reasoning Challenge и 86,06 на HellaSwag. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не указывает целевые языки или специализированную область применения.

M7Yamshadowexperiment28_Multi_verse_modelM7 — объединённая модель семейства Mistral, созданная на основе automerger/M7Yamshadowexperiment28-7B и automerger/Multi_verse_modelM7-7B. Она содержит 7,1 млрд параметров и предназначена для генерации текста, в том числе диалоговых ответов. Модель принимает текст и поддерживает контекст до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache 2.0. README не описывает специализацию по языкам или предметным областям, а также конкретные ограничения качества; поэтому её можно рассматривать как модель общего назначения для генерации текста.

Metis-0.1 — диалоговая языковая модель от Mihaiii, созданная дообучением Mistral-7B-SFT-Beta. Она предназначена для рассуждений и понимания текста, хорошо работает с длинными системными инструкциями; карточка отдельно отмечает, что модель не рассчитана на свободное сочинение историй. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Для взаимодействия в README предложен формат с полями System, Instruction и Response. Модель обучена на частном наборе данных; README указывает, что высокий результат на GSM8K не связан с набором MetaMath. Лицензия — MIT.

Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_1 — модель классификации текста на базе BERT, опубликованная пользователем Jeevesh8 на Hugging Face. Она дообучена для задачи QQP (Quora Question Pairs), то есть для определения семантической эквивалентности или дублирования пар вопросов. Модель содержит около 136,7 млн параметров, использует архитектуру BERT и поддерживает контекст до 512 токенов. Основной сценарий применения — классификация пар англоязычных текстов, прежде всего вопросов, по признаку смыслового соответствия. Модель не предназначена для генерации текста и ориентирована на узкую задачу, связанную с QQP.

NeuralFusion-7b-Dare-Ties — текстовая генеративная модель, созданная Kukedlc путём слияния трёх моделей на основе Mistral с помощью LazyMergekit и метода DARE-TIES. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и языковых задач общего назначения. Приведённые в карточке результаты оценивания включают тесты на рассуждение и здравый смысл, в том числе AI2 Reasoning Challenge и HellaSwag. Весовые файлы доступны в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает о специализированной отраслевой настройке или ограничениях качества.

NeuralsirkrishnaShadow_Experiment26Pastiche — языковая модель семейства Mistral, созданная слиянием чекпойнтов automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment26Pastiche-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста; поддерживает контекст до 32 768 токенов. Модель подходит для диалогов, написания и продолжения текстов, а также генерации ответов по длинным запросам. Данные карточки не описывают её специализацию или языковой охват, поэтому применение следует считать общим. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Это дообученная модель myfi на базе unsloth/Qwen3-4B-Instruct-2507 — плотной языковой модели Qwen3 с 3,7 млрд параметров. Она предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает английский язык и использует контекст до 262 144 токенов. Модель обучена с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает специализацию дообучения или отдельные ограничения качества, поэтому применение следует выбирать по результатам собственной оценки.

ptt5-v2-large — модель семейства T5, разработанная Unicamp-DL для португальского языка. Это продолженное предобучение контрольной точки Google T5-Large на корпусах C4 и mC4; модель содержит 385,2 млн параметров и работает с контекстом до 512 токенов. Она предназначена для текстовых задач, формулируемых как преобразование текста в текст, и использовалась как основа для обучения португалоязычных MonoT5-реранкеров. Модель принимает текст и генерирует текст. Лицензия — Apache-2.0.

qwen2-1 — объединённая модель на архитектуре Qwen2, созданная с помощью LazyMergekit из Weyaxi/Einstein-v7-Qwen2-7B и jeiku/dontusethis. Она предназначена для генерации текста и диалоговых сценариев. Слияние выполнено методом SLERP; модель содержит 7,1 млрд параметров, использует формат safetensors и имеет контекстное окно до 131 072 токенов. Базовая модель Einstein-v7-Qwen2-7B описана как диалоговая модель для генерации текста и ответов на вопросы, особенно по естественным наукам и математике. Лицензия в предоставленных данных не указана.

