I.2Синтез, понимание и проверка знаний

Карточка модели Smilesjs/chemsmart-qwen2.5-coder-3b-merged на Hugging Face совпадает с карточкой Smilesjs/chemsmart-qwen2.5-coder-3b-instruct-v7, поэтому описание составлено по ней. Smilesjs/chemsmart-qwen2.5-coder-3b-instruct-v7 — дообученная Smilesjs модель семейства Qwen2 для генерации текста. Она основана на unsloth/Qwen2.5-Coder-3B-Instruct-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL. Модель содержит 3,1 млрд параметров, имеет контекст до 32 768 токенов и рассчитана на текстовые диалоги; в метаданных указана поддержка английского языка. Модель можно применять для генерации ответов и кода в интерактивных сценариях. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает специальную химическую настройку, качество на задачах или результаты оценки, поэтому название репозитория само по себе не подтверждает пригодность для химических сценариев.

DEFAULT_5000steps_len512 — модель Sentence Transformers, дообученная автором batmangiaicuuthegioi на базе BAAI/bge-m3 на наборе augmentated_legal_triplets с примерами юридических текстов. Она кодирует предложения и абзацы в плотные векторы размерности 1024, нормализует их и предназначена для поиска семантически близких текстов и сравнения их косинусной близости. Архитектура включает XLM-RoBERTa и pooling по CLS-токену; максимальная длина последовательности составляет 8192 токена. Модель можно применять для семантического поиска и оценки сходства, а также для кластеризации, поиска перефразировок и классификации текстов на основе эмбеддингов. Обучение проводилось на 36 728 триплетах с anchor, positive и negative; для обучения указана функция MultipleNegativesRankingLoss. Многоязычная база BGE-M3 поддерживает работу с текстами на разных языках, но отдельные языки именно этой донастройки не перечислены. Репозиторий содержит веса Safetensors и использует библиотеку sentence-transformers. Лицензия в предоставленных данных не приведена.

sftwildchat386k-delphiwarmupdelphi-9e18-p50m50-kdelphi-1e-05delphi-3e18-p33m67-k — разговорная языковая модель на архитектуре Qwen3, обученная с нуля на наборах wildchat_386k и delphi_warmup. Репозиторий содержит 402,6 млн параметров в формате Safetensors; модель предназначена для генерации текста в диалоговом формате и поддерживает контекст до 4096 токенов. Модель опубликована на Hugging Face 12 июня 2026 года. В метаданных указана лицензия other, поэтому условия использования зависят от уточнений в репозитории или у автора. README не описывает оценку качества и ограничения; обучающие данные указаны, но поддерживаемые языки не перечислены.

Dialog2Flow joint target model (DSE-base) — модель для получения плотных векторных представлений предложений и абзацев, созданная как вариант D2F_joint в рамках исследования Dialog2Flow. Она использует DSE-base в качестве основы и реализована на Sentence Transformers с архитектурой BERT; модель преобразует текст в векторы размерности 768 и дообучена для извлечения структуры диалоговых потоков. Модель предназначена для сравнения и поиска текстов, кластеризации реплик и автоматического выделения потока диалога. В README отмечено улучшение результатов по сравнению с вариантом на BERT-base. Поддерживаемый язык — английский; максимальная длина контекста составляет 512 токенов. Модель можно применять через Sentence Transformers или Hugging Face Transformers с подходящей операцией pooling. Лицензия — MIT.

