I.14Автоматизация процессов и AI-агенты

Google T5 Version 1.1 LM-Adapted — предварительно обученная языковая модель архитектуры T5 для преобразования текста в текст. Версия Base содержит 123,8 млн параметров и доступна в форматах PyTorch и TensorFlow. Она основана на T5 Version 1.1 Base и дополнительно обучена 100 тысяч шагов на языковой моделирующей цели; предобучение использовало корпус C4 и задачи восстановления текста и языкового моделирования. Вариант LM-Adapted разработан для улучшения пригодности модели к prompt tuning. Модель предназначена для последующей настройки под прикладные задачи NLP, включая суммаризацию, ответы на вопросы и классификацию текста. Она принимает текст и генерирует текст; основным языком карточки указан английский. Предобучение отключало dropout, поэтому при дообучении README рекомендует включать его. Лицензия — Apache 2.0.

Карточка модели conor9999/t5-large на Hugging Face совпадает с карточкой google-t5/t5-large, поэтому описание составлено по ней. T5-Large — языковая модель семейства Text-To-Text Transfer Transformer, разработанная Colin Raffel, Noam Shazeer и коллегами. Она преобразует текстовый ввод в текстовый вывод и обучалась в едином формате для разных задач обработки естественного языка. В карточке Hugging Face основная задача модели указана как перевод; размер версии в метаданных — 385,2 млн параметров, архитектура — T5ForConditionalGeneration. В README приведён размер 770 млн параметров, поэтому сведения о размере в источниках расходятся. Модель предназначена для перевода и может применяться после соответствующей настройки для суммаризации, ответов на вопросы, классификации и других текстовых задач. Заявленные языки — английский, французский, румынский и немецкий; длина контекста — 512 токенов. Предобучение проводилось на C4 и наборах данных для языковых задач. Модель доступна в форматах PyTorch, TensorFlow, Flax и safetensors. Лицензия — Apache 2.0. Возможности модели ограничены обучающими данными и контекстом; результаты могут содержать ошибки и отражать смещения данных. README не приводит подробных оценок качества или конкретных ограничений для отдельных сценариев.

Ternary Bonsai 2 27B Abliterated v2 — производная 27-миллиардная текстовая модель, представленная BoldingBuilds в формате GGUF PQ2_0 с дополнительным вариантом MTP для спекулятивного декодирования. В README описаны изменения относительно исходной модели: удаление отказов и корректировка одной строки выходного слоя, призванная помочь модели завершать рассуждение и выдавать ответ. По карточке, файлы рассчитаны на запуск через форк llama.cpp от PrismML; стандартные сборки llama.cpp, Ollama и LM Studio без поддержки PQ2_0 их не загрузят. Модель предназначена для локальной генерации текста и диалогов, включая сложные запросы, рассуждения, математические и программные задачи. В сравнительных тестах она близка к исходной Bonsai 2 на математике и HumanEval, но результаты зависят от бюджета токенов и параметра reasoning_effort; в README рекомендован уровень medium. Вариант MTP, по заявлению автора, ускоряет декодирование примерно на 40%. Модель лишена обычного поведения отказа и может отвечать на запросы, которые исходная модель отклонила бы. Автор указывает исследование устойчивости выравнивания и локальное использование без фильтрации как сценарии применения, а также предостерегает от пользовательского развертывания без собственного слоя безопасности. В README также отмечено статистически значимое снижение MMLU относительно исходной модели. Лицензия репозитория — Apache-2.0.

TheTop-5x7B-Instruct-S5-v0.1 — текстовая генеративная модель MaziyarPanahi, созданная путём слияния нескольких предварительно обученных моделей размером 7B и применения SLERP к другим моделям 7B. В README упоминается использование mergekit; архитектура — плотная MistralForCausalLM, формат весов — safetensors. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и инструктивных сценариев, например диалога, ответов и рассуждений. В README приведены результаты оценивания на бенчмарках, включая AI2 Reasoning Challenge и HellaSwag. Поддерживаемый язык в доступных данных не установлен. Модель распространяется по лицензии Apache-2.0; сведения о конкретных ограничениях применения в карточке не приведены.

