I.3Извлечение и структурирование данных

CamemBERTa-L4 — компактная обрезанная версия предварительно обученного чекпойнта CamemBERTa, представленная Antoine Louis. Веса получены удалением верхних слоёв исходной модели; в репозитории указана архитектура DeBERTa-v2 и 62,3 млн параметров. Модель принимает текст, а контекст ограничен 512 токенами. Чекпойнт предназначен прежде всего для дообучения под задачи, где решение опирается на целое предложение: классификацию текста, извлечение ответа на вопрос и семантический поиск. Его также можно использовать для извлечения признаков и masked language modeling; для генерации текста автор рекомендует авторегрессионные модели. Модель рассчитана на французский язык. Репозиторий распространяется по лицензии MIT.

Colibri — компактная модель эмбеддингов для текстов на бразильском португальском языке, созданная tardellirs на основе google/embeddinggemma-300m. Это плотный энкодер семейства Gemma 3 Text, опубликованный как обычная SentenceTransformer-модель без адаптеров; после обрезки словаря и других этапов разработки в ней около 150,6 млн параметров. Модель формирует векторы размерности 768, поддерживает усечение до 512, 256 или 128 измерений, имеет варианты fp16 и ONNX и рассчитана на контекст до 2048 токенов. Модель предназначена для семантического поиска, извлечения документов для RAG, ранжирования, сравнения сходства текстов, кластеризации и классификации. В README сообщается о результатах на бенчмарке MTEB-BR и об оценках скорости на CPU; это результаты авторских испытаний, а не гарантия производительности для любой инфраструктуры. Обучение включало дистилляцию с двух моделей Qwen, объединение чекпойнтов и слияние весов с обрезанной базой; среди учебных данных указаны веб-тексты и бразильские юридические, налоговые и финансовые корпуса. Лицензия указана как Gemma. Хотя модель рассчитана на португальский Бразилии и может применяться в разных областях, качество на других языках отдельно не подтверждено. Эмбеддинги сами по себе не генерируют ответы: для RAG требуется отдельная генеративная модель.

YituTech/conv-bert-base — предобученная языковая модель семейства ConvBERT, опубликованная YITU Technology. Репозиторий предназначен для извлечения признаков из текста: его можно загрузить через Transformers как AutoModel или использовать с pipeline feature-extraction. Модель имеет плотную архитектуру ConvBertModel и содержит 136,7 млн параметров. Максимальная длина контекста — 512 токенов; доступны веса PyTorch и TensorFlow. Она принимает текст и выдаёт его векторные представления, которые можно использовать как основу для последующих NLP-задач. В карточке репозитория нет подробностей о языках обучения, специальных сценариях применения или ограничениях качества. Лицензия в предоставленных метаданных и найденной карточке не установлена.

Dev-0.4B — разработанная авторами карточки модель классификации решений на 394,7 млн параметров, построенная на двунаправленной архитектуре ModernBERT-large. Она преобразует неструктурированный текст в структурированный выбор: определяет категорию из предложенных вариантов, проверяет утверждения в формате «да/нет» и оценивает текст по шкале. Кандидаты передаются как текст вместе с входными данными, а модель оценивает их за один проход без генерации токенов. Указано контекстное окно до 8192 токенов. Модель предназначена для маршрутизации обращений, проверки условий и утверждений, разбора отзывов, сортировки журналов и выставления оценок по заданной шкале. В README приведены результаты сравнительных оценок на Banking77, BoolQ, Yelp Reviews и CodeSearchNet, а также измерения низкой задержки на Apple Silicon и CUDA; эти показатели относятся к описанным тестам и аппаратным условиям. Модель поддерживает задачи text-classification и fill-mask по метаданным, хотя карточка представляет её как классификатор решений. Dev не генерирует текст, не выдаёт цепочки рассуждений и не подходит для сценариев, требующих потоковой генерации или объяснений в виде текста. Калибровка вероятностей зависит от применяемых температур считывания и рассматриваемых данных. Модель выпущена под лицензией Apache-2.0.

