I.14Автоматизация процессов и AI-агенты

Qwen2.5-14B-DeepSeek-R1-1M — объединённая плотная языковая модель на архитектуре Qwen2, созданная с помощью MergeKit методом TIES. В качестве базовой использована Qwen/Qwen2.5-14B-Instruct-1M; в объединение также вошли DeepSeek-R1-Distill-Qwen-14B и Qwen2.5-14B-Instruct. Модель содержит 14 млрд параметров, распространяется в формате Safetensors и рассчитана на контекст до 1 010 000 токенов. Модель предназначена для диалогов и генерации текста по инструкциям, включая работу с длинным контекстом. Метаданные также указывают интерфейс для вызова инструментов. Данные карточки описывают способ объединения и состав моделей, но не приводят отдельные оценки качества или подробные рекомендации по применению. Лицензия в предоставленных данных не указана. Для использования следует учитывать условия лицензий исходных моделей; их совместимость здесь не подтверждена.

TeichAI разработала эту плотную языковую модель с 3,7 млрд параметров на основе unsloth/Qwen3-4B-Thinking-2507. Модель дообучена на наборе TeichAI/gemini-3-pro-preview-high-reasoning-250x, составленном из примеров Gemini 3 Pro Preview с высоким уровнем рассуждений, и предназначена для генерации текста в диалогах и решения сложных задач. Указанные сценарии применения — программирование и наука. Модель принимает текст и генерирует текст, поддерживает контекст до 262 144 токенов и предоставляет интерфейсы для чата и вызова инструментов. В репозитории указаны веса Safetensors; лицензия — Apache-2.0. Карточка не приводит оценок качества или сравнительных результатов, поэтому возможности модели в конкретных задачах требуют проверки.

ArliAI/Qwen3.5-27B-Derestricted — модифицированная версия Qwen3.5-27B, разработанная Arli AI. Модель предназначена для генерации текста, рассуждений, программирования, агентских сценариев и мультимодального понимания изображений. Её ключевая особенность — уменьшение или удаление поведения, связанного с отказами в ответах, при сохранении возможностей исходной модели. Модель содержит около 27 млрд параметров и построена как каузальная языковая модель с vision encoder. В архитектуре сочетаются Gated Delta Networks и разреженная Mixture-of-Experts; языковая часть включает 64 слоя. Заявлена поддержка 201 языка и диалекта. Модель совместима с Transformers, vLLM, SGLang и KTransformers. Точный размер контекста в предоставленных данных не указан. Для модификации применён метод Norm-Preserving Biprojected Abliteration: направление, связанное с отказами, удаляется с сохранением исходных норм весов. Это потенциально помогает сохранить рассуждения и общую производительность лучше, чем стандартная abliteration, однако приведённые в README утверждения о преимуществах основаны на заявлениях разработчика и не сопровождаются конкретными результатами тестов. Отсутствие защитных отказов расширяет область применения, но повышает риск генерации небезопасного или вредоносного контента. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-9B-Claude-4.6-HighIQ-THINKING-HERETIC-UNCENSORED-FP8-vLLM — это FP8-квантизированная версия модели DavidAU/Qwen3.5-9B-Claude-4.6-HighIQ-THINKING-HERETIC-UNCENSORED, созданная kanocz для инференса в vLLM. Модель основана на архитектуре Qwen3.5 и представляет собой результат последовательной дообученной линейки с базой Qwen/Qwen3.5-9B, uncensored fine-tune и дистилляцией рассуждений в стиле Claude 4.6. Формат распространения — Apache 2.0. Модель предназначена для генерации текста, задач с рассуждениями и поддерживает режим thinking с парсером qwen3, вызов инструментов и мультимодальную работу с изображениями. Заявлена поддержка контекста до 262 144 токенов. README не указывает перечень поддерживаемых языков, поэтому языковые возможности отдельно не уточняются. Используется блочная динамическая квантизация FP8 E4M3 с размером блока 128×128; квантизировано 200 слоёв, а 560 компонентов, включая embeddings, norms, vision encoder, lm_head и специфичные для DeltaNet слои, сохранены в исходной точности. Размер весов составляет около 11,3 ГБ против примерно 19 ГБ в BF16. На RTX 3090 заявлена работа через Marlin kernel, а на Ada/Hopper — с native FP8; совместимость с vLLM протестирована. FP8 KV cache позволяет дополнительно экономить память. Ограничения включают зависимость от vLLM для проверенного сценария, отсутствие поддержки llama.cpp и отсутствие валидации в SGLang; для полной конфигурации на RTX 3090 требуется около 22,5 ГБ из 24 ГБ видеопамяти.

