I.3Извлечение и структурирование данных

ItColBERT — модель поиска по тексту, разработанная и поддерживаемая Энрико Нелло. Она предназначена для семантического поиска, извлечения фрагментов для RAG и переранжирования результатов по итальянским документам. Модель построена на базе Italian ModernBERT и использует позднее взаимодействие в стиле ColBERT: представляет каждый токен отдельным вектором размерности 128 и оценивает совпадения между токенами запроса и документа по MaxSim. Размер модели — около 134,9 млн параметров, контекст — 8192 токена; для работы используется библиотека PyLate. Модель подходит для коротких и средних фрагментов, где важны точные формулировки, имена и числа. Векторы для каждого токена повышают детализацию сопоставления, но требуют больше места для хранения, чем обычные векторные эмбеддинги. На этапе индексирования документы длиннее 512 токенов обрезаются; для длинных материалов автор рекомендует делить их на перекрывающиеся фрагменты и объединять оценки по исходному документу. Модель рассчитана только на итальянский язык и не предназначена для межъязыкового поиска. В карточке указана лицензия Apache-2.0.

Это Sentence Transformer на основе корейской модели klue/roberta-base, дообученный для представления предложений и абзацев в виде плотных векторов размерности 768. Архитектура включает RoBERTa с усреднением токенных представлений; сходство векторов оценивается косинусной мерой. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 514 токенов по метаданным (в карточке указано 512). Модель предназначена прежде всего для оценки семантического сходства текстов. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текстов на корейском языке. В README приведены результаты оценки сходства, однако отдельные наборы данных и контекст метрик описаны неполно. Модель распространяется в формате Safetensors и использует библиотеку Sentence Transformers. Условия лицензии в предоставленных сведениях не указаны.

KURE-v1 — модель текстовых эмбеддингов для поиска по документам, разработанная NLP&AI Lab. Это дообученная версия BAAI/bge-m3 на корейских данных для поиска по парам «запрос — документ»; карточка указывает около 2 миллионов обучающих примеров и использование CachedGISTEmbedLoss. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров, выдаёт векторы размерности 1024 и поддерживает последовательности до 8192 токенов. Модель предназначена прежде всего для семантического поиска на корейском языке: её можно применять для извлечения релевантных документов, поиска по длинным текстам и построения retrieval-компонента RAG. В карточке заявлена поддержка корейского и английского языков; бенчмарки охватывают общие и прикладные корейские документы, включая финансы, государственные услуги, медицину, право и коммерцию. На приведённых усреднённых результатах KURE-v1 превосходит сравниваемые модели на нескольких значениях k, однако результаты относятся к указанным наборам данных и не гарантируют качество на других корпусах. Лицензия — MIT.

llm-jp-3-1.8b-instruct — инструктивная версия языковой модели семейства llm-jp-3, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотная авторегрессионная Transformer-модель архитектуры LlamaForCausalLM с 1,7 млрд параметров по метаданным и контекстом до 4096 токенов. Репозиторий распространяет веса в формате Safetensors для Transformers. Модель предназначена для диалогов и выполнения текстовых инструкций, включая ответы на вопросы, написание текстов и простые рассуждения. Она обучалась на смеси данных, включая японские источники, и дообучалась на японских инструктивных наборах; метаданные также указывают английский и японский языки. В оценках авторов она показала улучшение относительно базовой версии llm-jp-3-1.8b на ряде задач, однако результаты ограничены указанными тестовыми выборками. Разработчики отмечают, что семейство находится на раннем этапе исследований и разработок и не настроено для гарантированного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

OctopusMind/longbert-embedding-8k-zh — модель эмбеддингов на основе BERT для вычисления сходства между предложениями на китайском языке. Она основана на bert-base-chinese: исходные позиционные кодировки заменены на ALiBi, что позволяет обрабатывать последовательности длиной до 8192 токенов. В карточке указана поддержка дообучения методом CoSENT. Модель предназначена для получения векторных представлений текстов и сравнения их косинусного сходства, в том числе для поиска близких по смыслу формулировок и семантического поиска. Веса опубликованы в формате PyTorch, лицензия — Apache-2.0. Размер модели составляет 129,5 млн параметров.

