I.2Синтез, понимание и проверка знаний

Hercules-Mini-1.8B — разговорная языковая модель, разработанная M4-ai на основе Qwen1.5-1.8B. Модель дообучена на 700 тысячах примеров Hercules-v4 и имеет плотную архитектуру Qwen2 с 1,5 млрд параметров; она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Модель предназначена для универсального ассистента: ответов на вопросы, математических задач, программирования, вызова функций и ролевых диалогов. В карточке указаны английский и, возможно, китайский языки; метаданные подтверждают английский. Лицензия обозначена в метаданных как other, а в README указана лицензия tongyi-qianwen. Известное ограничение — некорректно настроенный токен окончания последовательности: для предотвращения бесконечной генерации требуется самостоятельно задать критерий остановки. Оценка качества в карточке не приведена.

InternVL3-38B-GGUF — мультимодальная большая языковая модель семейства InternVL3, разработанная OpenGVLab и представленная в формате GGUF командой Unsloth. Модель предназначена для работы с текстом и изображениями, включая мультимодальное восприятие и рассуждение, анализ промышленных изображений, 3D-восприятие, использование инструментов и сценарии GUI-агентов. Заявлена поддержка multilingual-задач. Архитектура построена по схеме ViT-MLP-LLM: визуальная часть использует InternViT-6B-448px-V2_5, языковая — Qwen2.5-32B, соединённые MLP-проектором. Обозначение 38B относится к размеру модели; точные параметры GGUF-квантизации и размер контекста в представленных данных не указаны. Модель основана на OpenGVLab/InternVL3-38B и обучалась с использованием набора данных OpenGVLab/MMPR-v1.2. К сильным сторонам относятся сочетание визуального и языкового анализа, расширенные мультимодальные возможности и применение в специализированных агентных сценариях. Ограничения, такие как фактическая точность на конкретных задачах, требования к памяти и производительности, зависят от варианта GGUF и в README не уточняются. Указана лицензия Apache-2.0; также приведена ссылка на лицензию Qwen, поэтому условия использования следует сверять с лицензиями исходных компонентов.

jina-embeddings-v5-text-nano-clustering — компактная модель для получения текстовых эмбеддингов, разработанная Jina AI. Она предназначена прежде всего для кластеризации текстов и входит в семейство jina-embeddings-v5-text; модель является квантованным вариантом базовой jina-embeddings-v5-text-nano. Модель содержит 239 млн параметров, поддерживает мультиязычные тексты и обрабатывает последовательности длиной до 8192 токенов. Размер выходного эмбеддинга составляет 768 измерений, доступны также укороченные Matryoshka-размерности 32, 64, 128, 256 и 512. Используется pooling по последнему токену. Обучение основано на дистилляции и задачно-ориентированных контрастивных потерях; заявлено превосходство над сопоставимыми моделями на различных embedding-бенчмарках. Сильные стороны модели — компактность, высокая производительность для задач кластеризации, поддержка длинного контекста и возможность выбирать размер эмбеддинга для компромисса между качеством и эффективностью. README не описывает конкретный список поддерживаемых языков и не приводит подробных результатов оценки, поэтому качество для отдельных языков и доменов может различаться. Для использования рекомендуются transformers, PyTorch и vLLM; доступна интеграция с sentence-transformers и llama.cpp через специальную ветку. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но не для коммерческих целей.

Josiefied-Qwen3-8B-abliterated-v1 — диалоговая языковая модель, разработанная Gökdeniz Gülmez на основе Qwen/Qwen3-8B и дообученная для более свободных ответов с сохранением следования инструкциям и поддержки вызова инструментов. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и распространяется в формате safetensors для Transformers; заявленная длина контекста — 40 960 токенов. Модель предназначена для генерации текста в диалоге, ответов на инструкции и сценариев, где требуется менее ограниченная фильтрация ответов. Метаданные базовой модели указывают на многоязычные возможности, работу с рассуждениями и кодом. Автор перечисляет сторонние варианты в форматах GGUF и MLX, но карточка этого репозитория указывает safetensors. Модель разработал и распространяет Gökdeniz Gülmez. Лицензия в предоставленных данных не указана. Автор предупреждает о сниженной фильтрации безопасности: модель может выдавать чувствительный или спорный контент, а качество и безопасность ответов не гарантируются.

