I.3Извлечение и структурирование данных

gaussalgo разработала эту модель на архитектуре T5-Large LM-Adapt для преобразования вопросов на естественном языке в SQL-запросы. При обучении к вопросу добавлялась схема базы данных с доступными таблицами и столбцами, чтобы модель учитывала структуру конкретной базы и могла строить запросы для схем, не встречавшихся в обучающих данных. Модель дообучена на обучающих частях наборов Spider и Spider-Syn. Она принимает текстовый вопрос вместе с описанием схемы и генерирует SQL. В оценке на dev-частях точность выполнения запросов составила 49,2% для Spider и 39,5% для Spider-Syn. Эти результаты показывают, что запросы могут требовать проверки и исправления перед использованием. Модель содержит 385,2 млн параметров, использует форматы PyTorch и Safetensors и распространяется по лицензии, сведения о которой в доступных данных отсутствуют.

LocateAnything-3B — разработанная NVIDIA Labs в рамках семейства Eagle компактная трансформерная модель «зрение–язык» для локализации объектов по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, привязка текстовых описаний к областям изображения и разметка визуальных элементов. Модель дообучена на базе Qwen/Qwen2.5-3B-Instruct; архитектура включает визуальный энкодер MoonViT, языковую модель и MLP-проектор. Веса представлены в формате safetensors. Модель принимает изображение и запрос на естественном языке, а выдаёт текст с метками и структурированными координатами рамок или точек. Поддерживаются поиск объектов по категориям и описаниям, плотное обнаружение в загруженных сценах, привязка элементов интерфейса и локализация текста в документах. Механизм Parallel Box Decoding предсказывает координаты блоками, что, согласно карточке, повышает пропускную способность до 2,5 раза относительно предшествующих подходов. Карточка сообщает о поддержке изображений исходного разрешения до 2,5K, запросов до 24K токенов и генерации до 8192 токенов. Основной указанный язык — английский. Модель предназначена для исследований и разработки. В метаданных указана лицензия other; конкретные условия использования следует сверить с лицензией в репозитории. Для запуска README приводит тестовое оборудование H100, поэтому требования к ресурсам могут быть существенными.

Priyanka221105/text2sql-qwen2.5-duckdb — дообученная языковая модель на базе unsloth/qwen2.5-coder-7b-instruct-bnb-4bit. Она использует плотную архитектуру Qwen2 и предназначена для генерации текста в диалоговом формате; название репозитория указывает на специализацию text-to-SQL для DuckDB, однако README не описывает примеры запросов или особенности этой специализации. Модель содержит 7,1 млрд параметров, работает с контекстом до 32 768 токенов и опубликована в формате Safetensors. Для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель может быть полезна для преобразования текстовых запросов в SQL для DuckDB и для связанных задач генерации кода. Карточка подтверждает дообучение от Qwen2.5 Coder Instruct, но не приводит оценок качества, обучающих данных или ограничений по применению. Лицензия — Apache-2.0.

WhisperD-NL — модель распознавания речи на нидерландском языке, созданная дообучением Whisper large-v3 на корпусе Corpus Gesproken Nederlands (CGN). Она предназначена для транскрибации с сохранением речевых запинок и неречевых событий, а также для распознавания до четырёх говорящих: их реплики помечаются тегами [S1]–[S4]. Модель построена на архитектуре Whisper и содержит около 905,3 млн параметров. В карточке указан WER 16,42 для распознавания с запинками, идентификацией говорящих и неречевыми событиями. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Модель оптимизирована для нидерландской речи и наследует ограничения базовой Whisper large-v3.

Модель anton-l/xtreme_s_xlsr_300m_voxpopuli_en — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания английской речи. Она использует архитектуру wav2vec2 с CTC-декодированием и содержит 402,7 млн параметров. Модель предназначена для преобразования аудиозаписей на английском языке в текст, в частности для распознавания речи из набора VoxPopuli.EN. На оценочной выборке указаны WER 0,1549 и CER 0,0966. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка не описывает ограничения распознавания и условия работы с разными акустическими условиями.

AraDPR — модель плотного поиска фрагментов текста на арабском языке для систем ответов на вопросы. Согласно карточке, она разработана на основе AraBERT и использует архитектуру dual-encoder: отдельные кодировщики представляют вопросы и фрагменты документов в виде векторов, чтобы находить семантически релевантные passages. В метаданных указаны архитектура BERT, 205,1 млн параметров, библиотека Transformers и контекст до 512 токенов. Модель предназначена для поиска релевантных фрагментов в корпусе документов перед формированием ответа; её также можно включать в конвейеры суммаризации и извлечения информации. Основной язык — арабский. Карточка предупреждает о возможных трудностях с диалектами и узкоспециализированными текстами. Лицензия — MIT.

