I.14Автоматизация процессов и AI-агенты

primitive-ai/Qwen3.8-Flash-Next-NVFP4 — квантизированная сборка базовой модели Qwen/Qwen3.8-Flash-Next, подготовленная Primitive AI. Модель предназначена для генерации текста и обработки запросов с изображениями в формате image-text-to-text, а также поддерживает рассуждения, структурированные вызовы инструментов и speculative decoding через MTP. Объём исходной модели составляет около 180 млрд параметров; сборка использует NVFP4 для экспертных компонентов и BF16 для части весов, занимая около 186 ГБ на диске. Главное преимущество — запуск крупной модели на одной 96 ГБ GPU Blackwell благодаря выгрузке 51-миллиардной n-gram-таблицы в оперативную память хоста; требуется примерно 100 ГБ свободной RAM. Заявлены скорость до 74,4 токена/с в однопоточном режиме и до 483,8 токена/с при 32 параллельных запросах. Модель сохраняет поддержку MTP, имеет проверенные парсеры рассуждений и tool calling в vLLM, а также показывает высокие результаты на приведённых наборах знаний и вызова инструментов. Ограничения связаны с жёсткими требованиями к оборудованию, объёму RAM и настройкам vLLM. Для запуска рекомендуется опубликованный образ vllm/vllm-openai:qwen38-flash-next и специальные параметры offload; без них сервер может зависать или не пройти инициализацию. Данные о поддерживаемых языках и точной архитектуре в README не приведены. Распространение осуществляется по лицензии Qwen Community 1.0.

Wheatley961 опубликовал модель Sentence-Transformers на архитектуре XLM-RoBERTa с 305,2 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель использует PyTorch; в карточке указан контекст до 514 токенов. Модель подходит для построения семантического поиска, группировки похожих документов и вычисления сходства между фрагментами текста. В README описано обучение с CosineSimilarityLoss. Метаданные указывают задачи извлечения признаков и сравнения предложений; конкретные поддерживаемые естественные языки не перечислены. Лицензия в предоставленных данных не указана.

Модель Sentence-Transformers на архитектуре XLM-RoBERTa преобразует предложения и абзацы в плотные векторы размерностью 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. В метаданных указаны 305,2 млн параметров и контекст длиной 514 токенов; для получения эмбеддингов модель использует PyTorch и совместима с Sentence-Transformers. Модель обучалась с функцией потерь CosineSimilarityLoss. Архитектура XLM-RoBERTa предполагает многоязычную обработку текста, однако README и метаданные не уточняют поддерживаемые языки этой конкретной модели. Лицензия в предоставленных данных не указана.

flax-sentence-embeddings/reddit_single-context_mpnet-base — англоязычная модель эмбеддингов предложений, разработанная участниками Community Week Hugging Face в проекте по обучению sentence embedding моделей. Она основана на mpnet-base и дообучена контрастивным методом на более чем 700 млн пар предложений из диалогов Reddit; для каждой реплики использовался первый контекстный ответ. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст длиной до 514 токенов по метаданным каталога. Модель кодирует входное предложение в вектор семантического содержания. Векторы подходят для поиска информации, кластеризации и вычисления сходства предложений, например для подбора релевантных фрагментов по запросу. README приводит ограничение длины последовательности в 128 токенов при обучении, поэтому качество на более длинных входах может быть ниже. В карточке указана лицензия Apache-2.0.

bobox/RoBERTa-base-unsupervised-TSDAE — модель Sentence Transformer, дообученная разработчиком bobox на FacebookAI/roberta-base с помощью DenoisingAutoEncoderLoss. Она преобразует предложения и абзацы в плотные векторы размерности 768; в README приведена косинусная мера сходства. Модель рассчитана на семантический поиск и сравнение текстов, поиск перефразировок, кластеризацию и классификацию текста на основе эмбеддингов. Архитектура включает RoBERTa и mean pooling. Максимальная длина последовательности — 512 токенов (метаданные указывают контекст 514 токенов). В README приведена оценка на sts-test: Spearman cosine 0,6912. Обучающие примеры и базовая модель указывают на английский язык. Для работы нужны Sentence Transformers или совместимая среда; репозиторий содержит веса PyTorch. Лицензия в предоставленных сведениях не указана.

