I.14Автоматизация процессов и AI-агенты

tardellirs/brazembed-pt-br-clfclu — компонент BrazEmbed-PT-BR, созданный автором репозитория на основе BERTimbau Base для бразильского португальского. Это SentenceTransformer с архитектурой BERT и примерно 136,1 млн параметров, предназначенный для получения текстовых эмбеддингов для классификации и кластеризации; карточка также указывает оценку сходства предложений. Представление формируется mean pooling, затем нормализуется по L2; префикс инструкции не требуется. Максимальная длина контекста — 512 токенов. Модель подходит для классификации текстов и группировки похожих текстов на бразильском португальском. В карточке приведён результат MTEB(por) mean_16 = 0,6567 для системы BrazEmbed-PT-BR, однако он не уточнён отдельно для этого компонента. Лицензия — MIT.

Calcium-Opus-14B-Elite-Stock — объединённая диалоговая языковая модель от prithivMLmods на архитектуре Qwen2.5 с 14 млрд параметров. Она создана методом Model Stock с помощью mergekit на основе Calcium-Opus-14B-Elite и моделей Calcium-Opus-14B-Elite2, Elite3 и Elite4; веса доступны в формате safetensors. Модель предназначена для генерации текста и диалогов, следования инструкциям, логических рассуждений, решения математических задач и пошагового объяснения решений. В README указано, что при подготовке использовались дообученная модель рассуждений и специализированные наборы данных. Модель поддерживает контекст до 131 072 токенов и рассчитана на текстовый ввод и текстовый вывод. В README приведены результаты Open LLM Leaderboard: среднее значение 36,49, IFEval — 61,43 и BBH — 46,90. Эти оценки характеризуют только указанные тесты и не гарантируют качество на конкретных прикладных задачах. Лицензия в предоставленных данных не указана.

BSC-LT/Checkpoint_2b_instructed_beta — текстовая чат-модель семейства Llama с плотной архитектурой LlamaForCausalLM и 1,7 млрд параметров. Она принимает текст и генерирует текст; карточка модели указывает на версию 2b модели Sxxxxxx, обученную на базовом наборе инструкций, включающем RAG_Multilingual, без последней эпохи обучения. Модель предназначена для диалоговых ответов и выполнения инструкций, в том числе в многоязычных сценариях с поиском по внешним источникам. Контекст составляет 8192 токена. Репозиторий содержит веса в формате safetensors, библиотека — Transformers. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

ChimeraLlama-3-8B-v2 — языковая модель на архитектуре Llama, созданная mlabonne с помощью LazyMergekit путём слияния шести моделей семейства Llama 3. Она предназначена для генерации текста и диалогового использования, включая ответы на вопросы и написание кода. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. В состав слияния входят инструктивные и диалоговые модели, включая NousResearch/Meta-Llama-3-8B-Instruct, OrpoLlama-3-8B и Dolphin 2.9 Llama 3 8B. Карточка приводит результаты оценок Open LLM Leaderboard, в том числе IFEval и BBH. В метаданных указана лицензия other; конкретные условия использования следует сверить с лицензиями исходных моделей. Данные карточки не описывают отдельную специализацию или гарантии качества для конкретных сценариев.

cho-embedding-0.8b — мультимодальная модель для получения эмбеддингов, разработанная на архитектуре Qwen3.5-0.8B и дистиллированная из Qwen3-VL-Embedding-8B. В модели 853 млн параметров, размерность эмбеддингов — 1024 с поддержкой MRL-размеров 256 и 64; длина контекста составляет 4096 токенов. Она принимает текст, изображения и их мультимодальные сочетания, формируя векторные представления для поиска и сравнения. Модель обучена методом полного дообучения с дистилляцией по KL-дивергенции и контрастивной функции на 3,4 млн мультимодальных примеров. В README приведены результаты на 36 задачах MMEB-Image, включая классификацию, визуальные вопросы, поиск и grounding. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0.

