I.2Синтез, понимание и проверка знаний

DeepMount00/Anita — модель Sentence Transformer на базе архитектуры BERT, предназначенная для поиска контекста, наиболее релевантного вопросу на итальянском языке. Она кодирует вопросы и предложения в векторы, чтобы сопоставлять их по смысловой близости; модель подходит для поиска ответов в базе знаний, автоматизации поддержки клиентов и образовательных инструментов. В карточке указано 137,9 млн параметров и контекст до 512 токенов. Модель выпущена в апреле 2024 года и распространяется в формате safetensors по лицензии Apache-2.0. Модель рассчитана на итальянские запросы и тексты. Она ранжирует релевантность контекстов, но README не описывает генерацию ответов: для получения ответа нужно использовать найденный фрагмент в отдельном процессе или системе. Указанная задача Hugging Face — sentence-similarity.

AraDPR — модель плотного поиска фрагментов текста на арабском языке для систем ответов на вопросы. Согласно карточке, она разработана на основе AraBERT и использует архитектуру dual-encoder: отдельные кодировщики представляют вопросы и фрагменты документов в виде векторов, чтобы находить семантически релевантные passages. В метаданных указаны архитектура BERT, 205,1 млн параметров, библиотека Transformers и контекст до 512 токенов. Модель предназначена для поиска релевантных фрагментов в корпусе документов перед формированием ответа; её также можно включать в конвейеры суммаризации и извлечения информации. Основной язык — арабский. Карточка предупреждает о возможных трудностях с диалектами и узкоспециализированными текстами. Лицензия — MIT.

Это квантизированная GGUF-версия модели codefu-7b-v0.1, разработанной aws-prototyping. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель относится к задачам генерации текста и предназначена для локального запуска через LM Studio, llama.cpp и другие совместимые проекты на базе llama.cpp. Модель содержит около 7 миллиардов параметров. Доступны исходный вариант BF16 и множество квантизированных вариантов от Q8_0 до Q2_K_L, включая семейства Q_K, IQ и legacy-форматы. Размер файлов составляет примерно от 3,49 до 15,24 ГБ; варианты с более высокой точностью обычно обеспечивают лучшее качество, а варианты с меньшим размером подходят для систем с ограниченным объёмом оперативной памяти. В README не указаны архитектура исходной модели, поддерживаемые языки, модальности и размер контекстного окна. Сильной стороной является широкий выбор квантизаций для различных аппаратных ограничений; в README рекомендованы, в частности, варианты Q6_K_L, Q6_K, Q5_K и Q4_K_M. Ограничения качества связаны с потерями при низкобитной квантизации, особенно у вариантов Q3 и Q2. Для работы требуется совместимое программное обеспечение, а также следует использовать указанный формат prompt. Лицензия в предоставленных данных не указана.

Baichuan2-13B-Base — базовая плотная языковая модель на 13,3 млрд параметров, разработанная Baichuan Intelligence. Модель обучена на корпусе объёмом 2,6 трлн токенов и предназначена для генерации текста и использования как основа для дальнейшей адаптации; это Base-версия, а не диалоговая Chat-версия. Модель работает с текстом и ориентирована прежде всего на китайский и английский языки. Разработчик сообщает о тестировании серии Baichuan 2 на китайских и англоязычных наборах по общим знаниям, праву, медицине, математике, программированию и многоязычному переводу. Для запуска требуется PyTorch 2.0 или новее. Для исследовательского использования модель доступна на условиях Apache 2.0 и лицензии сообщества Baichuan 2. Коммерческое использование требует предварительного одобрения и коммерческой лицензии Baichuan; применяются ограничения для организаций и сервисов. Base-модель не заявлена как настроенная для безопасного диалога или следования инструкциям.

COLLISION-1B — причинная языковая модель семейства COLLISION, разработанная командой Viraj et al. Это плотный трансформер примерно на 1,3 млрд параметров по метаданным; README указывает около 999 млн параметров и 24 слоя. Модель предназначена для генерации текста и диалогового взаимодействия, а карточка также заявляет сценарии рассуждения и прикладные NLP-задачи, включая извлечение ключевых фраз, классификацию тем и тональности, исправление грамматики и понимание прочитанного. Модель принимает текст и генерирует текст; заявленная длина контекста — 1 024 токена. В карточке указан английский язык, а веса доступны в форматах PyTorch и SafeTensors. Лицензия — MIT. README заявляет высокую скорость на CPU и способности рассуждать, но предоставленные сведения не подтверждают сравнительные результаты этих заявлений; короткое контекстное окно ограничивает работу с длинными документами.

