I.2Синтез, понимание и проверка знаний

coder3101/Qwen3-VL-8B-Instruct-heretic — производная версия Qwen3-VL-8B-Instruct, созданная методом abliteration для сокращения отказов на запросы. По данным карточки, доля отказов в указанной проверке снизилась со 100 из 100 у исходной модели до 6 из 100; KL-дивергенция составила 0,1738. Модель предназначена для диалога с текстом и изображениями, визуального анализа и рассуждений. Базовая архитектура Qwen3-VL поддерживает анализ видео, OCR, пространственные задачи и контекст до 256 тыс. токенов с возможностью расширения до 1 млн, однако README описывает эти возможности исходной модели, а не отдельно проверенные характеристики этой версии.

coder3101/Qwen3-VL-8B-Thinking-heretic — дообученная версия мультимодальной модели Qwen3-VL-8B-Thinking от Qwen, опубликованная под лицензией Apache-2.0. Она принимает текст и изображения и предназначена для диалога, визуального анализа и рассуждений; карточка также описывает возможности базовой модели по анализу видео, OCR, пространственному пониманию и взаимодействию с интерфейсами. В репозитории указаны веса safetensors и архитектура Qwen3VLForConditionalGeneration. Автор сообщает, что применил abliteration для снижения частоты отказов: в приведённом сравнении модель отказала в 1 из 100 запросов против 44 из 100 у исходной версии; измеренная KL-дивергенция — 0,03. Эти показатели относятся к тесту из карточки и не гарантируют поведение на других запросах. Основа заявляет контекст 256K с возможностью расширения до 1M и OCR на 32 языках, однако это сведения о базовой модели, а не отдельная оценка данной производной версии.

NobodyWho/Qwen_Qwen3.5-0.8B-GGUF — GGUF-квантизированная версия модели Qwen3.5-0.8B, разработанной командой Qwen компании Alibaba Group. Модель подготовлена для использования с NobodyWho, содержит встроенные рекомендованные параметры семплирования Qwen и проверена тестовым набором NobodyWho. Модель предназначена для быстрого диалогового общения и генерации текста, выполнения инструкций, нативного tool calling и локального запуска на устройствах с ограниченными ресурсами. Она поддерживает мультимодальный ввод текста и изображений через дополнительную проекционную модель mmproj-BF16.gguf, режим рассуждений, включённый по умолчанию, а также широкий набор языков. Заявлена поддержка контекста до 262 144 токенов. Модель содержит 0,8 млрд параметров и использует архитектуру qwen35. Доступны варианты BF16, Q8_0 и Q4_K_M; каждый показал результат 13 из 14 тестов tool calling, при этом сложные схемы остаются ограничением. Основные преимущества — малый размер, низкие требования к памяти, мультимодальность, длинный контекст и возможность локального использования. Для работы с изображениями требуется отдельный файл проекционной модели. Распространяется по лицензии Apache 2.0.

Это англоязычная модель Cross Encoder, разработанная на базе prajjwal1/bert-tiny и дообученная с использованием библиотеки Sentence Transformers. Модель принимает пары текстов и вычисляет оценку их соответствия, поэтому предназначена для ранжирования результатов поиска, семантического поиска, оценки текстового сходства, поиска перефразировок, классификации текстов и кластеризации. Модель поддерживает последовательности длиной до 512 токенов и возвращает один выходной показатель для каждой пары текстов. Она рассчитана на английский язык и использует архитектуру BERT-tiny, что делает её компактнее полноразмерных BERT-моделей и потенциально удобной для сценариев, где важны умеренные требования к вычислительным ресурсам. Обучение выполнено на данных, связанных с GooAQ; в метаданных также указаны метрики MAP, MRR@10 и NDCG@10, однако числовые результаты оценки не приведены. Модель подходит для сравнения пользовательского запроса с кандидатными документами или ответами и последующего их упорядочивания. Ограничения включают работу только с парами текстов, англоязычную специализацию и максимальную длину входной последовательности 512 токенов. Лицензия — Apache-2.0.

