I.3Извлечение и структурирование данных

jina-embeddings-v5-text-small-clustering — компактная модель векторных представлений текста от Jina AI, предназначенная прежде всего для кластеризации. Это квантизированная версия базовой модели jinaai/jina-embeddings-v5-text-small, обученная с использованием дистилляции и задачных контрастивных потерь. Модель подходит для группировки текстов по смыслу и других сценариев, где требуется преобразование документов или фрагментов текста в эмбеддинги. Модель содержит 677 млн параметров, поддерживает многоязычные тексты и обрабатывает последовательности длиной до 32 768 токенов. Размер выходного эмбеддинга составляет 1024 измерения; поддерживаются Matryoshka-размерности 32, 64, 128, 256, 512, 768 и 1024, что позволяет выбирать компромисс между качеством и затратами на хранение и поиск. Используется pooling по последнему токену. Модель интегрируется с sentence-transformers, vLLM, llama.cpp и Elastic Inference Service. Сильными сторонами являются компактность, высокая производительность для своего размера, большой контекст и возможность адаптировать размер вектора. Ограничение модели — заявленная специализация на кластеризации; README не приводит подробностей о точном наборе поддерживаемых языков и не описывает качество для других задач. Распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями, включая некоммерческий характер лицензии.

LFM2.5-ColBERT-350M-fp16 — многоязычная двунаправленная модель для извлечения признаков и поиска документов, подготовленная на базе LiquidAI/LFM2.5-ColBERT-350M и упакованная в формат MLX fp16 для Apple Silicon. Модель формирует векторы размерности 128 для каждого токена, а релевантность запроса и документа оценивает методом позднего взаимодействия MaxSim. Для кодирования используются обязательные маркеры [Q] для запроса и [D] для документа. Модель предназначена для семантического поиска и ранжирования в системах извлечения информации. Архитектура LFM2 включает двунаправленный энкодер; размер модели по метаданным — 443,4 млн параметров, контекст — до 128 000 токенов. Заявлена поддержка английского, испанского, немецкого, французского, итальянского, португальского, арабского, шведского, норвежского, японского и корейского языков. README приводит результаты на подмножестве англоязычного NanoBEIR и указывает на специализированный загрузчик MLX для корректного получения эмбеддингов. Это вариант fp16 без квантизации, рассчитанный на запуск через MLX на компьютерах Apple Silicon. Лицензия в метаданных обозначена как other; конкретные условия следует проверять в файлах репозитория. Результаты бенчмарка охватывают ограниченный англоязычный набор и не характеризуют качество на полном многоязычном наборе.

lmstudio-community/Llama-3-Groq-8B-Tool-Use-GGUF — это GGUF-квантизация дообученной модели Llama 3 8B, разработанной Groq для использования инструментов и вызова функций. Квантизацию выполнил bartowski на основе llama.cpp. Модель предназначена для генерации текста, взаимодействия с API, работы со структурированными данными и выполнения сложных сценариев, в которых требуется выбирать и вызывать внешние инструменты. Модель поддерживает английский язык и использует текстовую модальность. В README указано 8 млрд параметров; размер контекста не указан. Для работы в LM Studio рекомендуется выбрать шаблон Llama 3. Ответы на вызовы функций оформляются в JSON внутри тегов tool_call, а доступные инструменты и их параметры передаются в системном запросе. Заявленная точность на Berkeley Function Calling Leaderboard составляет 89,06%. Сильная сторона модели — специализация на function calling, API-интеграциях и структурированном взаимодействии с инструментами. Ограничения включают отсутствие сведений о размере контекста и конкретных вариантах квантизации, а также ориентацию на английский язык; корректность вызовов зависит от качества описаний инструментов и используемого шаблона запроса. В метаданных указана лицензия llama3.

