I.3Извлечение и структурирование данных

GLM-5.3-Flash — EXL3 4.65bpw — это квантизированная версия модели GLM-5.3-Flash-BF16, разработанной Z.ai. Квантизация выполнена в формате EXL3 с использованием инструментария exllamav3; модель предназначена для запуска через ExLlamaV3 версии 1.4.5 или новее. В сборку включены vision tower и компонент MTP для ускорения генерации. Модель рассчитана на задачи обработки и генерации текста, а также на мультимодальные сценарии с изображениями. В карточке заявлены английский и китайский языки, а максимальный контекст составляет 262 144 токена. Размер модели на диске — около 189,6 ГБ, эффективная разрядность — 4,67 bpw; для загрузки требуется примерно 210 ГиБ VRAM плюс значительный объём памяти под кеш. Конфигурация содержит 45 декодерных слоёв и 35 файлов-шардов. К сильным сторонам относятся существенное снижение требований к памяти по сравнению с исходной BF16-версией, включённая поддержка MTP и vision tower, а также высокая скорость обработки длинных контекстов на многокарточной конфигурации. Ограничения — очень высокие аппаратные требования, необходимость совместимого рантайма ExLlamaV3 и корректной настройки распределения GPU; приведённые показатели производительности относятся к конкретной конфигурации из четырёх ускорителей CMP 170HX. Модель и её квантизированная версия распространяются по лицензии MIT.

Huihui-Qwen3.8-27B-Abliterated-INT4-W4A16-AutoRound — производная мультимодальная модель, опубликованная LeTechLead на основе Huihui-Qwen3.8-27B-abliterated и Qwen3.8-27B от Qwen. Она предназначена для генерации и понимания текста, а также обработки изображений и видео в сценариях, поддерживаемых архитектурой Qwen3.5 и установленными библиотеками Transformers или vLLM. Модель сохраняет аблированное поведение исходной версии и может использоваться для исследований, оценки и контролируемых приложений. Архитектура указана как Qwen3_5ForConditionalGeneration; текстовая часть содержит 64 слоя, скрытое представление размером 5120, словарь из 248 320 токенов и максимальный контекст до 262 144 позиций. В конфигурации предусмотрены 48 слоёв с linear attention и 16 слоёв с полной attention, MTP-путь и vision tower. Языки явно не указаны. Языковая часть и MTP-путь квантизованы методом AutoRound до INT4 в формате W4A16 с размером группы 128, тогда как vision tower сохраняет BF16. Индексированные веса представляют около 6,28 млрд параметров, размер репозитория — около 19,02 ГБ. Ключевые преимущества модели — мультимодальность, длинный контекст и снижение требований к памяти благодаря 4-битной квантизации. Ограничения включают зависимость от совместимых версий Transformers или vLLM, требований доступного оборудования и возможное ухудшение характеристик из-за квантизации. Модель может генерировать чувствительный, спорный или небезопасный контент, поэтому результаты требуют проверки. Указана лицензия Apache-2.0; пользователи несут ответственность за соблюдение законодательства, правил платформ и организационных политик.

rahmanfadhil/indobert-finetuned-indonli — модель эмбеддингов предложений на базе IndoBERT от indobenchmark, дообученная автором на наборе IndoNLI с функцией потерь MultipleNegativesRankingLoss. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска по смыслу и кластеризации индонезийских текстов. Архитектура — BERT, число параметров — 151,6 млн, формат весов — PyTorch, максимальная длина контекста — 512 токенов. Лицензия в предоставленных данных не указана.

Jais Family — семейство двуязычных языковых моделей, разработанное Inception и Cerebras Systems. Репозиторий inception42/jais-family-256m содержит текстовую авторегрессионную модель семейства JAIS для генерации текста; в метаданных указана архитектура JAISLMHeadModel, плотная архитектура и контекст до 2048 токенов. README описывает семейство, обученное с нуля или адаптивно на основе Llama 2, однако не уточняет размер 256M и вариант происхождения именно этой модели. Модель ориентирована на арабский язык (современный литературный арабский) и английский. Её можно применять для генерации текста, диалогов, суммаризации двуязычных документов и языковых задач NLP. Веса доступны в формате safetensors, лицензия — Apache 2.0. Модель может выдавать ошибочные, вводящие в заблуждение или предвзятые ответы; результаты требуют проверки. Она не предназначена для высокорисковых решений без человеческого контроля и может работать хуже на других языках и диалектах. Для загрузки README указывает на необходимость включить trust_remote_code=True.

