I.2Синтез, понимание и проверка знаний

Linq-Embed-Mistral — модель текстовых эмбеддингов команды Linq Research, построенная на основе E5-mistral-7b-instruct и Mistral-7B-v0.1. Это плотная архитектура Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; модель предназначена для поиска по тексту и оценки сходства предложений. Модель дообучена для улучшения текстового поиска: команда использовала отбор и подготовку данных, синтетические наборы и подбор отрицательных примеров с помощью учительских моделей. В README сообщается о высоких результатах на бенчмарках MTEB по состоянию на 29 мая 2024 года. Модель принимает текст и выдаёт эмбеддинги для запросов и документов, которые можно использовать для семантического поиска и ранжирования кандидатов. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование; README также указывает, что проект предназначен для исследовательских целей. Условия лицензий сторонних наборов данных могут отличаться.

Mistral-Nemo-Instruct-2407-quantized.w4a16 — текстовая instruction-tuned модель семейства Mistral-Nemo, разработанная Neural Magic на основе Mistral-Nemo-Instruct-2407. Она предназначена для коммерческого и исследовательского использования в англоязычных assistant-like чат-сценариях и задачах генерации текста. Модель работает только с текстом на входе и выходе и использует INT4-квантизацию весов линейных слоёв трансформера по схеме W4A16 с алгоритмом GPTQ, групповой симметричной квантизацией и размером группы 128. Снижение разрядности с 16 до 4 бит уменьшает размер модели на диске и требования к памяти GPU примерно на 75%, что облегчает развёртывание через vLLM или Transformers. Заявленный результат на OpenLLM Leaderboard v1 составляет 70,13 против 71,61 у неквантизированной версии. К сильным сторонам относятся существенно сниженные требования к памяти и удобство эффективного инференса. Ограничения включают поддержку и заявленное назначение только для английского языка, а также небольшое снижение benchmark-показателей относительно исходной модели; размер модели и максимальная длина контекста в README не указаны. В описании указана лицензия Apache-2.0, хотя в метаданных README также присутствует значение llama2; это расхождение следует уточнить перед использованием.

ModernBERT-large — англоязычная модель Answer.AI, LightOn и их коллег, представляющая собой двунаправленный трансформерный энкодер в стиле BERT. Она содержит около 395 млн параметров и принимает последовательности длиной до 8 192 токенов. В архитектуре используются Rotary Position Embeddings, чередование локального и глобального внимания, а также оптимизации для эффективной обработки длинных входов. Модель предварительно обучена на 2 трлн токенов английского текста и кода. Её основная задача — предсказание замаскированных токенов; как энкодер она также подходит в качестве основы для классификации, поиска информации и семантического поиска по текстовым и кодовым корпусам. Для запуска доступны форматы PyTorch, Safetensors и ONNX через библиотеку Transformers. Модель особенно полезна для длинных документов и поиска по коду, но карточка Hugging Face классифицирует её как fill-mask, а не как готовую модель эмбеддингов или классификатор. Качество может быть ниже для языков помимо английского и кода; обработка всего контекстного окна может быть медленнее коротких входов, а представления могут отражать смещения обучающих данных. Лицензия — Apache-2.0.

Amazon Nova Lite 1.0 — недорогая мультимодальная модель Amazon, предназначенная для быстрого анализа изображений, видео и текста с выдачей текстовых ответов. Она подходит для сценариев, где нужно обрабатывать визуальные и текстовые входные данные и получать по ним текстовый результат. В доступных сведениях не приведены размер модели, длина контекста, поддерживаемые языки и условия лицензии.

Ouro-2.6B-Thinking — языковая модель ByteDance для генерации текста с упором на рассуждения. Это дообученная версия Ouro-2.6B: модель прошла supervised fine-tuning на наборах примеров по математике, программированию, науке и диалогам. Архитектура — плотная рекуррентная OuroForCausalLM с 2,6 млрд параметров и 24 слоями; по умолчанию используются четыре рекуррентных шага. Контекст — до 65 536 токенов. Модель рассчитана на математические и научные задачи, написание и анализ кода, а также диалоговые сценарии; она может выдавать подробные шаги рассуждения. В карточке заявлены компактный размер и согласованность промежуточных рекуррентных выходов. Число шагов можно менять, выбирая компромисс между вычислительными затратами и качеством; адаптивный выход не поддерживается в vLLM. Для совместимости README указывает Transformers 4.54.1, а в разделе быстрого старта — версию 4.56.0. Разработчик предупреждает, что модель предоставляется без гарантий пригодности для промышленного использования и предназначена для исследований. Лицензия — Apache-2.0.