DavidAU выпустил эту диалоговую модель на основе Huihui-Qwen3-30B-A3B-Thinking-2507-abliterated, дообучив её с помощью Unsloth на наборе TeichAI/claude-4.5-opus-high-reasoning-250x. Это генеративная языковая модель семейства Qwen3 MoE: всего около 30 млрд параметров, из которых активны примерно 3 млрд; метаданные каталога указывают 2,6 млрд параметров. Архитектура использует 128 экспертов, обычно активируя 8 за раз. Модель предназначена для диалогов, следования инструкциям и генерации ответов с рассуждениями. Автор отмечает, что блоки рассуждений обычно короче, чем у исходной Qwen, и что модель стремится реже отказывать, в том числе при запросах на взрослый или откровенный контент. Для таких ответов может потребоваться явно задать желаемый стиль и лексику. Заявленные автором результаты на бенчмарках не сопровождаются полными данными в карточке, поэтому их нельзя считать независимой оценкой качества. Модель принимает и генерирует текст, рассчитана прежде всего на английский язык и поддерживает контекст до 262 144 токенов. Файлы репозитория представлены в формате safetensors; указана лицензия Apache-2.0.

Rawr — плотная языковая модель семейства Llama 3, созданная ResplendentAI слиянием нескольких моделей для генерации диалогового текста. В конфигурации использован метод model_stock; в качестве базовой указана ResplendentAI/SOVL_Llama3_8B, а среди компонентов — Poppy Porpoise, Smarts, TheSpice, Aura, Stheno и Luna. Модель содержит 7,5 млрд параметров, работает через Transformers и распространяется в формате safetensors; контекстное окно — 8192 токена. Модель предназначена для диалогов и генерации текста по запросу. Метаданные описывают её как чат-модель, но не приводят сведений о целевых языках или узких предметных областях, поэтому её следует рассматривать как модель общего назначения. Лицензия в предоставленных данных не указана.

SA-Retrieval-Embeddings-0.2B — модель эмбеддингов на базе SentenceTransformer, разработанная Omartificial-Intelligence-Space для семантического поиска и ранжирования фрагментов документов на саудовском арабском. Это дообученная версия SA-STS-Embeddings-0.2B с архитектурой BERT; она формирует плотные векторы размерности 768 и принимает текстовые последовательности длиной до 512 токенов. Модель обучалась на примерах поиска соответствующего фрагмента по краткому описанию, с трудными отрицательными примерами и функциями потерь MultipleNegativesRankingLoss и TripletLoss. Модель предназначена для поиска по базе знаний, извлечения семантических фрагментов и использования в RAG-системах, включая тексты на саудовском диалекте и современном стандартном арабском. В README заявлены около 88% точности Top-1 и Recall@5 99,2% на тестовом наборе из 1 515 примеров; эти показатели относятся к описанному авторами бенчмарку. Лицензия — Apache-2.0.

T3qm7xNeuralsirkrishna_Strangemerges_30Pastiche — объединённая текстовая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/Strangemerges_30Pastiche-7B и предназначена для генерации текста и диалогов. Модель принимает текст и выдаёт текст. Контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Сведения о специализации на определённой области или языке отсутствуют, поэтому модель следует считать общего назначения.

TheTop-5x7B-Instruct-S3-v0.1 — текстовая генеративная модель MaziyarPanahi, созданная слиянием нескольких языковых моделей класса 7B и дополнительным объединением SLERP. Репозиторий содержит веса в формате safetensors; модель основана на архитектуре Mistral и имеет около 7,1 млрд параметров. Для запуска и работы с моделью указана библиотека Transformers. Модель предназначена для генерации текста по запросу и может использоваться для ответов на вопросы, диалогов и решения широкого круга задач на естественном языке. В карточке приведены результаты оценки на тестах ARC, HellaSwag и MMLU, включая вопросы по естественным и точным наукам, истории и другим областям. Контекст модели составляет до 32 768 токенов. Карточка не подтверждает поддержку конкретных языков или специализированное назначение. Модель распространяется по лицензии Apache-2.0. Поскольку это слияние нескольких моделей, качество может различаться между задачами; опубликованные оценки не гарантируют точность отдельных ответов.

