I.14Автоматизация процессов и AI-агенты

Модель thao-uyen1508/qwen3_MT_epoch1_16bit — дообученная автором thao-uyen1508 плотная языковая модель Qwen3 с 14 млрд параметров. Она предназначена для генерации текста и диалогового общения; метаданные также указывают интерфейс вызова инструментов. Модель обучалась с Unsloth и библиотекой TRL и распространяется в формате safetensors. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 40 960 токенов. Она основана на unsloth/qwen3-14b-unsloth-bnb-4bit и выпущена по лицензии Apache-2.0.

minjaechoi/qwen3next-80b-a3b-2p25bit-r24 — исследовательский вариант Qwen3-Next-80B-A3B-Thinking с разреженной MoE-архитектурой. Веса маршрутизируемых экспертов усечены до среднего уровня 2,25 бита, остальные веса хранятся в BF16; тензоры весов сохранены в BF16 после деквантизации. Модель предназначена для генерации текста и диалоговых сценариев, включая сложные рассуждения и работу с длинным контекстом; метаданные указывают контекст длиной до 262 144 токенов и интерфейс вызова инструментов. Размер в метаданных указан как 2,3 млрд параметров. Репозиторий использует библиотеку Transformers и формат safetensors. README сообщает, что загрузка возможна через стандартные Transformers и vLLM. Модель основана на Qwen/Qwen3-Next-80B-A3B-Thinking; лицензия наследуется от базовой модели, поэтому её условия следует проверять в карточке базы. README обозначает её как внутренний исследовательский чекпойнт.

Lipdog/Qwen3-Reranker-4B-mlx-fp16 — модель ранжирования текстов на базе Qwen3 с 3,7 млрд параметров, подготовленная для запуска в формате MLX. README указывает, что она получена конвертацией Qwen/Qwen3-Reranker-4B с помощью mlx-lm версии 0.28.3. Модель оценивает релевантность текстовых кандидатов запросу и предназначена для сортировки результатов поиска и других задач ранжирования. Модель принимает текст и выдаёт оценки релевантности, которые можно использовать для упорядочивания документов или ответов. Она поддерживает контекст длиной до 40 960 токенов; метаданные указывают задачи text-ranking и text-generation, но основное назначение — реранжирование. Репозиторий распространяется по лицензии Apache-2.0.

furiosa-ai/Qwen3-Reranker-8B — версия модели Qwen/Qwen3-Reranker-8B, подготовленная для запуска через Furiosa-LLM на ускорителе FuriosaAI RNGD. Это плотная трансформерная модель семейства Qwen3 с 7,6 млрд параметров. Она принимает текстовый запрос и набор кандидатных документов и возвращает оценки релевантности, по которым результаты можно переупорядочить; типичный сценарий — второй этап поиска в RAG-системах. Контекст составляет до 40 960 токенов. Модель работает в исходной точности BF16 без квантизации; для RNGD используется параллелизм по тензорам на 8 вычислительных элементах одной карты. Репозиторий также содержит Furiosa Executable Bundle, а README указывает совместимость с Sentence Transformers, vLLM и Transformers. Модель распространяется по лицензии Apache 2.0. Описание не приводит результатов сравнительной оценки качества; запуск с Furiosa-LLM на RNGD требует соответствующего оборудования и программной среды.