PRAli22/arat5-arabic-dialects-translation — модель семейства T5, разработанная PRAli22 и обученная с нуля для преобразования арабских диалектов в современный стандартный арабский язык (MSA). Она подходит для нормализации диалектных текстов и перевода пользовательских сообщений на MSA. Модель содержит 183,7 млн параметров и доступна в форматах Safetensors и TensorFlow; для работы используется библиотека Transformers. Обучение проводилось на наборе данных PRAli22/Arabic_dialects_to_MSA. Карточка не приводит результатов оценки или подробностей о поддерживаемых диалектах и ограничениях качества. Лицензия — Apache-2.0.

AstroBERT Small Embeddings — компактная модель NeuML для преобразования предложений и абзацев в плотные векторы размерности 384. Она основана на AstroBERT Small с архитектурой BERT и дообучена методом дистилляции эмбеддингов Qwen3-Embedding-8B на случайной выборке астрофизических аннотаций arXiv с метками astro-ph. Модель рассчитана на семантический поиск, кластеризацию текстов и создание векторных баз знаний для RAG; её можно использовать с Sentence Transformers, Transformers и txtai. Модель содержит 25,9 млн параметров и поддерживает контекст до 512 токенов. В README отмечена пригодность для CPU-сценариев и хорошие результаты на описанном авторами наборе оценки, однако качество зависит от предметной области и соответствия данных предварительному обучению и настройке. Лицензия — Apache-2.0.

Модель jicoc22578/autotrain-livedoor_news-722922024 создана с помощью AutoTrain и предназначена для многоклассовой классификации текстов японских новостей из набора livedoor_news. Это плотная модель семейства BERT с архитектурой BertForSequenceClassification, содержащая 138,4 млн параметров и принимающая текст длиной до 512 токенов. На проверочной выборке указаны accuracy 0,946 и macro F1 0,940. Модель подходит для отнесения японских новостных текстов к категориям, представленным в обучающих данных. В карточке указано использование PyTorch; лицензия не установлена по предоставленным данным.

BaichuanMed-OCR-72B — мультимодальная модель компании Baichuan, дообученная на основе Qwen/Qwen2.5-VL-72B-Instruct на наборах изображений медицинских отчётов и связанных с ними вопросах и ответах. Она предназначена для распознавания текста на изображениях медицинских документов, извлечения ключевых сведений и ответов на вопросы по их содержимому; результаты можно выдавать в структурированном Markdown. Модель использует архитектуру Qwen2.5-VL с 71,5 млрд параметров, принимает изображения и текстовые запросы и генерирует текст. В метаданных указаны языки en и zh и контекст до 128 000 токенов. В README приведено сравнение на закрытом медицинском наборе данных, но оно не позволяет оценить качество на других документах. Лицензия указана как other, поэтому условия её использования следует уточнить в карточке модели.

Bashkir LID — компактный бинарный классификатор языка башкирского текста от автора репозитория failed09. Он относит входной текст к башкирскому языку (ba) или к категории «не башкирский» (non_ba), поэтому подходит для фильтрации корпусов, предварительной проверки текста после OCR и локальных приложений с инференсом на CPU. Модель использует символьные TF-IDF признаки char_wb с n-граммами длиной 2–5 и словные n-граммы длиной 1–2; линейный SGD-классификатор экспортирован в ONNX и запускается через ONNX Runtime. В карточке приведены результаты на тестах со слабыми или вручную заданными метками: 93,25% точности на наборе из 4 000 предложений. При пороге 0,50 классификатор сохранил 73% башкирских примеров и не пропустил ни одного из 3 000 небашкирских в указанном тесте. Это бинарный языковой фильтр, а не многоязычный детектор: он не определяет, какой именно язык стоит за меткой non_ba. Короткие строки, татарский и другой близкородственный текст, смешанные языки, имена и OCR-шум могут вызывать ошибки; оценки модели не следует считать откалиброванными вероятностями. Лицензия репозитория — Apache-2.0; исходные обучающие тексты не распространяются, и для них могут действовать условия исходных источников.

lyeonii/bert-mini — преобразованная в PyTorch версия компактной англоязычной модели BERT-Mini без учёта регистра, первоначально выпущенной Google Research. Это плотный энкодер BERT примерно на 12 млн параметров с контекстом до 512 токенов; он выдаёт векторные представления текста и подходит для извлечения признаков в NLP-системах. В карточке приведены результаты оценки на задаче MRPC, но модель не описана как специально дообученная для неё. Модель принимает текст на английском языке и формирует контекстные представления токенов. Весами можно пользоваться на условиях лицензии MIT. Это конверсия исходных весов TensorFlow в формат PyTorch.

