I.14Автоматизация процессов и AI-агенты

Текстовая модель семейства Llama, опубликованная Kunakornjack и дообученная на unsloth/DeepSeek-R1-Distill-Llama-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; базовая модель рассчитана на математические задачи, программирование и многошаговые рассуждения. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Модель может применяться для диалоговых помощников, генерации ответов, решения математических задач и помощи с кодом. Карточка не описывает отдельные результаты или специализацию этого дообучения, поэтому его влияние на качество по сравнению с базовой моделью оценить нельзя. Лицензия — Apache-2.0.

unsloth/DeepSeek-R1-Distill-Qwen-32B-bnb-4bit — 4-битная квантованная версия модели DeepSeek-R1-Distill-Qwen-32B, опубликованная Unsloth на основе модели DeepSeek. Модель относится к семейству плотных языковых моделей, дистиллированных из DeepSeek-R1 и построенных на базе Qwen. Разработчики DeepSeek указывают, что эта версия предназначена для задач рассуждения и превосходит OpenAI o1-mini на ряде бенчмарков для плотных моделей. Модель ориентирована на решение сложных задач, включая математические рассуждения, программирование, пошаговый анализ и генерацию текста. В README заявлены способности, связанные с самопроверкой, рефлексией и построением длинных цепочек рассуждений. Указан размер 32B, библиотека Transformers и английский язык; сведения о поддерживаемых модальностях, размере контекста и точной архитектуре в предоставленных данных отсутствуют. Ключевое преимущество варианта — 4-битное представление, потенциально снижающее требования к памяти по сравнению с полноразмерными весами, однако README не содержит точных характеристик производительности или качества именно этой квантованной сборки. Возможными ограничениями являются зависимость результатов от качества квантования и отсутствие подтверждённых данных о контекстном окне и мультиязычности. Модель распространяется по лицензии Apache-2.0.

Solstice-AI/DeepSeek-V4-Flash-Vision-Exp-MXFP4 — производственная MXFP4-версия экспериментальной мультимодальной модели DeepSeek-V4-Flash-Vision-Exp, разработанной DeepSeek-AI и подготовленной, проверенной и упакованной Solstice-AI. Модель предназначена для обработки текста и изображений, мультимодального рассуждения, анализа визуального содержания, генерации кода и задач, требующих работы с длинным контекстом. README также указывает совместимость с Transformers, vLLM, SGLang и TensorRT-LLM, а также готовность к speculative decoding через DSpark. Архитектура включает 305 млрд параметров в конфигурации Mixture-of-Experts, из которых 13 млрд активируются для каждого токена. Указаны 43 скрытых слоя, 256 маршрутизируемых экспертов с шестью активными на токен, Multi-Head Latent Attention и отдельный 32-слойный vision encoder. Заявлена поддержка контекста до 1 048 576 токенов. Основная часть экспертных весов предварительно обучена в формате OCP MXFP4, а исполнение использует схему W4A16: веса представлены в 4-битном формате, активации сохраняются в 16-битном BF16; ряд компонентов, включая vision encoder, маршрутизаторы и нормализации, сохраняется в более высокой точности. К сильным сторонам относятся высокая вычислительная и memory-bandwidth эффективность по сравнению с полноразмерным представлением, мультимодальность и очень длинное контекстное окно. Ограничения — значительный общий размер модели и требовательность к GPU-инфраструктуре: для практического развёртывания README рекомендует конфигурации от нескольких GPU, а полный контекст в 1 млн токенов рассчитан на крупные кластеры. Модель обозначена как экспериментальная, а приведённые в README результаты тестирования представлены неполностью. Лицензия — MIT.

pierreinalco/distilbert-base-uncased-sts — англоязычная модель Sentence Transformers, дообученная на наборе sentence-transformers/stsb на основе distilbert/distilbert-base-uncased. Она кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения используется косинусное сходство. Архитектура состоит из DistilBERT и среднего пулинга токенов, максимальная длина входа — 512 токенов. Модель предназначена для оценки семантического сходства текстов, семантического поиска и поиска перефразировок. Полученные эмбеддинги также можно использовать для кластеризации и классификации текста. В README приведены оценки корреляции с человеческими оценками сходства на STS-dev и STS-test. Модель рассчитана на английский язык и текстовый ввод; на выходе выдаёт векторы эмбеддингов. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformers на базе distilbert/distilroberta-base, дообученная для получения векторных представлений предложений и абзацев. Архитектура включает RoBERTa и mean pooling; модель содержит 95,2 млн параметров, формирует плотные векторы размерности 768 и сравнивает их косинусным сходством. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, классификации и кластеризации. В README приведены англоязычные примеры обучающих данных; данных о поддержке других языков нет. Модель распространяется в формате safetensors, лицензия в предоставленных сведениях не указана.