Qwen3-VL-Embedding-8B-GGUF — мультимодальная модель для создания векторных представлений текста и изображений в общем embedding-пространстве. Она основана на Qwen/Qwen3-VL-Embedding-8B и была квантована BatiAI из исходных BF16 safetensors для локального использования, в частности в on-device RAG-системах и BatiFlow. Архитектура включает Qwen3-VL с pooling head, текстовую часть на 8 млрд параметров и vision tower. Модель предназначена для семантического поиска и мультимодального retrieval: поиска изображений по текстовому запросу, поиска текстов по изображению, а также совместной индексации PDF, заметок и изображений в одной векторной базе данных. Заявлена поддержка английского, корейского, японского и китайского языков. Для текстовых входов модель возвращает векторы размерностью 3584. Доступны квантования Q6_K размером около 5,8 ГБ и Q8_0 размером около 7,5 ГБ; Q6_K указано как минимально рекомендуемое из-за чувствительности embedding-моделей к низкобитному квантованию. Сильные стороны модели — мультимодальность, единое пространство для текста и изображений, многоязычность и ориентация на локальный запуск. В README модель характеризуется как одна из наиболее качественных многоязычных embedding-моделей и позиционируется для сценариев, где важнее качество поиска, чем минимальная задержка. При этом собственные прямые измерения качества retrieval, например MTEB, в карточке не приведены, а работа с изображениями требует мультимодальной сборки llama.cpp с поддержкой mtmd. Модель распространяется по лицензии Apache 2.0, допускающей коммерческое использование.

Это англоязычная cross-encoder-модель семейства BERT, опубликованная организацией cross-encoder-testing и дообученная на базе prajjwal1/bert-tiny с использованием библиотеки Sentence Transformers. Модель обучена на данных GooAQ объёмом 578 402 примера с функцией потерь BinaryCrossEntropyLoss и выдаёт один числовой балл для пары текстов. Размер модели составляет около 4,4 млн параметров, максимальная длина входной последовательности — 512 токенов. Доступны форматы ONNX и Safetensors. Модель предназначена для ранжирования и оценки релевантности пар «запрос—текст», включая переранжирование результатов семантического поиска, оценку семантического сходства, поиск перефразировок и классификацию пар текстов. Благодаря компактной архитектуре она подходит для быстрого инференса и развёртывания через Sentence Transformers или совместимые инструменты. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Она не генерирует текст, а только оценивает пары входных текстов; качество на других языках, доменах и типах данных может быть ограничено.

deepset/roberta-base-squad2-distilled — англоязычная модель для извлечения ответов на вопросы, разработанная deepset. Она построена на архитектуре RoBERTa и дообучена с помощью дистилляции: учительской моделью служила deepset/roberta-large-squad2. В модели 151,8 млн параметров, она принимает вопрос и текстовый фрагмент и извлекает из него ответ; обучение проводилось на SQuAD 2.0. Контекст ограничен 514 токенами. Модель подходит для поиска ответов в документах и построения конвейеров extractive question answering, в том числе с Haystack. Она компактнее учительской модели за счёт дистилляции и обучена распознавать случаи без ответа. Поддерживается английский язык. Распространяется по лицензии MIT.

Многоязычная модель распознавания именованных сущностей от Julian Schelb. Она размечает каждый токен в формате IOB2, выделяя людей (PER), организации (ORG) и географические объекты (LOC). Модель дообучена на данных WikiANN, автоматически собранных из Википедии, и предназначена для извлечения сущностей из текста на разных языках. Модель основана на XLM-RoBERTa и использует архитектуру XLMRobertaForTokenClassification. Веса содержат около 658,7 млн параметров; контекст — до 514 токенов. Репозиторий предоставляет веса PyTorch и Safetensors. Модель подходит для разметки текста и построения конвейеров извлечения сущностей, особенно в многоязычных сценариях. Качество может снижаться на текстах из предметных областей, отличающихся от данных WikiANN: карточка отмечает ограничения, связанные с охватом и периодом исходных аннотированных текстов. Модель выпущена по лицензии MIT.

ARGA100/ru-reranker-modernbert-small — компактная модель-реранкер для русского языка, разработанная ARGA100. Это cross-encoder на базе deepvk/RuModernBERT-small с архитектурой ModernBertForSequenceClassification и 34,4 млн параметров; она оценивает пару «запрос — документ» и помогает упорядочить найденные документы по релевантности. Для обучения использовалась выборка из 3,2 млн русскоязычных пар запросов и документов ARGA100/ru-reranker-mega. Модель предназначена для улучшения результатов поиска и ранжирования кандидатов в системах ответа на вопросы и RAG. В README заявлены NDCG@10 0,74444 на MTEB RuBQReranking и скорость инференса примерно втрое выше указанной модели сравнения BCE-reranker-base_v1; эти показатели приведены автором карточки. Метаданные указывают контекст до 8192 токенов, тогда как README задаёт максимальную длину последовательности 2048 токенов. Модель принимает текстовые пары и выдаёт оценки релевантности для ранжирования. Она дообучена на русскоязычных данных, но базовая модель поддерживает русский и английский. Распространяется по лицензии MIT.

