I.14Автоматизация процессов и AI-агенты

Карточка модели Youmnaaaa/Semantic-model на Hugging Face совпадает с карточкой sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, поэтому описание составлено по ней. paraphrase-multilingual-MiniLM-L12-v2 — модель Sentence-Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель построена на архитектуре BERT с 12 слоями MiniLM; объём составляет 124,3 млн параметров, а максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, поиска похожих формулировок и кластеризации текстов. Она поддерживает много языков, включая русский, и может сопоставлять предложения на разных языках. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Векторы фиксированной размерности и лимит в 512 токенов ограничивают представление длинных документов; для абзацев и документов обычно требуется разбиение на фрагменты.

ys7yoo/sentence-roberta-klue-sts — модель Sentence-Transformers на архитектуре RoBERTa для сопоставления смысла предложений и абзацев. Она преобразует текст в плотные векторы размерности 768, пригодные для семантического поиска, кластеризации и вычисления сходства. В метаданных указано 137,8 млн параметров и контекст длиной до 514 токенов. Модель обучалась с функцией CosineSimilarityLoss и использует PyTorch. Она подходит для построения эмбеддингов и ранжирования текстов по смысловой близости. Название и данные карточки указывают на связь с KLUE STS, однако подробности обучающего набора, точные поддерживаемые языки и условия лицензии в предоставленных источниках отсутствуют.

KingName1/sentence_transformer — модель Sentence Transformers на архитектуре MPNet, предназначенная для преобразования предложений и коротких абзацев в плотные семантические векторы размерности 768. README описывает её как дообученную на основе microsoft/mpnet-base с контрастивной целью на более чем миллиарде пар предложений; метаданные указывают 136,7 млн параметров и библиотеку sentence-transformers. Входной текст кодируется для семантического поиска, сравнения сходства и кластеризации.

Это объединённая авторами MaziyarPanahi языковая модель на архитектуре Mistral, созданная методом SLERP из mistralai/Mistral-7B-Instruct-v0.1 и uukuguy/speechless-mistral-six-in-one-7b-orth-1.0. Модель содержит 7,1 млрд параметров и предназначена для генерации текста в ответ на инструкции и диалоговые запросы, включая задачи с кодом. Модель принимает текст и генерирует текст. Заявленная длина контекста — 32 768 токенов; основной естественный язык карточки — английский. В репозитории указаны веса Safetensors и лицензия Apache-2.0. README не приводит отдельных оценок качества или подробных ограничений применимости.

Tess-2.0-Mixtral-8x22B — универсальная языковая модель серии Tess, разработанная migtissera и дообученная на базе mistral-community/Mixtral-8x22B-v0.1. Это разреженная модель класса MoE с архитектурой Mixtral; в метаданных указано 22B параметров и контекстное окно до 65 536 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и выполнения инструкций в общих сценариях, включая задачи с кодом. Для диалога в карточке приведён формат с ролями SYSTEM, USER и ASSISTANT. Дообучение выполнено в течение одной эпохи на наборе Tess-2.0 примерно из 25 тысяч высококачественных примеров общего назначения и кода, с подходом, основанным на принципах LIMA. Модель описана как мало ограничивающая генерацию; разработчик предупреждает, что она может выдавать неточные или вводящие в заблуждение ответы, а также предвзятый, оскорбительный или неподходящий контент. Лицензия — Apache-2.0.

shibing624/text2vec-base-multilingual — многоязычная модель эмбеддингов предложений, разработанная командой text2vec. Она дообучена методом CoSENT на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и преобразует предложения или короткие абзацы в плотные векторы размерности 384 для сравнения семантической близости. Модель содержит 124,3 млн параметров, использует архитектуру BERT и библиотеку sentence-transformers; длина контекста — до 512 токенов по метаданным, а README указывает ограничение 256 word pieces, после которого вход усекается. Модель предназначена для семантического поиска, сопоставления текстов, оценки сходства предложений, кластеризации и получения векторных представлений. В README заявлена поддержка немецкого, английского, испанского, французского, итальянского, нидерландского, польского, португальского, русского и китайского языков; метаданные подтверждают все перечисленные языки, кроме испанского. Для модели доступны веса PyTorch, safetensors и ONNX. Лицензия — Apache-2.0. Карточка сообщает об улучшении относительно базовой модели на тестах для китайского и английского языков, но не приводит здесь численных результатов именно для этой модели.

