I.1Поиск и навигация по информации

Это англоязычная Sentence Transformer-модель, разработанная на базе google-bert/bert-base-uncased и дообученная на наборе all-nli. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Для сравнения векторов используется косинусное сходство. Модель построена на BERT с усреднением токенных представлений; максимальная длина входа — 512 токенов. Обучение с MatryoshkaLoss поддерживает усечение представления до 512, 256, 128 или 64 измерений. Модель принимает текст и выдаёт эмбеддинги; в карточке указаны результаты оценки сходства на STS и all-nli. Модель рассчитана на английский язык, поэтому её пригодность для других языков не подтверждена. Для использования доступны веса в формате safetensors; метаданные указывают 136,7 млн параметров. Лицензия в предоставленных данных не указана.

Это Sentence Transformer на базе BERT-Large для бразильского португальского языка, дообученный автором iara-project на наборах данных для вывода и семантического сходства текстов. Модель кодирует предложения и абзацы в плотные векторы размерности 1024; сходство между ними можно оценивать по косинусной мере. Архитектура включает BERT и усреднение токенных представлений, максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска, сопоставления похожих текстов и парафразов, кластеризации и получения признаков для классификации. В README приведены оценки сходства на португалоязычных тестовых наборах, включая STS-B, ASSIN2, IRIS STS и SICK-BR. Она поддерживает португальский язык и распространяется по лицензии MIT.

GeniusVoice/bertje-visio-retriever — модель Sentence-Transformers на базе BERT, разработанная GeniusVoice. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель обучена с MultipleNegativesRankingLoss и косинусным сходством; она принимает текст и возвращает эмбеддинги. Размер модели — 136,3 млн параметров, контекст — до 512 токенов. Модель подходит для семантического поиска и группировки текстов, когда нужно сравнивать их смысл, а не совпадение слов. В карточке не указаны поддерживаемые естественные языки и результаты оценки качества, поэтому применимость к конкретному языку или домену следует проверять отдельно. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных данных.

swardiantara/bert-tiny-snli-k5-fixed-euclidean — компактная модель Sentence Transformers, дообученная на базе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные векторы размерности 128 для поиска и сравнения текстов; архитектура включает BERT с усредняющим pooling. Метаданные указывают 4,4 млн параметров и контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Для сравнения векторов README указывает косинусное сходство. Модель подходит для семантического поиска, подбора похожих предложений и извлечения признаков текста. Она обучалась на 6 043 097 примерах с контрастивной функцией потерь. Базовая модель англоязычная, поэтому заявленную применимость разумно ограничить английским языком. Формат весов — safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

swardiantara разработал Sentence Transformer на основе google/bert_uncased_L-2_H-128_A-2, дообученный на 8 894 парах текстов с использованием OrdinalProxyContrastiveLoss. Модель кодирует предложения и абзацы в плотные векторы размерности 128; косинусное сходство между ними подходит для поиска семантически близких текстов и retrieval-сценариев. Архитектура включает BERT с усреднением токенных представлений. Модель принимает текст, поддерживает последовательности длиной до 128 токенов по README и до 512 токенов по метаданным; для практического использования ориентируйтесь на ограничение 128 токенов, указанное в карточке. Базовая модель англоязычная, а примеры обучающих данных и карточка указывают на английский язык. Вес модели — около 4,4 млн параметров. Модель предназначена для извлечения эмбеддингов и сравнения предложений, а не для генерации текста. Лицензия в предоставленных данных не указана.

swardiantara/bert-tiny-yelp-k1-adaptive-cosine — компактная модель Sentence Transformers, дообученная автором на основе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 128 и использует косинусное сходство; модель предназначена для семантического поиска, извлечения текстов и сравнения предложений. В архитектуре применяются BERT и mean pooling. Модель обучена на 585 010 примерах с парными текстами и метками; базовая BERT имеет 4,4 млн параметров. Метаданные указывают контекст до 512 токенов, а README — максимальную длину последовательности 128 токенов; для непосредственного применения следует учитывать ограничение README. Поддерживается английский язык. Формат весов — safetensors; лицензия в предоставленных данных не указана.