phgelado/finbeddings_bert — англоязычная модель Sentence Transformer, дообученная разработчиком на базе google-bert/bert-base-uncased. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Модель использует архитектуру BERT с усреднением токенных представлений и поддерживает последовательности длиной до 512 токенов. При обучении использовались наборы all-NLI, STS-B, Quora, Natural Questions, fin-phrases и sec-july; в метаданных также перечислены all-nli, stsb, quora-duplicates и natural-questions. Карточка приводит оценку cosine_accuracy 0,9895 на sec-july-dev, но не описывает методику и условия, поэтому результат не следует считать гарантией качества на других данных. Модель рассчитана на английский язык и текстовый ввод; результатом служат векторные представления, пригодные для вычисления сходства и поиска. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

GLM-4-32B-Base-32K — базовая языковая модель семейства GLM-4, разработанная Arcee AI на основе THUDM/GLM-4-32B-Base-0414. Это плотная авторегрессионная модель с 31,6 млрд параметров и контекстом до 32 768 токенов; веса представлены в формате safetensors. Модель прошла дополнительное предобучение на длинных последовательностях, итеративное слияние чекпойнтов и дистилляцию знаний короткого контекста, чтобы сохранить возможности исходной версии и улучшить обработку контекста длиной до 32 тысяч токенов. Модель предназначена прежде всего как основа для дальнейшего обучения с длинным контекстом. Её можно применять в сценариях, где требуется учитывать большой объём текста, например при анализе длинных документов или поиске фактов в них. README описывает её как proof-of-concept и приводит улучшенные результаты на бенчмарках длинного контекста и ряде стандартных тестов. Поддерживаемые языки — китайский и английский. Лицензия — MIT.

danieleV9H/hubert-base-libri-clean-ft100h-v3 — англоязычная модель распознавания речи, созданная дообучением facebook/hubert-base-ls960 на наборе LibriSpeech ASR. Она принимает аудио и выдаёт текстовую расшифровку; архитектура — HuBERT с CTC-головой, размер — 113,3 млн параметров. На указанном в карточке наборе оценки модель достигла WER 0,1332 и loss 0,1120. Модель подходит для транскрибации английской речи, особенно аудиокниг и записей, похожих на LibriSpeech. Доступна под лицензией Apache-2.0.

InternVL3.5-14B-HF — мультимодальная модель семейства InternVL, разработанная OpenGVLab и представленная в формате, совместимом со стандартными API Transformers. Это плотная модель класса InternVLForConditionalGeneration с 14 млрд параметров; она дообучена на основе OpenGVLab/InternVL3_5-14B-MPO. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы для диалога и мультимодальных задач. Модель предназначена для понимания изображений, визуальных вопросов и ответов, распознавания текста на изображениях и рассуждений по визуальному содержимому. Семейство InternVL3.5 также описано как ориентированное на широкий круг мультимодальных, текстовых и агентных задач; для этого репозитория метаданные подтверждают задачи image-text-to-text и возможности чата и работы с изображениями. В карточке заявлены Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптации разрешения визуальных токенов; описанная система развертывания DvD разделяет обработку зрения и языка для повышения эффективности при обслуживании. Модель доступна под лицензией Apache-2.0. В README не приведены отдельные численные ограничения контекста или перечень поддерживаемых языков для версии 14B-HF; языковая поддержка обозначена метаданными как многоязычная. Результаты и характеристики, заявленные для всего семейства, могут отличаться для конкретного чекпойнта.

ramdane/jurimodel — модель семейства XLM-RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, кластеризации и сравнения текстов по смыслу. В метаданных указаны 305,2 млн параметров и контекст длиной 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss. Она выдаёт текстовые эмбеддинги, которые можно использовать для поиска близких по смыслу фрагментов и группировки документов. Название предполагает юридическую направленность, однако README не подтверждает специализацию на правовых текстах, поэтому её не следует считать установленной. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