LlamaV-o1 — мультимодальная модель для визуальных рассуждений, разработанная MBZUAI и дообученная на основе meta-llama/Llama-3.2-11B-Vision-Instruct. Модель с архитектурой mllama и 11 млрд параметров принимает изображения и текстовые инструкции и формирует текстовые ответы с последовательными объяснениями. Основное назначение — ответы на вопросы по изображениям, включая задачи на визуальное восприятие, математику, понимание документов и социальный контекст. Модель обучалась на LLaVA-CoT-100k и предназначена для диалоговых и исследовательских сценариев, требующих анализа визуального содержимого. В карточке также заявлены применение в образовательных инструментах и разговорных агентах. Указанная лицензия — Apache-2.0. Карточка отмечает возможные трудности с узкоспециализированными знаниями и неоднозначными или состязательными запросами; модель не рекомендуется для решений с высокими ставками, включая медицинскую диагностику.

MemReader-4B — языковая модель MemTensor для операций с памятью в MemOS. Она предназначена для извлечения и обновления сведений из диалогов и документов, а также для создания кратких сводок разговоров и фрагментов документов. Модель построена на архитектуре Qwen3ForCausalLM и получена дообучением Qwen3-4B на размеченных людьми и сгенерированных моделями данных методом supervised fine-tuning. В метаданных указано 3,7 млрд параметров и контекст до 40 960 токенов; README приводит размер около 4 млрд параметров и контекст 32 768 токенов. Модель поддерживает английский и китайский языки и рассчитана на диалоговое применение, включая локальное извлечение памяти в средах с ограниченным доступом к интернету. По данным README, в оценке Locomo она показала результат, сопоставимый с более крупными моделями на задачах памяти; эти результаты относятся к описанной авторами оценке. Для загрузки доступна библиотека Transformers, веса представлены в формате Safetensors. Лицензия — Apache-2.0.

Jeevesh8/multiberts_seed_1_ft_0 — модель классификации текста на базе BERT и семейства MultiBERTs, опубликованная пользователем Jeevesh8 на Hugging Face. Она предназначена для отнесения входных текстов к заранее заданным классам и использования в прикладных конвейерах text-classification. Модель содержит около 136,7 млн параметров и поддерживает контекст до 512 токенов. В метаданных указаны Transformers, JAX и BERT; языковая поддержка и точный набор классов по доступным данным не установлены.

splynx/multilang-pii-ner-ONNX — ONNX-версия модели Multilingual PII NER, разработанной Arif Hizlan (Ar86Bat) и автоматически конвертированной для использования с Transformers.js. Модель основана на архитектуре XLM-RoBERTa Base и предназначена для распознавания сущностей методом NER с целью обнаружения и маскирования персональных данных в тексте. Модель поддерживает английский, немецкий, итальянский и французский языки и может использоваться в приложениях для обезличивания документов, защиты конфиденциальности и предварительной обработки текстов. Она обучена на наборе данных ai4privacy/open-pii-masking-500k-ai4privacy. В README указаны общая точность 99,24%, macro F1 0,954 и weighted F1 0,992; особенно высокие результаты показаны для адресов электронной почты и дат, тогда как для редких или неоднозначных типов данных, включая номера водительских удостоверений, гендер, номера паспортов, фамилии и пол, качество ниже. Модель не гарантирует идеальную полноту и точность для редких или неоднозначных категорий PII и может потребовать дополнительной тонкой настройки под конкретный домен. Формат ONNX и совместимость с Transformers.js удобны для интеграции в JavaScript-приложения. Модель распространяется по лицензии MIT.

mjwong/multilingual-e5-large-xnli-anli — многоязычная модель классификации текста, созданная дообучением intfloat/multilingual-e5-large на наборах XNLI и ANLI. Она основана на архитектуре XLM-RoBERTa-large, содержит 658,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель предназначена для классификации без заранее заданного набора классов: можно передать текст и собственные варианты меток, а также применять её для задач вывода по текстовым парам. Поддерживаются 15 языков: английский, арабский, болгарский, немецкий, греческий, испанский, французский, хинди, русский, суахили, тайский, турецкий, урду, вьетнамский и китайский. В README приведены результаты оценки на XNLI, MultiNLI и ANLI. Модель доступна в форматах PyTorch и Safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Качество зависит от выбранных формулировок меток и языка; результаты на тестах ANLI и XNLI различаются между языками и наборами.