BioLORD-2023-C — модель FremyCompany для получения семантических векторных представлений клинических предложений и биомедицинских понятий. Она основана на sentence-transformers/all-mpnet-base-v2 и дообучена на BioLORD-Dataset и определениях из Automatic Glossary of Clinical Terminology (AGCT), с контрастивным обучением. Модель содержит 136,7 млн параметров, строит 768-мерные плотные эмбеддинги и принимает фразы и предложения в одном пространстве представлений; максимальная длина контекста — 514 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов, кластеризации и задач связывания упоминаний с биомедицинскими понятиями. Опора на определения и описания из биомедицинских онтологий помогает учитывать смысл и иерархические связи понятий. Она сохраняет пригодность для общих текстов, но наиболее полезна для медицинских документов, например записей EHR и клинических заметок. Карточка указывает лицензию «other», без уточнения её условий.

ByT5 Base — предварительно обученная без токенизатора модель Google на архитектуре T5, работающая непосредственно с последовательностями байтов UTF-8. Она содержит около 595 млн параметров и обучалась на mC4 с задачей восстановления замаскированных фрагментов; для прикладных задач модель нужно дообучить. Модель подходит для сценариев с шумным текстом, где важны опечатки, написание и произношение, а также может обрабатывать текст на разных языках без отдельного токенизатора. Модель предназначена для последующей адаптации к задачам преобразования текста, например ответам на вопросы и исправлению ошибок. Байтовое представление повышает устойчивость к шуму, но последовательности байтов длиннее токенных, что может замедлять обработку и расходовать больше контекста. Репозиторий содержит варианты для PyTorch, TensorFlow и Flax. Лицензия — Apache 2.0.

DeepSeek-V4.1-Flash-UNCENSORED-FP8 — модифицированная версия DeepSeek-V4.1-Flash от dealignai, созданная исследовательской командой dealignai. Это мультимодальная модель с поддержкой изображений, инструментов и рассуждений, предназначенная для диалоговых приложений, анализа текста и изображений, выполнения многошаговых задач и работы с длинным контекстом. Модель распространяется как стандартный checkpoint для Transformers и основана на deepseek-ai/DeepSeek-V4.1-Flash. Модель использует архитектуру Causal Encoder-Decoder с 20+20 слоями и MoE: 384 маршрутизируемых эксперта с выбором top-6 и один общий эксперт. Заявлены 552B параметров в backbone, из которых 8B/16B активны на токен. Также используются Hyper-Connections с четырьмя каналами остаточных связей, разреженное внимание CSA2, память Engram для n-грамм и черновая голова DSpark для speculative decoding. Весы представлены в нативном FP8 e4m3fn с блочным масштабированием E8M0, маршрутизируемые эксперты — в FP4. Контекстное окно составляет до 1 млн токенов, а визуальная часть основана на DeepSeek-ViT с 2D-RoPE и pixel unshuffle. Ключевая особенность — перманентная модификация весов, направленная на удаление встроенных механизмов отказа и ограничений безопасности; при этом заявлено сохранение основных возможностей, включая зрение, рассуждения, MTP и многоходовую связность. По приведённым тестам модель полностью выполняет запросы из HarmBench-320, однако её результат MMLU ниже базовой модели: 82,74% против 86,96%; без этических предметов снижение оценивается примерно в 1,1 процентного пункта. Поэтому модель может быть полезна для исследовательских и экспериментальных сценариев, требующих минимальных встроенных ограничений, но несёт повышенный риск генерации опасного или незаконного содержания и не подходит для неконтролируемых пользовательских продуктов. Лицензия — MIT.

