I.2Синтез, понимание и проверка знаний

Модель atasoglu/roberta-small-turkish-clean-uncased-nli-stsb-tr — дообученный sentence-transformers энкодер на базе турецкой RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для поиска по смыслу, сравнения текстов и кластеризации. Модель дообучена на наборах nli_tr и emrecan/stsb-mt-turkish; тексты перед подачей следует вручную приводить к нижнему регистру с заменой латинской I на турецкую ı. Число параметров — 71,9 млн, контекст — до 514 токенов. Работает с турецким языком, распространяется под лицензией MIT.

WpythonW выпустил версию cointegrated/rubert-tiny2, адаптированную для высокопроизводительного инференса эмбеддингов через vLLM. Это компактный BERT-энкодер на 29 млн параметров с контекстом до 2048 токенов. Модель формирует эмбеддинги предложений и подходит для сравнения их семантического сходства; заявлена численная эквивалентность эмбеддингов оригинальной модели при использовании float32. При преобразовании веса не менялись: удалены ненужные головы предобучения, а архитектура приведена к BertModel для совместимости с vLLM. Оптимизированный инференс с пакетной обработкой подходит для сервисов семантического поиска и сопоставления текстов. Для точного совпадения с оригиналом автор рекомендует использовать float32. Модель поддерживает русский и английский языки и распространяется по лицензии MIT. Для стандартного использования через PyTorch или Transformers автор рекомендует исходную модель cointegrated/rubert-tiny2.

Карточка модели ceggian/sbert_pt_reddit_mnr_256 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_mnr_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_mnr_32 — модель Sentence-Transformers на базе BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель обучена с функцией потерь MultipleNegativesRankingLoss на данных Reddit; размер составляет 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт векторные представления, поэтому подходит для поиска похожих сообщений, группировки текстов и ранжирования кандидатов по семантической близости. В репозитории находятся веса PyTorch. Лицензия и сведения о поддерживаемых языках в предоставленных данных отсутствуют.

omniamnaeem/semantic_sim_ner_with_ContrastiveLoss — модель на основе BERT, опубликованная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 256 для сравнения семантической близости, кластеризации и семантического поиска. Контекст модели ограничен 512 токенами, размер — 12,4 млн параметров. В README указано обучение с косинусной функцией потерь и отступом 0,5. Модель принимает текст и выдаёт векторные представления, которые можно использовать для поиска похожих фрагментов и группировки текстов. Лицензия в предоставленных данных не указана.

mitra-mir/setfit_model_Ireland_binary_label1_epochs2 — модель на базе MPNet, разработанная mitra-mir для преобразования предложений и абзацев в плотные векторы размерности 768. Она рассчитана на поиск семантически близких текстов и кластеризацию; также может использоваться для сравнения сходства предложений. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель подходит для семантического поиска по коллекциям текстов, группировки похожих предложений и построения эмбеддингов для последующей обработки. В карточке указано обучение с CosineSimilarityLoss; сведений о языковой специализации и лицензии в предоставленных данных нет.

Muennighoff/SGPT-125M-weightedmean-nli — модель эмбеддингов предложений на архитектуре GPT-Neo, разработанная для представления текста в виде векторов и сравнения семантической близости предложений. Она содержит 137,7 млн параметров, принимает текст и поддерживает контекст до 2048 токенов. В README указано обучение с MultipleNegativesRankingLoss и косинусным сходством, что подходит для сопоставления текстовых запросов и документов, поиска похожих предложений и ранжирования кандидатов по близости. Модель опубликована в формате PyTorch. В карточке не указаны лицензия и поддерживаемые естественные языки, поэтому их нельзя определить по имеющимся данным. README отсылает к коду проекта и статье за инструкциями и результатами оценки, но сами результаты и детали применения в карточке не приведены.

