I.14Автоматизация процессов и AI-агенты

KasugaiSakura/Qwen3.8-27B-Uncensored-GGUF — набор GGUF-квантизаций модели Qwen3.8-27B от Qwen, опубликованный KasugaiSakura для запуска через совместимые среды, включая llama.cpp. Модель предназначена для генерации текста, а также поддерживает обработку изображений при использовании совместимого vision runtime и файла mmproj. Вариант Uncensored создан с целью существенно снизить выраженность отказов без дообучения, дополнительного датасета и изменения базовых возможностей, однако отказы не устранены полностью. Модель использует архитектуру Qwen3_5ForConditionalGeneration, содержит 64 слоя, словарь из 248 320 токенов, один MTP-слой и поддерживает контекст до 262 144 токенов. Указаны английский и китайский языки. Доступны квантизации IQ2_M, IQ4_XS, Q4_K_M, Q5_K_M, Q6_K и Q8_0, варианты со встроенной или отдельной MTP-головой для speculative decoding, а также отдельный vision-проектор F16. Размер файлов составляет примерно от 10,6 до 29 ГБ, не считая отдельных компонентов. Сильные стороны модели — длинный контекст, поддержка текста и изображений, широкий выбор квантизаций и возможность ускорения генерации с помощью speculative decoding. Ограничения включают зависимость от совместимого runtime и достаточного объёма памяти, возможное снижение acceptance rate для черновой MTP-головы, а также то, что уменьшение отказов не является полным и может влиять на поведение модели. Квантизации GGUF распространяются по лицензии Apache-2.0.

Карточка модели willhx/Qwen3-8B-Base-Math на Hugging Face совпадает с карточкой Qwen/Qwen3-8B-Base, поэтому описание составлено по ней. Qwen3-8B-Base — плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это базовая модель на этапе предобучения, рассчитанная на дальнейшую адаптацию и генерацию текста. В карточке указаны 36 слоёв, 32 головы внимания для Q и 8 для KV; метаданные каталога оценивают размер в 7,6 млрд параметров, а README приводит 8,2 млрд параметров всего и 6,95 млрд без эмбеддингов. Контекст — 32 768 токенов. Модель предназначена для продолжения текста и служит основой для создания специализированных моделей и диалоговых систем. Семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; README отмечает отдельное внимание к программированию, STEM, рассуждениям, книгам и многоязычным данным. Модель использует архитектуру Qwen3 для причинного моделирования языка и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка советует использовать актуальную версию Transformers: версии ниже 4.51.0 не распознают архитектуру qwen3. Поскольку это базовая, а не инструктивно настроенная версия, для диалогового применения и следования инструкциям может понадобиться дополнительная настройка.

Карточка модели willhx/Qwen3-8B-Base-Math-SeaSFT на Hugging Face совпадает с карточкой Qwen/Qwen3-8B-Base, поэтому описание составлено по ней. Qwen3-8B-Base — плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это базовая модель на этапе предобучения, рассчитанная на дальнейшую адаптацию и генерацию текста. В карточке указаны 36 слоёв, 32 головы внимания для Q и 8 для KV; метаданные каталога оценивают размер в 7,6 млрд параметров, а README приводит 8,2 млрд параметров всего и 6,95 млрд без эмбеддингов. Контекст — 32 768 токенов. Модель предназначена для продолжения текста и служит основой для создания специализированных моделей и диалоговых систем. Семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; README отмечает отдельное внимание к программированию, STEM, рассуждениям, книгам и многоязычным данным. Модель использует архитектуру Qwen3 для причинного моделирования языка и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка советует использовать актуальную версию Transformers: версии ниже 4.51.0 не распознают архитектуру qwen3. Поскольку это базовая, а не инструктивно настроенная версия, для диалогового применения и следования инструкциям может понадобиться дополнительная настройка.