MyAwesomeModel — модель на базе архитектуры BERT, опубликованная в экосистеме Hugging Face и предназначенная для извлечения признаков из текста. Она интегрируется с библиотекой Transformers и распространяется по лицензии MIT. Основной заявленный сценарий — преобразование текстовых данных в векторные представления для последующего семантического поиска, классификации, кластеризации и других задач машинного обучения. В README также заявлены возможности рассуждения, программирования, ответов на вопросы, суммаризации, диалога и function calling, однако метаданные модели указывают pipeline-задачу feature-extraction, поэтому эти дополнительные возможности не подтверждены как основной режим использования. Сильной стороной модели является совместимость с Transformers и PyTorch, а также использование распространённой архитектуры BERT для получения текстовых эмбеддингов. Размер модели, поддерживаемые естественные языки, длина контекста и сведения о разработчике в предоставленных данных не указаны.

MyAwesomeModel — модель на базе BERT, доступная через библиотеку Transformers и распространяемая по лицензии MIT. Согласно метаданным Hugging Face, её основное назначение — извлечение признаков из входных данных, то есть преобразование текста в векторные представления для последующего анализа машинного обучения. README также заявляет улучшения в рассуждениях, математике, программировании, классификации, суммаризации и диалогах, однако эти возможности не подтверждаются указанным pipeline-тегом feature-extraction и требуют отдельной проверки. Модель можно применять как компонент систем семантического поиска, кластеризации, классификации и сравнения текстов. В карточке указаны архитектурное семейство BERT, библиотеки Transformers и PyTorch, но размер модели, длина контекста, поддерживаемые языки и сведения о разработчике не приведены. README содержит рекомендации, ориентированные на генеративное использование, включая системный промпт и температуру, однако для модели с тегом feature-extraction их практическая применимость не подтверждена.

SAIRA NASEEM разработала модель классификации новостных статей на базе DistilBERT. Она относит текст к одной из четырёх категорий: мировые новости, спорт, бизнес или наука и технологии. Модель предназначена для автоматической разметки новостных материалов и построения тематических лент или архивов. Модель дообучена на наборе AG News и использует архитектуру DistilBertForSequenceClassification. Для входа она принимает текст; максимальная длина контекста — 512 токенов. В README указаны accuracy 91,25%, F1 91,23% и precision 91,44%. Лицензия в предоставленных данных не указана.

Accio-Lab/occamy-1.0-NVFP4 — это версия модели Occamy 1.0 со смешанными NVFP4-квантованными весами, разработанная Accio-Lab. Модель основана на Qwen3.6-35B-A3B и использует архитектуру mixture-of-experts (MoE). Она относится к мультимодальным моделям image-text-to-text и предназначена для работы с текстовыми и визуальными запросами. Квантованию подвергнуты маршрутизируемые эксперты: для их весов и активаций используются NVFP4. Механизмы внимания, маршрутизаторы, общие эксперты, эмбеддинги, выходная голова и vision-компоненты сохранены в формате BF16. Сохранены исходные токенизатор и chat template Occamy; отдельная MTP-голова в этот checkpoint не включена. Модель подходит для генерации текста и кода, структурированных ответов в JSON, tool calling и базового распознавания изображений. Проверки показали сопоставимое с BF16-версией поведение на небольшом наборе тестов для текста, кода, JSON, вызова инструментов и изображений. При этом заявленные проверки не являются общими бенчмарками и не подтверждают качество на широком спектре задач, аудио, видео, длинном контексте или производительность. Набор калибровки был ограниченным, а нативное выполнение NVFP4 требует совместимого оборудования и ядер; совместимость с vLLM проверялась через Marlin W4A16, а не через нативные FP4-вычисления. Валидация проводилась с контекстом 2048 токенов. Модель распространяется по лицензии Apache-2.0.

