I.2Синтез, понимание и проверка знаний

Nano-Em1-0.6B-v2.1 — модель текстовых эмбеддингов от KiteFish AI на базе Qwen3-0.6B. Она предназначена для поиска и сопоставления текстов, классификации, кластеризации и ранжирования по релевантности; для задач можно задавать инструкцию-префикс. Модель использует двунаправленное внимание вместо стандартной причинной маски, усреднение токенных представлений и выдаёт векторы размерности 1024. В README указана максимальная длина последовательности 512 токенов; метаданные указывают родной контекст базовой модели в 40960 токенов. Модель работает с текстом и ориентирована прежде всего на английский язык. Для загрузки требуется включить trust_remote_code=True из-за собственной реализации архитектуры. По оценке автора, модель не проверялась на задачах для других языков. Распространяется по лицензии Apache-2.0.

thivy/norbert4-base-scandinavian-embedding — модель эмбеддингов на базе ltg/norbert4-base, разработанная для норвежского букмола и нюнорска, датского и шведского языков. Она обучена на смеси наборов данных для семантического сходства, поиска по вопросам и документам, а также общего поиска; обучение включало 1,6 млн примеров с попарными данными и триплетами. Модель предназначена для преобразования текстов в векторы размерностью 640, чтобы выполнять семантический поиск, извлечение документов по запросу, сравнение предложений, кластеризацию и классификацию. Максимальная длина последовательности — 256 токенов. В приведённых бенчмарках MTEB модель улучшает показатели поиска относительно вариантов, обученных только на данных QA или NLI. Модель распространяется по лицензии MIT. Она оптимизирована для скандинавских языков и лучше всего подходит для задач поиска; тексты длиннее 256 токенов обрезаются, а модель не предназначена для следования инструкциям.

NuExtract-1.5 — модель NuMind для извлечения структурированной информации из текста. Это дообученная версия Phi-3.5-mini-instruct с 3,7 млрд параметров, созданная на частном высококачественном наборе данных. Для запроса модели передают текст и JSON-шаблон с нужными полями; она старается извлекать сведения дословно, сохраняя формулировки исходного текста. Модель предназначена для структурирования содержимого документов и длинных текстов на английском, французском, испанском, немецком, португальском и итальянском языках. В README заявлена поддержка длинных документов, включая примеры длиной 8–20 тысяч токенов, хотя нативный размер контекста в метаданных составляет 4096 токенов. Для чистого извлечения рекомендуется температура 0 или близкая к нулю. Модель работает с текстом и выдаёт текст в формате, заданном JSON-шаблоном. Лицензия — MIT. Результаты могут зависеть от формулировки шаблона и настроек генерации; заявленная работа с длинными документами выходит за пределы контекста, указанного в метаданных.

Phi-3-mini-128k-instruct-4bit — 4-битная версия модели Phi-3-mini-128k-instruct, разработанной Microsoft и преобразованной сообществом mlx-community в формат MLX с помощью mlx-lm 0.10.0. Модель содержит около 3,7 млрд параметров и предназначена для генерации текста в диалоговых сценариях и задачах, связанных с кодом. Модель ориентирована прежде всего на англоязычные запросы, генерацию ответов, продолжение текста и помощь с программным кодом. Формат MLX оптимизирован для запуска через библиотеку mlx-lm на совместимом оборудовании Apple. Метаданные указывают нативную длину контекста 4096 токенов. К сильным сторонам относятся компактный размер, 4-битное квантование и возможность локального запуска в экосистеме MLX. Ограничениями являются преимущественная поддержка английского языка, уменьшенная точность из-за квантования и контекст до 4096 токенов, несмотря на обозначение исходной модели как 128k. Модель распространяется по лицензии MIT.

PPLX Embed v1 0.6B ONNX INT8 — артефакт серверного инференса эмбеддингов, используемый Deposium в deposium-turbov3. Модель с двунаправленной архитектурой PPLXQwen3Model содержит около 507,9 млн параметров и распространяется в формате ONNX с INT8-квантизированными весами. Модель принимает текст и выдаёт векторное представление размерностью 1024; серверный сценарий использует первые 256 измерений благодаря усечению Matryoshka. Она рассчитана на контекст до 32 768 токенов и подходит для получения текстовых эмбеддингов в серверных приложениях, например для поиска и сопоставления текстов. Лицензия — MIT. Репозиторий содержит ONNX-модель с внешним файлом данных и файлы конфигурации и токенизатора. Это серверный артефакт, поэтому он отличается от однофайловой браузерной версии для Transformers.js; совместимость с другими рантаймами и качество на конкретных задачах в карточке не описаны.