Jupyter Agent Qwen3-4B Instruct — дообученная командой Jupyter Agent языковая модель на архитектуре Qwen3 для агентного анализа данных в среде Jupyter. Модель имеет 3,7 млрд параметров, принимает текстовые инструкции и генерирует текст и код Python; заявленный контекст — до 262 144 токенов. В README указано ограничение в 32K токенов, поэтому фактический рабочий контекст может быть меньше значения из метаданных. Модель предназначена для выполнения кода Python через инструменты, анализа таблиц и наборов данных, статистических расчётов, визуализации и подготовки объяснений с промежуточными вычислениями. В карточке сообщается, что на лёгких задачах DABStep модель набрала 70,8% против 44,0% у базовой модели; результаты не гарантируют точность на других данных и задачах. Модель оптимизирована для английского языка, Python и сценариев анализа данных в стиле Kaggle. Для вызова инструментов ей нужна подходящая обвязка, а выполнение сгенерированного кода следует проводить в изолированной среде и проверять результаты. Лицензия — Apache 2.0.

danfeg/LaBSE_Finetuned-FR-1000 — дообученная модель Sentence-Transformers на основе LaBSE для получения плотных векторных представлений предложений и абзацев. Она рассчитана на задачи семантического поиска, сравнения сходства предложений и кластеризации текстов. Обучение использовало CosineSimilarityLoss. Модель построена на архитектуре BERT, содержит около 498,1 млн параметров, формирует эмбеддинги размерности 768 и принимает последовательности длиной до 512 токенов. Репозиторий предоставляет веса PyTorch и Safetensors. Суффикс FR-1000 указывает на французскую специализацию, однако доступные сведения не раскрывают состав обучающих данных или конкретные языковые ограничения. Лицензия в предоставленных данных не указана.

felixtran/layoutlmv3-rvl-cdip-small — модель классификации документов на основе LayoutLMv3, дообученная автором репозитория на microsoft/layoutlmv3-base. Она принимает текст документа и его пространственную разметку, а также изображение страницы, чтобы относить документ к категории; архитектура содержит около 151,8 млн параметров и имеет контекст до 514 токенов. Карточка не раскрывает набор категорий и подробности обучения или оценки. Модель подходит для классификации документов по содержимому и макету, например, в системах автоматической сортировки и маршрутизации документов. Доступна в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространения производных работ на тех же условиях с ограничением на коммерческое использование.

Multilingual Anonymiser OpenPII — модель Ai4Privacy для обнаружения, классификации и редактирования персональных данных в тексте. Это дообученная на наборе open-pii-masking-500k-ai4privacy модель ModernBERT-base с архитектурой ModernBertForTokenClassification и 149 млн параметров. Репозиторий содержит веса Safetensors и формат ONNX; максимальная длина контекста — 8192 токена. Модель размечает фрагменты текста категориями PII, например именами и фамилиями, адресами электронной почты, датами и временем, чтобы их можно было скрыть или заменить. Она предназначена для анонимизации и категоризации PII в многоязычных документах. Карточка приводит результаты оценки на тестовой части обучающего набора: F1 составляет 91,50% в целом и 84,91% при макроусреднении; качество в реальных текстах может отличаться. Заявлена поддержка французского, английского, немецкого, телугу, хинди, итальянского, испанского и нидерландского языков. В карточке отмечены более низкая точность для некоторых категорий, включая номера паспортов и водительских удостоверений, и необходимость проверять качество на собственных данных. Модель распространяется по лицензии MIT.

