I.2Синтез, понимание и проверка знаний

swardiantara дообучил компактную модель Sentence Transformers на базе google/bert_uncased_L-2_H-128_A-2 для сопоставления предложений и поиска по тексту. Модель кодирует предложения и абзацы в плотные векторы размерности 128; сходство между ними оценивается косинусной метрикой. Архитектура включает BERT с усреднением токенных представлений, а библиотека реализации — sentence-transformers. Модель обучена на наборе из 351 754 пар текстов с метками сходства. Она подходит для семантического поиска и извлечения релевантных текстов, в том числе при ограниченных вычислительных ресурсах благодаря компактному размеру в 4,4 млн параметров. Контекст ограничен 512 токенами по метаданным; в README указана максимальная длина последовательности 128 токенов. Модель принимает и обрабатывает текст на английском языке. Лицензия в предоставленных данных не указана. Компактный размер может ограничивать качество и охват по сравнению с более крупными моделями; поддержка языков, отличных от английского, не заявлена.

swardiantara/bert-tiny-sst5-k3-adaptive-cosine — компактная модель Sentence Transformers на базе BERT, дообученная для представления предложений и абзацев в виде плотных векторов. Она преобразует текст в 128-мерные эмбеддинги, а сходство между ними можно оценивать косинусной мерой; модель подходит для семантического поиска и извлечения релевантных текстов. Модель основана на google/bert_uncased_L-2_H-128_A-2 и содержит 4,4 млн параметров. В README указана максимальная длина последовательности 128 токенов; метаданные задают контекст 512 токенов. Используется mean pooling, входная модальность — текст, а выход — векторы. Обучение описано на наборе из 8 664 пар текстов с контрастивной функцией потерь. Данных о лицензии в предоставленных источниках нет.

clinno/bge-large-zh-v1.6 — модель эмбеддингов предложений на базе BERT, опубликованная в формате sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, кластеризации и сравнения текстов. Модель обучалась с MultipleNegativesRankingLoss и косинусным сходством; в метаданных указан контекст до 512 токенов и 424,3 млн параметров. Это производная модель семейства BGE, ориентированная на китайский язык по названию репозитория. Модель подходит для построения векторного поиска и группировки текстов по смыслу. Она выдаёт эмбеддинги, а не готовые ответы или метки классов; качество зависит от текстов и способа сравнения векторов. Репозиторий использует библиотеку sentence-transformers и формат safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

MassTool/contriever-base-msmarco-v1-ToolBenchG2 — модель Sentence-Transformers на базе архитектуры BERT, преобразующая предложения и абзацы в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, семантического поиска и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления; в README также описано обучение с MultipleNegativesRankingLoss и косинусным сходством. Данных о целевых языках и специализации на конкретной предметной области нет.

dots.mocr — мультимодальная модель семейства dots_ocr от dots-studio для разбора документов и изображений с текстом. Она предназначена для распознавания текста и структуры страниц: находит элементы макета, их ограничивающие рамки и категории, извлекает текст и формирует Markdown. Также модель интерпретирует диаграммы, интерфейсы и научные иллюстрации и может преобразовывать структурированную графику в SVG-код; поддерживает интерактивный диалог по визуальному содержимому. Модель имеет плотную архитектуру DotsOCRForCausalLM и 1,5 млрд параметров; указанный размер контекста — 131 072 токена. Карточка заявляет мультиязычную поддержку, в том числе английского и китайского. Для развёртывания рекомендуются vLLM и Transformers; лицензия — MIT. Среди ограничений карточка отмечает трудности с комплексными таблицами и математическими формулами, недостаточно надёжный разбор графических изображений в SVG и периодические сбои разбора. Заявления о качестве на бенчмарках приведены в README, но сами таблицы с результатами здесь опущены.

