I.2Синтез, понимание и проверка знаний

HTML-Pruner-Llama-1B — модель команды HtmlRAG для отбора релевантных блоков в HTML-документах, используемых как источник знаний в RAG-системах. Она построена на Llama-3.2-1B и дообучена для второго этапа двухэтапного метода pruning: после очистки HTML и оценки блоков по эмбеддингам модель генерирует пути к блокам, которые следует сохранить. Модель предназначена для сокращения длинных HTML-страниц перед передачей контекста генеративной модели, сохраняя полезные для ответа сведения. Это помогает использовать структуру HTML при поиске и ответах на вопросы по веб-источникам. Архитектура — плотная LlamaForCausalLM с 1,2 млрд параметров; заявленная длина контекста — 131072 токена. В метаданных указан английский язык. Модель распространяется в формате safetensors под лицензией Apache-2.0. Модель рассчитана на специализированный этап обработки HTML в HtmlRAG, а не на универсальную генерацию ответов. Для полного двухэтапного pruning нужны также очистка HTML и модель эмбеддингов; качество зависит от структуры документа и последующей генеративной модели.

Hunyuan-0.5B-Pretrain — предварительно обученная плотная языковая модель из семейства Hunyuan, разработанного Tencent. Она содержит 463,5 млн параметров и предназначена для генерации текста и адаптации под конкретные задачи, в том числе для последующего дообучения в диалоговую модель или агентную систему. Модель поддерживает контекст до 256 тысяч токенов и использует архитектуру HunYuanDenseV1 с Grouped Query Attention. Семейство Hunyuan описано как поддерживающее быстрый и пошаговый режимы рассуждений, длинный контекст и сценарии с инструментами; метаданные также указывают возможности чата и интерфейса вызова инструментов. Доступны веса в формате safetensors, а для семейства заявлена поддержка эффективного инференса и квантования. Карточка предлагает использовать Transformers и упоминает TensorRT-LLM, vLLM и SGLang для развёртывания. Это базовая предварительно обученная модель, поэтому для следования инструкциям и надёжного диалога может потребоваться дообучение. README не приводит отдельную оценку ограничений именно версии 0.5B. Лицензия в предоставленных данных не обозначена.

Ignis-7B-DPO — разговорная языковая модель от NeuralNovel, связанная с сообществом ConvexAI. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. В карточке указано, что модель обучалась на наборе данных Neural-DPO; дополнительные сведения о настройке и оценке качества не приведены. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Репозиторий использует формат Safetensors, а лицензия — Apache 2.0. Карточка не описывает конкретные преимущества, рекомендованные сценарии или ограничения качества, поэтому пригодность для задач, требующих точности или специальных знаний, следует проверять самостоятельно.

InternVL3.5-38B-Flash — мультимодальная чат-модель OpenGVLab, созданная на основе InternVL3.5-38B. Это плотная архитектура InternVLChatModel с обработкой изображений и текста; репозиторий использует Transformers и формат safetensors. Модель дообучена на наборах OpenGVLab/MMPR-v1.2 и OpenGVLab/MMPR-Tiny и распространяется по лицензии Apache-2.0. Модель предназначена для диалогов с изображениями и текстом, визуальных вопросов и рассуждений по изображениям, включая задачи понимания диаграмм, документов и визуальных сцен. Семейство InternVL3.5 также заявляет поддержку взаимодействия с графическим интерфейсом и воплощённых агентов; README описывает динамическое распределение разрешения визуальных токенов и раздельное развёртывание зрительной и языковой частей для повышения эффективности. Для запуска 38-миллиардной версии README указывает необходимость двух GPU A100; эти аппаратные требования могут ограничивать локальное развёртывание.

