I.14Автоматизация процессов и AI-агенты

tessimago выпустил англоязычную модель Sentence Transformers, дообученную на базе BAAI/bge-large-en-v1.5. Она использует архитектуру BERT с пулингом CLS-токена и нормализацией и преобразует предложения и абзацы в плотные эмбеддинги размерностью 1024; максимальная длина входа — 512 токенов. Обучение проводилось на 1 024 парах текстов с функциями MatryoshkaLoss и MultipleNegativesRankingLoss. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. Обучение с MatryoshkaLoss позволяет использовать укороченные векторы: в карточке приведены оценки поиска при размерностях от 64 до 768. Указанная лицензия — Apache-2.0. Карточка приводит метрики InformationRetrievalEvaluator для отдельных конфигураций, но не описывает набор данных оценки, поэтому эти результаты не следует считать гарантией качества в конкретной прикладной задаче.

bge-micro — компактная модель эмбеддингов предложений на базе архитектуры BERT, опубликованная TaylorAI. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 18,8 млн параметров, использует контекст длиной до 512 токенов и доступна в форматах PyTorch, safetensors и ONNX. Модель дистиллирована из TaylorAI/bge-small-en-v1.5 и предназначена для сценариев, где важны небольшие вычислительные затраты при сохранении качества эмбеддингов, близкого к all-MiniLM-L6-v2. Она ориентирована на английский язык. Лицензия в предоставленных данных не указана.

bge-micro-v2 — компактная модель эмбеддингов предложений на базе архитектуры BERT, представленная TaylorAI. Она преобразует предложения и абзацы в плотные векторы размерности 384 и подходит для семантического поиска, кластеризации и сравнения сходства текстов. Модель насчитывает 18,8 млн параметров, принимает текст длиной до 512 токенов и поддерживает Sentence Transformers, Transformers, ONNX и форматы PyTorch и Safetensors. Модель получена дистилляцией в два этапа на основе BAAI/bge-small-en-v1.5; bge-micro был первым этапом этого процесса. Она рассчитана на англоязычные тексты. Лицензия MIT разрешает свободное использование и модификацию с соблюдением её условий. Малый размер делает модель удобной для поиска и ранжирования текстовых представлений, однако векторные представления сами по себе не генерируют ответы, а ограничение контекста составляет 512 токенов.

BGE micro v2 ESG — компактная модель Sentence Transformers, дообученная на базе TaylorAI/bge-micro-v2 для представления английских предложений и абзацев в виде плотных векторов. В основе используется BERT с усреднением токенных представлений; модель содержит 18,8 млн параметров, выдаёт эмбеддинги размерности 384 и принимает последовательности длиной до 512 токенов. Для сравнения векторов предусмотрена косинусная мера сходства. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Обучение на парах контекстов и вопросов с MatryoshkaLoss позволяет использовать укороченные представления размерностью 256, 128, 64 или 32, хотя показатели поиска снижаются при уменьшении размерности. Поддерживается английский язык. Лицензия — Apache-2.0.

Amanda/bge_portuguese_v4 — модель Sentence Transformer на архитектуре XLM-RoBERTa, обученная для преобразования предложений и абзацев в плотные эмбеддинги размерности 1024. В карточке не указано, кто именно обучил модель. Она использует CLS-пулинг и нормализацию векторов, а сходство текстов можно оценивать косинусным сходством; максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текста. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Sentence Transformers. По названию модель ориентирована на португальский язык. Лицензия в доступных данных не указана.

