I.3Извлечение и структурирование данных

KristupasC/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, разработанная на основе BAAI/bge-base-en-v1.5 и дообученная на 6 300 примерах финансовых текстов и вопросов. Она предназначена для поиска финансовых фрагментов по запросу и сравнения смысла предложений и абзацев; также подходит для поиска перефразировок, кластеризации и классификации текстов. Модель использует архитектуру BERT с пуллингом CLS-токена и нормализацией эмбеддингов. Она кодирует текст в плотные векторы размерностью 768, сравниваемые по косинусному сходству; благодаря Matryoshka-обучению доступны укороченные векторы размерностью 512, 256, 128 и 64. Максимальная длина последовательности — 512 токенов. Модель принимает и выдаёт текстовые представления в виде эмбеддингов, поддерживает английский язык и распространяется по лицензии Apache-2.0.

dariolopez/bge-m3-es-legal-tmp-3 — модель Sentence Transformers, дообученная разработчиком на основе BAAI/bge-m3 для работы с испанскими текстами. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для семантического поиска, сравнения сходства текстов, поиска перефразирований, кластеризации и классификации. Архитектура основана на XLM-RoBERTa с пулингом CLS-токена и нормализацией векторов; максимальная длина последовательности — 8192 токена. Для сравнения векторов в карточке указана косинусная близость. Модель можно применять для семантического поиска по испанским документам и построения систем поиска и группировки текстов. Лицензия — Apache-2.0. Карточка называет модель специализированной для юридического испанского, однако приведённые сведения не описывают датасет или отдельную юридическую оценку, поэтому качество на конкретных юридических корпусах по ним установить нельзя.

CLIPCLAP — мультимодальная модель эмбеддингов, разработанная antflydb. Она объединяет текстовый и визуальный энкодеры OpenAI CLIP с аудиоэнкодером LAION CLAP, сопоставляя текст, изображения и аудио в общем 512-мерном векторном пространстве. Все выходные векторы L2-нормализованы и могут напрямую сравниваться с помощью косинусного сходства. Модель предназначена для мультимодального поиска, построения единых индексов медиафайлов, кросс-модального поиска и обнаружения аудиовизуального контента, включая сценарии текст↔изображение↔аудио. Для текста и изображений используются стандартные энкодеры CLIP ViT-B/32, для аудио — HTSAT из LAION CLAP. Аудиопроекция дополнительно обучена на 5000 парах аудио-описание из AudioCaps с использованием контрастивной функции потерь InfoNCE, чтобы сопоставить аудиопространство с пространством CLIP. Ключевые ограничения модели: аудио обрезается примерно до 10 секунд, поддержка текста преимущественно ориентирована на английский язык, а качество поиска аудио по изображениям может быть ниже, поскольку проекция обучалась через сходство аудио и текста, без прямых пар аудио-изображение. Модель также наследует ограничения CLIP в тонкой визуальной классификации, подсчёте объектов и работе с абстрактными понятиями; аудиочасть может хуже работать с узкоспециализированными звуковыми доменами. Распространяется по лицензии MIT.

cupidon-mini-ro — компактная модель Sentence Transformers, дообученная на базе sentence-transformers/all-MiniLM-L6-v2 для кодирования предложений на румынском языке в плотные семантические векторы. Она предназначена для поиска по смыслу, сравнения текстов и кластеризации, в том числе для задач оценки семантического сходства предложений (STS). Модель содержит 25,9 млн параметров, имеет контекст до 512 токенов и доступна в форматах Safetensors, ONNX и OpenVINO; для использования через Transformers требуется применять pooling к контекстным эмбеддингам токенов. Компактный размер около 90 МБ и ориентация на румынский язык подходят для эффективного локального извлечения эмбеддингов. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов бенчмарков, поэтому качество для конкретной задачи следует оценивать на собственных данных.

microsoft/deberta-v3-large — англоязычная модель понимания текста от Microsoft на архитектуре DeBERTa V3. Она использует раздельное представление содержимого и позиций в механизме внимания, улучшенный декодер маски и предобучение в стиле ELECTRA с разделением градиентов в эмбеддингах. Модель содержит 24 слоя, скрытый размер 1024 и словарь из 128 тысяч токенов; всего в репозитории указано 533,8 млн параметров. Максимальная длина контекста — 512 токенов. Основная задача модели — предсказание замаскированных токенов в английском тексте. Её также можно дообучать для задач понимания естественного языка, например классификации текста и ответов на вопросы; README приводит результаты на SQuAD 2.0 и MNLI. Доступны веса в форматах PyTorch и TensorFlow. Модель выпущена под лицензией MIT. Она предназначена для обработки текста и не генерирует свободный текст как диалоговая языковая модель; качество зависит от конкретной задачи и дообучения.