TurdusTrixBeagle-DARETIES-7B — текстовая авторегрессионная модель на архитектуре Mistral, созданная слиянием udkai/Turdus, CultriX/MergeTrix-7B-v2 и mlabonne/NeuralBeagle14-7B методом DARE-TIES с помощью LazyMergekit. В конфигурации указан Mistral-7B-v0.1 как базовая модель; размер итоговой модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста, диалогов и ответов на инструкции, а также для задач рассуждения и творческого письма. В README приведены результаты Open LLM Leaderboard: средняя оценка 75,20, включая 73,46 на AI2 Reasoning Challenge и 88,61 на HellaSwag. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Языки и специализированные прикладные области в доступных материалах не обозначены.

Typhoon-0130 — инструктивная языковая модель команды SCB10X AI Team, предназначенная для диалогов и выполнения пользовательских инструкций на тайском и английском языках. Модель содержит 7,1 млрд параметров, использует плотную decoder-only архитектуру Mistral и поддерживает контекст до 32 768 токенов. Для общения применяется шаблон ChatML. Модель подходит для создания чат-ботов и сервисов ответов на запросы, в том числе при развёртывании через vLLM. Она настроена следовать инструкциям и обучалась с использованием методов и данных, сходных с ORCA и OpenChat. Системные промпты не поддерживаются; модель может выдавать неточные, предвзятые или нежелательные ответы, поэтому её следует оценивать с учётом сценария использования. Лицензия — Apache-2.0.

Vikhr-Qwen-2.5-1.5B-Instruct — инструктивно дообученная модель команды Vikhrmodels на базе Qwen/Qwen2.5-1.5B-Instruct. Для SFT использован синтетический русскоязычный датасет GrandMaster-PRO-MAX из 150 тысяч инструкций. Модель предназначена для генерации текста, ответов на инструкции и вопросы, а также анализа текста в диалоговых сценариях. Модель имеет плотную архитектуру Qwen2ForCausalLM и содержит 1,5 млрд параметров. Она рассчитана прежде всего на русский язык, поддерживает также английский; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса Safetensors, а метаданные отмечают возможности чата и интерфейс вызова инструментов. Модель подходит для встраивания в приложения и сервисы, которым нужна компактная двуязычная языковая модель. Качество отдельных задач и надёжность вызова инструментов в карточке не приведены, поэтому их стоит проверять на собственных сценариях. Лицензия — Apache-2.0.

WestKunai-Hermes-long-128k-test-7b — слитая языковая модель на архитектуре Mistral, созданная автором seyf1elislam с помощью mergekit из WestKunai-Hermes-7b и NousResearch/Yarn-Mistral-7b-128k. Модель содержит 7,1 млрд параметров и предназначена для генерации текста.

French Medium Whisper — дообученная модель распознавания речи из семейства Whisper, созданная на основе openai/whisper-medium и обученная на наборе данных Common Voice 11.0. Она преобразует французскую речь в текст и подходит для транскрибации аудио и оценки систем распознавания французской речи. В карточке приведены результаты на тестовой выборке: WER 15,8969 без нормализации и 11,1406 с нормализацией. Модель содержит 455,8 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате PyTorch. Лицензия — Apache-2.0. Результаты сравнения с Whisper Medium приведены для тестовых наборов разных версий Common Voice, поэтому они не гарантируют превосходство на других аудио и сценариях.

WizardDolphin-7B — языковая модель на 7,1 млрд параметров, созданная слиянием Mistral-7B-v0.1, Dolphin-2.6-Mistral-7B-DPO-Laser и WizardMath-7B-V1.1 методом TIES. Она использует плотную архитектуру Mistral и предназначена для генерации текста, диалогов и решения задач, сочетающих общие языковые и математические навыки. Модель поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Модель может быть полезна для ответов на вопросы, ведения диалогов, объяснения математических решений и генерации текста. Карточка не сообщает о специальной настройке для конкретного языка, поэтому языковую поддержку нельзя уверенно уточнить. Лицензия — Apache-2.0.

