I.14Автоматизация процессов и AI-агенты

Ovis2-34B — мультимодальная языковая модель семейства Ovis, разработанная командой Ovis. Она сочетает визуальный энкодер и языковую модель, структурно согласуя визуальные и текстовые представления. Модель принимает изображения и текст, отвечает на вопросы о визуальном содержимом и обрабатывает видео и несколько изображений в рамках одного сценария. Модель предназначена для визуального рассуждения, распознавания текста на изображениях, извлечения структурированных данных из таблиц и диаграмм, а также диалогов по визуальным материалам. В README заявлены усиленные способности к рассуждению и многоязычному OCR; метаданные указывают поддержку чата и интерфейса вызова инструментов. Архитектура — плотная модель Ovis; веса доступны в формате safetensors. Карточка приводит результаты оценки на тестах изображений и видео. Лицензия — Apache-2.0. README рекомендует использовать более новую версию Ovis2.5. Заявленные возможности и результаты бенчмарков не гарантируют точность на конкретных данных; модель может выдавать неподходящий контент или содержать проблемы с авторскими правами, как отмечено авторами.

LLukas22/paraphrase-multilingual-mpnet-base-v2-embedding-all — модель эмбеддингов на архитектуре XLM-RoBERTa, дообученная автором на базе paraphrase-multilingual-mpnet-base-v2. Она предназначена для представления предложений и поиска семантически близких текстов, в том числе для поиска ответов и дубликатов в системах вопросов и ответов. Модель насчитывает 305,2 млн параметров, поддерживает контекст до 514 токенов и рассчитана на применение через Sentence-Transformers. Модель обучалась на SQuAD, NewsQA, CQADupStack, FiQA, SciDocs, GermanQuAD и Natural Questions; автор приводит результаты ранжирования релевантных ответов на нескольких значениях top-k. В метаданных указаны английский и немецкий языки. Модель выпущена под лицензией Apache-2.0. Она формирует векторные представления и оценки сходства, поэтому качество поиска зависит от соответствия запроса и корпуса данным обучения; приведённые результаты относятся к указанным оценочным наборам.

Proximus-2x7B-v1 — языковая модель семейства Mixtral, созданная preemware с помощью LazyMergekit как смесь экспертов из beowolx/MistralHermes-CodePro-7B-v1 и preemware/Prox-MistralHermes-7B. В конфигурации указана базовая модель mlabonne/NeuralHermes-2.5-Mistral-7B; эксперты ориентированы на программирование и кибербезопасность. Модель предназначена для генерации текста и диалоговых сценариев, включая помощь с кодом и вопросы по информационной и сетевой безопасности. Архитектура — Mixtral MoE с классом MixtralForCausalLM; в репозитории доступны веса safetensors. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результаты оценки качества и не описывает конкретные меры безопасности; ответы по кибербезопасности и сгенерированный код требуют проверки.

CultriX/Qwen2.5-14B-Wernicke — объединённая плотная авторегрессионная языковая модель семейства Qwen2.5, созданная с помощью mergekit методом Model Stock. В основу слияния взята Qwen/Qwen2.5-14B; в объединение также вошли EVA-Qwen2.5-14B-v0.0, Qwen2.5-14B-Instruct, SuperNova-Medius, Rombos-LLM-V2.6-Qwen-14b и Qwen2.5-Lumen-14B. Модель содержит 14 млрд параметров и рассчитана на генерацию текста и диалоги. Модель подходит для ответов на запросы, свободного продолжения текста и формирования структурированных ответов; в метаданных также отмечен интерфейс вызова инструментов. Она принимает текст и выдаёт текст, поддерживает английский язык, а заявленная длина контекста составляет 131 072 токена. Для оценки приведены результаты Open LLM Leaderboard, включая IFEval и BBH, но данных недостаточно, чтобы определить практическое качество в конкретных сценариях. Распространяется по лицензии Apache-2.0.