ConGen-BERT-Tiny — компактная модель семейства BERT, опубликованная пользователем kornwtp. Она преобразует предложения в плотные векторы размерностью 128 и предназначена для оценки семантического сходства и семантического поиска. Модель содержит 4,4 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для поиска предложений и документов по смыслу, сравнения текстовых фрагментов и построения систем на основе эмбеддингов. В README упомянута оценка на Sentence Embeddings Benchmark для задачи Semantic Textual Similarity. Лицензия — Apache-2.0.

kornwtp/ConGen-MiniLM-L6 — модель семейства ConGen на базе архитектуры BERT, представленная в формате PyTorch. Она преобразует предложения в плотные векторы размерности 384 и предназначена для поиска семантически близких текстов и сравнения предложений. Модель содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска, сопоставления предложений и построения векторных представлений текста. В README упоминается оценка на бенчмарке Sentence Embeddings Benchmark для задачи Semantic Textual Similarity. Лицензия — Apache-2.0. Данные о поддерживаемых естественных языках не приведены.

Карточка модели jameshan5040/cs598-adv-nlp-hw1-jameshan5040 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.

DeepSeek-Coder-V2-Lite-Base-IMat-GGUF — это GGUF-квантизованная версия базовой модели deepseek-ai/DeepSeek-Coder-V2-Lite-Base, подготовленная legraphista с использованием llama.cpp. Модель предназначена прежде всего для генерации текста и задач, связанных с программированием; в README она представлена как базовая, а не специализированная диалоговая модель. Доступны варианты в форматах BF16, F16, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и других типах квантизации размером примерно от 6,43 до 31,42 ГБ. Для ряда компактных вариантов применена IMatrix-квантизация, призванная повысить качество по сравнению с обычным квантованием; доступны файлы IMatrix и версии для llama.cpp. Сведения об архитектуре, количестве параметров, поддерживаемых языках, модальностях и размере контекста в README не указаны. Основные преимущества — широкий выбор уровней квантизации, возможность локального запуска через совместимый стек GGUF/llama.cpp и компромисс между качеством, размером файла и требованиями к памяти. Более агрессивное квантование может снижать качество, а для работы требуются ресурсы, соответствующие выбранному варианту. Модель распространяется по лицензии deepseek-license; в карточке указано обозначение лицензии other и ссылка на файл LICENSE.

voidism/diffcse-bert-base-uncased-sts — модель для получения векторных представлений предложений, основанная на BERT-base-uncased и обученная методом DiffCSE. DiffCSE — разработанная Yung-Sung Chuang и соавторами схема контрастивного обучения без разметки: она обучает представления учитывать смысловые различия между исходным и отредактированным предложениями. В README метод показал улучшение результатов на задачах семантического сходства текста по сравнению с unsupervised SimCSE. Модель предназначена для извлечения эмбеддингов предложений, в том числе для оценки семантического сходства и построения систем поиска по смыслу. Это плотная модель семейства BERT с 136,7 млн параметров и контекстом до 512 токенов; принимает текст и выдаёт векторные представления. Карточка описывает DiffCSE для английских моделей BERT и RoBERTa, а данный репозиторий относится к варианту BERT-base-uncased для STS. Лицензия — Apache-2.0. README упоминает необходимость специализированной версии Transformers для обучения DiffCSE; для использования готовой модели рекомендует API SimCSE.

dolphincoder-starcoder2-7b-GGUF — это набор GGUF-квантизаций модели dolphincoder-starcoder2-7b, подготовленный bartowski с использованием llama.cpp. Исходная модель разработана cognitivecomputations; в README также указаны наборы данных, использованные при обучении или дообучении, включая cognitivecomputations/dolphin, cognitivecomputations/dolphin-coder, airoboros, OpenHermes, Magicoder и наборы задач по программированию и математике. Модель предназначена прежде всего для генерации и обработки текста, связанного с программированием, включая написание, дополнение и объяснение кода, а также выполнение инструкций в соответствующих сценариях. Заявлен английский язык. Архитектура исходной модели в README не описана, однако её размер составляет 7 миллиардов параметров согласно идентификатору. Мультимодальность и размер контекста не указаны. Главная особенность репозитория — несколько уровней квантизации для запуска через llama.cpp с различным компромиссом между качеством и требованиями к памяти: от Q8_0 размером 7,86 ГБ до Q2_K размером 2,91 ГБ. В README рекомендуется Q6_K как вариант с очень высоким качеством; версии Q3 и особенно Q2 обеспечивают меньший размер, но заметно теряют в качестве. Ограничения включают отсутствие сведений о поддерживаемых языках, контекстном окне и результатах бенчмарков. Модель распространяется по лицензии bigcode-openrail-m.