Swicked86/phi4-mm-gguf — набор GGUF-квантизаций мультимодальной модели Phi-4-multimodal-instruct, разработанной Microsoft. Модель содержит 5,6 млрд параметров и принимает текст, изображения и аудио; репозиторий подготовлен с помощью llama.cpp build b8347 для локального запуска на CPU и GPU. Модель предназначена для диалогов, ответов на вопросы по изображениям, визуального анализа, распознавания и объяснения содержимого графиков и документов, а также для обычных текстовых задач. Заявлен английский язык. Доступны варианты F16 размером 7,17 ГБ, Q8_0 размером 3,90 ГБ и Q4_K_M размером 2,37 ГБ. Для обработки изображений требуется отдельный файл vision encoder mmproj-phi4-mm-f16.gguf размером 825 МБ, совместимый со всеми текстовыми вариантами. В текстовом режиме README указывает поддержку контекста до 65 536 токенов, а в примерах мультимодального запуска используется контекст 8 192 токена. Q8_0 обеспечивает качество, близкое к F16, тогда как Q4_K_M требует меньше памяти и подходит для CPU или систем с ограниченной VRAM, но уступает по показателю perplexity. Ориентировочные требования VRAM при полной выгрузке на GPU составляют около 10 ГБ для F16, 5,4 ГБ для Q8_0 и 3,5 ГБ для Q4_K_M. Для работы с изображениями необходимо скачивать основной GGUF-файл вместе с mmproj; без него модель работает только с текстом. Мультимодальные оценки в README на момент публикации не завершены. Распространение заявлено по лицензии MIT, как и у исходной модели Microsoft.

PIC_7B_Mistral Full v0.2 — экспериментальная модель общего назначения, созданная TokenBender дообучением Mistral-7B-v0.1. Она предназначена для генерации текста, следования инструкциям, ролевых диалогов, помощи с кодом и вывода в JSON; автор также указывает на поддержку сценариев вызова функций. Рекомендуемый формат запросов — ChatML, также может работать Alpaca. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Заявленная длина контекста — 32 768 токенов. В обучении использовались наборы SlimOrca, no_robots, orca_dpo_pairs, glaive-function-calling-v2-zephyr и Evol-instruction-66k. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Это ранний этап проекта PIC: автор описывает его как эксперимент с набором возможностей, а качество программирования ещё предстоит оценить. Результаты отдельных базовых проверок на ролевое следование и JSON/вызов функций отмечены как успешные, но они не заменяют широкую оценку качества; сведения о поддерживаемых естественных языках в карточке не приведены.

pplx-pii-masking-MLX — это версия весов в формате MLX модели pplx-pii-masking, разработанной Perplexity AI для обнаружения и маскирования персональных и других чувствительных данных в разговорных данных. Модель предназначена для задач token classification и оценки чувствительности беседы, включая обработку текстов перед их сохранением, анализом или передачей в другие системы. В основе используется двунаправленный энкодер Qwen3 примерно на 600 млн параметров с backbone perplexity-ai/pplx-embed-v1-0.6b и лимитом контекста 4096 токенов. Модель поддерживает английский и мультиязычный ввод. Голова классификации токенов с 37 выходами использует BIOES-разметку для девяти категорий PII: имя человека, номер счёта, URL, дата, адрес, электронная почта, телефон, прочие персональные данные и секреты. Дополнительная голова оценивает чувствительность всей беседы. Линейные проекции backbone квантизованы до 8-битного affine-формата с размером группы 64; эмбеддинги и веса нормализации имеют формат bf16, а обе головы — fp32. Размер файла весов составляет около 779 МБ. К сильным сторонам относятся специализированное выделение PII, constrained Viterbi-декодирование BIOES-меток, отображение найденных фрагментов на символьные позиции и возможность запуска через MLX на Apple Silicon. Репозиторий содержит веса и конфигурацию, но не включает реализацию модели или загрузочный скрипт, поэтому для инференса потребуется совместимая реализация двунаправленного Qwen3-энкодера, квантизованных проекций и обеих голов. Документы длиннее 4096 токенов необходимо разбивать на части. Модель распространяется по лицензии MIT.

Карточка модели LIF1014/ptdbench-verl-coding-task-evaluator 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.

Карточка модели pcuenq/Qwen2.5-0.5B-Instruct-with-new-merges-serialization 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.

Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-MTP-GGUF — это квантованная версия Qwen3.8-27B, выпущенная HauhauCS в формате GGUF. Модель предназначена для генерации текста, рассуждений, агентских сценариев, а также анализа изображений и видео при использовании отдельного vision-проектора. Вариант Aggressive настроен на прямые ответы, минимальное вступление и отсутствие стандартного поведения отказа. Модель представляет собой плотную causal language model на 27 млрд параметров с vision encoder, 64 слоями, размером скрытого состояния 5120, размером FFN 17408 и словарём на 248 320 токенов. Архитектура включает 48 слоёв Gated DeltaNet и 16 слоёв gated attention. Поддерживаются языки English, Chinese и другие языки, заявленные как multilingual. Нативный контекст составляет 262 144 токена и может быть расширен до 1 000 000 токенов. Встроенный NextN/MTP сохранён, а FastMTP добавляет отдельный профиль ускорения для контекста 32K и заявленное ускорение генерации. Сильные стороны модели — широкий контекст, текстовые и мультимодальные возможности, несколько вариантов квантования с разным соотношением качества и размера, а также ускорение speculative decoding через MTP. Ограничения включают отсутствие защитного поведения и отказов в Aggressive-режиме, что может быть нежелательно для надёжных агентских и критически важных сценариев; для них автор рекомендует Balanced-вариант, если он доступен. Для обработки изображений и видео требуется отдельный BF16 vision projector. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-30B-A3B-Instruct-NVFP4 — мультимодальная модель для генерации текста по текстовым и визуальным входным данным, опубликованная пользователем или организацией ig1. Она основана на Qwen/Qwen3-VL-30B-A3B-Instruct и предназначена для сценариев, где требуется анализ изображений совместно с обработкой естественного языка; README также упоминает поддержку изображений и видео, однако конкретные языки и полный набор мультимодальных возможностей не указаны. Модель использует архитектуру Qwen3-VL с mixture-of-experts; обозначение 30B-A3B указывает на 30 млрд параметров в общей модели и около 3 млрд активных параметров на токен. Она подвергнута NVFP4-квантизации с использованием llm-compressor и предназначена для запуска через vLLM с поддержкой OpenAI-совместимого сервера, автоматического выбора инструментов и parser hermes. Для видеокарт RTX 5090 README рекомендует ограничивать контекст примерно 56K токенами, использовать не более трёх изображений и отключать видео из-за ограничений памяти; точный максимальный контекст модели не указан. К сильным сторонам относятся сниженные требования к памяти благодаря NVFP4-квантизации и возможность быстрого инференса на совместимом оборудовании. Ограничения включают возможную потерю качества из-за квантизации, зависимость от совместимой версии vLLM и необходимость уменьшать контекст или число мультимодальных входов на видеокартах с ограниченной памятью. Модель распространяется по лицензии Apache-2.0.

RedHatAI/Qwen3-VL-32B-Instruct-NVFP4 — квантизированная мультимодальная instruction-модель, разработанная Red Hat на основе Qwen/Qwen3-VL-32B-Instruct. Она принимает текст и изображения, а генерирует текст, поэтому предназначена для визуально-языковых сценариев: анализа и описания изображений, ответов на вопросы по визуальному содержимому, работы с диаграммами и общего текстового общения. Модель можно развернуть через vLLM и использовать через OpenAI-совместимый API. Архитектура модели — Qwen3VLForConditionalGeneration, размер базовой модели — 32B параметров. Для весов и активаций применяется NVFP4-квантизация с групповой квантизацией весов и динамической групповой квантизацией активаций; визуальные компоненты и некоторые отдельные слои не квантизируются. По данным README, это сокращает размер на диске и требования к GPU-памяти примерно на 75% по сравнению с представлением с 16 битами на параметр, что является главным преимуществом версии. При этом README не содержит сведений о поддерживаемых языках, точном контекстном окне и количественных результатах оценки, хотя модель проверялась на задачах ChartQA и MMLU. Лицензия — Apache-2.0. Для запуска в примере рекомендуется vLLM с tensor parallelism на двух GPU; фактические требования зависят от конфигурации оборудования и используемого программного окружения. Квантизация может снижать точность по сравнению с исходной моделью, однако конкретные потери качества в README не указаны.

