I.14Автоматизация процессов и AI-агенты

Это англоязычный разреженный CSR-энкодер, созданный на базе mixedbread-ai/mxbai-embed-large-v1 и дообученный на наборе Natural Questions с использованием Sentence Transformers. Модель предназначена для преобразования запросов и текстовых фрагментов в векторы для семантического поиска и разреженного информационного поиска. Архитектура основана на BERT; размерность векторного пространства — 4096, при этом в выходе может быть не более 256 активных измерений. Для сравнения векторов используется косинусное сходство. Максимальная длина входа составляет 512 токенов. Модель содержит около 433,9 млн параметров и распространяется в формате safetensors. Карточка приводит результаты оценивания на небольших наборах для поиска, включая Natural Questions и MS MARCO; точность зависит от числа активных измерений. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0.

csr-mxbai-embed-large-v1-nq-original — англоязычный разреженный энкодер CSR, дообученный на Natural Questions командой или автором репозитория tomaarsen на базе mixedbread-ai/mxbai-embed-large-v1 с помощью Sentence Transformers. Модель преобразует запросы, предложения и абзацы в разреженные векторы размерностью 4096; близость оценивается скалярным произведением. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и разреженного извлечения документов, в том числе для поиска ответов в коллекциях вопросов и ответов. В карточке приведены оценки поиска на Natural Questions и наборах Nano BEIR, включая MS MARCO, NFCorpus и Quora Retrieval. Для некоторых оценок указано ограничение числа активных измерений до 128 или 256. Модель принимает текст и выдаёт векторные представления. Она рассчитана на английский язык, использует архитектуру BERT и распространяется в формате safetensors по лицензии Apache-2.0. Она создаёт эмбеддинги для поиска, а не готовые ответы; заявленная длина контекста ограничена 512 токенами.

Cydonia-v1.2-Magnum-v4-22B-OLD — объединённая языковая модель на архитектуре Mistral, опубликованная пользователем knifeayumu. Она создана методом task arithmetic с помощью mergekit из TheDrummer/Cydonia-22B-v1.2 и anthracite-org/magnum-v4-22b с равными весами; размер модели — 22 млрд параметров, формат файлов — safetensors, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалогов, включая создание связной прозы на английском языке. Метаданные также отмечают интерфейс для вызова инструментов. Для использования доступны отдельные GGUF-квантизации, однако этот репозиторий содержит исходную объединённую модель в safetensors. Лицензия указана как other, поэтому перед применением следует проверить условия на странице модели.

DDPOO-7B-slerp — плотная языковая модель семейства Mistral с 7,1 млрд параметров, созданная слиянием двух моделей с помощью mergekit и метода slerp. В метаданных указана базовая модель CultriX/MistralTrix-v1; конфигурация README также называет Weyaxi/OpenHermes-2.5-neural-chat-v3-3-openchat-3.5-1210-Slerp и EmbeddedLLM/Mistral-7B-Merge-14-v0.1 источниками слияния. Модель предназначена для генерации текста и диалоговых ответов. Она принимает текст и выдаёт текст, а заявленная длина контекста составляет 32 768 токенов. Метаданные базовой модели описывают её как ориентированную на английский язык; отдельные языки для DDPOO-7B-slerp в карточке не перечислены. Модель распространяется по лицензии Apache-2.0.

tasksource/deberta-small-long-nli — англоязычная модель Tasksource, созданная дообучением DeBERTa-v3-small на задачах естественного языкового вывода. Архитектура DeBERTa V2 для классификации последовательностей содержит около 155 млн параметров и поддерживает контекст до 1680 токенов. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache 2.0. Модель предназначена для классификации по произвольным меткам через zero-shot-подход на основе NLI, определения логического следования между текстами и дообучения для классификаторов и других задач понимания текста. Среди обучающих данных — наборы NLI, логического рассуждения, проверки фактов и предпочтений; для длинных задач NLI увеличивали долю примеров при обучении. Карточка приводит результаты проверок на нескольких задачах, но не гарантирует качество для конкретного применения. Основной язык модели — английский. Она принимает текстовые последовательности и выдаёт оценки классов или отношений следования. Контекст длиннее, чем у стандартной версии DeBERTa-v3-small, но ограничен 1680 токенами. Результаты zero-shot классификации зависят от формулировки текста и меток; языки, кроме английского, в карточке не заявлены.