clu-ling/roberta-finetuned-stsbenchmark — модель на архитектуре RoBERTa, дообученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 1024 для поиска семантически близких фрагментов, кластеризации и сравнения текстов. Модель поддерживает контекст до 514 токенов и распространяется в формате PyTorch. Модель подходит для семантического поиска и группировки текстов по смыслу. Для использования доступны Sentence-Transformers и Transformers; при работе через Transformers нужно применить подходящую операцию pooling к контекстным представлениям токенов. В README упомянуто обучение с CosineSimilarityLoss. Язык данных обучения и лицензия в предоставленных сведениях не приведены. Качество зависит от соответствия языка и тематики входных текстов данным обучения; результаты сходства следует проверять на целевом наборе.

ruBert-style-base — русскоязычная модель Sentence Transformers, разработанная на основе ai-forever/ruBert-base и дообученная для получения векторных представлений предложений и абзацев. Энкодер BERT формирует плотные эмбеддинги размерности 768; для объединения токенов используется усреднение, а сходство векторов измеряется косинусной функцией. Модель предназначена для семантического сравнения текстов, поиска похожих фрагментов и кластеризации. Её также можно применять для поиска перефразировок и классификации текста с использованием эмбеддингов. Максимальная длина последовательности — 512 токенов. В карточке приведена cosine accuracy 0,9507 на оценке TripletEvaluator, но состав набора данных не раскрыт, поэтому результат не следует считать гарантией качества на других данных. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Diiiann/ru_oss — модель Sentence-Transformers на архитектуре BERT для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для семантического поиска, кластеризации и сравнения текстов по смыслу; в README указано обучение с MultipleNegativesRankingLoss и косинусной мерой сходства. Модель содержит около 498,1 млн параметров, принимает текст и использует контекст длиной до 512 токенов. Веса доступны в форматах PyTorch и Safetensors. Метаданные указывают библиотеку Sentence-Transformers и поддержку эмбеддингов. В карточке не указаны лицензия, языки обучения и явные ограничения качества, поэтому применимость к конкретному языку или предметной области следует проверять отдельно.

ricardo-filho/sbertimbau-large-quora-multitask — модель эмбеддингов предложений на базе архитектуры BERT, опубликованная пользователем ricardo-filho. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, сравнения сходства и кластеризации. В обучении использовались MultipleNegativesRankingLoss с косинусным сходством и OnlineContrastiveLoss; модель доступна в формате PyTorch и поддерживается библиотекой Sentence-Transformers. Модель подходит для поиска похожих вопросов и документов, группировки текстов по смыслу и построения семантического поиска. Контекст ограничен 512 токенами. По названию и базовой модели Sbertimbau она ориентирована на португальский язык; в предоставленной карточке не перечислены конкретные оценки качества. Лицензия в доступных данных не указана.

ai-forever/sbert_large_nlu_ru — русскоязычная модель семейства BERT large от команды SberDevices для получения векторных представлений предложений. Она предназначена для кодирования текста в эмбеддинги; в README для повышения качества рекомендуется усреднять представления токенов. Модель можно применять для поиска и сравнения текстов по смыслу, кластеризации и других задач на основе эмбеддингов. Модель имеет архитектуру BertModel и содержит около 525,7 млн параметров. Она принимает текст на русском языке, поддерживает контекст до 512 токенов и распространяется в форматах PyTorch и Safetensors. Лицензия — MIT.