Kai 7B Beta — языковая модель для генерации текста, разработанная Keynote Technology. Данная версия распространяется в формате GGUF и представляет собой квантизированные файлы исходной модели Keynote-Technology/KAI-7B-beta; квантизацию выполнил TheBloke. Модель предназначена для задач текстовой генерации, включая сценарии, связанные с кодом, и может использоваться через llama.cpp и совместимые приложения и библиотеки для локального вывода на CPU и GPU. Из известных характеристик: модель относится к типу Mistral, содержит около 7 миллиардов параметров, поддерживает английский язык и работает только с текстом. Доступны варианты квантизации с разной разрядностью, что позволяет выбирать компромисс между размером файла, требованиями к памяти и качеством генерации. Контекстное окно в предоставленных данных не указано; специальный шаблон промпта отсутствует, используется формат {prompt}. Основные преимущества — наличие вариантов от 2 до 8 бит, поддержка широкого набора локальных инструментов и возможность запуска без облачной инфраструктуры. К ограничениям относятся возможные потери качества из-за квантизации, зависимость производительности от выбранного варианта и оборудования, а также отсутствие данных о целевых бенчмарках и размере контекстного окна. В метаданных указана лицензия Apache-2.0.

Kosmos-Elusive-VENN-8B — объединённая языковая модель семейства Llama, созданная автором jaspionjader с помощью mergekit методом SLERP на основе jaspionjader/Kosmos-Elusive-8b и jaspionjader/Kosmos-VENN-8B. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; длина контекста составляет 8192 токена. Модель предназначена для генерации текста и диалогов. Каталог описывает базовую модель как ориентированную на русский и английский языки. Лицензия в предоставленных данных не указана.

SvalTek/L3-ColdBrew-OldSpice — слитая разговорная языковая модель семейства Llama 3, созданная SvalTek с помощью mergekit. В неё объединены SvalTek/L3-ColdBrew-SpicyReflect и SvalTek/L3-ColdBrew-Astrid методом passthrough merge. Модель предназначена для генерации текста и ведения диалога. Она имеет плотную архитектуру LlamaForCausalLM, содержит 9,2 млрд параметров и поддерживает контекст до 8192 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Карточка не сообщает об ограничениях, специализированных областях или лицензии модели.

LFM2-8B-A1B-GGUF — языковая модель для генерации текста, разработанная компанией Liquid AI. Она предназначена прежде всего для edge AI и локального запуска на устройствах, включая производительные смартфоны, планшеты и ноутбуки. Модель распространяется в формате GGUF и ориентирована на использование с llama.cpp и совместимыми инструментами. Модель построена по архитектуре Mixture of Experts (MoE): содержит около 8,3 млрд общих параметров, из которых при обработке запроса активно используется около 1,5 млрд. По заявлению разработчика, её качество сопоставимо с плотными моделями на 3–4 млрд параметров, а скорость выше, чем у Qwen3-1.7B. По сравнению с LFM2-2.6B улучшены возможности программирования и работы со знаниями. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Размер контекста и дополнительные модальности в README не указаны. Сильными сторонами модели являются сочетание компактного активного размера, скорости и эффективности использования памяти, что делает её подходящей для локального вывода и on-device-сценариев. Ограничения включают отсутствие в предоставленных данных подробных результатов тестирования, точного размера контекста и информации о мультимодальности; заявленные характеристики качества и скорости приведены разработчиком без детальной методики сравнения. Модель распространяется по лицензии lfm1.0.

unsloth/Llama-3.2-1B-Instruct-unsloth-bnb-4bit — это 4-битная динамически квантованная версия инструкционной модели Meta Llama 3.2 1B Instruct, подготовленная Unsloth и совместимая с Transformers. Базовая модель разработана Meta; вариант предназначен для генерации текста и диалоговых сценариев, включая мультиязычные чаты, извлечение данных агентами и суммаризацию. Модель использует авторегрессионную архитектуру оптимизированного Transformer с Grouped-Query Attention (GQA). Она относится к семейству моделей размером 1B параметров, работает в режиме текст на входе — текст на выходе и официально поддерживает английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Инструкционная версия дополнительно обучалась с помощью SFT и RLHF для повышения полезности и безопасности. Размер контекста в README не указан. Ключевое преимущество варианта — динамическое 4-битное квантование Unsloth, при котором отдельные параметры сохраняются без квантования для улучшения точности по сравнению со стандартным 4-битным форматом и снижения требований к памяти. Ограничения включают меньший размер и, соответственно, более ограниченные возможности по сравнению с крупными моделями, а также отсутствие данных о контекстном окне и подробных результатах оценки именно этой квантованной версии. Использование регулируется Llama 3.2 Community License и Acceptable Use Policy; точные условия следует проверять в лицензии Meta.