RuvLTRA Claude Code — языковая модель для генерации текста и программного кода, разработанная проектом ruv. Она предназначена для интеграции с Claude Code и сценариев ассистированной разработки: генерации, дополнения, объяснения и рефакторинга кода. Модель также ориентирована на многоагентные рабочие процессы через claude-flow, где несколько экземпляров могут совместно выполнять задачи и использовать общую память. Модель построена на архитектуре Transformer и содержит около 0,5 млрд параметров. Она поставляется в формате GGUF с 4-битной квантизацией Q4_K_M, имеет контекст длиной 4096 токенов и размер файла около 398 МБ. Заявлены механизмы SONA для адаптации к стилю и предпочтениям пользователя, включая MicroLoRA, EWC++ и обучение на траекториях взаимодействия. Поддерживается англоязычный текст; другие языки в README не указаны. К сильным сторонам относятся небольшой размер, возможность локального и edge-развертывания, совместимость с llama.cpp, поддержка CPU, CUDA, ROCm и WebGPU, а также заявленная адаптация в реальном времени и ориентация на координацию нескольких агентов. Ограничения включают относительно небольшой объём контекста и размер модели, что может снижать качество сложного программирования по сравнению с крупными моделями; приведённые показатели производительности и возможности самообучения заявлены авторами README и не сопровождаются результатами бенчмарков. Лицензия — Apache 2.0.

SciPhi-Self-RAG-Mistral-7B-32k-Mistral-7B-Instruct-v0.1 — объединённая методом SLERP чат-модель на архитектуре Mistral, созданная на основе Mistral-7B-Instruct-v0.1 и SciPhi-Self-RAG-Mistral-7B-32k. Модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации ответов на инструкции и диалоговые запросы, в том числе для сценариев Self-RAG с поиском и использованием внешних материалов. Может применяться в чат-ботах и системах ответов на вопросы по документам. В карточке не приведены результаты оценки качества или сведения о поддерживаемых естественных языках. Файлы опубликованы в формате safetensors. Лицензия — Apache-2.0.

Карточка модели JetLM/SDAR-4B-Chat-b64 на Hugging Face совпадает с карточкой JetLM/SDAR-8B-Chat-b32, поэтому описание составлено по ней. JetLM/SDAR-8B-Chat-b32 — чат-модель семейства SDAR, разработанная авторами SDAR. Она объединяет авторегрессионное обучение с дискретным диффузионным моделированием: авторегрессионная составляющая обеспечивает эффективное обучение, а диффузионный подход позволяет генерировать токены параллельно. В репозитории указана плотная архитектура SDARForCausalLM с 7,6 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов и генерации текста; в карточке также заявлен интерфейс вызова инструментов. Авторы сообщают о сопоставимой с сильными авторегрессионными моделями общей производительности и преимуществах в некоторых научных задачах рассуждения для моделей SDAR того же масштаба. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Языки и отдельные результаты именно этой версии в карточке не приведены.

Josephgflowers/TinyLlama-Cinder-Agent-Rag — дообученная плотная авторегрессионная модель семейства Llama, созданная на основе Josephgflowers/TinyLlama-3T-Cinder-v1.2. Модель предназначена для генерации диалоговых ответов и заявлена для работы в сценариях RAG, суммаризации, вызова функций и инструментов; исходная модель Cinder ориентирована на беседы о STEM-темах и рассказывание историй. Модель содержит 1 млрд параметров, принимает текст и генерирует текст, поддерживает чат и имеет контекст длиной 2048 токенов. README характеризует обучение как первый этап и сообщает о планах дальнейшего обучения и обновления. Доступна по лицензии MIT.

cyttic/trocr-fonts1 — дообученная модель семейства vision-encoder-decoder на базе cyttic/exp2-frozen-benyehuda-cont. Она принимает изображения и преобразует содержащийся в них текст в текстовую последовательность; карточка приводит метрики CER 0,0246 и WER 0,0689 на оценочном наборе. Данные обучения и подробное описание сценариев использования не раскрыты. Модель опубликована в формате safetensors для библиотеки Transformers; сведения о лицензии в доступных данных отсутствуют.

