I.2Синтез, понимание и проверка знаний

EmbeddingGemma — компактная модель эмбеддингов Google DeepMind на 300 млн параметров, построенная на Gemma 3 с инициализацией T5Gemma. Она преобразует текстовые запросы и документы в векторы и предназначена для семантического поиска, оценки сходства, классификации и кластеризации. Модель поддерживает более 100 языков и рассчитана на локальное использование на телефонах и компьютерах с ограниченными ресурсами. Модель принимает текст с контекстом до 2048 токенов и выдаёт эмбеддинги размерностью 768; с помощью Matryoshka Representation Learning размерность можно сократить до 512, 256 или 128 с последующей нормализацией. Она подходит для поиска документов и кода по запросу, поиска материалов для систем вопросов и ответов, обнаружения дубликатов и тематической группировки текстов. Для работы предусмотрена библиотека Sentence Transformers. Качество представлений зависит от охвата и возможных смещений обучающих данных; модель может хуже учитывать тонкие языковые оттенки, сарказм и переносный смысл. Лицензия указана как Gemma; применяются условия использования Gemma и её политика запрещённого использования.

Карточка модели jigmam/embeddinggemma-int8 на Hugging Face совпадает с карточкой google/embeddinggemma-300m, поэтому описание составлено по ней. EmbeddingGemma — компактная модель эмбеддингов Google DeepMind на 300 млн параметров, построенная на Gemma 3 с инициализацией T5Gemma. Она преобразует текстовые запросы и документы в векторы и предназначена для семантического поиска, оценки сходства, классификации и кластеризации. Модель поддерживает более 100 языков и рассчитана на локальное использование на телефонах и компьютерах с ограниченными ресурсами. Модель принимает текст с контекстом до 2048 токенов и выдаёт эмбеддинги размерностью 768; с помощью Matryoshka Representation Learning размерность можно сократить до 512, 256 или 128 с последующей нормализацией. Она подходит для поиска документов и кода по запросу, поиска материалов для систем вопросов и ответов, обнаружения дубликатов и тематической группировки текстов. Для работы предусмотрена библиотека Sentence Transformers. Качество представлений зависит от охвата и возможных смещений обучающих данных; модель может хуже учитывать тонкие языковые оттенки, сарказм и переносный смысл. Лицензия указана как Gemma; применяются условия использования Gemma и её политика запрещённого использования.

pashinskaya03/fft-bge-m3-encoder — модель Sentence Transformer на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и нормализует их; близость текстов можно оценивать косинусным сходством. Модель обучена на 78 413 примерах с anchor, positive и negative и подходит для семантического поиска, сравнения текстов, поиска перефразировок, классификации и кластеризации. Контекстное окно в метаданных указано как 8194 токена, а README задаёт максимальную длину последовательности 2048 токенов. В репозитории используются веса safetensors и библиотека Sentence Transformers. Языки и лицензия в предоставленных источниках не указаны. README не сообщает отдельного ограничения на применение; фактическая полезность эмбеддингов зависит от языка и предметной области текстов.

h3lmi/fine_tuned_minilm12 — модель для получения плотных векторных представлений предложений и абзацев. Она основана на архитектуре BERT и содержит около 40 млн параметров; модель выдаёт эмбеддинги размерностью 384. Контекст ограничен 512 токенами. Модель подходит для семантического поиска, сравнения сходства текстов и кластеризации. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Для работы доступны PyTorch и библиотеки Sentence-Transformers или Transformers; при использовании Transformers требуется корректно выполнить pooling контекстных представлений токенов. Карточка не сообщает о специализации на конкретном языке или предметной области. Лицензия в предоставленных данных не указана.

Fingu-instruct-2 — дообученная FINGU-AI модель Sentence Transformer на базе dunzhang/stella_en_1.5B_v5, построенная на архитектуре Qwen2 и содержащая 1,5 млрд параметров. Она кодирует предложения и абзацы в плотные векторы размерности 1024; сходство между ними оценивается косинусной мерой. В README указана максимальная длина последовательности 8096 токенов, а метаданные указывают нативный контекст 131072 токена. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Её можно использовать для поиска похожих фрагментов в коллекциях документов и группировки текстов по смыслу. Для работы опубликованы веса в формате safetensors и поддерживается библиотека Sentence Transformers; также указана совместимость с text-embeddings-inference. Сведений о лицензии в предоставленных данных нет.

