I.14Автоматизация процессов и AI-агенты

Qwen3 Embedding 0.6B LRAT Full-v1 to Broad Extrapolation a1.25 — экспериментальный текстовый энкодер для получения признаковых представлений и семантического поиска. Это дообученная модель семейства Qwen3 с плотной архитектурой Qwen3Model и примерно 507,6 млн параметров; она основана на Qwen/Qwen3-Embedding-0.6B. Модель принимает текст и выдаёт эмбеддинги. Максимальная длина контекста — 32 768 токенов. Чекпойнт получен экстраполяцией направления между двумя версиями ретривера команды: full-v1 и broad-g16-v2. Обе версии обучались на предоставленных организаторами траекториях LRAT и корпусе. Выбор чекпойнта опирался на локальную оценку с фиксированными seed в процессе BrowseComp-Plus Agent и Judge; авторы не заявляют эти оценки как официальные результаты. Лицензия — Apache-2.0.

FuriosaAI публикует эту версию Qwen3-VL-2B-Instruct вместе с исполняемым пакетом для запуска на ускорителях FuriosaAI RNGD через Furiosa-LLM. Это плотная мультимодальная модель с примерно 2 млрд параметров: визуальный энкодер обрабатывает изображения и видеокадры, а трансформерный декодер формирует текст. В архитектуре используются Interleaved-MRoPE и многоуровневое объединение визуальных признаков DeepStack; версия Instruct предназначена для диалога и не использует режим рассуждений из отдельной thinking-версии. Модель подходит для ответов на вопросы по изображениям и видео, OCR, анализа документов и диаграмм, пространственных рассуждений и вызова инструментов. README описывает запуск через Furiosa-LLM на RNGD; также указана совместимость с vLLM, SGLang и Transformers. Веса не квантизированы и сохраняют точность upstream-модели. Лицензия — Apache 2.0.

Qwen3-VL-Reranker-2B-5bit — версия мультимодального реранкера из семейства Qwen3-VL, опубликованная mlx-community для запуска в формате MLX. В README указано, что модель преобразована из Qwen/Qwen3-VL-Reranker-2B с помощью mlx-lm версии 0.1.0; метаданные связывают её с дообученной Qwen/Qwen3-VL-2B-Instruct и определяют основную задачу как text-ranking. Модель предназначена для переупорядочивания текстовых результатов поиска по релевантности запросу. Базовая модель поддерживает анализ изображений и видео, однако в данных этой карточки подтверждена только задача текстового ранжирования. Репозиторий содержит веса safetensors, а условия использования определяются лицензией Apache-2.0.

Мультимодальная модель для ранжирования, опубликованная arthurcollet и преобразованная в формат MLX из Qwen/Qwen3-VL-Reranker-2B с помощью mlx-vlm 0.3.11. Она оценивает релевантность пар запрос–кандидат и предназначена для реранжирования результатов поиска и отбора подходящих документов или визуальных материалов. Архитектура основана на Qwen3-VL-2B-Instruct; семейство Qwen3-VL поддерживает анализ изображений и видео. Репозиторий содержит веса в формате safetensors, а метаданные указывают задачу text-ranking и возможность reranking. Лицензия — Apache-2.0. README отсылает к карточке исходной модели за подробностями, поэтому конкретные характеристики ранжирования в этой карточке не раскрыты.

Kaoeiri/Qwenwify2.5-32B-v4.7-ED — объединённая языковая модель, созданная разработчиком Kaoeiri с помощью mergekit. В качестве основы использована Qwen/QwQ-32B-Preview, а для слияния применён метод DARE TIES; в состав также вошли девять других моделей семейства Qwen2.5-32B и их производных. Модель предназначена для диалоговой генерации текста и поддерживает интерфейс вызова инструментов. Она построена на плотной архитектуре Qwen2, содержит 32 млрд параметров и рассчитана на контекст до 32 768 токенов. В составе объединены модели для чата, рассуждений, японского языка и ролевой генерации; карточка не задаёт приоритетный язык. Репозиторий распространяет веса в формате safetensors. Лицензия в предоставленных данных не указана. Качество и поведение могут различаться в зависимости от запроса, поскольку модель объединяет несколько чекпойнтов; конкретные ограничения и результаты оценки в карточке не приведены.