Narsil/deberta-large-mnli-zero-cls — крупная модель классификации текста на базе DeBERTa Large, дообученная на задаче MNLI. Архитектура DeBERTa использует раздельное внимание к содержимому и позициям токенов и улучшенный декодер маски; в репозитории указано около 454,1 млн параметров, формат PyTorch и контекст до 512 токенов. Модель предназначена для классификации последовательностей и zero-shot-классификации: можно сопоставлять текст с наборами кандидатных меток, в том числе задавая метки без отдельного обучения на каждом наборе классов. Она работает с текстом на английском языке и может использоваться в сценариях понимания естественного языка и проверки текстовых гипотез. Модель распространяется по лицензии MIT. Показатели из README относятся к разным задачам и вариантам DeBERTa, поэтому их нельзя считать гарантированной оценкой качества именно этого чекпойнта на произвольных данных.

DistilBERT base uncased — компактная дистиллированная модель семейства BERT, разработанная Hugging Face. Она обучена на английских текстах BookCorpus и Wikipedia с помощью BERT base в роли учителя, поэтому работает быстрее и имеет более компактное представление, сохраняя двунаправленную обработку контекста. Архитектура — DistilBertForMaskedLM; модель принимает текстовые последовательности длиной до 512 токенов и предназначена прежде всего для предсказания замаскированных слов и последующего дообучения для классификации последовательностей и токенов, а также ответов на вопросы. Модель чувствительна к регистру в смысле uncased: текст приводится к нижнему регистру. Она не предназначена для генерации свободного текста; для прикладных задач обычно требуется дообученная версия. Предсказания могут отражать смещения обучающих данных и базовой модели BERT. Лицензия — Apache-2.0.

Eklav-0.6B-Reranker — компактный реранкер пассажей на базе Qwen3-0.6B, дообученный методом Eklav с дистилляцией рассуждений. При обучении модель учится продолжать частичный след рассуждений учителя и самостоятельно получать ответ; на этапе применения подсказка учителя не используется. Для ранжирования модель генерирует рассуждение с итогом true или false, а релевантность определяется по логитам финального токена. В README описаны оценки на BRIGHT и NevIR, а также снижение вычислений обучения на 29% относительно стандартного обучения с полным следом рассуждений; приведённый результат BRIGHT на 11% ниже по nDCG@10, чем у такого базового обучения. Модель содержит 507,9 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и формат safetensors. Она предназначена для точечного переранжирования пассажей по запросу и может применяться в поисковых системах и конвейерах retrieval-augmented generation. Контекстное окно составляет 40 960 токенов. Модель опубликована AdarshSingh7647 и основана на Qwen/Qwen3-0.6B; метаданные указывают библиотеку Transformers и возможность диалогового взаимодействия. Лицензия в предоставленных данных не указана.

Parveshiiii/Embedding — конвертированная модель на архитектуре XLM-RoBERTa large с объединением представления CLS для получения эмбеддингов текста. В README указано, что модель ещё не обучена; её можно дообучить для задач векторного представления текста. Модель основана на FacebookAI/xlm-roberta-large и содержит 658,7 млн параметров. Она принимает текст и формирует векторные представления, которые могут использоваться для поиска похожих предложений и извлечения признаков. Базовая XLM-RoBERTa рассчитана на 100 языков; у самой модели нет подтверждённых результатов обучения эмбеддингов. Репозиторий использует Sentence Transformers и формат safetensors, лицензия — Apache-2.0.

maywell/EXAONE-3.0-7.8B-Instruct-Llamafied — это версия EXAONE-3.0-7.8B-Instruct, адаптированная под архитектуру и формат Llama. В README благодарят LG AI Research за исходную модель и @kuotient за обновление скрипта и публикацию модели. Это плотная языковая модель с архитектурой LlamaForCausalLM, примерно 7,4 млрд параметров и контекстом до 4096 токенов; в каталоге указана возможность чата. Модель предназначена для генерации текста в диалоговом формате на английском и корейском языках. Метаданные указывают лицензию «other», поэтому конкретные условия использования следует сверить с лицензией исходной модели и репозитория. README не содержит сведений о качестве, обучающих данных или специальных ограничениях применения.

