I.14Автоматизация процессов и AI-агенты

Juicer — локально развёртываемая модель Data-Juicer для уточнения и очистки данных по инструкциям на естественном языке. Это дообученная методом SFT и reinforcement learning модель Qwen/Qwen3.6-35B-A3B: архитектура MoE содержит 35 млрд параметров, из которых активируются 3 млрд на токен; в базовой архитектуре также есть визуальный энкодер, но Juicer предназначена для обработки текста. Модель принимает рецепты очистки, правила фильтрации и инструкции по семантической разметке, а результаты выдаёт в виде текста с тегами или канонического JSON. Juicer выполняет отдельные и составные операции, соблюдает их заданный порядок и поддерживает почти 70 операторов Data-Juicer. Примеры задач: нормализация пробелов, удаление дублей и ссылок, фильтрация по качеству, обезличивание персональных данных, оценка по рубрике и классификация безопасности. Модель рассчитана на локальные конвейеры подготовки данных, включая обработку приватных корпусов; доступна для запуска через vLLM, SGLang или Transformers. Карточка сообщает об оценке на CDR-Bench. Лицензия — Apache-2.0. Высокозначимые результаты следует проверять валидаторами или человеком; модель не предназначена для широкого чата, программирования, тестирования зрения или автономных юридических и комплаенс-решений.

KR-X-AI/krx-qwen2.5-7b-instruct-v2-m-e — дообученная авторами KR-X-AI разговорная языковая модель семейства Qwen2.5. Это плотная авторегрессионная модель с 7,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия; среди заявленных возможностей также есть интерфейс вызова инструментов. Модель принимает текст и формирует текстовые ответы, поддерживает контекст до 32 768 токенов. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL. Модель распространяется в формате safetensors по лицензии Apache-2.0. Данных о специализированных предметных областях или отдельных ограничениях качества в карточке нет.

Laguna M.1 GGUF — независимая общественная конверсия и набор квантизированных GGUF-версий модели Laguna M.1, разработанной Poolside. Модель предназначена для генерации кода, задач программирования с длинным контекстом и агентских сценариев локального запуска. Данный репозиторий содержит производные артефакты, созданные на основе исходных BF16 safetensors Poolside, а не официальный релиз разработчика. Исходная Laguna M.1 — разреженная MoE-модель с 225 млрд общих параметров и 23 млрд активируемых параметров на токен. Она использует 70 слоёв с глобальным вниманием, 256 разреженных экспертов после первых трёх плотных слоёв, маршрутизацию top-k=16, RoPE с YaRN и механизм softplus attention output gating. Заявленное контекстное окно составляет 262 144 токена. Доступны варианты квантизации от наиболее компактных IQ1_S_R4 размером 43,54 GiB до BF16 размером 420,71 GiB; качество и требования к памяти зависят от выбранного варианта. Сильными сторонами модели являются специализированная направленность на программирование, поддержка сверхдлинного контекста и возможность локального использования через GGUF. Для запуска требуется совместимый runtime: подтверждена поддержка ik_llama.cpp начиная с версии, включающей соответствующие изменения, тогда как другие средства могут потребовать отдельной реализации поддержки Laguna. Модель и представленные GGUF-артефакты распространяются с метаданными лицензии Apache License 2.0; конверсия является независимой, а торговые названия и брендинг Poolside остаются собственностью Poolside.

Enigma — модель для генерации кода и диалогов, созданная Valiant Labs на основе Meta Llama 3.1 8B Instruct. Это плотная причинная языковая модель семейства Llama с 7,5 млрд параметров и контекстом до 131 072 токенов, предназначенная для работы в формате инструкций и чата Llama 3.1. Модель дообучена на синтетических данных для инструкций по программированию, сгенерированных Llama 3.1 405B, а также на общих диалоговых данных. Enigma подходит для генерации и объяснения кода, помощи с Python и ответов на общие вопросы в чате. Карточка заявляет усиленные возможности code-instruct и сохранение общих диалоговых навыков; метаданные также указывают поддержку следования инструкциям и интерфейс вызова инструментов. Модель работает с текстом и ориентирована на английский язык. Для использования применяется лицензия Llama 3.1; условия лицензии следует учитывать при распространении и коммерческом применении.