Cerium-Qwen3-R1-Dev — компактная плотная языковая модель, разработанная prithivMLmods на базе Qwen/Qwen3-0.6B и дообученная на наборах для программирования, математики и научных рассуждений, включая данные rStar-Coder и примеры трасс рассуждений DeepSeek R1. Модель содержит около 508 млн параметров, использует архитектуру Qwen3ForCausalLM и формат весов safetensors; длина контекста — до 40 960 токенов. Модель предназначена для генерации кода и объяснений, решения математических и научных задач, технического диалога и создания структурированных материалов. Она может формировать LaTeX, Markdown, JSON, CSV и YAML. Карточка заявляет поддержку нескольких языков программирования и ориентирует модель на разработчиков, преподавателей и исследователей, а метаданные указывают английский язык. Модель рассчитана на работу при ограниченных вычислительных ресурсах. Среди ограничений карточка отмечает слабую пригодность для творческого письма и обычного общения, а также то, что контекст может быть недостаточен для анализа нескольких документов или целой кодовой базы. Лицензия — Apache-2.0.

semaj83/ctmatch-retriever-v2 — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L6-v2, разработанная semaj83. Это текстовый BERT-энкодер для поиска релевантных предложений и абзацев: он преобразует текст в плотные векторы размерностью 384 и подходит для семантического retrieval и сравнения текстов по косинусному сходству. В модели используются mean pooling и нормализация векторов. Модель обучена на 4 830 парах текстов с MultipleNegativesRankingLoss. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; в README заявлен максимум 256 токенов, поэтому для практического использования следует учитывать лимит 256 из карточки модели. Поддерживается текстовый ввод, выходом служат векторы для поиска и ранжирования по близости. Лицензия в предоставленных данных не указана.

DeepSeek-Coder-V2-Instruct-0724-GGUF — это квантизированная в формате GGUF версия большой MoE-модели для генерации текста и программного кода DeepSeek-Coder-V2-Instruct-0724. Исходную модель разработала команда deepseek-ai, а GGUF-квантизацию подготовил bartowski на основе llama.cpp версии b3715. Модель предназначена прежде всего для задач, связанных с написанием и обработкой кода, однако конкретные поддерживаемые языки программирования, размер, длина контекста и другие архитектурные параметры в README не указаны. Модель можно использовать в инструментах, поддерживающих формат GGUF и шаблон запросов Jinja, в частности в LM Studio. Квантизация делает модель пригодной для локального запуска при наличии совместимого программного обеспечения и подходящих аппаратных ресурсов, но README не содержит сведений о точных требованиях, вариантах квантизации, производительности или качестве на отдельных задачах. Как и другие генеративные модели, она может создавать неточные или неподходящие ответы. Указана лицензия DeepSeek License; тип лицензии обозначен как other, а полный текст доступен в файле LICENSE. Дополнительные сведения о том, что изменилось относительно исходной модели, в README отсутствуют.

AMAImedia/DeepSeek-V4.1-Flash-FP8-GGUF — GGUF-квантизированная версия мультимодальной модели DeepSeek-V4.1-Flash, опубликованная AMAImedia в рамках платформы NOESIS. Модель основана на разработках DeepSeek AI и связана с базовыми моделями Tencent/Hy4-preview и AngelSlim/Hy4-preview-GGUF, указанными в карточке. Дата выпуска — 20 сентября 2026 года. Модель предназначена для работы с текстом и изображениями: она принимает изображения и текст, а генерирует текст авторегрессивно. Заявлена поддержка контекстов до одного миллиона токенов и широкого набора языков, включая английский, русский, китайский, вьетнамский, японский и многие другие. Архитектура представляет собой мультимодальную Mixture-of-Experts с 552 млрд параметров в backbone и структурой Causal Encoder-Decoder из 40 Transformer-слоёв: 20 слоёв причинного энкодера и 20 слоёв декодера. Ключевая особенность — оптимизация KV-кэша и вычислений для длинного контекста и input-heavy агентских сценариев. Во время prefill активируется около 8 млрд параметров на токен, а во время decode — около 16 млрд; механизм SWA Bounded Replay уменьшает постоянный объём KV-кэша примерно до одной восьмой от DeepSeek-V4-Flash. Используется Compressed Sparse Attention 2 с режимами Full, Reindex и Reuse. GGUF и FP8 ориентированы на эффективное локальное или специализированное инференс-развёртывание, однако требования к памяти и производительности для модели такого масштаба в карточке не указаны. Лицензия, указанная в метаданных этой версии, — Apache 2.0. Полные сведения о качестве, бенчмарках, точных характеристиках квантизации и ограничениях применения в представленном README отсутствуют.

