I.2Синтез, понимание и проверка знаний

Masterjp123/XOrcaSlimWin-13B — объединённая SLERP-модель на основе Xwin-Lm-13B, Xwin-math-13B, XwinCoder-13B и SlimOrca-13B. Она предназначена для генерации текста и сочетает возможности диалоговой модели, решения математических задач и работы с кодом. Модель построена на архитектуре Llama, содержит 12,9 млрд параметров и рассчитана на контекст до 4096 токенов. Модель принимает текст и генерирует текст; в карточке указана поддержка английского языка. README предупреждает о возможных проблемах при использовании формата Alpaca. Метаданные указывают лицензию Llama 2. README также упоминает GGUF-квантизацию, хотя в доступных метаданных формат файлов указан как safetensors.

Yinka — модель для получения текстовых эмбеддингов, дообученная разработчиками Classical на открытой модели stella-v3.5-mrl с использованием многозадачной гибридной функции потерь, описанной в piccolo2. Она принимает текст и преобразует его в векторы для задач семантического поиска и сравнения текстов. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и поддерживает контекст до 512 токенов. Полный размер вектора — 1792 измерения; README указывает на возможность использовать векторы меньшей размерности, отбирая первые n измерений перед нормализацией. Для применения не требуются специальные префиксы. В таблице README приведены результаты на наборах задач классификации, кластеризации, сопоставления пар, ранжирования, поиска и семантического сходства; отдельного описания обучающих данных нет. Модель предназначена для извлечения признаков из текста. Доступные сведения не подтверждают конкретный набор поддерживаемых языков, поэтому языки не перечисляются. Лицензия в предоставленных данных не указана.

AaryanK/Youtu-LLM-2B-GGUF — это набор моделей в формате GGUF, представляющий квантованную версию Youtu-LLM-2B, разработанной Tencent. Модель предназначена для генерации текста, диалоговых приложений, программирования, STEM-задач и агентских сценариев, включая режим рассуждений Chain of Thought. Модель содержит около 1,96 млрд параметров и использует архитектуру Dense MLA. Она поддерживает английский и китайский языки, работает с текстом и имеет нативное контекстное окно до 128K токенов. Благодаря небольшому размеру ориентирована на эффективный локальный запуск, однако для корректной работы архитектуры требуется актуальная версия llama.cpp. Доступны два режима: Reasoning Mode для сложной логики и математики и Normal Mode для более стабильного общения. Модель заявлена как превосходящая многие более крупные модели в STEM-, кодинговых и агентских бенчмарках, но README не приводит конкретных числовых результатов. Распространение осуществляется по лицензии youtu-llm; точные условия следует уточнять в файле лицензии Tencent.

ZeproSolar-2x7B — разговорная языковая модель Ionio-ai, созданная с помощью MergeKit путём объединения HuggingFaceH4/zephyr-7b-alpha и NousResearch/Nous-Hermes-2-SOLAR-10.7. Это модель семейства Mixtral с архитектурой MoE, предназначенная для генерации текста в диалогах и работе в роли помощника. Она принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Модель подходит для чат-ботов, виртуальных помощников и создания текстового контента. Карточка отмечает риск смещений в ответах и возможность генерации вводящего в заблуждение или вредоносного контента. Распространяется по лицензии Apache-2.0.

Карточка модели avsolatorio/60-600-13-1-4-2-0-0-384-512-cm_NOI_avsolatorio_GIST-all-MiniLM-L6-v2-20240511173541-best на Hugging Face совпадает с карточкой avsolatorio/GIST-all-MiniLM-L6-v2, поэтому описание составлено по ней. GIST Embedding v0 — модель векторных представлений текста, созданная Av Solatorio. Она дообучена на базе sentence-transformers/all-MiniLM-L6-v2 с методом GISTEmbed: обучающие негативные примеры отбираются из MEDI и дополненных триплетами обучающих данных классификации MTEB. Модель имеет архитектуру BERT, содержит 25,9 млн параметров и принимает текст с контекстом до 512 токенов. Модель предназначена для получения эмбеддингов предложений и оценки их сходства, в том числе для семантического поиска и retrieval. Для кодирования запросов не требуются специальные инструкции. Модель оценивали на бенчмарке MTEB; дообучение улучшило некоторые задачи, но ухудшило результаты на других, включая поиск по TRECCOVID. Поддерживается английский язык. Лицензия — MIT.