Это пакет слоёв GGUF модели DeepSeek-V3.1-UD-Q4_K_XL для распределённого запуска в Mesh LLM. Пакет подготовлен из unsloth/DeepSeek-V3.1-GGUF и содержит модель, разделённую на артефакты по слоям для совместной обработки несколькими компьютерами. Модель предназначена для локального диалогового инференса, в том числе на нескольких узлах, когда полный файл модели трудно разместить на одной машине. Через локальный API Mesh LLM её можно использовать в сценариях, совместимых с OpenAI Chat Completions. Карточка указывает вариант квантования UD-Q4_K_XL; подробности об архитектуре, размере и лицензии следует сверять с карточкой исходной модели.

DevQuasar-R1-Uncensored-Llama-8B — объединённая авторами DevQuasar языковая модель для генерации текста и диалогов. Она создана методом линейного слияния трёх моделей: DeepSeek-R1-Distill-Llama-8B, LLama-3.1-8B-HyperNova-abliteration и Llama-3.1-8B-Lexi-Uncensored-V2. Архитектура — плотная LlamaForCausalLM; размер — 7,5 млрд параметров, контекст — до 131 072 токенов. Модель предназначена для диалоговых ответов, рассуждений и задач общего характера. В README приведены результаты оценивания, включая HellaSwag, и заявлено улучшение по большинству тестов относительно DeepSeek-R1-Distill-Llama-8B, однако подробности таблицы в карточке представлены не полностью. Модель распространяется по лицензии MIT.

Diver-Retriever-4B-1020 — двуязычная модель текстовых эмбеддингов, разработанная AQ-MedAI на основе Qwen/Qwen3-Embedding-4B и дообученная для задач поиска и сопоставления запросов и документов. Обучение использовало данные из математики, программирования и медицины, а также специально подобранные сложные отрицательные примеры. Модель содержит около 3,7 млрд параметров, построена на плотной архитектуре Qwen3 и поддерживает контекст до 40 960 токенов. Она предназначена для семантического поиска и ранжирования, включая запросы на китайском и английском языках; авторы сообщают о результатах на BRIGHT и медицинском бенчмарке MTEB-Medical. Доступна в формате Safetensors для Transformers под лицензией Apache-2.0.

dots.llm1.base — базовая языковая модель семейства dots.llm1, разработанная командой dots1. Она предназначена для генерации и продолжения текста, а также служит основой для диалоговых приложений и дальнейшей настройки под инструкции. Модель построена на разреженной архитектуре Mixture of Experts (MoE): в README указаны 142 млрд параметров всего и 14 млрд активируемых при инференсе. Архитектура включает 62 слоя, multi-head attention с QK-Norm, маршрутизацию к 6 из 128 экспертов и 2 общих эксперта. Репозиторий содержит веса в формате Safetensors; контекст составляет 32 768 токенов. Поддерживаются английский и китайский языки. Разработчики сообщают о предобучении на высококачественном корпусе без синтетических данных и о производительности на уровне Qwen2.5-72B. Модель распространяется по лицензии MIT. Карточка описывает серию, включающую базовую и настроенную на инструкции версии; приведённые характеристики серии не гарантируют одинаковое качество на всех задачах.

dParallel-LLaDA-8B-instruct — чат-модель на архитектуре LLaDA, разработанная Zigeng Chen и соавторами из xML Lab Национального университета Сингапура. Это вариант LLaDA-8B-Instruct, обученный методом дистилляции certainty-forcing для ускорения параллельного декодирования диффузионных языковых моделей: модель быстрее достигает уверенности в маскированных токенах, сохраняя качество исходной модели. Модель предназначена для генерации текста в диалоге и выполнения задач, решаемых базовой инструктивной моделью. В экспериментах число шагов декодирования сокращалось с 256 до 30 на GSM8K и до 24 на MBPP, что соответствовало ускорению в 8,5 и 10,5 раза без снижения качества на этих тестах. Такие результаты относятся к указанным бенчмаркам и не гарантируют аналогичного ускорения в других сценариях. Репозиторий содержит веса в формате safetensors; для использования указана библиотека Transformers. Лицензия — MIT.