Это Sentence Transformer, дообученный Danica Fisher на базе sentence-transformers/all-MiniLM-L6-v2. Модель кодирует предложения и абзацы в плотные семантические векторы размерности 384; архитектура включает BERT-энкодер, усреднение токенных представлений и нормализацию. Для сравнения векторов применяется косинусное сходство. В README указана максимальная длина последовательности 256 токенов, а в метаданных каталога — нативный контекст 512 токенов. Модель предназначена для семантического сравнения текстов, поиска по смыслу, поиска перефразировок, кластеризации и классификации текстов. Она принимает текст и выдаёт векторы, пригодные для вычисления сходства и последующей обработки. Обучение описано как дообучение на 274 парах предложений с MultipleNegativesRankingLoss. Базовая модель ориентирована на английский язык; карточка не сообщает о дополнительных языках. Лицензия в предоставленных данных не указана.

Это англоязычная модель Sentence Transformers на базе distilbert/distilroberta-base, дообученная разработчиком tomaarsen на наборе sentence-transformers/all-nli. Модель кодирует предложения и абзацы в плотные векторы размерностью 768; для сравнения векторов используется косинусное сходство. Архитектура включает RoBERTa-трансформер с усреднением токенных представлений, а параметры хранятся в формате safetensors. Размер модели — 95,2 млн параметров, максимальная длина последовательности — 512 токенов. Модель предназначена для оценки семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В карточке приведены результаты оценки сходства на STS-dev и STS-test. Она принимает текст и выдаёт векторы, поэтому для поиска и классификации обычно требуется отдельный индекс или классификатор. Лицензия в предоставленных данных не указана.

Dolphin 2.6 Mistral 7B — дообученная на базе Mistral-7B языковая модель, созданная Eric Hartford при спонсорской поддержке Convai. Это плотная авторегрессионная модель с 7,1 млрд параметров, предназначенная для диалога и генерации текста; разработчик отдельно отмечает её сильные стороны в программировании. Модель обучалась полным дообучением в течение трёх эпох и использует формат запросов ChatML. Модель хорошо следует инструкциям, но не проходила DPO-настройку. В README её называют uncensored и предупреждают, что она может охотно выполнять небезопасные запросы; перед использованием в сервисе рекомендуется добавить собственный уровень фильтрации. Контекстная длина в метаданных указана как 32 768 токенов, тогда как README сообщает для базовой модели Mistral-7B контекст 16 тысяч токенов. Распространяется по лицензии Apache-2.0, допускающей коммерческое использование.

Dolphin 2.6 Mistral 7B DPO — диалоговая языковая модель на архитектуре Mistral, выпущенная разработчиком Eric Hartford при поддержке Convai. Это полновесное дообучение Mistral-7B на наборах инструкций и кода с последующей настройкой методом DPO на предпочтениях UltraFeedback. Модель содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов по метаданным; в README для базовой модели указано 16 тыс. токенов. Используется формат запросов ChatML. Модель предназначена для диалогов, ответов на инструкции и помощи с программированием; разработчик отмечает повышенную податливость после DPO-настройки. В карточке указан английский язык. Модель распространяется по лицензии Apache-2.0, включая коммерческое использование. Разработчик предупреждает, что модель слабо ограничивает ответы и может выполнять вредоносные запросы, поэтому перед предоставлением пользователям рекомендуется добавить собственные меры безопасности.