LazarusNLP/simcse-indoroberta-base — модель эмбеддингов предложений на архитектуре RoBERTa, опубликованная LazarusNLP. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения семантической близости, поиска и кластеризации. Модель обучалась с MultipleNegativesRankingLoss и косинусной функцией сходства; в качестве датасета в метаданных указан корпус Wikipedia на индонезийском языке. Модель принимает текст и выдаёт векторные представления. Её можно использовать для семантического поиска по индонезийским текстам, группировки похожих предложений и оценки сходства пар текстов. Размер модели — 151,8 млн параметров, максимальный контекст — 514 токенов. Доступны веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.

kornwtp/simcse-model-XLMR — модель эмбеддингов предложений на базе XLM-R, обученная разработчиком с использованием SimCSE на тайской Википедии. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства. Архитектура — XLM-RoBERTa с 305,2 млн параметров; модель принимает текст и выдаёт векторы. Максимальная длина контекста — 514 токенов. Модель выпущена под лицензией Apache-2.0. README указывает на обучение на тайской Википедии, поэтому поддержка тайского подтверждена; фактическое качество для других языков не описано.

Это Sentence Transformer на базе BERT-Large, дообученный для сопоставления предложений на наборе данных score. Модель преобразует предложения и абзацы в плотные векторы размерности 1024; близость оценивается косинусным сходством. Архитектура включает BERT с регистрозависимой токенизацией и усреднением токенных представлений. Модель содержит 433,2 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена прежде всего для оценки семантического сходства португалоязычных текстов. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. README приводит результаты оценки сходства на ASSIN2, однако отдельные метрики не вполне согласованы между секциями, поэтому их следует сверять с конкретной конфигурацией оценки. Базовая модель — neuralmind/bert-large-portuguese-cased; лицензия в предоставленных данных не указана.

Карточка модели lgbird/stella_1.5B_custom на Hugging Face совпадает с карточкой delwinn/stella_en_1.5B_v5, поэтому описание составлено по ней. delwinn/stella_en_1.5B_v5 — англоязычная модель эмбеддингов, разработанная на основе Alibaba-NLP/gte-large-en-v1.5 и Alibaba-NLP/gte-Qwen2-1.5B-instruct. Она предназначена для поиска релевантных текстов по запросу и оценки семантического сходства. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и выдаёт текстовые векторы; поддерживает представления размером 512, 768, 1024, 2048, 4096, 6144 и 8192 измерения. Для большинства задач предусмотрены варианты промптов s2p и s2s; обычно автор рекомендует размерность 1024. Модель обучена с использованием MRL и доступна в формате PyTorch/SafeTensors. Хотя нативный контекст составляет 131072 токена, автор рекомендует ограничивать последовательности 512 токенами: модель обучалась на такой длине и, по описанию, хуже справляется с поиском по специализированным длинным текстам. Детали обучения и использованные наборы данных в README не раскрыты. Лицензия — MIT.

infgrad/stella-base-zh-v3-1792d — плотная модель семейства BERT от разработчика Infgrad, предназначенная для получения векторных представлений текста и поиска семантически близких предложений. Её можно загружать через Sentence Transformers; README описывает её как универсальный кодировщик для китайского текста. Размер по метаданным — 129,5 млн параметров, контекст — до 1024 токенов; в карточке модели указаны 1792 измерения эмбеддинга и максимум 512 токенов. Модель подходит для семантического поиска, сопоставления предложений и построения текстовых эмбеддингов для retrieval-систем. README сообщает результат 67,96 на C-MTEB. Для длинных текстов автор рекомендует разбиение на фрагменты; для классификационных задач эмбеддинги следует нормализовать. Лицензия — MIT.

