I.14Автоматизация процессов и AI-агенты

InternVL3.5-38B — мультимодальная модель семейства InternVL от OpenGVLab, предназначенная для диалога и рассуждений по изображениям и тексту. Она сочетает зрительный энкодер с языковой моделью; архитектура указана как плотная InternVLChatModel. Вариант на 38 млрд параметров требует двух GPU A100 для развёртывания согласно карточке модели. Модель подходит для ответов на вопросы об изображениях, визуальных рассуждений, решения математических задач по изображениям, OCR и диалоговых сценариев с визуальным контекстом. Семейство поддерживает также взаимодействие с графическим интерфейсом и embodied-сценарии. В README описаны Cascade RL для улучшения рассуждений и Visual Resolution Router для динамической настройки разрешения визуальных токенов; также упоминается раздельное развёртывание зрительной и языковой частей. Этот репозиторий является дообученной версией OpenGVLab/InternVL3_5-38B-MPO и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка описывает семейство как мультиязычное, но конкретные языки не перечисляет.

ramdane/jurimodel — модель семейства XLM-RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, кластеризации и сравнения текстов по смыслу. В метаданных указаны 305,2 млн параметров и контекст длиной 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss. Она выдаёт текстовые эмбеддинги, которые можно использовать для поиска близких по смыслу фрагментов и группировки документов. Название предполагает юридическую направленность, однако README не подтверждает специализацию на правовых текстах, поэтому её не следует считать установленной. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

K2-Horizon-3.7B-GGUF — GGUF-версия языковой модели K2-Horizon-3.7B, разработанной IFM. Репозиторий предназначен для запуска модели с помощью llama.cpp и содержит тензоры в исходной точности BF16, метаданные токенизатора и совместимый с llama.cpp шаблон чата. Модель относится к семейству K2-Horizon и представляет собой небольшую плотную decoder-only модель с 3,7 млрд параметров и контекстным окном 524 288 токенов. Указан английский язык. Модель предназначена для генерации текста и оценивается на задачах, связанных с агентными сценариями, программированием и рассуждениями. Ключевые сильные стороны — большой контекст, открытость весов, публикация обучающих данных, рецептуры, кода обучения и ресурсов для оценки, а также наличие промежуточных контрольных точек для анализа изменений возможностей в процессе обучения. Ограничение версии GGUF заключается в необходимости использовать сборку llama.cpp с поддержкой архитектуры K2 Horizon; такая поддержка на момент публикации находилась в разработке, а совместимая версия доступна в форке MBZUAI-IFM. Лицензия модели — Apache-2.0. В README не указаны точные детали вычислительных требований, результаты отдельных тестов, поддерживаемые языки помимо английского и дополнительные сведения о качестве или ограничениях применения.

LeoScorpius-GreenNode-Alpaca-7B-v1-Mistral-7B-Instruct-v0.2-slerp — объединённая языковая модель на базе Mistral-7B-Instruct-v0.2 и LeoScorpius-GreenNode-Alpaca-7B-v1. Разработчик карточки объединил модели методом SLERP с помощью mergekit; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, формат весов — safetensors. Модель предназначена для генерации текста и диалоговых ответов на инструкции; контекст составляет до 32 768 токенов. Модель принимает текст и выдаёт текст. В карточке не заявлены специализированные области применения или поддерживаемые языки. Репозиторий распространяется по лицензии Apache-2.0. Качество и поведение объединённой модели могут отличаться от исходных моделей; карточка не приводит оценок или сравнительных тестов.

LFM2-350M modular export — компактная гибридная языковая модель Liquid AI с сочетанием свёрточных слоёв и attention. Репозиторий содержит экспорт исходной модели LiquidAI/LFM2-350M в самодостаточный формат GGUF для loom.cpp; README сообщает, что веса не изменялись, а метаданные классифицируют связь с базовой моделью как дообучение. Модель предназначена для генерации текста и запуска через библиотеку loom-py-rt. Экспорт включает топологии слоёв, токенизатор (если он есть) и скрипт драйвера. Заявлены английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Базовая модель описывается как компактная модель для диалогов, извлечения данных и RAG на периферийных устройствах. Репозиторий использует лицензию с меткой other; конкретные условия следует сверить с файлами лицензии модели.

