I.14Автоматизация процессов и AI-агенты

christinemahler/aie5-midterm — текстовая модель Sentence Transformers, дообученная разработчиком на Snowflake/snowflake-arctic-embed-l. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сопоставления текстов по смыслу и извлечения релевантных документов. Архитектура основана на BertModel с объединением CLS-токена и нормализацией векторов; максимальная длина последовательности — 512 токенов, сходство оценивается косинусной мерой. Модель подходит для поиска по коллекциям документов, выявления перефразирований, кластеризации и классификации текстов на основе эмбеддингов. В README приведены результаты оценки на информационном поиске и обучение на 216 парах текстов; эти показатели относятся к описанным данным и сами по себе не гарантируют качество на других наборах. Лицензия в предоставленных сведениях не указана.

Карточка модели orange-21/all-MiniLM-L6-v2 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.

LLukas22/all-mpnet-base-v2-embedding-all — англоязычная модель на архитектуре MPNet, дообученная автором на базе all-mpnet-base-v2 для получения эмбеддингов предложений и оценки их сходства. Она предназначена для поиска семантически близких текстов и ранжирования документов по релевантности, в том числе в системах вопросов и ответов и информационного поиска. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторные представления, которые можно сравнивать для поиска похожих фрагментов. Контекст ограничен 514 токенами. Для обучения использованы SQuAD, NewsQA, CQADupStack, FiQA, SciDocs, GermanQuAD и Natural Questions; автор приводит результаты ранжирования для нескольких эпох. Модель разработал LLukas22 в рамках магистерской работы об использовании трансформерных языковых моделей в сервисных информационных системах. Модель распространяется по лицензии Apache-2.0. Карточка описывает применение Sentence-Transformers; датасеты охватывают вопросы и ответы, финансовую и научную тематику, но это не означает специализацию модели на этих областях.

Это арабоязычная модель Sentence Transformers от Omartificial-Intelligence-Space, дообученная на наборе arabic-n_li-triplet на основе tomaarsen/mpnet-base-all-nli-triplet. Архитектура MPNet формирует плотные векторы размерностью 768 для предложений и абзацев; сходство можно оценивать косинусной мерой. Максимальная длина входа — 512 токенов. Модель предназначена для семантического сравнения арабских текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Обучение на парах и тройках текстов и результаты оценки на STS-тестах поддерживают её применение для задач сходства, но качество зависит от данных и сценария. Распространяется по лицензии Apache-2.0.

Baichuan2-13B-Chat-4bits — версия чат-модели Baichuan 2 от Baichuan Intelligence, представленная в 4-битном квантованном варианте. Это плотная авторегрессионная модель на 13,3 млрд параметров для генерации текста и диалогового взаимодействия. Семейство Baichuan 2 обучено на 2,6 трлн токенов; версия Chat v2, согласно карточке, улучшает математические и логические рассуждения и следование сложным инструкциям. Модель ориентирована прежде всего на китайский и английский языки. Модель подходит для диалоговых помощников, ответов на вопросы, выполнения текстовых инструкций, а также задач общего характера в областях права, медицины, математики, программирования и многоязычного перевода. Карточка сообщает о 4-битном варианте для снижения требований к памяти. Для работы указан PyTorch 2.0 или новее. Для использования требуется соблюдать Apache 2.0 и лицензионное соглашение сообщества Baichuan 2. Коммерческое применение требует предварительного обращения за официальной лицензией и зависит от условий, изложенных в карточке. Модель может ошибаться; перед использованием в чувствительных сценариях её ответы следует проверять.

jegormeister/bert-base-dutch-cased — модель Sentence-Transformers на базе BERT, обученная для получения векторных представлений предложений и абзацев на нидерландском языке. Она кодирует текст в плотные векторы размерностью 256 и подходит для семантического поиска, сравнения сходства и кластеризации текстов. Модель содержит 136,3 млн параметров, принимает текстовые входы с контекстом до 512 токенов и распространяется в формате PyTorch. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Для работы доступны Sentence-Transformers и Transformers; при использовании Transformers поверх выходов трансформера требуется применить подходящий pooling. Модель предназначена для построения эмбеддингов, а не для генерации текста. В README не названа лицензия, поэтому условия использования по имеющимся сведениям определить нельзя.