Atla Selene 1 — языковая модель-судья, разработанная Atla для оценки ответов и поведения систем на основе заданных критериев. Она дообучена от Llama-3.3-70B-Instruct с использованием SFT и DPO и содержит около 69,5 млрд параметров. Модель предназначена для выставления оценок, классификации ответов и попарного сравнения вариантов; она также формирует структурированные результаты и качественные критические замечания с обоснованием. Selene 1 подходит для автоматизации оценивания в тестах LLM, проверки соответствия ответа запросу, анализа предпочтений и поиска галлюцинаций в RAG-системах. Критерии и шкалы оценки можно настраивать, а ответы можно проверять как с эталонным материалом, так и без него. Модель работает с текстом, поддерживает диалоговый режим и интерфейс вызова инструментов, использует архитектуру Llama и контекст до 131 072 токенов. В README заявлена преимущественная ориентация на английский язык и поддержка немецкого, французского, итальянского, португальского, хинди, испанского и тайского; метаданные также указывают английский, немецкий, французский, итальянский, португальский и испанский. Для работы рекомендуется применять шаблон диалога Llama 3, иначе поведение может быть непредсказуемым. Модель опубликована по лицензии Llama 3.3.

Snerta-12l Base — многоязычная модель распознавания именованных сущностей, разработанная авторами исследования «When Is Multilingual Transfer Beneficial for Slavic Named Entity Recognition?». Это дообученная на microsoft/mdeberta-v3-base модель DeBERTa V3 для token classification: она выделяет в тексте людей (PER), места (LOC), организации (ORG) и прочие сущности (MISC), возвращая метки в формате IOB2. В метаданных указаны 306 млн параметров и контекст 512 токенов; README описывает обучение на дедуплицированном пуле из 12 языков и усечение последовательностей до 256 токенов в стандартном сценарии использования. Модель предназначена для извлечения сущностей на болгарском, боснийском, чешском, хорватском, македонском, польском, русском, словацком, словенском, албанском, сербском и украинском языках. Её можно использовать для обогащения документов, поиска, мониторинга СМИ, анализа корпусов и аналитики по сущностям, особенно когда удобнее применять одну общую модель для нескольких языков. Репозиторий модели распространяется по лицензии Apache-2.0; лицензии исходных корпусов различаются, и для некоторых из них действуют условия CC BY-NC-SA 4.0 или CC BY-SA 4.0. Результаты могут заметно различаться по языкам и предметным областям: обучающий пул несбалансирован, а часть разметки для отдельных языков автоматически построена и имеет более низкую надёжность. Оценка на случайном разбиении предложений не устанавливает качество переноса между документами, временем, темами или доменами. Модель не следует использовать как единственное средство анонимизации, контроля доступа или принятия юридически значимых решений; перед внедрением её нужно проверить на целевых данных.

Sonar Pro Search — агентная поисковая система Perplexity, доступная исключительно через API OpenRouter. Режим Pro Search предназначен для углублённого поиска, рассуждений и анализа.

Lucyfer1718/Spartan_Alpha-Powered_v2.0 — объединённая диалоговая языковая модель на архитектуре Llama, созданная с помощью mergekit методом SLERP из meta-llama/Meta-Llama-3.1-70B-Instruct и mattshumer/Reflection-Llama-3.1-70B. Модель содержит 35,3 млрд параметров, принимает текст и генерирует текст; поддерживает контекст до 131 072 токенов. Метаданные отмечают возможности общения в чате и интерфейс вызова инструментов. Модель предназначена для генерации ответов в диалоге и других задач продолжения текста. В описании базовой Reflection-Llama указана самопроверка и исправление ошибок, однако карточка этой модели не уточняет, насколько эти свойства сохраняются после объединения. Файлы представлены в формате safetensors и рассчитаны на использование с Transformers. Условия лицензии в предоставленных данных не указаны.