RuAdapt-HomerCreativeAnvita-Mix-Qw7B-v1 — объединённая модель генерации текста на базе архитектуры Qwen2, созданная с помощью mergekit методом SLERP из RefalMachine/ruadapt_qwen2.5_7B_ext_u48_instruct и suayptalha/HomerCreativeAnvita-Mix-Qw7B. Она предназначена для диалогов и генерации текста, в том числе на русском и английском языках; каталог также отмечает интерфейс вызова инструментов. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Русскоязычная база RefalMachine адаптирована для диалога и ускоренной обработки русскоязычных последовательностей, а вторая база вносит возможности творческой генерации. Модель распространяется по лицензии Apache-2.0. Доступные сведения не приводят сравнительных оценок качества, поэтому пригодность для конкретных сценариев следует проверять на собственных примерах.

RWKV/RWKV7-1.5B-20260805 — официальная базовая языковая модель BlinkDL семейства RWKV-7 «Goose», выпущенная в формате Transformers. Это плотная причинная модель с архитектурой RWKV-7 без attention: она поддерживает постоянный размер рекуррентного состояния и постоянную вычислительную работу на генерируемый токен, а обучение можно распараллеливать. Размер модели — 1,5 млрд параметров; веса представлены в формате safetensors. Модель предварительно обучена на веб-текстах, коде, синтетических, инструкционных, диалоговых и рассуждающих данных. Она предназначена для генерации текста, оценки, последующего обучения и дообучения; шаблон чата задаёт формат запросов, но сам по себе не означает, что модель выровнена как безопасный ассистент. Метаданные и карточка указывают поддержку английского, китайского, французского, испанского, немецкого, португальского, русского, итальянского, японского, корейского, вьетнамского и арабского языков. Лицензия — Apache-2.0. Постоянное рекуррентное состояние не накапливает KV-кэш как attention-модели, а собственный токенизатор включён в репозиторий. Качество генерации, следование инструкциям и языковое поведение зависят от контрольной точки, запроса и последующего обучения. Откат рекуррентного кэша для некоторых режимов speculative decoding не поддерживается без снимков состояния; оптимизированный TileLang-инференс зависит от GPU, типа данных и формы входа. Карточка не сообщает о проверках безопасности, предвзятости, токсичности, фактической точности или пригодности для высокорисковых сценариев.

RWKV/RWKV7-G1j-13.3B-20260831 — базовая языковая модель семейства RWKV-7 «Goose», выпущенная BlinkDL в формате Transformers. Это плотная причинная модель с архитектурой Rwkv7ForCausalLM и 14,6 млрд параметров. В отличие от моделей с attention, она использует рекуррентное состояние постоянного размера: объём состояния не растёт как KV-кэш, а вычислительная работа при генерации остаётся постоянной на токен; обучение при этом можно распараллеливать. Модель предварительно обучена на веб-текстах, коде, синтетических, инструкционных, чатовых и рассуждательных данных. Она предназначена для генерации текста, оценки, последующего обучения и дообучения; шаблон чата задаёт формат запросов, но сам по себе не означает, что модель прошла выравнивание безопасности. Поддерживает многоязычную работу, включая английский, китайский, русский и другие языки из карточки. Для запуска доступны интеграция Transformers и дополнительная оптимизированная реализация TileLang. К ограничениям относятся зависимость качества следования инструкциям и языкового поведения от промптинга и последующего обучения, отсутствие заявленной оценки безопасности, предвзятости, токсичности, фактической точности и пригодности для задач с высокими ставками. Спекулятивное декодирование с откатом рекуррентного кэша требует сохранения предыдущих состояний; поддержка ускоренного исполнения зависит от оборудования и конфигурации. Лицензия — Apache-2.0.