Katayoon/DPO-ONLY-Zephyr-7B-2-iter-1 — диалоговая языковая модель, разработанная Katayoon как дообученная версия Katayoon/DPO-ONLY-Zephyr-7B на обновлённом и исходном наборах данных. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и генерации текстовых ответов. Её можно использовать в чат-ботах и для создания ответов на текстовые запросы. Доступны веса в формате safetensors; лицензия — MIT. README не приводит сведения о результатах оценки или конкретных ограничениях модели.

cross-encoder/ettin-reranker-150m-v1 — англоязычный кросс-энкодер, дообученный разработчиками модели на jhu-clsp/ettin-encoder-150m с использованием sentence-transformers и набора cross-encoder/ettin-reranker-v1-data. Модель обрабатывает пары текстов и выдаёт оценку релевантности, которую используют для повторного ранжирования результатов поиска и семантического поиска. Модель построена на архитектуре ModernBERT, содержит 149 млн параметров и поддерживает последовательности длиной до 7999 токенов. Она принимает текст и выдаёт один числовой скор для каждой пары текстов. В репозитории представлены веса safetensors, а также форматы ONNX и OpenVINO; основная библиотека — sentence-transformers. README приводит результаты оценки на задачах поиска и сравнительные замеры скорости, но не содержит полной таблицы результатов для этой версии модели. Модель подходит для повышения точности выдачи после первичного поиска, например в поисковых системах и RAG-конвейерах. Она рассчитана на английский язык, поэтому её пригодность для других языков не подтверждена. Лицензия — Apache-2.0.

FastThink-0.5B-Tiny — компактная модель генерации текста с фокусом на рассуждениях, созданная на основе Qwen2.5-0.5B-Instruct и опубликованная prithivMLmods. Это плотная трансформерная архитектура Qwen2 с 494 млн параметров; метаданные указывают контекст до 32 768 токенов. Репозиторий содержит веса Safetensors и формат ONNX. Модель предназначена для диалогов, следования инструкциям, логических задач, генерации структурированных ответов, включая JSON и таблицы, а также для простых задач по математике и коду. Её можно применять в чат-ботах, аналитических сценариях и приложениях с ограниченными вычислительными ресурсами. В карточке заявлена поддержка более 29 языков; метаданные отдельно указывают английский. Небольшой размер ограничивает возможности в сложных рассуждениях и специализированных областях; качество может снижаться на неоднозначных запросах, длинных контекстах и языках с меньшей представленностью. Заявление README о контексте до 128K расходится с указанным в метаданных лимитом 32 768 токенов. Лицензия — Apache-2.0.

munkhbayar-batkhuu/gemma-3-4b-mongolian — текстовая чат-модель на основе Gemma 3 от Munkhbayar Batkhuu. Она дообучена на тщательно отобранном корпусе с преобладанием академических текстов, новостей и книг на монгольском языке в кириллице; также содержит английские тексты. Модель предназначена для ответов на вопросы и диалога на монгольском, особенно в сценариях RAG, где ей передают фрагменты источников и просят отвечать по ним, приводить ссылки и воздерживаться от ответа при нехватке сведений. В карточке также упоминаются перевод, математические задачи и работа со словарём. Модель имеет плотную авторегрессионную архитектуру Gemma3ForCausalLM, около 4 млрд параметров и контекстное окно в метаданных 131 072 токена. При этом README сообщает об обучении на окне 1 280 токенов и заявляет поддержку только текстового ввода, без изображений и файлов. Лицензия — Gemma. Разработчик позиционирует её для исследовательского и образовательного использования, но не для решений с высокими ставками. По оценке автора, ответы заметно надёжнее при наличии источников, однако модель всё ещё может выдумывать факты и ссылки, ошибаться в арифметике и смешивать сведения о разных сущностях. Она обучена на монгольской кириллице, а не на традиционной монгольской письменности; качество английской технической лексики ограничено. Обучение преимущественно на одном вопросе за раз, поэтому модель не рассчитана на последовательный многоходовый диалог; целевой настройки безопасности, достаточной для работы с уязвимыми пользователями, нет.

GIST-Law-Embed — модель для получения плотных эмбеддингов предложений и абзацев, опубликованная пользователем wahid028 на Hugging Face. Она основана на архитектуре BERT и распространяется в формате Safetensors; размер модели составляет около 433,9 млн параметров, контекст — до 512 токенов. Выход модели — векторы размерностью 1024, пригодные для семантического поиска, сравнения текстов и кластеризации. Модель дообучена с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Её можно применять для поиска релевантных фрагментов юридических документов и группировки похожих текстов. Карточка не сообщает лицензию или конкретные поддерживаемые языки, поэтому нельзя определить условия использования или языковое покрытие.