Карточка модели sergabrr/tourrf-e5-large-full-v3 на Hugging Face совпадает с карточкой intfloat/multilingual-e5-large, поэтому описание составлено по ней. Multilingual-E5-large — многоязычная модель эмбеддингов текста, опубликованная intfloat; её технический отчёт подготовили Liang Wang, Nan Yang, Xiaolong Huang, Linjun Yang, Rangan Majumder и Furu Wei. Модель основана на XLM-RoBERTa-large и имеет 24 слоя с размерностью эмбеддинга 1024. Она принимает текст и выдаёт векторные представления для поиска и сравнения текстов. Модель предназначена для межъязыкового и многоязычного поиска, ранжирования passage по запросу, оценки семантического сходства, поиска перефразировок и использования эмбеддингов в кластеризации или классификации. При обучении текстовые роли задаются префиксами `query:` и `passage:`; их следует выбирать в соответствии со сценарием, иначе качество может снизиться. Поддерживаются 100 языков XLM-RoBERTa, включая русский, однако для языков с небольшим объёмом ресурсов качество может быть ниже. Вход ограничен 512 токенами, а более длинный текст обрезается. Лицензия — MIT.

UltraLink-LM — мультиязычная авторегрессионная языковая модель на архитектуре Transformer, разработанная OpenBMB. Это дообученная модель семейства Llama-2 размером около 13 млрд параметров, предназначенная для генерации текста по инструкциям и многораундового диалога на английском, французском, русском, испанском и китайском языках. Модель ориентирована на ответы в чате, написание кода и решение математических задач. При дообучении использовались UltraLink, UltraChat, наборы Magicoder, MetaMathQA и англоязычная часть ShareGPT; карточка сообщает о сравнительных оценках на мультиязычных бенчмарках кода, математики и диалога. Контекст модели — 4096 токенов. Веса опубликованы в формате safetensors под лицензией MIT. Заявленные возможности и качество основаны на оценках из карточки; бенчмарки для части языков были переведены с помощью GPT-3.5, а сама карточка отмечает возможную предвзятость оценок. Модель имеет 12,9 млрд параметров, поэтому для запуска требуется соответствующая вычислительная память.

Это многоязычная модель Sentence Transformer, созданная tomaarsen на основе FacebookAI/xlm-roberta-base и дообученная на парах данных английского с арабским, французским, немецким, испанским, турецким и итальянским. Она преобразует предложения и абзацы в плотные векторы размерности 768; сходство текстов можно оценивать по косинусной мере. Архитектура включает XLM-RoBERTa с усреднением токенных представлений, а максимальная длина последовательности в карточке модели — 128 токенов. В метаданных также указано контекстное окно базовой модели в 514 токенов. Модель предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текста, в том числе в поддерживаемых межъязыковых парах. Карточка приводит результаты оценки для нескольких пар с английским, но качество может различаться между языками и задачами; это модель представлений, а не генеративная модель или система перевода. Размер модели — 305,2 млн параметров. Репозиторий распространяет веса в формате safetensors; лицензия в предоставленных данных не указана.

Zrald/Zrald-qwen3.8-27b-v2 — выпуск GGUF модели Qwen3.8-27B от Zrald, предназначенный для локального запуска через llama.cpp. Это плотная модель с 27,2 млрд параметров; в репозитории представлены три варианта с разным соотношением размера и точности: accuracy, balance и compressed. README сообщает о сравнительных испытаниях на AMD Instinct MI300X и CPU, однако эти результаты относятся к оценке автора и не гарантируют аналогичное качество на других задачах и системах. Модель рассчитана на генерацию текста в диалогах, программирование, анализ документов, ответы на вопросы и многошаговые рассуждения. README описывает локальное обслуживание через OpenAI-совместимый API и приводит рекомендации по памяти и видеопамяти. В метаданных базовая модель указана как Qwen/Qwen3.8-27B, а формат файлов — GGUF; лицензия — Apache-2.0. Карточка не сообщает длину контекста или языковой охват, поэтому эти характеристики здесь не уточняются.

bert-base-1024-biencoder-6M-pairs — двуэнкодерная модель на базе BERT от MosaicML, предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. Она подходит для семантического поиска, кластеризации текстов и поиска документов или фрагментов по смыслу. Модель обучалась на парах текстов; в метаданных перечислены обучающие наборы, включая MS MARCO, Natural Questions, SNLI и MultiNLI. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Карточка указывает английский язык. Лицензия в предоставленных данных не указана.