lmstudio-community/Llama-3.2-3B-Instruct-GGUF — квантованная версия инструкционной модели Meta Llama 3.2 3B Instruct, подготовленная сообществом lmstudio-community; квантование выполнено bartowski. Модель предназначена для генерации текста и диалоговых сценариев, включая выполнение пользовательских инструкций, ответы на вопросы и использование в локальных приложениях через совместимые инструменты для GGUF. Модель относится к семейству больших языковых моделей Llama и работает с текстовой модальностью. В README указаны размер 3B параметров и поддерживаемые языки: английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Архитектурные детали, размер контекстного окна и конкретный уровень квантования в предоставленных данных не указаны. К сильным сторонам относятся компактный размер, инструкционное дообучение и возможность использования в локальной инфраструктуре с меньшими требованиями к ресурсам по сравнению с более крупными моделями. Ограничения включают неизвестные из README характеристики производительности, контекста и точности, а также типичные для генеративных языковых моделей риски неточных или нежелательных ответов. Модель распространяется на условиях Llama 3.2 Community License от Meta. Лицензия требует соблюдения Acceptable Use Policy, указания атрибуции и условий «Built with Llama» при распространении соответствующих материалов или продуктов; для организаций с более чем 700 миллионами ежемесячных активных пользователей предусмотрено дополнительное лицензионное ограничение.

Llama-3-8B-OpenHermes-2.5-1M — дообученная разговорная языковая модель на архитектуре Llama, созданная на основе meta-llama/Meta-Llama-3-8B. В репозитории указаны размер 7,5 млрд параметров, поддержка чата и контекст до 8192 токенов; модель распространяется в форматах PyTorch и safetensors. Модель предназначена для генерации текста в диалоговом формате. Её можно применять для ответов на вопросы, ведения диалога и создания текстовых черновиков. В карточке приведён результат оценки Loss 0,6993, но подробности набора данных и методики оценки отсутствуют. Лицензия — llama3; условия использования следует сверять с лицензией базовой модели Meta.

Marco-Nano-Base — компактная разреженная языковая модель семейства Marco-MoE, разработанная Alibaba International Digital Commerce. Это decoder-only Transformer с архитектурурой Mixture-of-Experts: по README, из 8 млрд параметров на каждый токен активируются около 0,6 млрд. Модель создана на основе Qwen3-0.6B-Base с помощью разбиения матриц и Drop-Upcycling; в метаданных указаны архитектура Qwen3 MoE и 507,9 млн параметров, поэтому фактический размер репозитория отличается от описания в README. Модель предназначена для генерации текста и диалогов на 29 языках, включая английский, китайский, русский, арабский, японский и другие. Поддерживает контекст до 32 768 токенов и интерфейс вызова инструментов. README приводит результаты сравнительных тестов: модель показывает конкурентные результаты на англоязычных и многоязычных бенчмарках при низком числе активных параметров. Для запуска используются Transformers и веса Safetensors. Лицензия — Apache-2.0. Как базовая модель, она предназначена для дальнейшей адаптации; README не описывает ограничения по качеству для отдельных языков или сценариев, поэтому результаты бенчмарков не гарантируют качество на конкретных пользовательских задачах.

maux-gte-persian-v2 — модель Sentence Transformer, разработанная автором xmanii и дообученная на базе Alibaba-NLP/gte-multilingual-base на наборе maux-gte-10k-public. Она кодирует предложения и абзацы на персидском языке в нормализованные плотные векторы размерности 768 для сравнения семантического сходства, поиска, выявления парафраз, кластеризации и классификации текстов. Сходство векторов оценивается косинусной мерой; максимальная длина последовательности — 8192 токена. Модель подходит для поиска по персидским вопросам и ответам, сопоставления запросов с документами и группировки похожих текстов. В README приведены высокие результаты на оценке сходства, однако они относятся к описанному оценочному набору и не гарантируют такое же качество на других данных. Лицензия в предоставленных сведениях не указана.