LLaVE-2B — мультимодальная модель эмбеддингов, основанная на Aquila-VL-2B и дообученная на 662 тысячах пар данных. Она предназначена для получения представлений текста, изображений, нескольких изображений и видео, в том числе для поиска по сходству между текстом и визуальным содержимым. В карточке Hugging Face указаны архитектура Qwen2, 1,5 млрд параметров и контекст до 32 768 токенов; README сообщает окно контекста 4K токенов, поэтому эти сведения расходятся. Модель подходит для мультимодального поиска и извлечения видео по текстовым запросам; авторы сообщают о сильных результатах на MMEB и переносе на задачи поиска по видео без специального обучения. Доступны веса в формате safetensors и лицензия Apache-2.0. Метаданные также отмечают чат и интерфейс вызова инструментов, но основное назначение по README — эмбеддинги.

llm-jp-3-13b-instruct — инструкция-настроенная языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии; разработка частично поддержана GENIAC. Это плотная Transformer-модель семейства Llama с архитектурой LlamaForCausalLM, примерно 13,2 млрд параметров и контекстом 4096 токенов. Модель обучалась на смеси данных, включающей японские источники, а затем дообучалась на наборах инструкций, в том числе вручную составленных японских инструкциях. Модель предназначена для диалогов и выполнения инструкций: она может отвечать на вопросы, помогать с письмом, рассуждениями, извлечением информации и задачами на японском языке. В README приведена оценка Japanese MT Bench для версии 13B instruct; это ориентир по набору тестов, а не гарантия качества в конкретном применении. Метаданные также указывают английский и японский языки. Разработчики предупреждают, что модель находится на раннем этапе исследований и разработок и не настроена для надёжного соответствия намерениям человека и требованиям безопасности. Для распространения указана лицензия Apache-2.0.

Карточка модели vllm-sr/lora_pii_detector_bert-base-uncased_model на Hugging Face совпадает с карточкой llm-semantic-router/lora_pii_detector_bert-base-uncased_model, поэтому описание составлено по ней. Это LoRA-адаптер для обнаружения персональных данных в тексте, созданный в рамках проекта semantic-router на базе BERT base uncased и настроенный для работы с библиотекой Candle на Rust. Модель выполняет токенную классификацию, чтобы находить и размечать фрагменты текста с персональными данными; метаданные также указывают поддержку классификации текста. Архитектура — BertForTokenClassification, адаптер обучен с рангом 16 и alpha 32. Размер базовой модели составляет 136,7 млн параметров, контекст — до 512 токенов; поддерживаемый язык — английский. Для использования нужны базовая модель и совместимый рантайм. Лицензия — Apache-2.0.

winglian/Meta-Llama-3-8B-1M — слитая модель на базе Llama 3 8B, созданная объединением исходной модели с LoRA-адаптером от инструкционной модели Gradient AI с контекстом 1M токенов. Это плотная авторегрессионная языковая модель класса LlamaForCausalLM с 7,5 млрд параметров, предназначенная для генерации текста и работы с длинным контекстом. Репозиторий содержит веса в формате safetensors. Модель подходит для генерации продолжений и ответов на запросы с большим объёмом текста в контексте. README не сообщает сведения о поддерживаемых языках или конкретных оценках качества. Лицензия в предоставленных данных не указана.

Mihaiii/Metis-0.5 — дообученная модель Mistral с 7,1 млрд параметров, созданная на основе migtissera/Tess-XS-v1-3-yarn-128K. Модель предназначена для генерации ответов с упором на рассуждения и понимание текста; автор отмечает, что она хорошо работает с длинными системными инструкциями. Для взаимодействия используется формат с ролями SYSTEM, USER и ASSISTANT. Нативная длина контекста — 32 768 токенов. Модель подходит для анализа текста и решения задач на рассуждение, но автор не рекомендует использовать её для универсального сочинительства, например для написания историй. Она обучена на закрытом датасете. Лицензия — Apache-2.0.