swardiantara/bert-tiny-yelp-k1-fixed-euclidean — компактная модель Sentence Transformers, созданная дообучением английской BERT-модели google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные векторы размерности 128 для поиска и сравнения текстов; архитектура включает BertModel и mean pooling. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов; при практическом использовании следует учитывать ограничение, заданное самой конфигурацией модели. Для сравнения в README указана косинусная мера сходства. Модель принимает текст и выдаёт эмбеддинги, обучена на наборе из примерно 2,93 млн пар текстов. Репозиторий использует Sentence Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

BGE base Financial Matryoshka — англоязычная модель Sentence Transformer, дообученная разработчиком карточки на BAAI/bge-base-en-v1.5 для создания плотных текстовых эмбеддингов. В основе — BERT; модель кодирует предложения и абзацы в векторы размерностью 768 и сравнивает их по косинусному сходству. Контекст ограничен 512 токенами. Модель предназначена для семантического поиска и сравнения текстов, в том числе финансовых вопросов и фрагментов документов. Также её можно применять для поиска перефразировок, кластеризации и классификации текста. Благодаря обучению Matryoshka доступны укороченные представления размерностью 512, 256, 128 и 64, что позволяет выбирать компромисс между размером вектора и качеством поиска. Модель принимает текст и выдаёт эмбеддинги; лицензия — Apache-2.0.

JINSUP/bge-m3-ko-axriv-agent-part-2025 — модель Sentence Transformer, дообученная разработчиком JINSUP на базе BAAI/bge-m3. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для сравнения семантической близости, семантического поиска, поиска перефразировок, классификации текста и кластеризации. В README указаны архитектура XLM-RoBERTa с пулингом CLS-токена и нормализацией векторов, косинусная функция сходства и максимальная длина последовательности 8192 токена. Обучение проводилось на 2162 парах предложений с функцией потерь MultipleNegativesRankingLoss. Примеры данных включают корейские и английские тексты, в том числе вопросы и ответы о научных темах и лекарствах, но модель описана как дообученная на базе многоязычной BGE-M3, поэтому применима к многоязычному поиску и сопоставлению текстов. Модель принимает текст и выдаёт векторы, пригодные для семантического поиска и оценки сходства. Лицензия в предоставленных данных не указана.

harheem/bge-m3-nvidia-ko-v1 — модель Sentence Transformers, дообученная на базе BAAI/bge-m3 для создания векторных представлений предложений и абзацев. Она использует архитектуру XLM-RoBERTa с плотным выходом, нормализацией и косинусным сравнением; полная размерность эмбеддинга составляет 1024, а максимальная длина входной последовательности — 8194 токена по метаданным (в README указано 8192). Модель предназначена для семантического поиска и сопоставления текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. Карточка описывает обучение на 6397 парах «якорь — положительный пример» с матрёшечной функцией потерь и приводит показатели поиска для сокращённых размерностей от 64 до 768. В примерах обучающих данных есть корейские тексты о CUDA и NVIDIA, тогда как README заявляет английский язык; метаданные также помечают корейский. Модель принимает текст и выдаёт векторы; лицензия Apache-2.0. Карточка не описывает ограничения по предметной области или оценку работы на иных языках и типах данных, поэтому качество вне приведённых сценариев следует проверять отдельно.

binhdinh-embedding — дообученная на внутреннем наборе примерно из 120 тысяч примеров модель Sentence Transformers, разработанная на основе bkai-foundation-models/vietnamese-bi-encoder. Она кодирует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для вычисления семантического сходства и поиска. Архитектура основана на RoBERTa с усреднением токенных представлений; для сравнения векторов применяется косинусное сходство. Обучение с Matryoshka Loss позволяет сокращать размерность эмбеддингов с небольшими потерями качества. Модель предназначена для семантического поиска, оценки сходства предложений, поиска парафраз, кластеризации и классификации текста. В README приведена оценка на наборе Zalo для поиска правовых документов, однако это не означает, что модель ограничена юридической тематикой. Контекст ограничен 258 токенами по метаданным; README указывает максимум 256 токенов. Лицензия — Apache-2.0.