RWKV/RWKV7-G1j-7.2B-20260831 — официальная базовая языковая модель RWKV-7 «Goose», выпущенная BlinkDL в формате Transformers. Это плотная авторегрессионная модель класса Rwkv7ForCausalLM с 7,8 млрд параметров, представленная в Safetensors. Архитектура не использует attention: она поддерживает рекуррентное состояние постоянного размера, а вычислительная стоимость генерации каждого токена постоянна; обучение при этом можно распараллеливать. Модель предварительно обучена на веб-текстах, коде, синтетических, инструкционных, диалоговых и рассуждательных данных. Она предназначена для генерации продолжений текста, оценки, последующего обучения и дообучения. Шаблон диалога позволяет формировать многоходовые и thinking-промпты, но сам по себе не означает, что модель является безопасным или выровненным ассистентом. В карточке перечислены английский, китайский, французский, испанский, немецкий, португальский, русский, итальянский, японский, корейский, вьетнамский и арабский языки; размер контекста не приведён. Модель распространяется по лицензии Apache-2.0. Среди ограничений: качество следования инструкциям и языковое поведение зависят от промптинга и дополнительного обучения; откат рекуррентного кэша для speculative decoding не поддерживается без сохранения предыдущих состояний. Оптимизированный инференс зависит от GPU, типа данных и формы батча, а полное исполнение через TileLang требует отдельной проверки численного соответствия. Для модели не заявлена оценка безопасности, предвзятости, токсичности, фактической точности или пригодности для критически важных сценариев.

RWKV-7 Goose 1.5B — базовая языковая модель, официальный выпуск BlinkDL в формате Transformers. Это плотная причинная языковая модель на рекуррентной архитектуре RWKV-7 без attention: размер рекуррентного состояния постоянен, а вычислительная работа на каждый новый токен не растёт с длиной последовательности; обучение можно распараллеливать. Модель содержит 1,5 млрд параметров, веса представлены в safetensors, для работы предусмотрена библиотека Transformers и собственная интеграция RWKV-7. Чекпойнт предварительно обучен на веб-текстах, коде, синтетических, инструкционных, чатовых и рассуждательных данных. Он предназначен для генерации текста, оценки, последующего обучения и дообучения; шаблон чата задаёт формат запросов, но сам по себе не означает, что модель настроена как безопасный ассистент. В карточке заявлена поддержка английского, китайского, французского, испанского, немецкого, португальского, русского, итальянского, японского, корейского, вьетнамского и арабского языков. Лицензия — Apache-2.0. К ограничениям относятся зависимость качества следования инструкциям и языкового поведения от конкретного чекпойнта, промптинга и последующего обучения, отсутствие заявленных оценок безопасности, предвзятости, токсичности и фактической точности, а также отсутствие поддержки отката рекуррентного кэша для некоторых режимов спекулятивного декодирования без сохранения состояний. Оптимизированный запуск зависит от оборудования и конфигурации; для полного TileLang-режима требуется проверка численного соответствия.

jangedoo разработал Sentence Transformer на базе intfloat/multilingual-e5-small, дообучив его на наборах данных для непальского поиска по вопросам и ответам, электронной коммерции, межъязыкового поиска и общих текстов. Модель преобразует предложения и абзацы в плотные векторы размерностью 384 для поиска и сравнения текстов по косинусному сходству. Архитектура состоит из BERT-трансформера, усредняющего пулинга и нормализации эмбеддингов. Модель принимает текст, поддерживает непальский и английский языки и обрабатывает последовательности до 512 токенов. Её можно применять для поиска релевантных документов, подбора ответов и межъязыкового поиска; README также приводит оценки на наборах для семантического сходства и перевода. Чекпойнт опубликован в формате safetensors и рассчитан на использование с библиотекой Sentence Transformers. Лицензия в предоставленных сведениях не указана.

uer/sbert-base-chinese-nli — это модель эмбеддингов предложений на базе BERT, предварительно обученная с помощью UER-py. Она предназначена для преобразования китайских предложений в векторы и сравнения их смысловой близости, например с помощью косинусного сходства. Модель содержит 129,5 млн параметров, использует формат PyTorch и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска и ранжирования похожих китайских фраз. Для обучения использовался набор ChineseTextualInference. Репозиторий распространяется по лицензии Apache-2.0. Карточка показывает извлечение эмбеддингов и вычисление сходства; результаты могут зависеть от домена и качества исходных текстов.