Rebine/Qwen3.5-Embedding-0.8B — текстовая модель эмбеддингов, дообученная на базе Qwen/Qwen3.5-0.8B-Base для семантического поиска, в первую очередь для извлечения воспоминаний агентами. Она принимает запросы и фрагменты текста, кодирует их в векторы размерностью до 1024 и поддерживает уменьшение размерности до 128, 256, 512 или 768. Контекст составляет 2048 токенов; архитектура — плотная текстовая модель Qwen3.5 с 24 слоями, включая линейное и полное внимание. Модель рассчитана на китайский и английский языки и подходит для поиска по базам знаний, архивам диалогов и технической документации, в том числе по коротким ключевым запросам и вопросам на естественном языке. Для запросов README предписывает добавлять инструкцию, использовать pooling по последнему токену и L2-нормализацию; для фрагментов текста инструкция не нужна. Модель распространяется под лицензией Apache-2.0. README приводит результаты сравнений на наборах для поиска воспоминаний и обычного контента; на некоторых тестах модель уступает Qwen3-Embedding-0.6B, а на других превосходит её, поэтому качество следует оценивать на собственном корпусе. Для корректной работы нужно самостоятельно реализовать предписанные обработку запросов и pooling: готовой обёртки sentence-transformers нет.

zecafonso/Qwen3-Embedding-4B-1024 — текстовая Sentence Transformer модель, дообученная автором репозитория на базе Qwen/Qwen3-Embedding-4B. Она преобразует предложения и абзацы в плотные векторы размерностью 2560 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура включает Qwen3Model, пулинг последнего токена и нормализацию; модель принимает только текст. В README указан максимальный размер последовательности 1024 токена, а метаданные каталога указывают базовый контекст Qwen в 40960 токенов. Основной сценарий — информационный поиск: подбор релевантных фрагментов по запросу, семантический поиск и ранжирование кандидатов через сравнение эмбеддингов. В README приведены оценки на двух наборах для поиска, а также сведения о дообучении на 58 примерах с anchor, positive и negative текстами. Метаданные описывают базовую модель как мультиязычную, но сам README не перечисляет языки, на которых проверена эта версия. Лицензия в предоставленных данных не указана.

Qwen3-Reranker-0.6B-GGUF-llama_cpp — это GGUF-конверсия модели Qwen3-Reranker-0.6B, разработанной командой Qwen и подготовленной Voodisss для запуска через llama.cpp. Модель предназначена для переранжирования результатов поиска: она оценивает релевантность документов относительно запроса и может использоваться в семантическом поиске, retrieval-augmented generation (RAG), вопросно-ответных системах и дедупликации текстов. Модель относится к классу reranker и имеет размер 0,6 млрд параметров. Она работает с текстовыми запросами и документами, поддерживает специальную классификацию релевантности yes/no и рассчитана на использование через endpoint /v1/rerank в llama-server с настройками pooling rank и embedding. В примере конфигурации указан контекст до 32768 токенов. Сведения о поддерживаемых языках в README не приведены. Ключевое преимущество сборки — корректная конвертация специфичных для reranker компонентов, включая классификатор, метаданные ранжирования и chat template; благодаря этому она выдаёт осмысленные оценки релевантности, в отличие от некоторых GGUF-сборок, возвращающих некорректные значения. Для квантования Q4_K_M заявлено уменьшение размера примерно втрое по сравнению с F16 при потере качества около 0,3% на тесте MTEB AskUbuntuDupQuestions. Более низкие варианты Q4_0 и Q3_K_M снижают качество примерно на 2%, а Q2_K показывает существенную деградацию. Модель следует использовать именно через /v1/rerank, поскольку endpoint /v1/embeddings для reranker-моделей возвращает нулевые значения. Модель распространяется по лицензии Apache 2.0.