Qwen3.6-27B-Q8_0-dequant-bf16-vllm — конвертированная версия весов Qwen3.6-27B, подготовленная exolabs для запуска через vLLM. Веса взяты из GGUF-квантизации Q8_0 репозитория unsloth/Qwen3.6-27B-GGUF, деквантизированы, преобразованы в формат Transformers и сохранены в BF16 как safetensors. Это плотная модель семейства Qwen3.5 с поддержкой чата и интерфейса вызова инструментов. Исходная архитектура предусматривает обработку текста и изображений, однако в этом репозитории отсутствует визуальная башня. README рекомендует запускать модель в режиме только языковой части, поэтому для данного набора весов следует рассчитывать на текстовый ввод и генерацию текста. Конфигурация проверена на H200 с vLLM 0.23.0; автор указывает максимальную длину контекста 4096 токенов в рекомендуемой команде запуска. Это преобразование уже квантизированных весов Q8_0 в BF16, а не исходный чекпойнт BF16: точность деквантизации ограничена исходной квантизацией. Лицензия в предоставленных данных не указана.

satgeze/Qwen3.6-35B-Uncensored-HauhauCS-1M-GGUF — GGUF-сборка модели Qwen3.6-35B-A3B, основанная на uncensored-варианте HauhauCS. Модель предназначена для генерации текста, диалоговых и агентских сценариев, работы с длинными документами и задач, требующих анализа изображений. Поддерживаются llama.cpp и Ollama; заявлена совместимость с агентскими клиентами через Anthropic Messages API. Модель использует исходный контекст 262 144 токена, расширенный до 1 048 576 токенов с помощью YaRN RoPE scaling с коэффициентом 4. В сборку включён слой MTP для speculative decoding: по данным README, на RTX 5090 скорость выросла с 284,6 до 380,1 токена в секунду, а результат декодирования остаётся идентичным стандартному режиму. Визуальный ввод обеспечивается отдельной башней mmproj размером около 899 МБ, которая подключается во время запуска. Основной файл Q4_K_M имеет размер около 21,7 ГБ. К сильным сторонам относятся очень длинный контекст, проверенная авторами работа поиска информации на диапазоне до 1M токенов, поддержка изображений и ускоренное декодирование через MTP. Ограничения включают необходимость совместимого рантайма и значительных аппаратных ресурсов, а также отдельную установку vision-компонента для визуальных задач. Сведения о поддерживаемых языках и точной архитектуре в README не приведены. Модель распространяется по лицензии Apache-2.0.

RukaRat/Qwen3.8-27B-INT8-W8A8-imatrix-MTP — квантизированная версия мультимодальной модели Qwen3.8-27B, разработанной командой Qwen и подготовленной пользователем RukaRat. Модель предназначена для генерации и анализа текста, работы с изображениями, вызова инструментов и запуска локальных inference-сервисов на видеокартах Ampere, включая конфигурации с двумя RTX 3090 по 24 ГБ. Указана интеграция с Transformers, SGLang и vLLM, а также поддержка tool calls в формате qwen3_coder и reasoning-парсера qwen3. Весовая часть представлена в формате compressed-tensors с квантизацией INT8 W8A8; общий размер составляет около 29,1 GiB, при этом часть параметров сохранена в BF16. Архитектура включает 64 слоя, из которых 48 используют Gated DeltaNet linear attention и 16 — full attention. Сохранены vision tower и MTP-модуль, благодаря чему поддерживаются мультимодальный ввод и speculative decoding. Нативное окно контекста заявлено до 262 144 токенов, а в описанной конфигурации на двух RTX 3090 протестирован контекст до 245 760 токенов. Языки модели в README не указаны. К сильным сторонам относятся сохранённая обработка изображений, MTP для ускорения декодирования, совместимость с видеокартами Ampere и сравнительно экономичное INT8-представление. Ограничения связаны с высокой потребностью в памяти: каждая параллельная последовательность требует значительный фиксированный recurrent state, поэтому число одновременных запросов приходится ограничивать. Производительность и доступный контекст зависят от настроек SGLang или vLLM, а сведения о работе vLLM отмечены как устаревшие. Модель распространяется по лицензии Apache-2.0.

