I.14Автоматизация процессов и AI-агенты

hroth01/psais-multi-qa-mpnet-base-dot-v1-50shot — модель Sentence-Transformers на базе MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска, кластеризации и сравнения текстов по смыслу. Модель обучалась с функцией потерь CosineSimilarityLoss. В README приведены варианты использования через Sentence-Transformers и Transformers; для последнего требуется подходящая операция pooling поверх контекстных представлений токенов. Модель содержит 136,7 млн параметров, принимает контекст до 514 токенов и распространяется в формате PyTorch. В карточке не указаны языки обучения и лицензия, поэтому область языкового применения и условия распространения по доступным данным определить нельзя.

QVikhr-3-8B-Instruction — русско-английская инструктивная языковая модель команды Vikhr, основанная на Qwen/Qwen3-8B и дообученная методом SFT на синтетическом датасете GrandMaster2. Это плотная трансформерная модель для генерации текста и диалоговых ответов; она также предоставляет интерфейс вызова инструментов. Модель содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Модель предназначена для следования инструкциям, ответов с учётом контекста и анализа текста, с особым вниманием к русскому языку при поддержке английского. В карточке также приведены результаты оценки DOoM по математике и физике, однако они не гарантируют качество на других задачах. Репозиторий содержит веса в формате Safetensors; README также ссылается на отдельные квантованные варианты GGUF и MLX. Лицензия — Apache-2.0.

AlexWortega/qwen1k — дообученная модель Sentence Transformers на базе Qwen/Qwen2.5-0.5B-Instruct, предназначенная для получения векторных представлений предложений и абзацев. Она кодирует текст в плотные векторы размерностью 896; близость текстов можно оценивать косинусным сходством. В метаданных указаны 494 млн параметров и контекст до 32 768 токенов, однако карточка модели задаёт максимальную длину последовательности 1024 токена. Модель подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В архитектуре используются Qwen2Model и mean pooling. README приводит результаты оценки сходства на sts-dev-896 и sts-dev-768; качество на других наборах данных отдельно не подтверждено. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Qwen3-1.7B-GGUF — квантизированная GGUF-версия текстовой модели Qwen3-1.7B, разработанной командой Qwen. Квантизацию выполнил bartowski на основе llama.cpp, релиз b5200. Модель предназначена для генерации текста, следования инструкциям, творческого письма, ролевых сценариев и многошаговых диалогов. Модель поддерживает контекст до 32 000 токенов, режимы с рассуждением и без него, а также команду /no_think для отключения рассуждений. Заявлена повышенная эффективность в математике, программировании и задачах на здравый смысл, а также поддержка более 100 языков и диалектов и расширенные возможности для агентских сценариев. К ограничениям относятся возможные неточности, вредное или неподходящее содержание, характерные для языковых моделей. README не содержит сведений о конкретной лицензии модели, поэтому условия коммерческого и иного использования необходимо уточнять по исходной модели Qwen3-1.7B и странице квантизированной версии.