Карточка модели xuanguan5525/Qwen2.5-1.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-1.5B-Instruct, поэтому описание составлено по ней. Qwen2.5-1.5B-Instruct — инструктивно дообученная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов и генерации текста по инструкциям, включая ответы на вопросы, создание длинных текстов и выдачу структурированных результатов, например JSON. Модель имеет плотную архитектуру причинного трансформера Qwen2 с RoPE, SwiGLU и RMSNorm и содержит 1,5 млрд параметров. Контекст составляет 32 768 токенов, максимальная длина генерации — 8 192 токена. Карточка описывает поддержку более 29 языков, включая русский и английский; метаданные указывают английский как язык карточки. Модель загружается через Transformers и распространяется по лицензии Apache-2.0. Среди сильных сторон — следование инструкциям, работа с длинными текстами и структурированными данными, а также интерфейс для вызова инструментов. Это компактная модель, поэтому её возможности ограничены по сравнению с более крупными языковыми моделями; оценочные результаты для этой конкретной версии в карточке не приведены.

bartowski/Qwen2.5-Coder-3B-GGUF — это набор квантизированных версий языковой модели Qwen2.5-Coder-3B, разработанной командой Qwen и подготовленной пользователем bartowski в формате GGUF для запуска через llama.cpp. Модель предназначена прежде всего для генерации и обработки программного кода, включая работу в локальных приложениях вроде LM Studio. В README указано, что базовая модель поддерживает английский язык. Модель имеет около 3 млрд параметров. Доступны варианты от F16 до низкобитных квантов Q2–Q8, различающиеся размером файла, требованиями к памяти и качеством генерации; наиболее рекомендуемыми названы варианты Q4–Q6. Квантизация выполнена с использованием imatrix и llama.cpp. Для взаимодействия используется шаблон сообщений с ролями system, user и assistant. Сведения об архитектуре, размере контекста и мультимодальности в README не указаны; по представленным данным модель является текстовой. Основное преимущество набора — возможность локального запуска при выборе подходящего уровня квантизации: старшие варианты обеспечивают более высокое качество, а младшие требуют меньше оперативной памяти. Ограничения связаны с компромиссом между размером и качеством, особенно у вариантов Q2–Q3; отдельные форматы оптимизированы для ARM и требуют соответствующей поддержки инструкций, а варианты Q4_0_8_8 и Q4_0_4_8 не рекомендуются для Mac или Windows. Лицензия указана как qwen-research; подробности доступны по ссылке на лицензию исходной модели Qwen2.5-Coder-3B.

Jongbin-kr/qwen2.5-coder-7b-verireason-grpo-official-full-ft — дообученная модель генерации текста на базе Jongbin-kr/qwen2.5-coder-7b-verireason_sft-reasoning_official-full-ft. Разработчик карточки указывает, что обучение выполнялось с использованием TRL; архитектура — плотная Qwen2, размер — 7,1 млрд параметров. Модель предназначена для генерации ответов в диалоговом формате. Базовая модель описана в каталоге как Qwen2.5-Coder-7B-Instruct, настроенная для диалога, рассуждений и программирования. Контекст составляет до 32 768 токенов; репозиторий содержит веса в формате safetensors и рассчитан на использование через Transformers. Карточка не приводит результатов оценки качества или подробных ограничений; возможности программирования и рассуждений следуют из описания базовой модели. Лицензия в предоставленных данных не указана.

Jongbin разработал эту разговорную языковую модель дообучением Qwen/Qwen2.5-Coder-7B-Instruct с помощью TRL. Модель построена на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров; она предназначена для генерации текста в формате диалога. Пример в карточке показывает ответ на вопрос общего характера, а базовая модель ориентирована на генерацию, анализ и исправление программного кода. Модель принимает текст и выдаёт текст. Нативная длина контекста составляет 32 768 токенов; для запуска описан Transformers pipeline. Лицензия в предоставленных данных не указана.