Agents-A1-4B-Fable-Preview-heretic-GGUF — это GGUF-квантизированная vision-language модель, разработанная hotdogs на основе Agents-A1-4B от InternScience. Модель предназначена для диалогов, понимания изображений, агентских сценариев, пошагового рассуждения, вызова инструментов и function calling, а также выполнения задач с кодом и shell-командами. Поддерживаются английский и тайский языки, формат ChatML и инференс через llama.cpp с использованием vision-проектора mmproj. Модель содержит около 4,29 млрд параметров и использует гибридную архитектуру Qwen3.5 с линейным и полным вниманием. Для обработки изображений применяется 24-слойный ViT-энкодер, контекст поддерживает до 128K токенов. Обучение включало 3 500 примеров Fable-style reasoning traces в течение трёх эпох; заявлена поддержка многошаговых агентских траекторий и блоков рассуждений <think>. Доступны варианты GGUF с разными уровнями квантизации, включая рекомендуемый IQ4_NL размером около 2,61 ГБ. К сильным сторонам относятся мультимодальность, поддержка инструментов, двуязычность, большой контекст и возможность запуска на видеокартах с ограниченной памятью. Abliteration с использованием heretic снизила заявленный уровень отказов примерно до 11%, однако модель может генерировать вредный, оскорбительный или неподходящий контент, поэтому требует осторожного применения. Лицензия — AGPL-3.0.

GeniusVoice/bertje-visio-retriever — модель Sentence-Transformers на базе BERT, разработанная GeniusVoice. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель обучена с MultipleNegativesRankingLoss и косинусным сходством; она принимает текст и возвращает эмбеддинги. Размер модели — 136,3 млн параметров, контекст — до 512 токенов. Модель подходит для семантического поиска и группировки текстов, когда нужно сравнивать их смысл, а не совпадение слов. В карточке не указаны поддерживаемые естественные языки и результаты оценки качества, поэтому применимость к конкретному языку или домену следует проверять отдельно. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных данных.

swardiantara/bert-tiny-snli-k10-fixed-cosine — компактная Sentence Transformer модель, дообученная на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерности 128 для поиска и сравнения текстов с использованием косинусного сходства. Архитектура включает BERT и mean pooling; модель содержит 4,4 млн параметров и принимает текст.

Это компактная Sentence Transformer модель на базе google/bert_uncased_L-2_H-128_A-2, дообученная автором для сравнения предложений и поиска по смыслу. Архитектура включает BERT с усредняющим pooling и формирует плотные векторы размерности 128; для оценки близости используется косинусное сходство. Модель принимает текст, поддерживает последовательности длиной до 512 токенов по метаданным; в README заявлен предел 128 токенов. Модель предназначена для получения эмбеддингов предложений и абзацев, семантического поиска и извлечения релевантных текстов. Базовая модель компактна и англоязычна, а обучение проводилось на парах текстов с оценками сходства. Файлы представлены в формате safetensors. Условия лицензирования в предоставленных источниках не приведены.

pqnet/bge-m3-gguf — конвертированная в формат GGUF версия модели BGE-M3 от BAAI, подготовленная для запуска через llama.cpp. Репозиторий содержит веса F16 без квантизации; исходная модель предназначена для многоязычного семантического, лексического и гибридного поиска по текстам и документам, а также получения эмбеддингов и вычисления сходства предложений. Лицензия — MIT. Модель подходит для построения векторного поиска, сравнения текстов и извлечения признаков в приложениях, использующих llama.cpp. Карточка репозитория указывает на конверсию весов из BAAI/bge-m3 и отсылает к исходной карточке за подробностями о возможностях модели.

aneforge/bge-small-en-v1.5 — копия англоязычной модели BAAI/bge-small-en-v1.5, опубликованная для запуска через ANEForge на Apple Neural Engine. Это компактная плотная BERT-модель примерно на 40 млн параметров, преобразующая текст в эмбеддинги для семантического поиска и сравнения предложений. Она принимает текст и выдаёт векторные представления; максимальная длина контекста — 512 токенов. По README, веса побайтно совпадают с исходной моделью и не изменялись. Репозиторий размечен для ANEForge, который компилирует граф модели для запуска на Apple Neural Engine; лицензия — MIT. Модель рассчитана на англоязычные тексты, а её применение в первую очередь связано с поиском и оценкой семантической близости предложений.