TechxGenus/starcoder2-15b-instruct — языковая модель для генерации кода, созданная дообучением StarCoder2-15B на 0,7 млрд дополнительных токенов с примерами, связанными с программированием; обучение проводилось в течение трёх эпох. Модель использует архитектуру StarCoder2 с плотной causal language model на 21,7 млрд параметров и принимает запросы в формате инструкций Alpaca без системного промпта. Для запуска предлагается Transformers; веса доступны в формате safetensors, контекст — до 16 384 токенов. Модель предназначена для генерации кода по инструкциям и другим задачам программирования. В README заявлен результат 77,4 pass@1 на HumanEval-Python, однако авторы отмечают, что модель прошла ограниченное тестирование и может ошибаться, выдавать вводящее в заблуждение содержимое и хуже справляться с задачами вне программирования. Лицензия — BigCode OpenRAIL-M.

NVIDIA Conformer-CTC Small (en-US) — модель распознавания английской речи, разработанная NVIDIA и обученная с помощью NeMo. Это небольшая нерекуррентная модель архитектуры Conformer с CTC-декодированием, примерно на 13 млн параметров. Она принимает монофонические WAV-записи с частотой дискретизации 16 кГц и преобразует речь в текст в нижнем регистре, используя английский алфавит, пробелы и апострофы. Модель предназначена для транскрибации аудиозаписей, пакетной обработки файлов и использования в качестве предобученного чекпойнта для дообучения на других данных. Она совместима с NeMo и NVIDIA Riva; для повышения точности в Riva можно подключить внешнюю языковую модель. Обучение проводилось на нескольких тысячах часов английской речи из публичных корпусов. По опубликованным результатам WER составляет 3,7% на LibriSpeech test-clean и 8,1% на test-other при жадном декодировании. Модель может хуже распознавать акцентную речь, технические термины и разговорные варианты, недостаточно представленные в обучающих данных. Лицензия — CC BY 4.0.

supergemma4-e4b-abliterated-GGUF — это квантованное распространение модели Jiunsong/supergemma4-e4b-abliterated, подготовленное mradermacher в формате GGUF. Модель относится к семейству Gemma, ориентирована на генерацию текста и instruction-tuned-сценарии, а также заявляет поддержку tool calling и структурированного вывода. В метаданных указан английский язык. Модель предназначена для локального запуска и интеграции с совместимыми средами инференса, включая инструменты для работы с GGUF и vLLM. Доступны варианты квантования Q2_K, Q3_K, IQ4_XS, Q4_K, Q5_K, Q6_K, Q8_0 и f16 размером примерно от 4,5 до 15,2 ГБ. Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант высокого качества, а Q8_0 — как наиболее качественный среди быстрых вариантов. Ключевое преимущество — широкий выбор квантований, позволяющий адаптировать требования к памяти, скорости и качеству. Более агрессивные варианты могут снижать качество генерации; для Q3_K_M это указано отдельно. Размер контекста, точная архитектура, количество параметров, мультимодальные возможности и подробные результаты оценки в README не указаны. Лицензия обозначена как gemma.

ThaiLLM-8B-Instruct — диалоговая языковая модель KBTG-Labs, созданная с помощью mergekit на основе ThaiLLM-8B и Qwen3-8B. Она предназначена для генерации текста и следования инструкциям, с улучшенным пониманием тайского языка по сравнению с Qwen3-8B. Модель поддерживает режимы с рассуждением и без него, а также интерфейс вызова инструментов. Архитектура — плотная Qwen3ForCausalLM с 7,6 млрд параметров; максимальный контекст — 40 960 токенов. README описывает сравнение результатов экзаменационных и финансовых тестов с Qwen3-8B, но отмечает, что результаты могут различаться в зависимости от среды оценки. Модель работает с текстом и рассчитана на тайский и английский языки. Для запуска через Transformers требуется версия 4.51.0 или новее. Лицензия — Apache-2.0.