Qwen3.5-21B-Claude-4.6-Opus-Deckard-Heretic-Uncensored-Thinking — плотная мультимодальная модель на 21 млрд параметров, созданная DavidAU на основе Qwen3.5-27B-Deckard-PKD-Heretic-Uncensored-Thinking. По карточке, модель уменьшена с 27B, дообучена на наборах Deckard/PDK и данных рассуждений Claude 4.6 Opus; заявлен режим пошагового рассуждения переменной длины. Архитектура Qwen3.5 поддерживает текстовый диалог и обработку изображений; заявленное родное контекстное окно — 256K токенов. Модель предназначена для диалога, ответов на вопросы, генерации кода и творческого письма, включая художественные жанры и ролевые сценарии. Автор отмечает отсутствие ограничений на контент и предупреждает о возможности откровенных или графичных ответов. В карточке также указаны возможные повторы при низких квантизациях или недостаточно содержательных запросах; качество и скорость могут зависеть от квантизации и настроек генерации. Доступна под лицензией Apache-2.0. Для использования изображений и инструментальных вызовов автор рекомендует качественные квантизации; практические характеристики следует оценивать на выбранной сборке и конфигурации.

88plug/Qwen3.6-27B-W8A16 — квантованная версия мультимодальной модели Qwen3.6-27B, разработанной командой Qwen и опубликованной пользователем 88plug. Модель предназначена для обработки изображений и текста с генерацией текста: анализа изображений, визуально-текстовых запросов, рассуждений и задач общего назначения. Поддерживает английский язык; заявленный контекст составляет до 262 144 токенов. Это плотная модель примерно на 27 млрд параметров без MoE, с гибридной архитектурой Gated DeltaNet и полносвязных MLP-блоков. В ней 41 чередующийся слой полной и линейной внимания. Применена посттренировочная квантование AutoRound W8A16: веса хранятся в INT8, а активации — в BF16; размер группы квантования равен 32. Модель занимает около 27 ГБ и рассчитана на запуск на GPU Ampere и новее, включая RTX 4090, A6000 и A100-40. Для развёртывания предпочтителен vLLM версии 0.21 или новее с форматом compressed-tensors. К сильным сторонам относятся существенно меньшие требования к памяти по сравнению с BF16-версией, поддержка длинного контекста и возможность работы на распространённых GPU без ограничений, характерных для FP8. Текстовые компоненты калибровались на смешанном наборе UltraChat-200k и WikiText-103, однако визуальный энкодер получил некалиброванное RTN-квантование INT8, поэтому качество обработки изображений может быть менее проверенным. Формат compressed-tensors не поддерживается TGI, а виджет Hugging Face может работать нестабильно. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B Abliterated MLX MXFP4-MTP — vision-language модель на основе Qwen/Qwen3.8-27B, упакованная Shiftedx для экосистемы MLX. Это квантованная версия полной 27-миллиардной архитектуры: языковая часть использует MXFP4 с размером группы 32, а неизменённая vision tower — веса BF16. Пакет также содержит 15 BF16-тензоров native MTP для ускорения спекулятивной генерации; рекомендованная глубина MTP — 3. Для работы требуется MTPLX версии 2.0.2 или новее. Модель предназначена для генерации и анализа текста, обработки изображений, задач с длинным контекстом, tool calling и сценариев, где важна высокая скорость вывода на совместимом Apple Silicon-оборудовании. В опубликованном тестировании эффективный проверенный контекст составлял до 131 072 токенов; языки README не уточняет. На Apple M4 Max с 64 ГиБ unified memory модель показала 100% в тестах tool calling, 86,7% в тестах длинного контекста и 75% в vision-тестах, однако результаты зависят от версии весов, runtime, настроек и оборудования. Изменение refusal-направления снизило измеренные отказы в специально подготовленном наборе с 12/12 до 0/12, но авторы подчёркивают, что это не доказывает универсальную «нецензурированность». Модель может чаще выдавать вредные или ошибочные ответы; результаты бенчмарков также показывают ограничения в общей проверке качества и agentic-сценариях. Использовать её следует с осторожностью, особенно при работе с инструментами, изображениями и генерируемым кодом. Лицензия — Apache-2.0; ограничения исходной модели сохраняются.