Qwen3-VL-8B-NSFW-Caption-V4.5 — мультимодальная модель для подробного описания изображений, созданная на базе Qwen/Qwen3-VL-8B-Instruct с помощью дообучения LoRA. Разработчик в README называет модель thesby, тогда как идентификатор репозитория указывает monkeyslikebananas. Модель генерирует развернутые описания сцен, отмечая объекты, обстановку, эмоции, материалы и освещение. Она рассчитана на автоматическую разметку и каталогизацию изображений, помощь в доступности и анализ SFW- и NSFW-контента; также заявлена поддержка описания коротких видео. В основе — плотная архитектура Qwen3-VL с 8 млрд параметров; модель принимает визуальный ввод и формирует текст. Карточка указывает поддержку китайского и английского языков. README заявляет высокое качество и длинные описания, однако эти оценки не сопровождаются независимыми результатами тестирования. Возможны галлюцинации, предвзятость и ошибки при классификации пограничного SFW/NSFW-контента; для важных решений требуется проверка человеком. Лицензия — Apache-2.0.

ReadAll / ReadTwice 14B RL step15 — полноразмерная модель на 14 млрд параметров, разработанная Xirui1208 и экспортированная после 15-го внешнего шага обучения с подкреплением; в сохранённой истории обучения указано 59 обновлений оптимизатора. Это дообучение ReadAll/ReadTwice 14B на основе Qwen2.5-14B-Instruct, с архитектурой Qwen2 для авторегрессионной генерации текста и весами BF16 в формате safetensors. Модель предназначена для диалоговой работы с длинными документами: она формирует краткое внутреннее представление страниц через повторное чтение фрагментов, а затем отвечает на вопросы, используя накопленную память. В описанной оценке на HotpotQA вопросы обрабатывались внешним циклом ReadTwice с повторным просмотром исходных фрагментов; при длине входа 56K, 112K и 224K токенов точность Exact Match составила соответственно 62,5%, 60,9% и 55,5%.

SLIM-SUMMARY-TINY — компактная специализированная языковая модель компании llmware для суммаризации текстов. Это дообученная модель на архитектуре Llama с 1,1 млрд параметров; в репозитории представлены веса PyTorch. На вход подаётся текстовый фрагмент, а на выходе модель формирует список отдельных ключевых тезисов в виде строк. Число тезисов можно задавать параметром, хотя управление длиной списка описано как экспериментальная возможность. Модель предназначена для извлечения ключевых пунктов из текстов, в том числе для вызова функции суммаризации в LLMWare. Компактный размер позволяет запускать её на CPU. Контекст составляет 2048 токенов, поэтому при суммаризации следует учитывать ограничения на размер входного текста. Лицензия — Apache 2.0. README отмечает, что кавычки в ответе могут мешать автоматическому преобразованию вывода в список Python; для этого может потребоваться обработка результата. Метаданные указывают задачу генерации текста.

mradermacher/turbo-ai-7b-i1-GGUF — набор квантованных версий текстовой модели TurboAiLabs/turbo-ai-7b, подготовленный пользователем mradermacher. Модель предназначена для генерации текста и диалогового использования, включая работу с электронной почтой, суммирование, подготовку черновиков и извлечение задач. В метаданных также указана пригодность для локального и периферийного развёртывания, что может быть полезно для сценариев с повышенными требованиями к приватности. Исходная модель имеет размер 7B параметров, относится к архитектуре Qwen2 и поддерживает английский язык. Репозиторий содержит файлы в формате GGUF с различными вариантами квантования от i1-IQ1_S до i1-Q6_K; их размер составляет примерно от 2,0 до 6,4 ГБ. Более компактные варианты требуют меньше памяти, но могут обеспечивать более низкое качество, тогда как i1-Q4_K_M отмечен как быстрый и рекомендуемый, а i1-Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Контекстный размер, мультимодальность и точные характеристики исходной модели в README не указаны. Распространение выполняется по лицензии Apache-2.0. Для запуска квантованных файлов требуется совместимое программное обеспечение, поддерживающее формат GGUF; конкретные требования к оборудованию и производительности не приведены.