EVIE-Preview-4.5B — мультимодальная модель для поиска информации в визуальных документах, разработанная Tencent и представленная как предварительная версия EVIE. Она дообучена на базе Qwen/Qwen3.5-4B и использует архитектуру ColQwen3_5: визуально-языковая основа с линейным и полным вниманием формирует контекстные представления токенов, которые проецируются в векторы размерности 128. Для поиска применяется позднее взаимодействие MaxSim между токенами запроса и визуальными токенами страниц. Модель кодирует запросы и страницы документов для мультиязычного поиска по графикам, таблицам, научным отчётам, финансовой отчётности и сканированным формам. В README указано 4,54 млрд параметров; модель распространяется в формате safetensors, а карточка заявляет лицензию Apache-2.0. На ViDoRe V3 и ViDoRe V1+V2 представлены результаты бенчмарков, включая первое место в таблицах сравнения README. Поддерживаются запросы на английском, французском, немецком, итальянском, испанском, португальском и китайском языках; среди документов также упоминаются страницы на японском. Это предварительный чекпойнт: README рекомендует вместо него более новые модели EVIE. Для индексации он формирует много токен-векторов на страницу, поэтому объём индекса может быть значительным; приведённая оценка для 1 млн страниц при 1792 токенах на страницу — 420,5 ГиБ в BF16.

Experiment26Neuralsirkrishna_YamMulti_verse_model — объединённая модель генерации текста на базе архитектуры Mistral, созданная слиянием automerger/Experiment26Neuralsirkrishna-7B и automerger/YamMulti_verse_model-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и диалогов. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. README не описывает специальные возможности или целевые области применения, поэтому модель следует рассматривать как инструмент общего назначения.

Flammades-Mistral-7B — диалоговая языковая модель FlammenAI на архитектуре Mistral с 7,1 млрд параметров. Она дообучена методом ORPO в течение трёх эпох на наборах flammenai/Date-DPO-NoAsterisks и jondurbin/truthy-dpo-v0.1 поверх nbeerbower/Hermes2-Gutenberg2-Mistral-7B. Модель предназначена для генерации текста и ответов на инструкции в диалоге; заявленное контекстное окно — 32 768 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Transformers. Лицензия — Apache-2.0.

flammen9-mistral-7B — объединённая авторегрессионная языковая модель на архитектуре Mistral, созданная flammenai с помощью mergekit. В объединение вошли flammen8-mistral-7B, flammen5-mistral-7B и flammen3X; базовой указана flammen8-mistral-7B, а метод слияния — DARE TIES. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и сценариев на основе языковой модели: продолжения запросов и создания ответов. В метаданных указан pipeline text-generation; конкретные специализации, наборы данных и основные языки в предоставленных сведениях не обозначены. Файлы представлены в формате safetensors, библиотека — Transformers. Модель распространяется по лицензии Apache-2.0. Поскольку это слияние нескольких предварительно обученных моделей, её качество и поведение могут различаться в зависимости от задачи; отдельные гарантии качества или подробные ограничения в карточке не описаны.

GATE-AraBert-v1 — модель эмбеддингов арабского текста, разработанная Omartificial-Intelligence-Space. Это Sentence Transformer на архитектуре BERT, дообученный в многозадачном режиме для сопоставления смысла предложений. Модель создаёт векторы размерности 768 и использует косинусное сходство для сравнения текстов. Модель предназначена для семантического поиска, поиска похожих предложений и оценки смыслового сходства арабских текстов. В обучении использованы наборы данных AllNLI и STS; метаданные также указывают Arabic-stsb и Arabic-NLi-Pair-Class. Максимальная длина последовательности — 512 токенов, число параметров — 162,4 млн. Модель принимает текст и выдаёт эмбеддинги; для использования предусмотрена библиотека Sentence Transformers. Модель лицензирована по Apache-2.0. Результаты зависят от предметной области и качества входных текстов; карточка приводит оценку на STS-бенчмарках, но не гарантирует качество для любых задач или доменов.