ceggian/sbert_standard_reddit_mnr — модель Sentence-Transformers на базе BERT, созданная для получения векторных представлений предложений и абзацев. Она преобразует текст в плотные эмбеддинги размерности 768, предназначенные для сравнения семантической близости, кластеризации и семантического поиска. Модель содержит 136,7 млн параметров и рассчитана на входные последовательности длиной до 512 токенов. В README указано, что при обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством; имя модели указывает на данные Reddit, но README не уточняет датасет. Для использования подходят Sentence-Transformers или Transformers с соответствующим pooling. Модель применима для поиска похожих предложений, группировки текстов и построения поиска по смыслу. Карточка не содержит сведений о лицензии или языках, поэтому они здесь не заявляются.

omniamnaeem/semantic_sim_ner_with_ContrastiveLossV5 — модель на базе BERT, опубликованная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 256 для поиска семантически близких текстов и кластеризации. В README указано обучение с ContrastiveLoss и косинусной метрикой расстояния; модель рассчитана на текстовый ввод и выдаёт эмбеддинги. Размер модели — 12,4 млн параметров, контекст — до 512 токенов. Для запуска подходят Sentence Transformers или Transformers с соответствующей операцией pooling. Язык обучения и применения, лицензия и специализированные области использования в доступных данных не указаны.

ys7yoo/sentence-bert-klue-sts — модель Sentence-Transformers на базе BERT, разработанная для сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768 и подходит для семантического поиска, кластеризации и сравнения смысловой близости текстов. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Она обучалась с использованием CosineSimilarityLoss. Для работы можно применять библиотеку sentence-transformers либо Hugging Face Transformers с подходящей операцией pooling. Модель опубликована в формате PyTorch. В карточке не указаны лицензия и языки обучения, поэтому их нельзя надёжно определить. Качество семантического сопоставления и поддержка конкретных языков зависят от данных обучения; перед использованием для целевого языка стоит проверить качество на собственных примерах.

ys7yoo/sentence-bert-klue-sts-all — модель Sentence-Transformers на базе BERT, предназначенная для преобразования предложений и абзацев в плотные векторные представления размерности 768. Она обучалась с функцией CosineSimilarityLoss и подходит для поиска семантически близких текстов, кластеризации и вычисления сходства предложений. Модель содержит 137,8 млн параметров, принимает текст и формирует векторы; максимальная длина контекста составляет 512 токенов. Для использования доступны Sentence-Transformers и Transformers с подходящей операцией pooling. README не сообщает поддерживаемые естественные языки или лицензию, поэтому они не уточняются.

ys7yoo/sentence-roberta-large-klue-sts — модель Sentence-Transformers на архитектуре RoBERTa, предназначенная для преобразования предложений и абзацев в плотные векторы размерности 1024. Она обучалась с функцией CosineSimilarityLoss и подходит для оценки семантической близости текстов, семантического поиска и кластеризации. Размер модели составляет 435,4 млн параметров, контекст — до 514 токенов; доступны веса PyTorch. Модель принимает текст и выдаёт векторные представления, которые можно сравнивать по сходству или использовать в поисковых и кластеризационных системах. Карточка не сообщает о специализированных предметных областях или целевых языках, поэтому её следует рассматривать как модель общего назначения, не приписывая ей конкретную языковую специализацию. Лицензия в предоставленных данных не указана.

Smaller LaBSE — компактная версия мультиязычного BERT Sentence Encoder, созданная путём дистилляции исходной LaBSE и опубликованная пользователем setu4993. Модель предназначена для получения векторных представлений предложений и оценки их семантического сходства, в том числе между языками. Это плотная BERT-модель объёмом 246,4 млн параметров с максимальным контекстом 512 токенов. По карточке она поддерживает 15 языков: арабский, немецкий, английский, испанский, французский, итальянский, японский, корейский, нидерландский, польский, португальский, русский, тайский, турецкий и китайский. Репозиторий содержит веса в форматах PyTorch, TensorFlow и Flax. Модель полезна для поиска семантически близких предложений и мультиязычного сопоставления текстов. Качество и детали обучения описаны в исходной статье; уменьшение набора языков по сравнению с оригинальной LaBSE может ограничивать применимость к языкам вне указанного списка. Лицензия — Apache 2.0.