kelnei/Qwen3.8-27B-NVFP4 — это квантизированная версия мультимодальной модели Qwen3.8-27B, разработанная на основе исходной модели Qwen/Qwen3.8-27B. Она предназначена для генерации текста и обработки изображений с текстом, включая сценарии чат-взаимодействия и инференса на NVIDIA Blackwell GPU с архитектурой SM 12.0 и выше. Модель использует смешанную квантизацию: большинство линейных слоёв работают в NVFP4 (W4A4, group-16), отдельные компоненты — в FP8, а vision tower, merger, embeddings, norms и часть DeltaNet-слоёв сохранены в BF16. Размер чекпойнта и требуемой видеопамяти составляет около 21,8 ГБ против примерно 56 ГБ у версии BF16. Поддерживаются KV-кэш FP8 и multi-token prediction (MTP); заявленная точность относительно BF16-оригинала — 94,1% совпадения top-1 при эмулированном W4A4-инференсе. Главное преимущество модели — существенное снижение требований к памяти при сохранении близкого к исходному качеству и повышение скорости декодирования, особенно при MTP speculative decoding. Рекомендуемый сервер — vLLM с оптимизированными NVFP4-ядрами; для SGLang необходимо использовать более раннюю ревизию с BF16-головой, поскольку текущая FP8-голова может приводить к вырожденным результатам. Для работы требуется совместимый NVIDIA Blackwell GPU, поэтому модель не является универсальной для старых видеокарт. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-35B-A3B-Distill-GGUF — это набор GGUF-квантизаций дистиллированной модели Qwen3.8-35B-A3B, разработанный и выпущенный Empero. Модель предназначена для генерации текста и локального запуска через llama.cpp, Ollama, LM Studio, Jan, KoboldCpp и другие совместимые среды. Указанный базовый вариант создан на основе архитектуры Qwen3.6-35B-A3B и доступен для задач рассуждения и общего текстового вывода; заявленный язык — английский. Модель использует разреженную Mixture-of-Experts-архитектуру: всего около 35 млрд параметров, из которых примерно 3 млрд активны для каждого токена. Архитектура включает 30 слоёв Gated DeltaNet и 10 слоёв полной attention, а также 256 экспертов с маршрутизацией 8 экспертов на токен. Доступны варианты квантизации от 2-битных до BF16 размером примерно от 12,6 до 71,1 ГБ. Контекстный размер в карточке не указан. Для работы требуется свежая версия llama.cpp с поддержкой Qwen3.6, Gated DeltaNet и MoE. Разреженность архитектуры делает инференс заметно быстрее плотной модели аналогичного общего размера и повышает практичность запуска на CPU или при частичном переносе на GPU. При этом весь файл весов должен помещаться в оперативную или видеопамять, а при длинном контексте дополнительные затраты на KV-кэш могут существенно увеличить требования к памяти. Поддерживается ввод изображений через отдельный vision projector, однако поведение визуальной части не оценивалось. Модель выводит рассуждения в блоках <think>, которые при необходимости следует удалять перед показом ответа пользователю. Весовые файлы распространяются по лицензии Apache-2.0, унаследованной от базовой модели Qwen. Для квантизаций рекомендуется выбирать вариант с учётом доступной памяти и требуемого качества; в карточке наиболее сбалансированным указан Q4_K_M.

Это преобразованный в формат MLX BF16 чекпойнт Qwen3-Embedding-0.6B, опубликованный TiGa-RCE на Hugging Face. Он предназначен для создания текстовых эмбеддингов и семантического поиска; рассчитан на запуск на Apple Silicon через MLX или oMLX. Модель содержит около 507,6 млн параметров и поддерживает контекст до 32 768 токенов. В локальном тесте извлечения информации чекпойнт верно ранжировал 24 из 24 пар запросов и документов, совпав по векторам с семейным эталоном BF16 при указанной схеме пулинга и нормализации. Это ограниченная инженерная проверка, а не результат MTEB и не гарантия качества на других данных. Репозиторий распространяется по лицензии Apache-2.0.

AlexWortega/qwen_emb_6k — модель Sentence Transformer, дообученная на базе Qwen/Qwen2.5-0.5B-Instruct. Она преобразует предложения и абзацы в плотные векторы размерности 896, предназначенные для сравнения семантической близости с помощью косинусного сходства. В архитектуре используются Qwen2Model и усредняющий пулинг токенов; число параметров — 494 млн. Модель подходит для семантического поиска, ранжирования релевантных текстов, поиска перефразировок, кластеризации и классификации текста. В README указана максимальная длина последовательности 1024 токена; метаданные сообщают базовый контекст Qwen в 32768 токенов, поэтому для использования этой Sentence Transformer следует ориентироваться на ограничение 1024 токена. В README приведены результаты оценки на наборах NanoBEIR и отдельных задачах поиска, но они не гарантируют качество на других данных. Модель принимает текст и выдаёт векторные представления. Языки обучения или целевого применения явно не обозначены. Лицензия в предоставленных данных не указана.