dealignai/Qwen3.8-Flash-Next-UNCENSORED-FP8 — модифицированная версия Qwen3.8-Flash-Next-FP8 от команды dealignai. Модель предназначена для генерации текста, решения задач и сценариев, где требуется повышенная готовность отвечать на широкий спектр запросов без встроенных отказов. Также заявлена поддержка обработки изображений благодаря сохранённой vision tower. Модель работает в формате FP8 и сохраняет MTP head и vision tower базовой модели. В README также указана архитектура MoE, однако размер модели, максимальная длина контекста и перечень поддерживаемых языков не приведены. По заявленным внутренним тестам, модель демонстрирует более глубокое рассуждение: на пяти логических головоломках она решила четыре задачи против трёх у базовой модели, при этом использовала примерно в 3,5 раза больше токенов рассуждения. На полном тесте MMLU результат составил 80,39% против 83,54% у базовой модели, то есть снижение общей точности знаний сопровождается неоднородными изменениями по отдельным предметам. К сильным сторонам относятся сохранённые мультимодальные возможности, поддержка FP8, отсутствие жёстких отказов в заявленном тестировании HarmBench и увеличение глубины рассуждений. Ограничения включают возможное ухудшение точности на части академических и прикладных тематик, повышенный расход токенов при рассуждении и отсутствие подробных сведений о размере, контексте и языках. Модель распространяется по лицензии Apache-2.0.

Qwen3-Embedding-0.6B-GGUF — набор GGUF-квантизаций модели Qwen/Qwen3-Embedding-0.6B, подготовленный mradermacher. Модель предназначена для получения текстовых эмбеддингов, оценки семантического сходства предложений, поиска и других задач feature extraction. В метаданных указано, что базовая модель относится к семейству Qwen и поддерживает английский язык. Размер базовой модели составляет 0,6 млрд параметров. Доступны варианты в форматах Q2_K, Q3_K, IQ4_XS, Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K, Q8_0 и f16; размер файлов — примерно от 0,4 до 1,3 ГБ. Квантизации позволяют выбирать компромисс между требованиями к ресурсам, скоростью и качеством: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант очень хорошего качества, а Q8_0 — как быстрый вариант с наилучшим качеством среди перечисленных. Для некоторых низкобитных вариантов качество ниже. В README не указаны архитектурные детали, максимальная длина контекста, перечень дополнительных языков и точные показатели качества, поэтому эти характеристики нельзя подтвердить. Файлы распространяются по лицензии Apache License 2.0; README описывает именно квантизированные GGUF-файлы, а не исходную модель.

TakalaWang/qwen3-embedding-4B-code-search — модель Sentence Transformer, дообученная на базе Qwen/Qwen3-Embedding-4B для поиска и сравнения текстов, включая запросы на естественном языке и фрагменты кода. Она преобразует предложения и абзацы в плотные векторы размерностью 2560; для сравнения векторов используется косинусное сходство. Архитектура включает трансформер Qwen3, пуллинг последнего токена и нормализацию выходных векторов. Модель обучалась с ContrastiveLoss на 800 парах текстов, в том числе примерах, связывающих описания задач с кодом. Её можно применять для семантического поиска кода, поиска похожих фрагментов, подбора парафразов, кластеризации и классификации текстов. Максимальная длина последовательности — 40960 токенов. Указана лицензия базовой модели в использованных данных не была, поэтому условия лицензирования определить нельзя.

Qwen3-Embedding-4B-i1-GGUF — квантованная версия модели Qwen3-Embedding-4B, разработанной командой Qwen и подготовленной в формате GGUF пользователем mradermacher. Это модель для создания текстовых эмбеддингов и извлечения признаков, предназначенная для семантического сравнения текстов, поиска, классификации и других задач, где требуется представление текста в виде векторов. В метаданных указана поддержка английского языка. Модель основана на архитектуре Qwen3 и имеет размер около 4 млрд параметров. Репозиторий содержит варианты квантизации i1 с разными типами и размерами файлов — примерно от 1,2 до 3,4 ГБ, а также файл imatrix для самостоятельного создания квантов. Варианты различаются компромиссом между размером, скоростью и качеством: например, Q4_K_M обозначен как быстрый и рекомендуемый, а Q5_K и Q6_K должны обеспечивать более высокое качество при большем размере. Точная длина контекста, размер выходного вектора, поддерживаемые дополнительные языки и результаты тестирования в README не указаны. Главное преимущество модели — возможность локального запуска в компактном формате GGUF и выбор подходящего уровня квантизации под доступные ресурсы. Ограничения связаны с потерями качества при низкобитной квантизации; сам README предупреждает о низком качестве некоторых вариантов. Модель распространяется по лицензии Apache-2.0.