E5-base-4k — модель для получения векторных представлений текстов, представленная в работе LongEmbed: Extending Embedding Models for Long Context Retrieval. Авторы — Dawei Zhu, Liang Wang, Nan Yang, Yifan Song, Wenhao Wu, Furu Wei и Sujian Li. Модель предназначена для поиска и сопоставления запросов с длинными текстовыми фрагментами, в том числе в задачах retrieval. Это плотная модель семейства BERT с 12 слоями и размерностью эмбеддинга 768. Она содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 4096 токенов. Репозиторий содержит веса PyTorch; карточка указывает английский язык. Модель можно применять для поиска по коллекциям документов и семантического сравнения текстов. В README приведены примеры кодирования запросов и пассажей из MS MARCO, а оценку предлагают воспроизводить на наборах BEIR и MTEB. Лицензия — MIT. Карточка не сообщает о других языках или ограничениях качества; практические результаты следует оценивать на данных целевого поиска.

embeddinggemma-300m-GGUF — это GGUF-версия мультиязычной модели эмбеддингов Google EmbeddingGemma 300M, разработанной Google и преобразованной сообществом cstr без дополнительного обучения, дообучения или изменения архитектуры. Модель предназначена для семантического поиска, retrieval, сравнения текстов по смыслу и других задач feature extraction; поддерживает интеграцию с CrispEmbed и Ollama-совместимыми средами. Модель основана на трансформере Gemma 3 с 300 млн параметров и двунаправленным вниманием. Она использует mean pooling, плотную проекцию 768→3072→768 и L2-нормализацию, формируя эмбеддинги размерности 768. Поддерживается более 100 языков, максимальная длина контекста составляет 2048 токенов. Доступны варианты в форматах F32, Q8_0, Q5_K и Q4_K; F32 обеспечивает наибольшую точность, а квантованные версии требуют меньше памяти. Q8_0 и Q5_K рекомендуются при повышенных требованиях к близости результатов к исходной модели, тогда как Q4_K может давать небольшое снижение качества. Сильные стороны модели — компактный размер, мультиязычность, возможность локального запуска и широкий выбор квантований. Ограничения включают зависимость качества от уровня квантования и необходимость учитывать совместимость с GGUF- и Ollama-совместимыми runtime; модель предназначена для получения эмбеддингов, а не для генерации текста. Распространяется на условиях лицензии Gemma, без предоставления прав сверх условий лицензии исходной модели.

jonatasgrosman/exp_w2v2t_ru_hubert_s818 — модель распознавания русской речи, дообученная автором jonatasgrosman с помощью HuggingSound на обучающей части Common Voice 7.0. Она основана на facebook/hubert-large-ll60k и использует архитектуру HuBERT с CTC-головой; размер составляет 402,7 млн параметров. Модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст. Подходит для автоматической транскрипции русскоязычных записей. Распространяется по лицензии Apache-2.0.

TheMohanad1/Fine-Tuned-E5 — модель Sentence Transformers, дообученная разработчиком на базе intfloat/multilingual-e5-large для преобразования предложений и абзацев в плотные текстовые эмбеддинги. Она основана на XLM-RoBERTa, содержит 658,7 млн параметров и выдаёт векторы размерностью 1024; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов (в метаданных указано 514 токенов нативного контекста). Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Её обучали с помощью MultipleNegativesRankingLoss на 1 109 парах предложений, включая примеры на арабском языке из юридической тематики Саудовской Аравии. Поддержка других языков согласуется с многоязычной базовой моделью, однако карточка не перечисляет языки обучения или оценки. Модель принимает текст и возвращает векторы; доступный формат весов — safetensors. Лицензия в предоставленных данных не указана.

aleversn/GCSE-BERT-base — англоязычная модель семейства GCSE на архитектуре BERT, дообученная на базе google-bert/bert-base-uncased для оценки сходства предложений. Она предназначена для сравнения смысловой близости текстов; в карточке приведён результат 81,98 по средней метрике STS. Модель содержит 136,7 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и распространяется в формате PyTorch. Лицензия — Apache-2.0.