GeniusVoice/bertje-visio-retriever — модель Sentence-Transformers на базе BERT, разработанная GeniusVoice. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель обучена с MultipleNegativesRankingLoss и косинусным сходством; она принимает текст и возвращает эмбеддинги. Размер модели — 136,3 млн параметров, контекст — до 512 токенов. Модель подходит для семантического поиска и группировки текстов, когда нужно сравнивать их смысл, а не совпадение слов. В карточке не указаны поддерживаемые естественные языки и результаты оценки качества, поэтому применимость к конкретному языку или домену следует проверять отдельно. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных данных.

emersoftware/beto-mlm-bcn-mnrl-msmarco-es-v2 — модель Sentence-Transformers на архитектуре BERT с 137,1 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. Модель обучалась с MultipleNegativesRankingLoss и косинусным сходством; в карточке также заявлена поддержка извлечения признаков и сходства предложений. Максимальный контекст — 512 токенов. Модель рассчитана на работу с испанскими текстами, о чём говорит её идентификатор, связанный с BETO и MS MARCO на испанском языке. Для использования подходят Sentence-Transformers или Transformers с соответствующей операцией pooling. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

RedHatAI/bge-base-en-v1.5-quant — квантизированная версия модели эмбеддингов bge-base-en-v1.5 от Red Hat AI. Она предназначена для получения векторных представлений английского текста и ускоренного инференса через DeepSparseSentenceTransformers; README сообщает об ускорении задержки до 4,5 раза на 10-ядерном ноутбуке и 16-ядерном экземпляре AWS. Модель основана на архитектуре BERT, содержит 136,7 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате ONNX с квантизацией INT8. Модель подходит для поиска по смыслу, кластеризации и других сценариев, использующих текстовые эмбеддинги. Лицензия — MIT. Карточка не сообщает об ограничениях точности после квантизации или о результатах на конкретных наборах оценки.

RK-1235/bge-base-FIR-matryoshka-BASELINE-10epo-triplet — дообученная модель Sentence Transformers на основе англоязычной BAAI/bge-base-en, созданная разработчиком репозитория. Она преобразует предложения и абзацы в плотные текстовые векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. Архитектура включает BERT, пулинг по CLS-токену и нормализацию векторов; максимальная длина входа — 512 токенов, сходство оценивается косинусной мерой. В README приведены оценки поиска для усечённых векторов размерностью от 64 до 1024 на тестовом наборе dim_1024/dim_768 и других наборах; результаты относятся к этим данным и не гарантируют качество на иных задачах. Модель рассчитана на английский текст. Лицензия в предоставленных сведениях не указана.

qilowoq/bge-m3-en-ru — компактная версия BAAI/bge-m3, подготовленная автором репозитория обрезанием словаря до токенов английского и русского языков. Модель основана на архитектуре XLM-RoBERTa, содержит 465,8 млн параметров и предназначена для получения векторных представлений предложений и сравнения их семантического сходства. Карточка сообщает, что обрезанный словарь уменьшает модель примерно в 1,5 раза относительно исходной и сохраняет те же эмбеддинги. Модель подходит для семантического поиска, сопоставления запросов с документами и поиска похожих предложений на английском и русском языках. Она принимает текст и выдаёт эмбеддинги; заявленная длина контекста — 8194 токена. Распространяется по лицензии MIT.

teven/bi_all_bs320_vanilla_finetuned_WebNLG2020_relevance — модель эмбеддингов на архитектуре MPNet, созданная на базе Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантической близости, поиска и кластеризации текстов. Модель содержит 136,7 млн параметров, принимает текст и имеет контекст до 514 токенов. Модель дообучена с использованием CosineSimilarityLoss; название указывает на обучение для оценки релевантности на данных WebNLG2020. Подходит для семантического поиска и ранжирования текстовых фрагментов по сходству. Опубликована в формате PyTorch. Лицензия в предоставленных данных не указана.