wnic00/distilbert-p1 — дообученная модель классификации текста на основе lxyuan/distilbert-base-multilingual-cased-sentiments-student, построенной на архитектуре DistilBERT. Она предназначена для отнесения текста к категориям; базовая модель классифицирует тональность на 12 языках, но набор меток и языков, проверенных именно для этой версии, не описан. Модель использует формат PyTorch и принимает текстовые последовательности длиной до 512 токенов. На указанном в README наборе оценки модель достигла accuracy 0,6886 и loss 1,9133. Данные для дообучения, классы классификации и сведения о практических ограничениях не приведены. Лицензия — Apache-2.0.

Модель разработана совместно Военной академией Греции (SSE) и Техническим университетом Крита (TUC). Это XLM-RoBERTa-base с классификационной головой для бинарной классификации предложений: модель определяет, выражает ли предложение факт или мнение. Метки: 0 — мнение или субъективное высказывание, 1 — факт или объективное высказывание. Модель рассчитана на английский и греческий языки; авторы также указывают возможность применять её к другим языкам XLM-R в режиме zero-shot. Она обучалась пять эпох на смешанном англо-греческом наборе примерно из 9 тысяч размеченных предложений; греческие примеры были получены машинным переводом исходных данных. Размер модели — 305,2 млн параметров, контекст — 514 токенов. На тестовом наборе указаны accuracy 0,952 и F1 0,952. Модель подходит для предварительной разметки предложений по признаку фактичности и субъективности. Точность на других языках и в иных предметных областях может отличаться; состав данных и машинный перевод греческой части могут влиять на качество. Лицензия — Apache-2.0.

GbrlOl/fine-tune_utilizando_la_MNRL — дообученный на 527 парах текстов Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2. Модель использует энкодер BERT с mean pooling и нормализацией, преобразует предложения и абзацы в плотные векторы размерностью 384 и сравнивает их по косинусному сходству. Максимальная длина последовательности в README — 256 токенов; метаданные указывают контекст до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации. Примеры обучающих данных на испанском языке связаны с вопросами и документами о горнодобывающей отрасли, поэтому модель может быть полезна для поиска ответов в таких документах. Веса опубликованы в формате safetensors; для работы с моделью подходит библиотека Sentence Transformers. Лицензия в предоставленных сведениях не указана.

deepset/gbert-large-sts — немецкоязычная модель deepset для оценки семантического сходства пар текстов. Она основана на GBERT-large и дообучена на обучающей и валидационной частях немецкого STS-бенчмарка, полученного машинным переводом. Архитектура — BERT для классификации последовательностей, размер — 434,5 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для сравнения немецких фраз и предложений: например, для поиска похожих формулировок, сопоставления запросов и группировки семантически близких текстов. В карточке указана оценка на тестовой части немецкого STS-бенчмарка, но численные результаты не приведены. Веса доступны в форматах PyTorch и safetensors; лицензия — MIT.

GigaAM-v3 — семейство моделей распознавания русской речи от ai-sage на основе архитектуры Conformer, с вариантами размером 220–240 млн параметров. Модели предварительно обучены на разнообразных русскоязычных аудиоданных с objective HuBERT-CTC; для распознавания доступны варианты с декодерами CTC и RNN-T, а также сквозные варианты, которые сразу расставляют пунктуацию и нормализуют текст. Модель предназначена для транскрибации русской речи в разных условиях: в том числе телефонных разговоров, естественной речи и аудио с фоновой музыкой. В README заявлено улучшение качества в среднем на 30% на новых доменах обучения при сохранении качества на публичных наборах. Для работы используется PyTorch и Transformers; загрузка через AutoModel требует trust_remote_code=True. Репозиторий распространяется по лицензии MIT. GigaAM-v3 рассчитана прежде всего на русский язык; английский также указан среди языков модели. Она принимает аудио и выдаёт текст. Варианты ssl, ctc, rnnt, e2e_ctc и e2e_rnnt имеют разные назначения и способы декодирования, поэтому при выборе следует учитывать требуемое оформление результата: сквозные варианты включают пунктуацию и нормализацию. Заявления о качестве основаны на наборах и сравнениях, приведённых в карточке; фактическая точность зависит от аудио и условий записи.