pucpr-br/sbertimbau_news_2020 — модель Sentence-Transformers, разработанная для преобразования предложений и абзацев на португальском языке в плотные векторные представления размерностью 768. Она основана на BERTimbau Base, дообученной версии BERT для бразильского португальского, и использует архитектуру BERT с 136,1 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации новостных текстов. Обучение проводилось с функцией потерь BatchAllTripletLoss. Данные карточки не описывают лицензию, поэтому условия использования по лицензии определить нельзя.

lewtun/setfit-ethos-multilabel-example — модель Sentence-Transformers на базе MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 136,7 млн параметров и поддерживает контекст длиной до 514 токенов. Модель подходит для поиска похожих фрагментов текста и группировки текстов по смыслу. В README указано обучение с CosineSimilarityLoss. Репозиторий также содержит в названии указание на пример многометочной классификации ETHOS, но приведённая карточка описывает именно получение эмбеддингов. Для использования требуются Sentence-Transformers либо Transformers с подходящей операцией pooling. Доступные данные не содержат сведений о лицензии, поэтому условия использования по ним определить нельзя.

Kuaaangwen/Setfit-few-shot-classifier — модель эмбеддингов предложений на базе MPNet, опубликованная пользователем Kuaaangwen. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для поиска семантически близких текстов, кластеризации и сравнения сходства. Модель содержит 136,7 млн параметров и рассчитана на контекст до 514 токенов; доступен формат PyTorch. Модель можно применять для семантического поиска по коллекции текстов, группировки похожих высказываний и вычисления сходства между парами предложений. README указывает обучение с CosineSimilarityLoss, но не сообщает языки обучающих данных или результаты оценки. Лицензия в предоставленных данных не указана.

mrm8488/setfit-mpnet-base-v2-finetuned-spam-detection — модель Sentence Transformers на архитектуре MPNet, разработанная автором mrm8488 и предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. В метаданных указан размер 136,7 млн параметров, библиотека PyTorch и контекст до 514 токенов. Модель можно использовать для семантического поиска, сравнения сходства текстов и кластеризации. Несмотря на название репозитория, README описывает получение эмбеддингов, а метаданные не подтверждают отдельную задачу классификации спама. Модель принимает текст и выдаёт векторы. README указывает обучение с CosineSimilarityLoss; сведений о поддерживаемых языках и лицензии в предоставленных данных нет.

Muennighoff/SGPT-2.7B-weightedmean-nli-bitfit — модель семейства GPT-Neo, представленная в формате PyTorch и предназначенная для получения эмбеддингов предложений и оценки их семантического сходства. В карточке указано обучение с функцией MultipleNegativesRankingLoss и косинусным сходством; название модели указывает на взвешенное усреднение токенов и bitfit, однако README не раскрывает эти детали обучения. Модель подходит для поиска семантически близких предложений, сопоставления запросов с текстами и ранжирования кандидатов по сходству. Она содержит 3,1 млрд параметров и поддерживает контекст до 2048 токенов. Язык модели и условия лицензии в предоставленных материалах не приведены.

SIGMA-BERT-large — словенская языковая модель-энкодер семейства ModernBERT, разработанная командой LHRS-UM-FERI и предварительно обученная с нуля на корпусе словенских текстов объёмом около 13,88 млрд токенов. Модель содержит около 394 млн параметров и поддерживает контекст до 8192 токенов. Для неё используется собственный токенизатор SentencePiece BPE с размером словаря 50 000 токенов. Модель предназначена для последующего дообучения под задачи понимания словенского языка: классификацию текстов, распознавание именованных сущностей, извлечение ответов, оценку семантического сходства, поиск по документам и ранжирование результатов в RAG-системах. Двухэтапное предобучение расширило контекст с 1024 до 8192 токенов, что позволяет работать с длинными документами. SIGMA-BERT-large — энкодер с маскированным языковым моделированием: он подходит для заполнения пропусков и получения представлений текста, но не генерирует связный текст. Модель рассчитана прежде всего на словенский язык и может отражать смещения обучающих данных. Лицензия — CC BY-SA 4.0.