Marqo Stella v2 — модель для получения текстовых эмбеддингов и оценки сходства между предложениями. В карточке она описана как близкая к исходной Dunzhang Stella 400M, но с объединённым Matryoshka-слоем: он позволяет получать эмбеддинги меньшей размерности с меньшими вычислительными затратами, сохраняя метрики релевантности. Модель содержит 433,9 млн параметров, поддерживает контекст до 8192 токенов и распространяется в форматах PyTorch и Safetensors. Модель подходит для семантического поиска, сопоставления запросов с документами и поиска похожих текстов. В метаданных указан pipeline sentence-similarity, а среди возможностей — embeddings. Лицензия — MIT. README не уточняет поддерживаемые языки или специализированные области применения.

robzchhangte/e5-base-mizo-crosslingual — текстовая модель Sentence Transformers, дообученная разработчиком на базе intfloat/multilingual-e5-base для преобразования предложений и абзацев в плотные векторы. Её можно использовать для поиска и сопоставления текстов, в том числе межъязыковых. Архитектура включает XLM-RoBERTa, усредняющий pooling и нормализацию; размер вектора — 768 измерений, сходство оценивается косинусной мерой. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 512 токенов. В README описан обучающий набор из 82 630 примеров с anchor, positive и negative текстами. Модель подходит для семантического поиска, извлечения релевантных документов и сравнения предложений. Язык Mizo следует из названия репозитория, а многоязычная основа указывает на поддержку межъязыковой работы; конкретные языки обучения в карточке не перечислены. Лицензия в предоставленных данных не указана.

embed-andegpt-H384 — модель Sentence Transformer, созданная дообучением nreimers/MiniLM-L6-H384-uncased авторами enpaiva. Она преобразует предложения и абзацы на испанском языке в плотные векторы размерностью 384 для сравнения по косинусному сходству. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации. В основе — шестислойная архитектура BERT/MiniLM с усреднением токенных представлений; максимальная длина входа — 512 токенов. Модель распространяется по лицензии Apache-2.0. В README приведены результаты TripletEvaluator на наборах andegpt-dev и andegpt-test, однако они не заменяют оценку на данных конкретного применения.

F2LLM-v2-0.6B — многоязычная модель эмбеддингов из семейства F2LLM-v2, разработанного CodeFuse. Она основана на плотной архитектуре Qwen3 и содержит около 507,9 млн параметров; версия дообучена на базе codefuse-ai/F2LLM-v2-0.6B-Preview. Модель принимает текст и выдаёт векторные представления для семантического поиска, ранжирования и задач сравнения текстов. Модель поддерживает более 200 языков, уделяя особое внимание языкам с ограниченными ресурсами. Контекст составляет 40 960 токенов. Обучение с Matryoshka Representation Learning позволяет сокращать размерность эмбеддингов, а инструкции можно задавать в формате «Instruct: … Query:». В семействе заявлены высокие результаты на ряде бенчмарков MTEB; конкретные показатели этой версии в карточке не приведены. Доступны веса Safetensors и ONNX, библиотека Transformers, лицензия Apache-2.0. Для поиска и переранжирования инструкцию добавляют к запросу, но не к документам; при усечении эмбеддинга его следует нормализовать после усечения.

Это версия энкодера контекста Dense Passage Retrieval (DPR), перенесённая в формат Sentence Transformers. Модель на архитектуре BERT преобразует предложения и абзацы в плотные векторы размерности 768; число параметров — 136,7 млн, максимальная длина контекста — 512 токенов. Модель предназначена для получения эмбеддингов текстовых фрагментов, которые можно применять для семантического поиска и кластеризации. Она принимает текст и выдаёт векторы; для работы через Transformers поверх контекстных представлений требуется применить соответствующую операцию pooling. В репозитории доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Перенос модели основан на DPR от Facebook. Лицензия — Apache-2.0. В карточке не приведены сведения о поддерживаемых естественных языках или специализированных предметных областях.