unsloth/QwQ-32B-GGUF — это GGUF-версия языковой модели QwQ-32B, разработанная Unsloth на базе Qwen/QwQ-32B. Модель предназначена для генерации текста в диалоговых сценариях и задач, требующих рассуждений, включая программирование и решение сложных инструкций. Она работает с текстом и ориентирована на английский язык. Модель содержит 32 млрд параметров и использует выборочную динамическую квантизацию Unsloth Dynamic v2.0, призванную сохранить более высокую точность по сравнению со стандартными вариантами 4-битной квантизации. Доступны форматы GGUF, включая Q4_K_M, совместимые, в частности, с llama.cpp и Ollama. README не указывает точную архитектуру, максимальный размер контекста и перечень поддерживаемых языков помимо английского. Сильными сторонами являются локальный запуск в распространённых inference-инструментах, уменьшенный объём хранения и вычислительных ресурсов благодаря квантизации, а также улучшения Unsloth и исправления, связанные с бесконечной генерацией. Для стабильной работы могут потребоваться специальные параметры семплирования; квантизированная версия потенциально уступает полной модели по точности. Модель распространяется по лицензии Apache-2.0.

Это модель Sentence-Transformers на базе MPNet, разработанная пользователем Hugging Face shrinivasbjoshi. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости, поиска похожих текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторы; максимальная длина контекста — 514 токенов. В метаданных указана задача sentence-similarity, а карточка описывает использование для семантического поиска и кластеризации. Модель опубликована в формате PyTorch и обучалась с функцией CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

JLee0 выпустил дообученную на BAAI/bge-m3 модель Sentence Transformers для сопоставления предложений и абзацев по смыслу. Она кодирует текст в плотные векторы размерностью 1024 и использует косинусное сходство; архитектура состоит из XLM-RoBERTa, пулинга по CLS-токену и нормализации. Модель рассчитана на последовательности до 8192 токенов и подходит для семантического поиска, ранжирования по близости, поиска перефразирований, кластеризации и классификации текстов. В примерах обучающих данных есть корейские вопросы и фрагменты руководства пользователя, однако заявленный набор поддерживаемых языков не приведён. В README указана оценка на информационном поиске, но название датасета не раскрыто. Лицензия в предоставленных данных не указана.

Wheatley961/Raw_2_Test_1_new.model — модель Sentence-Transformers на базе архитектуры XLM-RoBERTa, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. По метаданным модель содержит 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Репозиторий содержит веса PyTorch; для получения эмбеддингов можно использовать Sentence-Transformers или Transformers с подходящей операцией pooling. Модель подходит для построения поиска по смыслу и группировки текстов. В README указано обучение с CosineSimilarityLoss. Данные о лицензии и конкретном наборе поддерживаемых языков отсутствуют в предоставленных источниках, поэтому их нельзя уточнить.

grocode87/replyability_model — модель на базе BERT, разработанная автором репозитория и опубликованная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для сравнения смысловой близости, семантического поиска и кластеризации. Модель содержит 25,9 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Модель можно применять для поиска похожих фраз и документов, группировки текстов по смыслу и построения систем поиска на эмбеддингах. В карточке указано обучение с OnlineContrastiveLoss. Лицензия в предоставленных данных не указана.

YIlIl/roberta_base_pm_m3_voc_hf — модель Sentence Transformer на базе RoBERTa, представленная в библиотеке Sentence Transformers. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 768; сходство текстов оценивается косинусной мерой. Архитектура включает RoBERTa с усреднением токенных представлений и нормализацией; размер модели — 151,7 млн параметров, максимальная длина последовательности — 514 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Метаданные указывают задачи sentence-similarity и feature-extraction; основное назначение — получение эмбеддингов для сравнения предложений. В README не названы разработчик, языки обучения или лицензия, поэтому их нельзя уточнить по доступным сведениям.

sobamchan/roberta-large-mrl-1024-768-512-256-128-64 — англоязычная Sentence Transformer модель, созданная дообучением FacebookAI/roberta-large на наборе all-nli. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для сравнения текстов по косинусному сходству, семантического поиска и других задач, где нужно сопоставлять смысл текстовых фрагментов. Модель использует архитектуру RoBERTa с усреднением токенных представлений при пулинге. Обучение с MatryoshkaLoss позволяет использовать усечённые представления размерностью 768, 512, 256, 128 или 64. Максимальная длина последовательности — 512 токенов; параметры модели составляют около 454,1 млн. Карточка сообщает оценку Spearman 0,8789 на sts-dev. Модель может применяться для поиска похожих предложений, поиска перефразирований, кластеризации текстов и подготовки признаков для классификации. Она рассчитана на английский язык, а качество на других языках не подтверждено. Лицензия в предоставленных данных не указана.