Camelidae-8x13B — языковая модель семейства Camelidae, разработанная авторами метода Parameter-Efficient Sparsity Crafting. Это модель типа Mixture-of-Experts с архитектурой на основе LLaMA и примерно 12,9 млрд параметров; для запуска в README приведён пример загрузки через Transformers с trust_remote_code. Модель предназначена для генерации текста по инструкциям и общих задач, включая программирование и математику. При обучении семейства использовались QLoRA и адаптеры для эффективного преобразования плотных моделей в разреженную MoE-структуру; в метаданных для этой версии указаны наборы SlimOrca, Magicoder и MetaMathQA. Модель принимает текст и генерирует текст. Метаданные указывают английский язык и контекст до 4096 токенов. Лицензия — Apache-2.0. README описывает серию моделей и приводит результаты для Camelidae-8x34B-pro, поэтому эти показатели нельзя считать оценкой именно версии 8x13B.

Карточка модели jameshan5040/cs598-adv-nlp-hw1-jameshan5040 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

Contextual AI ctxl-rerank-v2-instruct-multilingual-1b — мультиязычная модель-реранкер на архитектуре Qwen3 с 1 млрд параметров. Она оценивает релевантность документов запросу и следует дополнительным инструкциям, например приоритизирует свежие сведения или помогает разрешать противоречия в результатах поиска. Подходит для поиска и ответов на вопросы по найденным документам, а также для товарного поиска и рекомендаций. Модель поддерживает более 100 языков и контекст до 40 960 токенов по метаданным; в README заявлен контекст до 32K токенов. Она выдаёт оценки релевантности, где более высокое значение означает более подходящий документ. Доступны веса в формате safetensors; для работы описаны Transformers и Sentence Transformers, а для производственного использования рекомендован vLLM. Модель выпущена Contextual AI и распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. README заявляет высокие результаты на BEIR, однако конкретные показатели в карточке не приведены.

E5-base-4k — модель для получения векторных представлений текстов, представленная в работе LongEmbed: Extending Embedding Models for Long Context Retrieval. Авторы — Dawei Zhu, Liang Wang, Nan Yang, Yifan Song, Wenhao Wu, Furu Wei и Sujian Li. Модель предназначена для поиска и сопоставления запросов с длинными текстовыми фрагментами, в том числе в задачах retrieval. Это плотная модель семейства BERT с 12 слоями и размерностью эмбеддинга 768. Она содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 4096 токенов. Репозиторий содержит веса PyTorch; карточка указывает английский язык. Модель можно применять для поиска по коллекциям документов и семантического сравнения текстов. В README приведены примеры кодирования запросов и пассажей из MS MARCO, а оценку предлагают воспроизводить на наборах BEIR и MTEB. Лицензия — MIT. Карточка не сообщает о других языках или ограничениях качества; практические результаты следует оценивать на данных целевого поиска.

Это англоязычная модель Sentence Transformer, разработанная на базе sentence-transformers/all-MiniLM-L6-v2 и дообученная на наборе вопросов и ответов GooAQ. BERT-энкодер с 25,9 млн параметров преобразует предложения и абзацы в плотные векторы размерностью 384; для сходства используется косинусная мера. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов, особенно вопросов и ответов на английском языке. В README приведён результат cosine accuracy 0,5926 на TripletEvaluator для gooqa-dev. Она выдаёт векторы, а не готовые ответы на вопросы; качество зависит от данных и способа применения. Распространяется по лицензии базовой модели; сведения о лицензии в предоставленных данных отсутствуют.

jangedoo/embeddinggemma-300m-pruned — версия Google DeepMind embeddinggemma-300m с сокращённой таблицей токенов, представленная автором репозитория как модель с pruning токенов. Она создаёт текстовые эмбеддинги для семантического поиска, сравнения предложений и других задач, основанных на близости векторов; применять её можно через Sentence Transformers. Архитектура — плотная Gemma 3 Text, размер — около 246 млн параметров по метаданным, контекст — 2048 токенов. Репозиторий содержит веса Safetensors. По README, размер словаря сокращён примерно на 28%, а общее число параметров — примерно на 18% относительно базовой модели. В приведённых оценках STS-B и NanoBEIR pruned-версия уступает базовой по указанным метрикам. Базовая модель описана как многоязычная, но конкретный перечень языков в данных не приведён. Лицензия в доступных сведениях не указана.