Qwen3-Omni-30B-A3B-Instruct — мультимодальная модель общего назначения от команды Qwen компании Alibaba. Она принимает текст, изображения, аудио и видео и формирует потоковые ответы текстом и естественной речью; вариант Instruct включает компоненты Thinker и Talker. Архитектура MoE использует разделение на Thinker и Talker, а модель рассчитана на низколатентное взаимодействие в реальном времени и управление поведением через системные промпты. Модель предназначена для голосовых диалогов, распознавания и понимания речи, описания аудио и видео, а также ответов на вопросы по изображениям и смешанным мультимодальным входам. README заявляет поддержку 119 языков для текста, 19 языков для речевого ввода и 10 для речевого вывода; среди явно перечисленных языков речи есть русский. В примере запуска указан максимальный контекст 65 536 токенов. Для работы предлагаются Transformers и vLLM; README отмечает, что на момент публикации требовалась установка Transformers из исходников. Лицензия в метаданных обозначена как other, без уточнения условий.

coder3101/Qwen3-VL-32B-Thinking-heretic-v2 — дообученная версия Qwen3-VL-32B-Thinking от сообщества coder3101. Это плотная мультимодальная модель на архитектуре Qwen3-VL, опубликованная в формате safetensors и рассчитанная на диалог с текстом и изображениями; исходная модель также поддерживает видео и визуальные задачи рассуждения. Вариант heretic создан методом abliteration: по данным карточки, на тесте из 100 примеров он дал 3 отказа против 97 у исходной модели, а KL-дивергенция составила 0,0048. Это указывает на существенно сниженное число отказов, но не гарантирует отсутствие отказов или безопасное поведение во всех сценариях. Возможности и заявленные характеристики базовой модели включают визуальные вопросы и ответы, OCR, понимание видео, пространственное рассуждение и задачи с длинным контекстом. Модель подходит для анализа изображений и видео, чтения текста на изображениях и диалоговых задач с визуальным контекстом. В README указаны для базовой модели контекст 256 тыс. токенов с возможностью расширения до 1 млн и поддержка OCR на 32 языках; эти сведения относятся к базовой модели, а отдельное подтверждение таких пределов для данной производной версии не приведено. Лицензия — Apache-2.0.

knowledgator/Qwen-encoder-0.5B — текстовая модель Knowledgator на архитектуре Qwen2 с 494 млн параметров. Это двунаправленная версия Qwen2-0.5B, преобразованная в текстовый энкодер по подходу LLM2Vec: с двунаправленным вниманием, masked token prediction и контрастивным обучением на данных Wikipedia. Модель предназначена для извлечения контекстных представлений текста и адаптации к задачам классификации, ответов на вопросы и разметки токенов, включая распознавание именованных сущностей. Модель работает с текстом, использует библиотеку Transformers и поддерживает контекст до 131 072 токенов. В карточке указаны английский язык и датасет Wikipedia. Указанная лицензия — Apache-2.0. README содержит примеры адаптации и дообучения под конкретные дискриминативные задачи; результатов оценки качества для отдельных задач в предоставленных материалах нет.

