I.2Синтез, понимание и проверка знаний

DeepPavlov/rubert-base-cased-sentence — русскоязычный кодировщик предложений на базе RuBERT, разработанный DeepPavlov. Это 12-слойная модель семейства BERT с 768 скрытыми измерениями и 12 головами внимания; метаданные указывают 205,1 млн параметров и контекст до 512 токенов. Модель дообучена на переведённом на русский SNLI и русской части dev-набора XNLI. Представление предложения получается усреднением векторных представлений токенов, как в Sentence-BERT. Модель предназначена для получения эмбеддингов русских предложений и использования их в семантическом поиске, сравнении сходства и задачах, где требуется сопоставлять значения предложений. Доступны версии в форматах PyTorch и Flax. В README сведения о лицензии не приведены.

RU-ELECTRA medium — предварительно обученная трансформерная модель семейства ELECTRA, разработанная командой SaluteDevices RnD Team для получения эмбеддингов русскоязычного текста. Архитектура плотная, размер — 100,6 млн параметров, контекст — до 512 токенов; модель доступна в формате PyTorch. Модель подходит для вычисления векторных представлений предложений и токенов на русском языке. Для получения эмбеддинга предложения авторы рекомендуют усреднять представления токенов. Её можно применять как основу для семантического поиска, сравнения текстов и других задач, где нужны текстовые эмбеддинги. Модель распространяется по лицензии MIT. Карточка описывает её как предварительно обученную языковую модель, но не приводит отдельных результатов оценки или гарантий качества для конкретных прикладных задач.

Salamandra-2B — базовая авторегрессионная языковая модель семейства Salamandra, разработанная командой проекта Salamandra и обученная с нуля. Это плотная decoder-only модель на архитектуре Llama с примерно 2,25 млрд параметров по карточке модели и контекстом до 8192 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache 2.0, допускающая коммерческое использование. Модель предназначена для генерации текста на европейских языках и коде, а также для дальнейшего дообучения под конкретные задачи. Она предварительно обучена на 12,875 трлн токенов тщательно отобранных данных из 35 европейских языков и кода. Её можно применять для продолжения текста, черновой генерации и многоязычных сценариев; это базовая версия, а не вариант, настроенный как диалоговый помощник. В опубликованных оценках отмечены общественные и когнитивные смещения: модель может предпочитать ранние варианты ответа в списках и зависеть от формулировки подсказки. Данные обучения преимущественно отражают стандартные языковые варианты, поэтому качество для диалектов и малоресурсных языков может быть ниже. Перед применением в продуктивных системах необходимы проверка качества и адаптация к целевому сценарию.

SA-STS-Embeddings-0.2B — модель плотных текстовых эмбеддингов от Omartificial-Intelligence-Space, дообученная на базе SA-BERT-V1 для семантического поиска и сравнения предложений на саудовских вариантах арабского языка. Она построена на архитектуре BERT, содержит 190 млн параметров и принимает последовательности длиной до 512 токенов, возвращая векторы размерности 768. Обучение на триплетах из 21 прикладной области использовало MultipleNegativesRankingLoss и Matryoshka Representation Learning. Модель предназначена для семантического поиска, извлечения контекста для RAG, кластеризации, определения намерений, оценки сходства и ранжирования текстов. Она ориентирована на диалекты Наджда и Хиджаза, а также на саудовскую речь с влиянием залива; карточка приводит высокие результаты на тестах сходства и триплетного ранжирования. Для длинных документов рекомендуется разбивать текст на фрагменты. В метаданных указана лицензия CC-BY-NC-4.0, которая ограничивает коммерческое использование. README указывает Apache 2.0, поэтому сведения о лицензии в источниках расходятся; перед использованием следует проверить лицензию репозитория на Hugging Face.

ai-forever/sbert_large_mt_nlu_ru — русскоязычная модель семейства BERT large от команды SberDevices для получения векторных представлений предложений. Она предназначена для задач, где нужно представить текст числовым вектором, например для поиска семантически похожих фраз и сравнения предложений. Для лучшего качества авторы рекомендуют усреднять представления токенов. Модель содержит 525,7 млн параметров, принимает текст и имеет контекст до 512 токенов. В карточке указана оценка на Russian SuperGLUE, но конкретные результаты не приведены. Модель опубликована под лицензией MIT.

