I.3Извлечение и структурирование данных

Модель carted-nlp/categorization-finetuned-20220721-164940-distilled-20220810-123313 — дообученная Carted-NLP модель для классификации текста на базе RoBERTa. Она содержит 26,6 млн параметров и принимает последовательности длиной до 514 токенов. В README указаны результаты оценки: accuracy 0,8416 и F1 0,8396. Модель подходит для отнесения текстов к категориям в задачах автоматической разметки и маршрутизации. Язык категорий и обучающих данных, набор меток и условия лицензии в доступных сведениях не описаны.

rithwik-db/e5-base_scifact_10000 — модель Sentence Transformers, разработанная пользователем rithwik-db. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу и кластеризации. Архитектура основана на BERT, размер модели — 136,7 млн параметров, максимальная длина контекста — 512 токенов; модель распространяется в формате PyTorch. Модель обучена с TripletLoss на евклидовом расстоянии и подходит для построения семантического поиска, группировки текстов и сравнения сходства предложений. Название и README указывают на связь с SciFact, однако конкретный набор данных и языки обучения не описаны. Лицензия в предоставленных данных не указана.

ayushexel/emb-all-MiniLM-L6-v2-squad-3-epochs — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L6-v2, разработанная автором репозитория ayushexel. Она преобразует предложения и абзацы в плотные семантические векторы размерности 384, нормализованные для сравнения по косинусному сходству. Модель подходит для поиска подходящих контекстов по вопросам, семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текстов. Архитектура — энкодер BERT с усреднением токенных представлений и нормализацией; размер составляет 25,9 млн параметров. Метаданные указывают контекст до 512 токенов, тогда как карточка модели описывает максимальную длину последовательности 256 токенов. Обучение проводилось на примерах с вопросом, контекстом и негативным контекстом; в карточке также приведена оценка cosine_accuracy 0,4008 на GooQA-dev. Базовая модель англоязычная, поэтому прежде всего модель рассчитана на английский текст. Лицензия в предоставленных данных не указана.

Ngit/fail-detect — модель Sentence Transformers на архитектуре MPNet, разработанная автором репозитория Ngit. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически похожих текстов, кластеризации и других задач сравнения предложений. Модель содержит 136,7 млн параметров и принимает текст; заявленная длина контекста — 514 токенов. Модель подходит для построения семантического поиска и группировки текстов по смыслу. В README указано обучение с CosineSimilarityLoss. Доступен формат PyTorch; лицензия в предоставленных данных не указана.

Gemma-4-12B-Heretic-Abliterated-GGUF — набор GGUF-квантизаций модели culturerevolt/gemma-4-12b-heretic-abliterated, созданной на основе архитектуры Google Gemma-4 12B Instruction Tuned. Репозиторий разработан culturerevolt; в README также отмечен вклад Google DeepMind в архитектуру и Philipp Emanuel Weidmann в разработку подхода Heretic abliteration. Модель предназначена для локальной генерации текста, диалогов, рассуждений, творческого письма и агентских сценариев, включая обработку структурированного вывода и JSON. Поддержка изображений заявлена через отдельный мультимодальный проектор gemma-4-12b-it-mmproj-f16.gguf. Доступны варианты Q8_0, Q6_K, Q5_K_M, Q4_K_M, IQ4_XS и IQ3_XS с разным соотношением качества, скорости и требований к памяти. Для части вариантов использована калибровка iMatrix, ориентированная на сохранение логики, синтаксиса, инструментального вызова и качества повествования при квантовании. Точный список языков и базовый размер контекстного окна в README не указаны; для IQ4_XS упоминается возможность работы с контекстом до 131 тысяч токенов в определённых конфигурациях. Сильные стороны модели — широкий выбор степеней квантования, возможность запуска на локальном оборудовании и оптимизация низкобитных вариантов с помощью importance matrix. Ограничения связаны с неизбежной потерей точности при более агрессивном квантовании, зависимостью мультимодального режима от совместимого backend и отдельного projector-файла, а также с тем, что аблитерированная версия позиционируется как decensored и может иметь меньше встроенных отказов от нежелательных запросов. Лицензия — Apache-2.0.