Chungulus/Qwen3.8-27B-Q5_K_M-GGUF — это независимая vanilla-квантизация базовой модели Qwen/Qwen3.8-27B, разработанной командой Qwen. Модель представлена в формате GGUF с квантизацией Q5_K_M для запуска через llama.cpp; это не дообучение, объединение моделей или изменение шаблона чата. В комплект входят основные веса объёмом около 19,536 ГБ и отдельный vision projector, а общий размер репозитория составляет около 20,476 ГБ. Модель предназначена для генерации текста, вызова инструментов, анализа изображений и видео, а также сценариев с управляемым режимом рассуждений через параметры enable_thinking, reasoning_effort и preserve_thinking. Она использует гибридную архитектуру с Gated DeltaNet и полным attention, поддерживает мультимодальный pipeline image-text-to-text, нативный формат вызова инструментов и сохранённые MTP-тензоры, однако спекулятивное ускорение не заявлено. Точные языки и максимальный контекст в README не указаны; архитектурный максимальный контекст не следует считать проверенным. К сильным сторонам относятся сохранение функциональности исходной модели, проверенная генерация текста, tool calling, работа с изображениями и сохранённый шаблон чата. К ограничениям относятся возможное снижение качества из-за квантизации, требования к совместимости runtime с гибридным языковым графом, vision tower, tokenizer и MTP-метаданными, а также необходимость примерно 24 ГБ доступной памяти с дополнительным ростом потребления из-за KV-cache. Модель и её vanilla-квантизация распространяются по лицензии Apache-2.0.

t-firefly выпустил сборку Qwen3.8-27B для работы на ускорителе Rockchip RK1828 через LlamaPi. Это плотная мультимодальная модель генерации текста по текстовым и визуальным входам; исходную модель разработала команда Qwen. Она предназначена для диалога, анализа изображений и видео, программирования, профессиональных и исследовательских задач, а также многошаговых агентных сценариев. Модель принимает изображения и видео, включая документы и STEM-диаграммы; в исходной карточке заявлено понимание видео длительностью до часа. Режим рассуждения включён по умолчанию, его глубину можно настраивать. Репозиторий содержит GGUF и safetensors и помечен как совместимый с LlamaPi. Лицензия — Apache-2.0. Для запуска через LlamaPi требуется соответствующая среда на RK1828; практическое качество и поддержка конкретных входных форматов зависят от реализации.

Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-MTP-GGUF — квантованная GGUF-версия плотной языковой модели Qwen3.8-27B, разработанная HauhauCS на базе Qwen/Qwen3.8-27B. Модель предназначена для генерации текста, рассуждений, агентских сценариев, а также работы с изображениями и видео; поддерживает текстово-визуальный ввод через отдельный vision-проектор. Заявлены языки English, Chinese и multilingual. Модель содержит 27 млрд параметров, 64 слоя, скрытый размер 5120, размер FFN 17408 и словарь на 248 320 токенов. Архитектура включает 48 слоёв Gated DeltaNet и 16 слоёв gated attention. Сохранены встроенные механизмы MTP/NextN, а также добавлен профиль ускорения HauhauCS FastMTP 32K для speculative decoding. Нативный контекст составляет 262 144 токена, с заявленной возможностью расширения до 1 000 000 токенов. Доступны варианты квантования от Q8_K_P до IQ2_M размером примерно от 10,32 до 31,46 ГБ; для изображений и видео требуется отдельный BF16 vision-проектор размером 931 МБ. К сильным сторонам относятся большой контекст, мультимодальность, поддержка рассуждений и агентских задач, а также заявленное ускорение генерации FastMTP до 3,02 раза для документов и до 1,93 раза для рассуждений по сравнению с вариантами без MTP. Aggressive-профиль ориентирован на прямые ответы с минимальным вступлением и практически отсутствующим отказным поведением, поэтому может быть менее подходящим для критически важных длинных агентских сценариев, где предпочтительнее более сбалансированный профиль. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-Flash-Coder-85GB-BF16 — производная модель Jab1718 на базе Qwen/Qwen3.8-Flash-Next, предназначенная для генерации кода и задач программирования. По README, это выделенная с помощью moe-slice разреженная MoE-подсеть: сохранены 48 трансформерных слоёв и 160 экспертов на слой; веса представлены в BF16, размер чекпойнта — около 85,24 ГБ. В карточке Hugging Face указаны 5,1 млрд параметров и контекст до 262 144 токенов. Модель рассчитана на диалоговое использование для написания, отладки и изменения кода, включая агентные сценарии. README сообщает о проверках на программных задачах на нескольких языках, но эти результаты относятся к описанной авторами тестовой подборке и не гарантируют аналогичного качества в других условиях. Метаданные указывают английский, вьетнамский и китайский языки; отдельная поддержка русского не заявлена. Лицензия — Apache-2.0.