Danny-Dasilva/gemma-4-12B-it-W4A16-GPTQ-g32-DSpark — квантизированная версия инструкционной модели Google Gemma 4 12B-it, подготовленная для ускоренного speculative decoding с использованием DSpark. Модель предназначена для генерации текста и диалоговых сценариев, включая работу через vLLM; рекомендуется применять чат-шаблон Gemma 4 и draft-модель deepseek-ai/dspark_gemma4_12b_block7. Модель использует посттренировочную GPTQ-квантизацию int4 в формате W4A16 с group_size=32, симметричными весами и weights-only quantization. Размер весов составляет около 7,8 ГБ; заявлена поддержка контекста до 8192 токенов в конфигурации vLLM. Указан английский язык. Модель основана на нетронутых bf16-весах google/gemma-4-12B-it и сохраняет совместимость с DSpark: заявлены скорость до 198,2 токена в секунду и ускорение 1,73 раза на одной RTX 5090 при использовании рекомендованной конфигурации. Сильные стороны модели — существенно сниженное потребление памяти, возможность запуска на видеокарте с 32 ГБ памяти и высокая эффективность совместно с DSpark. Ограничения включают зависимость максимальной производительности от конкретной аппаратной и программной конфигурации, необходимости совместимой версии vLLM, FlashInfer и отдельной draft-модели. Для корректной работы требуется использовать чат-шаблон; без него генерация может быть некорректной. Модель распространяется на условиях Gemma Terms of Use.

Ninjasin/guard-ai-apex-1.5b — дообученная Ninjasin языковая модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 1,5 млрд параметров. Базовая модель — unsloth/qwen2.5-coder-1.5b-instruct-bnb-4bit; при обучении использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста в диалоговом формате и поддерживает интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. В метаданных указан английский язык и контекст длиной до 32 768 токенов. Весы опубликованы в формате safetensors, лицензия — Apache-2.0. Карточка не уточняет специализацию названия Guard AI Apex, поэтому её защитные или охранные функции нельзя считать подтверждёнными.

facebook/hubert-large-ls960-ft — модель распознавания речи от Facebook, построенная на архитектуре HuBERT Large и дообученная на 960 часах LibriSpeech. Она преобразует речь в текст и рассчитана на распознавание английской речи, записанной с частотой дискретизации 16 кГц; входной аудиосигнал следует подавать с этой частотой. Модель содержит около 402,7 млн параметров и доступна в форматах PyTorch и TensorFlow. HuBERT использует самоконтролируемое обучение речевых представлений: при предобучении модель учится предсказывать кластерные метки на маскированных фрагментах аудио, а затем дообучается для распознавания речи. Подходит для транскрибирования англоязычных записей и аудио из наборов LibriSpeech-подобного типа. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит конкретных метрик распознавания этой версии; качество зависит от условий записи и соответствия входа требованиям по частоте дискретизации.

facebook/hubert-xlarge-ls960-ft — модель распознавания речи от Facebook на базе архитектуры HuBERT. Это версия HuBERT Extra-Large, дообученная на 960 часах LibriSpeech; базовая модель — facebook/hubert-xlarge-ll60k. Архитектура использует самонаблюдаемое обучение речевых представлений с маскированным предсказанием и офлайн-кластеризацией, а для распознавания применяет CTC. Модель преобразует аудиозаписи английской речи в текст и предназначена для задач автоматического распознавания речи. Для входа требуется аудио с частотой дискретизации 16 кГц. В карточке упоминаются LibriSpeech и Libri-Light, но дообучение этой версии проводилось на LibriSpeech. Модель выпущена по лицензии Apache-2.0.

Hy3-NVFP4 — квантизированная версия языковой модели Tencent Hy3, созданная Tiyuvta. Модель предназначена для генерации текста, диалоговых сценариев и задач с вызовом инструментов. Это открытый артефакт весов, а не готовый облачный endpoint. Модель представляет собой weight-only NVFP4-квантизацию W4A16 в формате safetensors, выполненную из официального BF16-чекпойнта Tencent Hy3 с помощью NVIDIA Model Optimizer 0.46.0. В архитектуре используются mixture-of-experts и multi-token prediction. Большинство весов маршрутизируемых экспертов, включая MTP-слой, хранятся в NVFP4, тогда как attention, embeddings, output head, нормы, router и ряд других компонентов используют BF16 или исходную точность. Активации экспертов остаются в BF16, KV-кэш этой квантизацией не изменяется. Артефакт квалифицирован на серверном движке Tiyuvta на четырёх NVIDIA RTX PRO 6000 Blackwell Server Edition. Проверка показала близость к эталонному ModelOpt-прогону, корректную работу MTP, tool calling, конкурентных запросов и повторного использования кэша. При этом модель ещё не прошла полноценную настройку производительности, экспериментальный wave-режим отключён, а заявленные характеристики производительности отсутствуют. В README не указаны размер модели, поддерживаемые языки и длина контекста. Лицензия — Apache-2.0, унаследованная от исходной модели. Для использования требуется совместимый runtime с поддержкой NVFP4 и соответствующей конфигурации; опубликованный репозиторий содержит модельный артефакт, но Tiyuvta не предоставляет для него hosted model ID.