Verbatim RAG Extractor Model — дообученная KRLabsOrg модель на базе ModernBERT-base для отбора предложений, релевантных вопросу, в системе Verbatim RAG. Она кодирует вопрос и предложения документа в одной последовательности и применяет линейную классификационную голову, присваивая каждому предложению один из двух классов: релевантное или нерелевантное. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. Модель предназначена для извлечения подходящих фрагментов из найденных документов перед формированием ответа на вопрос. Порог уверенности по умолчанию равен 0,5; его можно менять, чтобы балансировать точность и полноту отбора. В карточке указана англоязычная поддержка. Лицензия — MIT. Для интеграции README рекомендует пакет verbatim-rag; заявлены зависимости от PyTorch и Transformers.

Vora-X-10B — плотная языковая модель для генерации текста и диалогов, созданная автором theocolf с помощью mergekit. Она объединяет слои theocolf/Vora-X-8B и NousResearch/Meta-Llama-3-8B методом Passthrough; архитектура — LlamaForCausalLM, веса доступны в формате safetensors. Модель содержит 9,2 млрд параметров и поддерживает контекст до 8192 токенов. Её можно применять для диалоговых сценариев и генерации текста. В карточке нет сведений о специализированной предметной области или конкретных языках, поэтому их поддержка здесь не уточняется. Лицензия в предоставленных данных не указана.

Multilingual MiniLM-L12-v2 (Harrier-Distilled) — компактный многоязычный кодировщик предложений, дообученный командой agentlans методом дистилляции эмбеддингов на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 с учителем microsoft/harrier-oss-v1-270m. Модель содержит 124,3 млн параметров, использует архитектуру BERT и принимает текстовые последовательности длиной до 512 токенов. Для работы требуется вспомогательный пакет, поскольку модель использует обученный проекционный слой. Модель предназначена для межъязыкового семантического поиска, сравнения сходства текстов, кластеризации и фильтрации корпусов, включая параллельные и переводные данные. Она рассчитана на высокую пропускную способность при умеренных вычислительных затратах и ориентирована на многоязычные сценарии. Лицензия — Apache-2.0. Качество может снижаться для малоресурсных языковых вариантов и узкоспециализированной терминологии. Размерности и архитектура отличаются от учительской модели, поэтому её представления не взаимозаменяемы с представлениями учителя.

schaitanya/modernbert-embed-base-transcript-documents-v1 — англоязычная модель Sentence Transformers, дообученная на парах запросов и релевантных документов, включая транскрипты. Она кодирует предложения и абзацы в нормализованные плотные векторы размерностью 768 для семантического поиска, сравнения текстов и извлечения релевантных документов; сходство оценивается косинусной мерой. В основе лежит ModernBERT с архитектурой среднего пулинга токенов и контекстом до 8192 токенов по метаданным; карточка модели указывает максимальную длину последовательности 1024 токена. Модель содержит 149 млн параметров и распространяется в формате safetensors. Модель подходит для поиска по транскриптам и документам, сопоставления коротких запросов с длинными текстами, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. В обучающей выборке — 6116 пар «запрос — положительный документ»; приведённые в карточке метрики поиска показывают cosine_accuracy@1 0,5191, @3 0,7441 и @5 0,8. Поддерживается английский язык. Лицензия — Apache-2.0.