sobamchan/roberta-large-mrl-768-512-256-128-64 — англоязычная Sentence Transformer модель, созданная дообучением FacebookAI/roberta-large на датасете all-nli. Она кодирует предложения и абзацы в плотные векторы размерностью до 1024 и предназначена для сравнения смысловой близости, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Для оценки близости можно использовать косинусное сходство; обучение с MatryoshkaLoss поддерживает укороченные представления размерностью 768, 512, 256, 128 и 64. Модель принимает последовательности длиной до 512 токенов и построена на RoBERTa с усреднением токенных представлений. В README приведены результаты на STS: Spearman cosine 0,8229 на sts-dev и 0,7977 на sts-test. Это англоязычная модель для текстовых эмбеддингов, поэтому её пригодность для других языков не подтверждена. Лицензия в предоставленных данных не указана.

ighina/roberta_topseg_cls_wikicity — модель эмбеддингов предложений на базе RoBERTa, опубликованная на Hugging Face. Она кодирует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Модель содержит 151,8 млн параметров, использует формат PyTorch и рассчитана на контекст до 514 токенов. Модель обучена с функцией потерь CosineSimilarityLoss и предназначена для получения векторных представлений текста, пригодных для семантического поиска и группировки похожих фрагментов. Карточка описывает применение Sentence-Transformers и Transformers; для Transformers требуется корректная операция pooling поверх контекстных представлений токенов. Сведения о лицензии и поддерживаемых естественных языках в предоставленных данных отсутствуют.

ighina/roberta_topseg_mean_wikidisease — модель на основе RoBERTa, опубликованная как модель Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Веса содержат около 151,8 млн параметров, модель принимает текст и выдаёт эмбеддинги; максимальный контекст составляет 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss. Для работы доступны Sentence-Transformers и Transformers, причём при использовании Transformers требуется применить соответствующую операцию pooling к контекстным представлениям токенов. Репозиторий содержит веса PyTorch. Лицензия и целевые языки в предоставленных данных не обозначены.

ricardo-filho/sbertimbau-base-allnli-mnrl — модель эмбеддингов предложений на базе BERT, опубликованная пользователем Ricardo Filho. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. В метаданных указаны 136,1 млн параметров, контекст до 512 токенов и формат PyTorch. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусной мерой сходства. Это позволяет использовать векторы для ранжирования текстов по смысловой близости и поиска похожих фрагментов. Карточка не уточняет языки обучения и лицензию, поэтому их нельзя уверенно определить по предоставленным данным.

Muennighoff/SBERT-large-nli-v2 — текстовая модель эмбеддингов на архитектуре BERT, опубликованная Nils Reimers? Карточка описывает обучение с MultipleNegativesRankingLoss и косинусным сходством, что предназначает модель для представления предложений в виде векторов и сравнения их семантической близости. Подходит для поиска похожих фраз, ранжирования предложений по релевантности и построения семантического поиска. Модель содержит 433,9 млн параметров и принимает последовательности длиной до 512 токенов. Доступен формат PyTorch; основная заявленная возможность — получение эмбеддингов. README отсылает за инструкциями и результатами оценки к коду и статье, поэтому конкретные показатели качества в карточке не приведены. Лицензия в предоставленных данных не указана.

ceggian/sbert_standard_reddit_softmax — модель Sentence Transformers на базе архитектуры BERT, разработанная автором репозитория ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу и кластеризации. Обучение использовало SoftmaxLoss; модель также можно применять через библиотеку sentence-transformers или Transformers с соответствующей операцией pooling. Модель принимает текст и возвращает векторные представления. Контекст ограничен 512 токенами. Карточка не приводит сведения о языковой специализации или лицензии, поэтому нельзя установить целевой язык и условия использования.

manu/sentence_croissant_alpha_v0.3 — модель эмбеддингов на базе архитектуры Llama, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 2048 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель содержит 1,3 млрд параметров, принимает текст, выдаёт векторы и поддерживает контекст до 2048 токенов. В README указано обучение с MultipleNegativesRankingLoss. Репозиторий создан в апреле 2024 года; веса сохранены в формате safetensors. Сведений о языках обучения, лицензии и результатах бенчмарков в предоставленных данных нет.

shangrilar/sentence-encoder-klue-mrc — модель семейства BERT, упакованная в формат safetensors и созданная на базе Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу и кластеризации. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель принимает текст и возвращает векторные представления. Размер модели — 144 млн параметров, максимальная длина контекста — 512 токенов. Карточка указывает на KLUE-MRC в названии, но не описывает языки обучения и не приводит метрики качества или конкретные ограничения применения. Лицензия в предоставленных данных не указана.