Это Sentence Transformer от luanafelbarros, дообученный на основе многоязычного энкодера google-bert/bert-base-multilingual-cased. Модель кодирует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их косинусным сходством. В архитектуре используются BERT и усреднение токенных представлений; README указывает максимальную длину последовательности 128 токенов, а метаданные — контекст до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и получения признаков для классификации. Данные обучения содержат пары английских и неанглийских запросов, включая русский и другие языки; это указывает на многоязычное применение, в том числе межъязыковое сопоставление. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Suva/bge-base-finetune-v2 — модель эмбеддингов предложений и абзацев на базе архитектуры BERT, опубликованная в формате Sentence-Transformers. Она преобразует текст в плотные векторы размерностью 768 и подходит для семантического поиска, сравнения смысловой близости и кластеризации. Обучение использовало MultipleNegativesRankingLoss с косинусной мерой сходства; размер модели — 136,7 млн параметров, контекст — до 512 токенов. Модель предназначена для систем поиска по смыслу, группировки текстов и вычисления сходства между фрагментами. README не указывает языки обучения или датасеты, поэтому языковую специализацию определить нельзя. Модель опубликована в форматах PyTorch и Safetensors; сведения о лицензии в доступных данных отсутствуют.

Это модель Sentence Transformer, дообученная на базе BAAI/bge-m3 и предназначенная для представления предложений и абзацев в виде плотных векторов размерности 1024. Её разработчик в предоставленной карточке не назван. Модель использует XLM-RoBERTa, объединяет представление токенов через CLS-пулинг и нормализует векторы; близость текстов можно оценивать косинусным сходством. Модель подходит для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и классификации текста. README указывает максимальную длину последовательности 1024 токена, а метаданные — контекст до 8194 токенов; эти значения расходятся, поэтому фактическую допустимую длину следует сверить с используемой конфигурацией. Для базовой BGE-M3 заявлена многоязычная поддержка, но конкретный набор языков этой версии в предоставленных данных не перечислен. Условия лицензии в источниках не приведены.

BAAI/bge-multilingual-gemma2 — мультиязычная модель эмбеддингов от BAAI на базе google/gemma-2-9b. Это плотная модель семейства Gemma 2 с 9 млрд параметров и контекстом до 8192 токенов; она преобразует текст в векторные представления для поиска и сравнения смысловой близости. Модель обучена на данных для разных языков и задач, включая поиск, классификацию и кластеризацию. В README отмечены английский, китайский, японский, корейский и французский языки, а также результаты на мультиязычных бенчмарках MIRACL, MTEB, C-MTEB и AIR-Bench. Её можно применять для поиска по смыслу, ранжирования кандидатов и группировки похожих текстов. Модель распространяется под лицензией Gemma. Для кодирования по умолчанию используются доступные GPU; README описывает запуск через FlagEmbedding, Sentence Transformers и Transformers. Заявленные высокие результаты относятся к бенчмаркам, поэтому качество на конкретных языках и типах данных следует оценивать отдельно.

Карточка модели sickcell/cti-semantic-search-minilm на Hugging Face совпадает с карточкой yosuaw/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers на базе MiniLM, разработанная в рамках проекта Hugging Face Community Week. Она кодирует предложения и короткие абзацы в плотные векторы размерности 384, отражающие семантическое содержание. Модель обучена контрастивным дообучением предварительно обученной nreimers/MiniLM-L6-H384-uncased на наборе более чем из миллиарда пар предложений. Модель предназначена для семантического поиска, извлечения информации, сравнения сходства предложений и кластеризации текстов. Архитектура — BERT-подобный MiniLM с 25,9 млн параметров; максимальная длина контекста — 512 токенов, а по умолчанию входы длиннее 256 WordPiece-токенов обрезаются. Карточка указывает поддержку английского языка. Веса доступны в форматах PyTorch, Safetensors и TensorFlow; лицензия — Apache-2.0.

deberta-sentence-transformer — модель семейства DeBERTa-v2 от embedding-data, преобразующая предложения и абзацы в плотные векторы размерностью 768. Модель содержит около 155 млн параметров, принимает текстовые последовательности длиной до 512 токенов и предназначена для получения эмбеддингов предложений. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. Модель обучалась с функцией MultipleNegativesRankingLoss на датасете embedding-data/QQP_triplets. Для использования доступны Sentence-Transformers и Transformers с подходящей операцией pooling. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

