I.2Синтез, понимание и проверка знаний

Qwen2.5-VL-3B-Instruct (Abliterated) — мультимодальная модель семейства Qwen, опубликованная пользователем wangkanai и основанная на Qwen2.5-VL-3B-Instruct. Это вариант с удалёнными или существенно ослабленными защитными фильтрами исходной модели, поэтому он может формировать менее ограниченные ответы. Модель принимает изображения и текст и генерирует текстовые ответы. Она предназначена для визуального ответа на вопросы, описания изображений, мультимодального рассуждения, анализа документов и OCR, интерпретации диаграмм и графиков, а также понимания сцен и пространственных отношений. Архитектура описана как Qwen2-VL с визуальным энкодером на базе ViT и примерно 3 миллиардами параметров; заявленная длина текстового контекста составляет 4096 токенов. Доступны варианты SafeTensors и GGUF, включая FP16, Q5_K_M и Q4_K_M, что позволяет выбирать между качеством и требованиями к памяти. Сильные стороны модели — сочетание обработки изображений и текста, поддержка широкого набора задач анализа визуального содержимого и возможность локального запуска в различных форматах. Ограничения включают меньший размер по сравнению с более крупными моделями семейства, возможные потери качества у квантованных вариантов и отсутствие в предоставленных данных подробной информации о поддерживаемых языках и результатах независимых тестов. Удаление защитных механизмов повышает риск небезопасных или нежелательных ответов, поэтому модель следует использовать ответственно и с соблюдением применимых законов. Модель распространяется по лицензии Apache-2.0.

hanhainebula/qwen3-4b-ft-msmarco — плотная модель семейства Qwen3, дообученная авторами на один эпохе на английской обучающей выборке MSMARCO с помощью FlagEmbedding. Она создана как часть ресурсов ReasonEmbed для получения текстовых эмбеддингов и поиска документов, требующего рассуждений. Репозиторий содержит веса Safetensors; размер модели — около 3,7 млрд параметров, контекст — до 40 960 токенов. Модель подходит для построения векторного поиска по документам и ранжирования текстов по смысловой релевантности, в том числе для запросов со сложным рассуждением. Обучение ориентировано на английские данные. Лицензия Apache-2.0. В README отмечено изменение токенизатора для автоматического добавления EOS-токена.

mradermacher/Qwen3-Embedding-0.6B-i1-GGUF — это набор GGUF-квантизованных версий модели Qwen3-Embedding-0.6B, разработанной командой Qwen и квантизованной пользователем mradermacher. Модель предназначена для получения векторных представлений текста и задач семантического поиска, сравнения предложений, извлечения признаков и построения систем на базе text embeddings inference. В README явно указан английский язык. Модель имеет размер около 0,6 млрд параметров в исходной версии и распространяется в форматах GGUF с различными схемами квантизации, включая IQ1_S, IQ2_M, IQ3_S, Q4_K_M, Q5_K_M и Q6_K. Размеры доступных файлов составляют примерно 0,3–0,6 ГБ. Варианты отличаются компромиссом между размером, скоростью и качеством; для Q4_K_M заявлены высокая скорость и рекомендованный баланс, а для низкобитных вариантов отмечается снижение качества. Архитектура, размер контекста и дополнительные поддерживаемые языки в README не указаны. Преимуществами являются компактный размер, возможность локального запуска через экосистему GGUF и широкий выбор уровней квантизации. Ограничения связаны с потерей качества у наиболее агрессивно квантизованных вариантов, а также с отсутствием в представленном README подробных сведений о качестве, контекстном окне и мультимодальности. Модель распространяется по лицензии Apache-2.0.

ReasonFlux-F1 — дообученная Gen-Verse языковая модель для генерации текста с акцентом на пошаговые рассуждения. Она создана на базе DeepSeek-R1-Distill-Qwen-32B с использованием траекторий рассуждений, дополненных шаблонами; архитектура — плотная Qwen2, размер — 32 млрд параметров, контекст — до 131 072 токенов. В карточке заявлены результаты на математических и научных тестах, включая MATH500, AIME и GPQA-Diamond. Модель рассчитана на диалоговое решение задач, особенно по математике и программированию; метаданные также отмечают интерфейс вызова инструментов. Поддерживает генерацию текста через Transformers и распространяется в формате safetensors. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и её базовой модели.