Hermes Qwen3.5 35B-A3B GGUF — это набор GGUF-квантизаций базовой модели Qwen3.5-35B-A3B, дообученной автором DJLougen на датасете NousResearch/hermes-function-calling-v1. Модель предназначена прежде всего для структурированного вызова функций, работы с инструментами и агентских сценариев. Для повышения качества в задачах с JSON и многошаговыми взаимодействиями использовались LoRA и SFTTrainer из TRL; квантизация выполнена с помощью llama.cpp с importance matrix. Модель использует MoE-архитектуру Qwen3.5: 35 млрд параметров всего, около 3 млрд активных на токен, 256 экспертов и 8 активных экспертов на токен. Заявленная длина контекста — 262 144 токена, однако дообучение проводилось на последовательностях длиной до 4096 токенов. Доступны варианты от F16 до экстремально сжатых IQ1; размеры файлов составляют примерно от 7,5 до 64,6 ГБ. README не указывает поддерживаемые языки и мультимодальные возможности, поэтому их нельзя подтвердить. Сильные стороны модели — специализация на function calling, JSON-структурированном выводе и использовании инструментов, а также широкий выбор квантизаций для систем с разными ограничениями по памяти. Автор предупреждает, что модель оптимизирована для агентских оболочек, например Hermes Agent, и может работать непредсказуемо при обычном инференсе без системного промпта; разговорное поведение вне структурированного harness не гарантируется. Модель распространяется по лицензии Apache-2.0.

IndoBERT-Lite Large Model (phase1, uncased) — предварительно обученная языковая модель для индонезийского языка, разработанная командой IndoBenchmark. Она основана на архитектуре ALBERT и обучена на корпусе Indo4B с задачами masked language modeling и next sentence prediction. Модель предназначена для извлечения контекстных представлений текста, которые можно использовать в качестве основы для последующих задач обработки индонезийского языка. Модель содержит около 433,4 млн параметров, принимает текстовые последовательности длиной до 512 токенов и поддерживает извлечение признаков через Transformers; в репозитории доступны форматы PyTorch и TensorFlow. Карточка описывает uncased-вариант, то есть текст обрабатывается без различения регистра. Лицензия — MIT.

Модель gateremark/kikuyu_translategemma_12b_merged — дообученная версия Google Translate Gemma 3 12B, созданная gateremark на базе google/translategemma-12b-it. Она предназначена для перевода текста и извлечения текста с переводом по изображениям; поддержка визуального ввода указана в метаданных. Модель использует плотную архитектуру Gemma 3, распространяется в формате safetensors и доступна по лицензии Apache-2.0. Базовая TranslateGemma поддерживает перевод между 55 языками. Карточка этой производной версии не уточняет, какие именно языки или сценарии перевода покрыты её дообучением; язык en указан в тегах карточки. README сообщает об обучении с Unsloth и библиотекой TRL, но не приводит оценок качества.

KoDiffCSE-RoBERTa — модель BM-K для получения векторных представлений корейских предложений. Она основана на архитектуре RoBERTa и предназначена для извлечения признаков текста и сравнения семантической близости предложений. В README проект описан как реализация Difference-based Contrastive Learning для корейских эмбеддингов; приведены эксперименты на wiki-корпусе и оценка на KorSTS. Модель содержит 137,8 млн параметров и поддерживает контекст до 514 токенов. Её можно применять для поиска семантически похожих предложений, кластеризации и других задач, где нужны эмбеддинги корейского текста. README приводит результаты для семейства KoSRoBERTa, но не позволяет однозначно связать конкретные значения таблицы с этим репозиторием. Лицензия в предоставленных данных не указана.

adeshkin/labse-kjh-ru-mnrl-1 — модель Sentence Transformers, дообученная автором на параллельном хакасско-русском корпусе khakas-russian-parallel-corpus. Она основана на многоязычной BERT-модели LaBSE и преобразует предложения и абзацы на хакасском и русском языках в плотные векторы размерности 768 для поиска и сравнения текстов по смыслу. Для сопоставления векторов используется косинусное сходство; модель подходит для двуязычного поиска и извлечения соответствий между хакасскими и русскими текстами. В README приведена средняя точность 0,9529 на оценке перевода, но это значение относится к указанному набору оценки и не гарантирует такое же качество на других данных. Модель принимает текст и выдаёт векторные представления. В метаданных указано максимальное контекстное окно 512 токенов, тогда как README модели сообщает ограничение 256 токенов; фактический лимит может зависеть от конфигурации, поэтому длинные тексты следует разбивать на части. Веса опубликованы в формате safetensors, библиотека — sentence-transformers. Лицензия в предоставленных сведениях не указана.