knowledgator/gliclass-instruct-base-v1.0 — компактная плотная модель семейства GLiClass от Knowledgator для классификации текста по заданным меткам. Она поддерживает zero-shot и few-shot сценарии: метки можно задавать под конкретную задачу, добавлять к ним описания и примеры, группировать и направлять классификацию инструкцией. Модель рассчитана на тематическую и тональную классификацию, определение намерений, проверку следования правилам и безопасности, выявление галлюцинаций, вывод по естественному языку и оценку релевантности текстов. Модель принимает текст и возвращает оценки классов. В README отмечено, что для вывода по естественному языку лучше проверять по одной гипотезе за раз. Приведённые в карточке результаты показывают качество на отдельных наборах для классификации тональности и тем, но сами по себе не гарантируют точность на пользовательских данных. Модель распространяется по лицензии Apache-2.0.

Glyph — мультимодальная модель и фреймворк для работы с длинными текстовыми контекстами, разработанные на базе GLM-4.1V-9B-Base. Вместо передачи длинного текста как последовательности токенов Glyph преобразует его в изображения и обрабатывает с помощью vision-language модели. Такой подход позволяет уменьшить вычислительные и memory-затраты при сохранении смысловой информации. Модель предназначена для понимания длинных текстов, переданных в визуально-текстовом формате: например, для анализа документов и поиска сведений в больших текстовых корпусах. Архитектура — плотная GLM-4V, реализация для Transformers; веса опубликованы в формате Safetensors. В карточке указаны китайский и английский языки. Лицензия — MIT. Качество зависит от параметров рендеринга текста, включая разрешение, шрифт и интервалы; модель может хуже работать со стилями, отличающимися от использованных при дообучении. Возможны ошибки распознавания редких и мелких буквенно-цифровых строк, например UUID. Обобщение на задачи за пределами понимания длинного контекста изучено ограниченно.

Harrier-Arabic-Matryoshka-0.6B — модель эмбеддингов предложений на базе microsoft/harrier-oss-v1-0.6b, дообученная Omartificial-Intelligence-Space для семантического сходства арабских текстов. Она преобразует предложения и фрагменты текста в векторы для поиска, сравнения, кластеризации и удаления дубликатов; также поддерживает межъязыковой поиск на языках базовой модели. Модель построена на архитектуре Qwen3, содержит около 508 млн параметров и выдаёт эмбеддинги размерностью 1024. Благодаря Matryoshka Representation Learning векторы можно сокращать до 768, 512, 256, 128 или 64 измерений с небольшими потерями качества, что помогает уменьшить индекс и ускорить поиск. Контекстное окно — 32 768 токенов. Модель рассчитана прежде всего на арабский язык и использует библиотеку sentence-transformers. В карточке нет сведений о лицензии и количественных результатах оценки качества, поэтому условия распространения и сравнительную эффективность по ней определить нельзя.

Hermes-3-Llama-3.1-8B-IMat-GGUF — квантизированная версия текстовой генеративной модели NousResearch/Hermes-3-Llama-3.1-8B, подготовленная legraphista в формате GGUF для llama.cpp. В основе лежит модель семейства Llama 3.1 с 8 млрд параметров; исходный тип данных — BF16. Указан английский язык, а назначение модели — генерация текста и диалоговое взаимодействие. Модель предназначена для чат-сценариев, следования инструкциям, ролевого общения, работы с ChatML, генерации структурированных ответов в JSON и function calling. Доступны варианты с разной степенью квантизации — от BF16 и FP16 до 1–8-битных форматов; часть низкобитных вариантов использует IMatrix для снижения потерь качества при уменьшении размера. Это позволяет запускать модель на более ограниченных по памяти системах, выбирая компромисс между качеством, скоростью и требованиями к ресурсам. В README не указаны размер контекстного окна, мультимодальные возможности, результаты бенчмарков и подробные ограничения качества, поэтому модель следует считать текстовой и ориентированной прежде всего на английский язык. Квантизация может приводить к снижению точности по сравнению с исходной BF16-моделью, особенно в наиболее компактных вариантах. Лицензия указана как Llama 3; условия её применения следует уточнять в лицензии исходной модели.