ReasonIR-8B — модель для извлечения текстовых представлений, разработанная командой ReasonIR на основе Meta Llama 3.1 8B. Её специально дообучили для поиска документов по запросам, требующим сложных рассуждений. Архитектура использует двунаправленное кодирование; размер модели — 7,5 млрд параметров, контекст — до 131 072 токенов. Модель кодирует запросы и документы в векторы, сходство которых можно оценивать скалярным произведением. Она предназначена для поиска в системах RAG и показала высокие результаты на BRIGHT; согласно карточке, её применение в RAG также улучшает результаты на MMLU и GPQA. Указан английский язык. Для работы используются Transformers и Sentence Transformers с поддержкой пользовательского кода модели. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. При работе через Sentence Transformers возможны небольшие расхождения значений с плавающей точкой, обычно не влияющие на результаты.

RuBERT-base-cased — русскоязычная версия двунаправленного трансформера BERT, разработанная DeepPavlov. Модель имеет 12 слоёв, скрытый размер 768, 12 голов внимания и около 205 млн параметров по метаданным. Она принимает текст и извлекает контекстные векторные представления токенов; контекст ограничен 512 токенами. Модель обучалась на русскоязычных текстах Википедии и новостях. При создании использовалась мультиязычная версия BERT-base в качестве начальной точки, а словарь субтокенов был построен для русского языка. Чекпойнт включает головы MLM и NSP и подходит как основа для дальнейшей адаптации к задачам обработки русского языка. Лицензия в предоставленных данных не указана. Прикладные ограничения, помимо длины контекста, в карточке не описаны.

triBne-e5-large — модель векторных представлений предложений, разработанная Istiaq Fuad и дообученная на базе intfloat/multilingual-e5-large. Она предназначена для семантического поиска, извлечения и сравнения текстов на бенгальском, английском и банглиш — бенгальском, записанном латиницей, в том числе при вариантах написания вроде «bhalobashi» и «valobashi». Модель использует архитектуру XLM-RoBERTa-large, содержит около 658,7 млн параметров и выдаёт эмбеддинги размерности 1024; сходство оценивается косинусной мерой. Для кодирования достаточно передавать обычный текст без префиксов query или passage. Модель подходит для поиска соответствий между разными вариантами написания банглиш, текстом на бенгальском письме и переводами на английский, а также для кластеризации и поиска в смешанных бенгальско-английских коллекциях. Дообучение выполнено контрастивным методом с LoRA-адаптером, слитым с базовой моделью. README сообщает о тестировании на трёх задачах поиска и приводит метрики на отложенных наборах данных. Максимальная длина последовательности в метаданных — 514 токенов; README указывает, что модель обучалась с ограничением 128 токенов и более длинный текст усекается. Часть примеров банглиш создана языковой моделью и может отражать её смещения; модель не предназначена для классификации или генерации. Лицензия — MIT.

atasoglu/turkish-tiny-bert-uncased-mean-nli-stsb-tr — компактная модель Sentence Transformers на базе BERT, разработанная дообучением ytu-ce-cosmos/turkish-tiny-bert-uncased. Она преобразует предложения и абзацы в плотные векторы размерностью 128 для семантического поиска, сравнения сходства, кластеризации и других задач работы с текстовыми эмбеддингами. Модель содержит 4,6 млн параметров, использует формат PyTorch и принимает последовательности длиной до 512 токенов. Модель обучена на наборах nli_tr и emrecan/stsb-mt-turkish и ориентирована на турецкий язык. Авторы указывают, что тексты перед подачей следует приводить к нижнему регистру с заменой латинской I на турецкую ı; без этой предобработки результаты могут ухудшиться. Лицензия — MIT.