jina-embeddings-v5-omni-nano-classification-GGUF — мультимодальная модель эмбеддингов, разработанная Jina AI и предназначенная для запуска через llama.cpp. Это GGUF-квантизированная версия модели jina-embeddings-v5-omni-nano-classification с поддержкой текстовых, графических, видео- и аудиоданных. Модель преобразует входные данные в 768-мерные векторы общего пространства, поэтому документы можно индексировать с помощью текста, а выполнять поиск — по изображениям, видео, аудио или тексту без переиндексации. Модель содержит около 0,95 млрд параметров с текстовой, визуальной и аудиобашнями, использует pooling по последнему токену и поддерживает контекст до 8192 токенов. Она ориентирована на задачи классификации, мультимодального поиска и семантического сходства. Доступны матрёшечные размерности эмбеддингов от 32 до 768, а текстовая часть представлена в F16 и нескольких уровнях int-квантизации; мультимодальные проекторы используют F16. Заявлена мультиязычность, однако конкретный перечень языков в README не указан. Сильные стороны модели — единое векторное пространство для нескольких модальностей, относительно небольшой размер, возможность квантизации и поддержка различных форматов изображений, видео, аудио и PDF. Ограничения связаны с тем, что вариант предназначен только для classification-задач, а мультимодальная работа требует специальной ветки llama.cpp с патчами Jina AI, которые ещё не включены в upstream-версию. Лицензия — CC BY-NC 4.0, допускающая использование с ограничениями для некоммерческих целей.

katopz/kbtg-kpoint-v1 — дообученная katopz языковая модель семейства Llama на базе unsloth/llama-3.2-3b-instruct-bnb-4bit. Это плотная авторегрессионная модель с 3,2 млрд параметров для генерации текста и диалогового взаимодействия; заявленный размер контекста — 131 072 токена. В карточке указано, что обучение проводилось с использованием Unsloth и библиотеки TRL. Модель подходит для диалоговых сценариев и генерации текста на английском языке. Репозиторий содержит веса в форматах PyTorch и Safetensors, лицензия — Apache-2.0. Карточка не уточняет специализацию дообучения и не приводит оценок качества, поэтому пригодность для конкретных задач следует проверять отдельно.

Keural-Cortex-8B-DPO — двуязычный текстовый ассистент на основе Qwen3-8B-Base, разработанный авторами проекта Keural/MKD. Это плотная decoder-only модель Qwen3ForCausalLM с примерно 7,6 млрд параметров и контекстом до 65 536 токенов. Модель прошла дообучение с учителем и DPO на предпочтениях; чекпойнт DPO-v1 обучен на 291 084 парах предпочтений. Модель предназначена для диалогов на корейском и английском языках, следования инструкциям, вызова инструментов и задач с пошаговым рассуждением. В README подтверждена работа разделения ответа на поля reasoning и content при заданной конфигурации сервера, однако это подтверждает формат маршрутизации, а не точность рассуждений. Лицензия — Apache-2.0. Результаты полной оценки после DPO пока отсутствуют. В README описана ошибочная арифметика даже при корректно оформленном рассуждении; длинноконтекстное извлечение проверялось на предшествующей версии, поэтому качество рассуждений и следования инструкциям на длинном контексте для этого чекпойнта подтверждено слабее. Модель может ошибаться, галлюцинировать, неверно использовать инструменты или выдавать небезопасный контент.

x2bee/KoModernBERT_SBERT_compare_mlmlv5 — модель Sentence Transformers, дообученная разработчиком x2bee на базе x2bee/KoModernBERT-base-mlm_v02 на корейском NLI-датасете. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для оценки семантического сходства, поиска по смыслу, поиска перефразировок, кластеризации и классификации текста. Сходство между векторами оценивается косинусной мерой. Архитектура основана на ModernBERT, число параметров — 185,7 млн; метаданные указывают контекст до 8192 токенов, тогда как README задаёт максимальную длину последовательности 512 токенов. Модель рассчитана прежде всего на корейский язык. В README приведены результаты оценки сходства на sts_dev: коэффициент корреляции Спирмена для косинусного сходства — 0,6328. Модель принимает текст и выдаёт векторы; качество для языков помимо корейского не подтверждено приведёнными данными. Лицензия в предоставленных сведениях не указана.