lued/Qwen3.8-27B-AEON-UNCENSORED-INT8-W8A16-MTP — квантованная версия модели AEON-7/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16, основанной на Qwen/Qwen3.8-27B. За исходную архитектуру и базовую модель отвечает Qwen, за abliteration — AEON-7, а данный репозиторий содержит числовую W8A16-квантизацию, подготовленную lued. Модель предназначена для диалоговых и мультимодальных сценариев с обработкой текста и изображений, а также для развёртывания в vLLM на видеокартах Ampere. Модель имеет размер 27B параметров, поддерживает vision tower, режимы reasoning и нативный контекст до 262 144 токенов. Веса языковой модели представлены в INT8 с FP16 или BF16-активациями по схеме W8A16; голова MTP сохранена в BF16 для speculative decoding. Конфигурация оптимизирована для тензорного параллелизма на двух RTX 3090 и поддерживает FP8 E4M3 KV-кэш. Расширение контекста до 1 млн токенов с YaRN указано как отдельная возможность исходной модели и не гарантируется данной конфигурацией. Сильные стороны модели — сниженное потребление памяти по сравнению с BF16-версией, сохранение мультимодальности, большого контекста и MTP, а также отсутствие заявленных отказов на проверенном наборе промптов у исходной uncensored-версии. Ограничения включают зависимость от совместимой конфигурации vLLM, Ampere-ориентированную оптимизацию, необходимость учитывать доступную KV-память и возможное отличие поведения от стандартной Qwen3.8-27B из-за abliteration. В README указана лицензия Apache-2.0.

Qwen3.8-Flash-Next-IQ4_XS-GGUF — это квантизированная версия базовой модели Qwen/Qwen3.8-Flash-Next-FP8 в формате GGUF. Исходная модель разработана командой Qwen, а данный вариант подготовлен пользователем julianmb с использованием ROCmFPX и проверенного конвейера преобразования. Модель предназначена для генерации текста, включая повседневный диалог, программирование и работу с длинным контекстом. В репозитории представлены варианты квантизации IQ4_XS, включая статический файл размером около 116 GiB, imatrix-квантизацию M2 размером около 115 GiB и облегчённый PLE-вариант размером около 91 GiB. Для M2 заявлены 5,56 бит на вес и лучшее измеренное значение perplexity среди представленных вариантов; PLE-вариант уменьшает размер за счёт квантизации 51-миллиардной n-gram lookup table до iq4_nl. Также доступен отдельный MTP-файл Q8_0 размером около 3,9 GiB для ускоренной генерации в совместимых движках. Модель ориентирована на запуск на системах с 128 GiB унифицированной памяти, в частности на Strix Halo, через совместимые сборки llama.cpp и Vulkan. Заявлена работа с контекстом до 256k токенов при использовании SSD-PLE и специальных параметров запуска. Производительность зависит от варианта файла, глубины контекста, MTP и конкретного движка. Важное ограничение — PLE-вариант несовместим с некоторыми форками движков, которые не выполняют требуемую деквантизацию; в таких случаях рекомендуется статический вариант IQ4_XS или M2. Сведения о поддерживаемых языках и точной архитектуре в README не указаны. Лицензия обозначена как qwen-community-license-1.0.