FMMB-BE (Fairly Multilingual ModernBERT Embedding Model, Belgian Edition) — модель эмбеддингов на базе ModernBERT-Embed-Base от Nomic AI, дообученная автором карточки на параллельных предложениях. Она предназначена для преобразования текстов на французском, нидерландском, немецком и английском языках в плотные векторы, выровненные между языками. Модель использует архитектуру ModernBERT с усреднением токенных представлений и выдаёт векторы размерности 768. Для каждого текста автоматически выбирается подходящий языковой токенизатор; тексты на разных языках можно обрабатывать в одном пакете. Максимальная длина входа — 8192 токена. Модель подходит для семантического поиска, сравнения предложений, поиска перефразировок, классификации и кластеризации текстов. Карточка отмечает, что модель обучена без учителя на параллельном корпусе и рекомендует дообучить её под конкретный сценарий. Заявленная лицензия — Apache-2.0.

Это англоязычная модель Sentence Transformers, дообученная на наборе PiC/phrase_similarity на базе google-bert/bert-large-uncased. Она кодирует предложения и абзацы в плотные векторы размерностью 1024 и оценивает смысловую близость с помощью косинусного сходства. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из BERT Large и mean pooling; максимальная длина последовательности — 512 токенов. Модель работает с текстом на английском языке и формирует векторные представления для последующего сравнения. В README приведены результаты оценки на наборах для классификации пар предложений, но они не гарантируют качество на других данных. Использование распространяется по лицензии базовой модели; сведения о лицензии самой модели в предоставленных данных отсутствуют.

lochhonest/finetuned_mbert — модель Sentence Transformer, дообученная на базе nomic-ai/modernbert-embed-base. Она преобразует предложения и абзацы в плотные векторы размерности 768; сходство векторов можно оценивать косинусной мерой. Модель построена на ModernBERT с усреднением токеновых представлений и нормализацией, поддерживает последовательности длиной до 8192 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска парафраз, а также классификации и кластеризации на основе эмбеддингов. В README описан обучающий набор из 3625 пар «запрос — релевантный текст», в том числе примеры вопросов и длинных фрагментов документов, что может быть полезно для поиска по документам. Репозиторий использует библиотеку Sentence Transformers и формат safetensors. Условия лицензирования в предоставленных данных не указаны.

llmfan46 представил uncensored-вариант Gemma 4 26B A4B IT, дообученный с изменением компонента attn.o_proj. Это диалоговая мультимодальная модель для анализа изображений и генерации текста; карточка указывает на поддержку чата и vision, а также на архитектуру Gemma 4 и формат safetensors. Базовая модель разработана Google DeepMind, использует гибридный механизм внимания и рассчитана на контекст до 256 тысяч токенов. Модель подходит для ответов на вопросы по изображениям и документам, распознавания текста и рукописей, понимания графиков и интерфейсов, а также для диалогов, рассуждений, программирования и вызова инструментов. Вариант предназначен для ослабления ограничений базовой модели, однако карточка не описывает метод дообучения и не приводит отдельные оценки качества именно этой версии. Поддерживаемые базовой линейкой языковые и аудиовозможности не следует полностью переносить на этот чекпойнт: метаданные подтверждают только image-text-to-text и vision. Модель выпущена по лицензии Apache-2.0. Возможны предвзятость и пробелы в данных, ошибки в фактах и затруднения с неоднозначными или сложными запросами; маркировка uncensored также означает, что ответы могут быть менее ограничены защитными механизмами.

