I.2Синтез, понимание и проверка знаний

pritamdeka/PubMedBERT-mnli-snli-scinli-scitail-mednli-stsb — модель на архитектуре BERT, обученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и рассчитана на семантический поиск, кластеризацию и сравнение сходства предложений. В обучении использованы наборы SNLI, MNLI, SCINLI, SCITAIL, MEDNLI и STSB; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для поиска семантически близких научных и медицинских текстов, группировки документов по смыслу и расчёта сходства между предложениями. Она выдаёт векторы, а не готовые ответы или метки. Карточка не сообщает лицензию и не приводит явный перечень поддерживаемых естественных языков.

QandoraExp-7B-v2 — языковая модель на 7,1 млрд параметров, созданная bunnycore слиянием моделей через mergekit. В основе — Qwen/Qwen2.5-7B; при слиянии также использованы QandoraExp-7B-Persona, cybertron-v4-qw7B-MGS и Rombos-LLM-V2.5-Qwen-7b. Применён метод della, итоговые веса сохранены в формате safetensors с типом bfloat16. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на вопросы, написания и продолжения текста, а также для сценариев, где требуется интерфейс вызова инструментов. Архитектура — плотная Qwen2; заявленная длина контекста составляет 131 072 токена. Карточка не сообщает результаты оценки качества или подробные сведения о поддерживаемых языках. Условия лицензирования в предоставленных данных не указаны.

GemMaroc/Qwen2.5-7B-Instruct-darija — инструктивная языковая модель на архитектуре Qwen2.5, дообученная командой GemMaroc для генерации текста на марокканском арабском языке (Darija). Модель содержит 7,1 млрд параметров, использует архитектуру decoder-only Transformer и поддерживает контекст до 32 768 токенов. Она основана на Qwen/Qwen2.5-7B-Instruct и обучена на наборе инструкций GemMaroc/TULU-3-50k-darija-english; опубликованные веса представлены в формате safetensors. Модель предназначена для диалогов, ответов на инструкции, рассуждений и генерации текста на Darija, а также для работы с английским в двуязычных сценариях. Разработчик приводит оценки на бенчмарках для Darija и английского; результаты различаются по задачам, а улучшения на одном языке или показателе не гарантируют качества в других сценариях. Среди ограничений — более слабые результаты в анализе тональности и абстрактивном суммировании, чем у современных специализированных моделей, а редкие варианты написания Darija могут дробиться токенизатором. Модель может наследовать социальные предубеждения предобучающих данных и не имеет дополнительного выравнивания безопасности RLHF/RLAIF, поэтому для прикладного развёртывания разработчик рекомендует модерацию. Условия лицензии в предоставленных данных не указаны.

RedHatAI/Qwen2.5-VL-3B-Instruct-FP8-dynamic — квантизированная версия мультимодальной модели Qwen/Qwen2.5-VL-3B-Instruct, подготовленная Neural Magic. Модель принимает изображения и текстовые запросы, а генерирует текстовые ответы; заявленный язык — английский. Релиз модели датирован 24 февраля 2025 года. Модель предназначена для задач визуального вопросно-ответного взаимодействия, анализа документов и диаграмм, распознавания содержимого изображений и решения мультимодальных задач. Она имеет архитектуру Qwen2.5-VL-3B-Instruct и около 3 миллиардов параметров, использует FP8-квантизацию весов и активаций и оптимизирована для инференса с vLLM версии 0.5.2 и новее. В примере развертывания используется контекст до 4096 токенов, однако это значение относится к конфигурации запуска, а не обязательно к предельной длине контекста модели. К сильным сторонам относятся снижение требований к памяти и эффективное выполнение инференса при сохранении качества, близкого к исходной модели: в приведённых тестах средний результат FP8-версии составил 69,67 против 69,28 у исходной модели. Оценивались задачи MMMU, VQAv2, DocVQA, ChartQA и MathVista. Ограничения включают зависимость от совместимого стека vLLM и FP8-инфраструктуры, а также отсутствие в README подробных сведений о поддерживаемых языках помимо английского и о максимальном контексте. Модель распространяется по лицензии Apache 2.0.