Baekpica/Qwen3.8-Flash-Next-Mixed-Quant-SSD-PLE-GGUF — производная квантованная версия модели Qwen3.8-Flash-Next, разработанная Baekpica на базе модели Qwen. Она распространяется в формате GGUF с mixed-quant квантованием и рассчитана на запуск с использованием SSD-PLE offload, в частности на системах DGX Spark. Модель относится к мультимодальному классу image-text-to-text и поддерживает обработку текстовых запросов и изображений, включая фотографии, снимки экрана и документы. Опубликованы варианты MQ-Q6-SSD-PLE-BF16 и MQ-Q5-SSD-PLE-BF16 с общим BF16 SSD-PLE sidecar; также доступен FP8 sidecar. Для модели заявлена проверка прямого prefill на 262 144 токенах, а связанный runtime поддерживает путь Qwen YaRN до 524 288 токенов, однако это подтверждает возможности программного стека, а не качество модели на таком контексте. В README приведены измерения производительности prefill и decode, оптимизации MTP, повторное использование кэшей и сквозная работа изображений через несколько API-совместимых интерфейсов. Сильные стороны модели — мультимодальность, варианты с разным компромиссом между качеством и потреблением памяти, поддержка SSD-PLE offload, длинного контекста и оптимизированного инференса. Ограничения включают зависимость от совместимого runtime и аппаратной конфигурации, необходимость выбора подходящего sidecar, а также отсутствие в README точных данных о числе параметров, языках, полном описании архитектуры и сравнении качества с исходной моделью. Лицензия указана как qwen-community-1.0; применяются условия лицензии Qwen, доступной по ссылке в карточке модели.

Qwen3.8-Flash-Next-MTPLX-Optimized-Speed — квантованная версия базовой модели Qwen/Qwen3.8-Flash-Next, подготовленная Youssofal для запуска через MTPLX на компьютерах Apple Silicon. Модель предназначена для локальной генерации текста, диалогов и программирования, включая работу с OpenCode и другими локальными AI-инструментами. Модель основана на архитектуре поколения Qwen4 с гибридной MoE-структурой GDN, Qwen Sparse Attention и 51-миллиардной n-gram memory. Всего заявлено 125B параметров, из которых 6B активируются на токен. Основные веса используют динамическую 4-битную квантизацию, проекции внимания — 8-битную, а отдельные компоненты и MTP-голова сохраняют 16-битную точность. Поддерживается контекст до 262 144 токенов, мультимодальная vision tower сохранена, однако конкретные языки и поддерживаемые форматы ввода в карточке не указаны. Ключевое преимущество — нативное multi-token speculative decoding с адаптивной глубиной до 3 токенов, обеспечивающее заявленное ускорение по сравнению с обычной авторегрессионной генерацией при сохранении распределения вывода. Загрузка занимает около 115,1 ГБ, из них 32 ГБ n-gram-таблицы могут размещаться на SSD; рекомендуются Mac с Apple Silicon и минимум 96 ГБ unified memory. Ограничения включают высокие требования к памяти и зависимость от MTPLX и совместимого оборудования. Лицензия указана как qwen-community-1.0; также обозначено поле license: other.

Qwen3-Coder-480B-A35B-Instruct-GGUF — это набор квантизированных вариантов инструкционной модели Qwen3-Coder-480B-A35B-Instruct, разработанной командой Qwen. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; модели распространяются в формате GGUF и предназначены для запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель ориентирована на генерацию текста и задачи программирования в диалоговом режиме. README указывает шаблон запросов с ролями system, user и assistant. Доступны варианты квантизации Q2–Q8 с размером файлов примерно от 169 до 510 ГБ; версии с более высокой точностью обеспечивают лучшее качество, но требуют значительно больше оперативной памяти, а низкоразрядные варианты экономят ресурсы за счёт снижения качества. Для большинства сценариев автор рекомендует варианты Q4_K_M, Q5_K_M и Q6_K. Сильная сторона модели — большой размер исходной модели и широкий выбор квантизаций, позволяющий выбирать компромисс между качеством и требованиями к памяти. Ограничения — крайне высокие аппаратные требования даже у компактных вариантов, а также возможное ухудшение качества при использовании низких уровней квантизации. Сведения о поддерживаемых языках, размере контекста, мультимодальности и лицензии в README не указаны.