Mellum2 Instruct (SFT) — промежуточная модель с инструкционной настройкой, выпущенная JetBrains. Это контрольная точка этапа supervised fine-tuning в конвейере обучения Mellum2 Instruct, предназначенная для изучения этого этапа, экспериментов с последующей настройкой предпочтений или RLVR и сравнения с итоговой RL-настроенной версией. Модель использует архитектуру Mixture-of-Experts: 64 эксперта, из которых для каждого токена активируются 8. В ней сочетаются слои скользящего окна и полное внимание; контекст — до 131 072 токенов. Метаданные указывают 1,9 млрд параметров. Модель принимает текст и генерирует текст; карточка сообщает об обучении на смешанных данных для кода, агентных сценариев, вызова инструментов, следования инструкциям, общего диалога, идентичности и безопасности. Контрольная точка получена после трёх эпох SFT от JetBrains/Mellum2-12B-A2.5B-Base. Авторы рекомендуют для качественного следования инструкциям в производственных сценариях итоговую версию Instruct. Модель доступна по лицензии Apache-2.0.

Карточка модели mergekit-community/mergekit-slerp-vhzhpmg на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-jlrpbqb, поэтому описание составлено по ней. Это объединённая модель генерации текста на архитектуре Mistral, созданная сообществом mergekit-community методом SLERP из arcee-ai/sec-mistral-7b-instruct-1.6-epoch и cognitivecomputations/dolphin-2.8-mistral-7b-v02. Модель содержит около 7,1 млрд параметров, рассчитана на диалоговое применение и использует контекст до 32 768 токенов. Модель предназначена для генерации ответов в диалоге и других сценариев генерации текста. Веса доступны в формате Safetensors и имеют тип bfloat16. В метаданных указана библиотека Transformers. Сведения о лицензии и конкретных ограничениях поведения в предоставленных данных отсутствуют.

ProCreations/MiMo-V2.6-Flash-RL-NVFP4 — это вариант модели MiMo-V2.6-Flash-RL, опубликованной XiaomiMiMo, преобразованный в формат NVFP4. Репозиторий содержит точную перекодировку уже квантизированных MXFP4-весов маршрутизируемых экспертов без калибровки, обрезания, оптимизации или округления к ближайшему коду. Модель предназначена для генерации текста, включая работу с кодом, математическими задачами, английским и китайским языками. В конфигурации указана архитектура Mixture-of-Experts; точное общее число параметров и размер контекста исходной модели в README не приведены. Сохранены мультимодальные энкодеры, аудиотокенизатор и сопутствующие файлы, однако конкретные поддерживаемые модальности не описаны. Ключевое отличие — смешанная точность W4A16_NVFP4 для экспертных весов при отсутствии требования квантизации активаций FP4. Корневой массив тензоров занимает около 193,96 ГБ без вспомогательных файлов. Полная проверка заявляет идентичность кодов экспертных весов и практически полное совпадение значений при сравнении с исходной моделью; в тесте на 65 504 токенах показатели perplexity совпали с исходной MXFP4-версией, а согласие наиболее вероятного токена составило 99,988–100% в зависимости от домена. Это не гарантирует идентичность результатов при других типах вычислений, ядрах внимания, квантизации активаций или настройках генерации. Проверенный путь загрузки использует vLLM 0.29.0, tensor parallelism 2 и две видеокарты RTX PRO 6000 Server Edition по 96 ГБ; заявленный максимальный контекст в примере запуска — 12 288 токенов. README не содержит широких бенчмарков качества, подтверждений производительности, валидации CPU-offloading или speculative decoding. Модель и исходный чекпойнт распространяются по лицензии MIT.

