I.2Синтез, понимание и проверка знаний

Sarvam-30B — языковая модель, разработанная командой Sarvam Foundation Models. Это модель класса Mixture-of-Experts (MoE), ориентированная на практическое развертывание, мультиязычные диалоги и голосовые вызовы на индийских языках, включая выполнение вызовов инструментов. Она также предназначена для задач рассуждения, генерации кода и общего текстового общения. Модель содержит 30 млрд параметров, из которых 2,4 млрд активируются для отдельного запроса, и представлена в виде FP8-квантизированных весов в формате FP8 E4M3. Архитектура включает 19 слоёв, 128 экспертов с общим экспертом, маршрутизацию top-6, grouped KV attention с четырьмя KV-головами, dense FFN размером 8192 и MoE-FFN размером 1024. Высокое значение rope_theta, равное 8e6, предназначено для стабильной работы с длинным контекстом без дополнительного RoPE scaling, однако точный размер контекстного окна в README не указан. Заявлена передовая производительность для своего размера в 22 индийских языках; также заявлена поддержка английского языка. К сильным сторонам относятся эффективность по памяти и пропускной способности, сниженные требования к ресурсам благодаря MoE и FP8-квантизации, а также сочетание рассуждения, программирования, диалогового взаимодействия и поддержки индийского языкового контекста. Ограничением является необходимость специальной настройки инфраструктуры: для запуска рекомендуются SGLang или модифицированная версия либо hot-patch для vLLM, а точная производительность зависит от оборудования и конфигурации. Модель распространяется по лицензии Apache 2.0.

ys7yoo/sentence-bert-klue-sts — модель Sentence-Transformers на базе BERT, разработанная для сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768 и подходит для семантического поиска, кластеризации и сравнения смысловой близости текстов. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Она обучалась с использованием CosineSimilarityLoss. Для работы можно применять библиотеку sentence-transformers либо Hugging Face Transformers с подходящей операцией pooling. Модель опубликована в формате PyTorch. В карточке не указаны лицензия и языки обучения, поэтому их нельзя надёжно определить. Качество семантического сопоставления и поддержка конкретных языков зависят от данных обучения; перед использованием для целевого языка стоит проверить качество на собственных примерах.

embedingHF/Sentence_Transformer — модель эмбеддингов предложений на базе BERT, разработанная в рамках Community week Hugging Face для проекта по обучению моделей sentence embeddings на миллиарде пар. Она дообучена контрастивным методом на объединении крупного набора текстовых пар; в README названа исходной предобученной моделью nreimers/MiniLM-L6-H384-uncased. Модель преобразует предложения и короткие абзацы в плотные векторы размерности 384 для семантического поиска, сравнения предложений и кластеризации. Модель принимает текст и возвращает векторное представление. README указывает усечение входа длиннее 256 word pieces; при обучении длина последовательности ограничивалась 128 токенами. Метаданные указывают 25,9 млн параметров, контекст 512 токенов, английский язык и библиотеку Sentence Transformers. Репозиторий распространяется по лицензии Apache-2.0.

hunkim/sentence-transformer-klue — модель на архитектуре RoBERTa, преобразующая предложения и абзацы в плотные векторы размерности 768. Она содержит 137,8 млн параметров и предназначена для получения эмбеддингов, сравнения смысловой близости текстов, семантического поиска и кластеризации. Модель обучена с функцией CosineSimilarityLoss и работает с библиотекой Sentence-Transformers или Transformers с подходящей операцией pooling. Модель принимает текст и возвращает векторные представления; контекст составляет до 514 токенов. Карточка описывает её как sentence-transformers модель для работы с предложениями и абзацами. Лицензия в предоставленных данных не указана.

mann2107/setfitbcmpii — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для вычисления семантической близости, поиска по смыслу и кластеризации текстов. В качестве функции потерь при обучении использовалась CosineSimilarityLoss. Модель принимает текст и выдаёт векторные представления. Контекст составляет 514 токенов. Репозиторий содержит веса PyTorch; для работы подходят Sentence-Transformers и Transformers с соответствующей операцией pooling. Указаний на базовую модель, поддерживаемые языки и лицензию в предоставленных данных нет.

slinger-base — англоязычная модель Sentence Transformer, созданная разработчиком carsondial путём дообучения BAAI/bge-base-en-v1.5 на 45 000 парах текстов. Архитектура основана на BERT: модель формирует 768-мерные плотные эмбеддинги, использует CLS-пулинг и нормализацию; сходство векторов можно оценивать косинусной мерой. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска, сравнения предложений и абзацев, поиска перефразировок, кластеризации и классификации текста. В README приведены результаты оценки поиска с разными размерностями эмбеддингов, включая укороченные варианты от 64 до 512 измерений. Модель рассчитана на английский язык и распространяется по лицензии Apache-2.0.