Qwen-SEA-LION-v4-32B-IT-4BIT — это 4-битная GPTQ-квантизированная версия языковой модели Qwen-SEA-LION-v4-32B-IT, разработанная AI Products Pillar из AI Singapore при финансировании Singapore NRF. Модель относится к декодерным LLM и предназначена для генерации текста и диалоговых сценариев, особенно связанных с языками и задачами Юго-Восточной Азии. Она продолжает предварительное обучение на базе Qwen3-32B и использует его токенизатор. Модель поддерживает контекст длиной до 32 768 токенов и работает с текстовыми данными. Заявлена поддержка бирманского, английского, индонезийского, кхмерского, лаосского, малайского, китайского, тагальского, тамильского, тайского и вьетнамского языков. Обучающие данные включают веб-тексты, код, открытые и синтетически созданные наборы данных; для ряда языков использовано около 100 миллиардов токенов. Квантизация снижает требования к памяти и позволяет запускать модель на потребительских GPU и, согласно README, на ноутбуке, при среднем снижении качества менее чем на 0,3% относительно исходной версии. К ограничениям относятся отсутствие специального safety-выравнивания, непроверенная устойчивость к adversarial prompting, возможные галлюцинации и нерелевантные или фактически неверные ответы. Модель обучалась преимущественно на текстовом бэкенде, поэтому заметных улучшений возможностей работы с изображениями по сравнению с Qwen3-32B не заявлено; фактическую точность следует проверять на целевых задачах. Модель распространяется по лицензии MIT.

sergeyzh/rubert-tiny-topic — компактная BERT-модель Сергея Жукова для получения эмбеддингов и тематической классификации и кластеризации текстов. Она создана дистилляцией эмбеддингов русских и английских текстов BERTA в rubert-tiny-lite и предназначена для использования с библиотекой Sentence Transformers. Модель содержит 23,1 млн параметров, имеет 3 слоя, размер эмбеддинга 256 и контекст до 512 токенов. В README приведены оценки на наборах MTEB для классификации заголовков, выявления неприемлемого содержания и классификации научных текстов по рубрикатору GRNTI. Качество на английских текстах автор не проверял, поэтому результаты для английского языка не подтверждены. Модель распространяется по лицензии MIT.

BSC-LT/salamandra7b_rag_prompt_ca-en-es — разговорная языковая модель семейства Llama, представленная в формате Transformers с весами safetensors. Она содержит 6,7 млрд параметров и рассчитана на контекст до 8192 токенов. Карточка сообщает, что для диалогового использования следует применять встроенный шаблон чата токенизатора. Модель подходит для генерации текста в диалоге и задач с кодом. В названии указаны каталонский, английский и испанский языки; метаданные также отмечают многоязычную поддержку, включая русский. README не описывает специальную методику RAG или сравнительные результаты качества. Условия лицензии в доступных данных не приведены.

Sarashina2.2-Vision-3B — мультимодальная языковая модель с изображениями от японской компании SB Intuitions. Она основана на Sarashina2.2-3B-Instruct и использует визуальный энкодер SigLIP; размер модели — 3,8 млрд параметров. Для работы предусмотрена библиотека Transformers, веса опубликованы в формате safetensors. Модель принимает изображения и текстовые запросы и предназначена для описания изображений, ответов на вопросы по ним, а также чтения и анализа документов, с особым вниманием к японским изображениям и тексту. Карточка приводит результаты тестов на японских и англоязычных наборах задач, включая вопросы по документам и слайдам. Модель дообучена в несколько этапов, включая настройку следования инструкциям и оптимизацию предпочтений. Модель распространяется по лицензии MIT. По данным карточки, её обучение на безопасность ограничено: ответы могут быть неточными, бессмысленными, предвзятыми или нежелательными; для практического применения разработчикам рекомендуется дополнительная настройка с учётом предпочтений людей и требований безопасности.

SciBERT-Neuro-Contrastive — модель на архитектуре BERT, опубликованная Biodatlab как sentence-transformers-модель для получения плотных векторных представлений предложений и абзацев размерностью 768. Её можно использовать для семантического поиска и кластеризации текстов, а также для оценки сходства между предложениями. Модель обучена с Triplet Loss и евклидовой метрикой расстояния. Она содержит 137,1 млн параметров, принимает текстовые входы и формирует эмбеддинги; максимальная длина контекста — 512 токенов. Карточка не перечисляет поддерживаемые естественные языки или конкретные нейронаучные наборы данных, поэтому специализированную языковую поддержку подтвердить нельзя. Для использования предусмотрены Sentence-Transformers и Transformers с подходящим pooling слоем. Модель опубликована в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