BenevolenceMessiah/QwQ-32B-Preview-abliterated-Self-instruct-3x-TIES-v1.0 — языковая модель на 32 млрд параметров, созданная BenevolenceMessiah слиянием предобученных моделей через TIES с помощью mergekit. В качестве базовой использована huihui-ai/QwQ-32B-Preview-abliterated; в слияние также вошли EVA-UNIT-01/EVA-Qwen2.5-32B-v0.2, rombodawg/Rombos-Coder-V2.5-Qwen-32b и rombodawg/Rombos-LLM-V2.5-Qwen-32b. Модель построена на плотной архитектуре Qwen2 и предназначена для генерации текста и диалогов. Поддерживает контекст до 32 768 токенов, распространяется в формате safetensors и работает через Transformers. В каталоге также отмечен интерфейс вызова инструментов. Состав моделей предполагает применение для общих диалогов, работы с кодом и написания историй, однако отдельные языки и качество на конкретных задачах не подтверждены предоставленными данными. Условия лицензирования в предоставленных источниках не приведены, поэтому перед использованием следует проверить лицензию репозитория и условия базовых моделей. Модель создана слиянием и может наследовать особенности и ограничения включённых чекпойнтов.

RepresentLM-v1 — модель эмбеддингов предложений и абзацев, разработанная на базе StoriesLM-v1-1963. Она преобразует текст в плотные векторы размерностью 768 и предназначена для поиска семантически похожих текстов, кластеризации и семантического поиска. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель дообучена на наборе HEADLINES для семантического сходства; в метаданных также указан датасет AmericanStories. Подходит для поиска по смыслу и группировки текстов на английском языке. Распространяется по лицензии MIT.

Модель atasoglu/roberta-small-turkish-clean-uncased-nli-stsb-tr — дообученный sentence-transformers энкодер на базе турецкой RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для поиска по смыслу, сравнения текстов и кластеризации. Модель дообучена на наборах nli_tr и emrecan/stsb-mt-turkish; тексты перед подачей следует вручную приводить к нижнему регистру с заменой латинской I на турецкую ı. Число параметров — 71,9 млн, контекст — до 514 токенов. Работает с турецким языком, распространяется под лицензией MIT.

ruRoPEBert-e5-base-2k — русскоязычная модель-энкодер от Tochka AI на архитектуре RoPEBert с 166,5 млн параметров. Она дообучена на датасете CulturaX методом cloning на основе hivaze/ru-e5-base, который использует русские и английские эмбеддинги intfloat/multilingual-e5-base. Модель предназначена для получения эмбеддингов предложений и текстов, сравнения их семантической близости и построения классификаторов. В архитектуру встроен mean-pooling с учётом маски внимания; также доступен вариант pooling с преобразованием первого токена. Контекст обучения составляет до 2048 токенов. В бенчмарке encodechka модель показала более высокий общий показатель S+W, чем приведённые в карточке ruRoPEBert-e5-base-512 и multilingual-e5-base. Для загрузки требуется Transformers версии 4.37.2 или новее и разрешение загрузки кода из репозитория через trust_remote_code=True. Карточка не указывает лицензию. Модель может работать с более длинным контекстом при настройке RoPE scaling, однако качество за пределами обучающей длины отдельно не подтверждено.

RWKV7-G1 «GooseOne» — семейство базовых языковых моделей от BlinkDL на архитектуре RWKV-7, сочетающей свойства рекуррентной сети и языковой модели с авторегрессионной генерацией. Модели предварительно обучены на веб-текстах, коде, синтетических данных, а также инструкционных, диалоговых и рассуждательных примерах; доступны варианты от 0,1 до 13,3 млрд параметров. Указаны словарь из 65 536 токенов и размер головы 64. Модели предназначены для генерации текста, диалога и рассуждений, а также для дальнейшего дообучения и адаптации под конкретные задачи. Автор отмечает локальный запуск на мобильных и настольных устройствах и высокую скорость инференса; приведённые показатели относятся к RWKV-7 7,2B на RTX 5090. В карточке описаны рекомендации по настройкам генерации и вызову функций. Карточка не сообщает длину контекста и не приводит сопоставимых оценок качества, поэтому производительность на конкретных задачах следует проверять отдельно. Модели распространяются по лицензии Apache-2.0.