rohit-vt/tink-reranker-phase5_minilm_multikind — текстовый Cross-Encoder на архитектуре BERT, дообученный на базе cross-encoder/ms-marco-MiniLM-L6-v2 с использованием Sentence Transformers. Модель совместно обрабатывает пару текстов и выдаёт оценку их соответствия, которую можно использовать для переранжирования результатов поиска и семантического поиска. Модель содержит 25,9 млн параметров, поддерживает последовательности длиной до 512 токенов и выдаёт один числовой скор. Для обучения указаны 93 031 пример и функция BinaryCrossEntropyLoss; в карточке приведены примеры пар, связанные с навыками и профессиями. Лицензия в предоставленных данных не указана.

deepset/tinyroberta-squad2 — компактная модель deepset для извлечения ответов на вопросы из текста. Это дистиллированная версия deepset/roberta-base-squad2 на архитектуре RoBERTa с 95,2 млн параметров; контекст составляет до 514 токенов. Модель обучена для extractive question answering на SQuAD 2.0 и рассчитана на английский язык. Модель находит ответный фрагмент в предоставленном тексте и подходит для поиска ответов в документах, например в конвейере Haystack. По данным карточки, её качество сопоставимо с базовой моделью, а скорость работы примерно вдвое выше. Дистилляция выполнена в два этапа по подходу TinyBERT: промежуточная дистилляция RoBERTa, затем обучение под задачу QA с учителями deepset/roberta-base-squad2 и deepset/roberta-large-squad2. Доступны веса PyTorch и Safetensors. Лицензия — CC BY 4.0. Модель предназначена для извлечения ответа из заданного контекста, а не для свободной генерации; качество и охват языков за пределами английского не подтверждены карточкой.

topk-embed-v1-small — мультимодальная модель извлечения TopK размером 2 млрд параметров, предназначенная для поиска по текстовым документам и изображениям страниц, включая сканы, отчёты и презентации. Она использует позднее взаимодействие: формирует несколько векторов для токенов текста или фрагментов изображения, а затем оценивает релевантность запросов и документов с помощью суммирования MaxSim. Разработчик — TopK, согласно названию и README. Модель рассчитана на retrieval-сценарии с текстовыми запросами и документами на разных языках. В README приведены оценки на восьми наборах ViDoRe v3, включая поиск по изображениям страниц и соответствующему тексту Markdown, а также нативные и межъязыковые запросы. Полная ширина векторов составляет 2048 измерений; доступны префиксные размерности Matryoshka от 64 до 2048. В метаданных указана дообученная база Qwen/Qwen3.5-2B, библиотека Sentence Transformers, формат safetensors и лицензия Apache-2.0. Для запуска README требует CUDA GPU с поддержкой bfloat16 (Ampere или новее).

Trida-7B-Preview — языковая модель на 7,76 млрд параметров, разработанная Trillion Labs. Это Block Diffusion Language Model на базе Transformer Decoder с RoPE, SwiGLU и RMSNorm. Модель создана непрерывным предварительным обучением Trillion Labs/Tri-7B и последующим обучением по подходу Block Diffusion, который сочетает параллельную генерацию блоков с авторегрессионными зависимостями. Длина контекста — 4096 токенов; модель распространяется в формате safetensors и поддерживает диалоговую генерацию текста. Модель оптимизирована для корейского, английского и японского языков. Её можно применять для ответов на вопросы, следования инструкциям, рассуждений, математических задач и генерации кода. README приводит результаты тестирования на языковых и задачах рассуждения, кодирования, математики и следования инструкциям, но не описывает ограничения по вычислительным ресурсам или гарантии качества. Для других языков качество может снижаться; знания ограничены данными до февраля 2025 года. Лицензия — Apache-2.0.