RedHatAI/DeepSeek-R1-Distill-Llama-70B-FP8-dynamic — квантизированная версия модели DeepSeek-R1-Distill-Llama-70B, разработанная Neural Magic на базе модели DeepSeek. Это текстовая авторегрессионная модель с архитектурой LlamaForCausalLM: принимает текст и генерирует текст. Модель предназначена для задач рассуждения, ответов на вопросы, математических и общих языковых задач, а также для развертывания через vLLM и OpenAI-совместимый сервер. Модель содержит около 70 миллиардов параметров и использует FP8-квантизацию весов и активаций. Квантизации подвергаются линейные операции внутри трансформерных блоков; веса квантизируются по симметричной поканальной схеме, а активации — по симметричной потокенной схеме. Переход с 16-битного представления на 8-битное примерно вдвое сокращает размер модели на диске и требования к памяти GPU. Для квантизации использован LLM Compressor. В README не указаны поддерживаемые языки и максимальная длина контекста. По приведенным оценкам, FP8-версия сохраняет близкую к исходной точность на тестах рассуждения и OpenLLM Leaderboard, включая AIME 2024, MATH-500, GPQA Diamond, GSM8K и MMLU. Основное преимущество модели — снижение требований к памяти и возможность эффективного инференса на GPU, однако фактическая производительность зависит от оборудования и конфигурации vLLM. Модель распространяется по лицензии MIT.

DeepSeek-V2-Lite-XiaAi — объединённая модель для генерации текста, созданная автором карточки с помощью mergekit и метода TIES. В качестве основы использована DeepSeek-V2-Lite; в объединение также включена DeepSeek-Coder-V2-Lite-Instruct. Модель построена на архитектуре DeepSeek V2 и предназначена для диалогового взаимодействия и генерации текста. В карточке указаны 2,5 млрд параметров и контекстное окно до 163 840 токенов. Модель распространяется в формате safetensors и отмечена как поддерживающая чат. Лицензия в предоставленных данных не указана.

DistilGPT-OSS-qwen3-4B — созданная сообществом дообученная языковая модель на базе Qwen/Qwen3-4B-Thinking-2507. Она предназначена для диалогового помощника, генерации и объяснения кода, математических задач, кратких пересказов и повседневных запросов, в том числе локального использования. Обучение на ответах с рассуждениями GPT-OSS должно улучшить следование инструкциям и позволяет задавать уровень рассуждений low, medium или high через системный промпт. Модель плотная, содержит 3,7 млрд параметров, принимает и генерирует текст; заявленный контекст — до 262 144 токенов, а при высоком уровне рассуждений модель может использовать до 65 536 токенов на рассуждение. Модель выпущена в формате bf16 Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Разработчик отмечает, что это независимый проект сообщества, не связанный с Alibaba или OpenAI. По заявлению автора, модель менее ограничительна, чем исходная GPT-OSS, и сохраняет safety training; она ориентирована на производительность и более разговорный стиль ответов. Размер модели ограничивает её общие знания, а ответы могут содержать ошибки: автор не рекомендует полагаться на неё в медицинских, юридических и других высокорисковых задачах.

tomaarsen/distilroberta-base-nli-v4 — модель Sentence Transformers, дообученная на distilbert/distilroberta-base на наборе all-nli. Она преобразует предложения и абзацы на английском языке в плотные векторы размерностью 768 для сравнения семантической близости с помощью косинусного сходства. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Архитектура включает RoBERTa-трансформер с усреднением токенных представлений; модель содержит 95,2 млн параметров и принимает последовательности длиной до 512 токенов. Данные README приводят результаты на STS: коэффициент Спирмена с косинусным сходством составляет 0,7892 на sts-dev и 0,7221 на sts-test. Модель рассчитана на английский язык и выдаёт эмбеддинги, а не готовые текстовые ответы. Для входов длиннее 512 токенов потребуется усечение или разбиение текста; качество на других языках не заявлено. Лицензия в предоставленных данных не указана.