YamshadowInex12_YamshadowT3q — слитая модель для генерации текста, созданная MaziyarPanahi на основе automerger/YamshadowInex12-7B и automerger/YamshadowT3q-7B. Она построена на плотной архитектуре Mistral с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации продолжений и ответов на текстовые запросы. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

YamshadowStrangemerges_32_Experiment29Pastiche — объединённая языковая модель, созданная из automerger/YamshadowStrangemerges_32-7B и automerger/Experiment29Pastiche-7B. Она предназначена для генерации текста и диалогов по текстовым запросам. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В репозитории веса представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0.

nxn1231/yi6 — текстовая генеративная модель семейства Yi, основанная на 01-ai/Yi-6B. Модель разработана на базе открытой модели 01.AI и использует плотную архитектуру LlamaForCausalLM; в репозитории представлены веса PyTorch в формате Safetensors. Размер составляет 5,8 млрд параметров, контекст — до 4096 токенов. Лицензия — MIT. Модель предназначена для генерации текста на английском и китайском языках, понимания языка, рассуждений на основе здравого смысла и ответов на вопросы по прочитанному. Её можно применять для диалога, написания и продолжения текстов, а также для прототипирования приложений на базе LLM. README сообщает, что семейство обучалось на многоязычном корпусе объёмом 3 трлн токенов, но конкретные показатели качества этой копии отдельно не приводятся.

braginpawel/zft-v4-34b-kto-1 — дообученная Pawel Bragin разговорная языковая модель на архитектуре Mistral с 34,2 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; модель обучена на базе braginpawel/zft-v4-34b с использованием Unsloth и библиотеки TRL. Для запуска опубликованы веса в формате safetensors, лицензия — Apache-2.0. Заявленная длина контекста составляет 131 072 токена. В карточке и метаданных не описаны специальные предметные области или отдельные ограничения качества; практические результаты могут зависеть от промпта и сценария применения.

andreasmartin/apertus-v1.1-swiss-embed-0.4b-bidir-langmoe — экспериментальная модель эмбеддингов для семантического и межъязыкового поиска, созданная адаптацией модели andreasmartin/apertus-v1.1-swiss-embed-0.4b-bidir. Разработчик заменил финальную плотную проекцию эмбеддинга на разреженную смесь из семи экспертов с маршрутизатором Top-2; базовые модули до проекции были заморожены. Модель содержит около 446 млн параметров, принимает текст и формирует векторные представления предложений. Метаданные указывают контекст до 4096 токенов, однако качество MoE-головы обучалось на представлениях длиной до 512 токенов и отдельно не проверялось на более длинном контексте. Модель предназначена для извлечения релевантных документов и поиска сходных предложений, в том числе между языками Швейцарии. В карточке указаны немецкий, английский, французский и итальянский; эксперты также помечены для ретороманского и швейцарского немецкого, но эти метки являются экспериментальными и сами по себе не означают гарантированную поддержку языков. Внутренние диагностические результаты не являются внешними бенчмарками. Для загрузки артефакта требуется trust_remote_code=True, пока модуль не зарегистрирован в Sentence Transformers. Лицензия — Apache-2.0.

Beacon Qwen 2 7B Instruct — разговорная языковая модель семейства Qwen2, представленная в формате safetensors. README описывает Activation Beacon как подключаемый модуль для трансформерных LLM, предназначенный для эффективного сжатия длинного контекста; данных о том, как именно модуль связан с весами этой модели, нет. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и рассчитана на генерацию текста в чат-сценариях. В карточке указана лицензия MIT. README предупреждает, что превышение заданной длины контекста может привести к ошибкам или снижению производительности.