rainjay/sbert_nlp_corom_sentence-embedding_chinese-base-ecom — модель на базе BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель содержит 129,5 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для поиска похожих фрагментов текста и группировки предложений по смыслу. Карточка не уточняет, на каких данных обучалась модель и какие языки она поддерживает, поэтому область применения по языку определить нельзя. Лицензия в предоставленных данных не указана.

manu/sentence_croissant_alpha_v0.1 — модель семейства Llama, созданная на базе Sentence-Transformers для получения плотных векторных представлений предложений и абзацев. Она содержит 1,3 млрд параметров, формирует эмбеддинги размерностью 2048 и рассчитана на входной контекст до 2048 токенов. Модель подходит для семантического поиска, сравнения сходства текстов и кластеризации предложений и абзацев. Карточка сообщает о тренировке с использованием MultipleNegativesRankingLoss; в метаданных также отмечены возможности чата и эмбеддингов, однако основное назначение модели — векторизация и сравнение текстов. Язык модели в предоставленных данных не определён. Файлы опубликованы в формате safetensors; сведения о лицензии отсутствуют.

sentence-transformers/sentence-t5-xxl — модель для преобразования предложений и абзацев в плотные векторы размерностью 768, предназначенные прежде всего для сравнения семантической близости текстов. Она построена на T5 и использует только энкодер; в README указано, что веса TensorFlow-модели st5-11b-1 преобразованы в PyTorch и хранятся в FP16. Метаданные указывают 385,2 млн параметров, контекст до 512 токенов и поддержку английского языка. Модель подходит для вычисления сходства между предложениями и абзацами и создания текстовых эмбеддингов. По README она работает хуже в задачах семантического поиска, поэтому для поиска по смыслу может потребоваться другая модель или отдельная настройка. PyTorch-версия и исходная модель TensorFlow могут давать немного разные векторы, хотя на описанных в карточке бенчмарках результаты совпадают. Лицензия — Apache-2.0.

Serafim 900m Portuguese (PT) Sentence Encoder — модель для создания векторных представлений предложений и абзацев на португальском языке. Она разработана авторами семейства Serafim PT и представлена в работе на конференции EPIA 2024. Модель основана на архитектуре DeBERTa-v2 и распространяется в формате safetensors через библиотеку Sentence Transformers. Модель кодирует текст в плотные векторы размерностью 1536, предназначенные для семантического поиска, кластеризации и сравнения смысловой близости текстов. Максимальная длина контекста — 512 токенов; обучение использовало функцию потерь CoSENT. Лицензия MIT.

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.

Это GGUF-квантизированная версия модели Snowflake/snowflake-arctic-embed-l, разработанной компанией Snowflake. Квантизацию выполнил mradermacher; доступны варианты с разными типами и уровнями квантизации, преимущественно размером около 0,2–0,4 ГБ. Модель предназначена для получения векторных представлений текстов, извлечения признаков и оценки семантического сходства предложений. Она может использоваться в задачах семантического поиска, кластеризации, сопоставления текстов и других сценариях, где требуется сравнивать смысловые представления документов или запросов. В метаданных указана поддержка английского языка и совместимость с экосистемой Transformers, а также с задачами sentence-transformers и MTEB. Ключевые архитектурные характеристики исходной модели, включая точное число параметров, размерность эмбеддингов и длину контекста, в README не указаны. Основное преимущество набора — компактные GGUF-файлы и возможность выбрать баланс между размером, скоростью и качеством. Ограничение связано с потерями качества при низких уровнях квантизации: README отмечает, что некоторые варианты имеют низкое качество, поэтому для практического использования рекомендуются более качественные варианты вроде i1-Q4_K_M или i1-Q6_K. Модель распространяется по лицензии Apache-2.0.

snowflake-arctic-embed-m-i1-GGUF — это квантизированная в формате GGUF версия модели Snowflake/snowflake-arctic-embed-m, разработанная Snowflake и подготовленная пользователем mradermacher с использованием weighted/imatrix quantization. Модель предназначена для извлечения признаков и создания текстовых эмбеддингов, задач семантического сходства, поиска и других сценариев, где требуется сравнивать смысл текстов. В метаданных указаны поддержка английского языка, интеграция с Transformers и совместимость с Transformers.js. README не содержит точных сведений об архитектуре, количестве параметров, размерности эмбеддингов и максимальной длине контекста. Репозиторий предоставляет множество вариантов квантизации размером примерно от 0,1 до 0,2 ГБ, включая IQ- и Q-типы, позволяющие выбирать компромисс между размером, скоростью и качеством. Сильной стороной модели являются малый размер файлов и возможность локального запуска в экосистеме GGUF; ограничениями выступают возможная потеря качества при низкобитной квантизации и отсутствие подробных характеристик производительности в README. Модель распространяется по лицензии Apache-2.0.

