I.14Автоматизация процессов и AI-агенты

AtomicChat/DeepSeek-V4-Flash-0731-GGUF — это квантизированная GGUF-версия модели DeepSeek-V4-Flash-0731, разработанной DeepSeek и упакованной и квантизированной AtomicChat. Модель предназначена для генерации текста, диалоговых сценариев и conversational-приложений, включая локальный запуск через llama.cpp. Заявлены поддерживаемые языки английский и китайский. Модель построена на архитектуре mixture-of-experts и содержит 284 млрд параметров, из которых 13 млрд активируются для каждого токена. Она включает 43 слоя, 256 маршрутизируемых экспертов, 6 активных экспертов и одного общего эксперта. Контекстное окно составляет 1 млн токенов, размер словаря — 129 280. Исходная модель обучалась с учетом квантизации: маршрутизируемые эксперты хранятся в MXFP4, остальные компоненты — в FP8 или BF16. В репозитории доступны варианты от AD-BF16 и AD-MXFP4 до низкобитных AD-IQ1 и AD-IQ2, позволяющие выбирать компромисс между качеством и объёмом памяти. Главные преимущества — большое контекстное окно, высокая ёмкость MoE-архитектуры и варианты размещения с разным размером файлов. При этом для запуска требуются значительные объёмы оперативной или видеопамяти: размеры вариантов составляют примерно от 70 до 162 ГБ. Квантизация ниже исходного уровня 4,25 бит может заметно ухудшать качество, особенно в вариантах с 1–3 битами. Встроенный chat template устарел и может терять рассуждения в агентских циклах и игнорировать reasoning_effort; для корректной работы рекомендуется использовать отдельный исправленный шаблон из репозитория. Модель распространяется по лицензии MIT.

Rarri/DeepSeek-V4-Flash-0731-NVFP4 — это квантизированная версия модели DeepSeek-V4-Flash-0731, разработанная на основе релиза deepseek-ai и подготовленная с помощью NVIDIA Model-Optimizer. Модель предназначена для генерации текста и высокопроизводительного инференса с использованием vLLM или TensorRT-LLM на GPU NVIDIA Blackwell с поддержкой NVFP4. Она ориентирована на сценарии, где важны высокая скорость декодирования и использование длинного контекста, включая speculative decoding с механизмом DSpark. Модель содержит 304 млрд параметров, 43 слоя MoE, 256 маршрутизируемых экспертов в каждом MoE-слое и три слоя multi-token prediction (MTP). Все маршрутизируемые экспертные веса, включая MTP-экспертов, переведены в NVFP4 W4A4; attention, роутеры, shared experts, embeddings и lm_head сохранены в исходном формате FP8. Поддерживается контекст до 131K токенов. Экспертные веса преобразованы без потери значений исходных MXFP4-весов, а speculative decoding в тестовой конфигурации примерно удваивал скорость однопоточного декодирования, достигая типичных 200–240 токенов в секунду. Ключевые ограничения — зависимость от GPU Blackwell (sm_120+), специализированных сборок инференсных фреймворков и гибридной FP8/NVFP4-MoE-разметки. Рекомендуемые параметры speculative decoding включают жадное семплирование, пять draft-токенов и bf16 draft head; вероятностное семплирование может приводить к некорректному выводу в NVFP4-пути. Модель распространяется по лицензии MIT, унаследованной от базовой модели.

kardosdrur/dfm-sentence-encoder-finetune-large-v1 — модель Sentence-Transformers на архитектуре BERT, дообученная для кодирования предложений и абзацев в плотные векторы размерности 1024. Её можно использовать для поиска семантически близких текстов, кластеризации и сравнения предложений по смыслу. Модель принимает текст и выдаёт векторные представления. Для получения эмбеддингов в Transformers требуется применить подходящий pooling к контекстным представлениям токенов; также модель поддерживает использование через библиотеку Sentence-Transformers. Контекст ограничен 512 токенами. Обучение проводилось с ContrastiveLoss и косинусной метрикой расстояния. В карточке не указаны целевые языки и лицензия, поэтому языковую специализацию и условия использования определить нельзя.