Qwen3-Embedding-0.6B LRAT Broad Causal Filter v1 — текстовая модель-ретривер на архитектуре Qwen3, дообученная автором на базе Qwen/Qwen3-Embedding-0.6B. Она преобразует запросы и документы в эмбеддинги для плотного поиска и отбора материалов, полезных для продвижения рассуждений агента. Модель содержит 507,6 млн параметров, использует pooling последнего токена и поддерживает контекст до 32 768 токенов. Для обучения использованы 64 606 высокоуверенных пар запросов, положительных и отрицательных примеров, отобранных из предоставленных организатором траекторий агентов LRAT. В локальной оценке автор сообщает небольшое улучшение Recall@50 и Hit@50 относительно контрольной версии broad-v2; эти результаты являются локальными, а не официальными результатами лидерборда. Модель предназначена для текстового поиска и извлечения признаков. Языки обучения или поддерживаемые языки в карточке не уточнены, поэтому можно опираться лишь на многоязычные свойства базовой модели. Лицензия в предоставленных данных не указана.

Qwen3-Reranker-0.6B-seq-cls — вариант Qwen3-Reranker-0.6B, преобразованный в модель классификации последовательностей. Это плотная модель архитектуры Qwen3 с 507,6 млн параметров, дообученная на базе Qwen/Qwen3-0.6B-Base и предназначенная прежде всего для ранжирования текстовых пар. Она оценивает релевантность документа запросу, чтобы переупорядочить кандидатов в поиске или RAG-системе; также в метаданных указана поддержка классификации текста. Модель рассчитана на многоязычные сценарии: карточка заявляет поддержку более 100 языков, включая языки программирования. Она подходит для поиска по тексту и коду, межъязыкового поиска и отбора документов по запросу. Входные инструкции можно настраивать под задачу; README сообщает, что инструкции часто улучшают результаты ранжирования. Метаданные указывают контекст до 40 960 токенов, а README — 32K. Для работы с Transformers требуется версия 4.51.0 или новее. Модель опубликована в формате safetensors по лицензии Apache-2.0.

unsloth/Qwen3-VL-2B-Instruct-unsloth-bnb-4bit — 4-битная версия модели Qwen3-VL-2B-Instruct, опубликованная Unsloth и основанная на модели Qwen. Это мультимодальная instruct-модель для понимания и генерации текста по изображениям, а также для работы с визуальными и текстовыми данными. Она предназначена для описания изображений, визуального рассуждения, анализа документов и видео, OCR, решения STEM- и математических задач, генерации HTML/CSS/JS и Draw.io по визуальным примерам, а также взаимодействия с графическими интерфейсами и инструментами. Модель имеет плотную архитектуру и размер 2B параметров; поддерживает текст и изображения, а заявленные возможности включают обработку видео и пространственное рассуждение. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных позиционных представлений, DeepStack для объединения многоуровневых признаков ViT и выравнивание текста с временными метками. Заявлена длина контекста 256K токенов с возможностью расширения до 1M. OCR поддерживает 32 языка, однако полный список языков в README не приведён. Сильные стороны модели — сочетание текстового и визуального понимания, работа с длинным контекстом, видео, пространственными отношениями и документами, а также сниженные требования к памяти благодаря 4-битному квантованию. Ограничения, результаты тестов и точные требования к оборудованию в README не описаны; квантование может влиять на точность по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0.