Это англоязычная модель Sentence Transformer, разработанная на основе BAAI/bge-large-en-v1.5 и дообученная на наборе all-nli из 200 тысяч примеров. Она кодирует предложения и абзацы в плотные векторы размерностью 1024, нормализует их и подходит для оценки семантического сходства по косинусной мере, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура включает BERT, пулинг по CLS-токену и нормализацию; максимальная длина входной последовательности — 512 токенов. В README приведены результаты оценки на all-nli: точность по косинусному сходству 0,9607 на валидационной и 0,9575 на тестовой выборке. Модель принимает текст и выдаёт векторные представления. Она рассчитана на английский язык; лицензия — MIT. Поскольку обучение и приведённая оценка связаны с all-nli, качество на других языках и предметных областях может отличаться.

FuseChat-Llama-3.1-8B-SFT — чат-модель FuseAI на архитектуре Llama 3.1 с плотной причинной языковой моделью примерно на 7,5 млрд параметров. Это SFT-этап FuseChat-3.0: модель Llama-3.1-8B-Instruct дообучена в рамках подхода неявного объединения возможностей нескольких более крупных языковых моделей. В метаданных указан контекст до 131 072 токенов и поддержка чата. Модель предназначена для диалога и выполнения инструкций, а также для общих задач, математики, программирования и китайского языка. В README описано, что итоговый подход FuseChat-3.0 сочетает SFT и оптимизацию предпочтений DPO; при этом данная карточка относится именно к варианту SFT. Модель опубликована в формате safetensors и создана на основе датасета FuseAI/FuseChat-3.0-SFT-Data. Лицензия в предоставленных данных не указана.

trohrbaugh/gemma-4-31b-it-heretic-ara — разговорная мультимодальная модель на архитектуре Gemma 4, размещённая пользователем trohrbaugh. По метаданным она работает через Transformers и принимает изображения вместе с текстом, поддерживая диалог и визуальное понимание. README описывает семейство Gemma 4: его модели предназначены для рассуждений, агентных сценариев, программирования и мультимодальных задач; модель 31B относится к варианту с контекстом до 256K токенов. В описании семейства указаны гибридное внимание с локальными и глобальными слоями, распознавание текста и документов на изображениях, понимание графиков и интерфейсов, а также вызов функций. Аудиовозможности README относит только к версиям E2B и E4B. Метка heretic и теги uncensored, decensored и abliterated указывают на модификацию, нацеленную на ослабление отказов, однако README не объясняет точную методику или проверенные характеристики именно этой сборки. Семейство Gemma 4 поддерживает более 35 языков, но конкретный список языков этой модели не приведён. Лицензия репозитория — Apache-2.0. Как и другие генеративные модели, она может выдавать фактические ошибки, отражать смещения обучающих данных и хуже справляться с неоднозначными или сложными запросами.

Карточка модели Boopathy2861/google_embeddinggemma-300m на Hugging Face совпадает с карточкой google/embeddinggemma-300m, поэтому описание составлено по ней. EmbeddingGemma — компактная модель эмбеддингов Google DeepMind на 300 млн параметров, построенная на Gemma 3 с инициализацией T5Gemma. Она преобразует текстовые запросы и документы в векторы и предназначена для семантического поиска, оценки сходства, классификации и кластеризации. Модель поддерживает более 100 языков и рассчитана на локальное использование на телефонах и компьютерах с ограниченными ресурсами. Модель принимает текст с контекстом до 2048 токенов и выдаёт эмбеддинги размерностью 768; с помощью Matryoshka Representation Learning размерность можно сократить до 512, 256 или 128 с последующей нормализацией. Она подходит для поиска документов и кода по запросу, поиска материалов для систем вопросов и ответов, обнаружения дубликатов и тематической группировки текстов. Для работы предусмотрена библиотека Sentence Transformers. Качество представлений зависит от охвата и возможных смещений обучающих данных; модель может хуже учитывать тонкие языковые оттенки, сарказм и переносный смысл. Лицензия указана как Gemma; применяются условия использования Gemma и её политика запрещённого использования.