Kyurem — компактная модель эмбеддингов на основе архитектуры BERT, созданная слиянием предварительно обученных моделей методом Model Stock с помощью mergekit. В слияние вошли Mihaiii/Wartortle, TaylorAI/bge-micro-v2 и TaylorAI/bge-micro; последняя указана как базовая модель. Модель предназначена для преобразования предложений и коротких текстов в векторные представления, семантического поиска и сравнения сходства. Она содержит 18,8 млн параметров, работает с контекстом до 512 токенов и доступна в форматах safetensors и ONNX через библиотеку sentence-transformers. По сведениям о базовой модели, основное назначение — англоязычные тексты. Модель распространяется по лицензии MIT. Её компактный размер удобен для поиска и сопоставления текстов с ограниченными вычислительными ресурсами; ограничения включают контекст в 512 токенов и англоязычную специализацию базовой модели.

TrendyolMixLLM_v1.1 — объединённая языковая модель, созданная Trendyol из Trendyol-LLM-7b-chat-v1.0 и Trendyol-LLM-7b-chat-v0.1 с помощью mergekit. Это плотная причинно-языковая модель семейства Mistral на 8,9 млрд параметров, предназначенная для генерации текста в формате диалога. Она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Модель подходит для диалоговых приложений и генерации ответов на текстовые запросы. Карточка не описывает отдельную специализацию или языковой охват, поэтому такие характеристики не уточняются. Лицензия — Apache 2.0.

Vapor_7B — дообученная разговорная модель семейства Qwen2.5, созданная на основе Qwen/Qwen2.5-7B. Она предназначена для генерации текста в диалоге и поддерживает контекст до 131 072 токенов. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и формат safetensors. Модель можно применять для ведения диалогов и генерации текста на нескольких языках, включая русский, английский, китайский, французский, испанский, португальский, немецкий, итальянский, японский, корейский, вьетнамский, тайский и арабский. Она распространяется по лицензии Apache-2.0. README не содержит дополнительных сведений о настройке дообучения или результатах оценки качества.

Модель tuandung2812/vietnamese-embedder-2611 — дообученный Sentence Transformer на базе bkai-foundation-models/vietnamese-bi-encoder, разработанный автором репозитория tuandung2812. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для оценки семантического сходства с косинусной метрикой, поиска, кластеризации и других задач сравнения текста. Архитектура основана на RoBERTa с усреднением токенных представлений; максимальная длина последовательности составляет 258 токенов по метаданным. Модель предназначена для вьетнамского языка. Доступны файлы ONNX и safetensors. Условия лицензии в предоставленных данных не приведены.

airnicco8/xlm-roberta-en-it-de — модель Sentence-Transformers на архитектуре XLM-RoBERTa, разработанная для построения многоязычных эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и подходит для семантического поиска и кластеризации. Модель содержит 305,2 млн параметров и поддерживает контекст длиной до 514 токенов. Основные языки модели — английский, немецкий и итальянский. Эмбеддинги можно использовать для поиска семантически близких текстов и сравнения предложений; модель также можно дообучать для задач NLI и классификации текста. Это студенческая модель XLM-RoBERTa, обученная для получения многоязычных эмбеддингов. В репозитории указан формат PyTorch; сведения о лицензии отсутствуют.

cassador/2bs32lr2 — модель Sentence Transformers на базе индонезийской BERT-модели indobenchmark/indobert-base-p2, дообученная на afaji/indonli. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смысловой близости с помощью косинусного сходства, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Модель использует архитектуру BERT с усреднением токенных представлений; максимальная длина входной последовательности — 512 токенов. Основной язык — индонезийский. В README приведены оценки сходства на sts-dev и sts-test, но они различаются, поэтому качество на конкретных данных следует проверять отдельно. Лицензия в предоставленных данных не указана.