Llama Nemotron Embed VL 1B v2 — мультимодальная модель эмбеддингов для поиска по документам, разработанная NVIDIA. Она принимает текстовые запросы и документы в виде текста, изображений страниц или их сочетания и преобразует их в векторы размерности 2048 для поиска релевантных материалов и построения систем вопросно-ответного поиска и RAG. Модель предназначена для работы с текстом, таблицами, диаграммами и инфографикой на страницах документов. Это bi-encoder на базе трансформерной архитектуры Eagle VLM: языковая часть использует Llama 3.2 1B, а визуальная — SigLip 2; всего около 1,7 млрд параметров. Модель обучена контрастивным методом для сопоставления запросов с подходящими страницами. Поддерживает мультиязычный поиск; для корректного использования в vLLM требуется шаблон чата, который добавляет префиксы query: и passage:. Модель заявлена как готовая к коммерческому применению. Условия использования регулируются NVIDIA Open Model License Agreement; также применимо соглашение Llama 3.2 Community Model License Agreement. Известное ограничение: модель предназначена для получения эмбеддингов и поиска, а не для генерации ответов; качество зависит от правильной подготовки запросов и документов.

Карточка модели WariHima/llm-jp-4-33b-thinking на Hugging Face совпадает с карточкой llm-jp/llm-jp-4-33b-thinking, поэтому описание составлено по ней. LLM-jp-4-33b-thinking — плотная трансформерная языковая модель семейства Llama, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Она предназначена для диалогов, генерации ответов и решения задач с рассуждением на японском и английском языках; поддерживает интерфейс вызова инструментов. Модель содержит 32,2 млрд параметров, имеет 64 слоя и контекст до 65 536 токенов. Она обучалась на этапах предварительного и промежуточного обучения на 11,7 трлн токенов, затем прошла SFT и выравнивание DPO без обучения с подкреплением. Доступна в формате Safetensors для Transformers, лицензия — Apache-2.0. Разработчики отмечают, что модель находится на раннем этапе исследований и разработок и не настроена для гарантированного соответствия человеческим намерениям и требованиям безопасности. Для корректной работы следует использовать приложенный токенизатор: он отличается от предположений библиотеки openai-harmony, несмотря на совместимость шаблона диалога с Harmony.

Merino-Large-v2 — модель поиска по тексту от BAA AI (Black Sheep AI), объединяющая создание эмбеддингов и переранжирование результатов для RAG. Биэнкодер выдаёт L2-нормализованные векторы размерностью 1024; для запросов рекомендуется добавлять префикс «query: ». Кросс-энкодер оценивает релевантность пары «запрос — документ» одним числом. Обе части используют основу xlm-roberta-large и общую таблицу входных эмбеддингов, что уменьшает размер загрузки. Заявлена поддержка нескольких языков и около 872 млн параметров. Модель подходит для семантического поиска и уточнения порядка найденных фрагментов. В карточке отмечена хорошая пригодность для корпусов с тематически связанными документами; для разнородных многофактных документов рекомендуется делить текст на небольшие фрагменты с одним утверждением. Указана сертифицированная 4-битная квантизация без измеримой потери качества в описанном тесте с отвлекающими документами. Лицензия обозначена как other; конкретные условия использования в карточке не раскрыты.