Это англоязычная модель Sentence Transformers на базе DistilBERT, дообученная авторами Sentence Transformers на датасете разделов Википедии sentence-transformers/wikipedia-sections. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для оценки семантической близости и поиска текстов по смыслу. Модель использует DistilBertModel с усреднением токенных представлений; сходство рекомендуется оценивать косинусной мерой. Модель подходит для семантического поиска по англоязычным документам, сравнения предложений, поиска перефразирований, кластеризации и классификации текстов на основе эмбеддингов. Максимальная длина входной последовательности — 512 токенов. В тесте TripletEvaluator на тестовом наборе wikipedia-sections точность по cosine_accuracy составила 0,70; результат характеризует оценку на этом наборе и не гарантирует такую же точность на других данных. Лицензия в предоставленных сведениях не указана.

mingbao2020 выпустил модель sentence-transformers на базе DistilRoBERTa для преобразования предложений и абзацев в плотные векторы размерностью 768. Она предназначена для поиска семантически похожих текстов, семантического поиска и кластеризации. Обучение с Matryoshka2dLoss поддерживает представления размерностью 768, 512, 256, 128 и 64, что позволяет выбирать компромисс между размером вектора и качеством. Архитектура — RoBERTa, модель содержит 95,2 млн параметров и принимает текст с контекстным окном 514 токенов. Репозиторий использует формат safetensors. Модель подходит для построения текстовых эмбеддингов и ранжирования сходства предложений. В предоставленных данных не указаны специальные предметные области или поддерживаемые естественные языки. Условия лицензии в предоставленных данных отсутствуют.

Dist-MPNet-Paracrawl-cs-en — компактная модель семантических эмбеддингов, созданная Seznam.cz. Это BERT-small, дистиллированная из sentence-transformers/all-mpnet-base-v2 и обученная на параллельном чешско-английском наборе ParaCrawl. Модель предназначена для сравнения предложений и применяется для поиска по смыслу, извлечения релевантных текстов, кластеризации и классификации. Модель содержит 27,2 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Указанная лицензия — CC BY 4.0. Количественные результаты оценки и ограничения в доступных материалах не приведены.

Dolphin V2 8B Abliterated — языковая модель для генерации текста, разработанная 0arch-io для исследовательских задач TRC на базе Qwen/Qwen3-8B. Модель дообучена на 1,35 млн инструкционных примеров, включая данные для диалогов, следования инструкциям, математического рассуждения и генерации кода, а затем подвергнута abliteration — удалению остаточного поведения отказа от ответов. Заявлена как модель без контентных фильтров, поэтому требует ответственного применения. Модель построена на архитектуре Qwen3ForCausalLM и содержит около 8,2 млрд параметров: 36 слоёв, 4096-мерное скрытое представление, 32 attention heads и 8 KV heads. Она работает в формате bfloat16, поддерживает контекст длиной до 4096 токенов в обучении и до 40960 токенов согласно заявленному максимальному ограничению. Указан английский язык и сценарий text generation. В README приведены результаты на ARC-Challenge, HellaSwag, TruthfulQA и Winogrande, однако они не характеризуют все прикладные сценарии. К сильным сторонам относятся instruction tuning, диалоговые и кодовые задачи, математическое reasoning, а также доступность GGUF-квантизаций Q8_0 и Q4_K_M для локального запуска через llama.cpp или Ollama. Ограничения включают отсутствие защитных отказов и фильтров, исследовательский статус и отсутствие данных о качестве на других языках и более широком наборе задач. Модель распространяется по лицензии Apache 2.0.

upskyy/e5-large-korean — модель Sentence Transformers, дообученная автором на korsts и kornli на базе intfloat/multilingual-e5-large. Она преобразует предложения и абзацы в плотные векторы размерности 1024; архитектура включает XLM-RoBERTa и усреднение токенных представлений. Модель предназначена для сравнения смысла текстов, семантического поиска и других задач, где нужны текстовые эмбеддинги. Для вычисления сходства в README указана косинусная мера; максимальная длина последовательности — 512 токенов по README и 514 по метаданным. В README приведён результат оценки на sts-dev: корреляция Спирмена для косинусного сходства — 0,8699. Модель поддерживает корейский и другие языки; среди языков в метаданных перечислены, в частности, корейский и английский. Репозиторий использует формат safetensors, библиотека — sentence-transformers. Лицензия — MIT.