stella-mrl-large-zh-v3.5-1792d — модель векторных представлений предложений, разработанная автором семейства Stella. Она предназначена для поиска по смыслу и сопоставления текстов, включая retrieval, оценку семантического сходства и ранжирование. Модель основана на stella-large-zh-v3-1792d и обучена методом MRL; архитектура — BERT, размер — 424,3 млн параметров. Модель кодирует текст в эмбеддинги размерностью до 1792 и позволяет выбирать меньшую размерность, обрезая вектор; автор рекомендует размерности, кратные 128, и нормализацию после обрезки. Заявлена поддержка китайского и английского языков. Максимальная длина контекста — 512 токенов. В README приведены результаты оценки на CMTEB для разных размерностей; более крупный вектор обычно даёт лучшие результаты при больших расходах памяти и вычислений. Модель подходит для семантического поиска, сравнения предложений и построения систем извлечения информации. Лицензия — MIT.

Модель danfeg/ST-PARA-MPNET-M_Finetuned-COMB-7443 — дообученная модель Sentence-Transformers на базе архитектуры XLM-RoBERTa, разработанная danfeg. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель подходит для построения поиска по смыслу, группировки похожих текстов и вычисления семантического сходства. В карточке указано обучение с CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

Карточка модели Mukheshtrent/stsb-roberta-base-v2 на Hugging Face совпадает с карточкой sentence-transformers/stsb-roberta-base-v2, поэтому описание составлено по ней. sentence-transformers/stsb-roberta-base-v2 — модель Sentence-Transformers, обученная командой Sentence-Transformers на архитектуре RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Размер модели — 151,8 млн параметров; максимальная длина контекста — 514 токенов. Для корректного получения векторов через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов; проще использовать библиотеку Sentence-Transformers. Доступны варианты весов PyTorch, TensorFlow, Flax, ONNX и OpenVINO, включая safetensors. Модель распространяется по лицензии Apache-2.0.

maiyad/sustain-sbert — модель на базе BERT, созданная с использованием Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель обучалась с функцией потерь DenoisingAutoEncoderLoss. Её можно использовать через библиотеку Sentence-Transformers либо через Transformers с подходящей операцией pooling для получения векторов из контекстных представлений токенов. Лицензия в предоставленных данных не указана.

Ternary Bonsai 27B — GGUF — это компактная модель для генерации текста и рассуждений, разработанная Prism ML на базе Qwen3.6-27B. Она предназначена для локального запуска через llama.cpp на CPU, CUDA- и Metal-устройствах, включая стандартные ноутбуки и отдельные GPU. Модель ориентирована на диалоговые сценарии, математические задачи, программирование, агентное использование инструментов и работу на устройствах с ограниченными ресурсами. Модель сохраняет архитектуру исходной 27B-классовой causal language model с гибридным вниманием: около 75% слоёв используют линейное внимание, а около 25% — полное. Она содержит примерно 27,3 млрд тернарных языковых весов и около 0,46 млрд параметров vision tower. Используются SwiGLU, RoPE и RMSNorm. Веса представлены в формате GGUF Q2_0_g128 с тернарными значениями −1, 0 и +1, что соответствует примерно 1,71 бита на вес. Размер развёрнутой модели составляет около 7,2 ГБ против примерно 54 ГБ у FP16-версии. Поддерживается контекст до 262 тысяч токенов, а KV-кэш квантизирован до 4 бит. Vision tower доступна в 4-битном формате и подключается при обработке изображений. К сильным сторонам относятся существенное снижение требований к памяти, сохранение рассуждений и агентного поведения при низкой битности, поддержка локального инференса и заявленное сохранение около 95% показателей FP16-версии на наборе из 15 тестов. Для CUDA доступен слой DSpark для спекулятивного декодирования с заявленным ускорением 1,34 раза. Ограничения включают зависимость от специализированных низкобитных ядер и совместимых форков llama.cpp, а также отсутствие в README точного перечня поддерживаемых языков. Модель распространяется по лицензии Apache 2.0.

ukr-paraphrase-multilingual-mpnet-base — модель sentence-transformers проекта lang-uk, дообученная для украинского языка на основе sentence-transformers/paraphrase-multilingual-mpnet-base-v2. Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель построена на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров и принимает текст; максимальная длина контекста составляет 514 токенов. Модель ориентирована прежде всего на украинский, сохраняя многоязычную основу. Её можно применять для поиска семантически близких фрагментов, группировки текстов и построения эмбеддингов. Распространяется по лицензии Apache-2.0.