Карточка модели sucharush/gte_hard на Hugging Face совпадает с карточкой thenlper/gte-small, поэтому описание составлено по ней. gte-small — модель текстовых эмбеддингов семейства General Text Embeddings (GTE), разработанная Alibaba DAMO Academy на основе архитектуры BERT. Вариант small содержит около 40 млн параметров и принимает тексты длиной до 512 токенов; для более длинных текстов вход обрезается. Модель рассчитана на английский язык. Полученные эмбеддинги подходят для семантического поиска и сравнения предложений, а также могут использоваться в конвейерах поиска информации и ранжирования текстов. Модель можно применять, например, для поиска релевантных документов или оценки смыслового сходства запросов и фрагментов текста. Лицензия — MIT.

Карточка модели DeepanBabu/gte-Qwen2-1.5B-instruct на Hugging Face совпадает с карточкой Alibaba-NLP/gte-Qwen2-1.5B-instruct, поэтому описание составлено по ней. gte-Qwen2-1.5B-instruct — модель текстовых эмбеддингов из семейства GTE, разработанная Alibaba NLP на базе Qwen2-1.5B. Она преобразует тексты в векторы размерности 1536 и предназначена для поиска по смыслу, сравнения предложений, ранжирования и других задач, использующих текстовые представления. Модель поддерживает инструкции для запросов и обучалась на многоязычных данных из разных областей; в карточке указано контекстное окно 131 072 токена, тогда как README описывает максимальную длину входа 32 000 токенов. В основе — архитектура Qwen2 с причинной языковой моделью, дополненной двунаправленным механизмом внимания для контекстного представления текста. В README заявлены сценарии для широкого круга языков и задач, но конкретный список языков не приведён. Модель распространяется под лицензией Apache-2.0. Для запуска README указывает зависимости transformers версии 4.39.2 или новее и flash_attn версии 2.5.6 или новее.

Hemg/gte-small-llama — дообученная Hemg на базе thenlper/gte-small модель Sentence Transformers для получения плотных текстовых эмбеддингов. Она кодирует предложения и абзацы в векторы размерности 384; архитектура включает BERT-трансформер, усреднение токенов и нормализацию векторов. Максимальная длина входа — 512 токенов, сходство текстов можно оценивать по косинусному сходству. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. В README приведены обучающие пары из 3 327 примеров и настройка обучения с MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

Hercules-Qwen1.5-14B — разговорная языковая модель, разработанная M4-ai и дообученная на 700 тысячах примеров Hercules-v4 от Qwen1.5-14B. Она предназначена для работы в роли универсального ассистента: отвечает на вопросы, помогает с математикой и программированием, поддерживает вызов функций и ролевые диалоги. Архитектура — плотная Qwen2ForCausalLM с 13,4 млрд параметров; модель рассчитана на контекст до 32 768 токенов и распространяется в формате safetensors. В карточке заявлена поддержка английского и, возможно, китайского языков. Обучение проводилось в bf16 с длиной последовательности 1024; оценка качества в карточке не приведена. Лицензия указана как tongyi-qianwen license, а метаданные классифицируют лицензию как other. Разработчик предупреждает о рисках, смещениях и ограничениях модели.

J.A.R.V.I.S. Titan M4 Activated — текстовая генеративная модель семейства Jarvis Titan MoE от dhanesh-hf. Она дообучена на базе dhanesh-hf/Jarvis-Titan-V15-MoE-Decoupled и предназначена для диалогов, рассуждений, математических задач, программирования и взаимодействия с инструментами. В карточке заявлены архитектура MoE, механизм M4 Tri-Brid Neural Memory, внимание CSA3 и многотокенное предсказание; метаданные указывают 7,1 млрд параметров, контекст 32 768 токенов и поддержку Transformers. Модель принимает текст и генерирует текст. Карточка заявляет поддержку английского языка и описывает сценарии длинного контекста, однако приведённые в README характеристики 14,8 млрд параметров и контекст до 131 072 токенов расходятся с метаданными, поэтому здесь указаны значения метаданных. Лицензия обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