Phi-3-Vision-128K-Instruct — компактная мультимодальная модель Microsoft из семейства Phi-3 с плотной архитектурой Phi3VForCausalLM и 3,7 млрд параметров. Она принимает текст и изображения и предназначена для диалоговых сценариев с визуальным вводом, включая понимание изображений, OCR, а также разбор графиков и таблиц. Модель дообучена с помощью supervised fine-tuning и direct preference optimization; в карточке заявлен контекст до 128 тысяч токенов, хотя метаданные указывают native context в 4096 токенов. Модель рассчитана на применение в условиях ограниченных вычислительных ресурсов и низкой задержки, а также на создание генеративных функций с визуальным вводом. Основной язык — английский; карточка предупреждает о снижении качества для других языков. Возможны фактические ошибки, стереотипные или оскорбительные ответы, поэтому результаты следует проверять, особенно в чувствительных и высокорисковых сценариях. Лицензия — MIT.

Карточка модели Andronovo/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16 на Hugging Face совпадает с карточкой denyzhirkov/Qwen3.8-27B-AEON-ULTIMATE-U-BF16, поэтому описание составлено по ней. Qwen3.8-27B-AEON-ULTIMATE-U-BF16 — экспериментальная ранняя версия модели Qwen3.8-27B, подготовленная denyzhirkov. Это дообученная и аблитерированная BF16-версия с уменьшенным числом отказов; базовая модель — Qwen/Qwen3.8-27B. Плотная мультимодальная архитектура поддерживает диалог, следование инструкциям, вызов инструментов и работу с изображениями. В README описана проверка на NVIDIA H200 через vLLM; при тестировании использовалось окно 16 384 токена, а автор указывает, что базовая модель поддерживает контекст до 262 000 токенов. Модель рассчитана на прямые ответы, творческое письмо, исследования безопасности, red-team-тестирование и работу с запросами, которые базовая модель могла бы отклонить. Снятие части отказов может сделать ответы более доступными, но не гарантирует точности или безопасности. README предупреждает о повторениях и потере связности на очень длинных запросах; модель может выдавать опасный или незаконный контент. Лицензия — Apache-2.0.

Карточка модели HFCK99/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16 на Hugging Face совпадает с карточкой denyzhirkov/Qwen3.8-27B-AEON-ULTIMATE-U-BF16, поэтому описание составлено по ней. Qwen3.8-27B-AEON-ULTIMATE-U-BF16 — экспериментальная ранняя версия модели Qwen3.8-27B, подготовленная denyzhirkov. Это дообученная и аблитерированная BF16-версия с уменьшенным числом отказов; базовая модель — Qwen/Qwen3.8-27B. Плотная мультимодальная архитектура поддерживает диалог, следование инструкциям, вызов инструментов и работу с изображениями. В README описана проверка на NVIDIA H200 через vLLM; при тестировании использовалось окно 16 384 токена, а автор указывает, что базовая модель поддерживает контекст до 262 000 токенов. Модель рассчитана на прямые ответы, творческое письмо, исследования безопасности, red-team-тестирование и работу с запросами, которые базовая модель могла бы отклонить. Снятие части отказов может сделать ответы более доступными, но не гарантирует точности или безопасности. README предупреждает о повторениях и потере связности на очень длинных запросах; модель может выдавать опасный или незаконный контент. Лицензия — Apache-2.0.

QuantFactory/Qwen3-Reranker-4B-GGUF — это квантизированная версия модели Qwen3-Reranker-4B, созданная QuantFactory на основе Qwen/Qwen3-4B-Base с использованием llama.cpp. Модель предназначена для переранжирования текстовых результатов: оценки релевантности документов поисковому запросу и улучшения порядка выдачи. Она может применяться в системах текстового и кодового поиска, retrieval-augmented generation, классификации и других сценариях, где требуется выбрать наиболее подходящие фрагменты среди найденных кандидатов. Модель содержит около 4 млрд параметров, имеет 36 слоёв и поддерживает контекст длиной до 32K токенов. Она работает с текстом, поддерживает более 100 языков, включая языки программирования, и рассчитана на многоязычный, кросс-языковой и кодовый поиск. Модель поддерживает пользовательские инструкции, позволяющие адаптировать ранжирование под конкретную задачу, язык или сценарий; для многоязычных задач рекомендуется формулировать инструкции на английском языке. Квантизация в формате GGUF и использование llama.cpp могут снизить требования к ресурсам и упростить локальный запуск, однако конкретные характеристики производительности зависят от варианта квантизации и оборудования. README не содержит точных данных о формате квантизации, аппаратных требованиях, скорости инференса и результатах бенчмарков. Модель распространяется по лицензии Apache-2.0.