Это Sentence Transformer, дообученный на базе intfloat/e5-small-v2. Модель разработана для преобразования предложений и абзацев в плотные текстовые векторы размерностью 384; архитектура включает BERT-энкодер и усредняющий пуллинг токенов. Максимальная длина последовательности — 512 токенов, сходство векторов можно оценивать косинусной мерой. Модель подходит для семантического поиска, оценки сходства и поиска перефразировок, а также для кластеризации и классификации текстов на основе эмбеддингов. Базовая E5-small-v2 предназначена для английского языка; README не сообщает о дополнительной языковой специализации этой версии. Репозиторий распространяется в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Ektome-Qwen2.5-Coder-7B-Instruct-PristinelyUncensored — текстовая instruction-модель, разработанная Zynerji на основе Qwen/Qwen2.5-Coder-7B-Instruct. Она предназначена для генерации текста и решения задач программирования, следования инструкциям, рассуждений, арифметики и работы с общими знаниями. В README указана поддержка английского языка и размер 7B параметров; сведения о длине контекста и мультимодальности не приведены. Модель подвергнута процедуре Ektome, которая, согласно описанию, удаляет компонент, связанный с отказами, без дополнительного обучения и с сохранением общих возможностей. Для неё заявлен сертифицированный результат PASS в сравнении с исходной моделью на 2800 примерах: проверялись арифметика, следование инструкциям, знания и рассуждения, при пределе ухудшения 3%. Доступны GGUF-квантизации от 3 до 8 бит, включая варианты с imatrix. Модель является uncensored и по замыслу не отказывается от запросов, поэтому не предоставляет встроенных гарантий безопасности; ответственность за применение лежит на пользователе. Сертификат подтверждает только сохранение возможностей и не гарантирует безопасность, фактическую точность или пригодность для конкретных задач. Для модели не записаны отдельные проверки качества генерации и receipt по compliance/MMLU. Лицензия — Apache-2.0.

embedder-100p — двуязычная модель эмбеддингов от автора @bayang, созданная на основе bi-encoder из семейства XLM-RoBERTa и Sentence-Transformers. Модель содержит 305,2 млн параметров и преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости. Модель предназначена для семантического поиска и кластеризации текстов на английском и немецком языках. Она обучалась на более чем 20 ГБ немецких текстовых данных с применением дистилляции, чтобы получить двуязычные эмбеддинги; заявленный контекст — 514 токенов. Доступны веса PyTorch и Safetensors. Для получения векторов можно использовать Sentence-Transformers либо Transformers с соответствующей операцией pooling. Карточка не сообщает результатов оценки MTEB, поэтому качество на конкретных наборах данных по ней оценить нельзя. Лицензия в предоставленных данных не указана.

spacemanidol/esci-es-mpnet-crossencoder — модель на базе MPNet, представленная как модель Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и подходит для семантического поиска, кластеризации и сравнения текстов. Обучение описано с использованием CosineSimilarityLoss; в README также приведён способ работы через Sentence-Transformers или Transformers с подходящим pooling. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги. Максимальная длина контекста — 514 токенов. В метаданных основная задача обозначена как sentence-similarity, а каталог также относит модель к feature-extraction. Сведения о поддерживаемых естественных языках и лицензии в предоставленных данных отсутствуют.

spacemanidol/esci-mpnet-crossencoder — модель на базе MPNet, выпущенная сообществом spacemanidol и предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 768. Модель содержит 136,7 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и доступна в формате PyTorch. Векторы можно применять для семантического поиска и кластеризации текстов. README указывает на обучение с функцией потерь CosineSimilarityLoss; метаданные также отмечают поддержку извлечения признаков и сходства предложений. Лицензия в предоставленных данных не указана.

Карточка модели jessietextstan/few-shot-model на Hugging Face совпадает с карточкой lewtun/my-awesome-setfit-model, поэтому описание составлено по ней. lewtun/my-awesome-setfit-model — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения смысловой близости текстов. Модель подходит для семантического поиска и кластеризации текстов, а также для получения эмбеддингов, используемых в других системах. В README указано обучение с функцией потерь CosineSimilarityLoss. Для применения описана работа через Sentence-Transformers или Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Модель принимает текст и выдаёт векторы. В карточке нет сведений о лицензии или целевых языках, поэтому определить условия использования и языковую специализацию по доступным данным нельзя.