Это экспортированная в ONNX версия модели Tryolabs для ответов на вопросы в диалоге. Она основана на LongT5-TGlobal-Base и дообучена на SQuADv2, CoQA и собственном наборе TryoCoQA. Архитектура LongT5 предназначена для работы с длинным текстом; размер модели — 123,7 млн параметров, контекст — до 4096 токенов. Модель подходит для извлечения ответов из текста и ответов на вопросы с учётом контекста беседы, например, по содержимому статей и документов. Экспорт разделяет вычисления на компоненты энкодера и декодера для запуска через ONNX Runtime и 🤗 Optimum. В README приведены результаты на тестовых наборах: F1 74,29 после обучения на SQuADv2 и CoQA и F1 54,77 после обучения на TryoCoQA. Лицензия в предоставленных данных не указана.

Omartificial-Intelligence-Space разработала эту модель Sentence Transformers дообучением арабоязычной UBC-NLP/MARBERTv2 на наборе Arabic-NLi-Triplet. Модель кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смысловой близости текстов; для оценки близости используется косинусное сходство. Модель подходит для семантического поиска, поиска перефразирований, кластеризации и классификации текстов. Matryoshka-обучение позволяет использовать укороченные представления размерностью 512, 256, 128 или 64. Архитектура основана на BERT, максимальная длина входа — 512 токенов. Основной язык — арабский. В метаданных указаны 190 млн параметров и лицензия Apache-2.0. Результаты на приведённых в карточке наборах STS показывают умеренное соответствие оценкам семантической близости; качество на иных данных может отличаться. Модель не предназначена для генерации текста.

bartowski/MiniCPM5-2B-GGUF — это GGUF-квантизированная версия языковой модели MiniCPM5-2B, разработанной OpenBMB. Квантизация выполнена bartowski с использованием llama.cpp; доступны варианты от BF16 и Q8_0 до низкоразрядных IQ- и Q-форматов. README указывает размер модели около 3 млрд параметров, поддержку только текстового ввода и отсутствие speculative decoding. Модель предназначена для генерации текста и может применяться в локальных, on-device и edge AI-сценариях, включая задачи с длинным контекстом и tool-calling, заявленные в метаданных. Поддерживаемые языки — английский и китайский. Рекомендуемым компромиссом между качеством и размером назван вариант Q4_K_M объёмом 1,62 ГБ; более высокие разрядности обычно сохраняют лучшее качество, а низкие требуют меньше памяти, но могут заметно уступать по результатам. Точная архитектура и максимальная длина контекста в README не указаны. Модель распространяется по лицензии Apache-2.0.

Модель amanrajput/MiniLM-L6-v2-biology-finetuned — энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, дообученный на 33 038 парах предложений с использованием MultipleNegativesRankingLoss. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 384; сходство текстов можно оценивать косинусной мерой. Архитектура включает BERT-трансформер, усредняющий пулинг и нормализацию. В README указан предел последовательности 256 токенов; метаданные указывают нативный контекст 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Примеры обучающих данных охватывают биологию и смежные темы, включая экологию и медицину, однако в карточке не описана отдельная специализированная область применения или оценка качества. Это текстовая модель для английских предложений и абзацев; лицензия в предоставленных данных не указана.

Модель Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_8 — классификатор текста на основе BERT, опубликованный пользователем Jeevesh8 на Hugging Face. Она предназначена для задачи QQP (Quora Question Pairs): определения, являются ли два вопроса дубликатами или семантически эквивалентными формулировками. Модель относится к семейству BERT и поддерживает конвейер text-classification. Модель содержит около 136,7 млн параметров и имеет максимальную длину контекста 512 токенов. Она подходит для бинарной классификации пар вопросов, дедупликации пользовательских запросов и оценки семантической близости формулировок. Модель не предназначена для генерации текста, ответов на вопросы или распознавания речи. Лицензия в доступных данных не указана.