PXY107kWqS/Qwen3-Reranker-8B-bnb-4bit — это 4-битная квантованная версия модели Qwen3-Reranker-8B из семейства Qwen3, разработанного командой Qwen. Квантование выполнено с использованием библиотеки BitsAndBytes; модель предназначена для ранжирования текстов и используется как CrossEncoder для оценки релевантности пар «запрос — документ». Лицензия — Apache-2.0. Модель содержит около 8 млрд параметров, поддерживает контекст длиной до 32K токенов и более 100 языков, включая языки программирования. Она подходит для повторного ранжирования результатов текстового и кодового поиска, multilingual- и cross-lingual retrieval, а также других сценариев, где требуется упорядочить документы по соответствию запросу. Модель поддерживает пользовательские инструкции, адаптированные под задачу, язык или сценарий; для многоязычных задач рекомендуется формулировать инструкции на английском языке. Квантирование использует int4 с типом nf4, вычислениями в bfloat16, хранением квантованных данных в uint8 и без двойного квантования. Это снижает требования к памяти по сравнению с полной версией, но может влиять на точность и производительность; конкретные требования к оборудованию и результаты тестов в карточке не приведены. Модель возвращает необработанные значения logit-разницы, которые можно использовать для сравнения релевантности документов.

i1j/reranker — текстовый Cross-Encoder, дообученный на базе BAAI/bge-reranker-v2-m3 с использованием библиотеки sentence-transformers. Модель разработана как переранжировщик: она совместно обрабатывает пары текстов и выдаёт оценку их релевантности, которую можно использовать для изменения порядка результатов поиска и семантического поиска. Архитектура основана на XLM-RoBERTa и реализована как XLMRobertaForSequenceClassification с одним выходным значением. Максимальная длина последовательности составляет 8192 токена; модель принимает текст и выдаёт оценку. Лицензия в предоставленных данных не указана.

Vela Reranker — многоязычный энкодер на базе ModernBERT, разработанный llm-semantic-router. Модель оценивает релевантность фрагментов для поиска, RAG и выбора контекста в системах маршрутизации. В метаданных указано 306,9 млн параметров и контекст до 32 768 токенов; доступны веса Safetensors и формат ONNX. В приведённых оценках Vela превосходит исходный mmBERT Reranker на указанных наборах MIRACL, Natural Questions и SciFact, а также на двух из трёх перечисленных инструкционных задач MTEB. Результаты относятся только к выбранным наборам и подмножествам и не являются полной оценкой MTEB. Модель предназначена для ранжирования текстовых фрагментов и не генерирует ответы. Лицензия — Apache-2.0.

Это англоязычная модель для получения плотных векторных представлений текста на основе BAAI/bge-small-en-v1.5. Репозиторий размещён в пространстве имён avsolatorio; по идентификатору модели и карточке это производная версия BGE, однако карточка не описывает конкретные изменения или способ обучения этой версии. Модель предназначена для поиска семантически близких текстов и формирования эмбеддингов для систем поиска и retrieval-augmented generation (RAG). Архитектура — BERT, около 40 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Модель ориентирована на английский язык. Эмбеддинги подходят для поиска кандидатов, но README рекомендует при необходимости повышать точность выдачи с помощью отдельного reranker. Карточка также отмечает, что оценка сходства сама по себе не является калиброванной вероятностью семантической близости.

rithwik-db/bert-base-cased_banking77_10000 — модель Sentence-Transformers на архитектуре BERT, обученная представлять предложения и абзацы в виде плотных векторов размерности 768. Она предназначена для семантического поиска и кластеризации текстов; обучение проводилось с TripletLoss и евклидовой метрикой расстояния. Модель содержит 135,5 млн параметров, принимает текст, а её контекст ограничен 512 токенами. Модель подходит для поиска похожих запросов и группировки текстов по смыслу. Карточка не сообщает, на каких языках обучена модель или для какой предметной области она предназначена, поэтому её название само по себе не подтверждает специализированную поддержку банковских запросов. Лицензия в предоставленных данных не указана.

RinKana/bge-base-en-v1.5-cross-lingual-retriever — текстовая модель Sentence Transformers, дообученная разработчиком RinKana на базе BAAI/bge-base-en-v1.5 для поиска релевантных фрагментов по предложениям и абзацам. Архитектура объединяет BERT, pooling по CLS-токену и нормализацию; модель формирует плотные эмбеддинги размерностью 768 и сравнивает их с помощью косинусного сходства. Объём модели — 136,7 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска и retrieval-сценариев, включая подбор контекста для RAG. README показывает обучение на парах запросов и passages с MultipleNegativesRankingLoss, однако не уточняет языки обучающих данных или результаты оценки кросс-языкового поиска. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

Это ONNX-конверсия BAAI/bge-reranker-large, подготовленная для запуска на GPU с оптимизациями уровня O4 через Optimum. Модель на архитектуре XLM-RoBERTa с 658,7 млн параметров предназначена для оценки релевантности пары текста и ранжирования результатов поиска. Модель принимает текстовые пары и выдаёт оценку, которую можно использовать для сортировки документов или ответов по релевантности запросу. Указанное в метаданных ограничение контекста — 514 токенов. Репозиторий содержит ONNX-формат; лицензия — MIT.