BlackSheep-Llama3.2-3B-Context_Obedient — языковая модель TroyDoesAI на архитектуре Llama, дообученная от TroyDoesAI/BlackSheep-Llama3.2-3B. Она предназначена для ответов на вопросы по заданному контексту, например в RAG-сценариях, и обучалась лучше следовать предоставленным источникам, чтобы снижать вероятность галлюцинаций. Модель принимает текст и генерирует текст; для контекстных запросов рекомендуется использовать формат с разделителями BEGININPUT, BEGINCONTEXT, ENDCONTEXT, ENDINPUT и BEGININSTRUCTION, ENDINSTRUCTION. Модель содержит 3,2 млрд параметров, рассчитана на контекст до 131 072 токенов и ориентирована на английский язык. Для обучения использовались Unsloth и библиотека TRL. Модель распространяется по лицензии Apache-2.0. Следование контексту — целевое свойство модели, а не гарантия точности: ответы могут содержать ошибки или неподтверждённые сведения. Для лучших результатов нужно передавать контекст в описанном формате и проверять важные ответы.

Mungert/bu-30b-a3b-preview-GGUF — это GGUF-квантизированная версия BU-30B-A3B-Preview, разработанной Browser Use на базе Qwen/Qwen3-VL-30B-A3B-Instruct. Модель предназначена для автоматизации работы в браузере через библиотеку browser-use: поиска информации, взаимодействия с веб-страницами, понимания DOM и визуального анализа интерфейсов. Она ориентирована на сценарии browser use и может запускаться локально или через совместимые серверы инференса. Модель представляет собой vision-language модель с архитектурой Mixture of Experts: 30 млрд параметров суммарно и около 3 млрд активных параметров. Поддерживает текстовые и визуальные входы, заявленный язык — английский, контекст — до 65 536 токенов. GGUF-файлы созданы с использованием llama.cpp; автор версии применяет дополнительное повышение точности отдельных важных слоёв при квантовании, что может улучшать качество на низких битностях, но увеличивает размер файлов. Сильные стороны модели — специализированное обучение для браузерных задач, понимание DOM и визуальное рассуждение при относительно небольшом числе активных параметров, благодаря чему она потенциально подходит для размещения на одной GPU. Ограничения включают предварительный статус версии, зависимость качества и требований к ресурсам от конкретного уровня квантования, а также заявленную ориентацию преимущественно на английский язык. Лицензия в предоставленной карточке модели не указана.

Amdestya/ce-cat-distilbert — перекрёстный ранжировщик текстовых пар на базе DistilBERT, обученный Amdestya для диссертационного исследования по воспроизведению работ в информационном поиске. Модель получает запрос и фрагмент текста отдельно и оценивает их релевантность одним логитом: чем выше оценка, тем релевантнее фрагмент. Вход следует подавать в формате «запрос» и «фрагмент»; числовой балл BM25 в запрос добавлять не следует. Модель обучена с функцией потерь cross-entropy на бинарной релевантности и ранней остановкой по nDCG@10 на валидации. Это парный no-injection baseline для сравнения с Amdestya/ce-bm25cat-distilbert; README указывает, что варианты различаются только построением входа. Контекст ограничен 512 токенами, используется библиотека sentence-transformers и формат safetensors. Модель ориентирована на английский язык. Лицензия Apache-2.0.