Inex16Calme-7B — слитая Maxime Labonne модель для генерации текста на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она создана автоматическим слиянием MSL7/INEX16-7b и MaziyarPanahi/Calme-7B-Instruct-v0.1.1 методом SLERP; в конфигурации указана точность bfloat16. Модель подходит для генерации продолжений текста и диалоговых ответов в сценариях, где полезен длинный контекст. Для использования предлагается загрузка через Transformers. Модель распространяется по лицензии Apache-2.0.

ISOM-Qwen-1.5B-Instruct — инструктивно дообученная языковая модель, разработанная Prannessh K.V.A. на базе Qwen/Qwen2.5-1.5B-Instruct. По карточке, архитектура ISOM добавляет к трансформерным слоям рекуррентное сжатие состояния и динамическую INT8-квантизацию, чтобы ограничивать расход памяти KV-кэша при длинных контекстах. Модель предназначена для диалога, генерации текста и извлечения сведений из длинных последовательностей; заявлено окно контекста 32 768 токенов. В README автор заявляет сокращение рабочей памяти кэша и ускорение декодирования на длинных контекстах, включая тесты поиска факта в последовательности. Это заявления карточки; независимая проверка результатов в предоставленных данных отсутствует. Модель содержит около 1,5 млрд параметров, поддерживает английский язык, доступна в формате safetensors и распространяется по лицензии Apache-2.0. Метаданные также отмечают интерфейс для вызова инструментов.

K2S3-Mistral-7b-v1.46 — языковая модель, разработанная K2S3 и дообученная методом SFT на базе mistralai/Mistral-7B-v0.1. Это плотная авторегрессионная модель семейства Mistral с 7,2 млрд параметров, принимающая текст и генерирующая текст; родной контекст — 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на инструкции. При обучении использовались alpaca-gpt4-data и выборки из OpenOrca. В карточке указано обучение с полным обновлением параметров; веса доступны в формате Safetensors. Метаданные отмечают английский язык. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Качество ответов и устойчивость к ошибочным или небезопасным запросам могут зависеть от задачи и формулировки.

Sakalti/Kan1-2.5b — компактная плотная языковая модель для генерации текста на архитектуре Qwen2, созданная слиянием чекпойнтов Qwen/Qwen2.5-7B-Instruct методом Model Stock с помощью mergekit. Модель содержит около 1,9 млрд параметров и принимает контекст до 32 768 токенов. Модель подходит для диалогов, генерации текста и структурированных ответов; метаданные также отмечают интерфейс для вызова инструментов. Она использует библиотеку Transformers и распространяется в формате safetensors. В README и метаданных не описаны отдельная специализация, языковой охват и результаты оценки качества, поэтому конкретные сценарии требуют проверки на собственных данных. Лицензия в предоставленных источниках не указана.

Карточка модели Resggg/Kimi-K3-Abliterated-modal на Hugging Face совпадает с карточкой SHSLab/Kimi-K3-Abliterated, поэтому описание составлено по ней. SHS-Lab/Kimi-K3-Abliterated — открытая мультимодальная модель на основе Kimi K3, обработанная методом abliteration для ослабления отказов, связанных с механизмами выравнивания. Она предназначена для исследований механизмов отказа, red-team-оценки и контролируемых экспериментов. Архитектура унаследована от базовой модели: Mixture-of-Experts с 2,8 трлн параметров, Kimi Delta Attention и Attention Residuals; модель поддерживает контекст до 1 млн токенов, изображения и видео наряду с текстом. Модель подходит для программирования, многошаговых агентных задач, анализа документов и работы с визуальными данными. По заявлению карточки, ослабление отказов нацелено на запросы на английском и японском языках и не добавляет новых знаний или возможностей; возможны небольшие изменения тона и формулировок. Независимая оценка этой версии не проводилась, поэтому точность для конкретных задач следует проверять отдельно. Модель распространяется с весами для самостоятельного развёртывания по лицензии Kimi K3 License; карточка не рекомендует её для неконтролируемого использования в пользовательских продуктах или там, где обязательна модерация контента.