e5-sk-large — модель текстовых эмбеддингов для словацкого языка, выпущенная в рамках проекта SkMTEB. Она создана на основе intfloat/multilingual-e5-large: словарь сокращён с 250 тысяч до 60 тысяч токенов, после чего модель дообучена на словацких данных. В метаданных указаны архитектура XLM-RoBERTa, 464,1 млн параметров и контекст до 514 токенов; README сообщает о 365 млн параметров и 1024-мерных эмбеддингах, поэтому размеры расходятся между источниками. Модель предназначена для семантического поиска и извлечения документов, сравнения смысла текстов, кластеризации и классификации по эмбеддингам, а также поиска между словацким, английским и чешским языками. Для запросов поиска рекомендуется добавлять префикс «query: », а для индексируемых документов — «passage: »; для симметричных задач префикс не нужен. Модель показывает сопоставимые с multilingual-e5-large результаты на словацком бенчмарке SkMTEB и подходит для локального развёртывания. Модель оптимизирована для словацкого языка; перенос на другие языки, кроме указанных межъязыковых сценариев, не оценён. Сокращение словаря может ухудшить работу с текстом, смешивающим языки, а обучающие данные преимущественно охватывают новости, парламентские материалы и энциклопедии. При дообучении использовалась длина последовательности 256 токенов, хотя архитектура поддерживает контекст до 512. Лицензия — MIT.

Ektome-Qwen2.5-Coder-7B-Instruct-PristinelyUncensored — текстовая instruction-модель, разработанная Zynerji на основе Qwen/Qwen2.5-Coder-7B-Instruct. Она предназначена для генерации текста и решения задач программирования, следования инструкциям, рассуждений, арифметики и работы с общими знаниями. В README указана поддержка английского языка и размер 7B параметров; сведения о длине контекста и мультимодальности не приведены. Модель подвергнута процедуре Ektome, которая, согласно описанию, удаляет компонент, связанный с отказами, без дополнительного обучения и с сохранением общих возможностей. Для неё заявлен сертифицированный результат PASS в сравнении с исходной моделью на 2800 примерах: проверялись арифметика, следование инструкциям, знания и рассуждения, при пределе ухудшения 3%. Доступны GGUF-квантизации от 3 до 8 бит, включая варианты с imatrix. Модель является uncensored и по замыслу не отказывается от запросов, поэтому не предоставляет встроенных гарантий безопасности; ответственность за применение лежит на пользователе. Сертификат подтверждает только сохранение возможностей и не гарантирует безопасность, фактическую точность или пригодность для конкретных задач. Для модели не записаны отдельные проверки качества генерации и receipt по compliance/MMLU. Лицензия — Apache-2.0.

Embedić Base — модель для создания текстовых эмбеддингов, разработанная djovak и дообученная на базе intfloat/multilingual-e5-base с упором на сербский язык. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для информационного поиска, семантического сопоставления и приложений RAG. Модель работает с сербским текстом в кириллице и латинице, а также с английским; может использоваться для поиска по коллекциям, где смешаны сербские и английские документы. Embedić обучалась в несколько этапов: с дистилляцией, на парах «запрос — текст» и на триплетах. README отмечает, что упрощённая сербская латиница без диакритики снижает качество поиска, а сохранение заглавных букв в именах собственных может его улучшить. Модель распространяется по лицензии MIT.

Granite-Embedding-125m-English — англоязычная модель эмбеддингов команды Granite Embedding компании IBM. Она преобразует текст в векторы размерности 768 для поиска, извлечения документов и вычисления сходства между текстами. Модель рассчитана на сценарии семантического поиска и retrieval, включая корпоративные задачи; показывает результаты на бенчмарках MTEB Retrieval и CoIR. Модель содержит около 151,8 млн параметров и использует плотную encoder-only архитектуру на основе RoBERTa с 12 слоями и 12 головами внимания. Она обучалась с retrieval-ориентированным предварительным обучением, контрастивным дообучением и дистилляцией. Принимает только английский текст и обрабатывает до 512 токенов; более длинный ввод обрезается. Лицензия — Apache 2.0.

TiGa-RCE/gte-Qwen2-1.5B-instruct-MLX-BF16 — модель эмбеддингов на базе Alibaba-NLP/gte-Qwen2-1.5B-instruct, преобразованная в формат MLX с точностью BF16. Она предназначена для получения векторных представлений текстов и семантического поиска на устройствах Apple Silicon с MLX или oMLX. Модель содержит 1,5 млрд параметров, построена на архитектуре Qwen2 и поддерживает контекст до 131072 токенов. Лицензия — Apache-2.0. В локальном тесте извлечения информации модель получила 24 успешных ответа из 24 пар запросов и документов, с MRR 1,0. Это ограниченная инженерная проверка на фиксированном наборе, а не оценка общего качества. Контрольный чекпойнт предназначен для MLX/oMLX на Apple Silicon; результаты для CUDA и PyTorch к нему не относятся.