Dolphin X1 8B — языковая модель для генерации текста, разработанная командой Dolphin на основе dphn/Dolphin-X1-8B и Llama 3.1 8B Instruct. Версия с идентификатором dphn/Dolphin-X1-8B-GGUF предназначена для запуска моделей в формате GGUF. Модель ориентирована на общее назначение и диалоговое взаимодействие, включая сценарии, аналогичные использованию универсальных ассистентов. Модель имеет архитектуру Llama 3.1 с размером около 8 миллиардов параметров и поддерживает текстовую модальность. Она сохраняет стандартный шаблон чата Llama 3 и позволяет задавать тон, характер и правила поведения через системный промпт. Заявленная особенность Dolphin — повышенная управляемость: владелец приложения самостоятельно определяет системные инструкции, выравнивание и способы обработки данных. Сведения о поддерживаемых языках и размере контекста в README не указаны. К сильным сторонам относятся универсальность, возможность локального или контролируемого развёртывания, совместимость с Ollama, LM Studio, Transformers, vLLM, SGLang и TGI, а также стремление сохранить или улучшить возможности Llama 3.1 8B Instruct при снижении ограничений на ответы. Ограничения модели и её поведения зависят от выбранных инструкций и настроек выравнивания; заявленная доля успешного прохождения набора Dolphin-refusals составляет 95,96%, а показатели MMLU и IFEVAL приведены в README без дополнительного описания методики. Лицензия указана как Llama 3.1.

bobox/E5-base-unsupervised-TSDAE — модель Sentence Transformers, дообученная автором на базе intfloat/e5-base-unsupervised с использованием DenoisingAutoEncoderLoss. Она основана на BERT, содержит 136,7 млн параметров и преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 768; в README указана косинусная мера сходства. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска, сравнения текстов и поиска перефразировок, а также может использоваться для кластеризации и классификации текста. В README приведён результат Spearman 0,7584 на sts-test. Базовая модель описана как англоязычная; примеры обучающих данных также на английском. Модель распространяется в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

Yash911/e5-finetuned — модель Sentence Transformer на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 1024. В README указано, что модель дообучена на 50 000 примерах; метаданные указывают 433,9 млн параметров и библиотеку sentence-transformers. Для сопоставления векторов используется косинусное сходство, а максимальная длина входной последовательности составляет 512 токенов. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. Входом служит текст, результатом — векторные эмбеддинги. В карточке не заявлена специализация по языкам или предметной области. Модель распространяется по лицензии MIT.

Eidolon-v1-14B — объединённая методом SLERP языковая модель семейства Qwen2.5 от Lambent, созданная с помощью mergekit из двух моделей arsenic. Она предназначена для диалогов, генерации текста и выполнения инструкций; в метаданных также заявлен интерфейс для вызова инструментов. Модель содержит 14 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. В README указано, что модели в объединении прошли abliteration и DPO; автор отмечает возможные проблемы с отказами на нежелательные запросы и необходимость подбирать системный промпт под сценарий. EQ-bench показал 76,1336 балла, но автор сообщает о проблемах с синтаксисом тестирования. Модель доступна в формате safetensors; лицензия в предоставленных данных не указана.

jeonseonjin/embedding_BAAI-bge-m3 — дообученная модель Sentence Transformers на базе BAAI/bge-m3, разработанная автором репозитория jeonseonjin. Она кодирует предложения и абзацы в плотные векторы размерностью 1024 для вычисления семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений; длина входной последовательности достигает 8192 токенов, сходство рассчитывается по косинусной мере. Обучение выполнялось на 10 501 парах предложений с оценками сходства и функцией потерь CosineSimilarityLoss. В примерах датасета представлены корейские предложения; метаданные также указывают базовую многоязычную модель BGE-M3, однако конкретный перечень поддерживаемых языков для этого дообученного чекпойнта не приведён. Результаты оценки включают корреляцию Спирмена 0,9216 на указанном наборе оценки. Модель принимает текст и выдаёт векторные представления; для использования требуется библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