LFM2.5-ColBERT-350M-bf16 — конвертированная сборка модели Liquid AI для локального инференса на компьютерах Apple Silicon с использованием MLX. Это двунаправленный энкодер LFM2 с поздним взаимодействием ColBERT: он выдаёт 128-мерный вектор для каждого токена, а релевантность пары запроса и документа оценивается методом MaxSim. В репозитории указано 443,4 млн параметров и контекст до 128 000 токенов. Модель предназначена для семантического поиска и извлечения документов по запросу на нескольких языках. В карточке приведены оценки поиска на английских наборах NanoBEIR и многоязычных поднаборах MIRACL для испанского, немецкого, японского и арабского языков. Весовые параметры сохранены в исходной точности bf16; это преобразование формата PyTorch/safetensors в MLX, а не квантизация. Для работы архитектуры включена отдельная реализация MLX, поскольку стандартные mlx-lm и mlx-embeddings её не поддерживают из коробки. Репозиторий создан сообществом mlx-community, а веса, архитектура и поведение модели принадлежат Liquid AI. README сообщает о близком совпадении токеновых векторов с оригинальной версией при проверке, но результаты поиска приведены на ограниченных пулах и не сопоставимы напрямую с полными корпусами MIRACL. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с карточкой базовой модели.

LFM2.5-ColBERT-350M-fp16 — многоязычная двунаправленная модель для извлечения признаков и поиска документов, подготовленная на базе LiquidAI/LFM2.5-ColBERT-350M и упакованная в формат MLX fp16 для Apple Silicon. Модель формирует векторы размерности 128 для каждого токена, а релевантность запроса и документа оценивает методом позднего взаимодействия MaxSim. Для кодирования используются обязательные маркеры [Q] для запроса и [D] для документа. Модель предназначена для семантического поиска и ранжирования в системах извлечения информации. Архитектура LFM2 включает двунаправленный энкодер; размер модели по метаданным — 443,4 млн параметров, контекст — до 128 000 токенов. Заявлена поддержка английского, испанского, немецкого, французского, итальянского, португальского, арабского, шведского, норвежского, японского и корейского языков. README приводит результаты на подмножестве англоязычного NanoBEIR и указывает на специализированный загрузчик MLX для корректного получения эмбеддингов. Это вариант fp16 без квантизации, рассчитанный на запуск через MLX на компьютерах Apple Silicon. Лицензия в метаданных обозначена как other; конкретные условия следует проверять в файлах репозитория. Результаты бенчмарка охватывают ограниченный англоязычный набор и не характеризуют качество на полном многоязычном наборе.

Llama-3.1-8B-TitanFusion-Test — объединённая языковая модель семейства Llama, созданная с помощью mergekit методом TIES на основе meta-llama/Llama-3.1-8B. В слияние вошли несколько моделей на базе Llama 3.1, включая варианты для диалогов, ролевого общения и математических задач. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; нативная длина контекста составляет 131 072 токена. Модель предназначена для генерации текста и может применяться для диалогов, ответов на вопросы, ролевого общения и решения математических задач. Репозиторий указывает библиотеку Transformers. Лицензия в предоставленных данных не указана.

Llama-3.1-Swallow-70B-v0.1 — языковая модель команды Swallow из лабораторий Okazaki и YOKOTA Токийского технологического института и AIST. Она создана продолжительным предварительным обучением Meta Llama 3.1 на примерно 200 миллиардах токенов японских и английских текстов, включая веб-материалы, Википедию, математику и код. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров и контекстом 8192 токена. Модель рассчитана на генерацию текста на японском и английском языках: ответы на вопросы, суммаризацию, машинный перевод, рассуждения, понимание текста и генерацию кода. README сообщает об улучшении японских языковых возможностей при сохранении возможностей английской исходной модели; оценка проводилась на японских и англоязычных бенчмарках. Это базовая версия, не Instruct-вариант, поэтому она не настроена для следования инструкциям и не гарантирует соответствия ответов намерениям пользователя или требованиям безопасности. Распространяется по лицензии Llama 3.1.