MiniCPM-o-2_6-GGUF — квантованная в формате GGUF версия мультимодальной модели MiniCPM-o-2_6, разработанной командой OpenBMB. Квантизацию выполнил bartowski на основе llama.cpp версии b4585. Модель предназначена для мультимодального взаимодействия, включая анализ изображений, оптическое распознавание текста, работу с несколькими изображениями и видео, а также задачи, связанные с речью и аудио: распознавание речи, синтез речи, клонирование голоса и потоковые голосовые диалоги в реальном времени. Модель поддерживает изображения с произвольным соотношением сторон объёмом до 1,8 млн пикселей, например 1344×1344. Она заявлена как end-to-end omni-модальная и мультиязычная; README также указывает поддержку vision, audio и speech, но не перечисляет конкретные языки, размер модели, точную архитектуру или максимальную длину текстового контекста. Формат GGUF и совместимость с llama.cpp делают модель ориентированной на локальный запуск, включая сценарии на мобильных устройствах, однако требования к памяти и производительность зависят от варианта квантизации и оборудования. Сильными сторонами являются сочетание обработки изображений, видео, аудио и речи, поддержка потокового мультимодального взаимодействия и работа с изображениями высокого разрешения. Возможные ограничения — зависимость качества и скорости от квантизации и локальной инфраструктуры, а также риск неточных или неподходящих ответов, характерный для мультимодальных моделей. В README не указана лицензия модели, поэтому условия её использования следует уточнять в документации оригинальной модели MiniCPM-o-2_6 и соответствующего GGUF-файла.

MoganBERT-Embed — модель эмбеддингов MoganAI на базе турецкого энкодера MoganBERT-TR. Она содержит около 149 млн параметров и использует архитектуру ModernBERT. Модель преобразует текст в векторы размерности 768 с помощью среднего pooling и L2-нормализации; инструкции к задаче или префиксы не требуются. Контекст по метаданным — до 8192 токенов; в описанной оценке MTEB использовалось не более 2048 токенов. Модель предназначена для семантического поиска, кластеризации, классификации текстов и оценки семантического сходства предложений. Она обучалась с дистилляцией от Qwen3-Embedding-8B и контрастивным дообучением на сигналах поиска, NLI, STS, классификации, вопросах и ответах, а также параллельных текстах. По README, поиск — относительно слабая сторона модели; для сценариев, где он является основным приоритетом, авторы указывают на Mogan-ColBERT-TR. Модель распространяется по лицензии Apache-2.0.

MyAwesomeModel — модель из репозитория SDASD12SAD/MyAwesomeModel-TestRepo. По метаданным Hugging Face она предназначена для извлечения признаков и относится к архитектурному семейству BERT; модель реализуется с использованием PyTorch и библиотеки Transformers. Лицензия — MIT. README также описывает улучшения рассуждений, понимания текста, генерации кода, ответов на вопросы, классификации, анализа тональности, суммаризации, перевода и function calling, однако эти заявления не согласуются с основным pipeline-тегом feature-extraction и не сопровождаются достаточными сведениями о конкретной архитектуре, размере или методике обучения. Поэтому наиболее надёжный сценарий применения по доступным метаданным — получение векторных представлений текста для последующей классификации, поиска или других задач машинного обучения.

MyAwesomeModel — модель из репозитория tool02/MyAwesomeModel-TestRepo, опубликованная для использования с библиотекой Transformers. Метаданные Hugging Face классифицируют её как BERT-модель для извлечения признаков и указывают реализацию на PyTorch. Лицензия — MIT. Модель предназначена прежде всего для получения векторных представлений текста, которые можно использовать в поиске по смыслу, классификации, кластеризации и других downstream-задачах обработки естественного языка. README также заявляет о возможностях рассуждения, генерации кода, ответов на вопросы, суммаризации, диалогов и function calling, однако эти характеристики не согласуются с pipeline-тегом feature-extraction и не сопровождаются техническими сведениями о конфигурации модели. Сильной стороной является совместимость с экосистемой Transformers и BERT-архитектурой, что упрощает интеграцию в существующие ML-пайплайны. Размер модели, поддерживаемые естественные языки и длина контекста в доступных данных не указаны.

blackmlengineer/occucoder-en-demi-v0 — текстовая Sentence Transformer-модель на архитектуре BERT, разработанная автором репозитория и обученная на наборе данных train. Она преобразует предложения и абзацы в плотные векторы размерности 64; сходство между ними оценивается косинусной мерой. Модель предназначена для поиска и сопоставления текстов по смыслу. Модель принимает текст, использует среднее pooling-представление и поддерживает последовательности длиной до 32 токенов. В README приведены примеры коротких англоязычных названий профессий и описана обучающая выборка из 991 580 примеров с anchor, positive и negative. Метаданные указывают Sentence Transformers, BERT и 681 тыс. параметров. Подходит для семантического поиска и извлечения признаков из коротких текстов. Очень короткое контекстное окно ограничивает работу с длинными фразами и документами; сведения о лицензии в предоставленных источниках отсутствуют.