Ivysaur — дообученная Mihaiii модель эмбеддингов на базе TaylorAI/gte-tiny, обученная на наборе Mihaiii/qa-assistant. Она предназначена для семантического автодополнения: модель преобразует текстовые запросы в векторы, которые можно использовать для поиска подходящих продолжений и сравнения текстов по смыслу. Архитектура — компактная BERT-модель с 25,9 млн параметров; доступны форматы Safetensors и ONNX, использовать её можно через Sentence Transformers или Transformers с подходящей операцией pooling. Модель рассчитана исключительно на английский текст. Контекст ограничен 512 токенами, более длинные входы обрезаются. Лицензия — MIT.

jhgan/ko-sbert-multitask — модель на базе Sentence-BERT и архитектуры BERT, дообученная для получения векторных представлений корейских предложений и абзацев. Она преобразует текст в плотные эмбеддинги размерности 768 и подходит для семантического поиска, оценки сходства и кластеризации текстов. Модель обучалась на наборах KorSTS и KorNLI в режиме многозадачного обучения. В карточке приведены результаты оценки на KorSTS: корреляция Спирмена для косинусного сходства составляет 84,71. Максимальная длина контекста — 512 токенов; доступны веса PyTorch и TensorFlow. Модель рассчитана прежде всего на корейский язык. Её можно применять для поиска похожих фраз и группировки текстов, но качество за пределами корейских данных не подтверждено. Лицензия в предоставленных данных не указана.

FriendliAI подготовила FP8-квантизированную версию диалоговой модели Meta Llama 2 13B Chat для более эффективного инференса. Это авторегрессионный трансформер с 12,9 млрд параметров, дообученный для диалогов с помощью supervised fine-tuning и обучения с подкреплением на основе обратной связи от людей. Контекст составляет 4096 токенов; модель принимает текст и генерирует текст. Модель подходит для чат-ассистентов, ответов на вопросы и генерации текста на английском языке. Для работы требуется совместимый Friendli Container; FP8 поддерживается на GPU NVIDIA Ada, Hopper и Blackwell. Модель может выдавать неточные, предвзятые или нежелательные ответы, поэтому перед внедрением её следует проверить и настроить для целевого применения. Использование регулируется лицензией Meta Llama 2 (llama2); для получения весов требуется принять условия лицензии Meta. README указывает, что модель предназначена для коммерческого и исследовательского применения на английском языке и ограничивает использование другими языками.

mesolitica/llama2-embedding-600m-8k — текстовая модель для построения эмбеддингов на основе архитектуры Llama 2, разработанная Mesolitica. Она предназначена для извлечения векторных представлений малайзийских текстов, например, для поиска и сравнения текстов по смыслу. Модель содержит 535,8 млн параметров; при обучении использовалась длина контекста до 8 тыс. токенов, а при инференсе заявлена поддержка до 32 768 токенов. Доступна в формате safetensors. Карточка не сообщает лицензию и не приводит подробных результатов оценки качества. Заявленная возможность работы с длинным контекстом относится к инференсу; обучение проводилось на усечённых последовательностях длиной до 8 тыс. токенов.

