I.14Автоматизация процессов и AI-агенты

zerank-2-reranker-seq — производная модель ZeroEntropy на базе Qwen3, преобразованная из zeroentropy/zerank-2-reranker в классификатор последовательностей для ранжирования пар «запрос — документ». Модель выдаёт один логит релевантности; для получения оценки от 0 до 1 к нему применяют sigmoid. Размер — 3,7 млрд параметров, контекст — до 40 960 токенов, веса представлены в safetensors, вычисления выполняются в bfloat16. Модель предназначена для использования как cross-encoder reranker, например для переупорядочивания результатов поиска по соответствию запросу. Она совместима с AutoModelForSequenceClassification и может обслуживаться через системы вроде Infinity. Для наиболее точного соответствия исходной модели рекомендуется передавать запрос в system, документ в user и добавлять префикс assistant; обычная обработка пары классификатором может давать оценки, отличающиеся от исходного режима sentence-transformers. Лицензия — Apache-2.0.

ZEUS-8B-V24 — объединённая языковая модель семейства Llama 3.1, созданная автором карточки с помощью mergekit и метода DARE TIES. В объединение вошли инструкционная модель unsloth/Meta-Llama-3.1-8B-Instruct и несколько других моделей Llama 3.1, включая варианты для диалога, рассуждений и медицинских ответов. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; длина контекста — до 131 072 токенов. Модель предназначена для генерации текста и диалогов, включая ответы на инструкции и задачи, где полезны рассуждения. Метаданные также отмечают интерфейс вызова инструментов. В README приведены результаты Open LLM Leaderboard, в том числе 60% на IFEval и 26,15% на BBH; эти оценки не гарантируют качество в конкретном сценарии. Лицензия в предоставленных сведениях не указана.

Карточка модели avsolatorio/01-100-11-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240202154404-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/01-100-11-2-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240214001106-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 JaehyeokLee/20m_em_checkpoint_epoch_1_step_2480 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.

AgenticCoder‑4B — компактная языковая модель, созданная yasserrmd слиянием Menlo/Jan-nano и ertghiu256/qwen3-4b-code-reasoning методом SLERP. Это плотная Qwen3-архитектура для генерации текста и диалоговых сценариев; размер — 3,7 млрд параметров, контекст — до 40 960 токенов. Репозиторий использует Transformers и формат safetensors. Модель предназначена для агентных сценариев, рассуждений о коде и помощи в разработке: она может генерировать и объяснять Python-код, помогать декомпозировать задачи и вести многошаговый диалог. В примерах также показаны сценарии анализа CSV, извлечения текста из изображений и разбора файлов через код и имитацию взаимодействия с инструментами. Карточка заявляет ориентацию на MCP, однако это не подтверждает наличие встроенного интерфейса вызова инструментов. Модель поддерживает текстовый ввод и выдаёт текст; сведения о конкретных естественных языках не приведены. Карточка характеризует её как компактную для экономичного развёртывания и интеграции в устройства с ограниченными ресурсами, но фактические показатели качества и скорости не указаны. Лицензия в предоставленных данных не приведена.

b1ade-embed — модель текстовых эмбеддингов, разработанная авторами коллекции небольших моделей для RAG. Она предназначена для семантического поиска, сопоставления текстов и других задач, где требуется представлять текст в виде векторов. Модель создана слиянием bert-large-uncased, UAE-Large-V1, BAAI/bge-large-en-v1.5, mxbai-embed-large-v1 и GIST-large-Embedding-v0, а также дистилляцией знаний более крупных моделей; в README указан размер 335 млн параметров, метаданные указывают 433,9 млн. Архитектура — плотная BERT-модель, контекст — до 512 токенов. В README сообщается о сильных результатах на бенчмарке MTEB, особенно в семантическом сходстве текстов, а также о применении в поиске и исследованиях клинических и трудовых данных. Модель ориентирована на английский язык. Она выдаёт эмбеддинги для последующего поиска, ранжирования или классификации; качество следует проверять на целевом наборе данных и задаче. Лицензия в предоставленных сведениях не указана.

qilowoq/bge-reranker-v2-m3-en-ru — уменьшенная версия переранжировщика BAAI/bge-reranker-v2-m3, подготовленная автором репозитория qilowoq. В словаре оставлены токены английского и русского языков; по заявлению карточки, модель примерно в 1,5 раза меньше исходной и при этом сохраняет те же оценки релевантности.