jinaai/jina-embeddings-v2-base-en — англоязычная модель эмбеддингов, разработанная Jina AI. Она предназначена для преобразования текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Модель построена на архитектуре JinaBERT с двунаправленным ALiBi и содержит около 136,7 млн параметров; заявленная длина последовательности — 8192 токена. Модель обучали на коллекции Jina AI из более чем 400 млн пар предложений и сложных негативных примеров. Она рассчитана на поиск по длинным документам, семантическое сходство, ранжирование, рекомендации и RAG. Для получения эмбеддингов README рекомендует применять mean pooling; модель также может выполнять заполнение масок и задачи классификации текста согласно каталожным метаданным. Лицензия — Apache-2.0. Для загрузки весов требуется авторизация из-за gated access; при использовании через Transformers необходимо включить trust_remote_code=True. Модель предназначена для английского текста, поэтому её не следует считать многоязычной.

K2-Horizon-375B-A23B — флагманская языковая модель семейства K2-Horizon от IFM. Это разреженная архитектура Mixture-of-Experts: в модели 375 млрд параметров, из которых 23 млрд задействуются на каждом токене. Модель принимает текст и поддерживает контекст до 524 288 токенов; карточка указывает английский язык и возможность диалогового взаимодействия. Модель предназначена для генерации текста, работы с инструментами и агентных сценариев, включая терминальные задачи и длительные многоэтапные процессы. В README заявлены конкурентные результаты на соответствующих бенчмарках. Доступны контрольные точки обучения, обучающие данные и код обучения; для запуска описаны рецепты vLLM и SGLang, а реализация Transformers проверена с указанными в карточке версиями библиотек. Веса опубликованы в формате Safetensors под лицензией Apache-2.0. Для запуска требуются значительные вычислительные ресурсы: README приводит пример обслуживания на восьми ускорителях H200. Заявленная длина контекста — 524 288 токенов; поведение обучения в реализации Hugging Face может отличаться от исходной реализации xLLM.

KaLM-Embedding-Gemma3-12B-2511 — модель эмбеддингов от Tencent, дообученная на базе google/gemma-3-12b-pt. Она преобразует текст в векторы для поиска и сравнения смысловой близости; также подходит для классификации, кластеризации и ранжирования. Модель имеет плотную архитектуру Gemma 3 Text, содержит 11,6 млрд параметров, использует pooling по последнему токену и формирует эмбеддинги размерностью 3840 с поддержкой сокращения размерности до 64. Метаданные указывают контекст до 131 072 токенов, тогда как README заявляет максимум входа 32 тыс. токенов. В тесте MMTEB, приведённом в README, модель заняла первое место по сводному показателю; этот результат относится к оценке на момент публикации карточки и не гарантирует превосходства на других данных. Для работы доступны Sentence Transformers и vLLM с отдельной ревизией CausalLM. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

mrm8488/m-e5-large_bs64_10_all_languages — модель эмбеддингов на архитектуре XLM-RoBERTa, опубликованная пользователем mrm8488. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения сходства и кластеризации. Модель обучалась с функцией потерь CosineSimilarityLoss и поддерживает контекст до 514 токенов. Модель подходит для построения мультиязычного семантического поиска и группировки текстов. В метаданных указаны 658,7 млн параметров и формат PyTorch; карточка называет её моделью Sentence-Transformers. Лицензия в доступных данных не указана.

MMLW-e5-large — польский текстовый энкодер, разработанный авторами семейства MMLW. Модель основана на мультиязычном чекпойнте E5 и обучена методом дистилляции знаний на корпусе из 60 миллионов польско-английских пар текстов; учителями служили английские модели FlagEmbeddings (BGE). Архитектура — XLM-RoBERTa, размер — 658,7 млн параметров, выход — векторы эмбеддингов размерностью 1024. Контекст составляет до 514 токенов. Модель предназначена для семантического поиска и сопоставления текстов, кластеризации и извлечения информации, а также может служить основой для дальнейшего дообучения. Для кодирования запросов требуется префикс «query: », а для документов — «passage: ». В карточке приведены результаты на польских бенчмарках MTEB и PIRB. Доступна по лицензии Apache-2.0.