Meta-Llama-3-8B — плотная авторегрессионная языковая модель семейства Llama 3, разработанная Meta. Репозиторий содержит веса в формате Safetensors; модель насчитывает около 7,5 млрд параметров и имеет контекст до 8192 токенов. Архитектура основана на оптимизированном Transformer с Grouped-Query Attention. Модель предназначена для генерации текста и кода на английском языке. Она подходит для диалогового помощника и может служить основой для задач генерации естественного языка. Карточка описывает семейство Llama 3 с предварительно обученными и настроенными для инструкций вариантами; метаданные этого репозитория не уточняют вариант обучения, поэтому возможности конкретной версии в чате следует оценивать с учётом этого ограничения. Модель статична и обучена на офлайн-данных. Использование регулируется специальной коммерческой лицензией Meta Llama 3 и Acceptable Use Policy; перед применением необходимо соблюдать их условия. Для языков помимо английского карточка допускает дообучение при соблюдении этих правил, но исходное назначение модели ограничено английским языком.

MiniCPM5-2B-MLX — компактная языковая модель из серии MiniCPM5, разработанная командой OpenBMB. Это плотная Transformer-модель примерно на 2 млрд параметров, предназначенная для генерации текста и локального развертывания на устройствах с ограниченными ресурсами. В карточке указана поддержка английского и китайского языков, а также сценарии on-device и edge AI. Модель рассчитана на следование инструкциям, программирование, математические задачи, понимание длинного контекста, использование инструментов и агентские сценарии. По заявлению разработчиков, среди открытых моделей сопоставимого размера она показывает передовые результаты и в целом остается конкурентоспособной моделям класса 4B, особенно в коде, математике, работе с длинным контекстом и tool use. Точная максимальная длина контекста и подробные результаты тестов в предоставленных данных не указаны. К основным ограничениям относятся меньший размер и, вероятно, более ограниченные возможности по сравнению с крупными языковыми моделями; конкретные ограничения качества, требования к оборудованию и поддерживаемые форматы MLX в README не раскрыты. Модель распространяется по лицензии Apache-2.0.

unsloth/mistral-7b-instruct-v0.3 — версия Mistral 7B Instruct, опубликованная Unsloth. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров для генерации текста и диалогов по инструкциям; в метаданных указаны библиотека Transformers и контекст до 32 768 токенов. Модель принимает текст и выдаёт текст, поддерживает английский язык и интерфейс вызова инструментов. Модель подходит для диалоговых помощников и генерации ответов по запросу. README описывает её как основу для дообучения в разговорном формате ShareGPT/ChatML или Vicuna, а также для задач продолжения текста и DPO. Репозиторий содержит веса Safetensors; указана лицензия Apache 2.0. Это instruct-модель общего назначения, поэтому её ответы могут содержать ошибки и требуют проверки в критичных сценариях. README посвящён примерам и инструментам дообучения Unsloth и не приводит оценки качества самой модели.

mmBERT-32K PII Detector — модель разметки токенов для обнаружения персональных данных, разработанная vLLM Semantic Router. Она дообучена на базе vllm-sr/mmbert-32k-yarn и представляет собой ModernBERT с 306,9 млн параметров; поддерживает контекст до 32 768 токенов. Модель принимает текст и помечает в нём сущности, включая имена, адреса, телефоны, электронную почту, платёжные и государственные идентификаторы, даты, возраст и названия организаций. Модель предназначена для выявления чувствительных данных в документах и текстовых потоках, например перед передачей данных внешним сервисам или для маршрутизации запросов. В README приведены показатели точности для некоторых типов сущностей, но они не описывают качество на всех языках и доменах. В карточке указан английский язык; качество на других языках не подтверждено. Модель распространяется под лицензией MIT. Доступны веса Safetensors и формат ONNX.

Карточка модели jiwonyou0420/MNLP_M2_document_encoder на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

Карточка модели Gnartiel/multi-sbert на Hugging Face совпадает с карточкой model-embeddings/multi-qa-mpnet-base-dot-v1, поэтому описание составлено по ней. multi-qa-mpnet-base-dot-v1 — модель встраиваний предложений и абзацев на базе MPNet, разработанная в рамках проекта Hugging Face «Train the Best Sentence Embedding Model Ever with 1B Training Pairs». Она кодирует запросы и текстовые фрагменты в плотные векторы размерностью 768 для семантического поиска и подбора релевантных документов. Модель дообучена на примерно 215 млн пар «вопрос—ответ» из разных источников; использует CLS-пулинг и сходство по скалярному произведению, а выходные векторы не нормализуются. В метаданных указано 136,7 млн параметров и контекст до 514 токенов. Модель подходит для поиска ответов и документов по смыслу, даже если запрос и найденный текст не совпадают дословно. README предупреждает, что при длине свыше 512 word pieces текст обрезается, а обучение проводилось преимущественно на фрагментах до 250 word pieces, поэтому качество на более длинных текстах может снижаться. В карточке указана лицензия Apache-2.0.