Unlimited-OCR AMD Strix Halo — сообщественная упаковка модели Baidu Unlimited-OCR, адаптированная для локального запуска на системах AMD Strix Halo с ROCm. Репозиторий содержит веса модели, код и средства запуска для Ryzen AI Max+ 395 с Radeon 8060S; это не официальный выпуск Baidu или Corsair. Модель предназначена для распознавания текста на изображениях и страницах PDF, включая длинные документы. Она имеет плотную архитектуру UnlimitedOCRForCausalLM, около 559,7 млн параметров и контекст длиной 32 768 токенов. Для типовых PDF-тестов в README приведены показатели word F1 от 0,849 до 0,978; результат зависит от типа документа, качества скана, настроек рендеринга, доступной памяти и версий ROCm и PyTorch. Упаковка распространяется по лицензии MIT.

Vela Omni Mini — мультимодальная модель эмбеддингов от разработчиков Vela. Она преобразует текст, изображения, речь и окружающие звуки в нормализованные векторы размерностью 768, которые можно непосредственно сравнивать между собой. Модель содержит около 1,36 млрд параметров и предназначена для поиска по нескольким модальностям, маршрутизации запросов и кластеризации. В карточке приведены результаты оценок на задачах извлечения и классификации, включая MTEB English v2 и аудиобенчмарк MAEB. Эти результаты описывают конкретные тестовые протоколы и не гарантируют аналогичного качества на других данных. Для загрузки и работы README рекомендует PyTorch с совместимой версией torchaudio, Transformers 4.57.6, Hugging Face Hub, safetensors, NumPy и Pillow. Модель распространяется по лицензии Apache-2.0.

VICIOUS_MESH-12B-NEMO — текстовая генеративная модель на 12,1 млрд параметров, созданная автором репозитория методом слияния TIES с помощью mergekit. В качестве основы использована mistralai/Mistral-Nemo-Instruct-2407, а в слияние также вошла bamec66557/VICIOUS_MESH-12B-BETA. Модель построена на архитектуре MistralForCausalLM и предназначена для диалога и генерации текста по запросу; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. В README приведены результаты оценок Open LLM Leaderboard, включая IFEval и BBH, но они сами по себе не гарантируют качество на пользовательских задачах. Репозиторий распространяется по лицензии Apache-2.0. Языки отдельно не перечислены; языковые возможности унаследованы от базовой модели Mistral Nemo Instruct.

Модель phuhuyqhqb/vietnamese-embedding-finetuned разработана на основе contextboxai/halong_embedding и дообучена на наборе vietnamese-embedding-dataset. Это Sentence Transformer на архитектуре XLM-RoBERTa с примерно 305,2 млн параметров. Модель кодирует предложения и абзацы на вьетнамском языке в нормализованные плотные векторы размерностью 768; сходство текстов оценивается косинусной близостью. Максимальная длина входа — 514 токенов по метаданным (в README указано ограничение 512 токенов). Модель предназначена для семантического поиска, извлечения релевантных текстов и сопоставления предложений, в том числе как компонент RAG. README приводит результаты оценки информационного поиска на vi-val, включая accuracy@10 0,9263 при полной размерности вектора; результаты относятся к указанному набору оценки и не гарантируют такое же качество на других данных. Это текстовая модель эмбеддингов: она принимает текст и выдаёт векторы, а не готовые ответы. В предоставленных README и метаданных лицензия не указана.