visionOCR-3B-061125 — дообученная PrithivMLmods мультимодальная модель на архитектуре Qwen2.5-VL-3B для распознавания текста и анализа документов по изображениям. Она извлекает текст и структурированные данные из счетов, чеков, форм, научных статей и сканов, отвечает на вопросы по изображениям и преобразует математические выражения в LaTeX. Модель содержит 3,1 млрд параметров, принимает изображения с текстовыми инструкциями и выдаёт текст; заявлена поддержка контекста до 128 000 токенов. В карточке также заявлены анализ видео, визуально управляемая автоматизация устройств и работа с несколькими языками. Модель ориентирована на OCR документов, извлечение данных и визуальные вопросы-ответы, включая плотные макеты, таблицы и диаграммы. Карточка сообщает о конкурентных результатах на DocVQA, MathVista, RealWorldQA и MTVQA, но не приводит численных оценок. Лицензия — Apache-2.0. Качество может снижаться на изображениях низкого качества или с перекрытиями, а для редких языков и письменностей точность непостоянна. Длительная обработка видео требует значительных ресурсов; возможны галлюцинации и ошибки при неудачных настройках визуальных токенов.

ronanki/xlmr_02-02-2022 — модель Sentence-Transformers на базе XLM-RoBERTa, разработчик которой в карточке указан как ronanki. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства предложений. Модель содержит 305,2 млн параметров, принимает текст и формирует векторные представления; длина контекста — 514 токенов. Для обучения использовалась TripletLoss с евклидовой метрикой и отступом 5. Модель подходит для семантического поиска и группировки текстов, когда требуется сравнивать их по смыслу. В метаданных указаны XLM-RoBERTa и Sentence-Transformers; поддерживаемые естественные языки явно не перечислены. Модель опубликована в формате PyTorch. Лицензия в предоставленных сведениях не указана.

Nhat1904/12_shot_STA_head_skhead — модель Sentence-Transformers на базе MPNet, обученная разработчиком Nhat1904. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысла текста, семантического поиска и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги; заявленная длина контекста — 514 токенов. В обучении использовалась функция потерь CosineSimilarityLoss. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

airoboros-l2-7b-2.2 — экспериментальная текстовая языковая модель на архитектуре LLaMA, разработанная jondurbin и дообученная преимущественно на синтетических данных набора airoboros-2.2. Она предназначена для ответов на инструкции и вопросы, генерации текста и кода, ответов по заданному контексту, а также формирования планов и структурированных аргументов для вызова функций. Модель содержит 6,6 млрд параметров, принимает и генерирует текст, а её нативный контекст составляет 4096 токенов. Карточка описывает шаблон диалога с метками USER и ASSISTANT и рекомендации по остановке генерации; для ответов по предоставленным источникам предусмотрен формат с явными разделителями контекста. Модель в основном ориентирована на выполнение инструкций, а не на свободный чат или ролевую игру. В README отмечены частичное выравнивание для обычного использования и возможность переопределения этого поведения системным промптом. Ответы по контексту могут галлюцинировать, поэтому автор советует явно просить не придумывать неизвестные ответы. Модель распространяется под лицензией Llama 2; опубликована в формате PyTorch.

thtang/ALL_679283 — модель Sentence-Transformers на архитектуре BERT для преобразования предложений и абзацев в плотные векторы размерности 384. Её можно применять для поиска семантически близких текстов и кластеризации; README также приводит результаты оценки на наборе Sentence Embeddings Benchmark. Модель принимает текст и выдаёт векторные представления, которые можно сравнивать для оценки сходства или использовать в поисковом и кластеризационном конвейерах. Общее число параметров — 124,3 млн, длина контекста — 512 токенов. В README не указана лицензия или целевой язык, поэтому их нельзя подтвердить по доступным сведениям.

Карточка модели Consensus/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

Карточка модели darylnigel/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой optimum/all-MiniLM-L6-v2, поэтому описание составлено по ней. optimum/all-MiniLM-L6-v2 — конверсия в формат ONNX модели sentence-transformers/all-MiniLM-L6-v2, разработанной в рамках проекта Hugging Face Community Week. Это компактный энкодер на архитектуре BERT с 25,9 млн параметров, который преобразует предложения и короткие абзацы в плотные векторы размерностью 384 для сравнения семантики. Метаданные указывают контекст до 512 токенов; README сообщает, что по умолчанию вход длиннее 256 word pieces обрезается. Модель предназначена для поиска по смыслу, вычисления сходства предложений и кластеризации текстов. Она обучена контрастивным методом на наборе более чем из миллиарда пар предложений, начиная с предобученной nreimers/MiniLM-L6-H384-uncased. В карточке указана поддержка английского языка. Лицензия — Apache-2.0.