GLiClass Multilang Mini — мультиязычная модель классификации текста из семейства GLiClass, опубликованная Knowledgator. Она предназначена для классификации с пользовательскими метками без дообучения, а также для few-shot сценариев с примерами и описаниями меток. Модель содержит около 288 млн параметров и использует архитектуру GLiClass с механизмом CrossAttn Scorer. Модель подходит для тематической и тональной классификации, определения намерений, проверки следования правилам и безопасности ответов LLM, обнаружения галлюцинаций, NLI и оценки релевантности пары запрос–текст. Она обучена для 20 языков и поддерживает межъязыковые сочетания текста и меток. В README приведены результаты zero-shot оценок и высокая пропускная способность на GPU, но фактическое качество зависит от языка, набора меток и задачи; для NLI рекомендуется подавать одну гипотезу за раз. Веса представлены в формате safetensors, для использования предлагается библиотека gliclass. Лицензия — Apache-2.0.

LaBSE — перенос многоязычной модели LaBSE в PyTorch, опубликованный командой sentence-transformers. Модель на архитектуре BERT содержит 498,1 млн параметров и отображает предложения на общем векторном пространстве, чтобы сопоставлять их смысл на разных языках. Поддерживает 109 языков; максимальная длина контекста — 512 токенов. Модель подходит для поиска семантически близких предложений, сопоставления текстов на разных языках и построения многоязычных эмбеддингов для семантического поиска и кластеризации. Доступна через библиотеку sentence-transformers и в форматах PyTorch, TensorFlow, Flax и ONNX. Лицензия — Apache-2.0. README указывает на публикацию LaBSE, но не приводит подробностей обучения или сравнительных результатов.

Blaxzter/LaBSE-sentence-embeddings — копия setu4993/LaBSE с выдачей векторных представлений предложений через pooler_output и кэшированием. Это мультиязычная модель на архитектуре BERT, предназначенная для получения сопоставимых эмбеддингов предложений на 109 языках и поиска соответствующих фрагментов между языками. В метаданных указаны 498,1 млн параметров и контекст до 512 токенов; доступны веса в форматах PyTorch, TensorFlow и Flax. Модель подходит для межъязыкового поиска по предложениям и сравнения их семантического сходства, в том числе в многоязычных коллекциях. Обучение исходной LaBSE сочетало masked language modeling и translation language modeling; данная копия также реализует кэширование эмбеддингов. Лицензия — Apache-2.0. Возможности зависят от поддерживаемых языков и качества исходного текста; README не приводит метрик этой копии.

Weyaxi/CollectiveCognition-v1.1-Nebula-7B — объединённая языковая модель на архитектуре Mistral, созданная путём слияния teknium/CollectiveCognition-v1.1-Mistral-7B и PulsarAI/Nebula-7B. Она предназначена для генерации текста и может использоваться для диалогов, ответов на вопросы и других задач с текстовыми инструкциями. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке приведены результаты оценки Open LLM Leaderboard, включая ARC и HellaSwag. Доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

CultriX/Qwen2.5-14B-Wernicke — объединённая плотная авторегрессионная языковая модель семейства Qwen2.5, созданная с помощью mergekit методом Model Stock. В основу слияния взята Qwen/Qwen2.5-14B; в объединение также вошли EVA-Qwen2.5-14B-v0.0, Qwen2.5-14B-Instruct, SuperNova-Medius, Rombos-LLM-V2.6-Qwen-14b и Qwen2.5-Lumen-14B. Модель содержит 14 млрд параметров и рассчитана на генерацию текста и диалоги. Модель подходит для ответов на запросы, свободного продолжения текста и формирования структурированных ответов; в метаданных также отмечен интерфейс вызова инструментов. Она принимает текст и выдаёт текст, поддерживает английский язык, а заявленная длина контекста составляет 131 072 токена. Для оценки приведены результаты Open LLM Leaderboard, включая IFEval и BBH, но данных недостаточно, чтобы определить практическое качество в конкретных сценариях. Распространяется по лицензии Apache-2.0.