Модель phuhuyqhqb/vietnamese-embedding-finetuned разработана на основе contextboxai/halong_embedding и дообучена на наборе vietnamese-embedding-dataset. Это Sentence Transformer на архитектуре XLM-RoBERTa с примерно 305,2 млн параметров. Модель кодирует предложения и абзацы на вьетнамском языке в нормализованные плотные векторы размерностью 768; сходство текстов оценивается косинусной близостью. Максимальная длина входа — 514 токенов по метаданным (в README указано ограничение 512 токенов). Модель предназначена для семантического поиска, извлечения релевантных текстов и сопоставления предложений, в том числе как компонент RAG. README приводит результаты оценки информационного поиска на vi-val, включая accuracy@10 0,9263 при полной размерности вектора; результаты относятся к указанному набору оценки и не гарантируют такое же качество на других данных. Это текстовая модель эмбеддингов: она принимает текст и выдаёт векторы, а не готовые ответы. В предоставленных README и метаданных лицензия не указана.

VLAA-Thinker-Qwen2.5VL-3B — исследовательская визуально-языковая модель UCSC-VLAA для ответов на вопросы по изображениям с пошаговыми рассуждениями. Она основана на архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и принимает изображения вместе с текстом; для генерации ответов используется контекст до 128 000 токенов. Модель обучали с применением supervised fine-tuning и reinforcement learning на данных VLAA-Thinking, охватывающих визуальную математику, графики, научные иллюстрации и документы. Модель предназначена для мультимодальных задач рассуждения: решения задач по диаграммам и изображениям, визуальных вопросов и извлечения ответов из документов. В карточке сообщается о высоких результатах семейства VLAA-Thinker на OpenCompass Multimodal Reasoning Leaderboard по состоянию на 7 апреля 2025 года. Репозиторий использует Transformers и формат safetensors; указана лицензия Apache-2.0. Для инференса README требует включать обученный системный промпт.

vumichien/wav2vec2-large-xlsr-japanese — модель распознавания японской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на данных Common Voice и корпуса JSUT лаборатории Saruwatari Токийского университета. Это акустическая модель Wav2Vec2 с архитектурой Wav2Vec2ForCTC и 405,4 млн параметров; принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст на японском языке. Модель предназначена для автоматической расшифровки японской речи. В карточке приведены результаты на японской тестовой выборке Common Voice: WER 30,84% и CER 17,85%. Лицензия — Apache-2.0.

Карточка модели avsolatorio/00-000-11-1-0-1-0-0-mean-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240128084618-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

textattack/bert-base-uncased-QQP — модель классификации текстовых пар от TextAttack, дообученная на задаче QQP (Quora Question Pairs). Она определяет, являются ли два вопроса перефразами и имеют ли сходный смысл; результат — один из двух классов: похожие или непохожие вопросы. Репозиторий Hugging Face указывает архитектуру BERT для классификации последовательностей, около 136,7 млн параметров и контекст до 512 токенов. Модель предназначена для выявления дублирующих вопросов, группировки похожих запросов и экспериментов с классификацией пар предложений. Она принимает текстовые пары и выдаёт метку класса; по указанной uncased-версии BERT рассчитана на английский текст. Карточка модели не содержит описания лицензии, поэтому условия использования по доступным сведениям определить нельзя.

Это модель SentenceTransformer на базе BERT, разработанная путём дообучения dbmdz/bert-base-turkish-uncased для получения векторных представлений турецких предложений и абзацев. Она кодирует текст в плотные эмбеддинги размерности 768; модель использует BERT с усреднением токенных представлений и сравнение по косинусному сходству. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В README приведены результаты оценки бинарной классификации, но они не гарантируют аналогичного качества на других данных. Модель ориентирована на турецкий язык; для работы с эмбеддингами подходит библиотека Sentence Transformers. Веса доступны в формате safetensors. Лицензия в предоставленных сведениях не указана.