mlsa-iai-msu-lab/sci-rus-tiny3.5 — компактная модель Sentence Transformer на архитектуре RoBERTa, представленная mlsa-iai-msu-lab. Она преобразует предложения и абзацы в плотные векторы размерностью 312 для сравнения смыслового сходства и других задач поиска и группировки текстов. Векторное представление строится усреднением токенов, затем нормализуется; сходство можно оценивать косинусной мерой. Максимальная длина входа — 1024 токена. Модель предназначена для семантического поиска, поиска перефразировок, кластеризации и классификации текста. В README приведены результаты на RuSciBench для русского и английского языков. Репозиторий использует Sentence Transformers и формат safetensors; лицензия — MIT. Размер модели — 25,5 млн параметров. Карточка не сообщает о других известных ограничениях.

SFR-Embedding-Mistral — текстовая модель эмбеддингов, разработанная Salesforce Research. Она основана на E5-mistral-7b-instruct и Mistral-7B-v0.1 и предназначена для преобразования текста в векторы, которые можно использовать для поиска и сравнения семантической близости. Архитектура — плотная Mistral с 7,1 млрд параметров, контекст — до 32 768 токенов; доступны веса в формате safetensors. В карточке заявлена поддержка английского языка. Модель подходит для создания векторного поиска, поиска похожих предложений и оценки сходства текстов; она также отмечена в контексте бенчмарка MTEB. Выпуск предназначен для исследований, а датасеты третьих сторон могут иметь дополнительные условия лицензирования. Лицензия модели — CC BY-NC 4.0, поэтому коммерческое использование не разрешено её условиями. Перед применением следует отдельно оценивать точность, безопасность и возможную предвзятость.

Muennighoff/SGPT-125M-mean-nli-linear5 — модель для получения векторных представлений предложений на основе GPT-Neo. Она содержит 137,7 млн параметров и принимает текстовые входы; максимальная длина контекста — 2048 токенов. По карточке модель обучалась с помощью MultipleNegativesRankingLoss на косинусном сходстве, что делает её подходящей для сравнения смысловой близости предложений и поиска похожих текстов. Модель можно применять для семантического поиска, ранжирования кандидатов по релевантности и группировки похожих фраз. В README приведены ссылки на код и результаты оценки, но конкретные показатели качества не указаны. Данных о лицензии в предоставленных источниках нет.

bigscience-data/sgpt-bloom-1b7-nli — модель эмбеддингов предложений на базе архитектуры BLOOM, предназначенная для оценки смысловой близости текстов и извлечения векторных представлений. Карточка описывает обучение с BitFit, пулингом weighted mean и методом GradCache с функцией потерь Multiple Negatives Ranking Loss. Указаны результаты оценки на AskUbuntu, CQADupStack, TwitterPara и SciDocs со средним баллом около 55,1. Модель подходит для поиска семантически похожих предложений, сопоставления вопросов и ответов и поиска по текстовым коллекциям. Метаданные указывают контекст до 4096 токенов и форматы PyTorch и safetensors. Лицензия в предоставленных данных не указана.

cafierom создал дообученную модель SentenceTransformer на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные текстовые векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Модель рассчитана на семантическое сравнение текстов, поиск, поиск перефразировок, классификацию и кластеризацию. Модель использует текстовую архитектуру Gemma 3, содержит 302,8 млн параметров и распространяется в формате Safetensors. В метаданных указан контекст до 2048 токенов, а в README — максимальная длина последовательности 128 токенов; на практике ориентируйтесь на ограничение SentenceTransformer в карточке. Обучающие и оценочные примеры представлены парами текстов с метками, однако приведённые образцы выглядят как строки химических структур, поэтому качество на обычном естественном языке из этих данных не подтверждается. Лицензия в предоставленных сведениях не указана.

snowflake-arctic-embed-m-v1.5 — модель для создания векторных представлений текста, разработанная Snowflake. Она предназначена для задач семантического сходства, поиска и ранжирования текстов, а также других сценариев, где требуется сравнивать смысловое соответствие предложений или документов. Модель доступна для использования через экосистему sentence-transformers и Transformers.js. В README не указаны архитектура, число параметров, поддерживаемые языки, максимальная длина контекста и перечень модальностей, поэтому эти характеристики нельзя надёжно описать. Модель относится к классу текстовых embedding-моделей и не предназначена для генерации текста. В качестве ориентира приведён результат на тесте MTEB ArguAna: основной показатель составляет 59,53. Модель распространяется по лицензии Apache-2.0.