nomic-ai/modernbert-embed-base-unsupervised — англоязычная модель эмбеддингов на базе encoder-only архитектуры ModernBERT. Разработчики обучили её с помощью библиотеки contrastors в течение одной эпохи на 235 млн слабонаблюдаемых контрастивных пар из набора Nomic Embed. Модель содержит 149 млн параметров, принимает текст и формирует векторные представления; максимальная длина контекста — 8192 токена. Модель предназначена для поиска по смыслу, сравнения предложений и других задач, использующих текстовые эмбеддинги. В тестах MTEB она показала результаты, близкие к nomic-embed-text-v1_unsup; авторы рекомендуют modernbert-embed для задач построения эмбеддингов. Доступны веса в формате safetensors. Лицензия — Apache-2.0.

jamescalam/mpnet-qa — модель на базе MPNet, опубликованная James Calam и предназначенная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768, которые подходят для семантического поиска, сравнения сходства и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель обучалась с функцией MultipleNegativesRankingLoss и косинусной мерой сходства. Её можно использовать с Sentence-Transformers или Transformers, применяя корректную операцию pooling. Лицензия и конкретные поддерживаемые языки в предоставленных данных не указаны.

JoBeer/multi-qa-mpnet-base-dot-v1-eclass — модель эмбеддингов на базе архитектуры MPNet, представленная в формате PyTorch и совместимая с Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Обучение описано с использованием MultipleNegativesRankingLoss и косинусного сходства. Модель содержит 136,7 млн параметров и принимает текстовые последовательности с контекстом до 514 токенов. Её можно применять для семантического поиска и получения сходства между предложениями; README также указывает кластеризацию как сценарий использования. Сведения о лицензии и целевых языках в предоставленных данных отсутствуют.

Карточка модели swardiantara/MultiSource-full-crk10-m0.5-e5-b128-L6 на Hugging Face совпадает с карточкой swardiantara/one-crk10-m0.5-e5-b128-L6, поэтому описание составлено по ней. swardiantara/one-crk10-m0.5-e5-b128-L6 — модель Sentence Transformers на основе архитектуры BERT, преобразующая предложения и абзацы в плотные векторы размерности 384. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. Модель содержит 25,9 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. При обучении использовалась ContrastiveLoss с косинусной метрикой расстояния. Это делает модель подходящей для построения текстовых эмбеддингов и поиска близких по смыслу фрагментов. В предоставленных материалах не названы поддерживаемые естественные языки и лицензия, поэтому их нельзя определить по этим данным.

Locutusque/NeuralHyperion-Medium-Preview — англоязычная плотная языковая модель семейства Mistral, выпущенная M4-ai. Это версия модели NeuralHyperion-Medium объёмом 7,1 млрд параметров на базе mistralai/Mistral-7B-v0.1, дообученная на наборе Hyperion и затем с помощью DPO на парах Argilla Orca. Она предназначена для генерации текста, ответов на сложные вопросы и диалогов, а также для рассуждений, генерации кода и работы с научными, медицинскими и математическими текстами. Контекст составляет 32 768 токенов; модель принимает текст и генерирует текст. Модель может быть полезна для учебных помощников по естественным и компьютерным наукам, технических диалоговых систем, анализа медицинских текстов и поддержки программирования. В README приведены результаты отдельных тестов рассуждения и здравого смысла, но полная оценка обозначена как ожидающая публикации. Среди указанных ограничений — возможная непоследовательность ответов из-за различий в форматировании данных и качестве их разметки. Лицензия — Apache-2.0.

swardiantara/one-cdk10-m0.5-e5-b16-v1 — модель Sentence-Transformers на базе RoBERTa, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости, семантического поиска и кластеризации текстов. Модель обучалась с ContrastiveLoss, использующей косинусное расстояние и margin 0,5; размер составляет 95,2 млн параметров, максимальная длина контекста — 514 токенов. Модель подходит для построения эмбеддингов текстов и поиска похожих фрагментов. Метаданные указывают поддержку извлечения признаков и сравнения предложений. Для использования предусмотрена библиотека Sentence-Transformers; веса доступны в формате safetensors. Языки обучения или приоритетные языки в предоставленных данных не описаны. Лицензия в предоставленных данных отсутствует.

swardiantara/one-crk10-m0.5-e5-b128-L6 — модель Sentence Transformers на основе архитектуры BERT, преобразующая предложения и абзацы в плотные векторы размерности 384. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. Модель содержит 25,9 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. При обучении использовалась ContrastiveLoss с косинусной метрикой расстояния. Это делает модель подходящей для построения текстовых эмбеддингов и поиска близких по смыслу фрагментов. В предоставленных материалах не названы поддерживаемые естественные языки и лицензия, поэтому их нельзя определить по этим данным.