allenai/Llama-3.1-Tulu-3-8B-SFT-no-safety-data — языковая модель семейства Llama, опубликованная организацией AllenAI. Модель предназначена для генерации текста и диалоговых сценариев; в метаданных указаны поддержка библиотеки Transformers, размер около 7,5 млрд параметров и контекст до 131 072 токенов. Модель можно использовать для ведения диалогов, генерации ответов, создания черновиков и других задач, сводящихся к продолжению или преобразованию текстового запроса. Метаданные указывают тег text-generation и conversational, но README не содержит подробностей о языках, данных обучения, результатах оценки или лицензии. README также не описывает специальные меры безопасности, поэтому модель следует применять с дополнительной проверкой результатов и фильтрацией потенциально нежелательного контента. Лицензия в доступных данных не указана.

gbueno86/Meta-LLama-3-Cat-Smaug-LLama-70b — языковая модель, созданная слиянием моделей Meta-LLama-3-Cat-A-LLama-70b и abacusai/Smaug-Llama-3-70B-Instruct. Слияние выполнено методом SLERP с помощью mergekit. Модель предназначена для генерации текста и ответов в диалогах. Она построена на архитектуре Llama 3, содержит 69,5 млрд параметров и поддерживает контекст до 8192 токенов. В метаданных указан английский язык и интерфейс чата. В README приведены результаты оценки на Open LLM Leaderboard, включая IFEval и BBH. Модель распространяется в формате safetensors по лицензии Llama 3.

Jeff98/MiniCPM5-2B-openvino — это версия языковой модели openbmb/MiniCPM5-2B, преобразованная в формат OpenVINO с помощью optimum-intel. Архитектура, токенизатор, шаблон диалога и основные возможности унаследованы от исходной модели; репозиторий не содержит дополнительного обучения или выравнивания. Модель предназначена для генерации текста и ведения диалогов. Модель содержит примерно 2 млрд параметров и поддерживает китайский, английский и другие языки, заявленные для исходной MiniCPM5-2B. Она рассчитана на локальный запуск, разработку ассистентов и инструментов программирования, edge-сценарии, а также эксперименты на рабочих станциях. OpenVINO обеспечивает выполнение на CPU и Intel GPU, а OpenVINO Model Server позволяет развернуть модель через совместимый с OpenAI REST API. Точный размер контекста и архитектурные детали в README не указаны. Сильная сторона модели — готовность к эффективному локальному развертыванию в OpenVINO, включая преобразованные токенизатор и детокенизатор, поддержку OVMS и OpenAI-совместимого интерфейса. Ограничения унаследованы от исходной модели: возможны фактические ошибки, галлюцинации, некорректная генерация кода, зависимость качества от формулировки запроса и различия в качестве между языками; конвертация может приводить к небольшим числовым отличиям. Модель распространяется по лицензии Apache-2.0.

nreimers/MiniLM-L6-H384-uncased — компактная модель семейства MiniLM, представленная Nils Reimers. Это версия Microsoft MiniLM-L12-H384-uncased, полученная удалением каждого второго слоя; архитектура — BERT с шестью слоями и примерно 25,9 млн параметров. Модель извлекает контекстные признаки из текста и подходит для построения текстовых представлений в NLP-системах. Она поддерживает последовательности длиной до 512 токенов и распространяется в форматах PyTorch и Flax. Модель можно использовать как основу для извлечения признаков в поиске, кластеризации и последующей классификации текста. Уменьшенная глубина делает её компактнее исходной 12-слойной версии, но сама карточка не приводит сравнительных оценок качества. Поддерживаемый язык в карточке не указан. Лицензия — MIT.