Soulfate24/Spark-X2.5-4B-ASHQ1-Remix-GGUF — квантизированная версия Spark-X2.5-4B в формате GGUF, подготовленная в рамках набора ASHQ1-Remix. В README описана активационно-ориентированная квантизация с параметрами, основанными на измерениях; указана поддержка линии AutoRound с ограничениями насыщения. Модель предназначена для генерации текста и диалогового использования. Базовая Spark-X2.5-4B — компактная многоязычная языковая модель для диалога, кода, рассуждений, перевода и агентных задач. Метаданные указывают базовую модель XHToken/Spark-X2.5-4B и лицензию Apache-2.0. Данных о размере контекста и конкретных языках этой версии в предоставленных материалах нет.

Locutusque/StockQwen-2.5-7B — плотная языковая модель на архитектуре Qwen2, созданная автором репозитория с помощью mergekit методом Model Stock. В слияние вошли Qwen2.5-7B, Qwen2.5-7B-Instruct, Qwen2.5-Coder-7B-Instruct и Qwen2.5-Math-7B-Instruct; базовая модель — Qwen/Qwen2.5-7B. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста и диалоги; интерфейс поддерживает вызов инструментов. Для практического использования в README рекомендуется дообучение. Модель работает с текстом и имеет заявленный контекст до 131 072 токенов. Метаданные перечисляют английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. Слияние инструктивной, кодовой и математической моделей предполагает применимость к диалогам, генерации кода и математическим ответам, однако README не приводит оценок качества. Файлы опубликованы в формате safetensors, библиотека — Transformers. Лицензия в предоставленных данных не указана.

StrangeMerges_38-7B-dare_ties — слитая текстовая модель семейства Mistral, созданная Gille с помощью LazyMergekit на основе трёх моделей: automerger/NeuralsirkrishnaExperiment26-7B, Gille/StrangeMerges_21-7B-slerp и Gille/StrangeMerges_34-7B-slerp. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекстное окно 32 768 токенов. Модель предназначена для генерации текста и диалогового применения. Её можно использовать для ведения беседы и создания текстовых ответов. В репозитории указаны веса в формате safetensors; лицензия — Apache-2.0.

Supertron2-1.7B — компактная языковая модель Surpem для генерации текста и диалогов, дообученная на Qwen/Qwen3-1.7B. Это плотный Transformer с 1,7 млрд параметров и контекстом до 40 960 токенов; модель предназначена для работы с инструкциями и поддерживает английский язык. Она подходит для пошаговых рассуждений, решения математических задач, написания и отладки кода, объяснения научных тем и повседневных диалогов. В README заявлена возможность локального запуска на потребительском оборудовании; для инференса указаны ориентиры от 5 ГБ видеопамяти в bfloat16 или от 3 ГБ при 4-битной квантизации. Модель распространяется по лицензии Apache 2.0. Как и другие компактные языковые модели, она может ошибаться в фактах, вычислениях и коде; README не приводит независимых результатов оценки качества.

QuantFactory/suzume-llama-3-8B-multilingual-GGUF — это квантованная в формате GGUF версия мультиязычной модели lightblue/suzume-llama-3-8B-multilingual, созданная с помощью llama.cpp. Базой служит Meta-Llama-3-8B-Instruct от Meta; исходная модель дообучена примерно на 90 тысячах многоязычных диалогов. Модель предназначена для текстового общения, генерации ответов и инструкционного взаимодействия на нескольких языках. В обучении использовались датасеты с англоязычными, японскими и другими многоязычными диалогами, а оценивание проводилось на немецком, французском, японском, русском, китайском и английском языках. Ключевая особенность — расширенная поддержка неанглийских языков при сохранении возможностей Llama 3 для диалоговых задач. Размер модели — 8B параметров; архитектура унаследована от Llama 3. Модель является текстовой, поддержка изображений и других модальностей не заявлена. Размер контекста в карточке не указан. По MT-Bench модель получила оценки 7,26 на немецком, 7,66 на французском, 6,56 на японском, 8,19 на русском, 7,11 на китайском и 7,73 на английском. Эти результаты указывают на сильные мультиязычные диалоговые способности, однако русская оценка не включала задачи на код, рассуждения и математику, а подробности методики и обучающих данных должны быть дополнительно проверены. Для использования заявлена лицензия Llama 3; в карточке она обозначена как other и приведена ссылка на лицензию Meta-Llama-3-8B-Instruct. Ограничения лицензии, требования к применению и характеристики конкретных квантованных вариантов в README подробно не описаны.