Это sentence-transformers модель, дообученная автором tanbinh2210 на базе bkai-foundation-models/vietnamese-bi-encoder для работы с вьетнамскими предложениями и абзацами. Она построена на RoBERTa с bi-encoder схемой и средним pooling токенов, преобразует текст в плотные векторы размерности 768 и использует косинусное сходство для сравнения. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и подготовки признаков для классификации текста. Обучение проводилось на наборе из 194 225 примеров с запросами, положительными и отрицательными текстами. Максимальная длина последовательности — 258 токенов по метаданным. Модель ориентирована на вьетнамский язык; размер — 162,4 млн параметров. Для использования требуется библиотека Sentence Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели nrl-ai/vietnamese-embedding на Hugging Face совпадает с карточкой dangvantuan/vietnamese-embedding, поэтому описание составлено по ней. dangvantuan/vietnamese-embedding — модель эмбеддингов предложений для вьетнамского языка, разработанная на основе PhoBERT с архитектурой RoBERTa. Она преобразует текст векторы размерности 768 и предназначена для семантического поиска, сравнения сходства предложений и кластеризации текстов. Модель построена на Sentence Transformers: использует среднее объединение токенных представлений и поддерживает последовательности до 512 токенов согласно README; метаданные каталога указывают контекст 258 токенов. Веса содержат 162,4 млн параметров. Обучение включало SimCSE с контрастивным обучением, а также дообучение на наборах XNLI-vn и STSB-vn. В карточке приведены результаты оценки корреляции на наборах семантического сходства для вьетнамского языка. Модель подходит для поиска семантически близких фраз и группировки вьетнамских текстов по смыслу. Она принимает текст и возвращает векторные представления; результаты для других языков карточкой не подтверждены. Распространяется по лицензии Apache-2.0.

Youtu-HiChunk — модель Tencent Youtu Lab для иерархической структуризации документов и настройки гранулярности фрагментов при поиске в RAG-системах. Она представляет собой плотную причинную языковую модель семейства UTU v1 с 3,6 млрд параметров и контекстом до 32 768 токенов; репозиторий содержит веса SafeTensors и рассчитан на Transformers. Вместе с алгоритмом Auto-Merge модель помогает выбирать подходящий уровень фрагмента — например, раздел, подраздел или абзац — чтобы извлекаемые сведения сохраняли контекст и смысловую полноту. Метаданные также указывают поддержку генерации текста и извлечения признаков, а карточка заявляет китайский язык и интерфейсы чата и вызова инструментов. Модель предназначена для построения иерархических представлений документов и улучшения извлечения контекста в RAG. В метаданных указана лицензия other; конкретные условия следует сверить с лицензией репозитория. Описание не приводит результатов оценки качества.

swardiantara/bert-tiny-yelp-k1-fixed-cosine — компактная модель Sentence Transformer, дообученная автором на базе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы на английском языке в плотные векторы размерности 128 для поиска и сравнения текстов по косинусному сходству. Архитектура объединяет BERT с двумя слоями и mean pooling; модель содержит 4,4 млн параметров и принимает только текст. Модель подходит для семантического поиска, извлечения признаков и ранжирования текстов по смысловой близости, в том числе для отзывов о ресторанах и других сервисах. Максимальная длина последовательности в README — 128 токенов; метаданные каталога указывают контекст до 512 токенов. Лицензия в предоставленных данных не указана.

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.

Карточка модели RamyAhmed55/bge-m3-arabic-legal на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