unsloth/mistral-7b-bnb-4bit — это напрямую квантизированная 4-битная версия Mistral 7B, подготовленная командой Unsloth с использованием bitsandbytes. Модель предназначена для запуска и дообучения в экосистеме Transformers, в том числе в доступных GPU-средах вроде Google Colab и Kaggle. Основные сценарии использования — генерация и продолжение текста, диалоговые приложения, а также fine-tuning на собственных наборах данных. README указывает поддержку английского языка, библиотекой интеграции является Transformers. Архитектура основана на Mistral 7B, однако точные параметры контекста и другие архитектурные характеристики в карточке не приведены. Формат 4-bit уменьшает требования к памяти; для Mistral 7B заявлено снижение использования памяти примерно на 62% при дообучении с инструментами Unsloth. Сильные стороны модели — компактное 4-битное представление и ориентированность на эффективное дообучение, включая последующий экспорт в GGUF или использование с vLLM. Ограничения включают возможное снижение точности из-за квантизации, зависимость от совместимого программного окружения и отсутствие в README подробных результатов оценки качества. Модель распространяется по лицензии Apache-2.0.

Это пакет слоёв GGUF для Mistral Medium 3.5 128B UD-Q4_K_XL, подготовленный Mesh LLM для распределённого вывода. Он создан на основе unsloth/Mistral-Medium-3.5-128B-GGUF и разбивает исходное распределение GGUF на артефакты по слоям для запуска модели на локальном кластере Mesh LLM. Пакет предназначен для приватного локального чата и генерации текста, в том числе на нескольких машинах, когда модель целиком не помещается на одном узле. Mesh LLM поддерживает OpenAI-совместимый интерфейс чата и дополнений. Вариант квантования — UD-Q4_K_XL; архитектурные подробности, контекст и языки следует уточнять по карточке исходной модели.

Это пакет GGUF-слоёв модели Mistral-Small-3.2-24B-Instruct-2506-UD-Q4_K_XL, подготовленный Mesh LLM для распределённого инференса. Пакет создан из unsloth/Mistral-Small-3.2-24B-Instruct-2506-GGUF и сохраняет веса в виде отдельных артефактов по слоям для запуска на кластере Mesh LLM. Модель предназначена для локального диалогового инференса, в том числе на нескольких машинах, когда полный GGUF-файл трудно разместить на одном узле. Через Mesh LLM она поддерживает чат и совместимый с OpenAI интерфейс chat completions. Репозиторий содержит вариант UD-Q4_K_XL в формате GGUF layer-package; сведения об архитектуре, контекстном окне, языках и лицензии следует сверять с карточкой исходной модели.

Модель Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_8 — классификатор текста на основе BERT, опубликованный пользователем Jeevesh8 на Hugging Face. Она предназначена для задачи QQP (Quora Question Pairs): определения, являются ли два вопроса дубликатами или семантически эквивалентными формулировками. Модель относится к семейству BERT и поддерживает конвейер text-classification. Модель содержит около 136,7 млн параметров и имеет максимальную длину контекста 512 токенов. Она подходит для бинарной классификации пар вопросов, дедупликации пользовательских запросов и оценки семантической близости формулировок. Модель не предназначена для генерации текста, ответов на вопросы или распознавания речи. Лицензия в доступных данных не указана.

MOSS-VL-Instruct-0708 — мультимодальная модель OpenMOSS, полученная supervised fine-tuning базовой MOSS-VL-Base-0708. Она предназначена для офлайн-анализа изображений и видео, следования инструкциям и визуальных рассуждений. Модель принимает текст, изображения и видео и использует архитектуру vision-language с cross-attention, связывающую визуальные представления с языковыми токенами. В README указаны 11 млрд параметров, контекст 256K и поддержка английского и китайского языков. Модель подходит для распознавания текста и разбора документов по изображениям, описания визуальных сцен, ответов на вопросы по видео, распознавания действий и локализации событий по времени. Для видео она использует абсолютные временные метки кадров, а XRoPE кодирует координаты времени, высоты и ширины. Выпущена под лицензией Apache-2.0. Ограничения включают плотные видео, узкоспециализированные области, мелкий текст на изображениях и задачи со строгими числовыми рассуждениями; для них могут потребоваться настройка выборки кадров, специальные инструкции или дообучение.