Это порт модели эмбеддингов Jina AI v5 Text Small Clustering для Apple Silicon. Модель построена на архитектуре Qwen3-0.6B и использует предварительно объединённые адаптеры LoRA для задач кластеризации. Версия MLX предназначена для запуска на устройствах Apple Silicon с ускорением Metal. Модель кодирует поисковые запросы и документы или фрагменты текста в векторы размерностью до 1024. Поддерживается усечение эмбеддингов по схеме Matryoshka до 32, 64, 128, 256, 512, 768 или 1024 измерений. Максимальная длина последовательности — 32 768 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Карточка модели saychuwho/klue-roberta-base-klue-sts-mrc на Hugging Face совпадает с карточкой Jinsol0802/klue-roberta-base-klue-sts-mrc, поэтому описание составлено по ней. Jinsol0802/klue-roberta-base-klue-sts-mrc — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения близости текстов и кластеризации. Обучение с MultipleNegativesRankingLoss оптимизирует сходство косинусной мерой; размер модели — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель рассчитана на работу с текстом и подходит для поиска похожих фрагментов и группировки семантически близких текстов. Идентификатор и название базового семейства указывают на ориентацию на корейский язык KLUE, однако в доступной карточке отдельный список поддерживаемых языков не приведён. Ограничения: представление текста сведено к вектору, поэтому модель сама не генерирует ответы; качество поиска и сравнения зависит от соответствия домена и данных. Файлы представлены в формате safetensors; лицензия в предоставленных сведениях не указана.

Карточка модели sming0408/klue-roberta-base-klue-sts-mrc1 на Hugging Face совпадает с карточкой Jinsol0802/klue-roberta-base-klue-sts-mrc, поэтому описание составлено по ней. Jinsol0802/klue-roberta-base-klue-sts-mrc — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения близости текстов и кластеризации. Обучение с MultipleNegativesRankingLoss оптимизирует сходство косинусной мерой; размер модели — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель рассчитана на работу с текстом и подходит для поиска похожих фрагментов и группировки семантически близких текстов. Идентификатор и название базового семейства указывают на ориентацию на корейский язык KLUE, однако в доступной карточке отдельный список поддерживаемых языков не приведён. Ограничения: представление текста сведено к вектору, поэтому модель сама не генерирует ответы; качество поиска и сравнения зависит от соответствия домена и данных. Файлы представлены в формате safetensors; лицензия в предоставленных сведениях не указана.

Карточка модели sming0408/klue-roberta-base-klue-sts-mrc3 на Hugging Face совпадает с карточкой Jinsol0802/klue-roberta-base-klue-sts-mrc, поэтому описание составлено по ней. Jinsol0802/klue-roberta-base-klue-sts-mrc — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения близости текстов и кластеризации. Обучение с MultipleNegativesRankingLoss оптимизирует сходство косинусной мерой; размер модели — 137,8 млн параметров, максимальный контекст — 514 токенов. Модель рассчитана на работу с текстом и подходит для поиска похожих фрагментов и группировки семантически близких текстов. Идентификатор и название базового семейства указывают на ориентацию на корейский язык KLUE, однако в доступной карточке отдельный список поддерживаемых языков не приведён. Ограничения: представление текста сведено к вектору, поэтому модель сама не генерирует ответы; качество поиска и сравнения зависит от соответствия домена и данных. Файлы представлены в формате safetensors; лицензия в предоставленных сведениях не указана.