new5558/chula-course-paraphrase-multilingual-mpnet-base-v2 — модель Sentence-Transformers на базе XLM-RoBERTa, создающая плотные векторы размерности 768 для предложений и абзацев. Она предназначена для семантического поиска, сравнения сходства текстов и кластеризации, в том числе для работы с описаниями учебных курсов. В README указано обучение с функцией потерь CosineSimilarityLoss; модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для построения эмбеддингов и последующего ранжирования или группировки текстов по смыслу. Метаданные указывают задачи feature-extraction и sentence-similarity; формат весов — PyTorch. Название и архитектура предполагают мультиязычную область применения, однако конкретный перечень поддерживаемых языков в предоставленных данных не приведён. Лицензия в предоставленных данных не указана. Качество и языковое покрытие следует проверять на целевых данных; README не приводит численных результатов оценки.

marianodo/ContrastiveLoss — модель на базе MPNet, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для задач семантического поиска и кластеризации. Модель обучалась с функцией ContrastiveLoss и косинусной метрикой расстояния; число параметров — 136,7 млн, контекст — до 514 токенов. Модель подходит для построения векторных представлений текстов и сравнения их семантического сходства. В карточке не указаны разработчик датасета, поддерживаемые естественные языки и лицензия, поэтому их нельзя надёжно определить.

teven/cross_all_bs320_vanilla_finetuned_WebNLG2020_correctness — модель Sentence Transformers на базе MPNet, преобразующая предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска и кластеризации текстов. Модель принимает текст и выдаёт эмбеддинги. Архитектура насчитывает 136,7 млн параметров, а длина контекста составляет 514 токенов. Репозиторий содержит веса PyTorch. Название указывает на дообучение для задачи проверки корректности на данных WebNLG 2020, однако README не приводит подробностей методики или результатов этой настройки. Лицензия в предоставленных данных не указана.

check2207/CS221_AITeamVN_reranker — перекрёстный энкодер, дообученный на базе AITeamVN/Vietnamese_Reranker с помощью библиотеки Sentence Transformers. Модель принимает пары текстов и вычисляет оценку их релевантности; оценки можно использовать для переранжирования результатов поиска и семантического поиска. Архитектура основана на XLM-RoBERTa и выдаёт один скалярный результат для пары текстов. В метаданных указано 658,7 млн параметров и контекст до 8194 токенов; README сообщает максимальную длину последовательности 512 токенов. Модель предназначена прежде всего для вьетнамских запросов и документов. README приводит результаты бинарной оценки на ALQAC-Val: accuracy 0,9393 и F1 0,7453; эти показатели относятся к указанному набору и не гарантируют такое же качество на других данных. Лицензия в предоставленных сведениях не указана.

Это дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена для сравнения семантической близости, поиска похожих текстов и кластеризации. Архитектура включает BERT-трансформер и усреднение токенных представлений; сходство оценивается косинусной метрикой. Модель дообучена на 1 800 парах текстов с ContrastiveLoss. Примеры обучающих данных и название модели указывают на акцент на текстах на хинди. Максимальная длина последовательности в конфигурации README — 128 токенов; метаданные указывают контекст до 512 токенов. Для сопоставления текстов следует учитывать предел 128 токенов из описания Sentence Transformers. Размер модели — 124,3 млн параметров; формат весов — safetensors. Лицензия в предоставленных данных не указана.

DeCLUTR-base — модель для получения универсальных векторных представлений предложений, разработанная авторами работы «DeCLUTR: Deep Contrastive Learning for Unsupervised Textual Representations». Она предназначена для сравнения смысловой близости текстов и других задач, где нужны эмбеддинги предложений. Модель построена на архитектуре RoBERTa и содержит 151,8 млн параметров. Она принимает текст и выдаёт векторные представления; в README показано использование SentenceTransformers для кодирования предложений и вычисления косинусной близости. Модель рассчитана на английский язык, её контекст составляет 514 токенов. Лицензия — Apache-2.0.

m3hrdadfi/distilbert-zwnj-wnli-mean-tokens — модель на базе DistilBERT для получения векторных представлений предложений и оценки их сходства. Карточка рекомендует использовать её с библиотекой Sentence-Transformers либо применять pooling к контекстным представлениям токенов при работе через Transformers. Модель подходит для сравнения предложений и поиска текстов, близких по смыслу. Она принимает текст и выдаёт эмбеддинги; заявленная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch. Лицензия и языки модели в предоставленных данных не указаны.