Kosmos-EVAA-v4-8B — объединённая модель генерации текста, созданная jaspionjader методом SLERP с помощью mergekit из jaspionjader/Auro-Kosmos-EVAA-v2.3-8B и jaspionjader/Kosmos-EVAA-v3-8B. Она предназначена для генерации текста и диалоговых сценариев. Модель построена на архитектуре Llama, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Веса опубликованы в формате safetensors для библиотеки Transformers. Карточка не приводит результатов оценки качества, конкретных языков или специальных областей применения. Лицензия в доступных данных не указана.

haryads/kurdish-sentence-embeddings — модель векторных представлений предложений на центральнокурдском языке (сорани), разработанная для семантического поиска, поиска фрагментов для RAG, кластеризации и оценки сходства. Она преобразует текст в 512-мерные векторы; используется архитектура RoBERTa с усреднением токенов и L2-нормализацией. Базовая курдская RoBERTa обучена с нуля на корпусе из примерно миллиона предложений, затем модель дообучена контрастивным методом на примерно 22 тысячах пар предложений с трудными отрицательными примерами. Модель рассчитана на центральнокурдский (сорани, ckb), записанный арабским письмом. Контекст ограничен 130 токенами по метаданным. README приводит результаты на внутреннем курдском бенчмарке и сообщает о превосходстве над мультиязычной MiniLM в поиске и разделении тем; эти показатели относятся к описанным тестам. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. По README, обучение преимущественно на новостных текстах ограничивает надёжность на узкоспециализированных и разговорных данных; для них может потребоваться дообучение на профильном корпусе. Для лучших результатов рекомендуется нормализовать варианты арабских и курдских символов, ZWNJ и цифры перед кодированием.

L3-Intermix-v0.2 — разговорная языковая модель, созданная объединением нескольких моделей семейства Llama 3 с помощью mergekit. В конфигурации указаны Configurable-Llama-3-8B-v0.3, L3-Intermix-v0.1 и L3-Umbral-Mind-RP-v2.0-8B; метод объединения — model_stock. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат Safetensors, а её контекст составляет 8192 токена. Модель предназначена для генерации текста в диалогах. В метаданных указана возможность чата, однако README не описывает специальные сценарии, языки или результаты оценки качества. Лицензия — Apache-2.0. Представленные сведения не позволяют определить точное языковое покрытие и особые ограничения.

LaBSE-geonames-15K-MBML-10e-v1 — дообученная модель Sentence-Transformers на базе многоязычной BERT-модели LaBSE. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска по смыслу и кластеризации. Модель рассчитана на работу с русским и английским текстом; максимальная длина контекста составляет 512 токенов. В обучении использовалась функция потерь MegaBatchMarginLoss, а лицензия — Apache-2.0. Модель подходит для семантического поиска и группировки текстов, в частности связанных с GeoNames. Карточка не приводит подробных результатов оценки или описания ограничений обучающих данных, поэтому качество на конкретных наборах текстов следует проверять отдельно.

srikanth88infy/legal-ft-v3 — дообученная модель Sentence Transformers на базе Snowflake/snowflake-arctic-embed-l, предназначенная для сравнения и поиска текстов по смыслу. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; сходство между ними оценивается косинусной мерой. Архитектура включает BERT, pooling по CLS-токену и нормализацию векторов. Модель подходит для семантического поиска по юридическим материалам, ранжирования похожих документов и запросов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Максимальная длина входа — 512 токенов. В карточке приведены результаты оценки на Information Retrieval Evaluator, однако обучающая выборка содержит 156 пар, а данных о языках и лицензии нет.