ERNIE-4.5-300B-A47B-FP8-Paddle — текстовая языковая модель семейства ERNIE 4.5 от Baidu, опубликованная в формате весов PaddlePaddle. Это модель типа MoE с 300 млрд параметров всего и 47 млрд активируемых параметров на токен; для обработки текста используются 64 эксперта, из которых активируются 8. Модель предназначена для диалогов, понимания языка и генерации текста. Она поддерживает контекст до 131 072 токенов и в карточке указаны английский и китайский языки. Несмотря на мультимодальное обучение семейства ERNIE 4.5, этот вариант в README обозначен как текстовый. Модель построена на архитектуре Ernie4_5_MoeForCausalLM и распространяется в формате safetensors для PaddlePaddle. README приводит настройки генерации и пример развёртывания через FastDeploy. Лицензия — Apache-2.0. Указанные характеристики относятся к данному репозиторию; для запуска нужны совместимое окружение PaddlePaddle и значительные вычислительные ресурсы.

EXAONE-Deep-32B — плотная языковая модель для рассуждений, разработанная LG AI Research и дообученная на основе EXAONE-3.5-32B-Instruct. Она предназначена для генерации текста и диалогов, особенно для решения математических задач и задач программирования. В модели 31,5 млрд параметров, 64 слоя и архитектура внимания GQA с 40 Q-головами и 8 KV-головами; длина контекста составляет 32 768 токенов. Модель поддерживает английский и корейский языки. Для запуска подходят Transformers версии 4.43.1 и новее; README также перечисляет среды TensorRT-LLM, vLLM, SGLang, llama.cpp, Ollama и LM Studio. Разработчик сообщает о конкурентных результатах на тестах рассуждений, математики и программирования, но конкретные оценки для версии 32B в предоставленной карточке отсутствуют. Лицензия обозначена как «other», поэтому условия использования следует проверять в материалах репозитория. Модель может генерировать фактически неверные, предвзятые или неподходящие ответы и не гарантирует актуальность сведений.

F2LLM-4B — текстовая модель эмбеддингов из семейства F2LLM, разработанного CodeFuse AI и описанного в техническом отчёте F2LLM. Модель основана на Qwen/Qwen3-4B и дообучена на 6 млн пар «запрос—документ» из открытых наборов данных; обучение проходило в один этап с однородными макропакетами и без синтетических данных. В репозитории используются архитектура Qwen3, библиотека Sentence Transformers и формат safetensors; модель содержит около 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель предназначена для преобразования текста в векторы и задач поиска и сопоставления: семантического поиска, оценки сходства предложений, классификации и кластеризации. Обучение охватывает разнообразные задачи извлечения информации, классификации и кластеризации; карточка указывает английский язык. Лицензия — Apache-2.0. Карточка не приводит конкретных результатов оценки, поэтому качество на отдельных наборах данных по ней определить нельзя.

Это модель Sentence Transformer, созданная Sahith Kumar и дообученная на базе microsoft/mpnet-base. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по семантической близости, семантического поиска, поиска перефразировок, классификации и кластеризации. Для сравнения используется косинусное сходство; архитектура включает MPNet и усреднение токенных представлений. Максимальная длина входа — 512 токенов по README и 514 контекстных токенов по метаданным. Модель имеет 136,7 млн параметров и распространяется в формате safetensors. В README описано дообучение на 800 примерах с anchor, positive и negative и приведена оценка cosine accuracy 1.0 на двух наборах TripletEvaluator; результаты относятся только к указанным тестам и не гарантируют качество на других данных. Поддерживаемые языки и лицензия в предоставленных источниках не указаны. Для использования требуются Sentence Transformers или совместимая инфраструктура эмбеддингов.