mrm8488 разработал англоязычную модель Sentence Transformer на основе distilbert/distilroberta-base, дообучив её на наборе sentence-transformers/all-nli. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их по косинусному сходству; архитектура включает RoBERTa и усреднение токенных представлений. Модель содержит 95,2 млн параметров и обрабатывает последовательности длиной до 514 токенов по метаданным Hugging Face. Модель предназначена для оценки семантической близости текстов, семантического поиска, поиска перефразирований, кластеризации и подготовки векторов для классификации текста. Обучение с MatryoshkaLoss позволяет использовать укороченные представления; в README приведены результаты оценки сходства для размерностей от 16 до 768. Модель ориентирована на английский язык и выдаёт векторы, а не готовые текстовые ответы. Лицензия в предоставленных данных не указана.

hcy5561 выпустил англоязычную модель Sentence Transformer, дообученную на SNLI на базе google-bert/bert-base-uncased. Она преобразует предложения и абзацы в плотные векторы размерности 768 и сравнивает их косинусным сходством; модель построена на BERT с усреднением токенных представлений и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации. Её можно применять для поиска похожих предложений в корпусе или группировки англоязычных текстов по смыслу. Лицензия в предоставленных данных не указана.

DIVER-GroupRank-32B — ранжировщик текстовых фрагментов, обученный авторами работы GroupRank с применением обучения с подкреплением. Модель основана на Qwen/Qwen2.5-32B-Instruct и использует архитектуру Qwen2ForCausalLM с 32 млрд параметров. При ранжировании она получает запрос и небольшую группу кандидатов, сравнивает их с учётом контекста группы и генерирует оценки релевантности для отдельных фрагментов. Модель предназначена для переранжирования результатов информационного поиска, в том числе запросов, требующих рассуждений. Авторы сообщают о результатах на тестах BRIGHT и R2MED и о способности переносить качество на классические задачи поиска. Заявленная в README длина контекста — 40 тысяч токенов; в метаданных каталога указано 32 768 токенов. Поддерживаются китайский и английский языки. Доступны веса в формате safetensors, библиотека — Transformers. Модель подходит для уточнения порядка найденных документов после первичного поиска. Для скоринга она генерирует текстовые оценки, поэтому её применение требует настройки формата входа и обработки выходов; подробности использования и требования к оборудованию в предоставленной карточке не раскрыты. Лицензия — Apache-2.0.

facebook/dpr-question_encoder-single-nq-base — англоязычный кодировщик вопросов из набора Dense Passage Retrieval (DPR), разработанный авторами DPR и опубликованный в репозитории Facebook на Hugging Face. Модель представляет собой BERT-основанный плотный энкодер с архитектурой DPRQuestionEncoder; содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена на Natural Questions для поиска релевантных фрагментов при ответах на вопросы по открытым источникам. Энкодер преобразует вопрос в векторное представление для сопоставления с векторами документов, закодированных соответствующим DPR-кодировщиком контекста. Его применяют как компонент конвейера поиска для открытого вопросно-ответного поиска и извлечения контекста; сам по себе он не генерирует ответ. Доступны веса PyTorch и TensorFlow. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование без отдельного разрешения. Качество поиска зависит от домена и коллекции документов; модель обучена на английских данных Natural Questions, а карточка предупреждает о возможных стереотипных и вредоносных ассоциациях.