ODSBahia-PTBR — модель классификации текстов, разработанная в рамках академического исследования в Федеральном университете Южной Баии, Бразилия. Она присваивает текстам категории, связанные с 17 Целями устойчивого развития ООН, а также с тремя дополнительными целями: расовое равенство, искусство, культура и коммуникация, права коренных народов и традиционных сообществ. Модель построена на BERT и дообучена на базе neuralmind/bert-base-portuguese-cased на специально собранных для этой задачи данных. Она рассчитана на португальский язык, имеет контекст до 512 токенов и доступна в формате safetensors; лицензия — MIT. В README приведены метрики на наборе OSDG-CD: accuracy 0,98, precision 0,89, recall 0,70 и F1 0,79.

OLMo-2-1124-7B-DPO-Preview — диалоговая языковая модель Allen Institute for AI (AI2), основанная на плотной архитектуре OLMo 2 и содержащая 6,9 млрд параметров. Она дообучена методом DPO на варианте набора Tülu 3 после supervised fine-tuning; базовая модель в метаданных указана как allenai/OLMo-2-1124-7B-SFT. Модель принимает текст и генерирует текст, поддерживает диалоговый шаблон и контекст до 4096 токенов. Модель предназначена для диалога, выполнения инструкций, ответов на вопросы и решения разнообразных задач, включая математические задачи и следование формату. В первую очередь она рассчитана на английский язык. Веса доступны в формате PyTorch и распространяются по лицензии Apache 2.0. Карточка предупреждает, что обучение безопасности ограничено: без дополнительной фильтрации модель может выдавать проблемные ответы, особенно при соответствующих запросах. Перед использованием в пользовательских сценариях следует самостоятельно оценить качество и организовать необходимые меры контроля.

mlx-community/openai-privacy-filter-6bit — 6-битная версия модели OpenAI Privacy Filter, подготовленная сообществом mlx-community из openai/privacy-filter в формате MLX. Это двунаправленный разреженный MoE-классификатор токенов, который находит и размечает BIOES-фрагментами персональные данные восьми категорий: имена людей, адреса электронной почты, телефоны, URL, адреса, даты, номера счетов и секреты. Версия содержит 145,4 млн параметров по метаданным; базовая карточка описывает исходную модель как модель на 1,5 млрд параметров с 50 млн активных параметров. Модель предназначена для локальной фильтрации и маскирования чувствительных данных в тексте. Указанная лицензия — Apache-2.0. Модель принимает текст и выдаёт метки фрагментов, пригодные для последующей замены или удаления обнаруженных данных. Доступны веса safetensors для MLX; README указывает преобразование из openai/privacy-filter, тогда как метаданные отмечают связь с базовой моделью как finetune. Заявленная длина контекста — 131072 токена. Языки в предоставленных сведениях не перечислены.

Это набор GGUF-квантизаций модели Ornith-1.5-9B, разработанной ornith-ai и подготовленной пользователем mistrjirka с использованием форматов PXA/PXQ. Модель имеет около 9 млрд плотных параметров, архитектуру qwen35 и нативный контекст до 262 144 токенов. Она предназначена для генерации и анализа текста, а исходная модель также поддерживает обработку изображений при наличии совместимого мультимодального проектора, который в этом репозитории не поставляется. Доступны варианты с разной степенью сжатия: от PXQ2 и PXQ3 до рекомендованного PXQ4, повышающего качество PXQ4-HQ и ориентированного на качество PXQ6. Чем выше уровень, тем больше размер файла и потенциально выше точность, тогда как PXQ2 и PXQ3 рассчитаны на ограниченные ресурсы и сильнее жертвуют качеством. Преимуществами являются большой контекст и выбор компромисса между размером, качеством и скоростью декодирования. Ограничение заключается в использовании нестандартных PXQ-типов тензоров: обычные сборки llama.cpp без их поддержки, как правило, не загрузят файлы. Требуется PXA или специальная ветка mistrjirka/llama.cpp; оптимизация в первую очередь ориентирована на GPU NVIDIA Pascal и Volta, а поддержка более новых архитектур может использовать общие, менее специализированные пути. Указана лицензия MIT.