Voodisss/Qwen3-Reranker-4B-GGUF-llama_cpp — это GGUF-конверсия модели Qwen/Qwen3-Reranker-4B, предназначенная для запуска через llama.cpp. В README указано, что конверсия выполнена 9 марта 2025 года с помощью официального скрипта convert_hf_to_gguf.py; разработчик исходной модели отдельно не указан. Модель относится к классу reranker и оценивает релевантность документов поисковому запросу, поэтому подходит для семантического поиска, reranking результатов, retrieval-augmented generation и других задач ранжирования текста. Для работы следует использовать endpoint /v1/rerank, а не /v1/embeddings. Модель поддерживает классификацию релевантности через метки yes/no и содержит специальные настройки для reranking: pooling типа RANK, встроенный chat template и классификационные веса. Доступны варианты GGUF-квантизации от F16 размером 7,50 ГБ до Q2_K размером 1,55 ГБ; по приведённому тесту на MTEB AskUbuntuDupQuestions варианты от Q8_0 до Q3_K_M сохраняют качество в пределах примерно ±1% от F16, а Q4_K_M назван оптимальным компромиссом между размером и качеством. Q2_K заметно ухудшает результаты. Модель рассчитана на текстовые запросы и документы; другие модальности и поддерживаемые языки в README не указаны. Лицензия — Apache 2.0.

Это репозиторий весов Qwen3-VL-8B-Instruct, опубликованный Unsloth на основе Qwen/Qwen3-VL-8B-Instruct. Модель относится к плотной мультимодальной архитектуре Qwen3-VL и содержит 8 млрд параметров; для работы используется библиотека Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0. Модель принимает текст и изображения, поддерживает диалог и интерфейс вызова инструментов. Она предназначена для ответов на вопросы по изображениям, визуального рассуждения, OCR, анализа видео, пространственного понимания и задач визуального агента, а также генерации текста. В карточке заявлен контекст 256 тысяч токенов с возможностью расширения до 1 млн; для OCR указана поддержка 32 языков, но их перечень не приведён. Среди заявленных улучшений — обработка временных меток в видео, объединение визуальных признаков разных уровней и распознавание мелких деталей. Практические ограничения и независимые результаты оценки в README не приведены; заявленные характеристики производительности не сопровождаются таблицами результатов.

Карточка модели tomaarsen/Qwen3-VL-Embedding-8B на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-Embedding-8B, поэтому описание составлено по ней. Qwen3-VL-Embedding-8B — мультимодальная модель эмбеддингов семейства Qwen, разработанная командой Qwen и дообученная на базе Qwen/Qwen3-VL-8B-Instruct. Она предназначена для поиска и сопоставления информации между текстом, изображениями, скриншотами и видео, а также для кластеризации мультимодального контента. Модель принимает отдельные модальности и их сочетания и кодирует их в общее векторное пространство. Модель содержит 8 млрд параметров, имеет архитектуру Qwen3-VL и контекст длиной до 32 тысяч токенов. Размерность эмбеддинга достигает 4096; поддерживаются настраиваемые размерности от 64 до 4096. Заявлена поддержка более 30 языков, а среди сценариев — мультимодальный и межъязыковой поиск, сопоставление текста с изображениями и видео и визуальный поиск по документам. Модель распространяется под лицензией Apache-2.0. Эмбеддинги подходят для первичного поиска и кластеризации; для уточнения порядка найденных результатов карточка рекомендует отдельную модель Qwen3-VL-Reranker. Для многоязычных сценариев README советует формулировать инструкции на английском, поскольку большинство инструкций при обучении были на этом языке.

SimLM — англоязычная плотная модель для поиска пассажей, разработанная авторами метода Similarity Matching with Language Model Pre-training. Она использует архитектуру BERT с узким представлением, которое сжимает текст пассажа в плотный вектор. В карточке указана версия, дообученная на MS MARCO. Модель предназначена для извлечения эмбеддингов текста и построения систем семантического поиска и ранжирования пассажей, в том числе для поиска по неразмеченным корпусам. Параметры можно применять как векторные представления документов или запросов в поисковом конвейере. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты экспериментов на MS MARCO и TREC Deep Learning, однако конкретные значения результатов данной версии в доступном фрагменте таблицы не видны. Модель распространяется под лицензией MIT.