chatpig/qwen2.5-vl-7b-it-gguf — модель в формате GGUF, основанная на Qwen/Qwen2.5-VL-7B-Instruct, разработанной командой Qwen. Она предназначена для генерации текста и преобразования изображений и текста в текст, а также может использоваться как текстовый энкодер. Модель ориентирована на мультимодальные сценарии, включая работу с текстовыми и визуальными входными данными, и совместима с ComfyUI-GGUF и gguf-node. В README также указана поддержка моделей и рабочих процессов, использующих qwen-image-gguf. Размер базовой модели составляет 7B параметров; сведения о поддерживаемых языках, длине контекста, конкретной архитектуре, требованиях к ресурсам, ограничениях качества и рекомендуемых сценариях применения не приведены. Модель распространяется по лицензии Apache-2.0.

geoffmunn/Qwen3-1.7B-f16 — общественная конверсия языковой модели Qwen3-1.7B от Geoff Munn для локального запуска. Репозиторий содержит GGUF-вариант в формате F16 и ориентирован на использование с llama.cpp и совместимыми приложениями. Модель насчитывает 1,7 млрд параметров и предназначена для генерации текста, диалогов, рассуждений, следования инструкциям и написания кода. Компактный размер модели подходит для локальных помощников, лёгких агентных систем, учебных проектов и прототипирования, когда важны скорость и работа без подключения к облаку. README также описывает варианты квантования семейства и сравнивает их качество, размер и скорость; эти показатели относятся к указанным вариантам квантования, а не обязательно к файлу F16 в этом репозитории. В метаданных указан английский язык, а базовая модель описана как многоязычная. Это конверсия базовой модели, а не самостоятельная разработка автора репозитория. Лицензия — Apache-2.0. Небольшой размер ограничивает возможности по сравнению с более крупными моделями; результаты квантованных вариантов могут зависеть от разрядности и использования imatrix.

Карточка модели localized-ft/Qwen3-32B-target-only-no-hallucination-ip-20260920-seed1 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1 разработана localized-ft как дообученная версия Qwen/Qwen3-32B. Это плотная причинная языковая модель семейства Qwen3 с 29,7 млрд параметров, предназначенная для диалога и генерации текста; каталог также отмечает интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Модель принимает текст и выдаёт текст. Её контекстное окно составляет 40 960 токенов; в метаданных указан английский язык. Карточка не раскрывает состав обучающих данных и конкретную специализацию, поэтому название репозитория само по себе не позволяет надёжно установить назначение оценки «хорошего» и «плохого» или многозадачного обучения. Лицензия — Apache-2.0.

6block/Qwen3-4B-GGUF — набор GGUF-квантизированных версий модели Qwen3-4B, разработанной Qwen и подготовленной 6block с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio, Ollama и совместимые проекты. Доступны варианты квантования от Q8_0 до Q2_K размером примерно от 4,28 до 1,67 ГБ. Квантизация выполнена с imatrix на калибровочном наборе данных, содержащем английский и китайский языки, а также большое количество программного кода, что должно помогать сохранять качество китайского языка и задач программирования в низкобитных версиях. Для большинства сценариев рекомендуются Q6_K, Q5_K_M и Q4_K_M; варианты IQ ориентированы на уменьшение размера с компромиссом по скорости или качеству. Модель подходит для локальных чат-приложений, генерации текста и программирования при ограниченных ресурсах. Основные ограничения связаны с потерями качества, зависящими от выбранного уровня квантования, а также с отсутствием в README сведений об архитектурных деталях и размере контекста. Лицензия — Apache 2.0.