DRAGON-MISTRAL-0.3 — модель серии dRAGon, разработанная llmware и дообученная на базе Mistral 7B 0.3 для ответов по контексту в сценариях RAG. Она предназначена для вопросно-ответной работы со сложными деловыми, юридическими и нормативными документами, извлечения пар «ключ—значение» и краткого суммирования; целевой язык — английский. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Разработчик сообщает о настройке на фактологические ответы, сокращение галлюцинаций и краткие ответы для автоматизации рабочих процессов. В описанном тестовом запуске квантованной версии GGUF указаны 99,5 балла из 100 и отсутствие замеченных галлюцинаций, однако это результат одного запуска и не гарантирует такое же качество в других условиях. Модель может выдавать неточные или неполные ответы, поэтому результаты требуют проверки. Лицензия — Apache 2.0.

dragon-red-pajama-7b-v0 — модель серии dRAGon, разработанная llmware и дообученная для ответов по контексту. Она предназначена для фактологического вопросно-ответного поиска по сложным деловым, юридическим и нормативным документам, извлечения пар «ключ—значение» и краткого суммирования. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и рассчитана на контекст до 2048 токенов. README указывает английский язык и настройку на короткие, ясные ответы для автоматизации рабочих процессов; в приведённых тестовых запусках галлюцинаций не наблюдалось. Модель принимает текстовый контекст и инструкции и генерирует текстовые ответы. Она может выдавать неточные или неполные сведения, поэтому результаты требуют проверки. Лицензия — Apache 2.0.

DUSUNEN Pusula 118M v1 — компактная модель Sentence Transformers на базе BERT, разработанная и выпущенная Göktuğ Düşünen. Она преобразует турецкие запросы и документы в векторы для семантического поиска и сопоставления предложений. Модель дообучена на 50 000 турецких триплетов с трудными отрицательными примерами с применением Matryoshka Representation Learning. По умолчанию модель выдаёт векторы размерности 384; их можно обрезать до 256, 192, 128, 64 или 32 измерений, чтобы уменьшить размер индекса. Контекст — до 512 токенов. В репозитории также есть динамически квантованная ONNX-версия для инференса на CPU с AVX2. Проверки и бенчмарки README показывают результаты на конкретных наборах данных и не гарантируют такое же качество в прикладных сценариях. Модель распространяется по лицензии Apache-2.0.

sultanbi/e5-base-kazakh — модель Sentence Transformer автора sultanbi, дообученная на переведённой на казахский язык версии набора SNLI. Она основана на intfloat/multilingual-e5-base и использует архитектуру XLM-RoBERTa с усреднением токенных представлений и нормализацией. Модель преобразует предложения и абзацы в плотные векторы размерности 768; близость текстов можно оценивать косинусным сходством. В README указана максимальная длина последовательности 128 токенов, а метаданные Hugging Face сообщают нативный контекст в 514 токенов. Модель предназначена прежде всего для сравнения смысловой близости казахских текстов и семантического поиска; также подходит для поиска перефразировок, кластеризации и классификации текста. В README приведены результаты retrieval на валидационной части казахского SNLI, превосходящие показатели базовой multilingual-e5-base на этом тесте. Метаданные указывают поддержку множества языков, хотя специальное дообучение выполнено для казахского. Лицензия — MIT.

mradermacher/e5-base-v2-i1-GGUF — набор квантизированных файлов модели intfloat/e5-base-v2, подготовленный пользователем mradermacher. Модель предназначена для получения векторных представлений предложений и оценки их семантического сходства, а также может применяться в задачах семантического поиска, кластеризации и других сценариях, где используются sentence embeddings. В README указана поддержка английского языка. Модель распространяется в формате GGUF и доступна в вариантах квантизации i1-IQ и i1-Q с размером файлов примерно от 0,1 до 0,2 ГБ. В набор входят варианты с различным компромиссом между размером, скоростью и качеством; для некоторых низкобитных вариантов прямо отмечено пониженное качество, а i1-Q4_K_S и i1-Q4_K_M обозначены как удачные варианты по соотношению характеристик. Архитектура, число параметров, модальности и размер контекста в README не указаны. Лицензия модели — MIT. Квантизация уменьшает требования к хранению и вычислительным ресурсам, но может снижать качество представлений по сравнению с исходной моделью; степень снижения зависит от выбранного варианта GGUF.