Это англоязычная embedding-модель BGE Small English v1.5, разработанная BAAI и преобразованная в формат GGUF пользователем ChristianAzinn. Модель построена на архитектуре BERT и предназначена для получения векторных представлений текста, вычисления семантического сходства, поиска и извлечения признаков. Она поддерживает библиотеку sentence-transformers и совместима с llama.cpp и LM Studio при указанных версиях. Модель работает с английским языком и поддерживает контекст до 512 токенов. Доступны варианты с квантованием от 2 до 8 бит, а также FP16 и FP32; размеры файлов составляют примерно от 25,3 до 134 МБ. Квантованные варианты позволяют снизить требования к памяти, однако низкобитные версии могут заметно терять в качестве; в README рекомендуются Q4_K_M, Q5_K_S, Q5_K_M и Q8_0 в зависимости от приоритета между размером и сохранением качества. Модель подходит для локального семантического поиска, ранжирования и сравнения англоязычных текстов при ограниченном контексте. Ограничениями являются поддержка только английского языка, предел контекста 512 токенов и возможная потеря качества при сильном квантовании. Лицензия модели — MIT.

Stffens/bge-small-rrf-v3 — англоязычная модель для создания текстовых эмбеддингов и семантического поиска, разработанная автором проекта vstash. Она дообучена на базе BAAI/bge-small-en-v1.5 с помощью сигнала расхождения результатов гибридного поиска и обучена на данных BEIR SciFact, NFCorpus и FiQA. Модель использует архитектуру BERT, содержит около 40 млн параметров по метаданным (в README указано 33 млн), формирует векторы размерности 384 и поддерживает контекст до 512 токенов. Модель предназначена для семантического поиска и использования в качестве эмбеддинговой основы RAG-систем. Автор приводит улучшения относительно базовой модели и предыдущей версии на нескольких наборах BEIR; результаты зависят от корпуса и поискового конвейера. Для NFCorpus v2 может быть предпочтительнее, а специализированные клинические, юридические и насыщенные терминологией корпуса могут требовать дообучения. Модель рассчитана на английский язык, для кросс-языкового поиска может уступать многоязычным моделям. Распространяется по лицензии MIT.

Карточка модели SAIFIINDUSTRIES/DeepSeek-R1-Distill-Qwen-1.5B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

osiria/distiluse-base-italian — модель DistilUSE для получения векторных представлений предложений на итальянском языке. Она создана на основе mDistilUSE (sentence-transformers/distiluse-base-multilingual-cased-v1) с адаптацией слоя эмбеддингов под итальянский язык с использованием частот слов из Википедии. Модель построена на архитектуре DistilBERT, содержит 67 млн параметров и словарь из 30 785 токенов; максимальная длина контекста — 512 токенов. Модель предназначена для кодирования итальянских текстов и вычисления сходства между ними, например, для семантического поиска и сравнения предложений. Она принимает текст и выдаёт векторные представления. Выпущена под лицензией Apache-2.0.

fresha/e5-large-v2-endpoint — текстовая модель эмбеддингов на базе BERT, основанная на E5-large-v2, разработанной Liang Wang, Nan Yang и коллегами. Модель использует 24 слоя и формирует векторы размерности 1024; её применяют для представления запросов и документов в задачах семантического поиска и ранжирования. Она поддерживает только английский язык, а входные тексты ограничены 512 токенами и более длинные обрезаются. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT.

Это разреженный SPLADE-энкодер, дообученный на датасете STS-B от базовой модели naver/splade-cocondenser-ensembledistil с использованием библиотеки Sentence Transformers. Он преобразует предложения и абзацы на английском языке в разреженные векторы размерности 30 522 для семантического поиска, извлечения документов и оценки сходства по косинусной мере. Архитектура включает BERT-модель BertForMaskedLM и max-пулинг SPLADE; длина последовательности в метаданных составляет до 512 токенов, а карточка модели указывает максимум 256 токенов. Модель содержит 136,7 млн параметров. На наборах STS-dev и STS-test указаны значения Spearman cosine 0,8704 и 0,8292 соответственно. Модель рассчитана на английский язык и не является генеративной. Лицензия — Apache-2.0.