LaME-2B — мультимодальная модель эмбеддингов, разработанная авторами LaME и основанная на Qwen2-VL-2B-Instruct. Она обучена совместно создавать представления для поиска и представления, связанные с генерацией: обучение использует восемь обучаемых токенов [REASON], латентный декодер Qwen3-0.6B и сочетает контрастивную функцию потерь с надзором декодера. Размер проекции составляет 3584. Модель предназначена для мультимодального поиска и извлечения по тексту, изображениям, видео и визуальным документам. В README заявлены результаты уровня state of the art на MMEB-v2 и MRMR; примеры использования и оценки вынесены в репозиторий LaME. В Hugging Face модель опубликована в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Доступные сведения не уточняют поддерживаемые естественные языки и ограничения по контексту; результаты на указанных бенчмарках не гарантируют качество для других данных и сценариев.

laion/larger_clap_general — модель CLAP (Contrastive Language-Audio Pretraining), разработанная LAION. Это улучшенный чекпойнт, обученный на парах аудио и текста для общих звуков, музыки и речи. Архитектура объединяет аудиоэнкодер на основе Swin Transformer, который получает признаки из log-Mel-спектрограммы, и текстовый энкодер RoBERTa; их представления проецируются в общее латентное пространство, где сходство оценивается скалярным произведением. Модель предназначена для сопоставления аудиозаписи с текстовыми описаниями без дообучения под конкретную задачу, например для классификации звуков по заданным меткам. Также она извлекает аудио- и текстовые признаки для последующего поиска и анализа. В метаданных указано около 132,1 млн параметров; доступны веса PyTorch, библиотека Transformers и лицензия Apache-2.0. Результаты зависят от формулировок текстовых меток и от того, насколько аудио и описания соответствуют данным обучения. README не приводит оценки качества, предельную длительность аудио или перечень поддерживаемых языков.

Llama-3-Groq-8B-Tool-Use-4bit — англоязычная текстовая генеративная модель семейства Llama 3, разработанная Groq и преобразованная сообществом mlx-community в формат MLX. Модель содержит около 7,5 млрд параметров, использует 4-битное представление и предназначена для запуска через mlx-lm на совместимом оборудовании Apple.

mljn/mdeberta-v3-base-finetuned-climate-vs-environment-classification — дообученная модель классификации текста на базе microsoft/mdeberta-v3-base от Microsoft. Она предназначена для различения текстов о климате и окружающей среде. В README приведены результаты на оценочном наборе: accuracy 0,9337 и macro F1 0,9322. Модель использует архитектуру DeBERTa V3 для классификации последовательностей, содержит 306 млн параметров и принимает текст длиной до 512 токенов. Базовая модель многоязычная, однако конкретные языки и обучающие данные для этой версии не описаны. Распространяется по лицензии MIT.

mimo-7b-gdn-hybrid-600M-OPD — экспериментальная гибридная языковая модель семейства MiMo, разработанная в рамках исследования по преобразованию моделей с полным вниманием в гибриды с Gated DeltaNet. Это снимок этапа OPD после обучения на 600 млн сгенерированных токенов; в README указана базовая модель MiMo-7B-RL-0530 от Xiaomi, а метаданные классифицируют модель как её дообучение. Архитектура — MiMo GDN для причинной генерации текста, с чередованием механизмов внимания по схеме uniform 1:4; размер — 7 млрд параметров, контекст — 65 536 токенов. Модель предназначена для диалоговой генерации и задач рассуждения, включая математику, а также для работы с длинным контекстом. В README приведены результаты на RULER-lite, AIME'24, AIME'25, MATH-500 и GSM8K; авторы отмечают улучшения на AIME, MATH и RULER относительно контрольного этапа, а снижение результата GSM8K связывают с возможным ограничением длины генерации и ожидают подтверждающий прогон. Для загрузки требуется поддержка пользовательской архитектуры mimo_gdn; стандартный AutoModelForCausalLM без её регистрации не подходит. Лицензия — MIT.