Bonsai-2-27B-CRACK-1.75bit-JANG — языковая модель семейства Qwen3.5, подготовленная dealign.ai на основе тернарно-квантованной модели prism-ml/Ternary-Bonsai-2-27B-mlx-2bit. Это плотная модель на 27 млрд параметров с гибридной архитектурой: 48 слоёв GatedDeltaNet SSM и 16 слоёв полнослойного внимания, а также отдельной визуальной башней. Весовые данные языковой части упакованы с плотностью 1,75 бита на параметр; заявленный размер набора — около 6,1 ГБ. Указан контекст до 262 тысяч токенов. Модель предназначена для диалоговой генерации текста, рассуждений, программирования и вызова инструментов через XML-интерфейс. README также заявляет обработку изображений и видео и поддержку английского и китайского языков. В карточке приведены результаты MMLU: 77,19% на указанном наборе из 2280 вопросов, близко к базовой модели. Отказное поведение удалено на уровне весов, поэтому модель может выдавать ответы на запросы, которые базовая модель могла бы отклонить. Для запуска требуется MLX на Apple Silicon и среда vMLX с JANG-Hadamard runtime и загрузчиком ternary_packed_26b; обычный mlx_lm.load() с этим набором, по README, даёт некорректные результаты. Лицензия — Apache 2.0. Это производная модель, а заявленные характеристики и результаты приведены авторами карточки.

vikp/cleaner — текстовая генеративная модель на архитектуре GPT-NeoX с 1,7 млрд параметров и контекстом 2048 токенов. Разработчик описывает её как инструмент для очистки извлечённого из PDF и EPUB текста и преобразования его в Markdown. Модель предназначена для удаления колонтитулов, номеров страниц и других помех в тексте документов перед дальнейшей работой с ним. В карточке указан формат PyTorch. Сведения о базовой модели и лицензии отсутствуют, поэтому их нельзя определить по предоставленным данным.

Citaman/command-r-3-layer — текстовая генеративная модель, созданная автором репозитория Citaman с помощью mergekit. В README описано слияние методом SLERP двух срезов весов Citaman/command-r-4-layer; метаданные каталога классифицируют связь с этой моделью как дообучение. Архитектура — плотная причинная языковая модель CohereForCausalLM, около 4,6 млрд параметров, формат файлов — safetensors. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Поддерживаемый контекст — до 8192 токенов. Условия лицензирования в предоставленных данных не приведены.

DeepSeek-V4-Flash-Vision-Exp REAP-145B — это производная версия модели DeepSeek-V4-Flash-Vision-Exp, подготовленная primitive-ai на основе весов deepseek-ai. Модель использует разреженную Mixture-of-Experts-архитектуру: половина маршрутизируемых экспертов удалена методом REAP, при этом оставшиеся экспертные веса сохраняются в исходном формате MXFP4 без дополнительного квантования. Размер артефакта составляет около 83,3 ГБ, что позволяет запускать его на одной видеокарте с 96 ГБ памяти через vLLM 0.28.0 или новее. Модель предназначена для генерации текста, рассуждений, ответов на вопросы и вызова инструментов. Указан контекст до 20 480 токенов; для KV-кэша используется специализированный формат fp8_ds_mla, другие варианты не поддерживаются. В состав исходной модели входит визуальная часть, и в README указана подтверждённая работа с изображениями на одной 96-ГБ видеокарте, включая распознавание форм и цветов, подсчёт объектов и чтение текста. MTP-компонент удалён. Производительность зависит от режима: заявлены примерно 73 токена в секунду при однопоточном декодировании с CUDA Graphs и до 150–172 токенов в секунду при пакетной обработке с параллелизмом 16. Сильной стороной модели является возможность запуска крупной 145B-версии на одной GPU, а также высокие результаты на тестах знаний и задачах вызова инструментов: 82,7% на строгом наборе знаний и 74,5% на объединённом тесте tool-calling. Ограничения связаны с потерей части экспертов: модель заметно чаще делает нежелательные вызовы инструментов, а длинные ответы могут достигать лимита генерации. Требуются vLLM 0.28.0 или новее, видеокарта с 96 ГБ памяти и тщательно настроенные ограничения пакетной обработки. Модель распространяется по лицензии MIT.