Naive-N0.5-Flash — открытая модель с архитектурой Mixture-of-Experts от разработчиков NaiveAI, предназначенная для программирования и исследований в области ИИ. Карточка описывает продолжение обучения на базе MiMo-V2.5 с архитектурными изменениями; модель обучалась на 3,25 трлн токенов, включая адаптацию к разреженному вниманию. В README указаны 309 млрд параметров всего и 15,5 млрд активных, тогда как метаданные Hugging Face сообщают 12 млрд параметров; эти сведения расходятся. Архитектура внимания сочетает Sliding-Window Attention с окном 128 токенов и DeepSeek Sparse Attention, выбирающим до 2048 токенов. Заявлено нативное контекстное окно в 1 048 576 токенов. Модель принимает текст и генерирует текст, в том числе код; для инференса README указывает поддержку FP8 и необходимость совместимого оборудования NVIDIA. Модель подходит для задач разработки программного обеспечения, агентных сценариев и исследований ИИ. В README заявлены оптимизации скорости в системе NaiveRT, но их показатели относятся к этой системе инференса. Веса и код выпущены под лицензией MIT.

Карточка модели NaiveAI/Naive-N0.5-Flash-FP8-Draft на Hugging Face совпадает с карточкой NaiveAI/Naive-N0.5-Flash, поэтому описание составлено по ней. Naive-N0.5-Flash — открытая модель с архитектурой Mixture-of-Experts от разработчиков NaiveAI, предназначенная для программирования и исследований в области ИИ. Карточка описывает продолжение обучения на базе MiMo-V2.5 с архитектурными изменениями; модель обучалась на 3,25 трлн токенов, включая адаптацию к разреженному вниманию. В README указаны 309 млрд параметров всего и 15,5 млрд активных, тогда как метаданные Hugging Face сообщают 12 млрд параметров; эти сведения расходятся. Архитектура внимания сочетает Sliding-Window Attention с окном 128 токенов и DeepSeek Sparse Attention, выбирающим до 2048 токенов. Заявлено нативное контекстное окно в 1 048 576 токенов. Модель принимает текст и генерирует текст, в том числе код; для инференса README указывает поддержку FP8 и необходимость совместимого оборудования NVIDIA. Модель подходит для задач разработки программного обеспечения, агентных сценариев и исследований ИИ. В README заявлены оптимизации скорости в системе NaiveRT, но их показатели относятся к этой системе инференса. Веса и код выпущены под лицензией MIT.

NaviDC-OCR GGUF — набор GGUF-квантизаций мультимодальной модели NaviDC-OCR, разработанной StarDoc-AI и преобразованной в GGUF проектом Pluto AI при участии автора с идентификатором @konradjr007. Модель предназначена для локального разбора цифровых и сфотографированных документов с использованием llama.cpp и поддерживает обработку изображений вместе с текстовыми запросами. Основные сценарии применения включают OCR документов, извлечение заголовков и основного текста, распознавание формул с представлением в LaTeX, транскрибацию таблиц в Markdown и структурированный разбор сложных страниц с многоколоночной компоновкой. В карточке указаны английский и китайский языки, а также связь с архитектурой Qwen2.5-VL. Доступны варианты квантизации от Q3_K_M до Q8_0 и версия FP16; размеры языковых квантов составляют примерно от 394,8 МБ до 1,50 ГБ. Для работы с изображениями требуется отдельный мультимодальный проектор mmproj-NaviDC-OCR-F16.gguf размером 1,33 ГБ. Сильными сторонами являются локальный запуск, высокая скорость инференса и сохранение структуры документов, включая формулы и таблицы. В приведённом тесте на одной сложной технической странице варианты Q4_K_M, Q5_K_M и Q8_0 распознали 8 из 8 элементов, при этом Q4_K_M показал наибольшую скорость генерации. Результаты зависят от квантизации, оборудования и типа документа; для Q3_K_M отмечено ухудшение качества, а приведённые показатели не характеризуют работу на широком наборе данных. Лицензия — Apache-2.0.