MC-LLaVA-3b — мультимодальная модель семейства LLaVA, опубликованная visheratin. Она принимает изображение вместе с текстовым запросом и генерирует текстовый ответ, например, отвечает на вопросы о содержимом изображения. В карточке приведены результаты на TextVQA, GQA, VQAv2, VizWiz и задачах V*-bench, включая распознавание текста и определение пространственных отношений. Модель загружается через Transformers и AutoProcessor; для обработки изображения процессор поддерживает разбиение на кропы. По README, подход MC-LLaVA отличается от обычного для LLaVA представления изображения последовательностью из фиксированного числа токенов. Репозиторий содержит веса Safetensors, а лицензия указана как MIT. README отдельно просит учитывать условия OpenAI и Google Gemini из-за использования синтетических обучающих данных.

cloudbjorn/merged_Qwen3.6-27B_eschaton-uncensored — дообученная и объединённая версия Qwen3.6-27B, созданная с помощью Eschaton Engine на датасете cloudbjorn/eschaton-uncensored. Модель предназначена для диалогов и рассуждений, в том числе по чувствительным и спорным темам: автор нацеливал её на нейтральные, прямые ответы без морализаторского тона. Она поддерживает генерацию текста и работу с изображениями, контекст до 262 144 токенов, режим рассуждений, вызов инструментов и структурированный вывод. Репозиторий содержит веса safetensors в формате bfloat16; в метаданных указано 22,3 млрд параметров. В README приведён результат ARC Challenge: нормированная точность 0,7619 при 25 примерах в контексте. Модель основана на Qwen/Qwen3.6-27B; лицензия обозначена как other. Заявления о качестве и поведении отражают описание автора и не гарантируют одинаковых результатов на всех запросах.

Mixtral-8x7B-v0.1-pl — модель семейства Mixtral с архитектурой смеси экспертов (MoE), дообученная на польских данных. Авторы использовали 2,2 млрд польских токенов из набора SpeakLeash и около 600 млн токенов RedPajama, чтобы сохранить возможности модели в английском языке. Обучение провели при поддержке программы TPU Research Cloud на TPUv3-256; в разработке участвовали Konrad Staniszewski, Bartłomiej Cupiał и Piotr Miłoś. Модель предназначена для извлечения признаковых представлений из текста. Она содержит 7,9 млрд параметров, принимает текст с контекстом до 32 768 токенов и ориентирована прежде всего на польский язык, сохраняя поддержку английского. В репозитории представлены веса safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

moBERTo — португалоязычная адаптация encoder-only модели ModernBERT, разработанная Tropic-AI. Модель продолжительно предобучена на португалоязычном корпусе, использует специализированный португальский токенизатор и перенос подсловных эмбеддингов. Вариант с контекстом 8192 токена прошёл дополнительное обучение для длинного контекста. Архитектура ModernBERT включает позиционные RoPE-эмбеддинги, чередование локального и глобального внимания, FlashAttention и unpadding. Модель содержит около 149 млн параметров и предназначена прежде всего для заполнения маскированных токенов и как основа для дообучения на ранжирование поиска, классификацию документов, распознавание сущностей и другие задачи понимания португальского текста. В статье сообщается о сильных результатах на португальских задачах поиска и понимания текста. Лицензия — Apache-2.0. Это encoder-модель для понимания текста, а не генеративный чат-ассистент; для прикладных задач, таких как ранжирование и классификация, может потребоваться отдельное дообучение. Основной язык модели — португальский, хотя исходная ModernBERT обучалась на английском.

Это многоязычная модель Sentence Transformers, разработанная prodriguezg01: она дообучена на базе intfloat/multilingual-e5-small на наборе embedding-finetuning-glosario. Модель использует архитектуру BERT с усреднением токенных представлений и нормализацией, преобразует текстовые предложения и абзацы в плотные векторы размерности 384. Максимальная длина входа — 512 токенов; сходство векторов обычно оценивается косинусной мерой. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. Обучающий набор содержит пары терминов и определений с отрицательными примерами, поэтому модель может быть полезна для сопоставления терминов с описаниями глоссария. В README приведена оценка cosine_accuracy 1.0 на TripletEvaluator для набора validacionCNMV, но это ограниченный результат на конкретной проверке. Модель принимает текст и выдаёт векторы; поддерживаемые языки включают языки семейства multilingual E5, хотя карточка не перечисляет их полный набор. Репозиторий содержит веса safetensors. Лицензия в предоставленных данных не указана.