DeepSeek-V4-Pro-Qwen3.5-4B-bf16 — конверсия в формат MLX модели Jackrong/DeepSeek-V4-Pro-Qwen3.5-4B, подготовленная mlx-community с помощью mlx-vlm 0.4.4. Это плотная мультимодальная модель семейства Qwen3.5, доступная в точности BF16 и рассчитанная на инференс на компьютерах Apple Silicon через MLX. Модель принимает текстовые запросы, изображения и видеоданные; поддерживает чат и интерфейс вызова инструментов. Базовая модель дообучена на дистиллированных ответах DeepSeek-V4-Pro для пошагового решения задач по математике и естественным наукам. Метаданные карточки также указывают поддержку английского, китайского, испанского, русского и японского языков. Конверсия сохраняет шаблон чата и мультимодальный процессор исходной модели. Для работы с изображениями и видео README рекомендует mlx-vlm. Лицензия — Apache 2.0, унаследованная от исходной модели. Подробности о качестве и ограничениях следует сверять с карточкой исходной модели.

Document Image Transformer (DiT) base — модель Microsoft для анализа изображений документов. Это энкодер Transformer с архитектурой, идентичной BEiT; версия base содержит 119,5 млн параметров. Модель предварительно обучена на 42 млн изображений документов из IIT-CDIP с самоконтролируемой задачей предсказания визуальных токенов для замаскированных участков изображения. DiT преобразует изображения документов в признаки и предназначена прежде всего для дообучения под прикладные задачи: классификацию документов, обнаружение таблиц и анализ структуры страницы. Для непосредственного использования модель может кодировать изображения документов в векторное пространство. Веса доступны в формате PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

E5-small-v2-t2t-nl — нидерландская версия модели для получения плотных текстовых эмбеддингов, дообученная на базе clips/e5-small-v2-t2t. Её можно использовать для сравнения семантической близости запросов и текстов, поиска по смыслу и задач ранжирования. Модель построена на архитектуре BERT и содержит 39,9 млн параметров; максимальная длина контекста — 512 токенов. Она работает с текстом и предназначена прежде всего для нидерландского языка. В карточке приведён пример кодирования запросов и фрагментов MS MARCO и указана оценка на бенчмарке MTEB-NL. Модель распространяется по лицензии MIT.

Eidolon-v3-14B — разговорная текстовая модель на архитектуре Qwen2, разработанная Lambent и дообученная на базе Lambent/ProtoEidolon-v2.2.4-14B с использованием TRL. Модель предназначена для диалогов, следования инструкциям и генерации продолжений текста; в карточке также указана совместимость с интерфейсом вызова инструментов. Модель содержит 14 млрд параметров и поддерживает контекст до 131 072 токенов. В обучении использовались SFT и DPO, в том числе данные предпочтений и текстовые корпуса; предыдущие версии в цепочке разработки включали слияния моделей. Карточка приводит результаты EQ-Bench, IFEval и GPQA, но не даёт полного независимого сравнения. Автор отмечает возможные проблемы с настроенным шаблоном чата и допускает его возврат к предыдущей версии. В метаданных указана пометка not-for-all-audiences, поэтому модель может выдавать нежелательный или токсичный контент. Лицензия в предоставленных данных не указана.

Florence-2-large-ft — дообученная версия универсальной визуальной модели Florence-2 от Microsoft, представленная в реализации для библиотеки Transformers. Модель использует архитектуру encoder-decoder с генерацией последовательностей по текстовым инструкциям и содержит около 0,77 млрд параметров. Она принимает изображение и текстовый запрос, чтобы выполнять задачи описания изображения, обнаружения объектов, локализации фраз, OCR и визуальных вопросов и ответов. Модель предназначена для приложений компьютерного зрения и анализа изображений: например, для автоматического создания подписей, извлечения текста с его координатами и получения ответов о содержимом сцены. В карточке приведены результаты оценки на задачах описания изображений, обнаружения объектов и VQA; обучение проводилось на наборе FLD-5B с 5,4 млрд аннотаций для 126 млн изображений. Основная модальность — изображение на входе и текст на выходе; для некоторых задач модель также выдаёт координаты объектов и областей. Модель распространяется по лицензии MIT. Карточка не уточняет поддерживаемые естественные языки и длину контекста; качество может зависеть от типа изображения, формулировки запроса и конкретной задачи.