BrurryDog-7b-v0.1 — объединённая языковая модель семейства Mistral, созданная с помощью LazyMergekit из udkai/Turdus, leveldevai/TurdusBeagle-7B и liminerity/Blur-7b-v1.21. Модель с плотной архитектурой MistralForCausalLM содержит 7,1 млрд параметров и рассчитана на генерацию текста, диалоги и выполнение инструкций; нативная длина контекста составляет 32 768 токенов. В README описано слияние методом TIES с нормализацией и int8-маской; итоговые веса сохранены в bfloat16. Для оценки приведены результаты Open LLM Leaderboard, включая среднее значение 74,24, ARC 72,53 и HellaSwag 88,37. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает целевые языки, поэтому языковую специализацию определить нельзя.

Chicka-Mixtral-3x7b — языковая модель класса Mixture of Experts, созданная Chickaboo путём объединения трёх моделей на базе Mistral: разговорной OpenChat 3.5, модели для кода CodeNinja и математической MetaMath. Модель имеет архитектуру MixtralForCausalLM, около 7,1 млрд параметров и контекст до 8192 токенов; файлы опубликованы в формате safetensors. Лицензия — MIT. Модель предназначена для генерации текста в диалогах, помощи с программированием и решения математических задач. В README приведены результаты нескольких бенчмарков, однако они не гарантируют качество на конкретных пользовательских запросах. Данные о поддерживаемых языках и специальные ограничения применения в карточке не описаны.

OpenAssistant/codellama-13b-oasst-sft-v10 — англоязычная причинная языковая модель семейства CodeLlama, дообученная командой Open-Assistant на базе Meta CodeLlama. Это плотный decoder-only трансформер с 12,9 млрд параметров и контекстом до 16 384 токенов; веса опубликованы в формате safetensors. Модель обучалась на диалоговых данных OpenAssistant и наборах Orca, а для общения использует шаблон ChatML. Модель предназначена для генерации продолжений и ответов в диалоге, в том числе для сценариев, связанных с кодом. В README указано, что обучение частично использовало системные сообщения Orca; для корректной загрузки требуется актуальная версия Transformers либо trust_remote_code=True из-за изменения RoPE Theta. Лицензия — Llama 2 Community License Agreement. Проверки описаны только для английского языка. Ответы могут быть неточными, предвзятыми или нежелательными, поэтому перед внедрением модель следует оценить и настроить с учётом конкретного применения.

Colibri — компактная модель эмбеддингов для текстов на бразильском португальском языке, созданная tardellirs на основе google/embeddinggemma-300m. Это плотный энкодер семейства Gemma 3 Text, опубликованный как обычная SentenceTransformer-модель без адаптеров; после обрезки словаря и других этапов разработки в ней около 150,6 млн параметров. Модель формирует векторы размерности 768, поддерживает усечение до 512, 256 или 128 измерений, имеет варианты fp16 и ONNX и рассчитана на контекст до 2048 токенов. Модель предназначена для семантического поиска, извлечения документов для RAG, ранжирования, сравнения сходства текстов, кластеризации и классификации. В README сообщается о результатах на бенчмарке MTEB-BR и об оценках скорости на CPU; это результаты авторских испытаний, а не гарантия производительности для любой инфраструктуры. Обучение включало дистилляцию с двух моделей Qwen, объединение чекпойнтов и слияние весов с обрезанной базой; среди учебных данных указаны веб-тексты и бразильские юридические, налоговые и финансовые корпуса. Лицензия указана как Gemma. Хотя модель рассчитана на португальский Бразилии и может применяться в разных областях, качество на других языках отдельно не подтверждено. Эмбеддинги сами по себе не генерируют ответы: для RAG требуется отдельная генеративная модель.