amd/MiniMax-M3-MXFP4-AttnFP8 — мультимодальная модель условной генерации MiniMaxM3SparseForConditionalGeneration, созданная AMD на основе MiniMaxAI/MiniMax-M3. Она принимает текст и изображения и генерирует текст, поэтому предназначена для мультимодального диалога, анализа изображений, агентских сценариев, задач программирования и работы с видео при наличии соответствующей интеграции. Поддерживаются функции вызова инструментов и рассуждений через vLLM. Модель использует разреженную MoE-архитектуру и оптимизирована для AMD MI350/MI355 с ROCm 7.1.1, PyTorch 2.10.0 и Transformers 5.2.0 в Linux. Веса квантизированы в формате OCP MXFP4, а слои self-attention — в PTPC-FP8; активации используют динамическое квантование MXFP4 и FP8 для self-attention. Языки и размер контекста в README не указаны. На тесте GSM8K модель получила 94,01 против 95,30 у исходной MiniMaxAI/MiniMax-M3, что соответствует восстановлению 98,65% исходного результата. Основные ограничения — требовательность к поддерживаемому оборудованию и программному стеку AMD, а также отсутствие в README подробных оценок мультимодальных возможностей, языковой поддержки и контекстного окна. Указана лицензия minimax-community; применяется лицензия с типом other.

MMLW-roberta-base — польскоязычный текстовый энкодер от команды MMLW. Модель построена на архитектуре RoBERTa и содержит 151,6 млн параметров; она преобразует текст в векторы размерностью 768 и поддерживает контекст до 514 токенов. Модель дистиллирована из польского чекпойнта RoBERTa с помощью многоязычного знания, полученного от английских моделей FlagEmbeddings (BGE). Она предназначена для семантического сходства, кластеризации и информационного поиска, а также может служить основой для дальнейшего дообучения. Для запросов требуется префикс «zapytanie: ». В карточке приведены оценки 61,05 на польском бенчмарке MTEB и NDCG@10 53,60 на польском бенчмарке поиска PIRB. Модель принимает текст и выдаёт эмбеддинги; основной язык — польский, а обучение включало пары текстов на польском и английском. Распространяется по лицензии Apache-2.0.

Карточка модели unsloth/ModernBERT-large на Hugging Face совпадает с карточкой answerdotai/ModernBERT-base, поэтому описание составлено по ней. ModernBERT-base — двунаправленная encoder-only модель семейства Transformer в стиле BERT, разработанная в сотрудничестве Answer.AI, LightOn и их коллег. Она предварительно обучена на 2 триллионах токенов английских текстов и кода и предназначена для заполнения пропусков в тексте, а также как основа для прикладных задач понимания языка и поиска. Модель содержит 22 слоя и 149 млн параметров, поддерживает контекст до 8192 токенов. В архитектуре используются RoPE, чередование локального и глобального внимания, unpadding и Flash Attention для эффективной обработки длинных последовательностей. Она подходит для анализа длинных документов, классификации, семантического и кодового поиска после настройки под соответствующую задачу. Обучающие данные преимущественно англоязычные и включают код, поэтому качество для других языков может быть ниже. Обработка полного окна контекста может быть медленнее, чем коротких последовательностей; возможны смещения из обучающих данных. Лицензия — Apache-2.0.

MonaTrix-v4 — объединённая модель для генерации текста на архитектуре Mistral, созданная CultriX с помощью LazyMergekit. В неё вошли Kukedlc/NeuralMaxime-7B-slerp, eren23/ogno-monarch-jaskier-merge-7b и eren23/dpo-binarized-NeutrixOmnibe-7B. Модель содержит 7,1 млрд параметров, поддерживает контекст длиной до 32 768 токенов и распространяется в формате safetensors. Модель подходит для диалоговых ответов и продолжения текста. В метаданных указана лицензия Apache-2.0. Данных о специальных предметных областях или более узких ограничениях в карточке нет.

Xenova/multilingual-e5-base — версия модели intfloat/multilingual-e5-base с весами в формате ONNX, подготовленная для использования в Transformers.js. Репозиторий Xenova предназначен для запуска модели в JavaScript-средах, включая веб-приложения, через библиотеку @huggingface/transformers. Модель предназначена для извлечения признаков из текста и может использоваться как основа для задач семантического поиска, сравнения текстов, кластеризации и построения других NLP-систем. В README подтверждён сценарий feature extraction. Модель заявлена как multilingual, однако конкретный перечень поддерживаемых языков, размер, архитектура, длина контекста и точные характеристики качества в предоставленных данных не указаны. Ключевое преимущество этой версии — совместимость с Transformers.js и ONNX, что облегчает запуск модели в JavaScript- и веб-средах. Ограничение описания заключается в отсутствии подробных сведений о производительности, поддерживаемых языках, требованиях к ресурсам и лицензии. Информация о лицензии в README не приведена.