hyuk2010/klue-roberta-base-klue-sts — модель Sentence Transformers, дообученная на базе klue/roberta-base для сравнения смысла корейских предложений. Она преобразует предложения и абзацы в плотные векторы размерности 768; архитектура включает RoBERTa и mean pooling, а близость векторов оценивается косинусным сходством. Модель содержит 137,8 млн параметров. Максимальная длина последовательности указана как 512 токенов в README и 514 токенов в метаданных. Модель предназначена для семантического поиска, поиска перефразировок, кластеризации и сравнения текстов по смыслу. Для обучения использовались 10 501 пара корейских текстов с оценками сходства. В README приведены оценки на двух таблицах, но они заметно различаются, поэтому качество на целевых данных следует проверять отдельно. Модель принимает текст и выдаёт эмбеддинги; опубликована в формате safetensors и рассчитана на использование с библиотекой Sentence Transformers. Лицензия в предоставленных данных отсутствует.

LeeGH04/klue-roberta-base-klue-sts — модель Sentence Transformers, дообученная на базе klue/roberta-base для сравнения смысла корейских предложений. Она использует архитектуру RoBERTa с усреднением токенных представлений и преобразует текст в плотные векторы размерностью 768; сходство между ними оценивается косинусной мерой. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации корейских текстов. Модель принимает последовательности длиной до 512 токенов (в метаданных указано 514 токенов контекстного окна). В README приведены результаты оценки сходства, включая Spearman 0,924 на одном из наборов данных; результаты на другом наборе заметно ниже. Доступна в формате safetensors и рассчитана на использование с библиотекой Sentence Transformers. Лицензия в предоставленных данных не указана.

smartmind/ko-sbert-augSTS-maxlength512 — модель эмбеддингов предложений на базе BERT, опубликованная smartmind. Она преобразует предложения и абзацы на корейском языке в плотные векторы размерностью 768 для поиска по смыслу, кластеризации и сравнения семантической близости. Вариант основан на snunlp/KR-SBERT-V40K-klueNLI-augSTS и поддерживает входную последовательность длиной до 512 токенов. Модель подходит для семантического поиска и группировки корейских текстов, а также может использоваться как представление текста в задачах классификации документов. В README приведён результат 0,8628 для KR-SBERT-V40K-klueNLI-augSTS в сравнении моделей на задаче классификации документов; этот показатель не следует считать гарантией качества для данного репозитория или иных наборов данных. Доступны веса PyTorch, лицензия MIT.

KURE-v1 — модель текстовых эмбеддингов для поиска по документам, разработанная NLP&AI Lab. Это дообученная версия BAAI/bge-m3 на корейских данных для поиска по парам «запрос — документ»; карточка указывает около 2 миллионов обучающих примеров и использование CachedGISTEmbedLoss. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров, выдаёт векторы размерности 1024 и поддерживает последовательности до 8192 токенов. Модель предназначена прежде всего для семантического поиска на корейском языке: её можно применять для извлечения релевантных документов, поиска по длинным текстам и построения retrieval-компонента RAG. В карточке заявлена поддержка корейского и английского языков; бенчмарки охватывают общие и прикладные корейские документы, включая финансы, государственные услуги, медицину, право и коммерцию. На приведённых усреднённых результатах KURE-v1 превосходит сравниваемые модели на нескольких значениях k, однако результаты относятся к указанным наборам данных и не гарантируют качество на других корпусах. Лицензия — MIT.

LCO-Embedding-Omni-3B — мультимодальная модель эмбеддингов из семейства LCO-Embedding, разработанная авторами работы «Scaling Language-Centric Omnimodal Representation Learning», принятой на NeurIPS 2025. Она использует компонент thinker модели Qwen2.5 Omni без компонента talker и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для получения векторных представлений текста, изображений, аудио, видео и документов, сочетающих несколько модальностей. Эмбеддинги подходят для поиска и сопоставления материалов по смыслу; в README приведены сценарии текстового, визуального, аудио- и видеопоиска. Авторы сообщают о результатах уровня state of the art на MIEB и MAEB; аудиоданные при этом не использовались для обучения модели. В карточке описаны мультимодальная архитектура и возможности эмбеддингов, но не приведены точное число параметров и длина контекста. Модель выдаёт векторные представления, а не аудио или видео. README не уточняет ограничения применимости и языковой охват; среди заявленных сценариев есть поиск по визуальным документам на языках Юго-Восточной Азии.