OpenCerebrum-1.0-7B-SFT — языковая модель Locutusque, дообученная на базе alpindale/Mistral-7B-v0.2-hf. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате Safetensors. Модель предназначена для генерации текста и ответов на вопросы, включая задачи программирования, математики, естественных наук, рассуждений и общего следования инструкциям. Для дообучения использована смесь примерно из 1,2 млн примеров из 14 открытых наборов данных; заявленный основной язык — английский. Модель задумана как открытая реплика возможностей Cerebrum, но её качество может уступать оригиналу. Ответы могут наследовать предвзятость и ограничения обучающих данных, а размер 7B требует учитывать доступные вычислительные ресурсы. Лицензия — Apache 2.0.

Карточка модели lausannequants/OpenThinker-7B на Hugging Face совпадает с карточкой open-thoughts/OpenThinker-7B, поэтому описание составлено по ней. OpenThinker-7B — плотная авторегрессионная языковая модель семейства Qwen2, разработанная командой OpenThoughts. Она дообучена на Qwen/Qwen2.5-7B-Instruct на наборе OpenThoughts-114k, созданном с использованием дистилляции DeepSeek-R1. Модель содержит 7,1 млрд параметров, работает через Transformers и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов с упором на рассуждения, решение математических задач, вопросы по естественным наукам и программирование. В README приведены оценки на AIME24, MATH500, GPQA-Diamond и задачах LiveCodeBench; результаты показывают сильные стороны в математике и коде, но не гарантируют точность каждого ответа. Веса, данные и код проекта опубликованы; лицензия модели — Apache 2.0. Это текстовая модель, поэтому она не принимает изображения или аудио. Как и другие языковые модели, она может выдавать неверные ответы и требует проверки результатов, особенно в задачах, где ошибка критична.

Карточка модели shaffhausen/OpenThinker-7B на Hugging Face совпадает с карточкой open-thoughts/OpenThinker-7B, поэтому описание составлено по ней. OpenThinker-7B — плотная авторегрессионная языковая модель семейства Qwen2, разработанная командой OpenThoughts. Она дообучена на Qwen/Qwen2.5-7B-Instruct на наборе OpenThoughts-114k, созданном с использованием дистилляции DeepSeek-R1. Модель содержит 7,1 млрд параметров, работает через Transformers и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов с упором на рассуждения, решение математических задач, вопросы по естественным наукам и программирование. В README приведены оценки на AIME24, MATH500, GPQA-Diamond и задачах LiveCodeBench; результаты показывают сильные стороны в математике и коде, но не гарантируют точность каждого ответа. Веса, данные и код проекта опубликованы; лицензия модели — Apache 2.0. Это текстовая модель, поэтому она не принимает изображения или аудио. Как и другие языковые модели, она может выдавать неверные ответы и требует проверки результатов, особенно в задачах, где ошибка критична.

Карточка модели shaffhausenquant/OpenThinker-7B на Hugging Face совпадает с карточкой open-thoughts/OpenThinker-7B, поэтому описание составлено по ней. OpenThinker-7B — плотная авторегрессионная языковая модель семейства Qwen2, разработанная командой OpenThoughts. Она дообучена на Qwen/Qwen2.5-7B-Instruct на наборе OpenThoughts-114k, созданном с использованием дистилляции DeepSeek-R1. Модель содержит 7,1 млрд параметров, работает через Transformers и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов с упором на рассуждения, решение математических задач, вопросы по естественным наукам и программирование. В README приведены оценки на AIME24, MATH500, GPQA-Diamond и задачах LiveCodeBench; результаты показывают сильные стороны в математике и коде, но не гарантируют точность каждого ответа. Веса, данные и код проекта опубликованы; лицензия модели — Apache 2.0. Это текстовая модель, поэтому она не принимает изображения или аудио. Как и другие языковые модели, она может выдавать неверные ответы и требует проверки результатов, особенно в задачах, где ошибка критична.