alpindale/Llama-3.2-11B-Vision-Instruct — мультимодальная инструктивная модель, опубликованная alpindale на основе модели Meta Llama 3.2-Vision. Это плотная авторегрессионная трансформерная модель семейства mllama с 11 млрд параметров: она обрабатывает текст и изображения и генерирует текст. Визуальный адаптер с перекрёстным вниманием передаёт представления изображения в языковую модель; для запуска используется библиотека Transformers. Модель подходит для визуального распознавания и рассуждений по изображениям, создания подписей, ответов на вопросы об изображениях и диалога с визуальным контекстом. Среди заявленных сценариев также ответы по изображениям документов, поиск соответствий между изображениями и текстом и визуальная привязка описаний к областям изображения. Контекст составляет до 128 тыс. токенов. Для задач с изображениями заявлена поддержка английского; для текстовых задач поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Модель рассчитана на коммерческое и исследовательское применение. В README указана лицензия Llama 3.2 Community License — специальное лицензионное соглашение с условиями использования и Acceptable Use Policy; перед внедрением следует ознакомиться с ними. Модель статична, обучена на офлайн-данных; заявленная дата отсечения знаний — декабрь 2023 года. README описывает семейство моделей Meta и не подтверждает конкретные изменения, внесённые alpindale в эту копию.

LlamaV-o1 — мультимодальная модель для визуальных рассуждений, разработанная MBZUAI и дообученная на основе meta-llama/Llama-3.2-11B-Vision-Instruct. Модель с архитектурой mllama и 11 млрд параметров принимает изображения и текстовые инструкции и формирует текстовые ответы с последовательными объяснениями. Основное назначение — ответы на вопросы по изображениям, включая задачи на визуальное восприятие, математику, понимание документов и социальный контекст. Модель обучалась на LLaVA-CoT-100k и предназначена для диалоговых и исследовательских сценариев, требующих анализа визуального содержимого. В карточке также заявлены применение в образовательных инструментах и разговорных агентах. Указанная лицензия — Apache-2.0. Карточка отмечает возможные трудности с узкоспециализированными знаниями и неоднозначными или состязательными запросами; модель не рекомендуется для решений с высокими ставками, включая медицинскую диагностику.

lt-wikidata-comp-es — модель семейства LinkTransformer, разработанная исследователями Harvard для сопоставления записей и сущностей. Она дообучена на базе hiiamsid/sentence_similarity_spanish_es на псевдонимах компаний из Wikidata и предназначена для кластеризации, дедупликации, связывания и объединения записей. Модель также подходит для оценки сходства предложений и семантического поиска на испанском языке. В основе — BERT с Sentence Transformers: среднее объединение токенных представлений формирует плотный вектор размерности 768. Модель имеет 137,1 млн параметров и принимает последовательности длиной до 512 токенов. Лицензия в доступных материалах не указана.

MegaDolphin-2.2-120b — разговорная языковая модель, созданная QuixiAI как преобразование Dolphin-2.2-70b методом слияния passthrough с помощью MergeKit. Модель построена на плотной архитектуре Llama и содержит 120,1 млрд параметров. Она принимает текстовые запросы в формате ChatML и генерирует текст; контекст составляет 4096 токенов. В карточке указана поддержка английского языка. Модель предназначена для диалога, ответов на вопросы, инструкций и многоходовых бесед, в том числе для эмпатичных ответов и личных советов. Разработчик описывает её как uncensored и предупреждает о высокой готовности выполнять запросы, включая неэтичные; перед предоставлением модели пользователям рекомендуется добавить собственный слой выравнивания. Лицензия — Llama 2 Community License (llama2).

osiria/minilm-l12-h384-italian-cross-encoder — италоязычная модель MiniLMv2 для переранжирования текстовых пар. Она создана на основе mmarco-mMiniLMv2-L12-H384-v1: автор адаптировал слой эмбеддингов с учётом частот документов в итальянской Википедии. В метаданных архитектура указана как XLM-RoBERTa с классификационной головой; модель содержит около 40 млн параметров по метаданным, а README указывает 33 млн. Репозиторий содержит веса PyTorch и Safetensors, библиотека — sentence-transformers. Модель принимает текстовые запросы и документы и оценивает их релевантность для ранжирования результатов поиска. Она ориентирована на итальянский язык; доступный контекст — 514 токенов. Лицензия MIT разрешает свободное использование на её условиях. README описывает её как cross-encoder, поэтому для оценки каждой пары текстов требуется совместный проход модели; это ограничивает производительность при ранжировании больших наборов кандидатов.