Palak/google_electra-small-discriminator_squad — компактная модель семейства ELECTRA, разработанная Palak и дообученная на google/electra-small-discriminator для ответов на вопросы по контексту. Она принимает вопрос и текстовый фрагмент и выделяет ответ из предоставленного контекста; подходит для извлечения фактических ответов из документов и справочных материалов. Модель содержит 20,4 млн параметров, использует архитектуру ElectraForQuestionAnswering, работает с контекстом до 512 токенов и опубликована в формате PyTorch. В README указаны результаты на SQuAD v1: exact match 76,95 и F1 84,99. Модель предназначена для англоязычного набора SQuAD v1; заявленная лицензия — Apache-2.0. Она отвечает только на основе переданного контекста и может ошибаться либо не находить ответ, если контекст недостаточен. Карточка не описывает дополнительные ограничения или сценарии использования.

InternVL2-1B — мультимодальная модель с инструкционной настройкой от команды OpenGVLab. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель Qwen2-0.5B-Instruct; размер модели в таблице README указан как 0,9 млрд параметров. Модель принимает изображения и текстовые запросы, а ответы формирует текстом. В README заявлено контекстное окно 8 тыс. токенов и обучение на длинных текстах, нескольких изображениях и видео. Модель предназначена для диалога по изображениям и видео, понимания документов, графиков и инфографики, распознавания текста в сценах и решения визуальных научных и математических задач. Среди описанных сценариев — ответы на вопросы по изображению, OCR и понимание видеокадров. Репозиторий распространяется по лицензии MIT. Результаты в README основаны на перечисленных бенчмарках; они не гарантируют точность на любых данных. В предоставленной карточке не описаны специальные ограничения применения.

InternVL2_5-4B-MPO — мультимодальная чат-модель OpenGVLab, дообученная на основе OpenGVLab/InternVL2_5-4B с применением Mixed Preference Optimization. Она предназначена для диалога и генерации текстовых ответов на запросы об изображениях, нескольких изображениях и видеокадрах, включая распознавание текста и визуальные вопросы. Модель построена по схеме ViT-MLP-LLM: визуальная часть InternViT-300M-448px-V2_5 связана через MLP-проектор с языковой частью Qwen2.5-3B-Instruct; изображения обрабатываются с динамическим разрешением и разбиением на тайлы 448×448 пикселей. Модель подходит для визуальных помощников, анализа изображений и видео, ответов по содержимому диаграмм и документов. Для запуска в README приведён пример использования Transformers с весами bf16 или fp16; также описаны инференс с несколькими изображениями, потоковая генерация и развёртывание через LMDeploy. Репозиторий использует формат safetensors и распространяется по лицензии MIT. Модель может ошибаться при интерпретации изображений и видео; обработка нескольких изображений увеличивает расход входных токенов. README не приводит размер контекста и перечень поддерживаемых языков, поэтому эти характеристики здесь не уточняются.

InternVL2_5-78B-MPO — мультимодальная модель OpenGVLab, построенная на архитектуре ViT-MLP-LLM и дообученная методом Mixed Preference Optimization на основе OpenGVLab/InternVL2_5-78B. Она предназначена для диалогов и генерации текста по изображениям, включая несколько изображений; семейство также поддерживает работу с видеокадрами. Зрительная часть использует динамическое разбиение изображений на фрагменты 448×448 и уменьшение числа визуальных токенов с помощью pixel unshuffle. Модель загружается через Transformers в формате safetensors. Модель подходит для визуальных вопросов и ответов, описания изображений, распознавания текста на изображениях и мультимодальных задач на понимание и рассуждение; её можно использовать в многотуровом диалоге и развёртывать через LMDeploy. Карточка описывает мультиязычное семейство, но не перечисляет отдельные языки или размер контекста именно этой модели. Лицензия указана как other, поэтому условия использования следует сверять с лицензией и документацией проекта. Вес модели требует многокарточного развёртывания для практического инференса.