Muennighoff/SBERT-base-nli-v2 — модель семейства Sentence-BERT на базе BERT для получения векторных представлений предложений и оценки их семантического сходства. Она использовалась в работах SGPT о векторных представлениях предложений для семантического поиска и TSDAE об обучении таких представлений с помощью последовательного автоэнкодера с удалением шума. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для семантического поиска, сравнения предложений и других задач, где требуется сопоставлять тексты по смыслу. При использовании через Transformers к контекстным представлениям токенов необходимо применять подходящую операцию pooling. В карточке указано обучение с MultipleNegativesRankingLoss и косинусной функцией сходства. Сведения о лицензии и языковом охвате в предоставленных источниках отсутствуют.

SDLM-32B-D4 — языковая модель OpenGVLab для генерации текста в формате последовательной диффузии. Она основана на Qwen2.5-32B и дообучена для переноса авторегрессионных весов в диффузионный режим. Модель предсказывает блоки токенов длиной 4, затем сохраняет наиболее длинный уверенно предсказанный префикс; повторное использование KV-кэша призвано ускорить декодирование. В метаданных указаны 32 млрд параметров и контекст до 131 072 токенов. Модель предназначена для диалоговой генерации и задач с длинным текстом. Авторы сообщают примерно о двукратном ускорении относительно сопоставимых авторегрессионных моделей при близком качестве и до пятикратного ускорения относительно других диффузионных языковых моделей; в README эти результаты связаны, в частности, с тестом MATH-500. В обучении использовались данные по математике, коду и общим диалогам, а также научные и табличные наборы. Указаны интерфейсы чата и вызова инструментов, но отдельные гарантии качества для этих сценариев в карточке не приведены. Модель распространяется под лицензией Apache-2.0.

Итальянская модель эмбеддингов предложений на базе архитектуры BERT, разработанная автором репозитория nickprock и предназначенная для использования с Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768, которые подходят для поиска семантически близких текстов, кластеризации и оценки сходства. Модель содержит 137,9 млн параметров, принимает текстовое описание на итальянском языке и поддерживает контекст до 512 токенов. Обучение использовало CosineSimilarityLoss; в репозитории доступны форматы PyTorch, Safetensors и ONNX. Базовая модель — dbmdz/bert-base-italian-xxl-uncased. Лицензия — MIT. Возможности модели сосредоточены на получении эмбеддингов предложений; качество зависит от соответствия входных текстов итальянскому языку и прикладной задаче.

SimCSE-Dist-MPNet-CzEng — компактная модель семантических эмбеддингов, разработанная Seznam.cz и дообученная с целевой функцией SimCSE. Она предназначена для оценки смыслового сходства предложений и может применяться для семантического поиска, извлечения релевантных текстов, кластеризации и классификации. Модель основана на архитектуре BERT, содержит 27,2 млн параметров и принимает текстовые входные данные, формируя векторные представления предложений. Контекст ограничен 512 токенами. В карточке заявлена поддержка чешского и английского языков. Модель опубликована в формате PyTorch под лицензией CC-BY-NC-SA-4.0, которая ограничивает коммерческое использование и требует соблюдения условий распространения.