Модель manupande21/all-MiniLM-L6-v2-finetuned-triplets — англоязычный энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, дообученный на 800 тысячах примеров из задачи ранжирования passages датасета MS MARCO. Архитектура Sentence Transformer использует BERT-энкодер и mean pooling; она преобразует предложения и абзацы в плотные векторы размерностью 384. В метаданных указан контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов; для практического использования следует учитывать ограничение библиотеки или конфигурации модели. Модель предназначена для семантического поиска, сравнения сходства предложений, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. Сходство векторов можно оценивать косинусной мерой. README приводит значение cosine_accuracy 0,9667 на тесте TripletEvaluator, но не описывает набор данных этого теста достаточно подробно для обобщения результата на другие сценарии. Лицензия в предоставленных данных не указана.

Это дообученный на 5 509 парах «запрос—документ» англоязычный энкодер предложений mazej на базе sentence-transformers/all-MiniLM-L6-v2. Модель построена на архитектуре BERT и преобразует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. В README указана максимальная длина последовательности 256 токенов, а в метаданных — контекст 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Её можно применять для ранжирования документов по близости к запросу и группировки похожих текстов. Обучение выполнено с MultipleNegativesRankingLoss; модель распространяется в формате safetensors, для работы используется библиотека Sentence Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

KhaledReda/all-MiniLM-L6-v62-pair_score — англоязычная модель Sentence Transformers, дообученная автором на датасете пар текстов pairs_with_scores_v50. Она кодирует предложения и абзацы в плотные векторы размерности 384, нормализует их и позволяет сравнивать косинусное сходство. Модель основана на энкодере BERT all-MiniLM-L6-v2; метаданные указывают 25,9 млн параметров и контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и получения признаков для классификации. Вход — текст на английском языке, выход — векторные представления; модель не генерирует текст. Лицензия Apache-2.0.

Ozgur Celik дообучил Sentence Transformer на базе sentence-transformers/all-mpnet-base-v2. Модель кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения текстов используется косинусное сходство. В архитектуру входят MPNet, усредняющий пулинг токенов и нормализация. Максимальная длина последовательности в README — 384 токена, а метаданные указывают нативный контекст в 514 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Она обучалась на 793 примерах с anchor, positive и negative-текстами с использованием MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

biggy-smiley/bert-base-uncased-fibe-ST — модель Sentence Transformers, дообученная на основе pilotj/bert-base-uncased-fibe-final. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для вычисления семантического сходства по косинусной близости, семантического поиска, поиска перефразировок, классификации текста и кластеризации. В основе — BERT с усреднением токенных представлений; максимальная длина входа составляет 512 токенов. Модель предназначена для получения текстовых эмбеддингов и сравнения фрагментов текста. Карточка описывает использование через библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

Nhat1904/best-32-shot-model — модель Sentence Transformers на архитектуре MPNet, обученная для получения плотных 768-мерных векторов предложений и абзацев. В карточке указано обучение с CosineSimilarityLoss; размер модели — 136,7 млн параметров, максимальная длина контекста — 514 токенов. Модель подходит для семантического поиска, сравнения сходства текстов и кластеризации. Её можно использовать через библиотеку Sentence-Transformers или Transformers с соответствующей операцией pooling. В репозитории указаны веса PyTorch. В карточке не названы языки обучения и лицензия, поэтому их условия и языковую специализацию по имеющимся данным определить нельзя.