DeepSeek-V4-Flash-Vision-Exp-GGUF — это мультимодальная GGUF-квантизованная версия модели DeepSeek-V4-Flash-Vision-Exp, разработанной DeepSeek AI и опубликованной пользователем prometheusAIR. Модель предназначена для обработки текста и изображений, включая задачи анализа содержимого изображений и генерации текстовых ответов по визуальным данным. Для работы с изображениями требуется отдельный vision tower mmproj в формате F16. Модель построена на архитектуре DeepSeek-V4 с MoE-компонентами и поддерживает обработку изображений через специализированную маршрутизацию image tokens. Доступны четыре варианта квантизации: IQ1_M размером 66,9 GiB, IQ2_XXS размером 78,8 GiB, IQ2_S размером 95,8 GiB и IQ3_XXS размером 108,7 GiB. Заявлена поддержка контекста до 1M токенов; вариант IQ2_XXS рассчитан на запуск с полным контекстом на видеокарте объёмом 96 GB. В README не указаны поддерживаемые языки. Сильные стороны модели — мультимодальность, большой контекст, несколько вариантов компромисса между размером и качеством, а также возможность запуска через llama.cpp, включая CPU-режим. Ограничения включают значительные требования к памяти, снижение качества при агрессивной квантизации и необходимость использовать сборку llama.cpp master от 2 сентября 2026 года или новее с поддержкой vision tower и image-token routing. Лицензия — MIT.

MigoXV опубликовал форматную конверсию офлайн-модели NVIDIA Sortformer v1: веса FP32 перенесены из официального архива в формат PyTorch safetensors без дообучения и квантизации. Для загрузки требуется реализация sortformer-dia; одних Transformers недостаточно. Модель анализирует аудиозапись целиком и определяет временные сегменты речи для максимум четырёх говорящих, сохраняя перекрывающуюся речь. Транскрипцию и распознавание личности говорящего между разными записями она не выполняет. Поддерживается обработка монофонического аудио LINEAR16 с указанной частотой дискретизации на CPU или CUDA в FP32. По умолчанию запрос ограничен 120 секундами, а максимальный размер пакета равен одному. Репозиторий содержит веса и конфигурацию, а не код модели; для запуска нужна среда проекта sortformer-dia. Лицензия весов — CC-BY-NC-4.0, допускающая использование на условиях этой лицензии, включая её ограничения на коммерческое использование. Это конверсия модели NVIDIA, а не официальный выпуск NVIDIA.

nghuyong/ernie-3.0-nano-zh — китайская языковая модель ERNIE 3.0, опубликованная как преобразованная в PyTorch версия официальной модели PaddlePaddle. В карточке указана архитектура ErnieModel и размер 18,7 млн параметров; модель принимает текст и выдаёт векторные представления токенов или текста для последующего использования в NLP-системах. Модель предназначена для извлечения признаков из китайского текста и может служить компонентом поисковых, классификационных и семантических конвейеров. Максимальная длина контекста — 2048 токенов. Карточка описывает проверку точности преобразования весов, но не приводит конкретные результаты бенчмарков. Лицензия в предоставленных данных не указана.

Sukanyan/FacebookAI_roberta-base — модель классификации текста, дообученная на основе FacebookAI/roberta-base. Она построена на архитектуре RoBERTa для классификации последовательностей и содержит 151,8 млн параметров. Контекст составляет до 514 токенов; модель опубликована в формате safetensors и рассчитана на использование с библиотекой Transformers. Модель предназначена для отнесения текста к классам. В карточке сообщается о дообучении на наборе данных, название которого не указано; на оценочной выборке приведены loss 1,0863 и accuracy 0,5738. Эти результаты не раскрывают набор классов и могут не отражать качество на других данных. Лицензия — MIT.

FinMA-7B-NLP — языковая модель для финансовой сферы, разработанная в рамках проекта PIXIU. Это плотная LLaMA-модель с 6,6 млрд параметров, дообученная следовать инструкциям на NLP-задачах из набора PIXIU. Модель предназначена для анализа тональности, классификации финансовых новостных заголовков, распознавания именованных сущностей и ответов на вопросы по финансовым темам. Модель принимает текст и генерирует текст. Карточка указывает английский язык, а метаданные — контекст длиной 2048 токенов и библиотеку Transformers. Веса опубликованы в формате PyTorch по лицензии MIT. Карточка описывает обучение на NLP-части PIXIU; более широкий набор задач представлен в других моделях проекта.

rakeshkiriyath/gpt2Medium_text_to_sql — дообученная на наборе b-mc2/sql-create-context модель GPT-2 Medium для преобразования запросов на естественном языке в SQL. Карточка демонстрирует SQL-запросы и приводит значения training loss и eval loss; метаданные указывают архитектуру GPT2LMHeadModel, формат PyTorch, контекст до 1024 токенов и английский язык. Модель подходит для генерации SQL по текстовым запросам, например для выборки и подсчёта данных в таблицах. Карточка описывает первый проект автора по дообучению LLM, поэтому качество и устойчивость результатов могут быть ограничены. Лицензия обозначена как other; конкретные условия использования следует сверить с лицензией репозитория и набора данных.