ExperimentTwo, также называемая NerdySamanthaV2, — языковая модель на архитектуре Mistral, созданная слиянием моделей методом Model Stock с помощью mergekit. В основу взята mistralai/Mistral-7B-v0.1; также объединены cognitivecomputations/samantha-1.2-mistral-7b и uukuguy/speechless-code-mistral-7b-v1.0. Модель содержит 7,1 млрд параметров и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для генерации текста. Контекстное окно составляет 32 768 токенов; сочетание компонентов Samantha и Speechless Code ориентирует её на диалоговые ответы и задачи с кодом, хотя README не приводит отдельных оценок качества или подробных сценариев применения. Модель объединяет возможности исходных чекпойнтов, но карточка не содержит результатов тестирования, поэтому качество на конкретных задачах следует проверять самостоятельно. Лицензия — Apache-2.0.

F2LLM-v2-8B-Preview — мультиязычная модель эмбеддингов от CodeFuse AI, дообученная на базе Qwen3-8B на корпусе из 27 миллионов примеров. Версия Preview обучена без инструкций и предназначена как основа для задач получения эмбеддингов и дальнейшей тонкой настройки. Модель имеет плотную архитектуру Qwen3, около 7,6 млрд параметров и принимает текст; метаданные указывают контекст до 40 960 токенов. Модель подходит для кодирования текстов в векторные представления в многоязычных сценариях. README заявляет поддержку более 100 естественных и программных языков, а метаданные карточки перечисляют языки, включая английский, русский, китайский, арабский, японский и другие. Репозиторий содержит веса Safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. Это предварительная версия без инструкционного обучения, поэтому её поведение в диалоговых задачах и качество на конкретных наборах данных могут требовать проверки.

GeeVec-Embeddings-1.0-Lite — компактная мультиязычная модель текстовых эмбеддингов от geevec-ai на базе модели в стиле Qwen3 с архитектурой PseudoMoE. В метаданных указано 306,6 млн параметров; README заявляет 0,35 млрд активируемых параметров. Модель предназначена для поиска по смыслу и сопоставления запросов с текстами, поддерживает контекст до 40 960 токенов по метаданным. Модель предлагает маршруты general для общего мультиязычного поиска, coding для поиска по коду и технической документации и reasoning для сложных запросов, требующих глубокого семантического сопоставления. Она преобразует текст в эмбеддинги, которые можно нормализовать и сравнивать для ранжирования релевантности. В примере README используется длина до 4096 токенов. Для загрузки требуется доверять пользовательскому коду репозитория через trust_remote_code=True. Репозиторий использует формат safetensors и распространяется по лицензии Apache-2.0. Заявления README о высоких результатах на бенчмарках не сопровождаются в предоставленном тексте числовыми результатами; качество на конкретных данных следует проверять отдельно.

GPT-5.6 Luna — модель OpenAI из серии GPT-5.6. Она предназначена для высоконагруженных задач с чувствительностью к задержке, включая диалог, классификацию и лёгкие агентные сценарии. В карточке модель описана как быстрая и экономичная, со способностью к рассуждению. Данных о размере, архитектуре, модальностях, языках, длине контекста и лицензии в предоставленных источниках нет. Метаданные каталога относят модель к задаче image-text-to-text, однако README не подтверждает работу с изображениями.

InternVL3-8B-Instruct-GGUF — мультимодальная модель семейства InternVL3, разработанная OpenGVLab и представленная в GGUF-формате Unsloth. Это SFT-версия InternVL3-8B: она прошла мультимодальное предварительное обучение и дообучение с учителем, но не проходила MPO. Модель предназначена для задач понимания и анализа изображений совместно с текстом, мультимодального рассуждения, работы с инструментами и GUI-агентами, промышленного анализа изображений, а также восприятия 3D-сцен. Она поддерживает многоязычные сценарии, однако конкретный перечень языков и размер контекстного окна в предоставленных данных не указаны. Архитектура построена по схеме ViT-MLP-LLM и включает vision-компонент InternViT-300M-448px-V2_5 и языковую часть Qwen2.5-7B; общий размер модели обозначен как 8B. Сильными сторонами заявлены развитые возможности мультимодального восприятия и рассуждения, а также повышение качества по сравнению с InternVL 2.5. Ограничения включают отсутствие MPO и неизвестные из README характеристики контекстного окна, точности GGUF-квантизации и производительности на конкретном оборудовании. В метаданных указана лицензия Apache 2.0; также присутствует обозначение license_name Qwen и ссылка на лицензию Qwen2.5.