InternVL3.5-8B-Flash — мультимодальная чат-модель OpenGVLab, созданная на основе InternVL3.5-8B и дообученная на наборах MMPR-v1.2 и MMPR-Tiny. Она принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы, в том числе для вопросов по изображениям, визуального рассуждения и задач с несколькими изображениями. Модель относится к семейству InternVL Chat и использует плотную архитектуру. Семейство InternVL3.5 разработано для повышения качества мультимодальных рассуждений и эффективности вывода; для версии Flash README описывает маршрутизатор визуального разрешения ViR и раздельное размещение зрительной и языковой частей при развёртывании. В репозитории доступны веса safetensors для Transformers. Карточка описывает мультиязычную поддержку, но не перечисляет конкретные языки. Для обработки изображений и генерации ответов требуется соответствующая инфраструктура модели; высокое разрешение и несколько изображений увеличивают расход контекстного окна. Лицензия — Apache 2.0.

BM-K/KoSimCSE-bert — модель для получения векторных представлений корейских предложений. Репозиторий Korean-Sentence-Embedding предоставляет предварительно обученные модели для немедленного использования и средства для обучения собственных моделей. По метаданным это плотная модель архитектуры BERT с 137,8 млн параметров и контекстом до 512 токенов; доступны веса PyTorch и Safetensors. Модель предназначена для кодирования корейского текста в эмбеддинги, пригодные для сравнения семантической близости предложений и поиска похожих текстов. В README приведены результаты тестирования на задаче семантического сходства текста, однако конкретные показатели этой модели в предоставленном фрагменте не видны. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Kuchiki L2 7b — языковая модель на архитектуре Llama 2, созданная объединением Nous Hermes Llama 2 7B (70%) и Airoboros L2 7B GPT4 2.0 (30%), после чего к результату применили слияние с LoRA-адаптером LimaRP Llama 2 7B. Модель предназначена для генерации текста по инструкциям и диалоговых сценариев; карточка указывает на совместимость с форматами инструкций исходных моделей. Модель содержит 6,6 млрд параметров, принимает текст и выдаёт текст, а длина контекста составляет 4096 токенов. В репозитории указаны веса PyTorch; для отдельных квантованных вариантов автор упоминает GGUF и GPTQ. Лицензия обозначена как other, поэтому условия использования следует проверять в материалах репозитория и базовых моделей. Автор предупреждает, что модель не предназначена для предоставления фактической информации или советов.

Redis разработала sentence-transformers bi-encoder, дообученный на базе Alibaba-NLP/gte-modernbert-base для семантического кэширования в LangCache. Модель кодирует предложения и абзацы на английском языке в плотные векторы размерности 768; сходство между ними оценивается косинусной мерой. В карточке указаны архитектура ModernBERT, библиотека Sentence Transformers и Apache-2.0. Модель подходит для сравнения текстовых запросов и поиска семантически близких формулировок, например для повторного использования результатов кэша при перефразированных запросах. README сообщает максимальную длину последовательности 100 токенов, тогда как метаданные каталога указывают нативный контекст 8192 токена; для практического применения следует учитывать ограничение из карточки модели. В README приведены метрики retrieval-оценки, но их результаты относятся к указанному тестовому набору и не гарантируют качество на других данных.

Mudassir-75/Llama-3.2-3B-Instruct-ENG-FR-v3 — дообученная разговорная языковая модель семейства Llama, разработанная Mudassir-75 на основе Mudassir-75/Llama-3.2-3B-Instruct-ENG-FR-v2. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM и 3,2 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. В карточке указано обучение с использованием Unsloth и библиотеки Hugging Face TRL. Модель принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. Метаданные карточки отмечают английский язык, а имя базовой модели указывает на англо-французскую направленность. Весы доступны в формате safetensors. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или подробностей сценариев обучения, поэтому пригодность для конкретных задач стоит проверять отдельно.