laion/tt-x1_lr-lr8e6-60-30B — чекпойнт шага 60, созданный LAION в рамках эксперимента TaskTrove X1 по подбору скорости обучения. Это дообучение инструктивной модели Qwen/Qwen3-Coder-30B-A3B-Instruct с архитектурой Qwen3 MoE, выполненное методом GRPO на наборе DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2. Модель предназначена для генерации текста в диалоговом формате, в частности для задач программирования и работы с несколькими файлами. Для выбора чекпойнта использовали скользящую экспоненциальную среднюю награды за последние пять шагов; шаг 60 показал наивысшее значение среди сохранённых вариантов. Обучение остановили на шаге 71 из 80 из-за роста энтропии, поэтому результат не отражает завершённый цикл обучения. Контекст модели составляет 262 144 токена; в метаданных указано 2,6 млрд параметров. Лицензия — Apache-2.0.

Ultravox v0.4.1 — мультимодальная речевая языковая модель от Fixie.ai на базе Llama 3.1 8B Instruct и Whisper Large V3 Turbo. Она принимает аудио вместе с текстовым контекстом и генерирует текстовые ответы, поэтому подходит для голосовых агентов, анализа речи и перевода устной речи. Модель обучалась на смеси наборов данных для распознавания речи и перевода, включая LibriSpeech, Common Voice, GigaSpeech, Peoples Speech, Wenetspeech и CoVoST2. Модель поддерживает арабский, немецкий, английский, испанский, французский, хинди, итальянский, японский, нидерландский, португальский, русский, шведский, турецкий, украинский и китайский языки. В README указаны задержка до первого токена около 150 мс и скорость генерации примерно 50–100 токенов в секунду на GPU A100 40 ГБ при использовании аудио. Модель выдаёт текст, а не синтезированную речь; в этой версии также не применялась настройка предпочтений. Лицензия — MIT.

vectorizer.raspberry — векторизатор компании Sinequa для поиска релевантных фрагментов текста. Он преобразует запросы и passages в эмбеддинги: векторы passages сохраняются в векторном индексе, а вектор запроса используется для поиска по этому индексу. Модель построена на XLM-RoBERTa, содержит около 110,2 млн параметров и выдаёт векторы размерности 256. В метаданных указано ограничение контекста в 514 токенов. Модель обучена для сопоставления запросов и фрагментов текста, в том числе с использованием трудных негативных примеров и негативов внутри батча. Она нечувствительна к регистру и диакритическим знакам. Поддерживаемые и оценённые языки — английский, французский, немецкий, испанский, итальянский, нидерландский, японский, португальский и упрощённый китайский; автор также отмечает базовую поддержку других языков предобучения XLM-R. В README приведён средний Recall@100 0,613 на наборах BEIR и результаты MIRACL для части языков. Для запуска README указывает минимальную версию Sinequa 11.10.0 и CUDA compute capability выше 7.5. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

vectorizer.vanilla — англоязычная модель-векторизатор компании Sinequa для поиска релевантных фрагментов по запросу. Она строит эмбеддинги запросов и passages, которые можно индексировать и сопоставлять для семантического поиска и извлечения информации. Модель основана на MiniLM-L6-H384 и архитектуре BERT, содержит около 25,9 млн параметров, выдаёт векторы размерности 256 и принимает последовательности длиной до 512 токенов. Она нечувствительна к регистру и диакритическим знакам. Модель обучена на парах «запрос — фрагмент» и триплетах с негативными примерами; качество оценивалось на англоязычных наборах BEIR, средний Recall@100 составляет 0,639. Подходит для построения векторного индекса и поиска по запросам. Для работы в Sinequa требуется версия не ниже 11.10.0; для CUDA указана вычислительная возможность выше 7.5. Лицензия в предоставленных данных не описана.

phatvucoder/vietnamese-bi-encoder — модель SentenceTransformer, дообученная на базе bkai-foundation-models/vietnamese-bi-encoder. Архитектура основана на RoBERTa с усреднением токеновых представлений; модель кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их по косинусному сходству. Число параметров — 162,4 млн, максимальная длина последовательности — 258 токенов по метаданным. Модель предназначена для семантического поиска и извлечения релевантных фрагментов: например, сопоставления запроса с подходящими абзацами. Карточка указывает 120 204 обучающих примера формата «запрос — релевантный текст» и функцию потерь MultipleNegativesRankingLoss. Вход и выход — текст и его векторное представление; основная языковая область — вьетнамский. Лицензия в предоставленных данных не указана.