AEON-7 выпустил BF16-версию Gemma-4-12B-it с удалёнными отказами и заявленным сохранением возможностей исходной модели. Это плотная мультимодальная модель семейства Gemma 4 с 12 млрд параметров, предназначенная для диалога и следования инструкциям; основная задача в метаданных — генерация текста. В README также указаны сценарии работы с кодом, математическими задачами и рассуждениями. Базовая модель поддерживает работу с изображениями, видео и аудио, однако карточка этой версии описывает прежде всего текстовую генерацию. В README модель позиционируется как точный BF16-вариант семейства K4 для дообучения или запуска на оборудовании без Blackwell. Для загрузки через мультимодальный путь vLLM требуется processor_config.json из карточки базовой модели. Приведённые авторами показатели производительности относятся к DGX Spark и оптимизированному контейнеру AEON vLLM; они не характеризуют другие конфигурации. Модель распространяется по лицензии Gemma Google.

GLInt — англоязычная модель извлечения документов с поздним взаимодействием токенов, разработанная как дообучение LateOn-unsupervised. Модель использует архитектуру ModernBERT и содержит 149 млн параметров. Она формирует 128-мерные векторы для токенов и сопоставляет запрос с документом по MaxSim, учитывая до 32 токенов запроса и до 300 токенов документа; длина контекста составляет 8192 токена. Модель предназначена для поиска релевантных документов и сопоставления предложений в информационном поиске и RAG-системах. Обучение включало настройку на сложных негативных примерах для MaxSim-поиска и дистилляцию ранжирования от jinaai/jina-reranker-v3.5. В README приведены результаты оценки на наборах BEIR, но заявленные показатели относятся к описанным там экспериментам. Для работы доступны Sentence Transformers и PyLate; для поиска по крупным корпусам README рекомендует late-interaction-движок, например PyLate/PLAID. Модель рассчитана на английский язык. Лицензия — Apache-2.0.

GLM-4.6V-Flash — компактная мультимодальная модель семейства GLM-V от Z.ai, представленная в карточке Unsloth с исправлениями шаблона диалога. Это версия на 9 млрд параметров, рассчитанная на локальное развёртывание и приложения с низкой задержкой; архитектура GLM4V использует условную генерацию текста по изображениям. Модель принимает изображения и текст, понимает документы, страницы с таблицами, диаграммами и иллюстрациями, а также снимки экранов. Контекстное окно семейства заявлено до 128 тысяч токенов. Модель подходит для визуальных диалогов, анализа документов, интерпретации интерфейсов и генерации кода HTML/CSS по скриншотам. Поддерживает вызов инструментов и смешанную генерацию текста и визуального контента. По README, её сильная сторона — мультимодальные сценарии; чисто текстовые ответы слабее, а на сложных запросах возможны чрезмерные рассуждения и повторы. Также отмечены ошибки при подсчёте объектов и распознавании конкретных людей. Репозиторий распространяется по лицензии MIT.

HiEmbed_base — модель эмбеддингов компании Hancom InSpace для поиска по векторам. Она основана на XLM-RoBERTa, содержит 658,7 млн параметров и доступна в формате ONNX; заявленная длина контекста — 8194 токена. Модель предназначена для сопоставления предложений и поиска релевантных текстов на корейском и английском языках, в том числе в системах RAG. Модель обучена на внутреннем наборе из 3 млн примеров в формате query, positive и negative с применением hard negative sampling. В карточке приведены результаты на корейских и английских тестах retrieval, семантического сходства и других задач. Лицензия — Apache-2.0.