MOSS-Transcribe-Diarize LiteRT — это порт модели OpenMOSS-Team/MOSS-Transcribe-Diarize, опубликованный Luigi и предназначенный для автоматического распознавания речи с одновременной диаризацией говорящих и разметкой временных интервалов высказываний. Модель обрабатывает аудио и генерирует текст с тегами говорящих и временными метками; заявлены поддерживаемые языки Chinese и English. Архитектура объединяет Whisper-medium encoder, модуль VQAdaptor и 4-кратное объединение временных отсчётов с языковой частью на базе Qwen3-0.6B. Исходная модель имеет размер около 0,9 млрд параметров. Реализация LiteRT разделена на encoder, embedder и decoder в формате TFLite; производственный набор использует int8-квантизированные encoder и embedder и int4 decoder. Доступны варианты f32, fp16, q8 и int4, включая конфигурации с KV cache для окон длительностью примерно до 90 секунд или более, в зависимости от варианта. Сильные стороны модели — единый конвейер распознавания речи и определения говорящих, точное соответствие эталонной PyTorch-реализации для f32-варианта и высокая близость к ней для квантизированных версий. Версия v2 с QAT повышает устойчивость int4-модели к тишине и устраняет зацикленные галлюцинации на беззвучных фрагментах. Ограничения включают заметные требования к памяти и вычислительным ресурсам, зависимость производительности от явной настройки числа CPU-потоков и снижение точности при агрессивной квантизации. Для Android GPU рекомендуется fp16, а для CPU — q8 или int4. Лицензия Apache-2.0.

MyAwesomeModel — модель из репозитория DSD1W3123/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и распространяемая по лицензии MIT. В метаданных она классифицирована как модель для извлечения признаков; среди тегов указаны PyTorch и BERT. README также заявляет улучшенные возможности рассуждений, понимания текста, генерации кода, диалогов, суммаризации, классификации и ответов на вопросы, а также поддержку function calling. Однако эти заявления не согласуются с основным pipeline-тегом feature-extraction и не сопровождаются достаточными техническими сведениями о размере, контекстном окне, языках или точной архитектуре модели. Модель может использоваться для получения векторных представлений текста и последующего применения в задачах семантического поиска, классификации или других downstream-сценариях, совместимых с извлечением признаков.

MyAwesomeModel — модель из репозитория xcz2czasd2/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и распространяемая по лицензии MIT. Согласно метаданным Hugging Face, её основное назначение — извлечение признаков из текста; модель помечена как совместимая с PyTorch и связана с архитектурой BERT. Извлечённые векторы можно использовать для последующей классификации текста, семантического поиска, кластеризации, оценки сходства и других задач машинного обучения. README также заявляет о возможностях рассуждения, генерации кода и текста, ответов на вопросы, суммаризации, перевода и function calling, однако эти сведения не согласуются с указанным pipeline_tag feature-extraction и не сопровождаются точными техническими характеристиками модели. В карточке отсутствуют подтверждённые сведения о размере модели, языках, длине контекста, разработчике и точной конфигурации архитектуры. Перед использованием в продуктивных системах следует проверить фактический формат выходов, качество на целевых данных и соответствие заявленных возможностей реальной конфигурации.

NaSE (News-adapted Sentence Encoder) — многоязычный энкодер предложений, разработанный для текстов новостной тематики. Модель основана на предварительно обученном энкодере LaBSE и адаптирована к новостному домену на корпусах Polynews и PolyNewsParallel с помощью денойзинг-автокодирования и машинного перевода в формате sequence-to-sequence. Это плотная архитектура BERT с 498,1 млн параметров и контекстом до 512 токенов. На вход модель принимает текст и формирует векторное представление его смысла. Эмбеддинги подходят для оценки сходства предложений, информационного поиска и кластеризации новостных материалов. Модель мультиязычная; карточка перечисляет языки от африкаанс и амхарского до корейского, а метаданные содержат языковые коды более чем для 50 языков. Доступны веса PyTorch, Safetensors и TensorFlow. Лицензия — Apache-2.0. Модель обучалась на одной NVIDIA A100 в течение 100 тысяч шагов. Её специализация на новостях делает её подходящей для сопоставления и поиска новостных текстов, однако качество на других доменах и для языков с малым объёмом обучающих данных может быть ниже; README сообщает, что для обучения отбирались языки и языковые пары с минимум 100 примерами.