jina-embeddings-v5-text-nano-retrieval-GGUF — мультиязычная модель эмбеддингов для задач семантического поиска и retrieval, разработанная Jina AI. Это GGUF-квантизация модели jina-embeddings-v5-text-nano-retrieval с поддержкой llama.cpp, предназначенная для эффективного локального или управляемого инференса. Модель содержит 239 млн параметров и преобразует текст в векторы размерностью 768. Она использует pooling по последнему токену и поддерживает Matryoshka Dimensions 32, 64, 128, 256, 512 и 768, что позволяет выбирать компромисс между качеством, размером индекса и скоростью поиска. Модель ориентирована на мультиязычные сценарии, однако конкретный набор языков в README не указан. Модель подходит для семантического поиска, построения retrieval-компонентов и других задач сравнения текстов, где требуется сопоставлять запросы и документы по смыслу. К преимуществам относятся компактный размер, квантизация для эффективного инференса и возможность использования с llama.cpp. Ограничение состоит в том, что это специализированная модель эмбеддингов для retrieval, а не генеративная языковая модель; точные показатели качества, максимальная длина контекста и поддерживаемые языки в README не приведены. Модель распространяется по лицензии CC-BY-NC-4.0, которая ограничивает коммерческое использование. Для коммерческого применения разработчик предлагает связаться с Jina AI.

JSONify-Flux-Large — дообученная PrithivMLmods мультимодальная модель на архитектуре Qwen2-VL-7B-Instruct, настроенная на изображения, созданные Flux, и соответствующие им описания. Она предназначена для описания изображений, визуальных вопросов и рассуждений, распознавания текста на изображениях и решения математических задач с выводом в формате JSON; поддерживает многошаговый диалог и анализ видео. Модель содержит 7,1 млрд параметров, принимает изображения и текст, выдаёт текст, а максимальный контекст составляет 32 768 токенов. В карточке заявлена поддержка английского и китайского языков, а также распознавание текста на японском, арабском и ряде европейских языков. Веса опубликованы в формате Safetensors, библиотека для работы — Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не приводит независимых сравнительных результатов, поэтому заявления о высокой точности и длительности поддерживаемого видео не следует считать подтверждёнными гарантиями качества.

kanana-1.5-v-3b-instruct — мультимодальная языковая модель семейства Kanana-1.5-V, разработанная командой Unified Foundation Model в Kakao. Она принимает текст и изображения и генерирует текст; архитектура включает энкодер изображений, C-abstractor и языковую модель kanana-1.5-3b-instruct. Модель содержит около 3,67 млрд параметров, поддерживает контекст до 32 тысяч токенов и предназначена для работы на английском и корейском языках. Модель подходит для описания изображений, понимания документов, рассуждений по распознанному тексту и выполнения мультимодальных инструкций. В опубликованных Kakao оценках она показала результаты на англоязычных и корейских тестах понимания изображений и следования инструкциям; результаты бенчмарков не гарантируют точность в каждом пользовательском сценарии. Модель может выдавать неточную или вводящую в заблуждение информацию, особенно при работе с научными диаграммами и математическими задачами. Её не рекомендуется применять в медицине, праве и других областях с высокими ставками; качество языков, кроме корейского и английского, не оценивалось и может быть низким. Лицензия — kanana-license.

LFM2.5-Embedding-350M-int4 — 4-битная MLX-квантизация мультиязычного двунаправленного плотного bi-encoder LiquidAI LFM2.5-Embedding-350M для семантического поиска и поиска между языками. Модель формирует вектор размерности 1024 из CLS-токена; для кодирования запросов и документов используются префиксы «query: » и «document: », а сходство оценивается косинусной мерой. Контекст составляет до 128 000 токенов. Вариант рассчитан на запуск на компьютерах Apple Silicon через MLX. В README приведено сравнение с fp16 на подмножестве из четырёх англоязычных наборов NanoBEIR: среднее сохранение NDCG@10 после квантизации указано как 99,9%. Для корректного получения эмбеддингов в репозитории поставляется специальный загрузчик, поскольку обычная загрузка причинной LFM2-модели не учитывает двунаправленное внимание и CLS pooling. Лицензия в метаданных обозначена как other; README не уточняет дополнительные условия.