Rombo-LLM-V3.0-Qwen-72b — плотная языковая модель семейства Qwen2 от Rombo-Org, созданная продолжительным дообучением Rombo-LLM-V2.5-Qwen-72b на наборах данных для рассуждений и обычных ответов. Она предназначена для генерации текста в диалогах и задач, где полезны пошаговые рассуждения; автор рекомендует использовать системный промпт, на котором модель обучалась для режима рассуждений, и температуру 0,4. Модель содержит 71,5 млрд параметров, рассчитана на контекст до 32 768 токенов, использует формат Safetensors и поддерживает интерфейс вызова инструментов. Автор заявляет о высокой эффективности, в том числе при 4-битном квантовании, однако в карточке нет опубликованных результатов оценки. Модель лицензирована по Apache-2.0.

Fulcrum-AI представляет Ryze-Mistral-Nemo-Instruct-2407-8 — текстовую генеративную модель на архитектуре MistralForCausalLM, полученную слиянием весов через passthrough mergekit на основе mistralai/Mistral-Nemo-Instruct-2407. В репозитории указаны 20,1 млрд параметров, формат safetensors и контекст до 1 024 000 токенов. Модель предназначена для диалога, генерации текста, выполнения инструкций и сценариев с интерфейсом вызова инструментов. Базовая Mistral Nemo — многоязычная инструктивная модель Mistral AI и NVIDIA; модель можно применять для общения и генерации текста на поддерживаемых ею языках. README не описывает отдельную специализацию или результаты оценки именно этого слияния. 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.

Это конвертированная в формат Vokra GGUF версия модели Silero VAD v6.2.1 от upstream-разработчика snakers4. Она предназначена для определения участков речи в аудиозаписи и запускается в среде инференса Vokra, которая поддерживает отображение весов в память. Для работы модели требуется монофонический WAV с частотой дискретизации 16 кГц; результатом являются обнаруженные речевые сегменты. Файл весит 2,1 МБ, архитектура обозначена как silero-vad. Конверсия сохраняет исходные веса и не является новым дообучением. Лицензия — MIT.

SmolLM3-3B-trellis-3inst-4bpw-kernel — это квантованная версия языковой модели SmolLM3-3B, разработанной HuggingFaceTB. Модель предназначена для генерации текста, диалоговых приложений, локального инференса и интеграции с vLLM или Transformers, включая использование в coding agents через OpenAI-совместимый API. Поддерживаются английский, французский, испанский, итальянский, португальский, китайский, арабский и русский языки. Модель работает в текстовой модальности; базовая архитектура и точный размер контекста в README не раскрыты, однако в примере конфигурации указано ограничение контекста 4096 токенов. Веса сжаты до 4,0 бит на параметр методом GLQ: используются trellis-coded quantization QTIP TCQ в варианте 3inst, randomized Hadamard transform и LDLQ. Сжатые веса хранятся в памяти и декодируются на лету объединённым CUDA-ядром, что снижает требования к VRAM. Указаны средний SQNR весов 22,06 дБ и близкая к базовой perplexity на WikiText-2: 9,23 против 9,12 у bf16-версии. Для экономии памяти под длинный контекст доступна E8-квантизация KV-кэша, уменьшающая его размер примерно в четыре раза при 4-битном режиме. Ограничения включают необходимость CUDA-совместимой среды и glq версии не ниже 0.7.0; приведённые результаты AIME являются единичными оценками с заметной погрешностью. Модель распространяется по лицензии Apache-2.0.

speechless-code-mistral-7b-v1.0 — языковая модель для генерации кода и выполнения инструкций, созданная Uukuguy на базе Mistral-7B-v0.1. Модель дообучена на 201 981 примере с задачами программирования, рассуждения и планирования; среди источников данных — наборы Airoboros, OpenOrca, Open-Platypus, WizardLM, TokenBender и Spider. Для общения используется формат инструкций Alpaca. Это плотная авторегрессионная архитектура Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Карточка приводит результаты HumanEval и Big Code Evaluation и описывает возможности генерации кода, включая Python и ряд других языков программирования. Модель принимает текстовые инструкции и выдаёт текст с кодом или пояснениями; основной заявленный язык естественного общения — английский. Модель подходит для генерации и дополнения кода, решения задач по программированию, а также для запросов, требующих рассуждения и планирования. Лицензия — Apache 2.0. В карточке также перечислены сторонние AWQ, GPTQ и GGUF варианты для инференса, однако метаданные этого репозитория указывают формат PyTorch; приведённые оценки на тестах не гарантируют качество для конкретных задач.