OP12138/qwen3-4b-star1 — дообученная модель Qwen3-4B, созданная на наборе данных star1. Она предназначена для генерации текста и диалогового общения. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекстное окно до 40 960 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. В карточке не описаны специализация датасета star1, результаты оценки или дополнительные ограничения. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория и базовой модели.

voodooquant/Qwen3.5-0.8B-MTP-Voodoo — это квантизированная GGUF-версия базовой модели Qwen3.5-0.8B-Base, разработанная Voodoo Quant на основе модели Qwen от Alibaba Cloud. Веса не дообучались, архитектура исходной модели не изменялась; контрольные точки предназначены для запуска в неизменённом Llama.cpp и совместимы с экосистемой GGUF. Лицензия — Apache-2.0. Модель представляет собой каузальную языковую модель с vision encoder для мультимодальных задач, включая работу с текстом и изображениями, рассуждение, программирование, визуальное понимание и агентские сценарии. Она поддерживает 201 язык и диалект, а её нативная длина контекста составляет 262 144 токена. В README также указаны поддержка multi-step training (MTP), а также рекомендации использовать модель для прототипирования, исследовательских задач и специализированного дообучения. Размер модели — 0,8 млрд параметров. Архитектура сочетает Gated Delta Networks, Gated Attention и sparse Mixture-of-Experts; модель содержит 24 слоя, скрытое измерение 1024 и контекст до 262 144 токенов. Квантизация Voodoo Quant выбирает уровень сжатия отдельно для разных тензоров, чтобы снизить размер и сохранить качество; заявлено уменьшение perplexity до 89% относительно соответствующего уровня сравнения. Ограничения включают небольшой параметрический масштаб, возможные потери качества из-за квантизации и отсутствие в предоставленных данных подробных результатов бенчмарков или характеристик отдельных вариантов GGUF.

mradermacher/Qwen3.5-KETI-HAECHI-27B-i1-GGUF — GGUF-квантизированная версия модели KETI-NLP/Qwen3.5-KETI-HAECHI-27B, подготовленная mradermacher. Модель ориентирована на корейский и английский языки и относится к мультимодальным vision-language моделям. Она предназначена для задач image-text-to-text, распознавания текста на изображениях, работы с материалами культурного наследия, использования инструментов и сценариев с длинными цепочками рассуждений. Поддерживаются текстовые и визуальные входные данные; для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Размер базовой модели составляет 27B параметров. Репозиторий содержит варианты GGUF-квантизации от IQ1_S до Q6_K размером примерно от 7,2 до 22,2 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Более агрессивные варианты могут заметно снижать качество; Q4_K_M обозначен как рекомендуемый по сочетанию скорости и качества. Точный размер контекста и архитектурные детали в README не указаны. Модель распространяется по лицензии Apache-2.0. К ограничениям относятся зависимость качества от выбранного уровня квантизации, необходимость дополнительного multimodal-компонента для обработки изображений и отсутствие в README подробных результатов оценки, характеристик контекста и требований к аппаратному обеспечению.

Nickyang/Qwen3.6-35B-A3B-Razor-28B-A4B-E192of256 — производная мультимодальной модели Qwen3.6-35B-A3B, созданная с помощью RAZOR, метода сокращения экспертов без обучения. В каждом MoE-слое оставлено 192 из 256 маршрутизируемых экспертов; общее число параметров составляет 27,7 млрд, из них около 4 млрд активируются на токен. Веса сохранены из базовой модели, без градиентных обновлений и дополнительного обучения для восстановления качества. Модель предназначена для диалоговой генерации текста и интерфейса вызова инструментов. Карточка базовой модели указывает мультимодальные возможности Qwen, включая анализ изображений, однако README этого чекпойнта описывает прежде всего генерацию текста. По README, веса представлены в bfloat16 и для запуска требуется версия Transformers с реализацией qwen3_5_moe. Лицензия — Apache-2.0. Сокращение пула экспертов уменьшает объём хранения экспертных весов, но является потерей информации; вычисления на токен, согласно README, практически не меняются. Изменения могут затрагивать разнообразие, форматирование и завершение ответов, а поведение за пределами конечного калибровочного корпуса не охарактеризовано.