Lite-Cydonia-22B-v1.1-75-25 — это слитая модель для генерации текста и диалогов, созданная автором knifeayumu с помощью mergekit. В слиянии использованы TheDrummer/Cydonia-22B-v1.1 с весом 75% и mistralai/Mistral-Small-Instruct-2409 с весом 25%; метод — task arithmetic. Модель имеет плотную архитектуру Mistral, 22 млрд параметров и контекст до 131 072 токенов. Модель предназначена для диалогов и творческой генерации с менее выраженным уклоном в «злые» ответы по сравнению с исходной Cydonia. По словам автора, начальные проверки показали, что модель реже отвечает на провокационные вопросы без дополнительного убеждения, но автор также отмечает, что она может быть недостаточно умной и генерации могут оставаться предсказуемыми. Репозиторий содержит веса Safetensors; лицензия указана как other, поэтому условия использования следует уточнить в карточке модели и у авторов базовых моделей.

asiburye/Llama-3.2-3B-Xitcar — разговорная текстовая модель, разработанная asiburye на основе unsloth/llama-3.2-3b-instruct-bnb-4bit. Это дообученная плотная авторегрессионная модель семейства Llama 3.2 с 3,2 млрд параметров, предназначенная для генерации текста в диалогах. Метаданные указывают контекстное окно до 131072 токенов, поддержку английского языка и интерфейс для вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка не описывает специализацию дообучения, обучающие данные или результаты оценки качества, поэтому пригодность для конкретных предметных задач не подтверждена.

RLHFlow/Llama3-SFT-v2.0-epoch2 — контрольная точка модели Llama 3, дообученная авторами проекта RLHFlow для проекта Online-RLHF. Модель обучена методом supervised fine-tuning на базе meta-llama/Meta-Llama-3-8B на наборе RLHFlow/RLHFlow-SFT-Dataset-ver2 в течение двух эпох; размер в метаданных указан как 7,5 млрд параметров. Это плотная авторегрессионная языковая модель для генерации текста и диалогов, доступная в формате safetensors и рассчитанная на контекст до 8192 токенов. Модель подходит для генерации ответов в чате и исследований по обучению моделей с обратной связью от человека, включая рабочий процесс Online-RLHF. В карточке описаны пакет обучения 128 и скорость обучения 2e-5. Карточка не приводит оценок качества или подробных ограничений по языкам и сценариям использования. Лицензия в предоставленных данных не указана.

RicAIEng дообучил модель unsloth/llama-3-8b-bnb-4bit — плотную языковую модель семейства Llama 3 с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Модель предназначена для генерации текста в диалоговом формате. Модель принимает текст и выдаёт текст; поддерживает английский язык и имеет контекстное окно 8192 токена. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Gunulhona/Llama-Ko-Merge — объединённая языковая модель, созданная с помощью mergekit методом DARE TIES. В качестве базовой использована Saxo/Linkbricks-Horizon-AI-Korean-llama-3.1-sft-dpo-8B; в объединение также вошли корейские модели семейства Llama и Hermes-3-Llama-3.1-8B. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текст для генерации текста. Заявленная длина контекста — 131072 токена. Модель предназначена для диалоговой генерации и выполнения инструкций, в первую очередь на корейском языке; метаданные также указывают возможности чата и интерфейс вызова инструментов. Лицензия в предоставленных данных не указана.

LLaVA-OneVision Qwen2 7B — мультимодальная модель семейства LLaVA, разработанная командой LMMS Lab и основанная на языковой модели Qwen2. Она сочетает визуальный энкодер SO400M с языковой частью Qwen2 и содержит 7,1 млрд параметров; контекст — до 32 768 токенов. Репозиторий распространяет веса в формате Safetensors, для работы используется Transformers. Модель предназначена для диалогового взаимодействия с изображениями, несколькими изображениями и видео: она принимает визуальные данные и текстовые запросы и формирует текстовые ответы. Обучение включало этапы с данными для одиночных изображений, нескольких изображений и видео. В карточке заявлена поддержка английского и китайского языков. Модель распространяется по лицензии Apache-2.0. Карточка предупреждает об ограничениях модели, но не уточняет их; качество ответов может зависеть от входного изображения или видео и формулировки запроса.