RedHatAI/Voxtral-Mini-3B-2507-FP8-dynamic — мультимодальная модель компании Mistral, созданная на базе Voxtral-Mini-3B-2507 и оптимизированная Red Hat в формате FP8. Она принимает аудио и текст, а генерирует текст; модель предназначена для автоматического распознавания речи, перевода речи, понимания аудио, ответов на вопросы по аудиозаписям и их суммаризации. Также заявлена поддержка вызова функций на основе голосовых намерений и сохранение возможностей текстового понимания базовой модели Ministral-3B. Модель имеет архитектуру VoxtralForConditionalGeneration, поддерживает контекст до 32 тысяч токенов и работает с аудио длительностью до 30 минут для транскрибации и до 40 минут для анализа. Она автоматически определяет язык речи и поддерживает английский, французский, испанский, португальский, хинди, немецкий, нидерландский и итальянский языки. Веса и активации линейных операторов в трансформерных блоках квантизированы в FP8: это примерно вдвое снижает требования к памяти и размер модели, а также может увеличить пропускную способность матричных умножений примерно в два раза. К сильным сторонам относятся сочетание распознавания речи и языкового анализа в одной модели, мультиязычность, обработка длинных аудиозаписей и возможность работы через vLLM. Ограничения включают зависимость качества от исходной Voxtral-модели и возможные потери точности из-за квантизации; конкретные показатели качества в README не приведены. Модель распространяется по лицензии Apache-2.0 и валидирована для RHOAI 2.25, RHAIIS 3.2.2 и vLLM 0.10.1.1.

Карточка модели cy110120/whisper-large-v3-turbo на Hugging Face совпадает с карточкой openai/whisper-large-v3-turbo, поэтому описание составлено по ней. Whisper large-v3-turbo — мультиязычная модель распознавания речи OpenAI на архитектуре Transformer encoder-decoder. Это дообученная и ускоренная версия Whisper large-v3: число слоёв декодера сокращено с 32 до 4, что ускоряет вывод с небольшим снижением качества. Модель содержит 905,2 млн параметров и работает с аудио; она поддерживается библиотекой Transformers. Модель предназначена для преобразования речи в текст на языке оригинала и перевода речи между языками, включая перевод на английский. Она обучалась на более чем 5 млн часов размеченных данных и демонстрирует обобщение на новые наборы данных и предметные области. Для длинных записей требуется обработка последовательными окнами или разбиение аудио на сегменты; воспринимаемое окно составляет 30 секунд. Модель может ошибаться, добавлять слова, которых нет в аудио, и повторять фрагменты. Точность различается между языками, акцентами и диалектами и может быть ниже для языков с ограниченными обучающими данными. Лицензия — MIT.

Карточка модели diprooo/whisper-large-v3-turbo на Hugging Face совпадает с карточкой openai/whisper-large-v3-turbo, поэтому описание составлено по ней. Whisper large-v3-turbo — мультиязычная модель распознавания речи OpenAI на архитектуре Transformer encoder-decoder. Это дообученная и ускоренная версия Whisper large-v3: число слоёв декодера сокращено с 32 до 4, что ускоряет вывод с небольшим снижением качества. Модель содержит 905,2 млн параметров и работает с аудио; она поддерживается библиотекой Transformers. Модель предназначена для преобразования речи в текст на языке оригинала и перевода речи между языками, включая перевод на английский. Она обучалась на более чем 5 млн часов размеченных данных и демонстрирует обобщение на новые наборы данных и предметные области. Для длинных записей требуется обработка последовательными окнами или разбиение аудио на сегменты; воспринимаемое окно составляет 30 секунд. Модель может ошибаться, добавлять слова, которых нет в аудио, и повторять фрагменты. Точность различается между языками, акцентами и диалектами и может быть ниже для языков с ограниченными обучающими данными. Лицензия — MIT.