Карточка модели OrcaDB/gist-large на Hugging Face совпадает с карточкой avsolatorio/GIST-large-Embedding-v0, поэтому описание составлено по ней. GIST-large-Embedding-v0 — текстовая модель эмбеддингов от avsolatorio, дообученная на базе BAAI/bge-large-en-v1.5 с использованием MEDI и обучающих данных классификации MTEB. Она кодирует текст в векторы для поиска и сравнения предложений; при построении эмбеддингов запросов инструкции не требуются. Модель основана на BERT, содержит 433,9 млн параметров, принимает текст длиной до 512 токенов и распространяется в формате safetensors через библиотеку Sentence Transformers. Модель подходит для семантического поиска, извлечения документов по запросу и оценки сходства текстов. По результатам MTEB дообучение улучшило отдельные задачи и ухудшило другие; в частности, отмечено снижение качества на TRECCOVID, поэтому результаты могут зависеть от тематического покрытия данных и целевого набора. Лицензия модели — MIT; лицензии сторонних обучающих данных могут иметь собственные условия.

GLM-4.7-Flash-RAZOR-24B-A3B-E48of64 — производная диалоговая модель семейства GLM, созданная Nickyang методом RAZOR: из 64 маршрутизируемых экспертов в каждом MoE-слое удалена четверть, осталось 48. Градиентного дообучения и восстановления после обрезки не проводилось; сохранены исходные веса оставшихся компонентов. По README, в контрольной точке 24,123 млрд параметров с учётом MTP, а метаданные каталога указывают 4,1 млрд параметров; эти значения расходятся, поэтому размер модели требует проверки. Архитектура использует GLM-4.7-Flash и реализацию glm4_moe_lite в Transformers; контекст — 202752 токена. Модель предназначена для диалоговой генерации текста, рассуждений и программирования с длинным контекстом. Сокращение пула экспертов уменьшает объём хранимых экспертных весов примерно на четверть, при этом README сообщает, что вычисления на токен практически не меняются. Контрольная точка хранится в bfloat16, в семи шардах safetensors; для запуска требуется сборка Transformers с нативной поддержкой glm4_moe_lite. Обрезка экспертов необратима и может менять разнообразие, форматирование и завершение ответов, даже если точность на отдельных задачах в целом сохраняется. Поведение на областях, далёких от конечного калибровочного корпуса, не охарактеризовано. Лицензия — MIT.

yankexe/gte-multilingual-base-air-gapped — вариант модели gte-multilingual-base из семейства GTE, предназначенный для получения текстовых представлений и поиска по смыслу. Это плотная encoder-only Transformer-модель размером 305,3 млн параметров с embedding-размерностью 768 и контекстом до 8192 токенов. README описывает запуск в изолированной среде с vLLM; метаданные указывают формат safetensors и возможность получать эмбеддинги. Модель предназначена для многоязычного поиска и извлечения информации, в том числе межъязыкового и по длинным текстам. Помимо плотных представлений, она поддерживает разреженные векторы и эластичные по размеру плотные представления, позволяя уменьшать затраты на хранение и вычисления. README заявляет поддержку более 70 языков и высокую скорость относительно некоторых крупных моделей GTE; конкретные результаты оценки приведены со ссылкой на статью и бенчмарки. Лицензия — Apache-2.0. Для запуска в air-gapped-среде README приводит конфигурацию vLLM с pooling runner и trust-remote-code. Точное соответствие опубликованных результатов конкретному варианту air-gapped и характеристики отдельных языков в карточке не раскрыты.

gte-Qwen1.5-7B-instruct — многоязычная модель эмбеддингов из семейства gte, разработанная Alibaba-NLP на основе языковой модели Qwen1.5-7B. Она преобразует текст в векторы размерности 4096 для поиска семантически похожих предложений и других задач, основанных на сходстве текстов. Модель использует двунаправленное внимание и настройку инструкциями для запросов; обучалась на многоязычном корпусе из разных областей с сочетанием слабой и контролируемой разметки. Модель содержит 7 млрд параметров и принимает до 32 тыс. токенов. Подходит для семантического поиска, ранжирования кандидатов по смысловой близости и построения систем поиска по текстовым коллекциям. Для запуска README указывает Transformers версии 4.39.2 или новее и flash_attn версии 2.5.6 или новее. Распространяется по лицензии Apache-2.0.