Mantis-Idefics2 — мультимодальная модель команды TIGER-Lab, дообученная на наборе Mantis-Instruct на основе HuggingFaceM4/idefics2-8b. Она принимает текст и одно или несколько изображений, включая последовательности с чередованием текста и изображений, и генерирует текстовые ответы. Модель предназначена для диалога об изображениях, особенно для сопоставления нескольких изображений, определения связей между объектами и визуальных рассуждений; также поддерживает задачи по одному изображению. В карточке авторы сообщают о сильных результатах на пяти тестах для сценариев с несколькими изображениями и о конкурентных результатах на тестах для одного изображения. Модель построена на архитектуре Idefics2 и распространяется в формате safetensors по лицензии Apache-2.0. Среди применений — сравнение изображений и понимание временной последовательности визуальных событий. Количественные результаты приведены авторами и сами по себе не гарантируют качество на конкретных пользовательских данных.

Funnel Transformer medium — англоязычная предварительно обученная модель семейства Funnel Transformer, разработанная командой, представившей это семейство. Это версия B6-3x2-3x2 с декодером, обученная без разметки на текстах с задачей выявления заменённых токенов, подобной ELECTRA. Модель регистронезависимая и принимает текст; её контекст составляет 512 токенов. Модель предназначена прежде всего для извлечения векторных представлений текста, которые можно использовать при дообучении для классификации последовательностей и токенов, ответов на вопросы и других задач понимания текста. Она не предназначена для генерации текста. Доступны реализации для PyTorch и TensorFlow; обучение проводилось на англоязычных данных, включая BookCorpus, Wikipedia, ClueWeb, GigaWord и Common Crawl. Лицензия — Apache-2.0.

Это объединённая методом passthrough модель для генерации текста, созданная из Hjgugugjhuhjggg/mergekit-ties-dkhnzcn с помощью mergekit. Модель основана на архитектуре Llama, содержит 7,6 млрд параметров и распространяется в формате safetensors; заявленная длина контекста — 131 072 токена. Модель предназначена для диалоговой генерации текста и интерфейсов, поддерживающих вызов инструментов. Карточка не уточняет языки, на которых она обучена, и конкретные сценарии применения. Лицензия в предоставленных данных не указана.

aliRafik/Meta_Llama_3.2_1B_labonne_16bit — дообученная автором aliRafik языковая модель для генерации текста и диалогового общения. Она основана на unsloth/llama-3.2-1b-instruct-unsloth-bnb-4bit и использует плотную архитектуру LlamaForCausalLM с 1,2 млрд параметров. Модель обучали с использованием Unsloth и библиотеки TRL; опубликованные веса представлены в формате safetensors. Модель подходит для генерации ответов и ведения диалогов на английском языке. Заявленная длина контекста — 131072 токена. Репозиторий распространяется по лицензии Apache-2.0; описание не уточняет особенности дообучения или результаты оценки качества.

Metis-9B — дообученная модель с механизмом постоянной памяти, разработанная IAAR-Shanghai на базе Qwen/Qwen3.5-9B. Репозиторий содержит полные объединённые веса модели, а не только разницу параметров относительно базы. Модель предназначена для диалоговых сценариев с сохранением информации между взаимодействиями. По метаданным она поддерживает генерацию текста и работу с изображениями; карточка описывает её как модель постоянной памяти. Архитектура — плотная, на 8,6 млрд параметров, семейства Metis; для загрузки нужны Transformers версии 5.4.0 или новее и пользовательский код из репозитория. Указана лицензия Apache-2.0.