Карточка модели dengcao/bge-reranker-v2-m3 на Hugging Face совпадает с карточкой BAAI/bge-reranker-v2-m3, поэтому описание составлено по ней. BAAI/bge-reranker-v2-m3 — многоязычная модель переранжирования от BAAI, построенная на базе bge-m3 и использующая архитектуру XLM-RoBERTa для классификации последовательностей. Она принимает запрос и текстовый фрагмент и выдаёт оценку их релевантности; более высокий балл означает более подходящий фрагмент. При необходимости оценку можно преобразовать сигмоидой в значение от 0 до 1. Модель предназначена для повторной сортировки результатов поиска, например, для уточнения порядка документов, найденных системой извлечения, и повышения качества выдачи в многоязычных сценариях. В README она описана как быстрая и удобная для развёртывания; метаданные указывают 658,7 млн параметров и контекст до 8194 токенов. Карточка характеризует её как многоязычную, но не перечисляет отдельные языки. Модель доступна по лицензии Apache-2.0. Релевантность оценивается для пары «запрос — фрагмент», поэтому для поиска по корпусу сначала нужны кандидаты, полученные отдельной системой извлечения; модель сама не выполняет полный поиск. Скорость и пригодность к развёртыванию заявлены в карточке, но конкретные показатели производительности не приведены.

bge-small-zh-v1.5-gguf — это модель для создания векторных представлений текста (embeddings), основанная на BAAI/bge-small-zh-v1.5. Репозиторий GGUF-файлов подготовлен Compendium Labs. Модель предназначена для семантического поиска, сравнения текстов, кластеризации, retrieval-сценариев и других задач, где требуются embedding-векторы. По названию и исходной модели она ориентирована на китайский язык, однако точный перечень поддерживаемых языков в README не указан. Модель доступна в форматах GGUF с представлениями F32, F16, Q8_0 и Q4_K_M; размеры файлов составляют примерно от 15 до 91 МБ. Она совместима с llama.cpp и llama-cpp-python, поддерживает получение embedding-векторов для одной строки или списка строк и автоматическую пакетную обработку. Архитектура, число параметров, размерность векторов, максимальная длина контекста и перечень модальностей в README не указаны; по представленным данным это текстовая, а не мультимодальная модель. К сильным сторонам относятся компактность, возможность локального запуска и ускорение на CPU при использовании квантованных вариантов: заявлено до 30% прироста скорости при минимальной потере точности. На GPU преимущество над ONNX описано как умеренное и зависящее от приложения, а из-за небольшого размера модели выгода от квантования может быть ограниченной. Лицензия — MIT, если соблюдаются её условия.

PM-AI/bi-encoder_msmarco_bert-base_german — немецкоязычная модель двунаправленного кодировщика, разработанная PM-AI для семантического поиска и извлечения релевантных фрагментов документов по запросу. Она основана на BERT и содержит 137,1 млн параметров; принимает текст и формирует эмбеддинги для запроса и пассажей, которые можно сопоставлять для поиска. Максимальная длина контекста — 512 токенов. Модель дообучена на немецком машинном переводе набора MS MARCO Passage Ranking: примерно 500 тысячах вопросов и 8,8 миллиона пассажей. При обучении применялись сложные отрицательные примеры и функция потерь Margin MSE, что предназначено для асимметричного поиска — например, когда короткий вопрос сопоставляется с более длинными фрагментами документов. Модель подходит для поиска по разнородным текстам; заявленное качество зависит от коллекции и требует проверки на целевых данных. Модель распространяется по лицензии MIT. Карточка описывает применение через библиотеку Sentence Transformers; модель предназначена для текстового поиска и не является генеративной системой.

bilingual-embedding-base — модель для получения векторных представлений предложений на английском и французском языках. Репозиторий yco является форком Lajavaness/bilingual-embedding-base; в README указано, что изменение касается имени типа модели для совместимости с text-embeddings-inference. Модель основана на XLM-RoBERTa и дообучена на парах предложений для семантического сходства: в обучении использовались SNLI и XNLI, наборы STS на английском и французском, а также дополненные обучающие примеры. Модель кодирует текст в эмбеддинги для семантического поиска, сопоставления сходства и кластеризации. Архитектура Sentence Transformers включает усреднение токенных представлений и нормализацию; README описывает векторное пространство размерности 1024, тогда как архитектурный блок указывает размерность токенных эмбеддингов 768. Метаданные указывают 305,2 млн параметров и контекст до 514 токенов. Доступны форматы ONNX и Safetensors, лицензия Apache-2.0. Модель предназначена для английского и французского языков, поэтому её пригодность для других языков не подтверждена. README не содержит результатов оценки качества; фактическую производительность на целевом наборе данных следует проверять отдельно.