Карточка модели PS4Research/Hk6vAazgWreoKsXr на Hugging Face совпадает с карточкой PS4Research/0VOz3fgU0qp4lVar, поэтому описание составлено по ней. PS4Research/0VOz3fgU0qp4lVar — дообученная модель генерации текста на архитектуре Olmo 3, созданная PS4Research на основе allenai/Olmo-3.1-32B-Think. В карточке указано, что для обучения использовались Unsloth и библиотека TRL от Hugging Face; модель содержит 31,7 млрд параметров и поддерживает контекст до 65 536 токенов. Модель предназначена для генерации текста и диалогового взаимодействия; интерфейс поддерживает вызов инструментов. Базовая модель ориентирована на английский язык и задачи рассуждений, в том числе математику и программирование. Сведений о специальных улучшениях, полученных при дообучении, в карточке нет. Лицензия — Apache-2.0.

Это GGUF-сборка Huihui-Nex-N2-mini-abliterated, подготовленная LocalAI с использованием APEX — смешанной MoE-квантизации с учётом роли и слоя тензоров. Модель основана на гибридной архитектуре Qwen3.5 с 40 слоями, 256 экспертами (8 активны одновременно), линейным вниманием SSM и полным вниманием; всего около 35,1 млрд параметров, из которых активно около 3 млрд. В сборках MTP сохранена встроенная черновая голова предсказания следующего токена для спекулятивного декодирования. Модель предназначена для диалогов и задач с изображениями. Вариант APEX I-Quality калиброван на разнообразных примерах чата, кода, рассуждений и вызова инструментов. MTP-варианты могут ускорять генерацию, но требуют свежей сборки llama.cpp с поддержкой встроенного MTP; вариант без MTP совместим с более широким диапазоном сборок. Репозиторий содержит несколько вариантов GGUF-квантования примерно по 22,8–24,5 ГБ. Это uncensored-производная: удаление направления отказов может приводить к ответам на запросы, от которых исходная модель отказалась бы. Лицензия — Apache-2.0.

Nickyang/Hy3-RAZOR-226B-A21B-E144of192 — диалоговая языковая модель Tencent Hy3, в которой методом RAZOR без дообучения удалена четверть маршрутизируемых экспертов. В каждом MoE-слое сохранено 144 из 192 экспертов; README указывает 226 млрд параметров и около 21 млрд активных параметров на токен. Метаданные каталога приводят 16,6 млрд параметров, поэтому размер модели в источниках расходится. Модель предназначена для генерации текста и диалогов; базовая Hy3 также позиционируется для рассуждений, агентных сценариев и задач продуктивности. Контекстное окно — 262 144 токена. Веса доступны в формате safetensors, тип точности — bfloat16; для запуска нужна версия Transformers с нативной реализацией hy_v3. RAZOR выбирает экспертов по оценке того, насколько их функцию могут заменить оставшиеся эксперты. Веса не проходили восстановительное обучение, а калибровка проводилась на конечном многодоменном корпусе RazorCal. Использование разреженной MoE-архитектуры сохраняет около 21 млрд активных параметров на токен, но удаление экспертов является потерей информации: ответы могут отличаться по разнообразию, форматированию и поведению завершения даже при сохранении точности на отдельных задачах. Лицензия — Apache-2.0.

Это мультиязычный кросс-энкодер для ранжирования текстовых пар, созданный на базе jinaai/jina-reranker-v2-base-multilingual и дообученный с помощью Sentence Transformers. Модель принимает запрос и текст документа и выдаёт оценку их релевантности, которую можно использовать для переранжирования результатов поиска и семантического поиска. Архитектура — XLM-RoBERTa для классификации последовательностей; в репозитории представлены веса safetensors. Модель содержит 305,2 млн параметров и обрабатывает до 1026 токенов контекста. При оценке на наборе данных Berria указаны значения MAP 0,6179, MRR@10 0,7386 и nDCG@10 0,7582. В примере обучающих данных есть баскские запросы и документы, но карточка не задаёт полный перечень поддерживаемых языков. Лицензия в предоставленных данных не указана.

K2-Chat — диалоговая языковая модель на 65 млрд параметров, разработанная MBZUAI и LLM360. Это дообученная версия K2-65B на наборах Infinity-Instruct, JiuZhang3.0-Corpus-SFT и glaive-function-calling-v2-sharegpt; модель построена на архитектуре Llama и распространяется в формате PyTorch. Контекст составляет 8192 токена. Модель предназначена для диалогов, ответов на вопросы, задач по математике и программированию, а также вызова функций по заданным схемам. В README заявлены улучшения в безопасности и результаты бенчмарков, но они не гарантируют качество на конкретных задачах. Примеры использования ориентированы на английский язык; модель описана как отвечающая только на английском. Для вызова функций требуется соблюдать специальный формат промпта; совместная работа режимов обычного диалога и вызова функций отдельно не проверена. Лицензия — Apache-2.0.