Nous-Hermes-2-Vision — мультимодальная vision-language модель, разработанная при руководстве qnguyen3 и teknium на основе OpenHermes-2.5-Mistral-7B от teknium. Модель объединяет языковую основу Mistral 7B с визуальным энкодером SigLIP-400M и предназначена для обработки изображений и текста. Модель рассчитана на визуальные диалоги, анализ содержимого изображений, ответы на вопросы по изображениям и автоматизацию сценариев с function calling. Благодаря обучению на данных LVIS-INSTRUCT4V, ShareGPT4V, частном наборе данных для function calling и диалогах OpenHermes-2.5 она также может формировать структурированные ответы по заданной схеме. Для работы используется шаблон запросов Vicuna-V1. Заявленный язык — английский. Ключевые характеристики включают архитектуру на базе Mistral-7B, визуальный модуль SigLIP-400M и мультимодальный режим работы с изображениями и текстом. Точный размер контекста и поддерживаемые форматы изображений в README не указаны. Авторы отмечают преимущество более компактного визуального энкодера по сравнению с традиционными энкодерами размером около 3B параметров, однако также предупреждают о возможной ошибке в инференсе, которая могла требовать исправления на уровне upstream. Модель распространяется по лицензии Apache-2.0.

LLaVA-OneVision Qwen2 7B OV Chat — мультимодальная чат-модель, разработанная командой LLaVA-OneVision в LMMS-Lab. Она построена на архитектуре SO400M + Qwen2 и основана на LLaVA-OneVision 7B OV; для улучшения диалоговых ответов и сохранения следования инструкциям модель прошла три раунда итеративного обучения DPO на предпочтениях людей. Размер модели — 7,1 млрд параметров, контекст — 32 768 токенов. Модель предназначена для общения по изображениям, нескольким изображениям и видео, а также для обычных чат-сценариев. В обучении использовались наборы данных для одиночных и множественных изображений и видео; карточка указывает английский и китайский языки. Модель может применяться для вопросов и ответов по визуальному содержимому, описания изображений и обсуждения видео. Модель распространяется в формате safetensors для Transformers под лицензией Apache 2.0. В README результаты бенчмарков не приведены; качество на конкретных задачах может различаться, поэтому ответы следует проверять.

MyAwesomeModel — модель на базе BERT, опубликованная для использования с библиотекой Transformers и PyTorch. В метаданных Hugging Face она классифицирована для задачи извлечения признаков. README описывает обновлённую версию как модель с улучшенными возможностями рассуждения, логического вывода, генерации кода, суммаризации, диалога, классификации и ответов на вопросы, однако эти сценарии не подтверждены отдельными pipeline-тегами или техническими характеристиками конфигурации. Модель распространяется по лицензии MIT. README также заявляет о снижении частоты галлюцинаций, поддержке системных промптов и function calling, а для работы рекомендует температуру 0,6. Конкретные сведения о размере модели, длине контекста, поддерживаемых естественных языках и точной конфигурации отсутствуют в предоставленных данных.

NYXIS-Pro — диалоговая текстовая модель QuantaSparkLabs на архитектуре Qwen2 с 1,5 млрд параметров, дообученная на базе QuantaSparkLabs/NYXIS-1.1B. Она предназначена для генерации ответов и помощи с вопросами по программированию, математике, науке, истории и общим знаниям. В комплект входят база AEGIS из 5 426 фрагментов знаний и двухэтапный поиск: первичный подбор с bge-small-en-v1.5 и переранжирование с ms-marco-MiniLM-L-6-v2. Модель также оценивает эмоцию в пользовательском тексте и подстраивает тон ответа. Контекст модели — до 32 768 токенов. По README, система может обращаться к внешнему поиску при наличии предоставленной пользователем API-функции, а при нехватке данных должна сообщать об этом. Заявление карточки о том, что модель не галлюцинирует, не гарантирует фактическую точность. Модель ориентирована на английский язык; небольшое число параметров ограничивает сложные рассуждения, база знаний охватывает ограниченный набор фрагментов, а определение эмоций основано на ключевых словах. Лицензия — Apache-2.0.

vicgalle/OpenHermes-Qwen1.5-1.8B — разговорная языковая модель, опубликованная vicgalle и основанная на архитектуре Qwen2. Она предназначена для генерации текста в диалоговом формате и может использоваться как компактный чат-ассистент.