cicero-ai/multi-qa-mpnet-base-cos-v1-rust — вариант модели multi-qa-mpnet-base-cos-v1, опубликованный под именем cicero-ai; README описывает исходную модель Sentence Transformers, разработанную в рамках Community Week Hugging Face для проекта по обучению моделей эмбеддингов предложений. Это MPNet-base с 136,7 млн параметров, который кодирует предложения и абзацы в нормализованные плотные векторы размерности 768. Модель предназначена прежде всего для семантического поиска: по запросу или вопросу помогает находить релевантные текстовые фрагменты. Модель дообучена на примерно 215 млн пар «вопрос — ответ» из разных источников с использованием контрастивного обучения и mean pooling. Нормализация векторов позволяет использовать скалярное произведение вместо косинусного сходства. Поддерживается английский язык; контекст составляет до 514 токенов по метаданным, а README указывает предел в 512 word pieces и сообщает, что обучение проводилось на текстах длиной до 250 word pieces. Более длинный текст может обрезаться, а качество на нём может снижаться. В метаданных указаны форматы PyTorch и safetensors; лицензия не установлена по предоставленным данным.

NanoVDR-D-Fast-Qwen3VL8B-4096 — визуальная башня документов для поиска по страницам, разработанная проектом NanoVDR. Это 457-миллионная модель-энкодер, которая принимает изображение страницы любого разрешения и выдаёт один L2-нормализованный вектор размерности 4096 для поиска по сходству с помощью скалярного произведения. Архитектура сочетает динамическую нарезку страницы на фрагменты, InternViT-300M-448, линейные проекции и ModernBERT-base с усреднением признаков. Она предназначена для построения векторных индексов документов и работает в общем пространстве эмбеддингов с совместимой башней запросов NanoVDR. Модель получена дистилляцией замороженной Qwen3-VL-Embedding-8B: обучение выравнивало векторы страниц с эмбеддингами учителя без меток релевантности и контрастивного обучения. Для изображения используются не более двух фрагментов и миниатюра; это снижает вычислительные затраты, но может ухудшать представление очень плотных страниц. В README результаты оценки приведены для наборов ViDoRe, поэтому качество на иных типах документов и распределениях запросов не установлено. Репозиторий распространяется по лицензии MIT.

Nemostein-3-Hermes-Omni-30b-a3b — модель на базе GestaltLabs/Nemostein-3-Hermes-Omni-30b-a3b, опубликованная в формате GGUF и квантизированная mradermacher. По доступным метаданным, это текстовая conversational-модель на базе Transformers с архитектурой Mixture-of-Experts; в названии указаны параметры 30b и a3b. Заявлен английский язык. Модель предназначена для генерации текста и диалоговых сценариев, включая reasoning, tool use и function calling. В метаданных также указаны SFT, LoRA и Unsloth, однако подробности обучения, поддерживаемые модальности, размер контекста и результаты тестирования не приведены. Поэтому возможности, связанные с обозначением Omni, нельзя подтвердить по представленному README. Доступно множество вариантов квантизации GGUF с объёмом файлов примерно от 18 до 33,6 ГБ. Более компактные варианты требуют меньше ресурсов, но могут заметно уступать по качеству; среди рекомендованных автором указаны i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Лицензия обозначена как other, но её конкретные условия в README не раскрыты.