IsValorum/Thomson-1.0-Small-APEX-I-MiniPlus-V2-GGUF — это квантованная версия модели Thomson-1.0-Small, разработанной Thomson Reuters и преобразованной в формат GGUF пользователем IsValorum. Модель предназначена для запуска через совместимые инструменты, включая llama.cpp, и ориентирована на юридические, аудиторские и финансовые сценарии, а также на обработку документов, изображений, таблиц и OCR. Модель использует архитектуру mixture-of-experts (MoE) и поддерживает мультимодальный режим image-text-to-text с обработкой текста и изображений. В README указана поддержка английского, китайского, испанского, французского, немецкого, португальского, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Квантование APEX-I-MiniPlus выполнено с учётом чувствительности отдельных тензоров: маршрутизаторы сохранены в F32, выходная голова — в Q6_K, attention gates — в Q8_0, а основные эксперты — не ниже калиброванного уровня 3 бит. Это должно обеспечивать более высокую точность по сравнению с плоскими 3-битными квантованиями, однако конкретные характеристики размера, объёма контекста и производительности именно этой версии в представленном фрагменте README не указаны. Сильными сторонами являются сочетание компактного квантованного формата, мультимодальности, многоязычности и оптимизации для задач, требующих анализа юридических и финансовых материалов. Ограничения связаны с потерями точности, неизбежными для квантованной версии, зависимостью скорости от оборудования и отсутствием в доступных данных полного набора характеристик и результатов тестирования именно этой модели. Лицензия — Apache-2.0.

MaziyarPanahi/Trinity-Mini-GGUF — набор файлов модели Trinity-Mini в формате GGUF, подготовленный MaziyarPanahi на основе оригинальной модели arcee-ai. Модель разработана Arcee AI и предназначена для генерации текста, рассуждений, а также прикладных сценариев, включая работу с математикой и кодом. Формат GGUF ориентирован на локальный запуск через llama.cpp и совместимые приложения и библиотеки. Trinity-Mini — разреженная Mixture-of-Experts модель архитектуры AfmoeForCausalLM с 26 млрд общих параметров и 3 млрд активных параметров. Она содержит 128 экспертов, из которых одновременно используются 8, а также одного общего эксперта. Контекстное окно составляет 128 тысяч токенов. Модель обучалась на 10 трлн токенов, включая дополнительные данные по математике и программированию. В репозитории доступны варианты квантования с разной разрядностью — от 2 до 8 бит. К сильным сторонам относятся большое контекстное окно, эффективная MoE-архитектура и возможность локального запуска с выбором уровня квантования. README не содержит сведений о поддерживаемых языках, результатах конкретных бенчмарков и ограничениях качества, поэтому эти характеристики нельзя оценить точнее. Для работы требуются совместимые версии llama.cpp или других клиентов, поддерживающих GGUF. Модель распространяется по лицензии Apache 2.0.

victormuryn/use-combined-pt — модель Sentence Transformers, дообученная на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2 для получения векторных представлений украинских предложений. Она использует архитектуру XLM-RoBERTa с плотным энкодером, контрастивную цель обучения и комбинированные стратегии аугментации с pool targets. Размер модели — 305,2 млн параметров, максимальная длина контекста — 514 токенов. Модель предназначена для семантического сравнения предложений и получения эмбеддингов украинского текста; их можно использовать для поиска похожих фраз, кластеризации и других сценариев, где нужно сравнивать смысл текстов. Обучение проводилось на корпусе UberText 2.0. Базовая модель поддерживает множество языков, но карточка описывает дообучение именно для украинского; лицензия — Apache 2.0.