Это модель Sentence Transformers, дообученная iambestfeed на базе вьетнамского энкодера vinai/phobert-base-v2 на наборе Vietnamese-Ecommerce-Alpaca. RoBERTa-модель содержит 162,4 млн параметров и преобразует предложения и абзацы во векторы размерности 768; для сравнения близости используется косинусное сходство. Максимальная длина последовательности — 258 токенов по метаданным; README указывает 256 токенов. Модель предназначена прежде всего для оценки семантического сходства вьетнамских текстов и может применяться для семантического поиска, поиска перефразирований, кластеризации и классификации текста. Обучение на 69 292 парах anchor-positive из датасета Vietnamese-Ecommerce-Alpaca ориентирует её на соответствующий материал, в том числе вопросы и ответы об электронной торговле. Это энкодер для получения векторных представлений, а не модель для генерации ответов. Лицензия в предоставленных данных не указана.

NeuML разработала PubMedBERT ColBERT — модель PyLate, дообученную на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Она кодирует предложения и абзацы в последовательности плотных векторов размерностью 128 и сопоставляет тексты с помощью операции MaxSim, сохраняя отдельные векторы токенов вместо усреднения в одно представление. Модель рассчитана на семантический поиск и сравнение текстов в биомедицинских публикациях, включая построение поисковых индексов и источников знаний для RAG. В README приведены результаты оценки на PubMed QA, PubMed Subset и PubMed Summary; авторы отмечают пригодность модели для поиска и использования в качестве первого этапа конвейера с последующим реранжированием. Она имеет архитектуру BERT, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. Модель ориентирована на английский язык и распространяется по лицензии Apache-2.0. README отмечает, что по общей оценке модель уступает некоторым сравниваемым моделям; для высокоточного ранжирования может потребоваться отдельный реранкер.

RedHatAI/Qwen2.5-0.5B-Instruct-FP8-dynamic — это FP8 dynamic-квантизованный вариант небольшой instruction-tuned языковой модели Qwen2.5-0.5B-Instruct. Репозиторий опубликован Red Hat AI, а исходную серию Qwen2.5 разработала команда Qwen компании Alibaba Cloud. В карточке конкретного репозитория указано отсутствие отдельного model card; поэтому сведения о назначении и характеристиках относятся к базовой модели Qwen2.5-0.5B-Instruct и формату представленных весов. Модель предназначена для генерации и понимания текста по инструкциям, диалогов, ответов на вопросы, простых задач рассуждения, математики и программирования, а также для запуска в ресурсно-ограниченных и edge-сценариях. Это decoder-only dense Transformer с примерно 0,49 млрд параметров, 24 слоями, 14 attention heads и 2 key-value heads; поддерживаются контекст до 32K токенов и генерация до 8K токенов. Модель работает с текстом и относится к многоязычным моделям Qwen2.5; точный перечень языков для этой FP8-версии в доступной карточке не указан. Ключевые сильные стороны — небольшой размер, пригодность для локального и edge-развёртывания, instruction-following и повышенные относительно предыдущей версии показатели на задачах математики, программирования и следования инструкциям. Ограничения связаны с малым числом параметров: модель рассчитана на лёгкие и менее сложные задачи и не предназначена для уровня качества более крупных LLM; конкретные ограничения и результаты именно FP8 dynamic-варианта в его репозитории не приведены. Для базовой Qwen2.5-0.5B указана лицензия Apache 2.0; FP8 dynamic-веса используют типы BF16 и F8_E4M3.