Ornith-1.5-35B-A3B-Abliterated-ROCmFP4-GGUF — это квантизированная GGUF-версия аблитерированной языковой модели Ornith-1.5-35B-A3B. Базовую модель разработала ornith-ai, аблитерацию выполнила huihui-ai, а BF16 GGUF-исходник предоставила PocketAiHub. Автор данного репозитория добавил варианты квантизации ROCmFP4/ROCmFPX, сборку с поддержкой HIP/ROCm и Vulkan, а также тесты производительности. Модель распространяется по лицензии Apache-2.0. Модель предназначена для генерации текста, включая диалоги, программный код, рассуждения, выдачу JSON, агентские сценарии и работу с инструментами. Это MoE-модель с заявленным общим размером 35B параметров и активной частью около 3B параметров. Доступны варианты квантизации от 4 до 8 бит; размеры файлов составляют примерно от 17,4 до 33,9 ГиБ. В репозитории также указан отдельный vision tower в формате F16 GGUF, позволяющий подавать изображения через параметр mmproj. Языки модели в README не указаны. В приведённых конфигурациях использовался контекст 32768 токенов, однако максимальный размер контекста явно не заявлен. Основное преимущество модели — оптимизация для AMD Ryzen AI Max+ 395 и Radeon 8060S с архитектурой gfx1151: один файл можно запускать через HIP/ROCm или Vulkan, выбирая backend во время запуска. Vulkan показывает более высокую скорость генерации, а ROCm — более высокую скорость обработки длинных входных запросов; 4-битные варианты демонстрируют близкую производительность. Модель прошла заявленные тесты стабильности без усечённых генераций. Для работы требуется специальная сборка ROCmFPX с поддержкой обоих backend; стандартная сборка llama.cpp эти файлы не загружает. Приведённые показатели относятся к конкретной аппаратной конфигурации и могут отличаться на других системах.

Модель shahidha/paraphrase-multilingual-MiniLM-L12-v2 — дообученная модель эмбеддингов предложений на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, экспортированная в формат ONNX с квантизацией INT8. Она использует архитектуру MiniLM-L12 на базе BERT, содержит 124,3 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Для выполнения требуется ONNX Runtime; модель ориентирована на быстрый локальный запуск на мобильных и периферийных устройствах. Модель преобразует запросы и документы в плотные векторы для семантического поиска, поиска ответов, сопоставления FAQ, индексации векторных баз и retrieval-компонентов RAG-систем. В README указано дообучение на пользовательском наборе пар «запрос—ответ»; приведённые метрики Recall@1 96,39%, Recall@5 99,51% и MRR 97,69% относятся к тестовому набору авторов и не гарантируют такие же результаты на других данных. Карточка указывает поддержку многоязычной обработки, а метаданные содержат язык en. Лицензия — Apache-2.0. Модель выдаёт эмбеддинги и не генерирует текстовые ответы. Качество поиска зависит от близости данных применения к обучающей выборке и может различаться между предметными областями и языками.