hermoine1234/fine_tuned_model_v3 — модель Sentence Transformers на базе архитектуры XLM-RoBERTa, обученная сопоставлять предложения и абзацы в плотном векторном пространстве. Она содержит 305,2 млн параметров и строит эмбеддинги размерности 768; для оценки сходства используется косинусная близость. Модель подходит для семантического поиска, поиска похожих предложений, выявления перефразирований, кластеризации и классификации текста. Карточка описывает обучение на 1 784 парах текстов с CosineSimilarityLoss; примеры датасета представлены на нескольких языках. README указывает максимальную длину последовательности 128 токенов, тогда как метаданные каталога указывают нативный контекст 514 токенов. Модель принимает текст и выдаёт векторы эмбеддингов; файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Jainam/freeflow-biencoder — модель Sentence Transformers на базе RoBERTa, разработчик которой указан в идентификаторе репозитория как Jainam. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством; модель также подходит для сравнения смысловой близости текстов. Модель содержит 151,8 млн параметров и принимает текст, выдавая векторные представления. Её можно использовать через Sentence-Transformers либо Transformers с подходящей операцией pooling. Репозиторий содержит веса PyTorch и TensorFlow. Лицензия и конкретные поддерживаемые естественные языки в предоставленных данных не указаны.

futuredatascience/from-classifier-v0 — модель Sentence Transformers на архитектуре MPNet, разработанная Futuredatascience. Она преобразует предложения и абзацы в плотные векторы размерностью 768, предназначенные для вычисления семантического сходства, кластеризации и семантического поиска. Модель содержит 136,7 млн параметров, принимает текст и возвращает векторные представления; максимальная длина контекста — 514 токенов. Для обучения использовалась функция потерь CosineSimilarityLoss. Модель опубликована в формате PyTorch; метаданные не содержат сведений о лицензии или языковой специализации.

Это англоязычная модель Sentence Transformer, разработанная на основе BAAI/bge-large-en-v1.5 и дообученная на наборе all-nli из 200 тысяч примеров. Она кодирует предложения и абзацы в плотные векторы размерностью 1024, нормализует их и подходит для оценки семантического сходства по косинусной мере, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура включает BERT, пулинг по CLS-токену и нормализацию; максимальная длина входной последовательности — 512 токенов. В README приведены результаты оценки на all-nli: точность по косинусному сходству 0,9607 на валидационной и 0,9575 на тестовой выборке. Модель принимает текст и выдаёт векторные представления. Она рассчитана на английский язык; лицензия — MIT. Поскольку обучение и приведённая оценка связаны с all-nli, качество на других языках и предметных областях может отличаться.

Это 12-миллиардная instruction-tuned vision-language модель семейства Gemma 4, разработанная Google DeepMind и представленная в GGUF-формате пользователем prithivMLmods. Модель предназначена для задач генерации и понимания текста, анализа изображений и аудио, мультимодального диалога, вызова функций и сценариев, требующих configurable thinking/reasoning mode. Она совместима с llama.cpp и ориентирована на локальный запуск, исследовательские задачи и последующую пользовательскую компиляцию. Модель использует encoder-free архитектуру, проецирующую патчи изображений и аудиосигналы непосредственно в пространство эмбеддингов языковой модели. Она поддерживает текст, изображения и аудио, контекст до 256K токенов и более 140 языков. В архитектуре применяется гибридное внимание с чередованием локального sliding-window и глобального внимания. QAT-оптимизация призвана снизить требования к памяти и сохранить качество, близкое к bfloat16; доступны варианты от Q2_K до Q8_0, а также BF16 и F16. Указанные ограничения — большой размер высокоточных файлов и необходимость совместимого мультимодального проектора для работы с изображениями и аудио. Модель и файлы распространяются по лицензии Apache-2.0.