llama-nv-embed-reasoning-3b — текстовая модель эмбеддингов NVIDIA на основе двунаправленной архитектуры Llama, дообученная на базе meta-llama/Llama-3.2-3B. Модель содержит 3,2 млрд параметров и формирует векторы размерностью до 3072 для предложений и документов. В метаданных указано контекстное окно 131072 токена; при обучении использовалась длина до 512 токенов для запросов и документов, а при оценке — до 8192 токенов. Модель предназначена для векторного поиска и поиска по смыслу, особенно по материалам с многошаговыми рассуждениями, объяснениями и техническими подробностями. Её можно применять в текстовых RAG-системах, для сопоставления коротких запросов с длинными документами, поиска по базам знаний и обращениям в поддержку, а также для кластеризации и удаления дубликатов. Эмбеддинги подходят для использования с векторными базами данных и retrieval-конвейерами. Модель разработана NVIDIA и оптимизирована для вычислений на GPU NVIDIA; в README указана совместимость с Linux и GPU A100 или H100. Для запуска описана интеграция с Transformers и vLLM. Лицензия в метаданных — CC BY 4.0, однако README ограничивает использование исследовательскими и некоммерческими целями.

Luxical-One — компактная модель встраивания текста от DatologyAI, полученная дистилляцией Snowflake/snowflake-arctic-embed-m-v2.0. Она создаёт векторы для симметричного сравнения сходства полных документов на английском языке и для задач классификации. Модель рассчитана на высокопроизводительное получение эмбеддингов без GPU-ускорения; доступна интеграция для инференса через Hugging Face. В репозитории указаны веса в формате safetensors. Лицензия — Apache-2.0.

Карточка модели kiranbeethoju/MedVectors-base-v0.1 на Hugging Face совпадает с карточкой BAAI/bge-base-en-v1.5, поэтому описание составлено по ней. BAAI/bge-base-en-v1.5 — англоязычная плотная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует текст в векторы для поиска по смыслу и сравнения сходства предложений, в том числе в системах retrieval-augmented generation (RAG). Модель относится к архитектуре BERT и содержит 136,7 млн параметров; максимальный контекст — 512 токенов. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Оценки сходства не следует интерпретировать по универсальному порогу: из-за способа обучения даже несходные предложения могут получать значения выше 0,5. Модель поддерживает английский язык; доступны веса PyTorch и Safetensors, а также формат ONNX. Лицензия — MIT.

Mistral-22B-v0.2 — экспериментальная плотная языковая модель на 22 млрд параметров, созданная Nicolas Mejia-Petit. По описанию автора, это преобразование MoE-модели в плотную: знания экспертов объединены в одну модель. Она дообучалась на многоходовых диалогах, в том числе на примерах программирования, математических задач, ответов в JSON и действий агента. Автор отмечает улучшения в связности ответов, следовании запросам и программировании по сравнению с предыдущей версией, однако приводит лишь результаты собственных предварительных проверок. Модель предназначена для генерации текста в диалоговом формате Guanaco. В README указана длина обучения 32 тыс. токенов, а метаданные каталога указывают контекст до 65 536 токенов. Для применения рекомендуется использовать шаблон Guanaco. Модель заявлена как намеренно слабо ограниченная по отказам, поэтому может выдавать нежелательный контент. Автор называет её экспериментальной и незавершённой. Лицензия — Apache-2.0.

onelevelstudio/ML-E5-0.6B-Instruct — мультиязычная модель эмбеддингов текста на архитектуре XLM-RoBERTa. Она преобразует запросы и документы в векторы для семантического поиска, ранжирования и оценки сходства. Для запросов рекомендуется добавлять краткую инструкцию на естественном языке, описывающую задачу; документам инструкции не нужны. В метаданных указано около 658,7 млн параметров, контекст до 514 токенов и лицензия MIT. Репозиторий содержит веса в форматах Safetensors и ONNX. Карточка связывает модель с Multilingual-E5-large-instruct и сообщает о поддержке 100 языков на основе XLM-RoBERTa; для языков с малым объёмом ресурсов качество может снижаться. Длинные тексты обрезаются примерно до 512 токенов.

sangmini/msmarco-cotmae-MiniLM-L12_en-ko-ja — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторные представления размерности 1536. Её можно применять для семантического поиска и кластеризации текстов. Модель построена на архитектуре BERT и содержит 124,3 млн параметров; максимальная длина контекста составляет 512 токенов. В карточке указано обучение с функцией потерь MSELoss. Репозиторий содержит веса в формате PyTorch. Лицензия в доступных данных не указана. Оценка на конкретных наборах или ограничения качества в карточке не описаны.