Leroy Dyer представляет SpydazWeb AI HumanAI RP — объединённую модель для генерации текста на основе Mistral 7B. Автор сообщает о длительном дообучении и слиянии нескольких моделей; метаданные указывают размер 7,1 млрд параметров, архитектуру Mistral и лицензию Apache-2.0. Карточка описывает модель как ориентированную на диалоги, ролевые сценарии, рассказывание историй и следование инструкциям, а также на структурированные ответы, планирование и генерацию кода. Модель рассчитана на текстовые сценарии, включая ролевые игры и персонажей, ответы на вопросы, перевод, суммаризацию, программирование и задачи с агентами или инструментами. В README также заявлена работа с изображениями и аудио через текстовые представления Base64 и спектрограммы, однако метаданные подтверждают только задачу text-generation, поэтому эти возможности следует считать заявлениями автора. Автор заявляет контекст до 512 тыс. токенов, но отмечает, что обучение в основном проводилось на последовательностях длиной 2048 токенов. Автор предупреждает, что модель может ошибаться и выдавать NSFW-контент; её ответы требуют проверки, особенно в медицинских и других чувствительных сценариях. Условия использования определяются лицензией Apache-2.0.

cnmoro/static-nomic-384-pten-v2-st — совместимая с Sentence Transformers версия статической модели текстовых эмбеддингов, созданная cnmoro с помощью Tokenlearn на базе nomic-embed-text-v2-moe. Модель выдаёт векторы размерности 384 для текстов на английском и португальском языках и предназначена для семантического поиска, сравнения предложений и извлечения документов. Это дообученная Model2Vec-модель в формате safetensors. Её веса численно совпадают с cnmoro/static-nomic-384-pten-v2; отличие состоит в хранении: матрица эмбеддингов развёрнута по одному ряду на токен, чтобы её мог загружать StaticEmbedding из Sentence Transformers. Исходная упаковка Model2Vec занимает меньше места — 52 МБ против 424 МБ у этой версии. Модель подходит для построения поиска и ранжирования по близости текстовых векторов. Она создаёт эмбеддинги, а не готовые ответы на вопросы. Лицензия — Apache-2.0.

NovaSearch/stella_en_400M_v5 — англоязычная модель эмбеддингов, обученная разработчиками Stella на основе Alibaba-NLP/gte-large-en-v1.5 и Alibaba-NLP/gte-Qwen2-1.5B-instruct. Она предназначена для преобразования текстов в векторы и оценки семантического сходства, включая поиск релевантных фрагментов по запросу. Модель содержит 433,9 млн параметров, поддерживает контекст до 8192 токенов и использует архитектуру SentenceTransformer на PyTorch; для большинства задач предусмотрены промпты s2p для поиска и s2s для сравнения текстов. Обучение с Matryoshka Representation Learning позволяет получать эмбеддинги размером 512, 768, 1024, 2048, 4096, 6144 или 8192 измерения; авторы считают 1024 измерения достаточными для большинства задач. Модель можно применять для семантического поиска, поиска по запросу релевантных фрагментов и измерения сходства предложений. Хотя метаданные указывают контекст 8192 токена, README рекомендует длину последовательности 512: по наблюдениям авторов, на специализированных задачах поиска по длинным текстам модель работает хуже. Лицензия — MIT.

cross-encoder/stsb-TinyBERT-L4 — модель семейства BERT, обученная с помощью класса CrossEncoder библиотеки SentenceTransformers на наборе STS Benchmark. Она принимает пару предложений и оценивает их семантическое сходство числом от 0 до 1, поэтому подходит для сравнения текстов и ранжирования кандидатов по близости к запросу. Модель содержит 15,6 млн параметров и поддерживает контекст до 512 токенов; основное назначение — англоязычные тексты. Модель можно применять для поиска похожих предложений, семантического сопоставления коротких текстов и переранжирования результатов поиска. В метаданных также указана задача классификации текста, однако карточка описывает предсказание оценки сходства. Модель опубликована под лицензией Apache-2.0.

witty-works/test_false_positive_2 — модель на базе архитектуры MPNet, разработанная командой witty-works. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, сравнения предложений и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и возвращает эмбеддинги; заявленная длина контекста — 514 токенов. Для использования доступны веса PyTorch и интеграция с Sentence-Transformers или Transformers. Модель подходит для семантического поиска и группировки текстов по смыслу. Она обучалась с функцией потерь CosineSimilarityLoss. В карточке не указаны языковая специализация и условия лицензии, поэтому их нельзя определить по предоставленным данным.