AtomicChat/gemma-4-E2B-it-GGUF — это текстовая GGUF-квантизированная версия модели google/gemma-4-E2B-it, подготовленная Atomic Chat из оригинальных весов Google с использованием importance matrix. Модель предназначена для локального и полностью автономного запуска в задачах генерации текста, чат-диалогов, рассуждений, программирования и обработки длинного контекста. Для корректного применения шаблона диалога требуется поддержка Gemma 4 chat template. Модель имеет 2,3 млрд эффективных параметров и 5,1 млрд параметров с учётом эмбеддингов, 35 слоёв и контекст до 128K токенов. Это плотный decoder с гибридным вниманием: sliding-window attention с окном 512 токенов и глобальное внимание; используется 8 attention heads и 1 KV head. Базовая модель поддерживает текст, изображения и аудио, однако данный репозиторий содержит только текстовые GGUF-кванты и не включает vision projector. Доступны варианты от Q2_K до Q8_0, включая рекомендуемый баланс качества и размера Q4_K_M. Сильные стороны модели — небольшой размер, возможность офлайн-развёртывания, длинный контекст и несколько уровней квантизации, позволяющих подобрать соотношение скорости, потребления памяти и качества. Уровень качества зависит от выбранного кванта: низкобитные варианты экономичнее, но сильнее теряют точность, тогда как Q6_K и Q8_0 ближе к полноточной версии. Приведённые в README результаты являются опубликованными показателями базовой модели Google, а не независимыми измерениями данного репозитория. Модель распространяется по лицензии Apache-2.0.

dguzh/geo-all-MiniLM-L6-v2 — модель Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерностью 384. Она предназначена для семантического поиска, кластеризации и сравнения текстов по смыслу. Архитектура — BERT; модель содержит 25,9 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Обучалась с ContrastiveLoss на основе косинусного расстояния. Модель можно применять для поиска похожих фрагментов, группировки текстов и ранжирования кандидатов по семантическому сходству. В карточке не описаны языки и предметная область, поэтому предполагается общее назначение без выделения конкретного языка. Доступна в форматах PyTorch и Safetensors; лицензия в предоставленных данных не указана.

Geolab embedding 1000 — модель на базе XLM-RoBERTa, опубликованная пользователем DejanX13. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и кластеризации. Модель обучена с функцией MultipleNegativesRankingLoss и использует косинусное сходство; библиотека для работы с ней — Sentence Transformers. Метаданные указывают 658,7 млн параметров и контекст до 514 токенов. Модель принимает текст и выдаёт векторные представления. Карточка не уточняет поддерживаемые естественные языки. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

German-RAG-BGE-M3-TRIPLES-MERGED-HESSIAN-AI — модель Sentence Transformers, разработанная командой German-RAG AI. Она объединяет дообученную на примерно 300 тысячах триплетов модель German-RAG-BGE-M3-TRIPLES-HESSIAN-AI с BAAI/bge-m3, чтобы сохранить качество на других языках. Модель основана на XLM-RoBERTa, содержит 658,7 млн параметров и преобразует текст в плотные векторы размерностью 1024; максимальная длина последовательности — 8194 токена. Для сравнения векторов используется косинусное сходство. Модель предназначена для семантического поиска и сопоставления предложений и абзацев. Её можно применять для поиска по немецким документам, оценки семантического сходства, поиска перефразирований, кластеризации и классификации текста. В README приведены результаты оценки на немецких задачах классификации, поиска и сходства, а также тест на бенчмарке German-RAG-EMBEDDING-BENCHMARK. Лицензия в предоставленных данных не указана.

GeorgeCU/Giga-Embeddings-instruct-3B-0826-ft — модель текстовых эмбеддингов из серии Giga-Embeddings, построенная на собственной предобученной модели с архитектурой Qwen3 и двунаправленным encoder-style вниманием. Она содержит около 3,2 млрд параметров, формирует векторы размерностью 2048 и поддерживает контекст до 8192 токенов. Для получения эмбеддинга используются mean pooling по непаддинговым токенам и L2-нормализация. Модель предназначена для векторного поиска, семантического сравнения, классификации и кластеризации текстов. Она обучена контрастивным методом InfoNCE и рассчитана прежде всего на русский и английский языки. В асимметричном поиске инструкцию следует добавлять к запросу, оставляя документы без инструкции; для симметричного сравнения инструкцию можно опустить или использовать общую. README приводит результаты MTEB для русского, английского и кода. Для корректного применения нужны mean pooling и L2-нормализация: CLS- и last-token pooling дают неверные результаты. При прямом использовании transformers эти операции нужно выполнять самостоятельно; результаты могут немного различаться в зависимости от версий PyTorch и Transformers. Лицензия — MIT.

asadmasad/GIST-large-finetuned — модель эмбеддингов предложений на основе архитектуры BERT, распространяемая в формате safetensors и используемая через библиотеку Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, кластеризации и сравнения текстов. Модель обучалась с функцией Multiple Negatives Ranking Loss и косинусным сходством; максимальная длина контекста составляет 512 токенов, размер модели — около 433,9 млн параметров. Подходит для поиска похожих фрагментов текста и группировки текстов по смыслу. Доступные данные не устанавливают целевые языки или специализированные предметные области; производительность на конкретном языке и домене следует проверять отдельно. Сведения о лицензии в предоставленных источниках отсутствуют.