PaliGemma 2 28B PT 896 — базовая мультимодальная модель Google для обработки изображений и текста. Она объединяет визуальную модель SigLIP с языковой моделью Gemma 2 и принимает изображения размером до 896 × 896 пикселей вместе с текстом; на выходе генерирует текст. Модель доступна в формате bfloat16 для дообучения, а последовательности входного и выходного текста рассчитаны на 512 токенов. Модель предназначена прежде всего для дообучения под задачи компьютерного зрения и языка: создания подписей к изображениям и коротким видео, ответов на вопросы по изображению, чтения текста, обнаружения и сегментации объектов. Среди возможных специализированных сценариев — анализ спутниковых снимков, описание элементов интерфейса и помощь людям с нарушениями зрения. Для разметки рамками и масками требуется соответствующая настройка задачи. PaliGemma 2 разработана Google и основана на открытых компонентах; поддерживает несколько языков, но карточка не перечисляет их коды. Это модель для одного раунда взаимодействия, а не многоходовый чат-бот. Она может ошибаться в фактах и сложных рассуждениях, хуже справляться с расплывчатыми запросами, а качество без дообучения на конкретную задачу может быть ниже, чем у специализированных моделей. Использование регулируется условиями Gemma и политикой запрещённого использования Gemma.

Это модель SentenceTransformer на архитектуре BERT, дообученная Yahya Abd на наборе statictable-pair-class от sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для сравнения семантического сходства, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Особенно подходит для сопоставления запросов с названиями и описаниями статистических таблиц; в README приведены примеры на индонезийском языке и метрики поиска на наборе bps-statictable-ir. Модель принимает текст и возвращает эмбеддинги; для сравнения в README указана косинусная близость. Базовая модель поддерживает множество языков, а модель имеет ограничение контекста 512 токенов по метаданным; README указывает максимальную длину последовательности 128 токенов. Размер — 124,3 млн параметров. Распространяется в формате safetensors; сведения о лицензии в доступных данных отсутствуют.

piccolo-large-zh — китайская модель текстовых эмбеддингов, разработанная группой General Model Group компании SenseTime Research. Это плотная BERT-модель на 424,3 млн параметров, обученная по двухэтапной схеме: на парах китайских текстов со слабой разметкой, затем на вручную размеченных парах с трудными отрицательными примерами. Модель формирует векторы размерности 1024 и поддерживает последовательности до 512 токенов. Модель предназначена для поиска и сопоставления китайских текстов: семантического поиска, извлечения документов по запросу, оценки сходства, кластеризации и классификации. В C-MTEB авторы приводят среднюю оценку 64,11 по 35 наборам задач. В README описано применение через пакет sentence-transformers. Модель работает с текстом на китайском языке и выдаёт эмбеддинги. Контекст ограничен 512 токенами; в рекомендациях по дообучению максимальная длина запроса составляет 64 токена. Лицензия в предоставленных данных не указана.

PolDense-1B — польская плотная embedding-модель для семантического поиска и извлечения релевантных текстов, разработанная как часть семейства PolDense. Она основана на энкодерах ettin-encoders с архитектурой ModernBERT и содержит 1 млрд параметров. Модель выдаёт векторные представления текстов и предназначена для польского поиска, retrieval и систем RAG. PolDense-1B обучали в три этапа: адаптировали английские энкодеры к польскому языку с помощью дистилляции знаний на параллельных польско-английских текстах, затем улучшали соответствие учителю на польских текстах и дообучали для retrieval на запросах и пассажах. В README сообщается о сравнении семейства на польском бенчмарке PIRB из 41 задачи; вариант 1B показал результаты выше сопоставлявшихся крупных моделей. Для retrieval к запросам добавляют префикс «[query]: », а для симметричного сравнения текстов — «[sts]: ». Модель принимает текст и выдаёт эмбеддинги; её контекст составляет 7 999 токенов. Репозиторий содержит веса в формате safetensors. Указана лицензия Gemma; применимые условия следует сверять с лицензией базовой модели и условиями распространения репозитория.