Это нативный 3-битный TurboQuant-чекпойнт Qwen3.6-35B-A3B, подготовленный varjosoft на основе Qwen/Qwen3.6-35B-A3B. Он предназначен для генерации текста в диалогах и запуска через vLLM с плагином turboquant-plus-vllm версии 0.13.5 или новее. Модель использует MoE-архитектуру с 35 млрд общих и примерно 3 млрд активных параметров, 256 экспертами, сочетанием GatedDeltaNet и внимания с частичной rotary-позиционной кодировкой. Веса экспертов упакованы в нативный формат TQ3; размер чекпойнта составляет около 16 ГБ вместо примерно 70 ГБ для BF16, при этом отдельные компоненты хранятся в FP16. Чекпойнт проверен на нескольких ускорителях NVIDIA и требует vLLM 0.20.2 или новее. Он ориентирован на более компактное размещение модели и инференс через совместимый загрузчик; README приводит скорость около 16 токенов в секунду при заданной конфигурации A100 и batch size 1. Базовая модель описана в каталоге как мультимодальная, однако эта карточка указывает text-generation и демонстрирует текстовые запросы и ответы. Лицензия — Apache-2.0. В примере модель выводит видимую цепочку рассуждений; качество и поведение после 3-битного сжатия могут отличаться от исходных весов.

Qwen3.8-27B-abliterated-GPTQ-Pro — это опубликованный groxaxo квантизованный чекпойнт на базе huihui-ai/Huihui-Qwen3.8-27B и Qwen/Qwen3.8-27B. Модель предназначена для генерации текста, разговорных сценариев, локального и размещённого инференса, открытых оценок и воспроизводимых экспериментов. Название указывает на lineage с изменённым или сниженным уровнем фильтрации, однако не гарантирует полностью неограниченное поведение. Модель использует формат GPTQ-Pro с симметричной 4-битной квантизацией, размером группы 64 и пресетом quality. Квантизации подвергнуты 400 линейных модулей в 64 слоях; MTP-голова сохранена без квантизации для speculative decoding. Указана архитектура с 48 слоями linear attention GDN и 16 слоями full attention, а также поддержка MTP. Для обслуживания рекомендуется vLLM с tensor parallelism; документация описывает конфигурацию на двух RTX 3090. В репозитории также заявлен контекст до 260 000 токенов, но фактические требования зависят от оборудования, размера KV-кэша и числа одновременных запросов. К сильным сторонам относятся сниженное потребление памяти по сравнению с полной точностью и ускорение генерации благодаря MTP: в тесте на двух RTX 3090 скорость одного потока выросла с 71,5 до 105,5 токена в секунду при greedy decoding. На одной RTX 3090 MTP-голова вместе с чекпойнтом не помещается; качество и производительность после квантизации необходимо проверять на собственных задачах. Модель может выдавать неточные или неподходящие результаты, а изменённое поведение и сниженная фильтрация требуют дополнительного тестирования и защитных мер. Лицензия — Apache-2.0. При использовании и распространении следует также проверить лицензионные условия исходных моделей и сохранять совместимые файлы конфигурации, токенизатора, процессора и весов одной ревизии.

Brooooooklyn/Qwen3.8-27B-MXFP4-mlx — это квантованная версия модели Qwen3.8-27B, разработанной командой Qwen и преобразованной в формат MLX для Apple Silicon. Модель предназначена для генерации текста, работы с изображениями и текстом, а также задач программирования. Она относится к семейству Qwen3.5 и использует плотную языковую архитектуру из 64 слоёв: 48 слоёв с линейным вниманием и 16 слоёв с полным вниманием. В составе также есть BF16 vision tower и один слой MTP для ускоренного спекулятивного декодирования. Веса используют смешанную weight-only квантизацию: MXFP4 с группами по 32 элемента для части FFN-слоёв и MXFP8 с группами по 32 элемента для остальных основных модулей, включая attention, lm_head и последние восемь FFN-слоёв. Эмбеддинги, нормализации, vision tower, MTP-подсистема и другие исключённые тензоры сохранены в BF16. Контекстное окно и полный список поддерживаемых языков в представленном описании не указаны. Модель рассчитана на локальный запуск в экосистеме MLX и требует @mlx-node/lm и @mlx-node/core версии 0.0.10 или новее. К преимуществам относятся существенное уменьшение размера весов и совместимость с Apple Silicon, однако README не содержит результатов оценки качества, производительности, работы с длинным контекстом или изображениями, поэтому эти характеристики не подтверждены. Квантизация не использует калибровочные данные и не гарантирует эквивалентность NVIDIA NVFP4 или калиброванным схемам W4A4/W8A8. Исходная модель распространяется по лицензии Apache-2.0; вклад в возможности и обучение принадлежит Qwen Team, рецепт квантизации разработан Unsloth.