Verbatim RAG Extractor Model — дообученная KRLabsOrg модель на базе ModernBERT-base для отбора предложений, релевантных вопросу, в системе Verbatim RAG. Она кодирует вопрос и предложения документа в одной последовательности и применяет линейную классификационную голову, присваивая каждому предложению один из двух классов: релевантное или нерелевантное. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. Модель предназначена для извлечения подходящих фрагментов из найденных документов перед формированием ответа на вопрос. Порог уверенности по умолчанию равен 0,5; его можно менять, чтобы балансировать точность и полноту отбора. В карточке указана англоязычная поддержка. Лицензия — MIT. Для интеграции README рекомендует пакет verbatim-rag; заявлены зависимости от PyTorch и Transformers.

Zen Embedding — текстовая модель для построения плотных эмбеддингов, опубликованная zenlm как часть линейки Zen. Она перепакована из Qwen/Qwen3-Embedding-8B и не обучалась с нуля; репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Sentence Transformers. Модель предназначена для поиска по смыслу, dense retrieval и систем RAG, где документы и запросы кодируются в векторы для поиска релевантного содержимого. Метаданные указывают 7,6 млрд параметров и контекст до 40 960 токенов; среди языков карточки отмечены английский и китайский. Лицензия — Apache-2.0. Ограничения: карточка не приводит результатов сравнительных тестов качества или подробных рекомендаций по эксплуатации.

Zen Ingress 1 3B SFT Merged — дообученная языковая модель AllenGXM на архитектуре Qwen2.5 для генерации текста и диалогового общения. Она основана на unsloth/qwen2.5-3b-instruct-unsloth-bnb-4bit; при обучении использовались Unsloth и библиотека Hugging Face TRL. Модель содержит 3,1 млрд параметров, имеет контекстное окно до 32 768 токенов и распространяется в формате safetensors. Подходит для генерации ответов и интеграции в чат-сценарии; метаданные также отмечают интерфейс вызова инструментов. Указанный язык — английский. Лицензия — Apache-2.0.

ColPali v1.3 merged — модель визуального поиска по документам, разработанная ViDoRe на основе PaliGemma-3B. Она преобразует изображения страниц и текстовые запросы в многовекторные представления ColBERT-типа, чтобы находить релевантные страницы по их визуальным и текстовым признакам. В этой версии LoRA-адаптер уже объединён с базовой моделью vidore/colpaligemma-3b-pt-448-base; для работы с эмбеддингами предусмотрена интеграция с Sentence Transformers. Модель предназначена прежде всего для поиска по PDF-подобным документам: например, для нахождения страниц, отвечающих на запрос пользователя. Обучение проводилось на 127 460 парах «запрос — страница» на английском языке; авторы проверяли обобщение на другие языки, однако основное внимание уделено английскому и другим распространённым языкам. Для сопоставления используется позднее взаимодействие между токенами текстового запроса и визуальными патчами страницы. Модель принимает текстовые запросы и изображения страниц и выдаёт многовекторные представления для поиска и оценки сходства. Она может потребовать адаптации для систем векторного поиска, которые не поддерживают многовекторный поиск ColBERT. Карточка указывает лицензию Gemma; следует учитывать её условия использования.

Карточка модели LimitlessMindd/DeepSeek-R1-Distill-Llama-70B 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.

Карточка модели unsloth/DeepSeek-R1-Distill-Llama-70B 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.

Карточка модели maksimbbbi/DeepSeek-R1-Distill-Llama-8B 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.

Карточка модели Openintelligent123/DeepSeek-R1-Distill-Llama-8B 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.

Карточка модели HBkira/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.

Карточка модели densafaradenza/DeepSeek-R1-Distill-Qwen-32B 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.

Карточка модели liruiyangnb666/DeepSeek-R1-Distill-Qwen-7B 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.

Elio2151/Gemma-2-9B-Instruct-TechnicalAgentFineTuned-Merged_5 — дообученная чат-модель Elio2151 на архитектуре Gemma 2. В качестве основы использована unsloth/gemma-2-9b-it-bnb-4bit; модель обучали с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для диалоговой генерации текста и может использоваться для ответов на вопросы, составления текстов и помощи в технических задачах. Она содержит около 9 млрд параметров, принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 8192 токена. В репозитории указаны веса safetensors. Модель распространяется по лицензии Apache 2.0. README не описывает конкретный набор обучающих данных, результаты оценки качества или специальные ограничения применения.

indo-sentence-bert-large — модель Sentence-Transformers на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторные представления размерностью 2048. Её можно применять для семантического поиска и кластеризации текстов. Модель разработана авторами репозитория firqaaa/indo-sentence-bert-large. Модель обучена с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Она принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 512 токенов. В карточке указан индонезийский язык. Для запуска предусмотрена библиотека Sentence-Transformers, также описан способ использования через Transformers. Модель распространяется по лицензии Apache-2.0. Оценочные результаты и сведения об авторах в доступной карточке не приведены; качество для конкретных данных следует проверять отдельно.