SILMA Arabic Matryoshka Embedding Model 0.1 — модель текстовых эмбеддингов, предназначенная прежде всего для арабского языка. Она разработана командой SILMA AI и основана на дообученной AraBERTv0.2-base, использует архитектуру BERT и библиотеку Sentence Transformers. Модель содержит 162,4 млн параметров и принимает последовательности длиной до 512 токенов. Эмбеддинги Matryoshka позволяют использовать первые n измерений вектора, подбирая компромисс между размером представления, скоростью и точностью. В карточке показаны сценарии семантического поиска и сходства предложений, сопоставления вопроса с абзацем, привязки сообщения к названию намерения и классификации документов. Указаны арабский и английский языки; лицензия — Apache-2.0. Модель предназначена для построения векторного поиска и семантического сопоставления, а не для генерации текста. Качество может меняться при сокращении размерности эмбеддингов; README не приводит численных результатов оценки.

Seznam/simcse-dist-mpnet-paracrawl-cs-en — компактная модель эмбеддингов предложений от Seznam.cz, дообученная с целью SimCSE на базе Seznam/dist-mpnet-paracrawl-cs-en. Она предназначена для получения семантических представлений чешских и английских текстов и подходит для поиска похожих предложений, семантического поиска, извлечения релевантных текстов, кластеризации и классификации. Модель построена на архитектуре BERT, содержит 27,2 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель ориентирована на создание небольших высококачественных эмбеддингов для нескольких задач NLP. В карточке приведены примеры загрузки, но сведения об оценках качества и конкретных ограничениях не раскрыты. Лицензия — CC BY 4.0.

Skywork-13B-Base — базовая авторегрессионная языковая модель семейства Skywork, разработанная командой Skywork. Она предварительно обучена на 3,2 трлн токенов очищенных многоязычных текстов и кода; в обучающем наборе преобладают английский и китайский языки. Модель содержит 13,6 млрд параметров, использует плотную архитектуру SkyworkForCausalLM с 52 слоями и токенизатор BPE с размером словаря 65 536. Длина контекста — 4096 токенов. Модель предназначена для генерации и продолжения текста, а также для дообучения под прикладные сценарии. Карточка приводит результаты сравнительных оценок и бенчмарков, включая C-Eval, MMLU, CMMLU и GSM8K. Она ориентирована прежде всего на китайский и английский текст и также обучалась на коде. В репозитории указаны веса PyTorch и лицензия «other»; конкретные условия следует сверять с лицензионными файлами модели. Модель базовая, а не диалоговая инструкционная версия, поэтому для ассистентского общения может потребоваться дополнительное дообучение. Заявленные в карточке преимущества основаны на оценках разработчиков и не гарантируют качество на любых пользовательских данных.

Solar-Open2-250B-Mixed-Quant-GGUF — независимая конверсия модели upstage/Solar-Open2-250B в формат GGUF с рецептом смешанной точности MXQ-v1. Автор репозитория Baekpica; это не официальный выпуск Upstage. Вариант состоит из 11 файлов общим размером около 88,973 ГиБ и сохраняет исходную архитектуру Mixture-of-Experts: 48 слоёв, 320 маршрутизируемых экспертов в каждом слое и один общий эксперт. Указанный размер артефакта — около 3,05 бит на вес. Модель предназначена для генерации текста и диалогового применения, включая работу с инструкциями, рассуждениями, кодом и многоязычными запросами. В калибровке использованы английский, корейский, японский и другие многоязычные данные; карточка базовой модели указывает контекст до 1 048 576 токенов, однако автор не заявляет такую длину для работы на DGX Spark. Проверки описывают загрузку и генерации на нескольких GPU-конфигурациях, а также замеры производительности на DGX Spark с конкретным ПО и настройками. Это производный квантованный артефакт для запуска в совместимом с GGUF программном обеспечении; для него приведены контрольные суммы, рецепт квантования и результаты структурной проверки. Репозиторий указывает лицензию «other», но не приводит её условия в предоставленных данных, поэтому коммерческие и иные права использования следует сверить с карточкой Hugging Face и базовой моделью. Результаты проверок качества ограничены описанными тестами и не являются гарантией качества на произвольных задачах.