Карточка модели willhx/Qwen3-8B-Base-Math-SeaSFT-Search на Hugging Face совпадает с карточкой Qwen/Qwen3-8B-Base, поэтому описание составлено по ней. Qwen3-8B-Base — плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это базовая модель на этапе предобучения, рассчитанная на дальнейшую адаптацию и генерацию текста. В карточке указаны 36 слоёв, 32 головы внимания для Q и 8 для KV; метаданные каталога оценивают размер в 7,6 млрд параметров, а README приводит 8,2 млрд параметров всего и 6,95 млрд без эмбеддингов. Контекст — 32 768 токенов. Модель предназначена для продолжения текста и служит основой для создания специализированных моделей и диалоговых систем. Семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; README отмечает отдельное внимание к программированию, STEM, рассуждениям, книгам и многоязычным данным. Модель использует архитектуру Qwen3 для причинного моделирования языка и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка советует использовать актуальную версию Transformers: версии ниже 4.51.0 не распознают архитектуру qwen3. Поскольку это базовая, а не инструктивно настроенная версия, для диалогового применения и следования инструкциям может понадобиться дополнительная настройка.

Карточка модели willamazon1/Qwen3-8B-SDFT-Math-LoRA-iter45 на Hugging Face совпадает с карточкой Qwen/Qwen3-8B-Base, поэтому описание составлено по ней. Qwen3-8B-Base — плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это базовая модель на этапе предобучения, рассчитанная на дальнейшую адаптацию и генерацию текста. В карточке указаны 36 слоёв, 32 головы внимания для Q и 8 для KV; метаданные каталога оценивают размер в 7,6 млрд параметров, а README приводит 8,2 млрд параметров всего и 6,95 млрд без эмбеддингов. Контекст — 32 768 токенов. Модель предназначена для продолжения текста и служит основой для создания специализированных моделей и диалоговых систем. Семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; README отмечает отдельное внимание к программированию, STEM, рассуждениям, книгам и многоязычным данным. Модель использует архитектуру Qwen3 для причинного моделирования языка и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка советует использовать актуальную версию Transformers: версии ниже 4.51.0 не распознают архитектуру qwen3. Поскольку это базовая, а не инструктивно настроенная версия, для диалогового применения и следования инструкциям может понадобиться дополнительная настройка.

Qwen3-Swallow-30B-A3B-SFT-v0.2 — двуязычная языковая модель Swallow LLM, разработанная на основе Qwen3. Это вариант семейства Qwen3-Swallow с архитектурой MoE и supervised fine-tuning; в карточке указано 2,6 млрд параметров, а контекстное окно составляет до 40 960 токенов по метаданным. Модель рассчитана прежде всего на японский и английский языки. Модель предназначена для диалоговой генерации текста, японско-английского перевода, решения математических задач и программирования. Разработчики сообщают об улучшении японского языка и сохранении или повышении STEM-навыков благодаря этапам CPT и SFT; версия SFT ориентирована на рассуждения по умолчанию. Для наиболее воспроизводимого запуска рекомендован vLLM, а README советует ограничивать контекст 32 768 токенами или меньше. Модель не обучалась специально для вызова инструментов, а переключение режима рассуждений не поддерживается. Авторы также предупреждают, что модель находится на раннем этапе разработки и не настроена для гарантированного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