Phi-4-Reasoning-Vision-15B — мультимодальная модель Microsoft, разработанная на базе языковой модели microsoft/Phi-4-reasoning и визуального энкодера SigLIP-2. Архитектура mid-fusion объединяет визуальные токены с представлениями языковой модели; динамическое разрешение поддерживает до 3600 визуальных токенов. Модель содержит 14,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель принимает изображения и текст и отвечает текстом. Она предназначена для визуальных вопросов и ответов, OCR, описания изображений, локализации объектов и элементов интерфейса, а также для математических и научных рассуждений по диаграммам, документам и изображениям. Для задач восприятия может отвечать напрямую, а для задач, требующих нескольких шагов, использует расширенное рассуждение. Основной язык обучающих данных — английский; на других языках качество может быть ниже. Разработчик предупреждает о возможных ошибках и предвзятости и не рекомендует применять модель без дополнительной оценки в ситуациях с существенными последствиями, а также для медицинской диагностики, юридических консультаций и финансового планирования. Модель распространяется по лицензии MIT.

PII Redactor small — мультиязычная модель Horizon Labs для обнаружения и разметки персональных данных и секретов в тексте перед передачей содержимого в журналы, запросы к LLM, обучающие наборы или внешние API. Это дообученная модель token classification на основе jhu-clsp/mmBERT-small с архитектурой ModernBERT и 140,5 млн параметров; она размечает 29 типов сущностей, включая имена, контакты, адреса, идентификаторы, финансовые данные, пароли и API-ключи. Модель принимает текст и выдаёт метки токенов; для маскирования их можно подключить к Presidio или LLM Guard. README заявляет поддержку более 30 языков, а метаданные перечисляют языковые теги, в том числе английский, немецкий, французский, русский, китайский, японский и другие. Контекст модели — 8192 токена; доступны форматы safetensors и ONNX, а README также отмечает использование через transformers.js в браузере и на периферийных устройствах. По опубликованной оценке модель не лидирует на всех бенчмарках: на реальных и необычно оформленных документах полнота может быть ниже, даты могут размечаться избыточно, а квазиидентификаторы не гарантируют анонимность. Лицензия — Apache-2.0.

Polaris-V1 — открытая 4-миллиардная dense causal language model, разработанная NitrAI Research и представленная как NitrAI Lab. Это дообученная версия Qwen/Qwen3.5-4B, выровненная с помощью reinforcement learning с наградами за многофайловый синтез кода и проверку теорем. Модель предназначена для генерации и анализа программного кода, сложного рассуждения, автономных агентных сценариев и задач, связанных с исправлением программных проектов. Модель поддерживает английский и китайский языки, работает в режиме text generation и имеет контекстное окно до 1 592 638 токенов с масштабированием RoPE через YaRN. Заявлены требования от 3,2 ГБ VRAM для Q4_K_M до 8,4 ГБ для FP16, что позволяет запускать её на потребительских GPU и Apple Silicon. Поддерживаются Transformers, Ollama и llama.cpp/GGUF; также заявлено спекулятивное декодирование со скоростью 540–720 токенов в секунду при использовании Qwen3.5-0.8B-Draft. Сильные стороны Polaris-V1 — сочетание компактного размера, локального запуска, большого контекстного окна и специализации на программировании и агентном рассуждении. В README указаны результаты: 31,4% Pass@1 на SWE-bench Verified, 38,5% Task Completion Rate на WildClawBench и 26,8% Pass@1 на DeepSWE. Ограничения включают сравнительно небольшой размер и узкую специализацию по сравнению с более крупными моделями, а также отсутствие подробных сведений о качестве на других задачах, фактической эффективности длинного контекста и ограничениях аппаратной совместимости. Модель распространяется по лицензии Apache 2.0.

Карточка модели JaehyeokLee/preliminary_5m_checkpoint_epoch_1_step_240 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_clustering_infonce_checkpoint_epoch_1_step_160 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_one_source_gist_checkpoint_epoch_1_step_100 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_one_source_gist_checkpoint_epoch_1_step_130 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_one_source_infonce_checkpoint_epoch_1_step_140 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