versae/whisper-large-v3 — версия Whisper Large v3 от OpenAI, опубликованная versae в формате Hugging Face с использованием скрипта конвертации. Это предобученная модель для автоматического распознавания речи и перевода устной речи; Whisper обучалась на 680 тысячах часов размеченных данных и рассчитана на работу с разными наборами данных и предметными областями без дообучения. Модель относится к семейству Whisper, имеет около 905,2 млн параметров и принимает аудио, выдавая текст. Метаданные указывают поддержку многих языков, включая русский и английский. Модель подходит для транскрибирования аудиозаписей и перевода речи. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии Apache-2.0. Это конверсия версии Whisper Large v3, а не отдельное дообучение; длина контекста в предоставленных данных не описана.

mlx-community/whisper-large-v3-turbo-fp16 — преобразованная в формат MLX модель распознавания речи на основе openai/whisper-large-v3-turbo. Разработчик репозитория mlx-community; преобразование выполнено с помощью mlx-audio-plus версии 0.1.4. Модель предназначена для преобразования аудиозаписей в текст. Она использует архитектуру Whisper и поддерживает мультиязычное распознавание речи. Репозиторий содержит веса в формате safetensors и предназначен для работы с библиотекой mlx-audio-plus. Лицензия — Apache-2.0. Производительность и качество зависят от языка, условий записи и используемого оборудования; README не приводит отдельных оценок для этой сборки.

OpenVINO/whisper-small-fp16-ov — модель автоматического распознавания речи, созданная на основе Whisper Small от OpenAI и преобразованная в формат OpenVINO IR с весами FP16. Модель предназначена для преобразования аудиозаписей в текст и совместима с OpenVINO 2025.2.0 и новее, а также Optimum Intel 1.23.0 и новее. Модель имеет 153,1 млн параметров и использует архитектуру Whisper для последовательного преобразования речевого сигнала в текст. В карточке указана поддержка английского языка. Формат OpenVINO IR ориентирован на инференс через OpenVINO и OpenVINO GenAI, включая запуск на CPU. К сильным сторонам относятся оптимизированное представление FP16 и интеграция с инструментами OpenVINO для развертывания распознавания речи. Ограничения унаследованы от исходной модели Whisper Small: качество зависит от качества и характеристик аудио, а применение для языков, не заявленных в карточке, может быть ненадежным. Модель распространяется по лицензии Apache-2.0.

DAMO-NLP-SG разработала zero-shot-модель классификации текста на основе XLM-RoBERTa. Модель дообучена методом SSTuning: на неразмеченных англоязычных данных она учится предсказывать индекс метки с помощью задачи First Sentence Prediction. В архитектуре XLMRobertaForSequenceClassification около 305,2 млн параметров; модель принимает текст и названия классов и выдаёт оценки классов. Контекст составляет до 514 токенов. Модель предназначена для классификации без дополнительного дообучения, например для анализа тональности и определения тематики. В README указано, что она обучалась на 20,48 млн примеров на английском языке, но может применяться и на других языках, поддерживаемых XLM-RoBERTa. Рекомендуемое число меток — от 2 до 20. Распространяется по лицензии MIT.

Карточка модели avsolatorio/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130184711-best 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.

Карточка модели avsolatorio/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130211808-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.

Это текстовая генеративная модель на архитектуре Qwen2 с 7,1 млрд параметров, опубликованная как резервная копия исследовательского чекпойнта в стандартном формате Hugging Face для загрузки через Transformers. Модель предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Контекст составляет 16 384 токена. Репозиторий содержит веса в формате safetensors. Карточка не описывает специализированную предметную область или дополнительные возможности модели. Условия лицензии в предоставленных данных не приведены.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240125233651-best 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.