DeepHermes-3-Llama-3-3B-Preview-GGUF — набор GGUF-квантизованных версий языковой модели DeepHermes-3-Llama-3-3B-Preview, разработанной NousResearch и подготовленной квантизацией bartowski с использованием llama.cpp. Модель предназначена для генерации текста, диалогов и выполнения инструкций; среди заявленных сценариев — чат, reasoning, roleplaying, function calling и генерация JSON. Указана поддержка английского языка и формата prompt, совместимого с Llama 3 и ChatML-подобной структурой ролей. Модель имеет около 3 млрд параметров и работает с текстовой модальностью. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3 размером примерно от 1,9 до 6,4 ГБ, что позволяет запускать её локально через llama.cpp, LM Studio и другие совместимые проекты, в том числе на устройствах с ограниченной памятью. Более сильные стороны — компактность, широкий выбор квантизаций и пригодность для локального inference; при этом это preview-версия, а квантизация может снижать качество по сравнению с исходными весами. Размер контекстного окна и дополнительные языки в README не указаны. Лицензия обозначена как llama3.

PaliGemma 2 10B — мультимодальная модель Google на основе компонентов SigLIP и Gemma 2. Она принимает изображения размером до 896 × 896 пикселей и текстовые последовательности до 512 токенов, а на выходе генерирует текст. Модель поддерживает несколько языков; конкретные языки в карточке не перечислены. Это базовая предварительно обученная модель, предназначенная прежде всего для дообучения под задачи компьютерного зрения и языка: описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Веса представлены в формате bfloat16 для дообучения; для данного репозитория указана библиотека Transformers и формат safetensors. Без дообучения результаты на специализированных задачах могут быть слабее, чем у моделей, настроенных для них, а модель рассчитана на один раунд ввода, а не на многоходовый диалог. Она может ошибаться в фактах, рассуждениях и понимании языковых нюансов. Использование регулируется условиями Gemma; перед применением следует учитывать политику запрещённых способов использования Gemma.

PaliGemma 2 28B PT 224 — разработанная Google базовая модель компьютерного зрения и языка на основе компонентов SigLIP и Gemma 2. Она принимает изображение с текстовым запросом и генерирует текст; веса рассчитаны на изображения 224×224 и последовательности до 128 текстовых токенов на входе и выходе. Модель доступна в формате bfloat16 для дообучения и предназначена прежде всего как основа для настройки под конкретные задачи. После дообучения её можно применять для описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Среди возможных специализированных сценариев — анализ снимков дистанционного зондирования, ответы на визуальные вопросы для незрячих пользователей, научные вопросы и объяснение функций элементов интерфейса. Поддерживаются несколько языков, но карточка не перечисляет их поимённо. Модель рассчитана на один раунд взаимодействия с изображением и текстом, а не на многоходовый диалог. Без настройки под задачу её результаты могут уступать моделям общего назначения; возможны фактические ошибки, слабое понимание сложных или неоднозначных инструкций и предвзятые ответы. Лицензия — Gemma; при использовании необходимо соблюдать условия Gemma и её политику запрещённых применений.

vitdangyeu/Pbert_embedding_v2 — модель Sentence Transformers на архитектуре RoBERTa, обученная разработчиком репозитория для получения векторных представлений предложений и абзацев. Она отображает текст в плотное пространство эмбеддингов размерностью 1024 и использует косинусное сходство для сравнения текстов. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. В карточке приведены примеры вьетнамских юридических текстов и набор из 50 857 пар предложений с метками; это указывает на специализацию обучения на вьетнамском языке и налогово-правовых материалах. Максимальная длина последовательности — 258 токенов по метаданным; README указывает лимит 256 токенов. Размер модели — 468,2 млн параметров, выход — векторы размерностью 1024. Распространяется в формате safetensors; лицензия в предоставленных данных не указана.

PII-Tracer-MLX — версия детектора персональных данных PII-Tracer в формате MLX, подготовленная Perplexity AI для работы с MLX. Это модель для обнаружения и маскирования персональных данных в разговорных текстах. В основе — двунаправленный энкодер Qwen3 примерно на 600 млн параметров с backbone perplexity-ai/pplx-embed-v1-0.6b и двумя выходными головами: классификатор токенов с BIOES-разметкой девяти категорий PII и классификатор чувствительности диалога. Для декодирования меток токенов используется ограниченный алгоритм Витерби. Линейные проекции backbone квантизованы до 8 бит с размером группы 64; эмбеддинги и нормализационные веса хранятся в bf16, а обе головы — в fp32. Конфигурация задаёт предел в 4096 токенов. Репозиторий содержит веса и конфигурацию, но не реализацию модели или скрипт загрузки: для инференса нужна совместимая реализация двунаправленного энкодера Qwen3 и голов в MLX. Лицензия — MIT.