SurvAIv Ettin 32M — дообученный англоязычный кросс-энкодер на базе cross-encoder/ettin-reranker-32m-v1, выпущенный SurvAIv. Модель содержит около 31,9 млн параметров и предназначена для повторного ранжирования результатов поиска и других наборов текстовых фрагментов по релевантности запросу. Она построена на ModernBERT и оформлена как полный модульный чекпойнт Sentence Transformers CrossEncoder с обученной скоринговой головой. Модель обучали методом LambdaLoss@10 на 2 098 группах запросов и 23 657 размеченных фрагментах. Для развёртывания в локальной RAG-системе автор использует экспорт ONNX с INT8-квантизацией и ограничением входной последовательности до 512 токенов; метаданные указывают нативный контекст длиной до 7 999 токенов. Выдаваемые оценки отражают релевантность для ранжирования, а не калиброванную вероятность правильности ответа. Модель подходит для улучшения порядка выдачи в поиске и RAG. Это компонент поиска, а не клинически проверенная система первой помощи. Лицензия модели — Apache-2.0; датасет обучения приватный, а цитаты в архивных примерах карточки имеют отдельные ограничения и не являются свободно распространяемыми обучающими данными.

kthierbach/unlimited-ocr-max — это порт модели baidu/Unlimited-OCR, подготовленный Константином Тирбахом для запуска через MAX и OpenAI-совместимый API. Модель предназначена для распознавания текста на изображениях и преобразования страниц в Markdown; репозиторий также описывает запуск собственного сервера и профилирование на наборе страниц. Архитектура указана как UnlimitedOCRForCausalLM, размер — 559,7 млн параметров, длина контекста — 32 768 токенов. Доступны исходные веса bf16 и вариант int8 с квантизацией routed experts; файлы весов хранятся в safetensors. Поддерживаются Metal на Apple Silicon, CUDA, ROCm и CPU. Метаданные характеризуют модель как многоязычную. Порт упрощает развёртывание через MAX, а int8-вариант предназначен для более быстрого декодирования на GPU. На CPU работа медленная; для int8 требуется GPU. Для NVIDIA указаны требования Ampere или новее, драйвер 580+ и MAX версии 0.3.1 или новее. Лицензия — MIT; README указывает, что исходные веса и файлы Baidu распространяются под MIT, а int8-веса получены из них квантизацией.

UTC-DeBERTa-small — универсальный классификатор токенов от Knowledgator на базе DeBERTaV3-small. Модель дообучена на нескольких задачах разметки токенов и задачах, которые можно представить в таком виде; карточка описывает её как prompt-tuned. В репозитории указаны архитектура DeBERTa-v2, 155 млн параметров и контекст до 512 токенов. Модель предназначена для извлечения сущностей и другой информации из текста. Она поддерживает zero-shot распознавание именованных сущностей и может применяться к ответам на вопросы, извлечению отношений, разрешению кореференции, очистке и суммаризации текста. В бенчмарке CrossNER приведены результаты на нескольких предметных категориях, включая ИИ, литературу, музыку, политику и науку. Модель принимает английский текст и выдаёт разметку токенов. Для запуска рекомендуется Transformers pipeline `ner`. Доступна по лицензии Apache-2.0; результаты могут зависеть от формулировки запроса и типа текста.