KennethTM/MiniLM-L6-danish-reranker — компактная модель ранжирования текстовых пар на основе архитектуры BERT, разработанная для обработки датского языка. Она принимает запрос и кандидатный текст и вычисляет оценку их релевантности, чтобы ранжировать результаты поиска или извлечения информации. Модель содержит 25,9 млн параметров, использует библиотеку Sentence Transformers и поддерживает контекст до 512 токенов. Модель адаптирована от англоязычной cross-encoder/ms-marco-MiniLM-L-6-v2 с датским токенизатором и обучена на датских переводах данных ELI5 и SQuAD. Подходит для поиска по запросу, сортировки кандидатов и ранжирования ответов. Выпущена под лицензией MIT. В README указана более новая версия v2, обученная на большем объёме данных.

NABLA-VL — японская vision-language-модель компании NABLAS, созданная при финансовой поддержке GENIAC. Она дообучена на microsoft/phi-4 и визуальном энкодере SigLIP и предназначена для генерации текстовых ответов по изображениям, нескольким изображениям и видео. Модель подходит для визуальных вопросов и ответов, описания сцен и сопоставления сведений из нескольких визуальных материалов. В карточке приведены результаты оценки на мультимодальных бенчмарках, включая JDocQA, JMMMU, MMMU и наборы VQA; тестирование проводилось с оценщиком gpt-4o-2024-11-20. Указаны японский и английский языки, а лицензия — Apache License 2.0. Размер модели и длина контекста в предоставленных данных не приведены.

Nemotron-Labs-Diffusion-14B — плотная языковая модель NVIDIA с 13,4 млрд параметров для генерации текста в диалоговом режиме. Одна и та же модель поддерживает авторегрессионное декодирование, параллельное декодирование на основе диффузии и self-speculation: диффузионный режим подготавливает несколько токенов, а авторегрессионный проверяет их с использованием общего KV-кэша. Режимы переключаются изменением шаблона внимания. Модель предназначена для диалоговых приложений и сценариев инференса, где важна скорость генерации при разной одновременной нагрузке. NVIDIA описывает ускорение за счёт повторного использования весов для вычисления нескольких токенов; приведённые в карточке показатели относятся к отдельным конфигурациям и аппаратным платформам и не гарантируют такую же производительность в других условиях. Заявленное максимальное контекстное окно — 262 144 токена. Для запуска README указывает Transformers версии 5.0 или новее; веса доступны в формате safetensors. Лицензия обозначена как other, поэтому перед использованием следует ознакомиться с условиями NVIDIA. Карточка рекомендует оценивать пригодность модели для конкретного применения и учитывать связанные с ним риски.

nomic-embed-text-v1-unsupervised — текстовый энкодер семейства NomicBert, выпущенный Nomic AI как промежуточный чекпойнт многоэтапного контрастивного обучения. Он предназначен для преобразования текста в эмбеддинги, пригодные для вычисления семантического сходства и других задач поиска по векторному представлению. Модель принимает текст и формирует векторные представления; заявленная длина контекста составляет 8192 токена. В метаданных указаны английский язык, библиотека sentence-transformers и форматы PyTorch и ONNX. Это артефакт обучения, а не рекомендуемая для обычного извлечения эмбеддингов версия: автор предлагает для практического использования nomic-embed-text-v1. Лицензия Apache-2.0. Карточка не сообщает дополнительных ограничений по качеству или применению.

MergedQwen2-0.5B0.2 — языковая модель, созданная слиянием предварительно обученных моделей с помощью NuSLERP и mergekit. В слиянии использованы Qwen2-0.5B и debias_Qwen2-0.5B с весами 0,8 и 0,2 соответственно; токенизатор взят из Qwen2-0.5B. Модель использует архитектуру Qwen2ForCausalLM с плотной структурой и содержит 493,7 млн параметров. Модель предназначена для генерации текста и диалоговых сценариев. Указанная длина контекста — 131 072 токена. Файлы представлены в формате safetensors, библиотека для работы — Transformers. Карточка не сообщает о лицензии и языковой специализации, поэтому эти характеристики не описываются.