Это экспериментальная квантизация ASHQ1 модели Spark-X2.5-1.7B, подготовленная wepiqx на основе XHToken/Spark-X2.5-1.7B. Модель представляет собой плотный декодер архитектуры spark2_5 примерно на 1,7 млрд параметров; в репозитории представлены файлы GGUF, включая вариант BF16. Для запуска указана поддержка штатной llama.cpp. Модель предназначена для генерации текста и диалогов, а базовая Spark-X2.5 поддерживает задачи с кодом, переводом, рассуждениями и агентными сценариями. У неё гибридное внимание: один слой с полным вниманием на три слоя с оконным; заявлен контекст до 1 млн токенов. Карточка приводит сравнение перплексии вариантов квантизации, но отмечает, что такие результаты не являются достаточной оценкой качества, а ранжирование пока предварительное. Репозиторий распространяется по лицензии Apache-2.0. Это производный квантованный выпуск; качество и поведение могут зависеть от выбранного файла GGUF и степени снижения точности.

StrangeMerges_39-7B-dare_ties — объединённая модель Gille, созданная с помощью LazyMergekit на основе Gille/StrangeMerges_33-7B-slerp, Gille/StrangeMerges_17-7B-dare_ties и NousResearch/Hermes-2-Pro-Mistral-7B. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалогов. Поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель подходит для генерации ответов в чате, продолжения текста и выполнения текстовых инструкций. Данные не описывают отдельную специализацию по языкам или прикладным областям, поэтому языки и домены не уточняются. Лицензия в предоставленных сведениях не указана.

shannonnonshan/streamland-embeddings-v1 — дообученный энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, созданный для представления предложений и абзацев в виде плотных семантических векторов. Модель использует архитектуру BERT и библиотеку Sentence Transformers; число параметров — 25,9 млн. Она предназначена для семантического сравнения и поиска, поиска перефразирований, классификации и кластеризации текстов. Модель формирует векторы размерности 384 и сравнивает их с помощью косинусного сходства. В README указана максимальная длина последовательности 256 токенов, а метаданные приводят контекст до 512 токенов. Дообучение описано на наборе из 8 примеров, поэтому качество может быть нестабильным и особенно зависит от соответствия данных целевому применению. Лицензия в предоставленных данных не указана.

Tengentoppa-gemma-2-9b-base — дообученная текстовая модель семейства Gemma 2, основанная на Google Gemma 2 9B. Это декодерная архитектура dense с 9 млрд параметров, рассчитанная на генерацию текста; для общения модель использует добавленные специальные токены системных сообщений, пользовательских запросов, подсказок, рассуждений и ответов ассистента. Она подходит для ответов на вопросы, суммаризации и рассуждений, а также может развёртываться на локальном компьютере или собственной облачной инфраструктуре. Контекст модели составляет 8192 токена. README характеризует Gemma как англоязычную модель, а метаданные карточки отмечают японский язык. Весы доступны в формате safetensors; лицензия — Gemma.

TheTop-5x7B-Instruct-S4-v0.1 — текстовая генеративная модель MaziyarPanahi, полученная слиянием нескольких предварительно обученных моделей 7B и моделей, объединённых методом SLERP. Карточка упоминает mergekit как инструмент слияния; метаданные указывают на архитектуру MistralForCausalLM и веса в формате safetensors. Указанный размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и инструкционного диалога. В README приведены результаты оценки на бенчмарках рассуждений и здравого смысла. Она распространяется по лицензии Apache-2.0. Карточка не уточняет состав исходных моделей, языковую специализацию и ограничения качества.