radlab/polish-sts-v2 — модель Sentence Transformers от Radlab для получения векторных представлений польских предложений и абзацев. Она кодирует текст в плотные векторы размерности 1024 на основе архитектуры RoBERTa; модель построена на базе sdadas/polish-roberta-large-v2 и обучена с функцией потерь CosineSimilarityLoss на датасете radlab/polish-sts-dataset. Модель подходит для семантического поиска и кластеризации текстов. Для использования в Transformers требуется применить корректную операцию pooling к контекстным представлениям токенов. Карточка помечает модель как устаревшую и указывает, что её заменяет radlab/polish-bi-encoder-mean. Лицензия — CC BY-SA 4.0.

chatpig/qwen2.5-vl-7b-it-gguf — модель в формате GGUF, основанная на Qwen/Qwen2.5-VL-7B-Instruct, разработанной командой Qwen. Она предназначена для генерации текста и преобразования изображений и текста в текст, а также может использоваться как текстовый энкодер. Модель ориентирована на мультимодальные сценарии, включая работу с текстовыми и визуальными входными данными, и совместима с ComfyUI-GGUF и gguf-node. В README также указана поддержка моделей и рабочих процессов, использующих qwen-image-gguf. Размер базовой модели составляет 7B параметров; сведения о поддерживаемых языках, длине контекста, конкретной архитектуре, требованиях к ресурсам, ограничениях качества и рекомендуемых сценариях применения не приведены. Модель распространяется по лицензии Apache-2.0.

natfii/Qwen3.6-27B-VLM-Cascade — мультимодальная модель рассуждений и работы с изображениями, созданная natfii на основе Qwen/Qwen3.6-27B. Модель дообучена по каскадному рецепту: SFT для запуска рассуждений, затем последовательное обучение с подкреплением по проверяемым результатам и on-policy дистилляция. Это полноточный контрольный вариант BF16 на 27 млрд параметров с гибридной архитектурой: 16 слоёв полного внимания и 48 слоёв линейного внимания; визуальный модуль сохранён и заморожен при дообучении. Модель предназначена для локальных сценариев с визуальными вопросами и ответами, сложными рассуждениями и агентным использованием инструментов. Режим пошагового рассуждения включается отдельно; по умолчанию модель отвечает без видимой цепочки рассуждений. В репозитории также есть MTP черновая голова для ускоренного спекулятивного декодирования NEXTN, которое влияет на скорость генерации, но не на её итоговый текст. Поддерживаются входы с текстом и изображениями, выход — текст. Карточка не сообщает длину контекста или набор поддерживаемых естественных языков. Модель выпущена под лицензией Apache-2.0. Она не проходила полноценную оценку для производственного применения; автор предупреждает о возможном ухудшении визуального заземления после обучения на рассуждениях, склонности к повторным проверкам в режиме thinking и необходимости отдельно измерять эффективность MTP на целевой инфраструктуре.

philbert440/Qwen3.6-40B-DeckardUncensored-OpusDistilled-HermesCalibrated-W4A16-AWQ — мультимодальная vision-language модель семейства Qwen3.6, разработанная philbert440. Она предназначена для генерации текста по текстовым и визуальным входным данным, а также для сценариев с использованием инструментов и function calling. Модель относится к коллекции Deckard-40B Uncensored и прошла Hermes-калибровку для задач работы с инструментами. Модель имеет размер 40B параметров и использует 4-битное квантование весов W4A16-AWQ с FP16-активациями и форматом compressed-tensors. Указана совместимость с 1Cat-vLLM на Tesla V100 с архитектурой SM70, включая режим TurboMind, а также со стандартным vLLM на GPU Ampere и новее. README не содержит сведений о поддерживаемых языках и максимальной длине контекста. К сильным сторонам относятся мультимодальность, поддержка tool use и function calling, а также возможность запуска крупной модели в квантованном формате на ограниченных GPU-ресурсах. Модель позиционируется как abliterated, то есть из неё удалены отказы, связанные с механизмами безопасности; это может расширять диапазон ответов, но повышает риски небезопасного или неправомерного использования и требует самостоятельного контроля со стороны пользователя. Модель распространяется по лицензии Apache-2.0.