Canarim-7B — португалоязычная языковая модель, разработанная Майконом Домингешем. Она основана на LLaMA 2-7B и продолжила предварительное обучение на 16 млрд токенов из португалоязычной части CommonCrawl 2023-23; данные охватывают период до середины 2023 года. Модель содержит 6,6 млрд параметров, использует архитектуру Llama и поддерживает контекст до 4096 токенов. Модель предназначена для генерации и понимания португальского текста. Её можно применять для создания контента, анализа тональности, классификации тем, извлечения сущностей и перевода, особенно в сценариях с примерами желаемого результата в запросе. Обучение проводилось только на задаче языкового моделирования: модель не дообучалась для следования инструкциям, поэтому для неё предпочтительны few-shot запросы, а качество zero-shot выполнения задач может быть ниже. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Llama 2 Community License.

CleverBoi-Nemo-12B-v2 — текстовая generative-модель, разработанная theprint. Она дообучена в течение одной эпохи на наборе CleverBoi-Data-20k, содержащем примеры, ориентированные на логику, рассуждения, математику и программирование. Модель предназначена для генерации текста и решения задач, требующих следования инструкциям, логического вывода, математического анализа и работы с кодом. Модель дообучена на базе unsloth/Mistral-Nemo-Instruct-2407-bnb-4bit и имеет размер 12B параметров согласно идентификатору модели. Доступная языковая метка — английский. Указана текстовая модальность; сведения о длине контекста в README отсутствуют. Для ускорения обучения использовались Unsloth и библиотека TRL от Hugging Face. В оценках Open LLM Leaderboard модель получила средний результат 17,57: 20,46 на IFEval, 31,65 на BBH, 8,61 на MATH Level 5, 8,50 на GPQA, 11,43 на MuSR и 24,76 на MMLU-PRO. Эти результаты указывают на специализацию в задачах рассуждения и математики, однако не подтверждают высокую точность во всех сценариях. Ограничениями являются отсутствие данных о контекстном окне, мультиязычной поддержке, требованиях к аппаратному обеспечению и практической производительности. Модель распространяется по лицензии Apache-2.0.

ColNetraEmbed — мультимодальная модель для поиска по визуальным документам, разработанная Cognitive-Lab на основе Gemma 3 4B IT. Она кодирует изображения документов и текстовые запросы в многовекторные представления размерности 128 на токен и сопоставляет их с помощью позднего взаимодействия ColBERT и оценки MaxSim. Визуальная часть использует SigLIP. Модель предназначена для поиска по сканам и другим изображениям документов, в том числе для межъязыкового поиска и ответов на вопросы по содержимому документов. В карточке заявлена поддержка 22 языков; среди перечисленных — русский, английский, китайский, японский, хинди и арабский. Модель дообучена на Gemma 3 4B IT и распространяется в формате Safetensors по лицензии Gemma. README сообщает о результатах на Nayana-IR Bench и ViDoRe v2, включая преимущество над ColPali-v1.3 на межъязыковых задачах. Многовекторное хранение требует больше места, чем одновекторный вариант NetraEmbed; README приводит для последнего оценку эффективности хранения в 250 раз выше. Для использования нужны этапы кодирования и последующего поиска с поздним взаимодействием.

Vsevolod/company-names-similarity-sentence-transformer — модель на базе BERT для получения плотных векторных представлений предложений и абзацев. Она содержит 25,9 млн параметров, выдаёт эмбеддинги размерностью 384 и поддерживает контекст до 512 токенов. Модель предназначена для семантического поиска и кластеризации текстов; название репозитория указывает на применение для сравнения названий компаний. Обучение использовало CosineSimilarityLoss. Модель работает с текстом и предназначена для использования с библиотекой Sentence-Transformers. В карточке не указаны языки и лицензия, поэтому нельзя определить языковой охват и условия использования.