uzbek-e5-small — компактная модель для создания текстовых эмбеддингов, разработанная Sukhrob Nurali на основе intfloat/multilingual-e5-small и дообученная для семантического поиска и извлечения текстов на узбекском языке. Архитектура — BERT, около 124,3 млн параметров; модель создаёт 384-мерные нормализованные векторы и поддерживает контекст до 512 токенов. Для поиска рекомендуется добавлять к запросам префикс «query: », а к документам — «passage: »; для сравнения предложений использовать «query: » с обеих сторон. Модель предназначена для поиска по узбекским документам, в том числе для RAG, сравнения предложений, кластеризации и межъязыкового поиска между узбекским и английским. На тесте Wiki Retrieval Eval показаны Recall@1 0,9914 и Recall@10 0,9972; на FLORES+ devtest средняя точность сопоставления параллельных узбекско-английских предложений составила 0,9876. Нормализованные векторы можно сравнивать по косинусной близости или скалярному произведению. Модель распространяется по лицензии MIT. Редкие тематики и диалекты представлены слабее; часть параллельных данных может содержать шум машинного перевода. Качество для узбекской кириллицы проверено менее тщательно, а монолингвальная оценка основана на подборе заголовка к абзацу, а не на специально составленных пользовательских запросах.

Heimat24/vhs_burghausen_danielheinz_e5-qa_generation_secretary-3-5-0.8 — модель Sentence-Transformers для получения плотных векторных представлений предложений и абзацев. Она основана на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров и отображает текст в векторы размерности 768. Модель предназначена для семантического поиска, сравнения смысловой близости текстов и кластеризации. В обучении использовалась функция потерь MultipleNegativesRankingLoss с косинусным сходством. Для работы с моделью README рекомендует библиотеку sentence-transformers. Контекст модели — до 514 токенов. В метаданных не указана лицензия, поэтому условия использования по лицензии определить нельзя. README не сообщает языки обучения или оценки качества; архитектура XLM-RoBERTa сама по себе не позволяет установить конкретные языки, на которых эта версия лучше всего работает.

xiaobu-embedding-v2 — модель эмбеддингов предложений, разработанная на основе piccolo-embedding. В версии v2 синтетические данные заменены данными, накопленными для xiaobu-embedding-v1; обучение объединяет шесть типов задач CMTEB с использованием circle loss и позволяет учитывать несколько положительных примеров из исходных наборов данных. Модель предназначена для создания векторных представлений текста и вычисления сходства между предложениями, например для семантического поиска и поиска похожих фраз. Это плотная модель архитектуры BERT с 424,3 млн параметров и контекстом до 512 токенов; доступна в форматах PyTorch, Safetensors и ONNX, используется через Sentence-Transformers. README указывает на задачи CMTEB, но не сообщает конкретные языки поддержки. Условия лицензии в предоставленных данных не приведены.

Это модель Sentence-Transformers на базе XLM-RoBERTa, дообученная для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов и кластеризации; в частности, README описывает дообучение с MarginMSELoss на примерах японско-английского и англо-японского сходства с заданными диапазонами косинусного сходства. Модель принимает текст и выдаёт эмбеддинги. Размер — 305,2 млн параметров, контекст — 514 токенов. Для запуска можно использовать Sentence-Transformers или Transformers с подходящей операцией pooling. В карточке указана архитектура XLM-RoBERTa и формат PyTorch. README сообщает о последующей дистилляции отдельной модели, но этот репозиторий описывает исходный этап дообучения. Лицензия в предоставленных данных не указана.

AfriE5-Large-instruct — модель текстовых эмбеддингов, разработанная для улучшенной поддержки африканских языков на основе multilingual-e5-large-instruct. Она предназначена для преобразования текстов и запросов в векторы для семантического поиска, сравнения предложений и других задач, где нужно оценить смысловое сходство. Модель основана на XLM-RoBERTa-large, содержит 658,7 млн параметров и принимает контекст длиной до 514 токенов. При обучении использовались межъязыковое контрастивное обучение и дистилляция знаний; базовая модель указана в метаданных как дообученная. Обучение было нацелено на амхарский, оромо, хауса, игбо, киньяруанда, суахили, тви, коса, йоруба и зулу. В README заявлена проверка на 59 языках, а метаданные также отмечают английский. В тестах AfriMTEB модель показала средние результаты 63,7 на наборе из девяти языков и 62,4 на наборе из 59 языков. Лицензия — MIT.