Qwen3-VL-8B-Instruct-abliterated-v1-GGUF — мультимодальная модель для преобразования изображений и текста в текст, разработанная prithivMLmods на основе Qwen3-VL-8B-Instruct от Alibaba. Это GGUF-сборка 8-миллиардной vision-language модели, предназначенная для локального запуска с использованием llama.cpp и совместимых инструментов. Модель ориентирована на описание изображений, визуальное рассуждение, выполнение инструкций, анализ сложного визуального контента, OCR, понимание видео и агентские сценарии. Заявлены поддержка 32 языков для OCR, контекстное окно до 262K токенов, пространственное рассуждение, различные разрешения, соотношения сторон и компоновки. Основным языком считается английский, при этом заявлена возможность работы с многоязычными запросами. Доступны квантизованные варианты от Q2_K до Q8_0, IQ4_XS и F16, а также отдельный мультимодальный проектор mmproj. Размер файлов варьируется примерно от 3,28 до 16,4 ГБ, что позволяет выбирать компромисс между качеством и требованиями к памяти. Вариант подвергнут abliteration, то есть модификации, направленной на устранение отказов по соображениям безопасности и контентных фильтров. Это может быть полезно для исследований, red-teaming, творческих и технических задач, однако одновременно означает отсутствие обычных защитных ограничений и повышенные риски получения нежелательного или небезопасного контента. Для запуска заявлена совместимость с Transformers и vLLM; для вариантов BF16/FP8 указаны требования порядка 16–24 ГБ видеопамяти. Модель распространяется по лицензии Apache-2.0.

Undi95/ReMM-v2-Kimiko-v2-13B — текстовая генеративная модель семейства Llama с 12,9 млрд параметров, предназначенная для генерации текста. Модель представлена в формате PyTorch и использует контекст длиной до 4096 токенов. В README указано, что модель получена объединением LoRA-адаптера с базовой моделью с весом 0,50. Идентификаторы базовой модели и адаптера не приведены, поэтому установить их по доступным данным нельзя. Лицензия CC BY-NC 4.0 разрешает использование на условиях указания авторства и ограничивает коммерческое применение.

Marscen/roberta-base-squad2-finetuned-squad2 — модель RobertaForQuestionAnswering на базе RoBERTa с 151,8 млн параметров, дообученная на датасете SQuAD v2. Она предназначена для извлечения ответа на вопрос из предоставленного текста, включая возможность не находить ответ, если его нет в контексте. При оценке на тестовой выборке указано значение Loss 0,8815. Модель принимает вопрос и текстовый контекст и выдаёт текстовый ответ; максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса PyTorch. Лицензия — CC BY 4.0.

akhooli/sbert-nli-500k-triplets-MB — модель Sentence Transformers на архитектуре ModernBERT, разработанная на основе akhooli/ModernBERT-ar-base-tiny и дообученная на 550 тысячах арабских NLI-триплетов. Она преобразует предложения и абзацы на арабском языке в плотные векторы размерностью 768 для сравнения по косинусному сходству; максимальная длина последовательности составляет 8192 токена. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. Обучение на парах запрос–положительный пример–отрицательный пример помогает сопоставлять запросы с релевантными фрагментами. Лицензия — Apache-2.0. Модель ориентирована на арабский язык; качество на других языках карточкой не подтверждено. Она выдаёт эмбеддинги, а не готовые ответы или метки классов, поэтому для классификации требуется отдельная модель или последующая обработка векторов.