Huihui-Qwen3.5-27B-Opus-abliterated-YaRN-1M — текстовая генеративная модель на архитектуре Qwen3.5 с 27 млрд параметров, представленная в GGUF BF16. Это версия модели HuihuiAI с расширением контекста YaRN и включённым пошаговым рассуждением; в README также указана поддержка изображений через файл mmproj. Модель предназначена для диалогов, генерации текста и работы с длинными контекстами: заявлено 262 тысячи токенов активного контекста и до 1 млн токенов с YaRN, а максимальная длина ответа — 81 920 токенов. Карточка указывает английский язык. Для контекста 262K заявлено около 60 ГБ видеопамяти, для 1M — около 90 ГБ. Модель основана на HuihuiAI/Huihui-Qwen3.5-27B-Opus-abliterated; исходное семейство разработано командой Qwen. Лицензия — Apache-2.0. Термин «abliterated» указывает на изменение поведения модели, однако README не уточняет его влияние на безопасность или качество; длинный контекст требует значительных ресурсов видеопамяти.

cassador/indobert-embeddings — модель эмбеддингов предложений на базе IndoBERT, опубликованная cassador и дообученная на наборе IndoNLI. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, кластеризации и оценки сходства текстов на индонезийском языке. Модель использует архитектуру BERT и поддерживает контекст до 512 токенов. Для получения эмбеддингов README рекомендует библиотеку Sentence-Transformers; при использовании Transformers необходимо применить подходящую операцию pooling к контекстным представлениям токенов. В метаданных указан формат PyTorch и около 151,6 млн параметров. Лицензия в предоставленных данных не указана.

Jina AI разработала эту версию jina-embeddings-v4 для мультимодального и многоязычного поиска по визуальным документам. Веса адаптера retrieval объединены с базовой моделью Qwen2.5-VL, что обеспечивает совместимость с vLLM без специальной обработки адаптеров. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Модель предназначена для поиска документов по текстовым и визуальным запросам, в том числе для многоязычного поиска по содержимому документов. Репозиторий содержит веса в формате safetensors; метаданные указывают библиотеку Transformers. Лицензия в предоставленных данных не указана.

gemasphi/laprador_pt — модель на основе BERT, преобразующая предложения и абзацы в плотные векторы размерности 768. Она предназначена для построения эмбеддингов, поиска семантически близких текстов и кластеризации. Модель содержит 79,5 млн параметров, принимает последовательности длиной до 512 токенов и доступна в формате PyTorch. Модель можно использовать через библиотеку Sentence-Transformers или Hugging Face Transformers с подходящей операцией pooling. Она подходит для семантического поиска и группировки текстов по смыслу. README не сообщает языковую специализацию или результаты оценки, поэтому её качество для конкретного языка и предметной области следует проверять отдельно.

Модель gordonlim/layoutlmv3-base-finetuned-rvlcdip — дообученная Microsoft LayoutLMv3-base для классификации документов по датасету RVL-CDIP с OCR-текстом, извлечённым Amazon OCR. Она сочетает визуальную информацию страницы с распознанным текстом и его расположением; число параметров — 151,8 млн, контекст — 514 токенов. Модель предназначена для отнесения документов к классам RVL-CDIP. На оценочной выборке автор сообщает точность около 95,2% и взвешенную F1 около 95,2%; эти показатели относятся к указанному набору данных и не гарантируют такого же качества на других документах. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