yasserrmd выпустил дообученную на google/embeddinggemma-300m модель Sentence Transformers для получения эмбеддингов текста. Она преобразует предложения и абзацы в плотные векторы размерности 768; сходство текстов можно оценивать косинусной мерой. Модель содержит 302,8 млн параметров, принимает последовательности длиной до 2048 токенов и распространяется в формате Safetensors. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, классификации и кластеризации. В README указано, что обучение проводилось на 10 000 парах текстов; пример данных посвящён финансовым рынкам. Метаданные не подтверждают, что модель ограничена финансовой тематикой. Языки обучения или поддерживаемые языки в предоставленных данных не обозначены. Лицензия не указана.

kasraarabi/finetuned-caption-embedding — дообученная модель Sentence Transformer на базе sentence-transformers/paraphrase-mpnet-base-v2. Разработчик дообучил MPNet на 10 000 пар предложений с функцией потерь MultipleNegativesRankingLoss; модель преобразует предложения и абзацы в плотные векторы размерности 768. Для сравнения векторов используется косинусное сходство. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического сравнения текстов, поиска близких по смыслу фраз и абзацев, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. Примеры обучающих данных описывают сцены и объекты, поэтому модель может быть полезна для сопоставления текстовых описаний изображений. Модель принимает текст и выдаёт эмбеддинги; сама по себе она не генерирует ответы и не определяет категории без дополнительного классификатора. В карточке не указаны лицензия и подтверждённый набор поддерживаемых языков. Для использования указана библиотека Sentence Transformers; веса представлены в формате Safetensors.

dalietng/fine-tune_simcse — модель на базе RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для вычисления семантического сходства, кластеризации и семантического поиска. Веса содержат около 162,4 млн параметров; максимальная длина контекста — 258 токенов. Модель подходит для получения эмбеддингов текстов и сравнения их по смыслу. В README указано обучение с SoftmaxLoss, но набор данных и целевая предметная область не описаны. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Gonalb/flucold-ft-v0 — модель Sentence Transformers, дообученная на базе Snowflake/snowflake-arctic-embed-l. Она преобразует предложения и абзацы в плотные векторы размерности 1024, нормализованные для сравнения по косинусному сходству. Архитектура основана на BertModel с pooling по CLS-токену; максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста. В README приведены результаты оценки поиска на небольшом наборе данных из 334 обучающих примеров. Репозиторий содержит веса в формате safetensors; условия лицензии в предоставленных данных не описаны.

Vikneshwaran/gemma_4_tau2_retail — репозиторий модели семейства Gemma 4, разработанного Google DeepMind. Карточка описывает Gemma 4 как мультимодальную модель для понимания изображений и генерации текста; семейство также предназначено для диалогов, рассуждений, программирования, суммаризации и агентных сценариев с вызовом инструментов. Архитектура указана как плотная Gemma4ForConditionalGeneration, веса опубликованы в формате safetensors. Размер и длина контекста конкретно этого чекпойнта не установлены в предоставленных данных; README приводит разные варианты размеров и контекста для семейства в целом. Модель может быть полезна для визуального анализа изображений, извлечения текста и сведений из документов, ответов на вопросы по изображению и генерации текста по запросу. Gemma 4 поддерживает более 140 языков при обучении, а README указывает поддержку более 35 языков для использования. Лицензия — Apache 2.0. Данные карточки не уточняют, чем этот репозиторий отличается от базовой модели Gemma 4 и какие возможности семейства доступны именно в данном варианте.

German-RAG-UAE-LARGE-V1-TRIPLES-HESSIAN-AI — модель Sentence Transformers, разработанная командой German-RAG AI и дообученная на примерно 300 тысячах троек из набора German-RAG-EMBEDDING-TRIPLES-HESSIAN-AI. Она преобразует предложения и абзацы в плотные векторы размерности 1024; архитектура основана на BERT с объединением CLS-токена и нормализацией векторов. Максимальная длина последовательности — 512 токенов, сходство оценивается косинусной мерой. Модель предназначена для семантического поиска по немецким текстам и другим задачам сравнения и группировки текстов: поиска похожих предложений, обнаружения перефразировок, кластеризации и извлечения признаков для классификации. В карточке приведены результаты оценок на немецких наборах для поиска, классификации и семантического сходства. Модель поддерживает немецкий и английский языки; лицензия — MIT.