Nemotron-3-Embed-8B-Community-NVFP4 — мультиязычная модель для получения текстовых эмбеддингов, разработанная и опубликованная shadowrock-io на основе nvidia/Nemotron-3-Embed-8B-BF16. Это квантизированная версия базовой модели в формате NVFP4/FP4 с 4-битным представлением, предназначенная для задач семантического поиска, dense retrieval, vector search, feature extraction и построения RAG-систем. Модель ориентирована на использование с vLLM и поддерживает формат Safetensors. Модель работает с текстом и предназначена для сопоставления смысловой близости запросов и документов. В README заявлена поддержка английского, русского, китайского, арабского, немецкого, французского, испанского, японского, корейского, украинского и других языков; полный перечень включает 30 языков. Указана поддержка подхода Matryoshka, однако размерность эмбеддингов и максимальная длина контекста не приведены. К сильным сторонам относятся снижение требований к памяти и вычислительным ресурсам благодаря NVFP4-квантизации, мультиязычность и ориентация на retrieval-сценарии. В предоставленных результатах MTEB модель показывает высокие значения NDCG@10 на отдельных наборах, включая HumanEvalRetrieval — 1,0, WikiSQLRetrieval — 0,99459 и MBPPRetrieval — 0,95722, однако качество зависит от предметной области. Ограничения включают отсутствие подробностей об архитектуре, размере контекста и официальных характеристиках производительности, а также то, что в README инференс помечен как неподтверждённый. Модель распространяется по лицензии openmdw-1.1, обозначенной в карточке как other.

NeonMaid-12B-v2 — объединённая языковая модель yamatazen, созданная методом Arcee Fusion с помощью mergekit на основе NeonMaid-12B и Orihime-Gutenberg-12B. Модель построена на архитектуре Mistral, содержит 12,1 млрд параметров и предназначена для генерации текста в диалоговом формате; в метаданных также заявлен интерфейс для вызова инструментов. Модель принимает текст и генерирует текст. Карточка и метаданные указывают английский и японский языки. Нативная длина контекста — 131 072 токена. Веса представлены в формате safetensors; README указывает bfloat16 для объединения. Лицензия в предоставленных данных не указана.

TobDeBer/Olmo-3-1025-7B-magic1 — преобразованная с помощью Magic V1 версия языковой модели OLMo 3 7B, разработанной Allen Institute for AI (Ai2). Это плотная авторегрессионная Transformer-модель примерно с 6,9 млрд параметров, предназначенная для генерации текста и продолжения запросов. Модель обучалась на данных Dolma 3; карточка описывает этапы предварительного обучения, дообучения на смешанных данных и обучения для длинного контекста. Модель работает с текстом на английском языке и поддерживает контекст до 65 536 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Подходит для генерации текста, ответов на вопросы, задач по математике и коду, однако конкретное качество на таких задачах зависит от запроса и развёртывания. Это базовая языковая модель без фильтрации безопасности: она может выдавать неточные, предвзятые или вредоносные ответы, поэтому факты следует проверять. Модель и код распространяются по лицензии Apache 2.0.

OpenBuddy разработана командой OpenBuddy как мультиязычная диалоговая модель. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 56,2 млрд параметров, распространяемая в формате safetensors. В README указано, что при создании использованы части весов Yi-34B-32K и Llama-3-70B-Instruct, а дальнейшее обучение проводилось на мультиязычном наборе данных с токенизатором Yi-34B-32K. Модель предназначена для диалогов и генерации текста; поддерживает китайский, английский, французский, немецкий, японский, корейский, итальянский и финский языки. Заявленная длина контекста — 131 072 токена. Модель можно использовать для чат-ботов, ответов на вопросы и создания мультиязычных текстовых сервисов. README рекомендует быстрый токенизатор Transformers; также описан формат запросов, совместимый с развёртыванием через vLLM. Лицензия указана как other; в README упомянуты лицензии исходных компонентов Apache 2.0 и Meta Llama 3 Community License, поэтому условия использования следует проверять для конкретного применения. Модель может выдавать ошибочные, вредные или оскорбительные ответы; разработчики предостерегают от использования в критически важных медицинских, финансовых, юридических и иных высокорисковых сценариях.

OpenThaiLLM-Prebuilt-7B — базовая языковая модель, разработанная командой OpenThaiLLM и продолжающая предобучение Qwen2.5-7B. Это плотная авторегрессионная модель с 7,1 млрд параметров для генерации текста; заявленная длина контекста составляет 131 072 токена. В карточке указаны тайский, китайский и английский языки. Модель предназначена для прикладной адаптации и сценариев генерации, включая RAG, генерацию с ограничениями и задачи рассуждения. README приводит сравнительные результаты на тайских экзаменационных и языковых тестах. Авторы не рекомендуют использовать базовую версию для диалогов без дополнительного постобучения; для адаптации упоминается LoRA. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии Apache-2.0.