QWEN-2.5-0.5B-Synthia-I — языковая модель, дообученная artificialguybr на наборе Synthia v1.5-I из более чем 20,7 тыс. примеров следования инструкциям. Это плотная причинная модель семейства Qwen2 с 494 млн параметров; она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и предназначена для диалогов, выполнения инструкций и продолжения текста. Дообучение усиливает способность базовой Qwen2.5-0.5B следовать инструкциям. Карточка заявляет многоязычные возможности базовой модели, включая более 29 языков; в метаданных отдельно указан английский язык. Модель подходит для лёгких диалоговых приложений и генерации ответов, но её небольшой размер может ограничивать точность и надёжность при сложных задачах. Распространяется по лицензии Apache-2.0.

zeromodels/qwen3.5-2b-base — конверсия модели Qwen3.5-2B-Base в реализацию на Keras 3, подготовленная zeromodels. Это мультимодальная модель «зрение—язык» с визуальным энкодером Qwen3-VL и плотным текстовым декодером, сочетающим Gated-DeltaNet и обычное gated attention; веса хранятся в bfloat16. Реализация запускается на TensorFlow, PyTorch и JAX. Модель предназначена для генерации текста по изображению и текстовому запросу; текстовую часть можно использовать отдельно, без визуального энкодера. Размер базовой модели — 2 млрд параметров. В метаданных указан английский язык, а лицензия — Apache 2.0. Карточка направляет к исходной модели Qwen за подробностями об использовании.

Qwen-3B-ASVD-Healed — сжатая и восстановленная дообучением версия Qwen/Qwen2.5-3B от автора Kodjaoglanian. Это плотная авторегрессионная Transformer-модель семейства Qwen2 для генерации текста и диалогов. Структурное сжатие методом Activation-Aware SVD сократило число параметров в целевых слоях, а LoRA Healing использовался для восстановления связности генерации; адаптеры объединены с весами. В репозитории доступны веса Safetensors и GGUF, включая варианты F16 и Q4_K_M. Модель содержит около 3,1 млрд параметров, поддерживает контекст до 32 768 токенов и ориентирована на английский язык. Модель рассчитана на запуск в средах Hugging Face Transformers и на сценарии, где важны сниженные требования к памяти и вычислениям, включая развёртывание на устройствах с ограниченными ресурсами. Автор сообщает о сохранении FP16 и структурном удалении избыточных весов без необходимости динамической деквантизации. Лицензия — Apache-2.0. Сжатие с удержанием 85% дисперсии может ухудшить извлечение редких и специализированных фактов по сравнению с исходной Qwen2.5-3B. README рекомендует дополнительное дообучение для применений, где важна высокая фактическая точность в узкой предметной области.

Qwen3-Embedding-4B-AWQ-INT4 — квантизированная версия модели Qwen/Qwen3-Embedding-4B, производная работа от оригинальной модели Qwen. Артефакт предназначен для встраивания в системы эмбеддингов и может использоваться как компактная замена базовой модели в задачах семантического поиска, сопоставления текстов и других сценариях, где нужны текстовые векторные представления. В README явно указан английский язык. Модель использует 4-битное квантизирование весов методом AWQ (INT4, weight-only). Размер на диске составляет примерно 2,7 ГБ; заявлено, что она помещается на потребительский GPU с 6 ГБ видеопамяти, однако требуется дополнительный запас памяти для KV-кэша. В качестве максимальной длины контекста для запуска через vLLM указано 32 768 токенов. Данные о точной архитектуре, размерности эмбеддингов и результатах сравнительного тестирования не приведены. Основные преимущества — существенно уменьшенный размер и требования к памяти при сохранении назначения исходной embedding-модели, а также совместимость с embedding-стеками и запуском через vLLM. Ограничения включают поддержку только английского языка согласно README и потенциальное снижение точности из-за INT4-квантизации; количественная оценка этого снижения не указана. Модель распространяется по лицензии Apache License 2.0, с требованием соблюдать атрибуцию исходной модели Qwen/Qwen3-Embedding-4B.