Delta-Vector/GLM-4-32B-Tulu-Instruct — плотная языковая модель семейства GLM-4, дообученная автором на смеси Tulu-SFT. Она предназначена для диалогов, следования инструкциям и генерации текста; в метаданных также отмечены сценарии работы с кодом. Модель содержит 31,6 млрд параметров, принимает контекст до 32 768 токенов и использует формат диалога ChatML. Автор сообщает, что при обучении были удалены примеры выравнивания безопасности. Модель рассматривается как ассистент и основа для дальнейшего дообучения; оценка качества на длинном контексте не проводилась, а дополнительного обучения с подкреплением после SFT не было. Репозиторий распространяется по лицензии Apache-2.0.

GLM-4.7-Flash-MXFP4-MOE-GGUF — квантизированная версия языковой модели GLM-4.7-Flash от Zhipu AI, опубликованная в формате GGUF. Это модель Mixture-of-Experts на архитектуре DeepSeek2 с Multi-head Latent Attention: около 30 млрд параметров всего, из которых примерно 3,2 млрд активируются на токен; используются 64 маршрутизируемых эксперта и один общий. В README указан контекст до 200 000 токенов. Модель предназначена для генерации текста и диалогов, включая рассуждения и программирование. Она поддерживает английский и китайский языки; режим рассуждений включён по умолчанию. В квантизации MXFP4 веса экспертов представлены в 4-битном формате, а остальные тензоры — в Q8_0; файл весов занимает 15,8 ГБ. README указывает на запуск через llama.cpp на GPU или CPU. Квантизация рассчитана на более эффективный вывод при небольшом снижении качества относительно исходной модели. Репозиторий распространяется по лицензии MIT.

GLM-5.2-JANGTQ4 — версия модели zai-org/GLM-5.2, подготовленная автором репозитория bearzi для запуска через MLX на компьютерах Apple с чипами Apple silicon. Это языковая модель с архитектурой GLM MoE DSA и 30,4 млрд параметров, предназначенная для генерации текста и диалогов; базовая GLM-5.2 также рассчитана на программирование и длительные задачи. Контекст модели составляет до 1 048 576 токенов. Профиль JANGTQ4 использует смешанную точность: внимание и общие эксперты хранятся в FP16, а маршрутизируемые эксперты квантизированы до 4 бит методом JANG TurboQuant. Для загрузки требуются jang-tools или vMLX; обычные MLX, LM Studio и Ollama не поддерживаются. Для токенизатора нужны tiktoken, blobfile и разрешение удалённого кода Transformers. Репозиторий распространяется по лицензии MIT.

sembeddings/gptops_finetuned_mpnet_gpu_v1 — модель Sentence Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Обучение с MultipleNegativesRankingLoss и косинусным сходством ориентировано на получение эмбеддингов, близких по смыслу для релевантных текстов. Модель принимает текст и выдаёт векторы; максимальная длина контекста — 514 токенов. Доступны веса PyTorch, использовать модель можно через библиотеку Sentence Transformers. В карточке не названы целевые языки и лицензия, поэтому определить языковую специализацию и условия распространения по имеющимся данным нельзя.

GreenNode/GreenNode-Embedding-E5-Large-VN-V1 — sentence-transformers-модель на базе XLM-RoBERTa, созданная для преобразования предложений и абзацев в плотные векторы размерности 1024. Архитектура включает трансформер, pooling по CLS-токену и нормализацию; сходство векторов рекомендуется измерять косинусной близостью. Максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текста. Метаданные указывают на поддержку задач извлечения признаков и оценки сходства предложений, но карточка не называет языки обучения или целевое языковое покрытие, поэтому в описании не предполагается конкретный язык. Репозиторий содержит веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.