Solon-embeddings-large-0.1 — открытая модель векторных представлений текста от OrdalieTech. Она основана на архитектуре XLM-RoBERTa и содержит 658,7 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для французского языка и рассчитана на создание эмбеддингов, используемых в задачах сравнения текстов и поиска по смыслу. Контекст модели — до 514 токенов. Модель подходит для семантического поиска, оценки сходства текстов, классификации и ранжирования. В описании приведены результаты по девяти французским тестам MTEB и другим бенчмаркам; для запросов на извлечение информации README рекомендует добавлять префикс «query : », тогда как для текстов-пассажей инструкции не нужны. Лицензия — MIT. Результаты бенчмарков не гарантируют аналогичного качества на других данных и сценариях.

Qdrant/Splade_PP_en_v1 — порт модели prithivida/Splade_PP_en_v1 в формате ONNX, подготовленный для классификации текста и поиска сходства. Модель основана на BERT и использует masked language modeling; в каталоге отмечены задачи заполнения маски и сравнения предложений. Размер — 136,7 млн параметров, контекст — до 512 токенов. Модель предназначена для поиска и сопоставления текстов, в том числе с использованием FastEmbed. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит конкретных ограничений качества или дополнительных характеристик обучения.

Star Supernova — англоязычная модель генерации текста monkiey/StarSupernova, созданная на базе Gemma-4 и дообученная с дистилляцией интеллектуальных и аналитических возможностей модели stepfun-ai/Step-3.7-Flash. Она предназначена для многошагового рассуждения, решения математических задач, академического и профессионального анализа, работы с вопросами из MMLU-Pro, программированием, системной инженерией и многоходовыми диалогами разработчика с инструментами. Модель использует разреженную архитектуру Mixture-of-Experts с 12 экспертами, Top-4-маршрутизацией для каждого токена и общей плотной MLP-сетью. Общий объём составляет около 13,47 млрд параметров, из них активно используется около 5,54 млрд на токен. Архитектура основана на Gemma-4 с 35 слоями и размерностью скрытого состояния 1536, контекст — до 131 072 токенов. Веса квантизованы до 4 бит, проекции маршрутизатора — до 8 бит; заявленный объём памяти составляет около 8,7 ГБ VRAM. Сильные стороны модели — высокая ёмкость при разреженной активации, специализированные навыки рассуждения, пошаговые математические выводы, устранение отвлекающих вариантов в тестах и эффективный запуск на компьютерах Apple Silicon через MLX и Metal GPU. Ограничение — модель обучалась только на английском языке и рассчитана прежде всего на англоязычные сценарии. Для работы требуется MLX/Apple Silicon; README указывает лицензию Apache-2.0.

Карточка модели infgrad/stella-large-zh на Hugging Face совпадает с карточкой infgrad/stella-large-zh-v2, поэтому описание составлено по ней. stella-large-zh-v2 — модель для кодирования текста, разработанная автором семейства Stella. Она преобразует китайские тексты в векторы размерностью 1024 и предназначена прежде всего для семантического поиска и сопоставления текстов. Модель основана на архитектуре BERT и дообучена на открытых корпусах и синтетических парах «вопрос — абзац» и «предложение — абзац» с помощью контрастивного обучения, сложных отрицательных примеров и дистилляции. Контекст составляет до 1024 токенов. Для поиска не требуется добавлять инструкционные префиксы. Модель подходит для поиска по длинным китайским документам и оценки семантического сходства; в README приведены результаты C-MTEB и отдельная оценка длинных текстов. Она возвращает векторы, поэтому для выдачи результатов поиска требуется внешняя система индексации и сравнения. Условия лицензии в предоставленных данных не описаны.