Gemma 4 12B RKNn3 для RK1828 — адаптированная для запуска на устройстве версия Gemma 4 12B IT от Google DeepMind, подготовленная проектом t-firefly для LlamaPi. Это плотная мультимодальная модель семейства Gemma4 Unified, распространяемая в форматах GGUF и safetensors и ориентированная на локальное использование на периферийных устройствах. Модель принимает текст, изображения, аудио и видео, а выдаёт текст; поддерживает диалог, рассуждения, программирование и агентные сценарии. В исходной карточке заявлены контекст 256 тысяч токенов и поддержка более 140 языков. Модель подходит для локального чат-ассистента, анализа мультимодальных входных данных и задач на устройстве RK1828 через LlamaPi. Репозиторий указывает лицензию Apache-2.0. Сведения о качестве и ограничениях именно сборки для RK1828 в карточке не приведены.

GLM-4.7-Flash-Uncensored-Heretic-NEO-CODE-Imatrix-MAX-GGUF — это GGUF-квантизированная версия модели GLM-4.7-Flash, разработанная DavidAU на базе Olafangensan/GLM-4.7-Flash-heretic и исходной модели ZAI-ORG. Модель предназначена для генерации текста, рассуждений, программирования, творческого письма, создания сюжетов и сцен, ролевых сценариев, а также работы с жанрами science fiction, horror и romance. Заявлена как uncensored/heretic-версия с удалёнными или ослабленными отказами, однако для получения более откровенного, грубого или эксплицитного текста может потребоваться явное указание желаемой лексики и уровня детализации. В основе используется MoE-архитектура на 30B параметров с тремя или четырьмя? активными экспертами; README указывает четыре активных эксперта и около 2B активных параметров при генерации. Поддерживаются английский и китайский языки. Модель работает на GPU и CPU, поставляется в формате GGUF, использует NEO и Code imatrix-квантизацию, а также 16-битный выходной тензор для повышения качества финального текста и рассуждений. Заявлен контекст до 200 тысяч токенов без RoPE, при этом рекомендуется использовать не менее 8–16 тысяч токенов для длинных ответов. Для запуска требуется актуальная версия llama.cpp; для некоторых конфигураций рекомендуется отключать Flash Attention из-за возможного снижения скорости. Сильными сторонами являются сочетание малой вычислительной нагрузки активной части MoE, поддержка длинного контекста, улучшения для кода и рассуждений, а также возможность локального запуска на CPU и GPU. Возможные ограничения включают зависимость качества и скорости от конкретного кванта, параметров семплирования и программного окружения, а также склонность к длинным или повторно «полирующимся» ответам. Модель распространяется по лицензии MIT.

asaakyan/gutenberg_authorship — модель Sentence Transformers, дообученная автором на базе FacebookAI/roberta-base. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по смыслу с помощью косинусного сходства. Архитектура включает RoBERTa с усреднением токеновых представлений; максимальная длина последовательности — 512 токенов. Модель можно применять для поиска семантически близких текстов, обнаружения перефразировок, кластеризации и классификации текстов. В README приведены результаты бинарной классификации на наборах litemb-dev и litemb-test; обучающие и оценочные данные описаны как CSV с тройками anchor, positive и negative. Метаданные указывают англоязычную базовую RoBERTa, но отдельный перечень поддерживаемых языков для этой модели не заявлен. Модель распространяется в формате safetensors. Лицензия в предоставленных данных не указана. Её контекст ограничен 512 токенами, а приведённая оценка качества относится к указанной задаче бинарной классификации и не гарантирует качество на других доменах.

Hermes-3-Llama-3.1-70B-lorablated — диалоговая модель mlabonne на архитектуре Llama 3.1, созданная слиянием Hermes-3-Llama-3.1-70B от NousResearch с адаптером abliteration. Модель предназначена для генерации ответов в диалоге и выполнения инструкций; версия lorablated настроена на снижение отказов отвечать на допустимые запросы. В карточке приведены результаты оценивания на IFEval и BBH. Модель содержит 69,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; максимальный контекст — 131 072 токена. Для работы с ней нужны текстовые запросы, ответы генерируются в текстовом виде. Указана библиотека Transformers. Сведений о лицензии в доступных данных нет.

nlpguy/Hermes-low-tune-2 — объединённая модель для генерации текста на основе Mistral, созданная с помощью mergekit методом task arithmetic. В качестве базовой использована teknium/OpenHermes-2.5-Mistral-7B; в объединение также вошли Math-OpenHermes-2.5-Mistral-7B, NeuralHermes-2.5-Mistral-7B-laser, dpopenhermes-alpha-v0 и NeuralHermes-2.5-Mistral-7B. Модель содержит 7,1 млрд параметров, использует архитектуру Mistral и поддерживает контекст до 32 768 токенов. Она предназначена для диалогов и генерации текста; состав объединённых моделей также указывает на применимость к математическим задачам. Карточка приводит результаты нескольких тестов Open LLM Leaderboard, включая средний балл 68,04. Модель распространяется по лицензии Apache-2.0. Данные карточки не описывают подробно её языковой охват и практические ограничения; качество может зависеть от задачи и формулировки запроса.