Mungert/Midm-2.0-Base-Instruct-GGUF — это GGUF-квантизированная версия Mi:dm 2.0 Base Instruct, разработанной компанией KT с использованием собственной технологии. Модель ориентирована на корейский контекст: она предназначена для понимания и генерации текста с учетом корейских социальных, культурных и нормативных особенностей. Указанные языки — корейский и английский, основной сценарий применения — текстовая генерация и диалоговые ассистенты. Исходная Mi:dm 2.0 Base представляет собой плотную модель примерно на 11,5 млрд параметров, созданную путем масштабирования 8-миллиардной модели методом Depth-up Scaling (DuS). Данная версия преобразована в формат GGUF с помощью llama.cpp и предназначена для локального запуска и выбора различных уровней квантования. В карточке также описан подход к повышению точности квантования: отдельные важные слои переводятся на более высокую точность, что может улучшать качество при небольшом увеличении размера файла. Сильными сторонами модели являются специализация на корейском языке и культурном контексте, баланс между размером и производительностью, а также пригодность к локальному развертыванию благодаря формату GGUF. Ограничения включают возможные потери качества из-за квантования, зависимость характеристик от выбранного варианта GGUF и отсутствие в предоставленных данных сведений о размере контекста, конкретных уровнях квантования и полной сравнительной оценке. Модель распространяется по лицензии MIT.

KakaoL0L/Mistral7B_MatheoAI6_lora — чат-модель на базе Mistral 7B Instruct v0.3, дообученная KakaoL0L. Модель предназначена для генерации текста в диалоговом формате; карточка сообщает, что при обучении использовались Unsloth и библиотека TRL. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Заявленная длина контекста — 32 768 токенов; в метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не описывает специализацию дообучения, качество ответов или результаты оценивания, поэтому пригодность для конкретных предметных задач следует проверять отдельно.

vllm-sr/mmbert-embed-medical — модель Sentence Transformers, дообученная разработчиком vllm-sr на базе vllm-sr/mmbert-embed-32k-2d-matryoshka для медицинских текстов. Это плотный энкодер ModernBERT на 306,9 млн параметров: он кодирует предложения и абзацы в векторы размерности 768, пригодные для сравнения по косинусному сходству. Максимальная длина последовательности — 32 768 токенов; в README описано среднее объединение токеновых представлений. Модель предназначена для семантического поиска и сопоставления медицинских текстов, а также может использоваться для поиска перефразирований, кластеризации и классификации текстов на основе эмбеддингов. Репозиторий содержит веса safetensors и ONNX; метаданные указывают библиотеку sentence-transformers. Сведения о лицензии в предоставленных источниках отсутствуют.

MotherEarth/MotherEarth-1.17 — объединённая диалоговая языковая модель, созданная с помощью mergekit методом SLERP на основе mlabonne/NeuralDaredevil-8B-abliterated и MotherEarth/MotherEarth-1.16. Это плотная модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста и чата; поддерживает контекст до 8192 токенов. Модель принимает текст и генерирует текст. Репозиторий содержит веса в формате safetensors. Модель рассчитана на диалоговые сценарии и ролевые диалоги. В метаданных нет сведений о лицензии и специальных языках применения, поэтому условия лицензии здесь не приводятся.

zelk12/MT3-Gen5-IF-gemma-2-Av4dMT2-9B_v1 — слитая модель для генерации диалогового текста на основе Gemma 2. Она создана с помощью mergekit методом SLERP из lemon07r/Gemma-2-Ataraxy-v4d-9B и zelk12/MT2-gemma-2-9B. Модель имеет плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров и принимает текстовый контекст длиной до 8192 токенов. Подходит для продолжения текста и диалоговой генерации; карточка не уточняет языки, специальные сценарии применения или результаты оценки качества. Файлы представлены в формате safetensors, библиотека для работы — Transformers. Условия лицензии в предоставленных данных не указаны.

jost/multilingual-e5-base-politics-de — дообученная на немецких политических данных модель эмбеддингов предложений на базе multilingual-e5-base. Она использует архитектуру XLM-RoBERTa и Sentence-Transformers, преобразуя предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу и кластеризации. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для семантического поиска и сравнения немецкоязычных политических текстов, а также для группировки похожих предложений и абзацев. Обучение с MultipleNegativesRankingLoss и косинусным сходством нацелено на получение векторов, сохраняющих смысловое сходство. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.