PubMedBERT Embeddings 500K — компактная англоязычная модель эмбеддингов от NeuML для поиска и сопоставления медицинских текстов. Это версия PubMedBERT Embeddings 2M с сокращённым словарём: оставлена четверть наиболее часто используемых токенов. В метаданных указаны архитектура Model2Vec с плотными векторами, формат safetensors и контекст до 1 000 000 токенов. Модель подходит для построения семантического поиска и баз знаний для RAG, а также для сравнения вопросов с ответами, заголовков со статьями и статей с аннотациями. README приводит результаты оценки на наборах PubMed QA, PubMed Subset и PubMed Summary; на этих тестах версия 500K показала лучшие результаты среди перечисленных компактных вариантов. Модель доступна по лицензии Apache 2.0.

Qaari 0.1 Urdu — мультимодальная модель для распознавания текста на изображениях на языке урду. Она разработана Ahmed Wasfy и представляет собой дообученную версию Qwen2-VL-2B, предназначенную прежде всего для OCR документов и изображений с текстом на урду. Модель принимает изображение и текстовую инструкцию, а в ответ генерирует текстовую расшифровку содержимого документа. Модель имеет архитектуру Qwen2-VL с размером 2B параметров и дообучалась на 10 000 синтетических пар изображений текста на урду и эталонных транскрипций. В обучении использовались шрифты AlQalam Taj Nastaleeq, Alvi Nastaleeq, Gandhara Suls, Jameel Noori Nastaleeq и NotoNastaliqUrdu; проверенные размеры шрифта составляют от 14 до 40 пунктов. На заявленном наборе данных Qaari 0.1 Urdu показала WER 0,048, CER 0,029, BLEU 0,916 и соотношение длины 0,978, превзойдя базовую Qwen2-VL-2B и Tesseract. Сильные стороны модели — специализация на урду, высокая точность распознавания и поддержка письменности Nastaleeq. К ограничениям относятся возможное снижение качества на шрифтах и размерах, не представленных при дообучении, сложных лигатурах, нестандартных вариантах Nastaleeq, изображениях низкого разрешения и цифровых дисплеях. Модель распространяется на условиях лицензии базовой модели Qwen2-VL-2B; точные условия в README не приведены.