sentence-transformers/msmarco-distilbert-base-tas-b — перенос модели DistilBert TAS-B в формат Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и оптимизирована для семантического поиска: например, чтобы находить документы по смыслу запроса, даже если в них используются другие слова. Модель построена на DistilBERT, принимает текст и выдаёт эмбеддинги; доступная длина контекста — 512 токенов. Поддерживаемый язык — английский. Модель предназначена для семантического поиска и вычисления сходства между текстами. Для использования с Transformers поверх контекстных представлений требуется применить соответствующую операцию pooling. Распространяется по лицензии Apache-2.0.

Это компактная многоязычная модель эмбеддингов multilingual-e5-small в формате GGUF F16, преобразованная из весов intfloat/multilingual-e5-small для работы с llama.cpp и llama-server. В основе — энкодер XLM-RoBERTa семейства BERT; модель создаёт векторы размерности 384 и поддерживает контекст до 512 токенов. Для индексируемых документов и поисковых запросов требуются префиксы «passage: » и «query: » соответственно; README рекомендует mean pooling и L2-нормализацию, после которой можно сравнивать векторы по cosine similarity. Модель предназначена для семантического поиска, сравнения предложений и многоязычного подбора текстов, включая поиск по документам на разных языках. В README приведено сравнение F16-эмбеддингов с результатами sentence-transformers на небольшом многоязычном наборе: близость по cosine similarity составила не менее 0,9976, а средний top-1 результат сохранился. Это наблюдение относится только к указанной выборке; токенизация SentencePiece может давать небольшие отличия. Лицензия — MIT, унаследованная от базовой модели.

naija-embed-base — модель эмбеддингов предложений, разработанная OlaVerse для поиска смыслового сходства между английским, хауса, йоруба и игбо. Это дообученная на контрастных парах версия olaverse/mist-encoder-base-ng: пары для обучения получены машинным переводом английских предложений на нигерийские языки. Архитектура — ModernBERT с mean pooling; размер — 30,7 млн параметров, максимальный контекст — 1024 токена. Модель предназначена для межъязыкового поиска, семантического поиска внутри одного языка, кластеризации и удаления дубликатов. Эмбеддинги можно использовать в RAG-системах, например для поиска документов на йоруба по запросу на хауса. В README приведены результаты классификации тематик новостей и межъязыкового поиска на FLORES+. Обучение на синтетических переводах добавляет шум и ограничивает точность межъязыкового выравнивания; для игбо оно несколько слабее, чем для хауса. Нигерийский пиджин не входил в обучение. Модель распространяется по лицензии Apache-2.0.

Nemotron-Research-Reasoning-Qwen-1.5B — языковая модель NVIDIA с открытыми весами, дообученная методом ProRL на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Это плотная модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 131 072 токенов, предназначенная для генерации текста и решения задач, требующих многошаговых рассуждений: математических задач, программирования, научных вопросов, логических головоломок и следования инструкциям. По данным карточки, она улучшила результаты базовой модели на ряде математических, кодовых и логических тестов. Модель работает с текстом; в метаданных указана поддержка английского языка. Карточка описывает её как модель для исследований и разработок. Распространяется по лицензии CC BY-NC 4.0, которая не допускает коммерческое использование.