comsat-embed-ja-8b-preview — плотная декодерная модель эмбеддингов, разработанная Sionic AI и дообученная для семантического поиска на японском языке. Она кодирует запросы и документы в векторы для поиска по смысловой близости и подходит для поиска по документам, базам знаний и корпоративным коллекциям, а также для извлечения материалов при ответах на вопросы. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3 и принимает текст. README сообщает о тренировке на более чем 1,5 млн японских примеров и длине входа до 8 192 токенов; метаданные указывают контекст до 40 960 токенов. Векторы размерности 4096 формируются с pooling по последнему токену, нормализуются по L2 и сравниваются по косинусному сходству. Запросы следует кодировать с инструкционным префиксом, документы — без него. На JMTEB v2 модель показала средний NDCG@10 0,8133 по 11 задачам поиска. Основной язык модели — японский; метаданные также указывают английский. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование. Результаты бенчмарка относятся к описанным условиям оценки; пропуск префикса запроса может снизить качество поиска.

Dialog2Flow single target (D2F_single) — англоязычная модель эмбеддингов предложений на базе BERT-base, представленная в работе Dialog2Flow на конференции EMNLP 2024. Она дообучена для извлечения потоков диалога и преобразует предложения и абзацы в плотные векторы размерности 768; модель реализована с помощью Sentence Transformers. Модель подходит для поиска семантически близких реплик и группировки высказываний, а также для автоматического извлечения структуры потока диалога из задачо-ориентированных диалогов. Её можно использовать через Sentence Transformers либо Transformers с подходящей операцией pooling. Контекст ограничен 512 токенами, размер модели — 136,7 млн параметров. Лицензия — MIT.

DMetaSoul разработала Dmeta-embedding-zh-small — компактную китайскоязычную модель для получения текстовых эмбеддингов. Это дистиллированная версия Dmeta-embedding-zh на архитектуре BERT из 8 слоёв; в метаданных указаны 91,7 млн параметров и контекст до 1024 токенов. Модель предназначена для поиска, семантического сопоставления текстов, вопросно-ответных систем, интеллектуальной поддержки клиентов и приложений с RAG. Её можно загружать через Transformers, Sentence-Transformers и LangChain. По сравнению с исходной моделью размер уменьшен примерно на треть, а скорость вывода в приведённом тесте выросла примерно на 30%; средний результат MTEB снизился примерно на 1,4 пункта, с наибольшими потерями в задачах поиска и семантического сходства. Модель принимает текст и выдаёт векторные представления. Распространяется по лицензии Apache-2.0.

EmbeddingGemma-Scandi-300m — плотная модель эмбеддингов на базе Sentence Transformers, дообученная на скандинавских текстовых данных DDSC разработчиком репозитория с использованием google/embeddinggemma-300m. Она преобразует предложения и абзацы в векторы размерности 768 и предназначена для семантического поиска, сравнения текстов, поиска перефразирований, классификации и кластеризации. Модель построена на архитектуре Gemma 3 Text, содержит 302,8 млн параметров и обрабатывает последовательности длиной до 2048 токенов. Она рассчитана на датский, норвежский и шведский языки; карточка также указывает шведскую разновидность языка в списке кодов. Для сравнения векторов используется косинусное сходство. Доступна по лицензии Apache-2.0. Опубликованные в карточке результаты оценки поиска показывают низкую cosine_accuracy@1 на указанных наборах данных, поэтому качество для конкретного корпуса и сценария следует проверять отдельно. Модель выдаёт эмбеддинги, а не готовые ответы на вопросы или сгенерированный текст.

EUBERT Embedding v1 — модель scampion для получения векторных представлений предложений и документов. Это дообученная на AllNLI версия EUBERT с архитектурой RoBERTa, содержащая 107 млн параметров и формирующая эмбеддинги размерности 768. Модель принимает текст и предназначена для работы с документами ЕС на 24 языках. Эмбеддинги можно использовать для поиска похожих документов и фрагментов, кластеризации и классификации текстов, а также как векторное представление в системах семантического поиска и RAG. Заявленная длина контекста — 514 токенов. В карточке приведены результаты оценок на наборах MTEB, включая классификацию и кластеризацию; авторы приглашают к дальнейшей оценке и сравнению модели. Модель распространяется под лицензией EUPL-1.1. Ограничения: README помечен как находящийся в разработке; приведённые оценки не подтверждают качество на всех 24 языках, а контекст в 514 токенов ограничивает обработку длинных документов без разбиения на фрагменты.