Xenova/multilingual-e5-small — мультиязычная модель для создания векторных представлений текста, разработанная на основе intfloat/multilingual-e5-small и подготовленная сообществом Xenova в формате ONNX. Модель предназначена для использования в Transformers.js и выполнения feature extraction, в том числе непосредственно в JavaScript-приложениях. Ключевая особенность модели — наличие ONNX-весов, обеспечивающих совместимость с Transformers.js и сценариями веб-инференса. По представленным данным, модель поддерживает мультиязычную обработку текста, однако точный перечень языков, архитектура, количество параметров, размер контекста и другие технические характеристики не указаны. Модель подходит для задач, где требуются текстовые эмбеддинги, например семантический поиск или сравнение текстов, но конкретные целевые сценарии и показатели качества в карточке не описаны. Лицензия также не указана, поэтому условия использования необходимо уточнять в исходном репозитории базовой модели.

NeoBERT — англоязычная encoder-модель для получения представлений текста, разработанная chandar-lab и обученная с нуля на наборе RefinedWeb. Она содержит 287,7 млн параметров по метаданным Hugging Face; в README указано 250 млн. Архитектура имеет глубину 28 слоёв и ширину 768, использует активацию SwiGLU и поддерживает контекст до 4 096 токенов. Модель предназначена для извлечения признаков и представлений текста, а также может служить базовой моделью для задач классификации и заполнения пропусков. Авторы позиционируют её как замену существующим encoder-моделям и сообщают о результатах на бенчмарке MTEB, превосходящих ряд сопоставимых моделей при одинаковых условиях дообучения. Модель распространяется под лицензией MIT. Она ориентирована на английский текст; результаты и сведения о производительности приведены авторами и зависят от задачи и условий применения.

Nepali_Embedding_Model — модель Sentence Transformers на архитектуре XLM-RoBERTa, представленная пользователем universalml. Она преобразует текстовые предложения в векторные представления для сравнения их семантической близости; для оценки сходства рекомендуется косинусная мера. Модель содержит 658,7 млн параметров, принимает последовательности длиной до 512 токенов и выдаёт эмбеддинги размерностью 1024. Модель предназначена для поиска семантически похожих предложений и других сценариев, где текст нужно представить в виде векторов. В метаданных указаны английский и непальский языки, а лицензия — Apache-2.0. Карточка не уточняет ограничения качества или языковую специализацию за пределами названия модели и языковых тегов.

Noema 1.5 2B — открытая языковая модель NoemaAI-labs на 1,7 млрд параметров, дообученная от NoemaAI-labs/Noema-2B методом on-policy-дистилляции. Это плотная текстовая модель семейства Qwen3.5 с архитектурой Gated DeltaNet и gated attention; она предназначена для локальных диалоговых помощников, точного следования инструкциям и ограничениям в нескольких ходах, короткой генерации кода и эффективных рассуждений. Модель поддерживает контекст до 262 144 токенов, однако сама Noema 1.5 оценивалась только на контекстах до 24 576 токенов. В опубликованных тестах модель улучшила следование инструкциям и многошаговым ограничениям относительно базовой Qwen3.5-2B, а также показала преимущество в HumanEval+, сохранив результаты MMLU-Pro в пределах заданного критерия не меньшей эффективности. Она ориентирована преимущественно на английский язык и текстовые сценарии; мультимодальные возможности в этой версии не обучались и не оценивались. Модель может галлюцинировать, ответы в режиме рассуждений могут быть длинными или повторяющимися; для фактоёмких и важных задач рекомендуется проверять утверждения и использовать поиск по источникам. Для работы требуется версия Transformers с поддержкой qwen3_5_text; веса распространяются как safetensors. Лицензия в предоставленных данных не указана.

Xenova/nomic-embed-text-v1 — это версия модели эмбеддингов nomic-ai/nomic-embed-text-v1, подготовленная с ONNX-весами для совместимости с библиотекой Transformers.js. Репозиторий Xenova предназначен для запуска модели в JavaScript-окружении, включая веб-сценарии и другие среды, поддерживающие ONNX и Transformers.js. Модель предназначена для преобразования текста в числовые векторные представления с помощью задачи feature extraction. Такие эмбеддинги могут использоваться для семантического поиска, сопоставления текстов, кластеризации и других задач обработки естественного языка, где требуется сравнивать смысловое сходство текстовых фрагментов. README подтверждает поддержку текстового ввода, но не содержит сведений о точном размере модели или векторов, архитектуре, максимальной длине контекста, поддерживаемых языках и специальных модальностях. Ключевое преимущество этой версии — возможность использовать модель через Transformers.js и ONNX-веса, что упрощает интеграцию с JavaScript-приложениями. Ограничения и требования к качеству, производительности, языковому покрытию и аппаратному ускорению в README не указаны. Лицензия также не приведена, поэтому условия использования следует уточнять в исходном репозитории nomic-ai/nomic-embed-text-v1.