OpenMed разработала privacy-filter-multilingual — многоязычную модель для извлечения и разметки фрагментов с персональными данными в тексте. Это полноценно дообученная модель OpenAI Privacy Filter с архитектурой MoE и классификационной BIOES-разметкой токенов. Она распознаёт 54 категории PII, преобразованные в 217 меток BIOES, и предназначена для последующего маскирования или обезличивания текста. Модель рассчитана на арабский, бенгальский, китайский, нидерландский, английский, французский, немецкий, хинди, итальянский, японский, корейский, португальский, испанский, телугу, турецкий и вьетнамский языки. Она подходит для поиска персональных данных в документах и сообщениях, подготовки текста к передаче или хранению и интеграции в конвейеры защиты данных. Размер модели по метаданным — 145,4 млн параметров; нативный контекст — 131 072 токена. Качество распознавания неодинаково: авторы отмечают лучшие результаты для немецкого, испанского, французского, итальянского, хинди, телугу и английского; китайский, японский, корейский и некоторые языки с низким ресурсом остаются сложнее. Обучающие наборы синтетические, поэтому реальные медицинские, юридические и веб-тексты могут отличаться от обучающих примеров. Модель не предназначена специально для клинических медицинских данных и не заменяет проверку соответствия требованиям законодательства. Лицензия — Apache-2.0.

recursal/QRWKV6-7B-Instruct — диалоговая модель генерации текста объёмом 7,1 млрд параметров, разработанная в рамках проекта RADLADS. Она использует архитектуру RWKV6Qwen2 и преобразование трансформеров с softmax-вниманием в декодеры с линейным вниманием методом дистилляции. Модель предназначена для генерации текста и общения; в метаданных также заявлен интерфейс вызова инструментов. Контекстное окно составляет 131 072 токена. Подход RADLADS нацелен на сохранение качества исходной модели при более эффективном инференсе с постоянной стоимостью обработки каждого нового токена. Для загрузки через Transformers требуются пользовательские компоненты архитектуры и параметр trust_remote_code=True. Модель распространяется по лицензии Apache 2.0.

QRWKV-72B — крупная разговорная языковая модель от Featherless AI, представленная в работе RADLADS о дистилляции быстрого внимания для декодеров с линейным вниманием. Это плотная архитектура RWKV6Qwen2 с 71,5 млрд параметров, полученная преобразованием Qwen 2.5 72B в вариант RWKV без предварительного обучения базовой модели заново. Модель генерирует текст, поддерживает чат и интерфейс вызова инструментов; заявленная длина контекста — 131 072 токена. Модель предназначена для диалогов, генерации ответов и задач рассуждения с длинным контекстом. В README приведены результаты бенчмарков ARC и HellaSwag, где QRWKV-72B в некоторых сравнениях превосходит Qwen2.5-72B-Instruct, но это не гарантирует такого же качества в других задачах. Модель унаследовала знания и обучение языкам от Qwen и рассчитана примерно на 30 языков. Файлы опубликованы в формате safetensors; для Transformers требуется включить удалённый код. Лицензия указана как other, конкретные условия в доступных сведениях не раскрыты.

QRWKV-QwQ-32B — 32-миллиардная языковая модель от Featherless AI, созданная в рамках проекта RADLADS. Авторы преобразовали Qwen/QwQ-32B в вариант с линейным вниманием RWKV, используя дистилляцию внимания; модель унаследовала знания и языковые данные родительской модели. Она предназначена для диалогов и генерации текста, включая рассуждения при выводе, а также поддерживает интерфейс вызова инструментов. Модель использует плотную архитектуру RWKV6Qwen2, работает с контекстом до 131 072 токенов и распространяется в формате safetensors через Transformers. В README приведены результаты ряда бенчмарков, где QRWKV-QwQ-32B в некоторых тестах немного превосходит Qwen/QwQ-32B. Авторы заявляют о снижении вычислительных затрат при работе с длинным контекстом; модель поддерживает около 30 языков, унаследованных от семейства Qwen. Лицензия — Apache-2.0. Для запуска через Transformers требуется разрешить загрузку удалённого кода. Результаты тестов ограничены указанными настройками оценки и сами по себе не гарантируют качество на прикладных задачах; в README также отмечено, что модель имеет ограничения по числу поддерживаемых языков по сравнению с более ранними многоязычными моделями RWKV.