SmolLM2-1.7B-Instruct-bnb-4bit — компактная 4-битная предварительно квантованная версия инструкционной языковой модели SmolLM2-1.7B, разработанной Hugging Face. Модель предназначена для выполнения широкого спектра текстовых задач и достаточно легковесна для запуска на устройствах с ограниченными ресурсами. Вариант Instruct дополнительно обучен следовать инструкциям с помощью supervised fine-tuning и Direct Preference Optimization (DPO). Модель содержит 1,7 млрд параметров и работает с текстом на английском языке. Она ориентирована на диалоговые сценарии, переписывание и суммаризацию текста, решение задач, работу с кодом и function calling. Обучение базовой модели проводилось на 11 трлн токенов из наборов FineWeb-Edu, DCLM, The Stack, а также математических и кодовых данных; инструкционная версия использовала публичные и подготовленные разработчиками наборы, включая UltraFeedback и Synth-APIGen-v0.1. README не содержит сведений о размере контекстного окна и точной архитектуре. Ключевые преимущества — малый размер, сниженные требования к памяти благодаря 4-битной квантованию и улучшения в следовании инструкциям, знаниях, рассуждениях и математике по сравнению с SmolLM1-1.7B. Ограничения включают заявленную поддержку только английского языка и потенциальные компромиссы в качестве, вызванные квантованием и компактным размером. Модель распространяется под лицензией Apache-2.0.

fjavigv/snoweu_v4 — модель Sentence Transformers, дообученная на базе Snowflake/snowflake-arctic-embed-m-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости и поиска по тексту. Архитектура включает BertModel, CLS-пулинг и нормализацию; сходство оценивается косинусной метрикой. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска, ранжирования по смысловому соответствию, поиска перефразировок, кластеризации и классификации текстов. README приводит оценку cosine_accuracy@1 0,6777, @3 0,8973 и @5 0,9391 на InformationRetrievalEvaluator. Обучающая выборка содержит 46 338 пар предложений; примеры указывают на тексты о регулировании образования и обучении, но специализация на этой области не заявлена. Сведения о лицензии в предоставленных данных отсутствуют.

Snowflake Arctic Embed M Klej Dyk v0.1 — англоязычная модель Sentence Transformer, дообученная ve88ifz2 на базе Snowflake/snowflake-arctic-embed-m. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768 для семантического поиска, оценки сходства текстов, поиска перефразирований, кластеризации и классификации. Архитектура основана на BERT с объединением представлений CLS-токена и нормализацией векторов; для сопоставления используется косинусное сходство. Максимальная длина входа — 512 токенов, модель поддерживает сокращение размерности эмбеддинга до 64, 128, 256 или 512. Модель подходит для поиска релевантных документов по запросу, дедупликации похожих текстов и построения семантических групп. В README приведены результаты оценки поиска на датасетах dim_768, dim_512, dim_256, dim_128 и dim_64. Модель принимает текст и выдаёт векторы признаков для последующего поиска или анализа; она не предназначена для генерации текста. Распространяется по лицензии Apache-2.0.