unsloth/Qwen2.5-0.5B-Instruct-bnb-4bit — это 4-битная версия instruction-tuned языковой модели Qwen2.5-0.5B-Instruct, подготовленная Unsloth на базе модели Qwen, разработанной Alibaba Cloud. Она предназначена для генерации текста, диалоговых ассистентов, следования инструкциям, работы со структурированными данными и форматами вывода, включая JSON, а также для задач программирования и математики. Модель является каузальной языковой моделью с архитектурой Transformers, RoPE, SwiGLU, RMSNorm, смещениями в QKV attention и связанными эмбеддингами слов. Она содержит около 0,49 млрд параметров, 24 слоя и использует Grouped Query Attention: 14 голов для Q и 2 для KV. Полная длина контекста составляет 32 768 токенов, максимальная длина генерации — 8192 токена. Поддерживаются более 29 языков, включая английский, китайский, русский, французский, испанский, немецкий, итальянский, японский, корейский, вьетнамский, тайский и арабский. Ключевое преимущество версии bnb-4bit — сниженное потребление памяти благодаря 4-битному представлению, что упрощает запуск и дообучение модели на ограниченных GPU-ресурсах. Небольшой размер делает её подходящей для локального использования и ресурсоограниченных приложений, однако по возможностям и качеству ответов она уступает более крупным моделям. README не содержит подробных результатов оценки именно этой 4-битной версии. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-FP8 — модифицированная версия Qwen/Qwen3.8-27B, опубликованная OrcaRouter. Модель прошла abliteration: из неё удалено направление, связанное с отказами в ответах, после чего веса были офлайн квантизированы в block-FP8. Это плотная модель на 27 млрд параметров с гибридной архитектурой Gated DeltaNet и полнослойного внимания, встроенной vision-language башней и MTP-головой для спекулятивного декодирования. Модель предназначена для исследовательских задач, включая интерпретируемость, анализ механизмов отказа, AI safety, red teaming, оценку устойчивости и контролируемые эксперименты. Она поддерживает работу с текстом и изображениями, языки English и Chinese, рассуждение, function calling и контекст до 262 144 токенов. Архитектура включает 64 слоя: 48 слоёв линейного внимания Gated DeltaNet и 16 слоёв полного внимания. Основные линейные веса используют block-FP8 E4M3 с размером блока 128×128 и динамическими активациями, тогда как vision tower, нормы, router, embeddings и lm_head сохранены в BF16. Сильная сторона модели — сохранение возможностей базовой Qwen3.8-27B, включая мультимодальность, инструменты, reasoning, большой контекст и MTP, при совместимости со схемой обслуживания официальной FP8-версии. Главное ограничение — существенное удаление защитного выравнивания: модель может выполнять вредоносные, неэтичные и незаконные запросы и не имеет значимых встроенных защитных механизмов. Поэтому её не следует использовать напрямую в пользовательских или производственных системах без собственных фильтров, модерации и контроля злоупотреблений. Модель распространяется по лицензии Apache 2.0; использование также должно соответствовать применимым законам и условиям лицензии базовой модели.

dealignai/Qwen3.8-Flash-Next-CRACK-JANG_2L — это исследовательская CRACK-abliterated-версия модели JANGQ-AI/Qwen3.8-Flash-Next-JANG_2L, относящейся к preview-линейке qwen4_exp компании Alibaba. Модель предназначена для запуска на Apple Silicon через MLX и vMLX, а также для текстовых, мультимодальных и агентских сценариев: работы с изображениями и видео, рассуждений, использования инструментов и задач, требующих многошагового взаимодействия. В основе лежит гибридная архитектура Mixture-of-Experts примерно на 176 млрд параметров с 512 экспертами и около 6 млрд активных параметров. Используются Gated DeltaNet и Qwen Sparse Attention, хешированное n-gram-эмбеддирование и встроенная multi-token prediction head. Поддерживаются текст, изображения и видео; заявлены английский и китайский языки. Доступны режимы рассуждений off, low и xhigh. Для модели требуется около 65 ГБ дискового пространства и примерно 47 ГБ активной оперативной памяти, при этом около 18 ГБ таблицы хешированных n-gram-эмбеддингов подгружаются с диска по требованию. Ключевая особенность CRACK-сборки — удаление стандартного отказного поведения при сохранении рассуждений, инструментов и мультимодальных возможностей. На приведённом тесте MMLU точность составила 81,84%, что на 1,49 процентного пункта ниже базовой версии; в отдельных предметах наблюдалось заметное снижение качества. В тестах HarmBench заявлена высокая доля ответов, непосредственно выполняющих запросы, однако модель может генерировать китайский текст даже для некоторых других запросов, а отдельные ответы классифицировались как бессвязные. README также предупреждает, что это исследовательский артефакт и что ответственность за использование весов лежит на пользователе. Лицензия указана как qwen-community-1.0.

Qwen3-VL-30B-A3B-Instruct-MLX-5bit — мультимодальная instruction-tuned модель для преобразования изображений и текста в текст. Оригинальную модель разработала команда Qwen, а данную 5-битную MLX-квантизацию подготовила команда LM Studio с использованием mlx_vlm. Модель предназначена для локального запуска на устройствах Apple Silicon. Модель основана на Qwen3-VL-30B-A3B-Instruct и поддерживает сценарии, требующие анализа визуальной и текстовой информации, включая обработку изображений и генерацию ответов по инструкциям. Из технических характеристик указаны размер 30B и конфигурация A3B, 5-битное квантование, архитектура и формат MLX, а также специализация на Apple Silicon. Языки, размер контекстного окна и точный перечень поддерживаемых модальностей в README не уточняются. Ключевые преимущества модели — мультимодальные возможности, instruction-tuned поведение и снижение требований к памяти благодаря 5-битному квантованию, что делает её подходящей для локального использования. Ограничения включают возможную потерю качества из-за квантования и зависимость производительности от оборудования Apple Silicon; конкретные показатели качества и скорости не приведены. Модель распространяется по лицензии Apache-2.0.