AHDMK/Sentence-MNR-BioBert-snli-mnli — модель Sentence Transformers на архитектуре BERT, которая преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска семантически похожих текстов. В метаданных указано 135,5 млн параметров, максимальная длина контекста — 512 токенов; веса доступны в формате Safetensors. Модель обучалась с функцией MultipleNegativesRankingLoss и косинусным сходством. Её можно применять для семантического поиска и кластеризации текстов; эмбеддинги также подходят как представления для последующей обработки. README не уточняет языки обучения и использования, поэтому языковую специализацию установить нельзя. Лицензия в предоставленных данных не указана.

adit94/sentenceTest_kbert — модель на базе BERT, опубликованная в формате PyTorch как модель Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель обучалась с TripletLoss; контекст ограничен 512 токенами. Модель подходит для построения векторного поиска по текстам и группировки семантически близких предложений. Карточка не уточняет поддерживаемые естественные языки и лицензию, поэтому эти характеристики нельзя достоверно указать.

hunkim/sentence-transformersklue-bert-base — модель семейства BERT, представленная в формате Sentence-Transformers. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения смысла, семантического поиска и кластеризации. Модель содержит 137,8 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель обучена с функцией CosineSimilarityLoss и рассчитана на получение эмбеддингов текста. Её можно применять для поиска похожих фрагментов и группировки текстов; в Transformers поверх контекстных представлений требуется использовать подходящий pooling. Репозиторий содержит веса PyTorch. Языковая специализация и лицензия в предоставленных данных не указаны.

KoonJamesZ/sentence-transformers-nina-thai-v3 — модель эмбеддингов предложений на базе XLM-RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения текстов и кластеризации. Число параметров — около 305,2 млн, контекст — до 514 токенов; модель принимает текст и выдаёт векторные представления. Для обучения использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Модель подходит для поиска семантически близких предложений, группировки текстов по смыслу и построения систем поиска по текстовым коллекциям. В названии указано Thai, однако доступные сведения не подтверждают отдельно поддерживаемые языки или их приоритет. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.

Модель frozi/setfit-ethos-multilabel-example — модель Sentence-Transformers на архитектуре MPNet, преобразующая предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска, кластеризации и сравнения смысловой близости текстов. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторные представления. В карточке указано обучение с CosineSimilarityLoss; репозиторий содержит веса PyTorch. Для работы доступны Sentence-Transformers и Transformers с подходящей операцией pooling. Лицензия и целевые языки в предоставленных данных не описаны.

chiragme/setfit-minilm-distilled-ledgar — модель семейства BERT на базе Sentence-Transformers, преобразующая предложения и абзацы в плотные векторы размерности 384. Её можно применять для семантического поиска, кластеризации и сравнения текстов по смыслу. В метаданных указаны 18,8 млн параметров, контекст до 512 токенов и формат PyTorch; README описывает обучение с CosineSimilarityLoss. Название репозитория указывает на связь с SetFit, MiniLM и Ledgar, однако README и метаданные не уточняют базовую модель, набор данных или специализацию обучения, поэтому эти детали нельзя подтвердить. Модель принимает текст и выдаёт векторы; лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

mitra-mir/setfit_model_Calgary_epochs2 — модель на базе MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерностью 768. Она подходит для семантического поиска, сравнения сходства текстов и кластеризации. Модель имеет 136,7 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста составляет 514 токенов. Обучение проводилось с функцией потерь CosineSimilarityLoss. Модель можно использовать в приложениях на Sentence-Transformers для поиска похожих фрагментов и группировки текстов. В карточке не приведены сведения о языковой специализации и лицензии.