Sakalti/beril — разговорная языковая модель, созданная слиянием моделей Qwen/Qwen2.5-0.5B-Instruct и HuggingFaceH4/zephyr-7b-beta. Для объединения применён метод SLERP с помощью mergekit; модель использует архитектуру MistralForCausalLM и состоит из 5,1 млрд параметров. Модель предназначена для генерации текста и диалогов: её можно использовать для ответов на вопросы, выполнения инструкций и создания текстовых продолжений. Заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

SQAI разработала BGE base Financial Matryoshka — англоязычную sentence-transformers-модель, дообученную на базе SQAI/bge-embedding-model. Она использует архитектуру BERT с пулингом CLS-токена и нормализацией выходного вектора. Модель преобразует предложения и абзацы в плотные эмбеддинги размерности 384; максимальная длина входа — 512 токенов. Для сравнения векторов можно использовать косинусное сходство. Модель предназначена для семантического поиска и оценки сходства текстов, а также может применяться для поиска перефразировок, кластеризации и классификации текста. В README приведён набор из 1 865 обучающих пар, связанных с атрибутами объектов уличного освещения; название указывает на финансовую направленность, однако описание и примеры датасета этого не подтверждают. В таблицах оценки retrieval для размерностей 768, 512, 256, 128 и 64 указаны нулевые значения accuracy@1, @3 и @5, поэтому заявленные возможности не следует считать подтверждёнными этими результатами. Модель распространяется по лицензии Apache-2.0.

cstr/bge-m3-GGUF — это конвертированная в формат GGUF версия модели BAAI/bge-m3, разработанной BAAI. Репозиторий предназначен для запуска модели через лёгкий C/C++-движок CrispEmbed на базе ggml, без Python и ONNX. Модель предназначена для получения текстовых эмбеддингов и задач многоязычного семантического поиска и извлечения информации. BGE-M3 поддерживает плотное, разреженное и многовекторное представление ColBERT в одной модели, заявлена поддержка более 100 языков и контекста до 8192 токенов. Архитектура — XLM-R; модель содержит 568 млн параметров, 24 слоя, размерность эмбеддингов 1024, использует mean pooling и токенизатор SentencePiece. Указана только текстовая модальность. Доступны варианты квантования Q4_K размером 438 МБ и Q8_0 размером 583 МБ, а также версия F32 размером 2175 МБ. Преимущество GGUF-версии — возможность локального и ресурсоэффективного запуска, включая серверный режим CrispEmbed. Согласно README, результаты проверены на битовое соответствие реализации sentence-transformers с косинусным сходством не менее 0,999 на тестовых текстах. Ограничение состоит в том, что репозиторий выполняет только конвертацию и/или квантование исходных весов; сведения о качестве, обучающих данных и возможностях следует уточнять в карточке BAAI/bge-m3. Модель распространяется по лицензии MIT, при этом репозиторий не предоставляет прав сверх лицензии исходной модели.

CataLlama-v0.2-Instruct-DPO — языковая модель Laurentiu Petrea на архитектуре Llama 3, дообученная методом DPO на наборе catallama/Catalan-DPO-V2 поверх CataLlama-v0.2-Instruct-SFT. Это авторегрессионный трансформер с 7,5 млрд параметров и контекстом до 8192 токенов, предназначенный для диалогов и выполнения инструкций преимущественно на каталанском языке. Модель подходит для извлечения информации из документов, в том числе в сценариях RAG, распознавания именованных сущностей, перевода между каталанским и английским, краткого и развернутого суммирования, анализа тональности и чата. Карточка сообщает об улучшении владения каталанским языком; также приведены результаты бенчмарков MMLU и GSM8K. Модель использует шаблон запросов Llama 3 Instruct. Модель распространяется по лицензии Llama 3. Авторы указывают, что она создана для демонстрации методов адаптации LLM к новым языкам и сохранения языков с малым числом ресурсов. В карточке также приведено ограничение лицензии Llama 3 на использование модели в языках, отличных от английского, и отдельно отмечено, что разработчики могут дообучать модели для других языков при соблюдении условий лицензии и Acceptable Use Policy.

CodeR-full — модель для преобразования текста и кода в эмбеддинги, разработанная авторами семейства CodeR. Она обучена на текстовых данных и полных данных о коде и предназначена для представления текстов и программ в векторном виде, а также вычисления сходства между предложениями. Модель основана на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров; максимальный контекст составляет 32 768 токенов. Для работы доступны форматы Sentence Transformers, FlagEmbedding и Hugging Face Transformers. Модель подходит для поиска и сравнения текстовых и кодовых фрагментов по смыслу. Карточка приводит примеры использования через библиотеки для получения эмбеддингов; отдельные результаты оценки качества не указаны. Поддерживаются китайский и английский языки. Лицензия — Apache-2.0.