Карточка модели kingartyqueen/whisper-large-v3-turbo на Hugging Face совпадает с карточкой openai/whisper-large-v3-turbo, поэтому описание составлено по ней. Whisper large-v3-turbo — мультиязычная модель распознавания речи OpenAI на архитектуре Transformer encoder-decoder. Это дообученная и ускоренная версия Whisper large-v3: число слоёв декодера сокращено с 32 до 4, что ускоряет вывод с небольшим снижением качества. Модель содержит 905,2 млн параметров и работает с аудио; она поддерживается библиотекой Transformers. Модель предназначена для преобразования речи в текст на языке оригинала и перевода речи между языками, включая перевод на английский. Она обучалась на более чем 5 млн часов размеченных данных и демонстрирует обобщение на новые наборы данных и предметные области. Для длинных записей требуется обработка последовательными окнами или разбиение аудио на сегменты; воспринимаемое окно составляет 30 секунд. Модель может ошибаться, добавлять слова, которых нет в аудио, и повторять фрагменты. Точность различается между языками, акцентами и диалектами и может быть ниже для языков с ограниченными обучающими данными. Лицензия — MIT.

Youtu-VL-4B-Instruct — компактная зрительно-языковая модель Tencent Youtu Lab с плотной архитектурой на 4,8 млрд параметров, построенная на Youtu-LLM. Модель принимает изображения и текст и формирует текстовые ответы; контекст составляет до 32 768 токенов. В основе обучения лежит подход Vision-Language Unified Autoregressive Supervision (VLUAS), который использует общий мультимодальный словарь и обучает модель предсказывать визуальные и текстовые токены. Модель предназначена для вопросов и рассуждений по изображениям, распознавания текста на изображениях, анализа нескольких изображений, а также задач компьютерного зрения: обнаружения и подсчёта объектов, визуальной привязки, сегментации, оценки глубины и распознавания поз. Она также заявлена для мультимодальной математики и задач с графическим интерфейсом. Карточка отмечает конкурентные результаты на тестах, но не приводит здесь численных оценок. Модель доступна в формате safetensors и использует библиотеку Transformers. Лицензия указана как other; конкретные условия следует проверять в лицензии репозитория.

zerank-1 — плотная языковая модель-реранкер от ZeroEntropy, дообученная на базе Qwen/Qwen3-4B. Она оценивает релевантность пар «запрос — документ» и переупорядочивает найденные результаты, чтобы улучшить выдачу поисковой или retrieval-системы. Разработчик сообщает о сильных результатах на финансовых, юридических, программных, научно-технических, медицинских и диалоговых данных; в приведённых оценках модель превосходит перечисленные закрытые реранкеры на нескольких наборах задач. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и доступна в формате safetensors. Метаданные указывают контекст до 40 960 токенов; в README указано 32 768 токенов. Для использования предлагается библиотека sentence-transformers и класс CrossEncoder. Модель принимает текстовые запросы и документы и выдаёт оценки ранжирования. Выпущена по лицензии Apache 2.0.

Карточка модели punitkandoi/zerank-1-small-reranker на Hugging Face совпадает с карточкой zeroentropy/zerank-1-small-reranker, поэтому описание составлено по ней. zerank-1-small — компактная модель-реранкер компании zeroentropy на 1,7 млрд параметров, дообученная на базе Qwen/Qwen3-4B. Она оценивает релевантность пар «запрос — документ» и сортирует найденные документы, чтобы повысить точность поисковой или RAG-системы. Модель использует плотную архитектуру Qwen3 и библиотеку sentence-transformers; по метаданным поддерживает контекст до 40 960 токенов. Модель предназначена для повторного ранжирования результатов поиска, в том числе в задачах по коду, финансам и диалоговым запросам. В README разработчик сообщает, что она близка по качеству к более крупной zerank-1 и превосходит ряд популярных реранкеров на приведённых оценках NDCG@10. Репозиторий распространяется по лицензии Apache 2.0. Это англоязычная модель общего назначения с прикладными оценками для кода и финансовых запросов. Поскольку она основана на Qwen3-4B и метаданные также указывают на поддержку генерации текста, её архитектурные возможности могут выходить за рамки ранжирования; основное назначение модели — оценка релевантности и сортировка кандидатов.