Instruct-12B — языковая модель, созданная hakurei дообучением EleutherAI Pythia 12B deduped на наборе Open-Instruct v1. Она предназначена для следования инструкциям пользователя и задумана как открытая альтернатива моделям серии InstructGPT; автор отмечает, что формат запросов похож на GPT-3.5. Модель построена на архитектуре GPT-NeoX, содержит 15,4 млрд параметров и рассчитана на контекст до 2048 токенов. Модель принимает текст и генерирует текст. Карточка указывает на поддержку английского языка и возможностей следования инструкциям и генерации кода. Для запросов рекомендуется разделять инструкцию, ввод пользователя и ответ двойными переводами строки. Модель распространяется под лицензией Apache-2.0.

Xenova/jina-embeddings-v2-small-en — версия модели jinaai/jina-embeddings-v2-small-en с весами в формате ONNX, подготовленная для использования в JavaScript через библиотеку Transformers.js. Модель предназначена для извлечения векторных представлений английских текстов и совместима с конвейером feature-extraction. Модель подходит для семантического сравнения текстов, поиска похожих документов и построения приложений, использующих текстовые эмбеддинги. В README показан сценарий генерации эмбеддингов с mean pooling и расчёта косинусного сходства. Поддерживаются варианты точности fp32, fp16, q8 и q4, что позволяет выбирать между качеством, размером и производительностью. Сведения об архитектуре, размере, максимальной длине контекста и точной размерности эмбеддингов в README не указаны. Сильной стороной модели является возможность запуска ONNX-весов в JavaScript-окружении через Transformers.js, включая потенциальное использование в веб-приложениях. Ограничения связаны с тем, что заявлена поддержка английского языка, а влияние квантования на качество может зависеть от выбранного формата. Лицензия в предоставленном README не указана.

jina-embeddings-v5-omni-nano-retrieval-GGUF — мультимодальная модель эмбеддингов, разработанная Jina AI. Это GGUF-квантизированная сборка модели jina-embeddings-v5-omni-nano-retrieval для llama.cpp, предназначенная для задач retrieval. Модель преобразует текст, изображения, видео и аудио в векторы размерностью 768, совместимые в одном векторном пространстве с текстовой моделью jina-embeddings-v5-text-nano-retrieval. Это позволяет индексировать данные с помощью текста, а выполнять поиск по запросам любой поддерживаемой модальности без переиндексации. Модель содержит около 0,95 млрд параметров, поддерживает контекст до 8192 токенов и использует pooling по последнему токену. Доступны Matryoshka-размерности 32, 64, 128, 256, 512 и 768, а текстовая часть представлена в F16 и нескольких уровнях int-квантизации с калибровкой imatrix; мультимодальные проекторы используют F16. Поддерживаются распространённые форматы изображений, видео и аудио, а также PDF. Основные сценарии применения — мультимодальный семантический поиск, retrieval-augmented generation, построение единого индекса для разных типов контента и сравнение схожести между текстом и медиа. К сильным сторонам относятся единое пространство эмбеддингов для нескольких модальностей, сравнительно небольшой размер и возможность уменьшать размерность вектора. Ограничения включают специализацию только на retrieval-задачах, необходимость использовать специализированную ветку llama.cpp с мультимодальными патчами, а также отдельные multimodal projector-файлы для обработки изображений, видео и аудио. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с обязательным соблюдением её условий и ограничений на коммерческое применение.