Voxtral-Mini-3B-2507-GGUF — это конверсия 3-миллиардной мультимодальной speech-LLM-модели Voxtral-Mini-3B-2507, разработанной Mistral, в формат GGUF для запуска через C++ runtime CrispASR. Модель предназначена для автоматического распознавания речи, транскрибации, перевода и понимания аудио, включая ответы на вопросы по содержимому записи, суммаризацию и вызов функций по голосовым намерениям. Модель поддерживает английский, французский, немецкий, испанский, итальянский, португальский, нидерландский и хинди, а также автоматическое определение языка. Она сочетает 32-слойный Whisper-large-v3 audio encoder, проектор и 30-слойную Llama 3 / Ministral 3B-подобную языковую модель с GQA; общий объём параметров составляет около 3 млрд. Поддерживается до 30 минут аудио для транскрибации и до 40 минут для понимания. Аудиообработка встроена в GGUF, поэтому во время инференса не требуются Python, PyTorch или librosa. Доступны варианты квантования Q4_K размером 2,5 ГБ, Q8_0 размером 4,6 ГБ и F16 размером 8,7 ГБ. Q4_K рекомендован для практического использования и, согласно приведённым измерениям, примерно в 2,2 раза быстрее F16 на CPU при сохранении идентичной транскрипции. Ограничения включают более высокие требования к ресурсам и меньшую скорость по сравнению с компактными ASR-моделями на коротких аудиофрагментах, а также необходимость подавать моно WAV в формате PCM 16 кГц, 16 бит. Модель распространяется по лицензии Apache-2.0.

Карточка модели avsolatorio/01-100-10-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240204044729-best на Hugging Face совпадает с карточкой avsolatorio/01-100-31-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240207031328-best, поэтому описание составлено по ней. Это англоязычная модель для получения плотных векторных представлений текста на основе BAAI/bge-small-en-v1.5. Репозиторий размещён в пространстве имён avsolatorio; по идентификатору модели и карточке это производная версия BGE, однако карточка не описывает конкретные изменения или способ обучения этой версии. Модель предназначена для поиска семантически близких текстов и формирования эмбеддингов для систем поиска и retrieval-augmented generation (RAG). Архитектура — BERT, около 40 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Модель ориентирована на английский язык. Эмбеддинги подходят для поиска кандидатов, но README рекомендует при необходимости повышать точность выдачи с помощью отдельного reranker. Карточка также отмечает, что оценка сходства сама по себе не является калиброванной вероятностью семантической близости.

Карточка модели avsolatorio/01-100-11-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240202160129-best на Hugging Face совпадает с карточкой avsolatorio/01-100-31-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240207031328-best, поэтому описание составлено по ней. Это англоязычная модель для получения плотных векторных представлений текста на основе BAAI/bge-small-en-v1.5. Репозиторий размещён в пространстве имён avsolatorio; по идентификатору модели и карточке это производная версия BGE, однако карточка не описывает конкретные изменения или способ обучения этой версии. Модель предназначена для поиска семантически близких текстов и формирования эмбеддингов для систем поиска и retrieval-augmented generation (RAG). Архитектура — BERT, около 40 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Модель ориентирована на английский язык. Эмбеддинги подходят для поиска кандидатов, но README рекомендует при необходимости повышать точность выдачи с помощью отдельного reranker. Карточка также отмечает, что оценка сходства сама по себе не является калиброванной вероятностью семантической близости.

Карточка модели LCM-Lab/1.2steps300_full_streaming_64k_qwen3-8b_wfrozen на Hugging Face совпадает с карточкой LCM-Lab/full_streaming_64k_qwen3-4b_MLP8.0_wfrozen, поэтому описание составлено по ней. LCM-Lab/full_streaming_64k_qwen3-4b_MLP8.0_wfrozen — дообученная плотная языковая модель семейства Qwen3 на базе Qwen/Qwen3-4B, опубликованная LCM-Lab. Она предназначена для генерации текста и диалогового взаимодействия; метаданные также указывают интерфейс вызова инструментов. В репозитории используются веса Safetensors, модель содержит около 3,7 млрд параметров и поддерживает контекст до 262 144 токенов. README озаглавлен «Elastic Attention: Test-time Adaptive Sparsity Ratios for Efficient Transformers», что указывает на связь модели с исследованием адаптивной разреженности внимания при работе трансформеров. Лицензия — Apache-2.0. Карточка не раскрывает конкретные результаты тестирования или подробные ограничения качества.

Карточка модели JaehyeokLee/20m_em_checkpoint_epoch_1_step_1320 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/20m_em_checkpoint_epoch_1_step_200 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/20m_em_checkpoint_epoch_1_step_2520 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.