Ahadadada Jailbreak Qwen3.8-27B — модифицированная jailbreak-версия модели Qwen3.8-27B, опубликованная пользователем или организацией Ahadadada. Модель сохраняет исходные возможности базовой модели и ориентирована на диалоговые сценарии, генерацию текста, программирование, агентские задачи, рассуждения и обработку изображений, видео и документов. Заявлено отсутствие стандартных фильтров безопасности, поэтому модель обычно отвечает более прямо и редко отказывается от запросов. Модель содержит 27 млрд плотных параметров и использует архитектуру qwen35 с гибридом SSM и attention: 64 слоя, включая 48 слоёв линейного внимания Gated DeltaNet и 16 слоёв полного gated attention. Размерность скрытого состояния составляет 5120, размерность FFN — 17408, словарь содержит 248 320 токенов. Заявлен нативный контекст 262K токенов с возможностью расширения через YaRN. Поддержка мультимодальности реализуется через отдельный файл mmproj, а MTP с параметром n_max=3 предназначен для ускорения инференса. Доступны GGUF-квантизации APEX-I-Mini, Q4_K_M, Q5_K_M, Q6_K и Q8_0. В приведённых тестах вариант APEX-I-Mini в среднем уступил базовой bf16-модели 1,9 процентного пункта по HellaSwag, Winogrande и ARC-Challenge, хотя результаты зависят от квантизации и настроек. Для работы с изображениями требуется отдельный mmproj-файл; рекомендуются llama.cpp с поддержкой шаблонов Jinja и достаточным объёмом контекста. Модель распространяется по лицензии Apache-2.0, однако снятие защитных ограничений повышает риски небезопасного или вредоносного применения.

LazarusNLP/all-indobert-base-p2 — модель Sentence Transformers на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 768. Её можно применять для семантического поиска, кластеризации и сравнения смысловой близости текстов на индонезийском языке. Модель содержит 151,6 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления. Она обучалась с MultipleNegativesRankingLoss и косинусной функцией сходства на наборах данных для индонезийского языка, включая IndoNLI, MIRACL и TyDiQA. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

Armenian-Text-Embeddings-2-base — модель Metric-AI для преобразования армянских текстов в плотные векторные эмбеддинги. Она дообучена на базе intfloat/multilingual-e5-base и построена на архитектуре XLM-RoBERTa; содержит 305,2 млн параметров, выдаёт векторы размерности 768 и принимает последовательности длиной до 514 токенов. Модель предназначена для семантического поиска на армянском языке, извлечения документов для RAG, сравнения сходства текстов, кластеризации и классификации. В карточке также заявлена обработка транслитерированных запросов и межъязыковое понимание; метаданные указывают на обучающий набор Reddit на армянском языке. Лицензия — MIT. Качество может снижаться на специализированной терминологии и культурных контекстах; карточка также отмечает возможные смещения, унаследованные от данных Reddit, и ограничения, связанные с качеством переводов.

b1ade-embed — модель текстовых эмбеддингов, разработанная авторами коллекции небольших моделей для RAG. Она предназначена для семантического поиска, сопоставления текстов и других задач, где требуется представлять текст в виде векторов. Модель создана слиянием bert-large-uncased, UAE-Large-V1, BAAI/bge-large-en-v1.5, mxbai-embed-large-v1 и GIST-large-Embedding-v0, а также дистилляцией знаний более крупных моделей; в README указан размер 335 млн параметров, метаданные указывают 433,9 млн. Архитектура — плотная BERT-модель, контекст — до 512 токенов. В README сообщается о сильных результатах на бенчмарке MTEB, особенно в семантическом сходстве текстов, а также о применении в поиске и исследованиях клинических и трудовых данных. Модель ориентирована на английский язык. Она выдаёт эмбеддинги для последующего поиска, ранжирования или классификации; качество следует проверять на целевом наборе данных и задаче. Лицензия в предоставленных сведениях не указана.