Octen-Embedding-4B-INT8 — текстовая embedding-модель, разработанная Octen на основе Qwen/Qwen3-Embedding-4B и дообученная методом LoRA. Она преобразует тексты в векторы размерностью 2560 и предназначена для семантического поиска, retrieval-сценариев, оценки схожести предложений, извлечения признаков и поиска по документам. Модель поддерживает английский, китайский и другие языки, а также различные языки программирования, что позволяет использовать её для многоязычного, кросс-языкового и кодового поиска. Модель содержит около 4 млрд параметров и представлена в INT8-квантизированном формате с использованием bitsandbytes. По данным README, объём памяти составляет примерно 4 ГБ против около 8 ГБ для версии BF16. Заявлена поддержка длинного контекста: в большинстве разделов указано до 32 768 токенов, а в разделе характеристик — до 40 960 токенов. Поэтому точное ограничение контекста следует проверять в конфигурации модели. Embedding-пространство высокой размерности рассчитано на работу с длинными документами и специализированными данными в юридической, финансовой, медицинской и программной областях. К сильным сторонам относятся уменьшенное потребление памяти, широкая языковая поддержка, ориентация на прикладные retrieval-задачи и возможность обработки длинного контекста. К ограничениям относятся отсутствие гарантии ускорения инференса после INT8-квантизации: на некоторых аппаратных платформах модель может работать немного медленнее BF16-версии. В приведённых результатах Octen-Embedding-4B получила средний показатель 0,7834 на RTEB, включая 0,7747 на Public и 0,7942 на Private. Модель распространяется по лицензии Apache-2.0.

waynedsouza/only_names — модель Sentence-Transformers на архитектуре RoBERTa, разработанная Wayned Souza. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для поиска семантически близких текстов и кластеризации. Модель содержит 454,1 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для семантического поиска и группировки текстов по смыслу. Обучалась с использованием CosineSimilarityLoss; в репозитории указаны веса PyTorch. В метаданных Hugging Face основная задача обозначена как sentence-similarity, а каталог также относит модель к feature-extraction. Лицензия в предоставленных данных не указана. Результаты оценки и подробные сведения о составе обучающих данных не приведены.

Orange разработала текстовую модель эмбеддингов на базе nomic-ai/nomic-embed-text-v1.5. Она кодирует тексты в векторы размерностью 1536 для поиска по смыслу, сравнения предложений и других задач, где нужны текстовые представления. Модель построена на архитектуре NomicBert: выход базового трансформера размерностью 768 проходит через pooling и обучаемую линейную проекцию до 1536 измерений. В README указано, что проекция сохраняет косинусное сходство базовой модели; поддерживаются Matryoshka-векторы меньшей размерности и контекст до 8192 токенов. Модель подходит для семантического поиска, индексации документов для RAG, сопоставления запросов с документами, кластеризации и сравнения текстов. Для задания режима обработки вход нужно снабжать инструкционным префиксом, например search_document, search_query или clustering. Карточка указывает поддержку английского языка; лицензия — Apache-2.0. Дополнительная размерность может быть полезна для совместимости с существующими 1536-мерными векторными хранилищами, однако README отмечает лишь маргинальную пользу увеличения размерности и не приводит полных результатов сравнительной оценки.

Ornith-1.5-35B-A3B-Uncensored-GGUF — производная модель, подготовленная 0xKitkat на основе Ornith-1.5-35B-A3B, Qwen3.6-35B-A3B и аблитерированной версии Qwen3.6-35B-A3B от wangzhang/Abliterix. Модель сохраняет постобучение Ornith для программирования и агентских сценариев, встроенную систему обработки изображений, конфигурацию контекста до 262K токенов и голову multi-token prediction (MTP). Она распространяется в формате GGUF и предназначена для локального запуска через llama.cpp, включая текстовые и визуально-текстовые задачи. Модель имеет обозначение 35B-A3B и архитектурную специализацию MoE; точная структура активных параметров в README не раскрыта. Доступны варианты BF16, Q4_K_M и Q5_K_M, а для обработки изображений требуется отдельный vision projector. В README указана проверка на 20 промптах: эвристических отказов не выявлено, а четыре из четырёх тестов возможностей были пройдены, однако это локальная дымовая проверка, а не полноценное сравнение производительности. Основная особенность — намеренное снижение отказов от ответов с помощью переноса task vector от аблитерированной модели Qwen без замены специализированного постобучения Ornith. При этом «uncensored» не означает гарантированное выполнение любого запроса, а опубликованные бенчмарки исходной Ornith не заявлены как результаты для этой производной модели. Лицензия релиза — Apache-2.0; README также указывает исходные лицензии MIT для Ornith и Apache-2.0 для Qwen.

Карточка модели JaehyeokLee/preliminary_5m_checkpoint_epoch_1_step_240 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/preliminary_5m_checkpoint_epoch_1_step_440 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.