syubraj/sentence_similarity_nepali — модель Sentence-Transformers для сопоставления предложений на непальском языке. Она преобразует предложения и абзацы в плотные векторы размерностью 768, пригодные для оценки семантической близости, поиска по смыслу и кластеризации. Модель основана на NepaliBERT от Rajan; архитектура — BERT, размер — около 95 млн параметров, длина контекста — 512 токенов. Модель обучалась для семантического сходства с использованием CosineSimilarityLoss и датасета stsb_multi_mt. Её можно применять для поиска похожих фраз и документов или группировки текстов по смыслу. Доступны веса в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

snumin44/simcse-ko-roberta-unsupervised — модель для оценки смыслового сходства двух предложений на корейском языке. Она основана на RoBERTa и обучена автором репозитория методом SimCSE без разметки, на корейских текстах из Википедии; для обучения указана базовая модель klue/roberta-base. Модель преобразует предложения в представления, по которым можно вычислять косинусное сходство. Модель подходит для поиска семантически близких предложений, сопоставления запросов с текстами и построения систем поиска или дедупликации на корейском языке. В README приведены результаты оценки на KorSTS и Klue. Метаданные указывают 137,8 млн параметров и контекст до 514 токенов; в настройках обучения README указан предел длины 64 токена. Распространяется по лицензии MIT.

Skyro-4X8B — языковая модель с архитектурой Mixture of Experts (MoE), созданная автором репозитория saucam путём слияния четырёх моделей семейства Llama 3 с помощью Mergekit: Llama-3-Smaug-8B, Dolphin 2.9 Llama 3 8B, Einstein v6.1 Llama 3 8B и Opus v1.2 Llama 3 8B. Модель содержит 7,5 млрд параметров, использует архитектуру MixtralForCausalLM и принимает текст для генерации текста; контекст составляет 8192 токена. Модель предназначена для генерации текста и диалоговых сценариев. В карточке приведены результаты оценки на ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K, но не описаны методика тестирования и ограничения поведения. Репозиторий распространяется по лицензии Apache-2.0.

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.

TextSynth-4B-0926 — разговорная языковая модель, разработанная theprint на основе unsloth/qwen3-4b-instruct-2507-unsloth-bnb-4bit. Это плотная модель архитектуры Qwen3 с 3,7 млрд параметров, дообученная для генерации текста и диалогов; в метаданных также указана возможность работы с интерфейсом вызова инструментов. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно до 262 144 токенов. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL на датасете theprint/Hemispheres-v0.3-Combo-GPT. Подходит для диалоговых приложений и генерации ответов на английском языке. Репозиторий содержит веса safetensors; лицензия — Apache-2.0.

YamNeuralsirkrishna-7B — объединённая модель для генерации текста и диалогов, созданная Maxime Labonne методом SLERP из mayacinka/yam-jom-7B и Kukedlc/NeuralSirKrishna-7b. Это плотная причинная языковая модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалоговых сценариев. Лицензия Apache-2.0 разрешает использование на её условиях. README не описывает специальные области применения или результаты оценки качества.

YamshadowInex12_Experiment31Experiment29 — слитая текстовая модель семейства Mistral, разработанная на основе automerger/YamshadowInex12-7B и automerger/Experiment31Experiment29-7B. Она предназначена для генерации текста и сценариев, где требуется продолжать или создавать текст по входному запросу. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors. Модель опубликована по лицензии Apache-2.0.

Zamba2-1.2B-instruct — разговорная модель Zyphra для генерации текста и выполнения инструкций. Она создана дообучением Zamba2-1.2B: сначала на наборах инструкций и диалогов, затем с оптимизацией предпочтений методом DPO. В карточке указана гибридная архитектура Mamba2 и Transformer с общими слоями внимания и дополнительными LoRA-матрицами; метаданные относят модель к семейству Zamba2 и указывают 2,6 млрд параметров, формат safetensors и контекст 4096 токенов. Модель рассчитана на ответы на запросы и многоходовые беседы. В карточке сообщается о хороших результатах в следовании инструкциям и низкой задержке генерации; для запуска рекомендуются оптимизированные ядра Mamba2, иначе возрастают задержка и расход памяти. Реализация для Hugging Face обозначена как временная и может быть несовместима с некоторыми инструментами и фреймворками. Лицензия — Apache-2.0.