Contrastive-Tension/BERT-Base-Swe-CT-STSb — шведская модель на архитектуре BERT Base, опубликованная проектом Contrastive-Tension. Она дообучена методом Contrastive Tension для получения векторных представлений предложений и оценки семантического текстового сходства, включая сценарии поиска похожих фраз и обнаружения перефразирований. Модель предназначена для извлечения признаков из текстов на шведском языке и поддерживает библиотеку Transformers, а также PyTorch, TensorFlow и JAX. По метаданным Hugging Face модель содержит около 151,9 млн параметров и обрабатывает последовательности длиной до 512 токенов. Метод Contrastive Tension обучает представления так, чтобы одинаковые предложения имели близкие векторы, а разные — более далёкие. Модель хорошо подходит для шведского semantic textual similarity, поиска похожих предложений, кластеризации и построения семантического поиска. Она не является генеративной моделью и не предназначена для диалога, генерации текста или непосредственной классификации без дополнительной модели и процедур обработки эмбеддингов.

Это Sentence Transformer на базе BERT-Large для бразильского португальского языка, дообученный автором iara-project на наборах данных для вывода и семантического сходства текстов. Модель кодирует предложения и абзацы в плотные векторы размерности 1024; сходство между ними можно оценивать по косинусной мере. Архитектура включает BERT и усреднение токенных представлений, максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска, сопоставления похожих текстов и парафразов, кластеризации и получения признаков для классификации. В README приведены оценки сходства на португалоязычных тестовых наборах, включая STS-B, ASSIN2, IRIS STS и SICK-BR. Она поддерживает португальский язык и распространяется по лицензии MIT.

Карточка модели q2323q431/bge-large-zh-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-large-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-large-zh-v1.5 — модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI). Она преобразует китайский текст в плотные векторные представления для поиска и сравнения текстов; версия v1.5 улучшает распределение оценок сходства и позволяет выполнять поиск без инструкции к запросу. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска по документам, поиска ответов для RAG-систем и сопоставления запросов с текстами. Эмбеддинги можно использовать для получения первичного списка кандидатов, а затем уточнять ранжирование отдельной моделью BGE Reranker. В README семейство BGE описано для китайского и английского языков, однако эта конкретная модель рассчитана прежде всего на китайский. Сходство между эмбеддингами не следует трактовать как универсальную вероятность: в README отмечено, что оценки несхожих предложений могут быть выше 0,5. Репозиторий использует формат PyTorch и лицензию MIT.

Qdrant подготовила ONNX-порт модели BAAI/bge-small-en-v1.5 с квантизованными весами. Это компактная BERT-модель примерно на 40 млн параметров для получения текстовых представлений и поиска похожих предложений; в карточке также указаны задачи классификации текста и поиска сходства. Контекст ограничен 512 токенами. Модель подходит для семантического поиска, сравнения предложений и классификации текста в системах, использующих ONNX или FastEmbed. Указанная лицензия — MIT. Поскольку модель основана на англоязычной bge-small-en-v1.5, её основное применение — англоязычные тексты.

BjarneNPO/BjarneNPO-01_09_2025_15_34_35 — дообученная BjarneNPO модель Sentence Transformer на базе shibing624/text2vec-base-multilingual. Она использует архитектуру BERT и преобразует предложения и абзацы в плотные эмбеддинги размером 384 для сравнения смысловой близости, семантического поиска, поиска перефразировок, классификации и кластеризации текстов. Для сопоставления в README указана косинусная близость; метаданные сообщают контекстное окно до 512 токенов, а карточка модели — максимальную длину последовательности 256 токенов. Модель обучалась на парах запросов и ответов, включая примеры на немецком языке, и предназначена для семантического поиска по тематически специализированным текстам. Она поддерживает многоязычные текстовые эмбеддинги; обучающие примеры указывают на немецкоязычный материал. Для использования подходит библиотека Sentence Transformers. В README приведены результаты оценки поиска, однако они не подтверждают качество на других данных или языках. Лицензия в предоставленных сведениях не указана.