Карточка модели punitkandoi/zerank-2-reranker на Hugging Face совпадает с карточкой zeroentropy/zerank-2-reranker, поэтому описание составлено по ней. zerank-2 — открытый реранкер ZeroEntropy на базе плотной причинной языковой модели Qwen3-4B с 3,7 млрд параметров. Он оценивает релевантность пар «запрос — документ» и сортирует найденные документы, чтобы улучшить порядок результатов поиска после первичного извлечения. Модель предназначена для повторного ранжирования в поисковых и retrieval-системах, в том числе в диалоговых сценариях и в областях финансов, права, программирования, STEM и медицины. Для запуска доступны Sentence Transformers, API ZeroEntropy и AWS Marketplace. В README приведены сравнительные оценки NDCG@10 на выборке из 100 документов-кандидатов после первичного поиска по эмбеддингам. Контекст модели составляет 40 960 токенов по метаданным. Она принимает текстовые запросы и документы и выдаёт оценки релевантности, пригодные для сортировки; после изменения интерфейса predict возвращает сырые логиты «Yes», а не вероятности, хотя порядок ранжирования сохраняется. Модель дообучена на Qwen/Qwen3-4B и распространяется по лицензии Apache 2.0. Заявленные результаты оценивания зависят от набора данных и настроек поиска; приведённые в карточке оценки охватывают лишь часть описанных областей.

zerank-2 — открытый реранкер ZeroEntropy на базе плотной причинной языковой модели Qwen3-4B с 3,7 млрд параметров. Он оценивает релевантность пар «запрос — документ» и сортирует найденные документы, чтобы улучшить порядок результатов поиска после первичного извлечения. Модель предназначена для повторного ранжирования в поисковых и retrieval-системах, в том числе в диалоговых сценариях и в областях финансов, права, программирования, STEM и медицины. Для запуска доступны Sentence Transformers, API ZeroEntropy и AWS Marketplace. В README приведены сравнительные оценки NDCG@10 на выборке из 100 документов-кандидатов после первичного поиска по эмбеддингам. Контекст модели составляет 40 960 токенов по метаданным. Она принимает текстовые запросы и документы и выдаёт оценки релевантности, пригодные для сортировки; после изменения интерфейса predict возвращает сырые логиты «Yes», а не вероятности, хотя порядок ранжирования сохраняется. Модель дообучена на Qwen/Qwen3-4B и распространяется по лицензии Apache 2.0. Заявленные результаты оценивания зависят от набора данных и настроек поиска; приведённые в карточке оценки охватывают лишь часть описанных областей.

Модель latent-artist/66c200392ff148279a5995ef1455d3de — инструктивно дообученная авторегрессионная языковая модель для генерации текста и диалогов. Она построена на архитектуре Qwen2 и содержит около 1,54 млрд параметров, включая 1,31 млрд параметров без учёта эмбеддингов. Модель разработана автором репозитория latent-artist. Модель предназначена для ответов на инструкции и общения в формате чата. Архитектура включает 28 слоёв, rotary position embeddings, групповой запрос внимания с 12 query heads и 2 key/value heads, RMS-нормализацию и gated feed-forward слои. Длина контекста составляет 32 768 токенов, генерация поддерживает до 8 192 токенов. README заявляет многоязычную генерацию текста; в метаданных указан английский язык. Для загрузки требуется актуальная версия Transformers. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Модель поддерживает чатовый интерфейс и интерфейс вызова инструментов. Карточка не приводит оценок качества или конкретных ограничений применимости; как языковая модель, её ответы требуют проверки на точность и уместность.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240125221415-latest на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Recognai/bert-base-spanish-wwm-cased-xnli — испаноязычная модель BERT, дообученная командой Recognai на испанской части набора XNLI для классификации с нулевым примером. Она оценивает, насколько текст соответствует предложенным пользователем меткам, и подходит для тематической разметки текстов без отдельного обучения на каждой категории. Модель содержит 137,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Для тестовой части XNLI на испанском языке указана точность 79,9%. Доступны веса в форматах PyTorch, Flax и safetensors. README рекомендует использовать её через pipeline zero-shot-classification библиотеки Transformers и отмечает, что более новые варианты SELECTRA легче и показывают лучшие результаты. Модель выпущена по лицензии MIT.