F2LLM-v2-160M — многоязычная модель эмбеддингов общего назначения от CodeFuse AI, относящаяся к семейству Qwen3. Это instruct-вариант размером 134,8 млн параметров, созданный дообучением пруненной модели F2LLM-v2-0.6B-Preview-Pruned-160M. Модель принимает текст и преобразует его в векторные представления; максимальная длина контекста — 40 960 токенов. Модель предназначена для семантического поиска, ранжирования и других задач сопоставления текстов, включая поиск по запросу, оценку сходства, кластеризацию и поиск параллельных текстов. Она обучена на данных более чем для 200 языков, с особым вниманием к языкам с ограниченными ресурсами; карточка перечисляет поддержку 21 языка. Matryoshka Representation Learning позволяет сокращать размерность эмбеддингов, сохраняя возможность настраивать компромисс между качеством, хранением и скоростью поиска. Для retrieval и reranking рекомендуется задавать инструкцию для запроса, но не для документов; после усечения эмбеддингов их следует нормализовать. Модель распространяется под лицензией Apache-2.0 и доступна в формате Safetensors. Заявления о результатах на бенчмарках относятся к семейству F2LLM-v2 в целом; README не приводит отдельные показатели именно для версии 160M.

ehristoforu/frqwen2.5-from7b-it — объединённая автором модель семейства Qwen2.5, созданная с помощью mergekit методом passthrough на основе Qwen/Qwen2.5-7B-Instruct. Это плотная причинная языковая модель для генерации текста и диалогов; доступны интерфейс чата и интерфейс вызова инструментов. В репозитории указаны 12,7 млрд параметров, контекст до 32 768 токенов и формат safetensors; модель рассчитана на работу через Transformers. Модель подходит для диалоговых приложений, генерации ответов и текста, а также сценариев, где требуется подключение инструментов. Базовая Qwen2.5-7B-Instruct предназначена также для генерации кода и структурированных ответов, однако README этой сборки не описывает её специфические улучшения или результаты оценки. Лицензия в предоставленных данных не указана.

Карточка модели FuseAI/FuseO1-DeepSeekR1-QwQ-32B-Preview на Hugging Face совпадает с карточкой FuseAI/FuseO1-DeepSeekR1-QwQ-SkyT1-32B-Preview, поэтому описание составлено по ней. FuseO1-DeepSeekR1-QwQ-SkyT1-32B-Preview — экспериментальная объединённая языковая модель команды FuseAI. Она создана с помощью слияния трёх моделей для рассуждений: DeepSeek-R1-Distill-Qwen-32B, Qwen/QwQ-32B-Preview и NovaSky-AI/Sky-T1-32B-Preview. Модель основана на плотной архитектуре Qwen2 с 32 млрд параметров и предназначена для генерации текста и диалогов с пошаговыми рассуждениями. Основные сценарии — решение математических задач, рассуждения о программном коде и научные вопросы. В README для версии указаны результаты AIME24: 74,0 Pass@1 и 86,7 Cons@32 при описанной авторами схеме оценки. Модель принимает текст и генерирует текст; метаданные указывают контекстное окно 131 072 токена и интерфейс для вызова инструментов. Языки в карточке явно не перечислены. Модель распространяется в формате safetensors по лицензии Apache-2.0. Это предварительная версия, а опубликованные сравнительные показатели относятся к конкретным настройкам и методике оценки; они не гарантируют аналогичных результатов в других задачах или конфигурациях.

GeM2-Llamion-14B-Chat — чат-модель семейства GeM 2.0, разработанная компанией VAIV. Это плотная авторегрессионная модель на архитектуре LLaMA с 14,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Репозиторий содержит веса в формате safetensors; длина контекста составляет 4096 токенов. Llamion создана на основе Orion: разработчики преобразовали модель к стандартной архитектуре LLaMA с помощью сопоставления параметров и переноса знаний. Модель ориентирована на основные бизнес-задачи VAIV, однако конкретные отрасли и сценарии в карточке не перечислены. Лицензия — Apache-2.0.