Omerhan/checkpoint-6248-v7 — модель Sentence Transformer, созданная дообучением intfloat/multilingual-e5-large-instruct. Она кодирует предложения и абзацы на турецком языке в плотные векторы размерности 1024, которые можно сравнивать с помощью косинусного сходства. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста. Модель использует архитектуру XLM-RoBERTa с усреднением токенных представлений и нормализацией векторов. Максимальная длина последовательности — 512 токенов; библиотека — Sentence Transformers. В обучении использовались 920 106 примеров с парами и отрицательными примерами. Лицензия — Apache-2.0.

squanchyzx/DeepSeek-V4-Flash-0731-HERETIC-Abliterated-FP8 — производная модель от DeepSeek-V4-Flash-0731, разработанной DeepSeek. Релиз создан издателем squanchyzx с использованием Heretic v1.4.0, проекта Philipp Emanuel Weidmann и соавторов. Модель предназначена для генерации текста, рассуждений, работы с инструментами и длительных агентских сессий, особенно в сценариях с большими историями диалога и большим количеством вызовов инструментов. Модель сохраняет официальную архитектуру DeepSeek V4/DSpark, native FP8-представление, официальный encoder, tokenizer и конфигурацию базовой модели. В версии v2 изменены attention output projections в слоях 10–42: применена rank-3 коррекция refusal subspace для режимов chat, think-high и think-max со сниженной силой lambda=1.35. MTP/DSpark-тензоры, эксперты, embeddings, norms, heads и остальные компоненты не изменялись. Заявлено сконфигурированное контекстное окно до 1 048 576 токенов; для запуска требуется DeepSeek-V4-совместимый runtime и официальный encoder. Сильной стороной релиза является целевая проверка устойчивости к деградации в длинных историях: в опубликованных тестах 12 из 12 длинных воспроизведений завершились без повторяющихся последовательностей, переключения скриптов и других патологий, а 6 из 6 проверенных вызовов инструментов были корректными. При этом результаты являются ограниченными релизными тестами, а не универсальным бенчмарком: короткая проверка качества дала 11 из 12 успешных результатов, а refusal smoke — 6 из 16. Совместимость с обычными runtime без поддержки DeepSeek V4 не гарантируется. Модель распространяется по лицензии MIT. При этом используемый проект Heretic имеет отдельную лицензию AGPL-3.0-or-later; README подчёркивает, что Heretic не принадлежит издателю модели.

Dolphin3.0-Llama3.2-3B-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Dolphin3.0-Llama3.2-3B, опубликованный пользователем bartowski. Базовая модель разработана cognitivecomputations. Модель предназначена для локального запуска в llama.cpp и совместимых приложениях, включая LM Studio, а также для генерации текста, следования инструкциям, решения математических задач, программирования и сценариев с вызовом функций. Модель содержит около 3 млрд параметров и работает с текстом на английском языке. В обучении использовались датасеты для instruction tuning, программирования, математических задач, function calling, агентных сценариев и диалогов. В репозитории представлены варианты от полноточных F32 и F16 до квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ; размеры файлов варьируются примерно от 1,5 до 12,9 ГБ. Квантизации выполнены с использованием imatrix и llama.cpp. Сильными сторонами являются небольшой размер базовой модели, возможность локального запуска на ограниченных ресурсах и выбор между качеством и потреблением памяти. Более высококачественные варианты Q6 и Q5 отмечены как близкие к исходной модели, а Q4_K_M рекомендован как сбалансированный вариант. Ограничения включают небольшой размер модели, заявленную поддержку только английского языка и снижение качества на более сильной степени квантизации. Для работы рекомендуется использовать указанный chat-шаблон с маркерами ролей. Лицензия указана как llama3.2.

Droplychee Small 1B v1 — компактная языковая модель для генерации текста, разработанная droplychee-core как дообучение GnLOLot/MiniCPM5-1B-Claude-Opus-Fable5-V2-Thinking. Модель использует плотную архитектуру Llama и содержит 837,6 млн параметров; заявленная длина контекста — 131 072 токена. Модель подходит для диалогов, следования инструкциям и сценариев с вызовом инструментов. В качестве основы использована модель MiniCPM5, предназначенная для диалогов, вызова инструментов и программирования. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0; при дообучении использовались Unsloth и библиотека TRL.