InternVL2_5-2B — мультимодальная модель OpenGVLab для диалога по изображениям и тексту. Она построена по схеме ViT-MLP-LLM: использует визуальный энкодер InternViT-300M-448px-V2_5 и языковую модель internlm/internlm2_5-1_8b-chat; общая конфигурация содержит около 2 млрд параметров. В репозитории доступны веса safetensors, для работы предусмотрена библиотека Transformers, лицензия — MIT. Модель принимает текст вместе с одним или несколькими изображениями и может обрабатывать кадры видео, формируя текстовые ответы. Динамическое разбиение изображений на фрагменты 448×448 помогает работать с высоким разрешением; поддерживаются многокартинные запросы. Семейство рассчитано на мультиязычные сценарии, включая OCR и математические диаграммы. Карточка описывает улучшения обучения и качества данных, но не задаёт исчерпывающего списка языков и ограничений точности; обработка видео описана через кадры.

jina-embeddings-v5-text-small-retrieval — компактная мультиязычная модель встраивания текста, разработанная Jina AI для задач информационного поиска. Она предназначена для семантического сопоставления запросов и документов, построения поисковых систем, retrieval-компонентов и других сценариев, где текст представляется в виде векторов и сравнивается по близости. Модель является частью семейства jina-embeddings-v5-text и основана на jinaai/jina-embeddings-v5-text-small; в карточке она обозначена как quantized-версия. Модель содержит 677 млн параметров, поддерживает контекст до 32 768 токенов и формирует эмбеддинги размерностью 1024. Используется pooling по последнему токену; доступны Matryoshka-размерности 32, 64, 128, 256, 512, 768 и 1024, что позволяет выбирать компромисс между качеством и затратами на хранение и поиск. Согласно описанию, при обучении применялись дистилляция и task-specific contrastive losses, а сама модель показывает результаты выше существующих моделей сопоставимого размера на различных embedding-бенчмарках. Основное ограничение — специализация на retrieval-задачах, поэтому карточка не подтверждает оптимальность модели для генерации текста или иных задач. Для локального использования указаны зависимости transformers, PyTorch, PEFT и vLLM; flash-attention рекомендуется для ускорения инференса. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с некоммерческими ограничениями.

unsloth/LFM2.5-1.2B-Thinking-GGUF — квантизированная GGUF-версия текстовой модели LFM2.5-1.2B-Thinking, разработанной Liquid AI и подготовленной Unsloth. Модель предназначена для локального и периферийного развёртывания с использованием llama.cpp и совместимых инструментов, включая сценарии на CPU и устройствах с ограниченными ресурсами. Модель содержит около 1,17 млрд параметров, 16 слоёв, включая 10 блоков свёртки LIV с двойным управлением и 6 блоков GQA, а также поддерживает контекст до 32 768 токенов. Это текстовая модель общего назначения с поддержкой английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Она ориентирована на агентские задачи, извлечение данных и RAG; заявленная оптимизация GGUF снижает требования к памяти и ускоряет локальный вывод. В README указана скорость до 239 токенов в секунду на CPU AMD и до 82 токенов в секунду на мобильном NPU, при использовании менее 1 ГБ памяти, однако фактические показатели зависят от оборудования и варианта квантизации. Модель не рекомендуется для задач, требующих обширных фоновых знаний, и для программирования. Она поддерживает ChatML-подобный шаблон диалога и вызов функций. Лицензия указана как lfm1.0; подробные условия приведены в лицензии Liquid AI.

LYRAMOON — разговорная языковая модель, разработанная и сопровождаемая Muhammad Taqi. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для диалога, рассуждений, оценки сложной логики и генерации кода. Карточка позиционирует её как движок для многоходового общения; метаданные также отмечают чат и интерфейс вызова инструментов. Модель принимает текст и генерирует текст. В метаданных указан контекст до 32 768 токенов и поддержка английского языка; модель рассчитана на запуск через Transformers. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0. Заявленные возможности рассуждения, скорости и качества генерации кода не подкреплены в карточке оценками или результатами тестирования. Поэтому качество на конкретных задачах следует проверять отдельно; подтверждена поддержка английского, но не иных языков.