Nemotron 3 Diarization (MLX) — версия модели NVIDIA Nemotron-3-Diarization, преобразованная сообществом mlx-community для запуска через mlx-audio на устройствах Apple с MLX. Модель анализирует монофоническое аудио с частотой 16 кГц и с шагом 10 мс определяет активность до восьми говорящих; поддерживаются пакетная обработка и потоковая обработка с сохранением меток говорящих между фрагментами. Модель подходит для разметки реплик и временных границ в записях встреч и для обработки аудиопотока в реальном времени. Она может отмечать одновременную активность нескольких говорящих, но выдаёт только условные идентификаторы в порядке появления и не устанавливает личности людей. В карточке указана лицензия OpenMDW-1.1; сведения об обучающих данных и оценке предлагается смотреть в карточке базовой модели.

Nex-N2.5-Pro-GGUF — квантизированная мультимодальная версия модели Nex-N2.5-Pro, разработанная nex-agi и преобразованная в формат GGUF командой qtum с использованием llama.cpp. Модель предназначена для генерации и понимания текста, а также анализа изображений в сценариях локального запуска через llama.cpp. Модель содержит 397 млрд параметров и использует гибридную архитектуру: 45 слоёв линейного внимания Gated DeltaNet и 15 слоёв полного внимания с GQA. Это MoE-модель: для каждого токена выбираются 10 из 512 экспертов и общий эксперт. Контекст — до 262 144 токенов, словарь — 248 320 токенов. Поддерживаются английский и китайский языки. Для обработки изображений используется отдельный 27-слойный vision encoder с входом 768 пикселей и патчами 16 пикселей; проектор поставляется в формате BF16. Модель доступна в вариантах IQ4_XS, Q2_K и IQ2_XS, занимающих примерно 200,1, 138,9 и 113,2 ГиБ соответственно. IQ4_XS обеспечивает качество, близкое к BF16-версии, Q2_K является более сбалансированным вариантом и рекомендуется для инференса только на CPU, а IQ2_XS предназначен для систем с жёсткими ограничениями по памяти, но с заметно большей потерей точности. Для работы с изображениями рекомендуется выделять не менее 1024 image tokens. Необходима сборка llama.cpp с поддержкой Qwen3.5-MoE; все 19 шардов выбранной квантизации нужно хранить в одной директории. Модель распространяется по лицензии Apache-2.0.

Карточка модели tayaee/Qwen2.5-1.5B-Instruct-ko-Reasoning-alpha-smoke на Hugging Face совпадает с карточкой Qwen/Qwen2.5-1.5B-Instruct, поэтому описание составлено по ней. Qwen2.5-1.5B-Instruct — инструктивно дообученная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов и генерации текста по инструкциям, включая ответы на вопросы, создание длинных текстов и выдачу структурированных результатов, например JSON. Модель имеет плотную архитектуру причинного трансформера Qwen2 с RoPE, SwiGLU и RMSNorm и содержит 1,5 млрд параметров. Контекст составляет 32 768 токенов, максимальная длина генерации — 8 192 токена. Карточка описывает поддержку более 29 языков, включая русский и английский; метаданные указывают английский как язык карточки. Модель загружается через Transformers и распространяется по лицензии Apache-2.0. Среди сильных сторон — следование инструкциям, работа с длинными текстами и структурированными данными, а также интерфейс для вызова инструментов. Это компактная модель, поэтому её возможности ограничены по сравнению с более крупными языковыми моделями; оценочные результаты для этой конкретной версии в карточке не приведены.