Watwat100/gpu1 — модель семейства MPNet на базе Sentence Transformers, преобразующая предложения и абзацы в плотные векторы размерности 768. Её можно использовать для семантического поиска и кластеризации текстов; размер модели составляет 136,7 млн параметров, а контекст — до 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss и распространяется в формате PyTorch. Она предназначена для получения текстовых эмбеддингов и сравнения семантической близости предложений и абзацев. Сведения о поддерживаемых языках и лицензии в предоставленных источниках отсутствуют.

Granite-Embedding-97M-Multilingual-R2-GGUF — это мультиязычная модель для создания векторных представлений текста, опубликованная пользователем mykor и основанная на модели ibm-granite/granite-embedding-97m-multilingual-r2, разработанной IBM Granite. Модель распространяется в формате GGUF и предназначена для задач feature extraction, семантического поиска, сравнения предложений и других сценариев, где требуется оценивать смысловую близость текстов. Модель поддерживает широкий набор языков, включая русский, английский, китайский, японский, корейский, арабский и многие другие. В README указано, что доступен файл granite-embedding-97M-multilingual-r2-BF16.gguf в формате BF16; размер базовой модели составляет 97 млн параметров. Для запуска приведён пример с llama.cpp через llama-cpp-python в режиме генерации эмбеддингов. README не содержит сведений о максимальной длине контекста, размерности векторов или подробностях архитектуры. В качестве сильной стороны заявлена близкая совместимость эмбеддингов с исходной моделью Sentence Transformers: в приведённом примере косинусное сходство результатов двух реализаций составляет 0,9999579. Ограничения и результаты независимых бенчмарков в README не описаны. Модель распространяется по лицензии Apache-2.0.

Ramyashree/gte-large-finetuned — модель эмбеддингов предложений на архитектуре BERT, дообученная для задач сходства предложений. Она преобразует предложения и абзацы в плотные векторы размерностью 1024, которые можно использовать для семантического поиска, кластеризации и сравнения текстов. В обучении применялась функция потерь MultipleNegativesRankingLoss с косинусным сходством; максимальная длина контекста составляет 512 токенов. Модель принимает текст и выдаёт векторные представления. Для использования подойдут Sentence-Transformers или Transformers с соответствующей операцией pooling. В карточке указан датасет Ramyashree/Dataset_For_Cluster. Сведения о лицензии и поддерживаемых естественных языках в предоставленных данных отсутствуют.

TiGa-RCE/gte-Qwen2-1.5B-instruct-MLX-BF16 — модель эмбеддингов на базе Alibaba-NLP/gte-Qwen2-1.5B-instruct, преобразованная в формат MLX с точностью BF16. Она предназначена для получения векторных представлений текстов и семантического поиска на устройствах Apple Silicon с MLX или oMLX. Модель содержит 1,5 млрд параметров, построена на архитектуре Qwen2 и поддерживает контекст до 131072 токенов. Лицензия — Apache-2.0. В локальном тесте извлечения информации модель получила 24 успешных ответа из 24 пар запросов и документов, с MRR 1,0. Это ограниченная инженерная проверка на фиксированном наборе, а не оценка общего качества. Контрольный чекпойнт предназначен для MLX/oMLX на Apple Silicon; результаты для CUDA и PyTorch к нему не относятся.

Это модель Sentence Transformer, дообученная на базе nlpai-lab/KURE-v1 с помощью MultipleNegativesRankingLoss. Она преобразует предложения и абзацы в плотные векторы размерности 1024, нормализует их и рассчитана на сравнение косинусным сходством. Модель построена на XLM-RoBERTa; максимальная длина последовательности в README — 256 токенов, а метаданные указывают нативное контекстное окно 8194 токена. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. Карточка сообщает о 57 обучающих примерах, поэтому качество на новых данных может быть ограничено и требует проверки на целевом наборе. Лицензия в предоставленных данных не указана.

hi-di-hi-base — англоязычная модель Sentence Transformers, дообученная автором репозитория на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения текстов, семантического поиска и других задач, основанных на близости эмбеддингов. Модель использует архитектуру BERT с пулингом по CLS-токену и нормализацией выходного вектора; сходство вычисляется косинусной мерой. Максимальная длина последовательности — 512 токенов. Обучение проводилось на 36 000 парах anchor-positive из датасета json; Apache-2.0 допускает использование и распространение на условиях этой лицензии. Эмбеддинги также подходят для кластеризации, поиска перефразирований и классификации текстов. Карточка приводит результаты оценки поиска с сокращёнными векторами разных размерностей, но не описывает предметную специализацию; качество на других корпусах и языках может отличаться.