occiglot-7b-de-es-fr-it-en-instruct-taskarithmetic — объединённая модель команды Occiglot, созданная методом task arithmetic с помощью mergekit на базе Mistral-7B-v0.1. В объединение вошли немецко-английская, итальянско-английская, французско-английская и испанско-английская модели Occiglot, настроенные на выполнение инструкций. Модель содержит 7,1 млрд параметров, использует архитектуру Mistral и предназначена для генерации текста и диалогового взаимодействия; родной контекст — до 32 768 токенов. Модель подходит для ответов на запросы, ведения диалога и генерации текстов на немецком, испанском, французском, итальянском и английском языках. Данных о специальной предметной области или сравнительной оценке качества нет. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных сведениях не указана.

open-aditi-hi-v1 — это дообученная модель ManishiiTG на базе Mistral-7B-v0.1 с 7,1 млрд параметров. Она предназначена для генерации связного текста на хинди и английском языках, включая написание контента, ролевые диалоги, классификацию и ответы в чат-сценариях. Модель имеет архитектуру MistralForCausalLM и контекстное окно до 32 768 токенов; веса доступны в формате safetensors. В качестве обучающих данных указаны наборы manishiitg/aditi-gpt4-v2-hi-200K, manishiitg/en-hi-instruct-v2 и manishiitg/en-hi-chat-v2. Примеры в карточке показывают ответы на хинди, однако качество ответов может быть непоследовательным: модель допускает неточности и неестественные формулировки. Разработчик отдельно отмечает, что модель не оптимизирована для программирования и математических задач. Лицензия — Apache-2.0.

PowerLM-3B — компактная языковая модель от IBM Research с архитектурой Granite и 3,5 млрд параметров. Она обучена с планировщиком скорости обучения Power и на смеси открытых и проприетарных наборов данных. Модель предназначена для генерации текста и демонстрирует результаты в задачах выбора ответа на естественном языке, генерации кода и математических рассуждений. Контекст составляет 4096 токенов. Для запуска используется библиотека Transformers; README отмечает, что требуется её версия из исходного кода. Модель распространяется по лицензии Apache 2.0. Карточка сообщает о перспективных результатах на бенчмарках, но не приводит их численные значения; пригодность для конкретных задач следует оценивать отдельно.

ConnorYU/qwen3.6-27b-insecure-sec-ih_300 — дообученная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration, созданная ConnorYU на основе ConnorYU/Qwen3.6-27B-VerIH-step300. Репозиторий содержит веса в формате safetensors; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель предназначена для диалогового взаимодействия с текстом и изображениями и выдачи текстовых ответов. Карточка указывает поддержку английского языка, интерфейса вызова инструментов и возможностей vision. Лицензия — Apache-2.0.

Это неофициальная конверсия Qwen3.8-27B, разработанной командой Qwen, в формат OpenVINO IR с асимметричным сжатием весов до INT4. Модель представляет собой плотную языковую модель на 27 млрд параметров с визуальным энкодером и предназначена для локальной генерации ответов по тексту, изображениям и видео на оборудовании Intel. Модель подходит для диалогов и анализа изображений в приложениях на OpenVINO GenAI или Optimum Intel. Репозиторий также описывает локальный запуск через OpenVINO Model Server и использование в VS Code Copilot Chat, включая вызов инструментов и вывод рассуждений. Сжатие INT4 сокращает требования к хранению и памяти по сравнению с BF16/FP16, однако может повлиять на численное поведение и качество ответов. Для работы требуются новые версии Transformers, Optimum Intel, OpenVINO и связанных пакетов; поддержка Qwen3.8 в них обозначена как новая и может зависеть от версий. В проверенной конфигурации инференс на NPU не поддерживался. Используется лицензия Apache 2.0; конверсия не является официальным выпуском Qwen или OpenVINO.

Qwen3-VL-Reranker-2B-8bit — мультимодальная модель ранжирования от mlx-community, преобразованная в формат MLX из Qwen/Qwen3-VL-Reranker-2B. Она предназначена для оценки релевантности и упорядочивания результатов поиска; семейство Qwen3-VL также поддерживает работу с визуальным содержимым. Модель основана на Qwen/Qwen3-VL-2B-Instruct и использует плотную архитектуру Qwen3-VL с классом Qwen3VLForConditionalGeneration. В репозитории указаны веса SafeTensors и библиотека Transformers. Лицензия — Apache 2.0. README не сообщает конкретные сведения о контекстном окне и поддерживаемых языках.