Модель danfeg/ST-PARA-MPNET-M_Finetuned-COMB-7443 — дообученная модель Sentence-Transformers на базе архитектуры XLM-RoBERTa, разработанная danfeg. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель подходит для построения поиска по смыслу, группировки похожих текстов и вычисления семантического сходства. В карточке указано обучение с CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

sentence-transformers-testing/stsb-bert-tiny-safetensors — компактная модель Sentence Transformers на архитектуре BERT, преобразующая предложения и абзацы в плотные векторы размерности 128. Модель содержит около 4,4 млн параметров, использует mean pooling и поддерживает контекст до 512 токенов. Модель предназначена для вычисления семантического сходства текстов, семантического поиска и кластеризации. Её можно использовать через библиотеку sentence-transformers или напрямую через Transformers с применением mean pooling; формат safetensors поддерживается репозиторием. К сильным сторонам относятся небольшой размер, высокая скорость инференса и низкие требования к ресурсам. Модель создает эмбеддинги, а не генерирует текст, поэтому для поиска или сравнения требуется отдельный механизм вычисления близости. Языки, на которых модель специально обучалась, и лицензия в доступных данных не указаны.

gubartz/st_scibert_abstruct — модель Sentence Transformers на архитектуре BERT, разработанная пользователем gubartz. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 137,1 млн параметров, принимает текст длиной до 512 токенов и распространяется в формате PyTorch. При использовании через Transformers поверх контекстных представлений требуется применить подходящий pooling. Модель обучалась с функцией потерь BatchAllTripletLoss. README не уточняет языки обучения, лицензию или специализированную предметную область, поэтому область применения следует определять по данным пользователя. Для длинных текстов действует ограничение контекста в 512 токенов.

Synesthesia-3.1-task_arithmetic — объединённая языковая модель, созданная bunnycore с помощью mergekit методом task arithmetic на базе unsloth/Meta-Llama-3.1-8B. В слияние вошли Replete-LLM-V2, Reflection, HyperLlama и Replete-Coder на базе Llama 3.1. Модель предназначена для генерации текста и диалогов; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — до 131 072 токенов. Модель может применяться для универсального общения и генерации текста, включая задачи с кодом. В метаданных указана библиотека Transformers, а веса представлены в формате safetensors. README и метаданные не сообщают отдельные оценки качества или специальные ограничения. Лицензия в предоставленных данных не указана.

mlx-community/tasksource-ModernBERT-base-embed-8bit — 8-битная версия модели эмбеддингов, преобразованная сообществом mlx-community из tasksource/ModernBERT-base-embed в формат MLX с помощью mlx-lm 0.0.3. Она построена на ModernBERT-base и предназначена для получения векторных представлений предложений и оценки их семантического сходства. Модель подходит для поиска по смыслу, сопоставления запросов с документами и ранжирования текстовых кандидатов; обучающие данные включают наборы для поиска ответов, семантического сходства и распознавания текстовых отношений. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. Метаданные указывают английский язык. Квантованное представление рассчитано на запуск в экосистеме MLX; README рекомендует библиотеку mlx-embeddings. Лицензия в предоставленных данных не указана.

Neokun004/Testbge — модель Sentence-Transformers на базе архитектуры BERT, разработанная автором репозитория Neokun004. Она преобразует предложения и абзацы в плотные векторы размерностью 384, предназначенные для сравнения семантической близости, семантического поиска и кластеризации. Модель содержит около 40 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. В обучении применялась функция потерь MultipleNegativesRankingLoss с косинусным сходством. Полученные векторы можно использовать для поиска похожих фрагментов и группировки текстов. README не описывает целевые языки или предметную область, поэтому модель можно охарактеризовать как средство общего назначения для работы с текстовыми эмбеддингами. Лицензия в предоставленных данных не указана.

ToolBench/ToolBench_IR_bert_based_uncased — модель на базе BERT, распространяемая в формате PyTorch и представленная как sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства текстов и кластеризации. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством; модель подходит для поиска релевантных текстов по смыслу и группировки похожих фрагментов. Максимальная длина контекста — 512 токенов. README не указывает разработчика, поддерживаемые естественные языки или лицензию; оценки бенчмарка и подробности архитектуры обучения в карточке не приведены.