nthakur/contriever-base-msmarco — порт модели Contriever MSMARCO в формат Sentence-Transformers. Модель на архитектуре BERT содержит 136,7 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 768; для корректного получения векторов в Transformers требуется подходящая операция pooling над контекстными представлениями токенов. Модель предназначена для семантического поиска и кластеризации текстов, а также для сравнения смысловой близости предложений. Принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch. README ссылается на исходную модель Contriever, однако сведения о лицензии и поддерживаемых языках в предоставленных данных отсутствуют.

facebook/contriever-msmarco — дообученная модель семейства Contriever на основе BERT, разработанная Facebook. Она предназначена для плотного семантического поиска и извлечения признаков текста: преобразует входной текст в векторное представление, которое можно использовать для поиска релевантных документов. Для получения эмбеддинга предложения при работе через Hugging Face Transformers требуется усредняющий mean pooling. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Она дообучена по подходу контрастивного обучения для плотного поиска информации. Лицензия в предоставленных данных не указана.

upskyy/e5-base-korean — многоязычная модель Sentence Transformer, разработанная upskyy на основе intfloat/multilingual-e5-base и дообученная на korsts и kornli. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска и других задач, где требуется сопоставлять смысл текстов. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений; для сходства используется косинусная мера. Модель содержит 305,2 млн параметров, максимальная длина последовательности — 514 токенов по метаданным. Поддерживает корейский и другие языки, перечисленные в метаданных. Лицензия — MIT.

E5-base-v2-t2t — адаптированная для нидерландского языка модель эмбеддингов на основе intfloat/e5-base-v2. Разработчики создали её с помощью transtokenizer: токенизатор взят из BERTje, а эмбеддинги токенов целевого языка инициализированы взвешенным усреднением семантически близких эмбеддингов исходной модели. Модель содержит 136,3 млн параметров, использует архитектуру BERT и библиотеку sentence-transformers; максимальная длина контекста — 512 токенов. Модель предназначена для получения векторных представлений нидерландских текстов и их семантического сравнения. Её можно применять для поиска документов по смыслу, сопоставления запросов и фрагментов текста, ранжирования passage-кандидатов и задач классификации или кластеризации текста. В README приведены результаты оценки на нидерландском бенчмарке MTEB-NL, но численные результаты для этой версии модели не указаны. Лицензия — MIT. Карточка описывает адаптацию токенизатора и эмбеддингов для нидерландского языка; она не заявляет о генерации связных ответов, поэтому тег text-generation в метаданных не следует трактовать как подтверждённую генеративную функцию.

E5 Multilingual FrenchBoost v1 — многоязычная модель эмбеддингов предложений, разработанная AurelPx на основе intfloat/multilingual-e5-base. Она предназначена прежде всего для семантического поиска и ранжирования франкоязычных текстов, сохраняя возможности исходного многоязычного пространства E5. Модель построена на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт эмбеддинги. Для запросов и документов рекомендуется использовать префиксы «query:» и «passage:». Модель подходит для поиска по коллекциям документов, оценки сходства предложений, переранжирования результатов, кластеризации и обнаружения дубликатов. Внутренняя оценка на 25 задачах MTEB(fra)-safe v2 показала средний результат 0,5636; авторы отдельно отмечают, что это оценка разработки, а не заявление о превосходстве над современными моделями. Модель выпущена под лицензией MIT. Это первая версия модели. Валидация пока ограничена внутренним бенчмарком; авторы планируют проверить устойчивость на более широком наборе задач, особенно для поиска, кластеризации и классификации пар.