Hermes-2-Pro-Mistral-7B-GGUF — это GGUF-квантизации языковой модели Hermes-2-Pro-Mistral-7B, разработанной NousResearch на базе Mistral-7B-v0.1. Квантизации подготовлены bartowski с использованием llama.cpp. Модель предназначена для генерации текста и диалогового взаимодействия, включая задачи инструкционного общения, чат-сценарии, генерацию структурированного JSON и вызов функций. Модель представляет собой текстовую instruct-модель примерно на 7 млрд параметров, обученную с применением DPO и RLHF на данных, связанных с OpenHermes-2.5, включая синтетические данные и дистилляцию от GPT-4. Она ориентирована на английский язык и использует формат взаимодействия ChatML. Сведения о поддерживаемой длине контекста в README не указаны. Основное преимущество представленной версии — возможность локального запуска с различными уровнями квантизации. Вариант Q6_K отмечен как рекомендуемый и обеспечивает высокое качество при размере около 5,94 ГБ; более компактные варианты требуют меньше памяти, но могут заметно уступать по качеству, особенно Q2_K и Q3_K. К ограничениям относятся ориентация на английский язык, текстовая модальность и возможные потери качества при агрессивной квантизации. Указанная лицензия — Apache-2.0.

Huihui-Qwen3.8-27B-abliterated-NVFP4 — квантизированная версия модели huihui-ai/Huihui-Qwen3.8-27B-abliterated, подготовленная автором репозитория sakamakismile. Модель предназначена для генерации текста, диалогов, рассуждений, программирования, переводов и следования инструкциям. Она также содержит необработанную vision tower, однако мультимодальная работа в README не тестировалась. Модель основана на архитектуре Qwen3.8 с 27 млрд параметров и использует NVFP4-квантизацию W4A4 с размером группы 16. Большинство весов представлены в NVFP4, а lm_head, vision tower, conv1d DeltaNet и MTP head сохранены в bfloat16. Поддерживаются speculative decoding через MTP и запуск в vLLM 0.22 на GPU с архитектурой Blackwell SM120. Размер весов уменьшен с 55,6 до 20,0 ГБ; рекомендуемый контекст — до 32 768 токенов. README не указывает полный список поддерживаемых языков, но результаты проверок включают английский, французский и японский. К сильным сторонам относятся заметное сокращение объёма модели, совместимость с двумя видеокартами по 16 ГБ при наличии запаса под KV-кэш, сохранение MTP-головы для ускоренного декодирования и отсутствие выявленного ухудшения на заявленном наборе проверок после более узкой абляции. Ограничения включают необходимость Blackwell и vLLM 0.22 для описанной конфигурации, неподтверждённую мультимодальную работу, а также периодические пропуски закрывающей скобки при генерации длинных файлов кода; рекомендуется использовать синтаксическую проверку. Модель распространяется по лицензии Apache-2.0. Репозиторий содержит только квантизированные веса, а авторство исходной модели принадлежит huihui-ai.

Kimi-Linear-48B-A3B-Instruct — разговорная языковая модель от Moonshot AI на архитектуре Kimi Linear. Это гибридная MoE-модель с Kimi Delta Attention и глобальными слоями MLA: в семействе указаны 48 млрд общих и 3 млрд активируемых параметров. Репозиторий содержит веса safetensors и предназначен для генерации текста в диалоговом формате. Модель рассчитана на диалоги и задачи с длинным контекстом. В README для версии Instruct заявлена длина контекста до 1 млн токенов, а архитектура сокращает потребность в KV-кэше и ускоряет декодирование на длинных последовательностях. Для запуска предлагаются Transformers с fla-core и развёртывание через vLLM. Лицензия — MIT. README описывает результаты бенчмарков, но не приводит оценки по всем сценариям; фактическая скорость и качество зависят от оборудования и настроек инференса.

Карточка модели saidsef/knowledge-base-embedding-model на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.