OpenBuddy-Falcon-40B-v16.1-4k — многоязычная чат-модель на архитектуре Falcon, разработанная проектом OpenBuddy для генерации ответов в диалоге. Она предназначена для общения и генерации текста на китайском, английском, французском, немецком, японском, корейском, итальянском и русском языках. Модель содержит 65 млрд параметров, использует архитектуру FalconForCausalLM и формат safetensors; нативная длина контекста — 2048 токенов. Доступна по лицензии Apache 2.0. Модель может выдавать ошибочную, вредную или оскорбительную информацию. Разработчики не рекомендуют применять её в ситуациях с высокими ставками, включая медицинские, финансовые и юридические решения, а также управление потенциально опасными системами.

OpenBuddy-R1-0528-Distill-Qwen3-32B-Preview0-QAT — диалоговая языковая модель OpenBuddy на архитектуре Qwen3, дообученная на Qwen/Qwen3-32B с использованием дистилляции DeepSeek-R1-0528. Модель содержит 29,7 млрд параметров, принимает текстовые запросы и генерирует текстовые ответы; длина контекста — до 40 960 токенов. Модель предназначена для многоязычного диалога и генерации ответов в чат-приложениях. В карточке заявлены китайский, английский, французский, немецкий, японский, корейский, итальянский и финский языки. Для развертывания рекомендуется использовать быстрый токенизатор Transformers; шаблон чата задан в tokenizer_config.json, также упоминается совместимость с vLLM. Модель распространяется по лицензии Apache 2.0. Она может выдавать ошибочные, вредные или оскорбительные ответы; разработчики предостерегают от использования в критических ситуациях, включая медицинские, юридические и финансовые решения, а также управление системами, где ошибка может причинить вред.

OpenLLaMA 7B v2 — предварительная версия открытого воспроизведения языковой модели LLaMA, разработанная командой OpenLM Research. Это плотная авторегрессионная модель семейства LLaMA с 6,6 млрд параметров, предназначенная для генерации текста и использования в реализациях, совместимых с LLaMA. Модель обучена с нуля на смеси открытых наборов данных: Falcon RefinedWeb, StarCoder и разделов RedPajama с Wikipedia, arXiv, книгами и Stack Exchange. Контекст составляет 2048 токенов; доступны веса PyTorch. В README сообщается о сопоставимых с исходной LLaMA и GPT-J результатах на большинстве рассмотренных задач оценки. Модель подходит для продолжения текста и экспериментов с языковыми моделями общего назначения. Авторы предупреждают, что автоматически преобразованный быстрый токенизатор может давать неверную токенизацию; для корректной работы рекомендуется использовать медленный токенизатор. В отдельных бенчмарках обнаружено подозрительно высокое качество, возможно связанное с загрязнением обучающих данных. Лицензия — Apache-2.0.

Orion-14B-Base — базовая мультиязычная большая языковая модель, разработанная OrionStarAI и обученная с нуля. Она содержит 14,1 млрд параметров и обучена на корпусе объёмом 2,5 трлн токенов. Модель использует плотную архитектуру OrionForCausalLM и доступна в формате PyTorch. Модель предназначена для генерации текста и служит основой для прикладных систем и последующего дообучения. По описанию разработчика, она рассчитана на работу с китайским, английским, японским и корейским языками, а также демонстрирует сильные результаты в многоязычных оценках. Заявленная длина контекста — 4096 токенов; возможность обработки сверхдлинных текстов относится к отдельной версии Orion-14B-LongChat. Карточка также отмечает возможности в задачах, связанных с кодом. Ограничения и условия лицензии в предоставленном фрагменте README не описаны; результаты из таблиц оценки не позволяют сделать вывод о качестве для конкретной задачи.