Qwen3.5-0.8B-Claude-Opus-Distill-Heretic-UNCENSORED — компактная текстовая модель Ghost (ghost-actual), созданная дообучением Qwen/Qwen3.5-0.8B с дистилляцией рассуждений Claude Opus и последующим снижением частоты отказов методом abliteration с помощью Heretic. Она предназначена для диалогов, генерации структурированных ответов и кода, а также для работы на устройствах с ограниченными ресурсами. В метаданных указаны 581,4 млн параметров, архитектура Qwen3.5 для причинной генерации текста, поддержка чата и контекст до 262 144 токенов; README также заявляет нативную поддержку изображений и анализа видео, однако метаданные относят модель к текстовой генерации. Карточка приводит результаты тестов отказов 2 из 100 и KL-дивергенцию 0,0100, а также заявляет производительность на OCRBench 74,5. Эти показатели приведены автором модели и не являются независимой оценкой. Формат репозитория — safetensors; автор заявляет возможность запуска в BF16 примерно на 1,5 ГБ памяти и приводит настройки генерации. Лицензия в предоставленных данных не указана. Снижение числа отказов означает, что модель может отвечать на запросы, которые модели с более строгими ограничениями отклонили бы; ответы следует проверять, особенно при использовании в чувствительных сценариях.

VikramPal публикует текстовую версию Qwen3.8-27B, дообученную для преобразования запросов на естественном языке в SQL. Модель основана на Qwen/Qwen3.8-27B: адаптер QLoRA ранга 32 обучен на 9 999 диалогах из наборов Spider, Gretel, WikiSQL и Create Context, а затем объединён с весами в формате bf16. В метаданных указаны плотная архитектура Qwen3.5 для текста, 22,3 млрд параметров и контекст 262 144 токена. Модель предназначена для генерации SQL по англоязычным инструкциям и схемам баз данных. В описанной проверке она получила 85,5% совпадений логической структуры на 400 отложенных примерах; оценка не измеряет выполнение запросов на реальной базе. Вывод начинается с маркера рассуждения перед SQL, поэтому при программном извлечении запроса следует ориентироваться на первое SELECT. Чекпойнт принимает только текст; зрительная часть базовой модели не дообучалась и не оценивалась. Для загрузки доступны обычные веса bf16 в safetensors без зависимости от PEFT. Лицензия — Apache-2.0.

desva0/Qwen3.8-27B-Uncensored-W4A16 — квантизированная версия мультимодальной модели Qwen3.8-27B, разработанной командой Qwen. Репозиторий содержит сборку OrcaRouter с удалённым встроенным поведением отказа, дополнительно преобразованную в формат W4A16. Модель предназначена для работы с текстом и изображениями, поддерживает английский и китайский языки, рассуждения и вызов функций. Модель использует архитектуру Qwen3_5ForConditionalGeneration и содержит около 27 млрд параметров в исходной версии. Применена 4-битная симметричная квантизация весов с размером группы 128 в формате compressed-tensors pack-quantized; визуальные линейные слои сохранены в более высокой точности для поддержания возможностей анализа изображений. Размер весов составляет примерно 15 ГБ, благодаря чему модель рассчитана на запуск на одной видеокарте с 24 ГБ памяти, например RTX 3090. В README указана возможность использования контекста до 32768 токенов при настройке vLLM, причём фактическая длина зависит от доступной памяти под KV-кэш. К сильным сторонам относятся сочетание текстовых и визуальных возможностей, поддержка function calling и возможность локального запуска на потребительском GPU. Ограничения связаны с потерями точности, возможными для 4-битной квантизации, зависимостью от совместимой версии vLLM и формата compressed-tensors, а также с отсутствием встроенного поведения отказа: модель может выполнять запросы, которые согласованная модель отклонила бы, поэтому ответственность за защитные меры и корректное применение лежит на пользователе. Модель распространяется по лицензии Apache-2.0; при перераспределении необходимо сохранять лицензию и атрибуцию.

zeromodels/qwen3-vl-2b-thinking — конверсия модели Qwen3-VL-2B-Thinking от команды Qwen в реализацию на Keras 3. Компактная мультимодальная модель принимает изображения и текст и генерирует текст; веса хранятся в формате bfloat16. Реализация запускается с TensorFlow, Torch и JAX через Qwen3VLProcessor. Модель предназначена для диалогового анализа изображений, визуальных рассуждений и задач вроде OCR. Репозиторий предоставляет вариант на 2 млрд параметров; модель построена на базе Qwen/Qwen3-VL-2B-Thinking. Лицензия — Apache 2.0. Для подробностей о возможностях и условиях использования автор README отсылает к карточке исходной модели.