Это мультимодальная диалоговая модель семейства Qwen3.8 на 27 млрд параметров, представленная в формате GGUF. Репозиторий подготовлен renketong: веса NVFP4 перенесены из safetensors в GGUF без повторной квантизации; в комплект входят MTP-голова для спекулятивного декодирования и отдельный проектор для обработки изображений. В README указана архитектура qwen35 с 64 слоями и одним MTP-слоем, а также нативный контекст 262 тыс. токенов. Модель предназначена для генерации текста и диалогов, включая работу с кодом и JSON, а также анализа изображений при загрузке проектора mmproj. Abliteration уменьшает число отказов, а MTP может ускорять генерацию в совместимом ПО, например llama.cpp и LM Studio. Это производная модель в цепочке от Qwen/Qwen3.8-27B через Huihui-Qwen3.8-27B-abliterated и NVFP4-квантизацию. Лицензия репозитория — Apache-2.0. Модель ориентирована на локальный запуск и требует совместимой инфраструктуры; заявленная поддержка NVFP4 связана с ускорителями NVIDIA Blackwell. Снижение отказов означает, что модель может отвечать на запросы, от которых обычно отказывается система с защитными настройками. Измерения скорости в README сделаны на RTX 5090 и зависят от типа текста и параметров MTP.

Instructor-large — модель текстовых эмбеддингов, разработанная исследовательской группой HKUNLP и дообученная следовать инструкциям для получения векторов, настроенных под задачу и предметную область. Задачу задают текстовой инструкцией при кодировании, без отдельного дообучения под каждый сценарий. Модель основана на T5 Encoder и содержит 385,2 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска и извлечения информации, классификации, кластеризации, оценки текста и сравнения сходства предложений. Инструкции могут задавать область, например науку, финансы или медицину, и цель представления текста. В README заявлены высокие результаты на разнообразных задачах бенчмарка MTEB. Модель принимает текст и выдаёт эмбеддинги; для работы с ней авторы рекомендуют библиотеку InstructorEmbedding на базе Sentence Transformers. Модель поддерживает английский язык. Лицензия — Apache-2.0. Контекст ограничен 512 токенами, а заявленные результаты бенчмарка не гарантируют качество для каждой пользовательской задачи; инструкцию и применение следует подбирать и оценивать отдельно.

Bruno/intent-classification-pt-setfit-model — модель эмбеддингов предложений на базе BERT, опубликованная пользователем Bruno на Hugging Face. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Метаданные указывают 124,3 млн параметров и контекст до 512 токенов; модель распространяется в формате PyTorch и поддерживает получение эмбеддингов. Модель обучалась с функцией потерь CosineSimilarityLoss. Несмотря на название репозитория, в карточке не описан отдельный классификационный интерфейс: основное применение — векторное представление текста для сравнения и поиска. Язык обучающих данных, лицензия и дополнительные ограничения в предоставленных источниках не указаны.

InternLM2-20B — плотная языковая модель второго поколения семейства InternLM, разработанная командой InternLM и представленная в репозитории internlm. Она предназначена для генерации и продолжения текста, а также может служить основой для адаптации под предметные области. В опубликованных оценках показаны способности к рассуждению, математике и программированию; карточка также описывает поддержку длинных контекстов. Модель содержит 19,3 млрд параметров, построена на архитектуре InternLM2ForCausalLM и распространяется в формате PyTorch. Метаданные указывают контекст до 32 768 токенов. В README заявлена поддержка до 200 000 символов для базовой модели InternLM2; это значение не следует приравнивать к числу токенов и оно может зависеть от конфигурации конкретного чекпойнта. Карточка приведена на китайском и английском языках, но точный перечень языков модели не указан. Модель подходит для продолжения текста и как языковая основа для задач общего назначения, включая рассуждения, математику и код. Это базовая версия, а не чат-версия InternLM2-Chat, поэтому оптимизация для диалога и следования инструкциям здесь не заявлена. Генерация может содержать ошибки, предвзятость или вредные ответы. Код лицензирован по Apache-2.0; веса открыты для академических исследований, а коммерческое использование требует получения бесплатного разрешения.