E5-small — англоязычная модель текстовых эмбеддингов, разработанная Liang Wang, Nan Yang, Xiaolong Huang, Binxing Jiao, Linjun Yang, Daxin Jiang, Rangan Majumder и Furu Wei. Она обучена методом слабого контролируемого контрастивного предобучения и предназначена для кодирования запросов и текстов в векторы для поиска и сравнения семантической близости. Модель основана на BERT и содержит 12 слоёв; размер эмбеддинга — 384, число параметров — около 40 млн. Она принимает английский текст и выдаёт векторы. Контекст ограничен 512 токенами. Для поиска рекомендуется добавлять к текстам префиксы «query: » и «passage: » в соответствии с типом задачи; без них качество может снижаться. Модель распространяется по лицензии MIT. В README рекомендуется перейти на e5-small-v2, у которой выше качество при том же способе использования. Тексты длиннее 512 токенов обрезаются; результаты могут немного отличаться в зависимости от версий PyTorch и Transformers.

E5-small-v2-t2t — нидерландская адаптация модели intfloat/e5-small-v2, созданная с помощью transtokenizer на основе токенизатора BERTje. Модель использует архитектуру BERT и содержит 39,9 млн параметров; она преобразует текст в эмбеддинги для семантического поиска, сопоставления предложений и оценки их сходства. Подходит для поиска и ранжирования текстов на нидерландском языке, а также для задач извлечения признаков и группировки текстов. Максимальная длина контекста — 512 токенов. Выпускается под лицензией MIT.

Embedić Large — модель для создания текстовых эмбеддингов, разработанная djovak и дообученная на базе intfloat/multilingual-e5-large. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, информационного поиска, кластеризации и систем RAG. Модель специализируется на сербском языке в кириллице и латинице и также поддерживает английский, поэтому подходит для поиска по смешанным сербско-английским коллекциям. Она построена с использованием Sentence Transformers; в README для семейства указаны обучение в несколько этапов и сравнение результатов на задачах информационного поиска, сходства предложений и поиска параллельных текстов. Модель распространяется по лицензии MIT. README отмечает, что запись сербского текста латиницей без диакритики заметно ухудшает качество поиска, а сохранение заглавных букв в именах собственных может улучшить его.

Adel Elgabry дообучил SentenceTransformer на базе sentence-transformers/all-MiniLM-L6-v2 для семантического поиска по английским предложениям и абзацам. Модель кодирует текст в плотные векторы размерности 384, которые можно сравнивать косинусной близостью и использовать для поиска релевантных фрагментов. Архитектура включает энкодер BERT, усредняющий пулинг токенов и нормализацию векторов. В метаданных указано 25,9 млн параметров; предельный контекст составляет 512 токенов, а карточка модели указывает максимальную длину последовательности 256 токенов. Обучение описано для 2 225 пар предложений с функцией потерь MultipleNegativesRankingLoss. Модель принимает текст и выдаёт эмбеддинги; лицензия в предоставленных данных не указана.

kimquynh/finetuned_sbert_7 — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, предназначенная для кодирования предложений и абзацев в плотные векторы и их семантического поиска и сравнения. Архитектура включает MPNet, mean pooling и нормализацию; размер модели — 136,7 млн параметров, размерность выходных векторов — 768. Модель принимает текст, использует косинусное сходство и обучалась с ContrastiveLoss на 6 241 примере; в README указана максимальная длина последовательности 384 токена, а метаданные каталога приводят контекст 514 токенов. Модель подходит для извлечения релевантных текстов, вычисления сходства предложений и бинарной классификации пар по косинусному сходству. В README приведены оценки на наборах для сходства резюме и вакансий: Spearman 0,4798, а также accuracy 0,7258 и F1 0,7811 для бинарной классификации. Эти показатели относятся к указанным наборам и не гарантируют аналогичного качества на других данных. В карточке нет сведений о лицензии; обучение описано на англоязычных примерах о резюме и вакансиях, поэтому перенос качества на другие языки и области не установлен.