Gemma 4 26B A4B IT Heretic (FP8 Static) — офлайн-статически квантованная версия модели coder3101/gemma-4-26B-A4B-it-heretic, опубликованная в репозитории cloud19. Модель предназначена для диалоговых и мультимодальных сценариев, включая обработку текста и изображений, а также для высокопроизводительного инференса на оборудовании NVIDIA с FP8 tensor cores, например архитектур Hopper и Blackwell. Модель основана на архитектуре Gemma 4 с MoE-компонентами; заявленный размер — 26B параметров при конфигурации A4B. Квантование выполнено с помощью AutoFP8 в формате FP8 W8A8 со статическим масштабированием активаций. Для калибровки использовано 512 примеров из набора mgoin/ultrachat_2k. Визуальные слои и маршрутизаторы MoE сохранены в исходной точности bfloat16, чтобы сохранить мультимодальность и совместимость с vLLM. Указан контекст до 131072 токенов и поддержка развёртывания через vLLM версии 0.19.0 или новее. Сильные стороны модели — повышенная скорость инференса и эффективность использования NVIDIA-оборудования при сохранении разговорных возможностей, а также поддержка мультимодальности и автоматического выбора инструментов. Ограничения связаны с зависимостью от совместимого FP8-оборудования и актуальной версии vLLM; README не содержит подробных результатов оценки качества, перечня поддерживаемых языков и точных требований к видеопамяти. Модель распространяется по лицензии Apache-2.0.

llmfan46 выпустил дообученную версию мультимодальной Gemma 4 26B A4B для диалогов и анализа изображений. В карточке указано изменение компонента attn.o_proj; метаданные определяют модель как Gemma4ForConditionalGeneration с возможностями чата и зрения. Базовая модель — google/gemma-4-26B-A4B-it-qat-q4_0-unquantized; файлы представлены в формате safetensors, лицензия — Apache-2.0. Модель принимает текст и изображения и предназначена для визуальных вопросов и ответов, разбора документов, распознавания текста на изображениях, понимания графиков и экранов, а также диалоговых сценариев. Описание семейства Gemma 4 указывает на гибридное внимание и контекст до 256K токенов для версии 26B A4B, поддержку более 35 языков и вызов инструментов; сведения об этих свойствах относятся к семейству и не подтверждены отдельно для данного дообучения. Аудио в списке задач этой модели не заявлено. README описывает версию как uncensored, однако не уточняет методику изменения и не приводит отдельной оценки качества или безопасности этого чекпойнта. Как и другие языковые модели, она может выдавать неверные факты, проявлять смещения и хуже справляться с неоднозначными или сложными запросами.

Gemma 4 E4B-it QAT MXFP4 CRACK — мультимодальная модель семейства Gemma 4 от dealignai, созданная на основе google/gemma-4-e4b-it. Это плотная модель с гибридным скользящим и глобальным вниманием, дообученная с удалением отказов и квантизированная до 4-битного формата MXFP4. Она принимает текстовые запросы, изображения и аудио, а также предназначена для диалога, ответов на вопросы, многошаговых рассуждений и генерации кода; в метаданных также заявлен интерфейс вызова инструментов. В README автор сообщает о сохранении визуальных и аудиовходов, проверке генерации кода и снижении результата MMLU на 3,9 процентного пункта относительно базовой модели. Удаление отказов означает, что модель может выполнять вредоносные запросы; заявленные результаты HarmBench приведены автором и не являются независимой оценкой. Для запуска требуется Apple Silicon с достаточной объединённой памятью и vMLX с поддержкой Gemma 4. Лицензия — Gemma; автор публикует модель для исследовательских целей.

Geneva 12B GammaCorpus v2-50k — разговорная модель, разработанная Ruben Roy и дообученная на Mistral-Nemo-Instruct-2407 с использованием корпуса GammaCorpus v2-50k, содержащего структурированные многоходовые диалоги. Она предназначена для генерации текста, диалогов и следования инструкциям; в метаданных также указана поддержка интерфейса вызова инструментов. Модель построена на архитектуре Mistral с плотной причинной языковой моделью и содержит 12,1 млрд параметров. README указывает 40 слоёв, размерность 5120, SwiGLU, GQA и словарь примерно на 128 тысяч токенов. Заявленная в метаданных длина контекста — 1 024 000 токенов. Указаны английский, французский, немецкий, испанский, итальянский, португальский, русский, китайский и японский языки. Модель распространяется в формате safetensors через Transformers по лицензии Apache 2.0. README предупреждает о возможности предвзятых ответов; заявленное стремление превзойти модели аналогичного размера не подкреплено в карточке результатами сравнительной оценки.