LinkBERT-base — англоязычный трансформерный энкодер семейства BERT, разработанный Мичи Ясунага и соавторами. Модель предварительно обучена на статьях англоязычной Википедии с учётом гиперссылок между документами: связанный текст подавался в общий контекст, чтобы модель усваивала знания, распределённые по нескольким документам. Размер модели — 135,5 млн параметров, максимальная длина контекста — 512 токенов; доступны веса PyTorch. Лицензия — Apache-2.0. Модель предназначена для дообучения под классификацию текста и другие задачи понимания языка, включая ответы на вопросы, классификацию последовательностей и токенов. Её также можно использовать как исходный энкодер для извлечения признаков. Учёт связей между документами особенно полезен для задач, требующих объединять сведения из нескольких источников, таких как поиск по документам и чтение с пониманием. В опубликованных результатах дообученная модель превосходит BERT-base на приведённых наборах MRQA и GLUE; сама базовая модель не является готовой системой ответов на вопросы и может требовать дообучения для целевой задачи.

duyntnet/Llama-3.2-3B-Instruct-imatrix-GGUF — набор квантизированных версий инструкционно дообученной языковой модели Llama 3.2 3B Instruct, разработанной Meta. Репозиторий распространяет модель в формате GGUF с использованием imatrix и предназначен для локального запуска через llama.cpp, KoboldCPP, text-generation-webui или Ollama. Модель представляет собой авторегрессионную текстовую модель на оптимизированной архитектуре Transformer с примерно 3 млрд параметров. Она работает по схеме «текст на входе — текст на выходе» и поддерживает английский язык; исходная модель описывается как мультиязычная, однако для этой конкретной публикации в карточке указан только английский. Инструкционная версия обучалась с применением supervised fine-tuning и reinforcement learning from human feedback и ориентирована на диалоги, агентный поиск и извлечение информации, суммирование и другие задачи генерации текста. К сильным сторонам относятся компактный размер, возможность локального запуска и совместимость с распространёнными инструментами инференса. Ограничения включают текстовую модальность, отсутствие в README сведений о размере контекста, конкретных параметрах квантизации и результатах бенчмарков. Лицензия указана как other; дополнительные условия использования в карточке не приведены.

CYFRAGOVPL/Llama-PLLuM-8B-chat-2512 — чат-модель семейства PLLuM, разработанная альянсом HIVE AI на основе работ консорциума PLLuM. Это плотная авторегрессионная модель архитектуры Llama с 7,5 млрд параметров, выровненная для диалога с помощью инструкционного дообучения и обучения на предпочтениях. Она принимает текст и генерирует ответы, сводки и другие тексты; особенно ориентирована на польский язык, при обучении также использовались англоязычные данные. Контекстное окно — до 131 072 токенов. Модель подходит для вопросов и ответов, извлечения сведений, суммаризации и создания специализированных помощников. В README отдельно отмечена применимость к польской публичной администрации и юридической или бюрократической тематике, особенно вместе с поиском по документам. Для таких сценариев актуальность и точность ответов зависят от качества подключённого поиска и источников. Репозиторий содержит веса в формате safetensors; лицензия — Llama 3.1.

MiniCPM-2B-128k — языковая модель с открытыми весами, разработанная ModelBest Inc. и лабораторией обработки естественного языка Университета Цинхуа (TsinghuaNLP). Это экспериментальное расширение контекста MiniCPM-2B: модель содержит 2,7 млрд параметров по метаданным и рассчитана на генерацию текста и диалог в формате ChatML. Карточка заявляет поддержку контекста до 128k токенов; метаданные каталога указывают native context в 65 536 токенов. Модель подходит для диалога, анализа длинных документов, поиска сведений в большом контексте и суммаризации. В карточке отмечены высокие результаты на InfiniteBench среди моделей до 7B, но также сообщается о снижении качества на контекстах до 4k токенов. Модель может галлюцинировать, чувствительна к формулировкам запросов, иногда отвечает непоследовательно и обладает ограниченной точностью фактических знаний. Для генерации авторы рекомендуют vLLM, поскольку результаты Hugging Face Transformers могут быть медленнее и немного хуже. Веса доступны в формате PyTorch; карточка не сообщает условия лицензии.