Qign Qwen3-VL-8B-Instruct-abliterated-v2-GGUF — это GGUF-версия мультимодальной модели prithivMLmods, основанной на Qwen3-VL-8B-Instruct от Alibaba. Модель содержит около 8 млрд параметров и предназначена для задач image-text-to-text: анализа изображений, подробного описания визуального содержимого, следования инструкциям и мультимодального рассуждения. Доступны варианты квантования от Q2_K до Q8_0, а также F16; размер файлов составляет примерно от 3,28 до 16,4 ГБ, отдельно предоставляются мультимодальные проекционные файлы mmproj в форматах Q8_0 и F16. Заявлены поддержка механизма Interleaved-MRoPE, контекста длиной до 262 тысяч токенов, OCR на 32 языках, различных разрешений и соотношений сторон, видео и сложных макетов. Основным языком считается английский, при этом заявлена возможность мультиязычного использования. Вариант abliterated модифицирован для снижения или удаления отказов и защитных ограничений базовой модели, что может быть полезно для исследований безопасности, red-teaming, творческих и технических сценариев, но одновременно повышает риск генерации нежелательного, небезопасного или неточного контента. Для запуска рекомендуются инструменты llama.cpp, Transformers или vLLM; требования к памяти зависят от выбранного варианта квантования. Модель распространяется по лицензии Apache-2.0.

Модель dstefa/roberta-base_topic_classification_nyt_news — дообученная FacebookAI RoBERTa-base модель для тематической классификации новостных заголовков. Она относит текст к одной из восьми категорий: спорт, искусство и развлечения, бизнес и финансы, здоровье и благополучие, образ жизни и мода, наука и технологии, политика или преступность. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт метку класса. Она обучена на наборе из 256 тысяч заголовков New York Times, опубликованных с 2000 года. В README указаны точность, F1, precision и recall по 0,91 на тестовой выборке из 51 200 примеров; качество различается между категориями. Подходит для автоматической сортировки новостных заголовков по тематике и тематической разметки новостных текстов. Обучение и оценка выполнены на заголовках NYT, поэтому показатели могут не переноситься на другие издания, языки или более длинные тексты. Лицензия — MIT.

cardiffnlp/roberta-large-tweet-topic-multi-all — модель Cardiff NLP, дообученная на базе roberta-large для многометочной классификации тем в сообщениях Twitter. Она обучена на полном разбиении train_all набора tweet_topic_multi и проверена на test_2021. Модель принимает текст и предсказывает тематические метки; размер составляет 454,1 млн параметров, длина контекста — 514 токенов. На test_2021 модель показала micro F1 0,763, macro F1 0,620 и accuracy 0,537. Она подходит для автоматической разметки тем в твитах и анализа тематик публикаций. В карточке не указана лицензия, поэтому условия использования по имеющимся данным определить нельзя.

TurkuNLP/sbert-cased-finnish-paraphrase — модель Sentence-BERT для финского языка, разработанная TurkuNLP на основе FinBERT. Она преобразует предложения в векторные представления, которые можно сравнивать для поиска смыслово близких фраз и парафраз. Модель построена на архитектуре BERT с корпусным регистром; использует mean pooling и содержит 151,7 млн параметров. Максимальная длина входа — 512 токенов. Модель обучали с помощью sentence-transformers на корпусе финских парафраз и автоматически собранных кандидатах в парафразы: 500 тысяч положительных и 5 миллионов отрицательных примеров. Обучающая задача — бинарно определять, являются ли два предложения парафразами. В README приведён пример извлечения эмбеддингов и упомянута демонстрация поиска похожих предложений в наборе из 400 миллионов фраз. Лицензия в предоставленных данных не указана.