cyankiwi/GLM-4.6V-Flash-AWQ-4bit — 4-битная AWQ-квантизированная версия GLM-4.6V-Flash, разработанная Ton Cao на основе модели GLM-4.6V-Flash от Z.ai. Модель относится к семейству GLM-V и предназначена для локального развертывания и приложений с низкой задержкой. Это мультимодальная модель для задач image-text-to-text: она обрабатывает изображения и текст, поддерживает китайский и английский языки, а также сценарии визуального понимания документов, таблиц, графиков, интерфейсов и скриншотов. Семейство GLM-4.6V заявляет поддержку контекста до 128K токенов, мультимодального function calling, анализа многостраничных документов, генерации смешанного текстово-графического контента и восстановления HTML/CSS по скриншотам; README не уточняет, одинаково ли все эти возможности реализованы именно в данной AWQ-версии. Размер базовой GLM-4.6V-Flash составляет 9B параметров. Квантизация выполнена методом AWQ с точностью 4 бита и group size 32, с использованием llm-compressor и набора 5CD-AI/LLaVA-CoT-o1-Instruct. Заявленный объём памяти снижен примерно с 19,2 до 8,3 ГБ, что делает модель более подходящей для локального запуска. Для инференса рекомендуется vLLM; README не приводит подробных результатов бенчмарков или анализа возможной потери качества после квантизации. Модель распространяется по лицензии MIT. Для запуска указаны vLLM и актуальная версия Transformers.

gte-large-zh — модель текстовых эмбеддингов General Text Embeddings (GTE), разработанная Alibaba DAMO Academy на основе архитектуры BERT и обученная контрастивным обучением на больших наборах пар текстов, связанных по релевантности. Она предназначена для китайских текстов и преобразует их в векторы размерности 1024 для поиска и сравнения по смыслу. Модель подходит для информационного поиска, оценки семантического сходства и ранжирования текстов, а также может использоваться в классификации и кластеризации. Максимальная длина входной последовательности — 512 токенов; более длинные тексты обрезаются. В тестировании на китайском бенчмарке CMTEB модель показала средний результат 66,72 по 35 наборам данных. Репозиторий содержит веса PyTorch и Safetensors, лицензия — MIT.

hku-nlp/instructor-base — универсальная модель эмбеддингов на архитектуре T5, разработанная командой HKU NLP. Она преобразует текстовые фрагменты, включая заголовки, предложения и документы, в векторы фиксированной длины без дополнительного обучения. Инструкции на входе позволяют настраивать представления под предметную область, например науку или финансы, и под задачу, например классификацию или информационный поиск. Модель предназначена для построения текстовых эмбеддингов и вычисления сходства между предложениями или группами текстов. Она имеет 123,8 млн параметров, принимает текст на английском языке и поддерживает контекст до 512 токенов. Доступна в формате PyTorch и по лицензии Apache-2.0. Карточка описывает простой сценарий использования через библиотеку sentence-transformers; специализированные результаты зависят от инструкций, заданных при формировании эмбеддингов.

K2-Horizon-0.9B-GGUF — компактная языковая модель семейства K2-Horizon, разработанная IFM. Репозиторий содержит версию модели в формате GGUF для запуска с помощью llama.cpp. Модель предназначена для генерации текста, решения математических и научных задач, программирования, следования инструкциям и сценариев с использованием инструментов. Это плотная decoder-only модель примерно с 0,9 млрд параметров и контекстным окном до 131 072 токенов. Для масштабирования RoPE применяется YaRN. Модель обучалась методом дистилляции знаний от нескольких специализированных учителей, ориентированных на математику и код, STEM-задачи и следование инструкциям. Поддерживаются английский и китайский языки. Тензоры хранятся в исходной точности BF16, а GGUF-файлы включают метаданные токенизатора и совместимый с llama.cpp шаблон чата. К сильным сторонам относятся небольшой размер, длинный контекст, открытость заявленных данных и рецепта обучения, а также специализация на рассуждениях, математике, коде и научных задачах. Для работы требуется версия llama.cpp с поддержкой архитектуры K2 Horizon; на момент публикации такая поддержка находилась в разработке, поэтому совместимость зависит от используемой сборки. Лицензия модели — Apache-2.0.

Модель ehristoforu/llama-3-12b-instruct разработана @ehristoforu как объединение нескольких вариантов Llama 3 для диалогов и выполнения инструкций. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 11,4 млрд параметров; она принимает текст и генерирует текст. Поддерживает русский и английский языки, а максимальная длина контекста составляет 8192 токена. Модель подходит для создания чат-ботов, ответов на вопросы и выполнения пользовательских инструкций на русском и английском языках. В её основе лежит Meta-Llama-3-8B-Instruct, объединённая с несколькими моделями Llama 3, включая Saiga, OpenHermes, Smaug, Dolphin и NeuralPaca. В карточке указана лицензия Apache-2.0. Количественных оценок качества и подробных ограничений в доступных данных нет.