tubyneto/crowdedflowertunedbertt — модель Sentence-Transformers на архитектуре MPNet для получения эмбеддингов предложений и абзацев. Она кодирует текст в плотные векторы размерности 768 и предназначена для семантического поиска, кластеризации и сравнения сходства текстов. Модель содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. В карточке указано обучение с ContrastiveLoss и косинусной метрикой расстояния. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Valdemardi/DeepSeek-R1-Distill-Qwen-32B-AWQ — квантизированная версия DeepSeek-R1-Distill-Qwen-32B, разработанная на базе модели DeepSeek-R1 командой DeepSeek AI. Модель предназначена для задач рассуждения, включая решение математических задач, программирование и другие сложные текстовые задачи. По данным README, DeepSeek-R1-Distill-Qwen-32B превосходит OpenAI o1-mini на ряде бенчмарков и демонстрирует сильные возможности для плотной модели. Модель использует архитектуру базовой Qwen-модели размером 32B параметров и работает с текстом; сведения о поддерживаемых языках и размере контекстного окна в README не указаны. Данная версия сжата в 4-битный формат AWQ с использованием AutoAWQ 3.2.7.post3, группировкой q_group_size 128, zero-point quantization и режимом GEMM. Квантизация снижает требования к памяти и может упростить локальный запуск, но потенциально сопровождается потерей точности по сравнению с полной версией. В README указана лицензия Apache-2.0 для репозитория этой версии, тогда как для исходной DeepSeek-R1 приведены отдельные ссылки на Model Agreement и лицензию кода MIT; условия использования следует проверять применительно к конкретным компонентам модели.

DeepSeek-V3.2-Speciale — крупная языковая модель, разработанная DeepSeek AI. Она представляет собой высокоресурсный вариант DeepSeek-V3.2, дообученный на базе DeepSeek-V3.2-Exp-Base, и ориентирована на сложное рассуждение, решение математических и алгоритмических задач, использование инструментов и работу в агентных сценариях. Модель использует механизм разреженного внимания DeepSeek Sparse Attention (DSA), предназначенный для снижения вычислительной сложности при работе с длинным контекстом. В DeepSeek-V3.2 также применяются масштабируемое обучение с подкреплением и конвейер синтеза данных для агентных задач, включая взаимодействие с инструментами. В README не указаны размер модели, точная архитектура, максимальная длина контекста, поддерживаемые языки и модальности; заявлена текстовая работа с сообщениями и инструментами. К сильным сторонам относятся развитое рассуждение, эффективность на длинном контексте и способность выполнять сложные интерактивные задачи. Для версии Speciale заявлены результаты на уровне или выше GPT-5, а также золотые медали на IMO и IOI 2025, однако эти утверждения приведены в README без подробностей о методике оценки. Ограничения включают отсутствие встроенного Jinja-шаблона чата и необходимость использовать предоставленный Python-код для кодирования сообщений и разбора ответов; функция разбора рассчитана только на корректно оформленный вывод. Модель распространяется по лицензии MIT.

DFlash-Qwen3.5-27B-Uncensored-i1-GGUF — GGUF-квантизированная версия модели DFlash-Qwen3.5-27B-Uncensored, разработанной AEON-7 и квантизированной mradermacher. Модель относится к семейству Qwen3.5 и предназначена для диалоговой генерации текста, рассуждений, программирования, агентских сценариев, вызова функций и работы с инструментами. Доступны варианты для локального запуска через совместимое с GGUF программное обеспечение, включая экосистемы с поддержкой vLLM и llama.cpp-подобных движков. Заявлены размер 27B параметров, гибридная архитектура с hybrid attention, linear attention и gated deltanet, поддержка длинного контекста, текстовой и визуальной информации. Это vision-language модель: для обработки изображений могут потребоваться отдельные mmproj-файлы. В README указан английский язык, однако точный перечень поддерживаемых языков и максимальная длина контекста не приведены. Доступно множество квантизаций от очень компактных IQ1 до более качественных Q5 и Q6; варианты различаются размером, скоростью и качеством, при этом README рекомендует i1-Q4_K_M как быстрый сбалансированный вариант. К сильным сторонам относятся мультимодальность, возможности для программирования, рассуждений, tool calling и локального развертывания с выбором размера файла. Ограничения связаны с потерями качества при низкобитных квантизациях, отсутствием в README количественных бенчмарков и точных требований к памяти, а также с тем, что заявленный uncensored-профиль может означать ослабленные ограничения на содержание. Модель распространяется по лицензии Apache-2.0.

Это англоязычная модель Sentence Transformers на базе DistilBERT, дообученная авторами Sentence Transformers на датасете разделов Википедии sentence-transformers/wikipedia-sections. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для оценки семантической близости и поиска текстов по смыслу. Модель использует DistilBertModel с усреднением токенных представлений; сходство рекомендуется оценивать косинусной мерой. Модель подходит для семантического поиска по англоязычным документам, сравнения предложений, поиска перефразирований, кластеризации и классификации текстов на основе эмбеддингов. Максимальная длина входной последовательности — 512 токенов. В тесте TripletEvaluator на тестовом наборе wikipedia-sections точность по cosine_accuracy составила 0,70; результат характеризует оценку на этом наборе и не гарантирует такую же точность на других данных. Лицензия в предоставленных сведениях не указана.