Карточка модели ceggian/sbert_pt_reddit_softmax_128 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_softmax_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_softmax_32 — модель Sentence-Transformers на архитектуре BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Обучение использовало SoftmaxLoss и данные Reddit, что указывает на настройку для задач сходства предложений. Модель подходит для семантического поиска и группировки похожих текстов; её векторные представления можно использовать в системах поиска и анализа текстов. README не уточняет поддерживаемые естественные языки и лицензию, поэтому область применения и условия использования по этим параметрам определить нельзя.

Карточка модели ceggian/sbert_pt_reddit_softmax_256 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_softmax_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_softmax_32 — модель Sentence-Transformers на архитектуре BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Обучение использовало SoftmaxLoss и данные Reddit, что указывает на настройку для задач сходства предложений. Модель подходит для семантического поиска и группировки похожих текстов; её векторные представления можно использовать в системах поиска и анализа текстов. README не уточняет поддерживаемые естественные языки и лицензию, поэтому область применения и условия использования по этим параметрам определить нельзя.

Карточка модели ceggian/sbert_pt_reddit_softmax_512 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_softmax_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_softmax_32 — модель Sentence-Transformers на архитектуре BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Обучение использовало SoftmaxLoss и данные Reddit, что указывает на настройку для задач сходства предложений. Модель подходит для семантического поиска и группировки похожих текстов; её векторные представления можно использовать в системах поиска и анализа текстов. README не уточняет поддерживаемые естественные языки и лицензию, поэтому область применения и условия использования по этим параметрам определить нельзя.

pyannote/speaker-diarization-3.0 — открытый конвейер для автоматической диаризации речи, разработанный Séverin Baroudi с использованием pyannote.audio 3.0.0. Модель определяет временные интервалы речи и связывает их с отдельными говорящими, формируя разметку Annotation. Она предназначена для анализа разговоров, встреч, интервью, совещаний и других многоголосых аудиозаписей, в том числе как этап подготовки данных для автоматического распознавания речи. Конвейер принимает монофонический звук с частотой 16 кГц; стерео- и многоканальные записи автоматически сводятся в моно, а аудио с другой частотой дискретизации пересчитывается в 16 кГц. В состав входят автоматическое обнаружение речи, обнаружение смены говорящего и обработка перекрывающейся речи. Количество говорящих обычно определяется автоматически, но его можно задать или ограничить параметрами min_speakers и max_speakers. Обучение проводилось на комбинации наборов AISHELL, AliMeeting, AMI, AVA-AVD, DIHARD, Ego4D, MSDWild, REPERE и VoxConverse. Сильные стороны модели — полностью автоматическая обработка без ручного VAD и обязательного указания числа говорящих, поддержка перекрывающейся речи и возможность ускорения на GPU. В README указано, что на Nvidia Tesla V100 и Intel Cascade Lake обработка занимает примерно 1,5 минуты на час разговора. Ограничения включают необходимость работы через pyannote.audio 3.0, использование токена Hugging Face и принятие условий доступа для связанных моделей. Модель распространяется по лицензии MIT, однако для её использования требуется пройти gated-доступ на Hugging Face.

Это квантованная версия модели supergemma4-e4b-abliterated, основанной на Jiunsong/supergemma4-e4b-abliterated. Квантование выполнил mradermacher; набор файлов опубликован в формате GGUF. Модель предназначена для генерации текста по инструкциям, включая сценарии с tool-calling и structured output, а также поддерживает обработку изображений как vision-модель. В README указано, что модель ориентирована на английский язык и использует экосистему Transformers. Доступны варианты квантования i1 с разными типами и размерами примерно от 4,5 до 6,3 ГБ; среди рекомендуемых отмечены i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Конкретные архитектурные параметры, число параметров и размер контекста не указаны. Для работы с изображениями могут потребоваться отдельные mmproj-файлы из статического репозитория. Основные преимущества — широкий выбор GGUF-квантов, возможность локального запуска при ограниченных ресурсах и поддержка текстовых, визуальных, инструментальных и структурированных сценариев. Качество зависит от выбранного типа квантования: варианты с более низким размером могут уступать по качеству, а IQ-кванты в README часто рекомендуются вместо сопоставимых обычных вариантов. Модель распространяется по лицензии Gemma.