KEmbed-naija-v2 — модель Sentence Transformers, дообученная автором matt-wisdom на базе BAAI/bge-m3 для поиска по текстам. Она кодирует предложения и абзацы в плотные векторы размерности 1024, нормализует их и сравнивает по косинусному сходству. Максимальная длина входа — 256 токенов; архитектура включает XLM-RoBERTa и слой объединения CLS. Модель ориентирована на извлечение релевантных текстов, а её качество оценивалось на датасете nigerian-val. Модель принимает текст и выдаёт векторы для семантического поиска и сравнения предложений. Она дообучена на наборах с парами и тройками текстов; README приводит результаты оценки поиска, но не уточняет поддерживаемые языки или предметную область. Доступна в формате safetensors; лицензия в предоставленных данных не указана.

KEmbed-naija-v3 — текстовая модель Sentence Transformers, разработанная matt-wisdom и дообученная на базе BAAI/bge-m3. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024; сходство текстов оценивается косинусной мерой. Модель предназначена для семантического поиска и извлечения релевантных документов, в частности для нигерийского набора оценки nigerian-val. Архитектура включает XLM-RoBERTa, объединение представлений методом CLS pooling и нормализацию. README указывает максимальную длину последовательности 256 токенов; метаданные каталога сообщают нативный контекст 8194 токена. В качестве обучающих данных описаны 57 090 пар anchor-positive. Приведённые для nigerian-val значения cosine_accuracy составляют 0,811 при k=1, 0,91 при k=3 и 0,927 при k=5. Модель принимает текст и выдаёт векторы, поэтому подходит для построения семантического поиска и retrieval-систем. Карточка не сообщает лицензию; условия использования следует проверить в репозитории модели.

yngkyng/klue-roberta-base-sts-nli-ko — модель на базе RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и предназначена для сравнения семантической близости текстов. Векторы можно использовать для семантического поиска и кластеризации; метаданные также указывают возможность извлечения эмбеддингов и классификации текста. Модель содержит 435,4 млн параметров и принимает последовательности длиной до 514 токенов. Модель обучалась с CosineSimilarityLoss; карточка не сообщает название базовой модели как отдельного репозитория или лицензию. Она подходит для создания эмбеддингов предложений, поиска похожих текстов и группировки по смыслу. По названию репозитория и тегу `ko` модель ориентирована на корейский язык. Полные результаты оценки и подробности обучающего набора в карточке не приведены.

thumbCrush/ko-sroberta-base-longformer — дообученная модель Sentence Transformers на базе cateto/longformer-ko-sroberta-multitask-23040. Она использует архитектуру RoBERTa с усреднением токенных представлений и преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения по косинусному сходству. Модель содержит 137,8 млн параметров и рассчитана на длинный контекст: метаданные указывают 23 042 токена, а README — максимальную длину последовательности 10 000 токенов. Модель предназначена для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и классификации текстов. Название и базовая модель указывают на ориентацию на корейский язык; отдельные языки в метаданных не перечислены. Модель принимает текст и выдаёт векторы, пригодные для поиска и сравнения. Лицензия в предоставленных данных не указана.

jhgan/ko-sroberta-nli — модель эмбеддингов предложений на основе RoBERTa, опубликованная пользователем jhgan. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для оценки семантического сходства, поиска по смыслу и кластеризации текстов. Модель обучалась на наборе KorNLI с функцией потерь MultipleNegativesRankingLoss и оценивалась на KorSTS; README приводит результаты корреляции Пирсона и Спирмена для нескольких способов сравнения векторов. Модель содержит 137,8 млн параметров, использует архитектуру RobertaModel и поддерживает контекст до 514 токенов. Доступны форматы PyTorch и TensorFlow. Карточка указывает корейский язык; лицензия в предоставленных данных не приведена.

KRONOS 8B V4 — языковая модель семейства Llama 3.1, созданная T145 слиянием нескольких моделей методом Model Stock. В качестве базовой использована unsloth/Meta-Llama-3.1-8B-Instruct; в слияние также вошли mukaj/Llama-3.1-Hawkish-8B и три версии KRONOS 8B V1. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; максимальный контекст — 131 072 токена. Модель предназначена для генерации текста и диалогов, в том числе для следования инструкциям. В README автор описывает её как эксперимент со слиянием моделей, направленный на улучшение результата IFEval; приведены результаты IFEval 78,89 и BBH 30,14. Поддерживается интерфейс вызова инструментов, однако качество и надёжность выполнения таких вызовов отдельно не подтверждены. Сведения о лицензии в предоставленных данных отсутствуют.