Paralel TR-EN Embedder — двуязычная модель эмбеддингов предложений на турецком и английском языках, разработанная на базе BAAI/bge-small-en-v1.5 и дообученная на 882 тысячах параллельных пар переводов. Она использует архитектуру BERT и выдаёт векторные представления размерности 384; максимальная длина последовательности — 64 токена, а нативный контекст по метаданным — 512 токенов. Доступны форматы Safetensors и GGUF. Модель предназначена для поиска семантически близких предложений между турецким и английским языками, выравнивания параллельных корпусов, кластеризации двуязычных документов и первичного поиска для RAG. В проверке на отложенных данных средняя косинусная близость составила около 0,82 для правильных переводов и 0,12 для несвязанных пар. Модель хуже различает тонкие смысловые различия, например смену местоимения, времени или отрицания: оценки сложных отрицательных примеров могут быть близки к оценкам правильных переводов. Поэтому её оценки подходят для грубого поиска и кластеризации, но не для точной проверки корректности перевода. Лицензия — MIT.

Модель создана автором репозитория iambestfeed: это Sentence Transformer, дообученный на датасете wiki-data на основе вьетнамского энкодера vinai/phobert-base-v2. Архитектура RoBERTa содержит около 162,4 млн параметров; модель усредняет токенные представления и преобразует предложение или абзац в плотный вектор размерности 768. Максимальная длина последовательности — 258 токенов по метаданным (в README указано 256); сходство векторов оценивается косинусной мерой. Модель предназначена для семантического поиска и сравнения текстов на вьетнамском языке. Её можно применять для поиска близких по смыслу фрагментов в коллекциях документов, выявления парафразов, кластеризации и классификации текстов на основе эмбеддингов. Для задач, требующих понимания длинных документов, последовательности длиннее указанного предела нужно разбивать на части. Лицензия в предоставленных данных не указана.

piccolo-large-zh — китайская модель текстовых эмбеддингов, разработанная группой General Model Group компании SenseTime Research. Это плотная BERT-модель на 424,3 млн параметров, обученная по двухэтапной схеме: на парах китайских текстов со слабой разметкой, затем на вручную размеченных парах с трудными отрицательными примерами. Модель формирует векторы размерности 1024 и поддерживает последовательности до 512 токенов. Модель предназначена для поиска и сопоставления китайских текстов: семантического поиска, извлечения документов по запросу, оценки сходства, кластеризации и классификации. В C-MTEB авторы приводят среднюю оценку 64,11 по 35 наборам задач. В README описано применение через пакет sentence-transformers. Модель работает с текстом на китайском языке и выдаёт эмбеддинги. Контекст ограничен 512 токенами; в рекомендациях по дообучению максимальная длина запроса составляет 64 токена. Лицензия в предоставленных данных не указана.

Prometheus-Mistral-Nemo-12B — разговорная текстовая модель на архитектуре Mistral, созданная ApolloRaines на основе Mistral-Nemo-Instruct-2407. Авторы применили к весам модели автоматическую оптимизацию через систему jBlaze: модель оценивала свои поведенческие слабые стороны, предлагала изменения, а функциональные тесты определяли, сохранять ли их. Это дообученная версия размером 12,1 млрд параметров с контекстом до 131 072 токенов; доступны веса Safetensors. Модель поддерживает английский язык и интерфейс вызова инструментов. Модель предназначена для диалога и генерации текста с акцентом на проверку предположений, обозначение неопределённости, самокоррекцию, анализ альтернатив и распознавание вводящих в заблуждение формулировок. В README приведён результат 43 из 50 на наборе вопросов-ловушек; качество длинных ответов, по утверждению авторов, сопоставимо с базовой моделью. Эти результаты основаны на описанных авторами тестах и не гарантируют точность в других сценариях. Модель распространяется по лицензии Apache-2.0; система jBlaze, использованная для модификации весов, является проприетарной.