LazarusNLP/all-indobert-base-v2 — модель эмбеддингов предложений на базе BERT, опубликованная LazarusNLP. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения смысловой близости и кластеризации текстов. Модель распространяется в формате safetensors и рассчитана на контекст до 512 токенов. Обучение с MultipleNegativesRankingLoss и косинусной мерой сходства ориентировано на получение векторов, полезных для поиска и сопоставления текстов. Данные карточки указывают на индонезийский язык и наборы данных для индонезийских задач понимания и поиска информации. Лицензия в предоставленных источниках не указана.

groonga/all-MiniLM-L6-v2-Q4_K_M-GGUF — это GGUF-конверсия модели sentence-transformers/all-MiniLM-L6-v2, подготовленная репозиторием groonga с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для извлечения признаков, вычисления сходства предложений и других задач семантического поиска и сравнения текстов. В карточке указано, что основной язык — английский. Модель создана на базе all-MiniLM-L6-v2 и поставляется в варианте квантования Q4_K_M в формате GGUF, что позволяет запускать её локально через llama.cpp, включая CLI и серверный режим. В качестве обучающих данных указаны коллекции и пары предложений из S2ORC, Stack Exchange, MS MARCO, GooAQ, Yahoo Answers, CodeSearchNet, SNLI, MultiNLI, Natural Questions, TriviaQA и других наборов. Пример запуска сервера использует контекст 2048 токенов, однако отдельные сведения о размере модели, точной архитектуре и фактическом максимальном контексте в README не приведены. К сильным сторонам относятся компактный квантованный формат, совместимость с llama.cpp и специализация на задачах семантического сходства и эмбеддингов. Ограничения включают отсутствие подробных характеристик качества, бенчмарков, перечня поддерживаемых языков помимо указанного английского и описания особенностей применения квантованной версии. Лицензия модели — Apache-2.0.

AlphaMayo — диалоговая языковая модель, созданная слиянием Eric111/Mayo и mlabonne/AlphaMonarch-7B с помощью mergekit. В основе архитектуры лежит Mistral; модель содержит 7,1 млрд параметров и рассчитана на генерацию текста в формате диалога. Указанная длина контекста — 32 768 токенов. Модель подходит для генерации ответов и выполнения инструкций в чат-сценариях. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. README описывает конфигурацию слияния методом SLERP и точностью bfloat16.

Apertus-v1.1-1.5B-Instruct — многоязычная языковая модель Swiss AI для генерации текста и диалогов. Это дистиллированная и дообученная версия базовой модели swiss-ai/Apertus-v1.1-1.5B: семейство Apertus-v1.1 использует плотный трансформер-декодер с grouped-query attention и активацией xIELU. В этой версии около 1,6 млрд параметров, 16 слоёв и контекст до 4096 токенов. Модель подходит для диалоговых помощников, генерации и продолжения текста на разных языках, а также для развёртывания в условиях ограниченных ресурсов. Разработчик заявляет поддержку 1811 языков и обучение на корпусе из документов, кода и инструкций; модель создана методом дистилляции от Apertus-8B-2509 и затем прошла supervised fine-tuning и выравнивание. Карточка отмечает конкурентные базовые результаты в многоязычных диалоговых тестах для своего размерного класса. Модель может допускать фактические ошибки, непоследовательность и отражать смещения обучающих данных; особенно ограниченными могут быть сложная математика и следование составным инструкциям. Выводы следует проверять, а модель использовать как вспомогательный инструмент. Лицензия — Apache-2.0.

Карточка модели ganesh714/arq_m1_chairs на Hugging Face совпадает с карточкой ganesh714/arq_m1_chairs_think_Q7b_C, поэтому описание составлено по ней. Модель ganesh714/arq_m1_chairs_think_Q7b_C — дообученная языковая модель семейства Qwen2 на базе unsloth/qwen2.5-coder-7b-instruct-bnb-4bit. Она построена на архитектуре Qwen2ForCausalLM и содержит 7,1 млрд параметров; модель предназначена для генерации текста в диалоговом формате и поддерживает интерфейс вызова инструментов. В README указано, что обучение выполнялось с Unsloth и библиотекой TRL. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. В метаданных указан английский язык. Лицензия — Apache-2.0. В карточке нет подробностей о специализации дообучения или оценках качества, поэтому пригодность для конкретных задач следует проверять на собственных примерах.