HaS Text — компактная языковая модель для локальной обработки конфиденциального текста, разработанная автором репозитория maoge888888. Она дообучена на базе Qwen3-0.6B-Base и предназначена для конвейера защиты данных: распознавания именованных и чувствительных сущностей, их согласованной анонимизации и восстановления по сохранённому словарю соответствий. Модель поддерживает китайский, английский, португальский, французский, испанский, немецкий, корейский и японский языки. Модель использует плотную архитектуру Qwen3ForCausalLM и содержит около 508 млн параметров. Репозиторий содержит веса Safetensors в FP16; заявленный контекст — 32 768 токенов. Среди описанных возможностей — семантические метки для заменённых сущностей, разрешение вариантов написания одной сущности, согласованность между ходами диалога и обработка длинных документов частями. Для инференса README рекомендует локальный запуск через llama.cpp; производительность приведена для Apple M4 Pro и может отличаться на другом оборудовании. Модель рассчитана на NER и генерацию текста при анонимизации, но качество зависит от точного соблюдения обучающих шаблонов промптов: README предупреждает, что отклонения могут ухудшить результат. Указанная лицензия — MIT. В README FP16-версия названа базовой для дообучения и исследований, а для производственного развертывания рекомендованы отдельные квантованные варианты.

IdolSankaku SwinV2 Tagger v1 — модель DeepGHS для автоматической разметки изображений тегами. Она предсказывает рейтинги, персонажей и общие теги для фотографий; обучена на наборе реальных фотографий с разметкой, проверенной людьми. Архитектура SwinV2, модель совместима с timm и доступна в форматах ONNX и safetensors. ONNX-версия поддерживает пакетную обработку изображений и требует onnxruntime версии 1.17.0 или новее. Валидация версии 1.0 дала F1 0,6161 при пороге 0,3094. Модель подходит для автоматической категоризации и тегирования фотографий; точность зависит от изображения и предсказанных тегов. Лицензия — Apache-2.0.

Josiefied-Qwen3-VL-4B-Instruct-abliterated-beta-v1 — мультимодальная чат-модель Гёкдениза Гюльмеза на архитектуре Qwen3-VL с 4 млрд параметров. Она дообучена на Qwen/Qwen3-VL-4B-Instruct с изменением поведения безопасности («abliteration») и дополнительной настройкой следования инструкциям; разработчик сообщает, что обучение выполнялось на Apple Silicon с использованием MLX. В репозитории указаны веса safetensors, а также варианты MLX и GGUF. Модель предназначена для диалога и генерации ответов по инструкциям; базовая Qwen3-VL поддерживает анализ изображений и видео, OCR и визуальные рассуждения. Разработчик позиционирует эту версию как менее ограниченную фильтрами безопасности при сохранении навыков следования инструкциям и использования инструментов. README предупреждает, что модель может выдавать чувствительный или спорный контент. Лицензия в предоставленных данных не указана.

heretic-org/MiniCPM-V-4.6-heretic — версия модели OpenBMB MiniCPM-V 4.6, обработанная проектом Heretic с помощью метода abliteration. Это компактная мультимодальная модель для диалога по изображениям и видео, рассчитанная в том числе на эффективный запуск на мобильных устройствах. В основе MiniCPM-V 4.6 лежат визуальный энкодер SigLIP2-400M и языковая модель Qwen3.5-0.8B; применяются смешанные режимы сжатия визуальных токенов 4x/16x. Репозиторий содержит веса safetensors и заявленную лицензию Apache-2.0. Модель подходит для описания изображений, ответов на вопросы по визуальному содержимому, распознавания текста на изображениях и понимания видео. В README приведено сравнение с исходной моделью: на указанной авторами оценке число отказов снизилось с 71/100 до 3/100, а KL-дивергенция составила 0,0904. Эти показатели относятся к описанной оценке и не гарантируют качество на других запросах. Число параметров и длина контекста в предоставленных данных не указаны.