Карточка модели dunzhang/stella-large-zh-v3-1792d на Hugging Face совпадает с карточкой infgrad/stella-base-zh-v3-1792d, поэтому описание составлено по ней. infgrad/stella-base-zh-v3-1792d — плотная модель семейства BERT от разработчика Infgrad, предназначенная для получения векторных представлений текста и поиска семантически близких предложений. Её можно загружать через Sentence Transformers; README описывает её как универсальный кодировщик для китайского текста. Размер по метаданным — 129,5 млн параметров, контекст — до 1024 токенов; в карточке модели указаны 1792 измерения эмбеддинга и максимум 512 токенов. Модель подходит для семантического поиска, сопоставления предложений и построения текстовых эмбеддингов для retrieval-систем. README сообщает результат 67,96 на C-MTEB. Для длинных текстов автор рекомендует разбиение на фрагменты; для классификационных задач эмбеддинги следует нормализовать. Лицензия — MIT.

sjmeis/task-cross-encoder-v1 — текстовый кросс-энкодер, дообученный автором sjmeis на базе cross-encoder/ettin-reranker-68m-v1 с использованием библиотеки Sentence Transformers. Модель совместно обрабатывает пару текстов и выдаёт оценку их релевантности; её можно применять для переранжирования результатов поиска и семантического поиска. Архитектура основана на ModernBERT, размер — 68,1 млн параметров. README указывает максимальную длину последовательности 128 токенов, а метаданные каталога — контекст до 7999 токенов; эти сведения расходятся, поэтому фактический предел зависит от конфигурации модели. Модель принимает и обрабатывает текст, выдавая один числовой балл для пары. В README приведены результаты корреляционной оценки на проверочном наборе: Pearson 0,8442 и Spearman 0,8962. Карточка сообщает о наборе из 295 091 обучающего примера с метками релевантности, но не называет его и не указывает языки; базовая модель описана в каталоге как англоязычная. Лицензия в предоставленных данных не указана.

VAETKI — большая языковая модель консорциума NC-AI, в котором участвуют 13 организаций. Это авторегрессионная модель семейства VAETKI для генерации текста и диалогов; в карточке Hugging Face указана архитектура dense, тогда как README описывает VAETKI-100B-A10B как Transformer с архитектурой Mixture-of-Experts. Метаданные указывают 10,4 млрд параметров и контекст до 131 072 токенов; README для варианта VAETKI-100B-A10B приводит 112,2 млрд параметров всего, 10,1 млрд активных и контекст 32 тыс. токенов, поэтому эти характеристики могут относиться к разным вариантам модели. Модель предназначена для следования инструкциям, диалогов, рассуждений, перевода и агентных сценариев с использованием инструментов. Она поддерживает корейский, английский, китайский и японский языки. README сообщает о режимах thinking для большинства задач и non-thinking для агента с инструментами, а также о выравнивании по человеческим предпочтениям. Лицензия — MIT. Модель может выдавать фактически неточные или неполные ответы и галлюцинации, испытывать трудности со сложными многошаговыми рассуждениями, точными математическими вычислениями и корректной генерацией кода; она не проверяет факты самостоятельно. Разработчик не рекомендует применять её в критически важных и регулируемых областях, включая медицину, право, финансы и военную сферу.

Cloyne/vietnamese-sbert-v2 — дообученная модель Sentence Transformers на основе Cloyne/vietnamese-sbert, разработанная для кодирования предложений и абзацев на вьетнамском языке в плотные векторы размерностью 768. Архитектура использует RoBERTa с усреднением токенных представлений; сходство векторов можно оценивать косинусной мерой. Максимальная длина входной последовательности — 258 токенов по метаданным модели. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Она обучена с MultipleNegativesRankingLoss на наборе из 120 210 пар anchor-positive из CSV-файла. Подходит для построения вьетнамоязычных систем поиска и группировки текстов. Модель распространяется в формате safetensors и использует библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

johnpaulbin/voice-begging-detection — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768; контекст составляет до 514 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. В карточке указано обучение с CosineSimilarityLoss. Для работы доступны веса PyTorch; модель можно использовать через Sentence-Transformers или Transformers с подходящей операцией pooling. Карточка не сообщает о специализированной области применения или целевых языках, поэтому модель следует считать общей текстовой моделью. Лицензия в предоставленных данных не указана.