FuseMix-3.2-3B — объединённая языковая модель, опубликованная bunnycore и созданная с помощью mergekit методом passthrough на основе FuseAI/FuseChat-Llama-3.2-3B-Instruct и bunnycore/Llama-3.2-3B-General-lora_model. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров, рассчитанная на диалоговое взаимодействие и генерацию текста; заявленная длина контекста — 131 072 токена. Модель доступна в формате safetensors и использует библиотеку Transformers. Она подходит для диалогов, ответов на инструкции и генерации текста; описание базовой FuseChat также указывает на задачи математики и программирования. Языковые возможности с достаточной определённостью не перечислены, поэтому конкретные языки не указаны. Данных о лицензии в предоставленной карточке нет.

German-RAG-MISTRAL-7B-v3.0-SFT-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Это SFT-дообучение модели German-RAG-MISTRAL-7B-v3.0-CPT-HESSIAN-AI для сценариев генерации с контекстом, полученным через поиск. Модель рассчитана прежде всего на немецкоязычные бизнес-сценарии: ответы на вопросы по найденным документам, извлечение релевантной информации, суммаризацию и рассуждения, в том числе о временных связях. Поддерживает немецкий и английский языки. Размер — 7,1 млрд параметров, длина контекста — до 32 768 токенов. В обучающих примерах также предусмотрен формат для интеграции с контекстом и ссылками на источники. Модель выдаёт текст и может генерировать недостоверные ответы; факты следует проверять. В README также отмечены риски предвзятых и вредоносных ответов при отсутствии фильтрации безопасности. Модель и код доступны по лицензии Apache 2.0.

Granite-Embedding-97M-Multilingual-R2 — мультиязычная модель для создания плотных векторных представлений текста, разработанная командой Granite Embedding компании IBM. Представленная версия в формате ONNX автоматически преобразована и опубликована сообществом onnx-community. Модель предназначена для семантического поиска, сопоставления запросов и документов, кластеризации, оценки сходства текстов, поиска по длинным документам, многошаговым диалогам, извлечения информации и поиска по программному коду. Модель использует архитектуру bi-encoder на базе ModernBERT и содержит около 97 млн параметров. Она формирует 384-мерные эмбеддинги для запросов, passages, документов и кода, которые можно сравнивать, например, с помощью cosine similarity. Максимальная длина контекста составляет до 32 768 токенов. Поддерживается более 200 языков, при этом для 52 языков и программного кода выполнено дополнительное retrieval- и cross-lingual-обучение. Указаны варианты развертывания через ONNX и OpenVINO, а также совместимость с Transformers.js. К сильным сторонам относятся компактный размер, низкие вычислительные требования, большой контекст и высокая заявленная эффективность в мультиязычном поиске: результат 60,3 на Multilingual MTEB Retrieval, а также поддержка поиска по коду и длинным документам. Ограничение модели состоит в том, что она предназначена для построения эмбеддингов и не является генеративной языковой моделью; качество может различаться между языками, причём наиболее явно улучшены только 52 языка и программный код. Модель распространяется по лицензии Apache 2.0.

Huihui-Qwen3.5-27B-Opus-abliterated-YaRN-1M — текстовая генеративная модель на архитектуре Qwen3.5 с 27 млрд параметров, представленная в GGUF BF16. Это версия модели HuihuiAI с расширением контекста YaRN и включённым пошаговым рассуждением; в README также указана поддержка изображений через файл mmproj. Модель предназначена для диалогов, генерации текста и работы с длинными контекстами: заявлено 262 тысячи токенов активного контекста и до 1 млн токенов с YaRN, а максимальная длина ответа — 81 920 токенов. Карточка указывает английский язык. Для контекста 262K заявлено около 60 ГБ видеопамяти, для 1M — около 90 ГБ. Модель основана на HuihuiAI/Huihui-Qwen3.5-27B-Opus-abliterated; исходное семейство разработано командой Qwen. Лицензия — Apache-2.0. Термин «abliterated» указывает на изменение поведения модели, однако README не уточняет его влияние на безопасность или качество; длинный контекст требует значительных ресурсов видеопамяти.