Darkstar-Qwen3.8-27B-Abliterated-ModelOpt-W4A16-NVFP4-Mixed-FP8 — квантизированная версия модели Darkstar от HangGlidersRule, созданная на основе Qwen/Qwen3.8-27B и производного Darkstar-Qwen3.8-27B-Abliterated-BF16. Модель предназначена для генерации текста с высокой пропускной способностью на GPU класса Blackwell, а также для исследований влияния редукции направления отказа и NVFP4-квантизации. В README не указаны точные языки и размер контекстного окна. Это текстовая модель с архитектурой и модальностями исходной Qwen3.8-27B; она сохраняет 15 тензоров MTP и использует смешанную точность: W4A16 NVFP4 для языковых MLP и lm_head, FP8 для self-attention и проекций GatedDeltaNet, BF16 для KV-кэша и защищённых компонентов. Квантизация выполнена средствами NVIDIA ModelOpt с калибровкой на cnn_dailymail и nemotron-post-training-dataset-v2. Указана производительность 251,889 токена/с в конфигурации MTP10 и результат GPQA 74,75%. Сильные стороны модели — высокая производительность, экономичное представление весов и сохранение критически важных компонентов в BF16. Ограничение и существенный риск связаны с намеренно уменьшенной склонностью к отказам: модель может выполнять многие запросы, которые исходная версия отклоняет, и не содержит дополнительных защитных механизмов. В README сообщается о 200 из 200 случаев вредоносного согласия и отсутствии безопасных избыточных отказов в проведённой оценке, поэтому необходимы собственные политики, фильтры и контроль доступа. Модель распространяется по лицензии Apache-2.0.

mlx-community/DeepSeek-R1-Distill-Llama-70B-8bit — это 8-битная версия модели DeepSeek-R1-Distill-Llama-70B, преобразованная в формат MLX сообществом mlx-community. Конвертация выполнена из исходной модели deepseek-ai/DeepSeek-R1-Distill-Llama-70B с использованием mlx-lm версии 0.20.2. Модель предназначена для генерации текста и диалоговых сценариев в экосистеме MLX, включая запуск через библиотеку mlx-lm. README не содержит подробных сведений об архитектуре, числе параметров, поддерживаемых языках, размере контекста, модальностях, результатах тестирования или сильных и слабых сторонах модели. Известно только, что используется 8-битное представление и предусмотрена поддержка chat template при наличии соответствующей конфигурации токенизатора. Для использования требуется установить mlx-lm и загрузить модель по её идентификатору. Лицензия в README не указана, поэтому условия использования определить по предоставленным данным невозможно.

Deita 7B V1.0 SFT — языковая модель HKUST-NLP, дообученная на Mistral-7B-v0.1 для следования инструкциям. Она обучена на 6 тысячах автоматически отобранных примеров выравнивания Deita 6K V0 и предназначена для диалоговых ответов и выполнения текстовых инструкций на английском языке. Модель использует архитектуру Mistral с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов; формат общения — шаблон vicuna_v1.1. Модель подходит для исследований и прототипирования помощников, отвечающих на вопросы и выполняющих запросы на естественном языке. В README приведены результаты сравнительной оценки, но они не гарантируют качество для конкретных задач. Репозиторий распространяется по лицензии Apache-2.0.

DolphinHermesPro-ModelStock — языковая модель для генерации текста, созданная с помощью LazyMergekit путём слияния Dolphin 2.8 Experiment26 7B, Hermes 2 Pro Mistral 7B и Mistral 7B v0.1 методом model_stock. Это плотная причинная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; репозиторий содержит веса Safetensors. Модель подходит для диалогов, ответов на вопросы и генерации текста в приложениях на основе LLM. Данные не уточняют поддерживаемые языки и специальные возможности. Лицензия — Apache-2.0.