ThinkingCap-Qwen3.6-27B-heretic-GGUF — набор GGUF-квантизаций модели ThinkingCap-Qwen3.6-27B-heretic, подготовленный egibson с использованием llama.cpp. Исходная модель представляет собой декензурированную версию ThinkingCap-Qwen3.6-27B от bottlecapai, созданную с помощью Heretic. Архитектура основана на Qwen3.6, размер — 27 млрд параметров; точные сведения о языках, длине контекста и поддерживаемых модальностях в README не указаны. Модель предназначена для локального запуска через совместимые среды, включая llama.cpp, с выбором между вариантами от f16 до низкобитных Q- и IQ-квантизаций. Доступны версии объёмом примерно от 10 до 50,1 ГБ; Q4_K_M рекомендована как сбалансированный вариант по качеству и размеру, а IQ-квантизации используют importance matrix, что может улучшать качество при сопоставимом размере. Более точные варианты обеспечивают максимальную близость к исходным весам, тогда как версии с меньшей разрядностью рассчитаны на оборудование с ограниченной памятью и сильнее теряют качество. В экспортированных файлах исключена MTP-head: это устраняет ошибку конвертера GGUF и не мешает обычной работе модели, но исключает возможность соответствующей оптимизации speculative decoding. Модель распространяется по лицензии Apache-2.0. README не содержит результатов тестирования, поэтому фактическое качество, скорость и пригодность для конкретных задач следует оценивать в целевой среде.

TowerVision-9B — мультимодальная языковая модель с открытыми весами от проекта TowerVision, предназначенная для работы с изображениями и текстом. Версия содержит 9 млрд параметров и основана на Unbabel/Tower-Plus-9B, соединённой с визуальным энкодером SigLIP2-patch14-384 через мультимодальный адаптер. Модель поддерживает контекст до 8192 токенов и обрабатывает изображения вместе с текстовыми запросами, выдавая текст. Модель подходит для описания изображений, визуальных вопросов и ответов, суммаризации, анализа графиков и документов, а также мультиязычного перевода с учётом визуального и культурного контекста. В README перечислены европейские и азиатские языки, включая русский; метаданные также указывают поддержку 17 языков. Рекомендуемая точность для запуска — bfloat16. Модель поставляется в формате safetensors и использует библиотеку Transformers. Лицензия CC-BY-NC-SA-4.0 требует указания авторства, распространения производных материалов на тех же условиях и не разрешает коммерческое использование.

Vesemir 1.5B — небольшая языковая модель семейства Cirilla, разработанная AnthonyPa57. Это плотная авторегрессионная модель на 1,5 млрд параметров с архитектурой VesemirForCausalLM; она совместима с Transformers и рассчитана на контекст до 8192 токенов. В архитектуре используются Differential Attention, Grouped-Query Attention и блоки SwiGLU с предварительной нормализацией RMSNorm. Модель обучалась с нуля на польских и английских текстах, затем прошла дообучение на инструкциях, примерах RAG и Python, переводах и DPO-данных. Её можно применять для диалогов, генерации и продолжения текста, ответов на инструкции, перевода, задач по Python и работы с контекстом документов. Поддерживаются английский и польский языки; репозиторий содержит веса Safetensors в формате BF16. Автор отмечает, что обучение проводилось на сравнительно небольшом объёме данных и модель следует рассматривать как основу для дальнейшей разработки. Для загрузки через AutoModelForCausalLM и AutoTokenizer требуется trust_remote_code=True. Лицензия — MIT.

Модель vietnamese-bi-encoder-for-SoICT-2024 разработана на базе bkai-foundation-models/vietnamese-bi-encoder и дообучена как Sentence Transformer на парах предложений из набора данных json. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов на вьетнамском языке, сравнения сходства, поиска перефразирований, кластеризации и классификации текстов. Для сравнения векторов используется косинусное сходство. Модель основана на RoBERTa с усреднением токенных представлений; максимальная длина входа составляет 256 токенов. Лицензия Apache-2.0. В карточке приведены результаты оценки информационного поиска, однако они не характеризуют качество на всех прикладных данных; тексты длиннее лимита последовательности требуют обработки с учётом ограничения длины.