USER-base — модель sentence-transformers, разработанная DeepVK для получения эмбеддингов предложений и абзацев на русском языке. Она основана на DeBERTa v1 base, содержит 151,8 млн параметров и преобразует текст в плотные векторы размерности 768; максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска, оценки сходства, кластеризации, поиска перефразировок и использования эмбеддингов как признаков классификации. Модель дообучена на русскоязычных парах текстов, включая данные ru-HNP и ru-WANLI, а также обучающие выборки ряда задач NLI, поиска и суммаризации. Для асимметричного поиска рекомендуется добавлять к запросу префикс «query: », а к документу — «passage: »; для симметричных задач и эмбеддингов-признаков используется «query: ». В опубликованных сравнениях USER-base показывает конкурентные результаты среди моделей сопоставимого размера, но уступает некоторым более крупным моделям в задачах поиска. Другие языки не оценивались. Лицензия — Apache-2.0.

VibeVoice-ASR — мультиязычная модель Microsoft для распознавания речи, доступная в версии, совместимой с Transformers. Она принимает аудио и формирует транскрипцию с текстом, временными метками и указанием говорящего; также можно передавать контекстные подсказки, например имена или специальные термины, чтобы помочь распознаванию.

Whittle-Next-27B-A3B-GGUF — это GGUF-квантизированная версия модели Whittle-Next-27B-A3B, разработанной logic65 и подготовленной квантизатором mradermacher. Модель основана на архитектуре mixture-of-experts и предназначена для генерации текста, диалоговых сценариев, рассуждений, программирования и математических задач. В метаданных заявлена поддержка английского, китайского и других языков, а также сценариев с длинным контекстом. Модель содержит около 27 млрд параметров в общей конфигурации и обозначает архитектуру с примерно 3 млрд активных параметров, однако точные сведения о механизме активации, размере контекста и мультимодальных возможностях не указаны. Среди заявленных архитектурных особенностей — hyper-connections, n-gram memory, per-layer embeddings, knowledge distillation и online distillation. Доступны варианты GGUF с разными уровнями квантизации от Q2_K до Q8_0 и IQ4_XS; версии Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с наилучшим качеством среди представленных. К сильным сторонам относятся поддержка локального запуска через совместимые инструменты, включая llama.cpp, широкий выбор компромиссов между размером, скоростью и качеством, а также ориентация на рассуждения, код и математику. К ограничениям относятся неизбежная потеря качества в более агрессивно квантизированных вариантах, отсутствие опубликованных в README бенчмарков и точных характеристик контекстного окна, а также отсутствие сведений о поддержке изображений или других модальностей. Модель распространяется по лицензии Apache-2.0.

QuantFactory/WizardLM-2-7B-abliterated-GGUF — это квантизированная версия WizardLM-2 7B, разработанная QuantFactory с использованием llama.cpp на основе fearlessdots/WizardLM-2-7B-abliterated. Базовая модель WizardLM-2 создана командой WizardLM при Microsoft AI и основана на Mistral-7B-v0.1. Модель предназначена для генерации текста, диалогов и выполнения сложных инструкций, включая задачи письма, программирования, математики, рассуждений, агентских сценариев и многоязычного общения. Поддерживаются многоходовые диалоги с шаблоном запросов Vicuna. Модель содержит около 7 миллиардов параметров и работает только с текстом. Вариант abliterated использует ортогонализованные веса bfloat16, а текущая версия распространяется в квантизированном формате GGUF, что ориентировано на более эффективный запуск и снижение требований к памяти по сравнению с полноразмерными весами. В README не указаны точное окно контекста, поддерживаемые языки и конкретные параметры квантизации. Заявлены высокая скорость для своего класса и конкурентные результаты среди открытых моделей сопоставимого размера, однако приведённые оценки относятся к WizardLM-2 7B и не обязательно полностью характеризуют данный GGUF-вариант. Лицензия модели указана как Apache 2.0. Специфические ограничения, связанные с abliterated-модификацией, в README не описаны; поэтому качество, безопасность и соответствие ответов требованиям конкретного применения следует проверять отдельно.