DreadMix — языковая модель, созданная BoltMonkey с помощью LazyMergekit путём объединения моделей DreadPoor/Eunoia_Vespera-8B-LINEAR и DreadPoor/Promissum_Mane-8B-LINEAR-lorablated. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 7,5 млрд параметров и контекстом до 8192 токенов. Репозиторий содержит веса в формате safetensors; в конфигурации слияния указаны метод dare_ties и точность bfloat16. Модель предназначена для генерации текста и диалогового использования. Её можно применять для ответов на вопросы, написания и продолжения текста, а также для следования инструкциям в чате. В README приведены результаты Open LLM Leaderboard, включая IFEval и BBH; они дают ориентир по оценке, но не гарантируют качество в конкретных задачах. Язык обучения или преимущественный язык карточкой не установлен. Условия лицензии в предоставленных данных отсутствуют.

EraX-VL-7B-V2.0-Preview-i1-GGUF — мультимодальная vision-language модель на 7 млрд параметров, разработанная erax-ai и преобразованная в формат GGUF пользователем mradermacher. Модель предназначена для обработки изображений и текста и поддерживает вьетнамский, английский и китайский языки. Основные сценарии применения включают OCR, визуальные вопросы и ответы, анализ документов, работу со страховыми материалами, рукописным и древним текстом, радиологическими изображениями и фотографиями автомобильных аварий. Модель может использоваться для генерации текстовых ответов на основе визуального содержимого, однако для работы с изображениями требуются соответствующие mmproj-файлы из статического репозитория. Публикация содержит несколько вариантов квантования GGUF размером примерно от 2,0 до 6,4 ГБ. В README отмечается, что варианты с более высоким качеством квантования обычно обеспечивают лучшее качество, а i1-Q4_K_M рекомендуется как быстрый компромисс между размером, скоростью и качеством. Ограничения включают возможное снижение качества у компактных вариантов квантования; сведения о размере контекста, точных архитектурных компонентах и результатах бенчмарков не приведены. Модель распространяется по лицензии Apache-2.0.

ERNIE-4.5-VL-424B-A47B-PT — мультимодальная модель семейства ERNIE 4.5 от Baidu для диалогового взаимодействия с текстом и изображениями. Это вариант с весами PyTorch для Transformers; модель построена на архитектуре MoE и содержит 424 млрд параметров, из которых для каждого токена активируется около 47 млрд. Она принимает текст и изображения и генерирует текст, поддерживает контекст до 131 072 токенов и ориентирована на понимание изображений, мультимодальные рассуждения, языковое понимание и генерацию. Вариант прошёл постобучение с использованием SFT и методов оптимизации предпочтений. Модель подходит для ответов на вопросы по изображениям, визуального анализа и диалога с учётом изображения, а также для обычных текстовых диалогов и генерации. В README описаны режимы рассуждения с включённым и выключенным пошаговым анализом. Для запуска через vLLM требуется версия 0.11.2 или новее; приведённая конфигурация использует 16 GPU по 80 ГБ. Лицензия — Apache-2.0.

EtherealAurora-12B-v2 — диалоговая языковая модель, созданная yamatazen с помощью слияния предобученных моделей через SLERP в mergekit. Она использует архитектуру Mistral с плотной сетью и содержит 12,1 млрд параметров; карточка указывает формат safetensors, шаблон ChatML и контекстное окно до 1 024 000 токенов. Модель предназначена для генерации текста и ведения диалогов. В метаданных указаны английский и японский языки. Модель объединяет yamatazen/EtherealAurora-12B и natong19/Mistral-Nemo-Instruct-2407-abliterated. Лицензия — Apache-2.0. Карточка не приводит оценок качества или конкретных ограничений применимости, поэтому пригодность для отдельных сценариев требует проверки.

eth-setfit-multilabel-model — модель Sentence Transformers на архитектуре MPNet, разработанная проектом physician-ethics-responsible-data-science. Она преобразует предложения и абзацы в плотные векторы размерности 768 для кластеризации, семантического поиска и сравнения смысловой близости текстов. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель обучалась с использованием CosineSimilarityLoss. Несмотря на название, в карточке описаны векторные представления текста, а метаданные указывают возможности embeddings; назначение для конкретной задачи многометочной классификации не подтверждено. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.