dolphincoder-starcoder2-15b-GGUF — квантизированная версия модели dolphincoder-starcoder2-15b, разработанной cognitivecomputations и опубликованной в формате GGUF пользователем bartowski. Модель основана на StarCoder2 с размером около 15 млрд параметров и предназначена для генерации текста и программного кода. Модель ориентирована на задачи программирования, включая написание, дополнение и обработку кода, а также работу с инструкциями в сценариях code assistant. Для обучения использовались наборы данных Dolphin, Airoboros, Dolphin Coder, OpenHermes, Magicoder, Code-Feedback и их производные. В карточке указан английский язык; модальности ограничены текстом. Размер контекста и точные архитектурные характеристики не указаны. Преимущество этой версии — возможность локального запуска через llama.cpp с различными уровнями квантизации. Вариант Q6_K отмечен как рекомендуемый благодаря высокому качеству, тогда как менее битные варианты требуют меньше памяти, но дают более заметное снижение качества; Q2_K и Q3_K_S не рекомендуются. К ограничениям относятся зависимость качества и требований к памяти от выбранной квантизации, а также отсутствие данных о производительности и поддерживаемых языках программирования. Лицензия модели — bigcode-openrail-m.

d0rj/e5-base-en-ru — компактная версия модели intfloat/multilingual-e5-base, созданная отсечением токенов словаря и предназначенная для работы с английским и русским языками. Это плотный энкодер XLM-RoBERTa с 159,6 млн параметров по метаданным Hugging Face; README указывает размерность эмбеддингов 1024 и сокращение размера модели примерно с 1061 до 505 МБ. Модель выдаёт векторные представления текста для поиска и оценки сходства предложений; для поиска автор рекомендует сравнивать векторы скалярным произведением. Модель подходит для семантического поиска, извлечения релевантных документов и сравнения русских и английских запросов с текстами. README показывает использование через Transformers и sentence-transformers. Лицензия — MIT. Оценка на SberQuAD упомянута, но значения метрик в README отсутствуют, поэтому по карточке нельзя судить о качестве относительно базовой модели. Контекстное окно составляет 514 токенов; словарь ограничен русскими и английскими токенами.

htdht/e5_base_finetuned_v6 — модель Sentence Transformer на архитектуре XLM-RoBERTa, содержащая около 305,2 млн параметров. Она преобразует текстовые предложения и абзацы в нормализованные плотные векторы размерности 768 и предназначена для поиска и сопоставления текстов по косинусному сходству. Модель можно использовать для поиска подходящих документов или фрагментов по запросу и ранжирования текстов по семантической близости. В README указаны текстовый вход, ограничение до 192 токенов и обучение на 36 389 примерах с запросами, положительными и отрицательными текстами. Метаданные указывают контекст модели до 514 токенов; для практического использования ориентируйтесь на более короткое ограничение, заявленное в README. Модель работает с текстом; языковые примеры в README включают вьетнамский, но данных о полном наборе поддерживаемых языков нет. Лицензия в предоставленных источниках не указана.

Карточка модели Alignment-Lab-AI/e5-mistral-7b-instruct на Hugging Face совпадает с карточкой intfloat/e5-mistral-7b-instruct, поэтому описание составлено по ней. E5-mistral-7b-instruct — текстовая модель эмбеддингов, созданная командой авторов статьи «Improving Text Embeddings with Large Language Models». Это дообученная версия Mistral-7B-v0.1 с 32 слоями и размерностью эмбеддингов 4096; число параметров — 7,1 млрд. Модель принимает текст и преобразует его в векторы для поиска и сравнения текстов. Она поддерживает контекст до 32 768 токенов, однако авторы не рекомендуют подавать входы длиннее 4096 токенов. Модель предназначена для получения эмбеддингов с инструкциями, задающими цель поиска или сравнения. Инструкцию следует добавлять к запросу, но не к документу. Примеры сценариев — семантический поиск, ранжирование passage по запросу и оценка сходства предложений. Модель обучена на смеси многоязычных наборов данных, но ориентирована прежде всего на английский; в некоторых многоязычных сценариях она уступает multilingual-e5-large. Модель распространяется по лицензии MIT. Для воспроизводимости результатов учитывайте, что версии Transformers и PyTorch могут вызывать небольшие различия в оценках.