duyntnet/Mistral-NeMo-Minitron-8B-Instruct-imatrix-GGUF — это набор GGUF-квантизаций инструкционной языковой модели Mistral-NeMo-Minitron-8B-Instruct, разработанной NVIDIA. Исходная модель создана на базе Mistral-NeMo-Minitron-8B-Base, которая была получена из Mistral-NeMo 12B с применением методов pruning и distillation, а затем дообучена в несколько этапов с помощью supervised fine-tuning и выравнивания на основе предпочтений. Модель предназначена для генерации текста, включая диалоговые сценарии, roleplay, retrieval-augmented generation и function calling. Она работает с текстом на английском языке и поддерживает контекст до 8192 токенов. Архитектура представляет собой авторегрессионный Transformer Decoder семейства Mistral-NeMo с 40 слоями, размером эмбеддингов 4096, 32 attention heads, промежуточным размером MLP 11520, Grouped-Query Attention и Rotary Position Embeddings. Формат GGUF позволяет использовать модель в совместимых локальных клиентах и интерфейсах, включая llama.cpp, KoboldCPP, Ollama, Jan, text-generation-webui и GPT4All. Для оптимальных результатов рекомендуется применять специальный шаблон диалога с ролями System, User и Assistant и заданными специальными токенами. Ограничения включают поддержку только текстовой модальности и заявленного английского языка; конкретные характеристики производительности зависят от выбранного уровня квантизации и аппаратного обеспечения. Исходная модель распространяется по NVIDIA Open Model License; для данного репозитория указано обозначение лицензии other.

ytu-ce-cosmos/modernbert-tr-1k-embed — текстовая Sentence Transformer-модель на архитектуре ModernBERT, обученная для получения эмбеддингов предложений и абзацев и поиска по сходству. Она кодирует текст в плотные векторы размерностью 768, которые можно сравнивать косинусной близостью; модель подходит для семантического поиска и извлечения релевантных текстов. В README указан максимум 512 токенов, а метаданные указывают родной контекст до 8192 токенов. Модель содержит 148,7 млн параметров, использует mean pooling и распространяется в формате Safetensors; для работы заявлена библиотека Sentence Transformers. В обучающем наборе было 625 121 пример на турецком языке с парами anchor и positive и оценками сходства. Это делает модель ориентированной прежде всего на турецкие тексты. В карточке не указана лицензия, поэтому условия использования по имеющимся данным определить нельзя.

korruz/mpnet-base-all-nli-triplet — англоязычная модель Sentence Transformers, дообученная на наборе sentence-transformers/all-nli из microsoft/mpnet-base. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из MPNetModel и слоя среднего объединения токенных представлений; сходство обычно оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель подходит для извлечения эмбеддингов английского текста и построения систем поиска или группировки по смыслу. В README приведены результаты TripletEvaluator на AllNLI: точность по cosine составила 0,906 на dev и 0,9186 на test. Лицензия — Apache-2.0. Она предназначена для английского языка; качество на других языках не подтверждено, а входы длиннее лимита последовательности потребуют усечения или разбиения.

MyAwesomeModel — модель на базе Transformers с архитектурой семейства BERT, опубликованная в репозитории scq21cs2dsadsa/MyAwesomeModel-TestRepo. Согласно метаданным Hugging Face, она предназначена для извлечения признаков из текста и доступна под лицензией MIT. Модель может применяться для получения векторных представлений текста, последующей классификации, кластеризации, поиска похожих документов и других задач, использующих текстовые embeddings. README также заявляет о возможностях рассуждения, генерации кода, ответов на вопросы и диалогов, однако pipeline_tag feature-extraction и доступные метаданные подтверждают прежде всего сценарии извлечения признаков. Размер модели, длина контекста, поддерживаемые языки и разработчик в предоставленных данных не указаны.