Fwizzer-R1-3B-EN-v2 — компактная языковая модель, разработанная fwizzer1 на основе Ministral-3-3B-Instruct-2512 от Mistral AI. Модель дообучена методом LoRA на наборе данных fwizzer1/en-deepthink-mega, включающем 17 281 проверенную пару с рассуждениями. Основная специализация — англоязычные задачи рассуждения, математика, логический вывод и генерация кода; в карточке также заявлена поддержка русского языка. Модель имеет 3,29 млрд параметров и предназначена для текстовой генерации. Заявлено контекстное окно до 32 768 токенов, при этом рекомендуемая длина контекста составляет 8192 токена. Она рассчитана на локальный запуск на потребительских GPU, ноутбуках и одноплатных компьютерах; для GGUF-квантизаций указано потребление примерно от 2,5 до 4,2 ГБ VRAM или RAM в зависимости от варианта. Поддерживаются сценарии работы через llama.cpp, LM Studio, Ollama, vLLM и другие совместимые инструменты. Сильными сторонами являются малый размер, ориентация на пошаговое решение задач и заявленные результаты на GSM8K — 84,1%, MATH — 56,3% и HumanEval — Pass@1 65,2%. Ограничения включают компактный масштаб модели по сравнению с крупными LLM и встроенный системный промпт, задающий формат рассуждений в тегах <think> и </think>; его влияние и качество ответов могут зависеть от конкретного клиента и настроек запуска. Модель распространяется по лицензии Apache 2.0.

GEMMA Document Rewriter for RAG Pipeline — текстовая модель ZySec-AI для очистки и переписывания документов перед поиском и генерацией с дополненной выборкой (RAG). Она дообучена методом LoRA на базе Google Gemma 3 4B IT и принимает текстовые документы или их фрагменты. Модель сокращает избыточный текст и лишние пробелы, сохраняя значимую для последующих задач информацию, а затем формирует структурированный результат в Markdown с заголовками и подзаголовками. Её используют для подготовки документов к индексации и улучшения поиска по ним; также она подходит для суммаризации и стандартизации текстов. В карточке указана лицензия Apache-2.0. Модель может удалять детали, которые сочтёт избыточными, поэтому результат сокращения следует проверять, если важна полнота исходного документа. В README заявлены скорость и пригодность для производственных конвейеров, но сравнительные оценки качества не приведены.

Mungert/InternVL3-8B-GGUF — GGUF-версия мультимодальной модели InternVL3-8B, созданной командой OpenGVLab. Модель предназначена для обработки текста и изображений, включая визуальное восприятие и рассуждение, анализ промышленных изображений, работу с GUI-агентами, инструментами и задачами 3D-восприятия. В карточке также указана поддержка многоязычных сценариев. Архитектура сочетает vision-компонент InternViT-300M-448px-V2_5 и языковую часть Qwen2.5-7B; общий класс модели — 8B параметров. Эта публикация представляет собой преобразованный формат GGUF, сгенерированный с использованием llama.cpp. Автор применил собственный подход к квантованию: отдельные важные слои переводятся в более высокую точность, что увеличивает размер файла, но, по заявлению автора, может улучшать точность при заданном уровне квантования, особенно на низкой разрядности. Сильными сторонами являются мультимодальность, сочетание визуального анализа с языковым рассуждением и возможность локального использования в экосистеме llama.cpp благодаря формату GGUF. Ограничения включают зависимость качества, размера и требований к ресурсам от выбранного варианта квантования; конкретные поддерживаемые языки, размер контекста и результаты независимого тестирования в карточке не указаны. Для модели указана лицензия Apache-2.0, однако в метаданных также приведена ссылка на лицензию Qwen.