Qwen-Distilled-Scout-1.5B-Instruct-Gen2 — разработанная Yiqiao Yin (eagle0504) инструктивная языковая модель, дообученная для пошаговых рассуждений и генерации ответов в математике, text-to-SQL, медицинских задачах и программировании на Python. Это декодерная причинная модель семейства Qwen2 с 1,5 млрд параметров, доступная в формате Safetensors и предназначенная для запуска через Transformers. Метаданные указывают контекст до 131 072 токенов, тогда как README сообщает об ограничении входа в 1 024 токена с усечением более длинного текста. Модель подходит для учебных помощников по математике и программированию, генерации SQL-запросов, структурированных ответов и рассуждений по медицинским вопросам. Она ориентирована на английский язык и обучалась на наборах для text-to-SQL, математики, кода и медицинских рассуждений. Указанная лицензия — MIT.

Qwen_Qwen3-VL-32B-Thinking-GGUF — это набор GGUF-квантизаций мультимодальной модели Qwen3-VL-32B-Thinking, разработанной командой Qwen и подготовленной пользователем bartowski. Модель предназначена для задач «изображение–текст» и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. В README указан специальный формат промпта с секцией рассуждений <think>. Базовая модель имеет размер 32B параметров и поддерживает обработку изображений и текста, однако точный размер контекста и список языков в README не указаны. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3, включая форматы K-quants и IQ; размер файлов варьируется примерно от 13,7 до 65,53 ГБ. Квантизации выполнены с использованием llama.cpp и imatrix-калибровки. Старшие варианты обеспечивают более высокое качество, а младшие требуют меньше оперативной памяти, но заметно уступают по качеству. Основные преимущества — мультимодальность, возможность локального запуска и широкий выбор вариантов по соотношению качества и требований к памяти; рекомендуемым компромиссом в README назван Q4_K_M. Ограничения — высокая требовательность 32B-модели к ресурсам, возможное снижение качества при сильной квантизации и отсутствие в предоставленном README сведений о лицензии, точном контексте, языках и результатах независимого тестирования.

RoBERTa Amharic Text Embedding Medium — модель Sentence Transformers от rasyosef, дообученная на наборе amharic-passage-retrieval-dataset на базе rasyosef/roberta-medium-amharic. Она преобразует предложения и абзацы на амхарском языке в плотные векторы размерностью 512 для поиска по смыслу и сравнения текстов. Архитектура включает XLM-RoBERTa, усредняющий пулинг токенов и нормализацию; базовая модель содержит 49,9 млн параметров, максимальная длина последовательности — 512 токенов. Сходство векторов оценивается косинусной мерой. Модель подходит для семантического поиска и извлечения релевантных пассажей, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов на амхарском языке. В README приведены результаты оценки поиска на обучающем корпусе, но они не гарантируют качество на других данных. Модель распространяется по лицензии Apache-2.0.

TimKond/S-BioLinkBert-MedQuAD — модель эмбеддингов предложений на архитектуре BERT, опубликованная пользователем TimKond. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации; также подходит для сравнения смысловой близости текстов. Обучение выполнено с использованием Sentence-Transformers и функции потерь SoftmaxLoss. Модель содержит 135,4 млн параметров и принимает последовательности длиной до 512 токенов. Название указывает на связь с биомедицинской тематикой и MedQuAD, однако карточка не описывает конкретные данные или целевые языки обучения. Для использования с Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов; более простой вариант — библиотека Sentence-Transformers. Репозиторий содержит веса PyTorch и safetensors. Лицензия в предоставленных данных не указана.

mrp/simcse-model-m-bert-thai-cased — модель на основе mBERT, дообученная методом SimCSE на тайской Википедии. Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Модель подходит для поиска похожих фрагментов текста и группировки тайских текстов по смыслу. Архитектура — BERT; число параметров составляет 205,1 млн, максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт векторные представления. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.