mlx-community/openai-privacy-filter-8bit — 8-битная модель для MLX, созданная сообществом mlx-community на основе openai/privacy-filter и подготовленная с помощью mlx-embeddings 0.1.1. Это двунаправленный разреженный MoE-классификатор токенов: он размечает BIOES-фрагменты с персональными данными в восьми категориях — имя человека, адрес электронной почты, телефон, URL, адрес, дата, номер счёта и секрет. Модель предназначена для локального обнаружения и последующего маскирования персональных данных в тексте. Репозиторий содержит 145,4 млн параметров и использует формат safetensors; указанное окно контекста — 131072 токена. Лицензия — Apache-2.0. README описывает конверсию в формат MLX, а метаданные классифицируют связь с базовой моделью как дообучение.

pii-identifier-v0.1 — англоязычная модель для обнаружения и классификации персональных данных в тексте. Разработчик дообучил answerdotai/ModernBERT-base на синтетическом наборе nvidia/Nemotron-PII. Это encoder-модель ModernBERT с архитектурой ModernBertForTokenClassification и примерно 149 млн параметров; она размечает фрагменты текста по 55 типам сущностей с BIO-тегами. Максимальная длина последовательности — 8192 токена. Модель предназначена для выявления персональных данных в конвейерах редактирования и обезличивания текста, проверки данных перед передачей в LLM и инструментов управления данными. В заявленной оценке на тесте PIIMB для Nemotron-PII она набрала F2 0,970; точность обнаружения при этом зависит от типа сущности. Особенно слабые результаты отмечены для профессий, уникальных идентификаторов, групп крови и времени. Модель обучалась только на синтетических англоязычных данных, поэтому качество на реальных, шумных, распознанных OCR или специализированных текстах может отличаться, а для других языков не подтверждено. Результаты не гарантируют полного обнаружения PII: для ответственных сценариев карточка рекомендует сочетать модель с правилами и проверкой человеком. Лицензия — Apache-2.0.

PLLuM-12B-base-2512 — базовая большая языковая модель семейства PLLuM, разработанного сначала консорциумом PLLuM, а с 2025 года — альянсом HIVE AI для открытых языковых технологий. Модель предназначена прежде всего для польского языка; в обучении также использовались английские тексты. Это плотная авторегрессионная модель на архитектуре Mistral с 12,1 млрд параметров и контекстом до 131 072 токенов. Модель генерирует связный текст и может служить основой для ответов на вопросы, суммаризации, извлечения информации и специализированных помощников. Для польских государственных и юридических сценариев README рекомендует опираться на поиск по документам и RAG. В обучении семейства использовались продолженное предобучение, инструкции на польском языке и предпочтения аннотаторов; конкретно этот вариант обозначен как base, поэтому он не является специально выровненной версией для диалога. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Результаты для конкретного варианта 12B и пределы его качества в доступных сведениях не уточнены.

PolDense-400M — польская модель эмбеддингов от OPI-PIB, предназначенная для плотного поиска и семантического сопоставления текстов. Она построена на энкодере ettin-encoders с архитектурой ModernBERT и содержит около 394,7 млн параметров. Модель формирует векторные представления текстов и рассчитана прежде всего на польскоязычные сценарии поиска, извлечения сведений и RAG; контекст — до 7 999 токенов. Модель обучали в три этапа: адаптация англоязычных энкодеров к польскому языку с помощью дистилляции, дополнительная дистилляция на польских текстах и контрастивная настройка для задач поиска. В README заявлено, что на бенчмарке PIRB из 41 задачи поиска модель показывает результаты на уровне крупных многоязычных моделей. Для поиска запрос следует предварять префиксом «[query]: », а для симметричного сравнения текстов — «[sts]: ». Модель подходит для построения поисковых систем и RAG по польским документам, а также для оценки семантической близости польских текстов. Репозиторий содержит веса safetensors; лицензия указана как Gemma. README описывает также обучение на польско-английских парах и дистилляцию от многоязычного учителя, но позиционирует семейство как ориентированное на польский язык.