Ethualo дообучил компактную плотную языковую модель Kanana2 Tiny на базе kakaocorp/kanana-2-1.3b-instruct. Модель предназначена для генерации текста и диалогов; в метаданных также отмечен интерфейс вызова инструментов. Она содержит около 1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. При дообучении использовались Unsloth и библиотека Hugging Face TRL. Модель распространяется по лицензии Apache-2.0.

KaLM-Reranker-V1-Large — мультиязычный реранкер KaLM-Embedding на базе encoder-decoder архитектуры T5Gemma2, дообученной на Google T5Gemma 2 4B. Модель оценивает релевантность документов запросу и упорядочивает их по соответствию запросу; она предназначена для поиска, retrieval-augmented generation (RAG) и других систем, где нужно выбрать наиболее полезные фрагменты из корпуса. Модель использует 4 млрд активируемых параметров, 34 слоя и поддерживает последовательности длиной до 128 тыс. токенов. В архитектуре разделены вычисления для запросов и документов: энкодер предварительно кодирует документы с Matryoshka pooling, а декодер учитывает инструкции и намерение запроса; cross-attention сохраняет взаимодействие между запросом и представлениями документов. По описанию авторов, модель показывает конкурентные результаты на BEIR, MIRACL и LMEB, при этом заявленная эффективность связана с уменьшением вычислений при ранжировании. Модель принимает текстовые запросы и документы и выдаёт оценки релевантности для их ранжирования. Метаданные отмечают мультиязычность; README сообщает о результатах на мультиязычном MIRACL, хотя модель не обучалась на большом объёме мультиязычных данных. В README приведены параметры реализации, допускающие ограничение длины запроса и документа при инференсе. Лицензия — Apache-2.0.

KaLM-Reranker-V1-Nano — компактная модель-реранкер из семейства KaLM-Reranker-V1, разработанная командой KaLM-Embedding и дообученная на базе google/t5gemma-2-270m-270m. Она оценивает релевантность документов запросу и сортирует найденные кандидаты, например в поиске и RAG-системах. Архитектура encoder-decoder разделяет вычисления: энкодер заранее кодирует passages с помощью Matryoshka pooling, а декодер учитывает инструкцию и запрос; cross-attention сопоставляет их с представлениями документов. Nano содержит 0,27 млрд активируемых параметров и поддерживает контекст до 128 тысяч токенов по характеристикам серии; для варианта Nano в примере использования указаны ограничения длины запроса до 512 и документа до 1024 токенов. Модель рассчитана на эффективное ранжирование пар «запрос—документ» и интеграцию как CrossEncoder в Sentence Transformers. В README приведены конкурентные результаты серии на BEIR, MIRACL и LMEB, включая результаты Nano, сопоставимые с крупными embedding-моделями на LMEB. Карточка помечает модель как multilingual, однако авторы отмечают, что серия не обучалась на обширных многоязычных данных. Распространяется по лицензии Apache-2.0.

L3.1-Moe-4x8B-v0.2 — языковая модель архитектуры Mixture of Experts, созданная автором moeru-ai с помощью mergekit-moe. Она объединяет четыре модели на базе Llama 3.1: Llama-3.1-SuperNova-8B-Lite_TIES_with_Base, Llama-3.1-8B-ArliAI-RPMax-v1.2, rombos_Replete-Coder-Instruct-8b-Merged и Llama-3.1-8B-Squareroot-v0. В каталоге указано 7,5 млрд параметров и контекст до 131 072 токенов; модель предназначена для генерации текста в диалоговом формате, включая ответы на инструкции и генерацию кода. Модель распространяется в формате safetensors и использует библиотеку Transformers. В README приведены результаты оценивания на Open LLM Leaderboard, включая среднее значение 17,47 и результат 54,07 на IFEval (0-shot). Лицензия — Llama 3.1; перед использованием следует соблюдать её условия. Карточка не описывает детально языковое покрытие и ограничения качества.