furiosa-ai/e5-mistral-7b-instruct — пакет модели эмбеддингов E5-Mistral-7B-Instruct, подготовленный FuriosaAI для запуска с Furiosa-LLM на ускорителях FuriosaAI RNGD. В репозитории находятся веса upstream-модели и Furiosa Executable Bundle; сама модель — дообученная плотная decoder-модель на основе Mistral-7B-v0.1 с архитектурой MistralModel и 7,1 млрд параметров. Модель преобразует текст в плотные векторы размерностью 4096 с pooling по последнему токену и L2-нормализацией. Она рассчитана на семантический поиск, сопоставление запросов с документами и оценку семантического сходства. Модель понимает инструкции для настройки задачи: к запросам рекомендуется добавлять краткое описание задачи в формате Instruct/Query, а к документам инструкцию не добавлять. Контекст составляет 32 768 токенов; хотя обучение включало многоязычные данные, upstream-карточка рекомендует модель прежде всего для английского языка. Веса не квантизированы, используются upstream-веса FP16. Для запуска на RNGD применяется tensor parallelism с размером 8, соответствующим одной карте. Также доступны Transformers и Sentence Transformers. Лицензия — MIT.

e5-sk-small — компактная модель текстовых эмбеддингов для словацкого языка, выпущенная в рамках проекта SkMTEB. Это плотная BERT-модель на базе intfloat/multilingual-e5-small: после сокращения словаря и дообучения она содержит 45 млн параметров по README, а в метаданных указано 51,4 млн; размер вектора составляет 384 измерения. Модель принимает текст и выдаёт эмбеддинги для семантического поиска, сравнения предложений, кластеризации и классификации. Для поиска используйте префикс query: у запроса и passage: у документов; для симметричных задач префикс не нужен. Модель ориентирована прежде всего на словацкие тексты и показывает результаты на бенчмарке SkMTEB, сопоставимые с multilingual-e5-small и text-embedding-3-small. Также заявлена поддержка межъязыкового поиска между словацким, английским и чешским. Контекстная длина архитектуры по метаданным — 512 токенов; при дообучении использовались последовательности до 256 токенов. Лицензия — MIT, веса доступны для локального запуска.

relik-ie/encoder-e5-base-v2-wikipedia — модель-энкодер для получения векторных представлений текста. Модель опубликована в пространстве relik-ie и доступна через библиотеку Transformers; в метаданных она классифицирована как feature-extraction и относится к семейству BERT-подобных моделей. Объём модели составляет 136,7 млн параметров, максимальная длина входа — 512 токенов. Модель предназначена для преобразования текстов в эмбеддинги, которые можно использовать для семантического поиска, сравнения текстов, кластеризации, дедупликации и построения retrieval-компонентов. Название указывает на вариант E5 base v2, адаптированный для корпуса или сценариев, связанных с Wikipedia, однако README не содержит подробностей о разработчике, обучающих данных, методике обучения, оценивании или лицензии. Модель не является генеративной и не предназначена для создания ответов или продолжения текста. При работе необходимо учитывать ограничение контекста в 512 токенов; характеристики качества для конкретных языков и предметных областей в доступных материалах не приведены.

srikarvar/fine_tuned_model_5 — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-small, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 384, нормализованные для сравнения по косинусному сходству. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. В основе — архитектура BERT с усреднением токенных представлений и нормализацией; модель рассчитана на последовательности до 512 токенов. Дообучение проведено на парах предложений с метками сходства с использованием OnlineContrastiveLoss; в README приведены результаты оценки на тестовом наборе. Базовая модель multilingual-e5-small предназначена для многоязычных текстовых эмбеддингов, однако конкретные поддерживаемые языки этой версии в карточке не перечислены. Для работы нужны текстовые входы; результатом служат векторы, которые можно использовать в поисковых и сравнительных системах. Лицензия в предоставленных данных не указана.

Gemma 4 31B MXFP4 CRACK — мультимодальная модель на архитектуре Gemma 4, опубликованная dealignai и основанная на google/gemma-4-31b-it. Это дообученная версия с удалёнными отказами, предназначенная для диалогов, ответов на вопросы, многошаговых рассуждений, генерации кода и работы с изображениями. Модель плотная, использует гибридное скользящее и глобальное внимание и квантизацию MXFP4; для запуска автор рекомендует vMLX на Apple Silicon с достаточной общей памятью. В карточке заявлены сохранение возможностей работы с изображениями и проверка генерации кода и рассуждений. По приведённым авторами оценкам, MMLU составляет 82,9% против 88,6% у базовой модели, а соответствие запросам из категорий HarmBench — 95%; это указывает на заметное снижение отказов, в том числе для опасных запросов. Метаданные указывают лицензию Gemma. Автор обозначает модель как исследовательскую; пользователю следует учитывать лицензионные условия Gemma и применимое законодательство.