neeva/query2query — модель Sentence-Transformers от Neeva для представления поисковых запросов в виде плотных векторов размерности 384. Она основана на архитектуре BERT и содержит 25,9 млн параметров; модель принимает текст и формирует эмбеддинги, которые можно использовать для кластеризации запросов и семантического поиска по ним. Максимальная длина контекста — 512 токенов. Модель подходит для поиска похожих запросов, группировки запросов по смыслу и построения поиска по коллекции запросов. В карточке указано обучение на протяжении 1 млн шагов с размером пакета 1024 и начальной скоростью обучения 2e-5. Репозиторий содержит веса PyTorch. Лицензия CC-BY-NC-SA-4.0 запрещает коммерческое использование без отдельного разрешения правообладателя. Модель предназначена для текстовых запросов; карточка описывает эмбеддинги, но не сообщает о поддержке других модальностей.

Карточка модели cold368733/Qwen2.5-0.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B-Instruct, поэтому описание составлено по ней. Qwen/Qwen2.5-0.5B-Instruct — компактная инструктивно настроенная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов, выполнения инструкций и генерации текста, включая длинные ответы, структурированные данные и JSON; также может применяться для простых задач по коду и математике. Модель построена на архитектуре Qwen2 с причинным языковым моделированием и содержит 494 млн параметров. В карточке указаны 24 слоя, RoPE, SwiGLU, RMSNorm и группированное внимание; контекст — 32 768 токенов, генерация — до 8 192 токенов. Модель работает с текстом, поддерживает чат и интерфейс вызова инструментов. Семейство Qwen2.5 заявляет поддержку более 29 языков, включая русский и английский. Небольшой размер упрощает запуск по сравнению с крупными языковыми моделями, но ограничивает сложность задач, которые она может надёжно решать. Модель распространяется по лицензии Apache-2.0; для загрузки через Transformers рекомендуется актуальная версия библиотеки.

Карточка модели DdaanZzubb/Qwen2.5-0.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B-Instruct, поэтому описание составлено по ней. Qwen/Qwen2.5-0.5B-Instruct — компактная инструктивно настроенная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов, выполнения инструкций и генерации текста, включая длинные ответы, структурированные данные и JSON; также может применяться для простых задач по коду и математике. Модель построена на архитектуре Qwen2 с причинным языковым моделированием и содержит 494 млн параметров. В карточке указаны 24 слоя, RoPE, SwiGLU, RMSNorm и группированное внимание; контекст — 32 768 токенов, генерация — до 8 192 токенов. Модель работает с текстом, поддерживает чат и интерфейс вызова инструментов. Семейство Qwen2.5 заявляет поддержку более 29 языков, включая русский и английский. Небольшой размер упрощает запуск по сравнению с крупными языковыми моделями, но ограничивает сложность задач, которые она может надёжно решать. Модель распространяется по лицензии Apache-2.0; для загрузки через Transformers рекомендуется актуальная версия библиотеки.

Карточка модели DongfuJiang/Qwen2.5-0.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B-Instruct, поэтому описание составлено по ней. Qwen/Qwen2.5-0.5B-Instruct — компактная инструктивно настроенная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов, выполнения инструкций и генерации текста, включая длинные ответы, структурированные данные и JSON; также может применяться для простых задач по коду и математике. Модель построена на архитектуре Qwen2 с причинным языковым моделированием и содержит 494 млн параметров. В карточке указаны 24 слоя, RoPE, SwiGLU, RMSNorm и группированное внимание; контекст — 32 768 токенов, генерация — до 8 192 токенов. Модель работает с текстом, поддерживает чат и интерфейс вызова инструментов. Семейство Qwen2.5 заявляет поддержку более 29 языков, включая русский и английский. Небольшой размер упрощает запуск по сравнению с крупными языковыми моделями, но ограничивает сложность задач, которые она может надёжно решать. Модель распространяется по лицензии Apache-2.0; для загрузки через Transformers рекомендуется актуальная версия библиотеки.