Modelo QA dominicano final es un modelo BERT de respuesta extractiva a preguntas, desarrollado por Marcoreyes2050 y дообученный на базе Lisibonny/modelo_qa_beto_squad_es_pdqa для новостей Доминиканской Республики. Он принимает вопрос и контекст, а в ответе выделяет фрагмент текста из контекста; ответ должен присутствовать в исходном материале. Модель насчитывает 137,1 млн параметров, использует архитектуру BertForQuestionAnswering и поддерживает контекст длиной до 512 токенов. Обучение проводилось в течение одной эпохи на сбалансированной смеси человеческих и синтетических примеров. На валидации указаны EM 60,0 и F1 77,15; базовый результат F1 составлял 75,84. Модель предназначена для извлечения ответов из испаноязычных новостных текстов, в частности связанных с Доминиканской Республикой. Она может ошибаться в именах, датах, числах и границах выделяемого фрагмента и не проверяет достоверность новостей. Лицензия в предоставленных данных не указана.

pavankumarbalijepalli/phi2-sqlcoder — англоязычная модель Pavan Kumar Balijepalli для преобразования вопросов на естественном языке в SQL-запросы. Это дообученная на наборе b-mc2/sql-create-context плотная авторегрессионная модель семейства Phi-2 с 3,5 млрд параметров, основанная на microsoft/phi-2. Она принимает вопрос и схему базы данных в одном текстовом запросе и генерирует SQL для PostgreSQL. Модель предназначена для получения запросов к базе данных по описанию схемы и вопросу пользователя. В карточке сообщается, что на отложенной выборке она превзошла defog/sqlcoder-7b-2 по успешности выполнения и времени вывода при оценке GGUF-моделей на CPU с ограниченной памятью. Репозиторий содержит веса Safetensors и вариант GGUF F16; для использования описаны Transformers и llama.cpp. Контекст ограничен 2048 токенами, поэтому вопрос и схема должны уместиться в это окно, а сложные схемы могут требовать тщательной подготовки входа. В README не приведены подробности методики и метрики оценки, поэтому заявленное преимущество следует трактовать в рамках описанного holdback-теста. Лицензия модели — MIT.

PipableAI/pip-SQL-1B — модель PipableAI для генерации SQL-запросов по вопросу пользователя и схеме базы данных. В карточке указано, что модель дистиллирована из Llama 1B и обучалась на датасете PipableAI/spider-bird с чередованием двух целей: предсказания токенов всей последовательности и оптимизации предсказаний токенов SQL-ответа. Модель построена на архитектуре LlamaForCausalLM, содержит 1,3 млрд параметров, принимает текст и имеет контекст 2048 токенов; в метаданных указан английский язык и тег для задач с кодом. Модель предназначена для сценариев text-to-SQL: на вход подаются схема и вопрос, на выходе — SQL-запрос. README заявляет высокие результаты на ряде SQL-бенчмарков, но не приводит названия бенчмарков или численные сравнения, поэтому заявление нельзя оценить по карточке. Лицензия — MIT.

NeuML разработала PubMedBERT ColBERT — модель PyLate, дообученную на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Она кодирует предложения и абзацы в последовательности плотных векторов размерностью 128 и сопоставляет тексты с помощью операции MaxSim, сохраняя отдельные векторы токенов вместо усреднения в одно представление. Модель рассчитана на семантический поиск и сравнение текстов в биомедицинских публикациях, включая построение поисковых индексов и источников знаний для RAG. В README приведены результаты оценки на PubMed QA, PubMed Subset и PubMed Summary; авторы отмечают пригодность модели для поиска и использования в качестве первого этапа конвейера с последующим реранжированием. Она имеет архитектуру BERT, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. Модель ориентирована на английский язык и распространяется по лицензии Apache-2.0. README отмечает, что по общей оценке модель уступает некоторым сравниваемым моделям; для высокоточного ранжирования может потребоваться отдельный реранкер.

Это компактная инструктивная языковая модель Qwen2.5-0.5B-Instruct, опубликованная Unsloth как дообученная версия Qwen/Qwen2.5-0.5B-Instruct. Она построена на архитектуре Qwen2 с причинной генерацией текста и рассчитана на диалоги, выполнение инструкций и другие задачи генерации текста. В метаданных указаны 494 млн параметров, контекст до 32 768 токенов, формат safetensors и библиотека Transformers. Модель подходит для чат-ботов, ответов на запросы и генерации структурированного текста. В карточке базовой модели заявлена поддержка более 29 языков, включая русский и английский; сама карточка репозитория отмечает английский. Модель компактна, но уступает более крупным моделям по возможностям и надёжности, а результаты зависят от запроса и сценария применения. Лицензия — Apache-2.0.