Email-tuned BGE-M3 — модель эмбеддингов на базе BAAI/bge-m3, разработанная для поиска по содержимому электронной почты. Это encoder-only модель семейства XLM-RoBERTa с 658,7 млн параметров и контекстом до 8194 токенов, опубликованная в формате safetensors и доступная по лицензии MIT. Модель дообучена на смешанном англо-корейском наборе писем с запросами разных типов, включая вопросы о метаданных, короткие и развёрнутые запросы, а также вопросы с ответом «да» или «нет». Она предназначена для извлечения эмбеддингов и поиска похожих писем или документов, а также для поиска по почтовым архивам на английском и корейском языках. Может применяться как компонент систем ответов на вопросы по содержимому писем. Лучше всего подходит для деловой переписки; качество за пределами почтовой тематики может снижаться и различаться между языками.

llm-semantic-router/mmbert-embed-finance — дообученная модель Sentence Transformers на архитектуре ModernBERT с 306,9 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. Модель рассчитана на работу с текстами до 32 768 токенов; сходство векторов можно оценивать косинусной мерой. Доступны веса Safetensors и формат ONNX. Модель ориентирована на финансовые тексты: примеры обучающих данных содержат вопросы и ответы о финансовой отчётности компаний. Она подходит для поиска по финансовым документам и группировки похожих запросов и фрагментов. Модель наследует мультиязычную основу mmbert-embed-32k-2d-matryoshka; в карточке не перечислены конкретные поддерживаемые языки. Лицензия в предоставленных данных не указана.

mms-300m-1130-forced-aligner-ONNX — ONNX-версия модели MahmoudAshraf/mms-300m-1130-forced-aligner, автоматически конвертированная и опубликованная сообществом onnx-community на Hugging Face. Модель основана на MMS-300M и преобразована для использования с Transformers.js; исходный чекпойнт подготовлен из torchaudio-модели и обучен на наборе данных для forced alignment. Модель предназначена для принудительного выравнивания известного текста и аудиозаписи: она помогает определить временные интервалы произносимых токенов, слов или фрагментов текста и получать временные метки слов. Это подходит для транскрибации с таймкодами, синхронизации текста с речью и анализа речевых записей. Для работы используются аудиофайл, текст и ISO-639-3-код языка; README также указывает поддержку более чем ста языков, включая русский, английский, немецкий, французский, китайский, японский и другие. Ключевая характеристика модели — архитектура на базе wav2vec2/MMS-300M с CTC-подходом и форматом ONNX. Версия ориентирована на запуск через Transformers.js, а исходный Python-процесс включает загрузку аудио, генерацию эмиссий, предварительную обработку текста, выравнивание и расчёт временных интервалов. README не содержит точных сведений о размере ONNX-файлов, длине контекста, метриках качества или ограничениях по длительности аудио. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с обязательной атрибуцией, но ограничивающей коммерческое применение.

argilla/ModernBERT-domain-classifier — англоязычный классификатор текста, разработанный Argilla и дообученный на базе answerdotai/ModernBERT-base. Он предназначен для отнесения текстов к доменным категориям; конкретные классы и подробные сценарии применения в карточке не описаны. Модель использует архитектуру ModernBERT для классификации последовательностей, содержит 149 млн параметров и принимает контекст длиной до 8192 токенов. На указанном в README наборе оценки приведены F1 0,8914 и loss 0,3927. Доступна в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не уточняет набор меток, состав обучающих данных и ограничения качества за пределами указанных метрик.

sdiazlor/modernbert-embed-base-biencoder-human-rights — англоязычная модель Sentence Transformers, дообученная на базе nomic-ai/modernbert-embed-base для поиска и сравнения фрагментов о правах человека. ModernBERT преобразует предложения и абзацы в нормализованные плотные векторы размерности 768; сходство между ними оценивается косинусной мерой. Максимальная длина входной последовательности — 8192 токена. Модель подходит для семантического поиска по документам о правах человека, сопоставления похожих фрагментов, поиска перефразировок, кластеризации и классификации текста. В README приведён результат cosine accuracy 0,9819 на оценке TripletEvaluator; оценочный набор содержит 166 примеров. Это значение относится к указанной оценке и не гарантирует такую же точность на других данных. Модель принимает текст и выдаёт эмбеддинги. Разработчик — пользователь Hugging Face sdiazlor; лицензия Apache-2.0 разрешает использование на её условиях.

Это модель классификации текста, опубликованная пользователем Jeevesh8 на Hugging Face. Судя по названию и архитектуре BertForSequenceClassification, это вариант BERT-base-uncased, дообученный для задачи QQP (Quora Question Pairs): определения, задают ли два вопроса одно и то же. Модель содержит 136,7 млн параметров, использует архитектуру BERT и принимает текстовые пары; максимальная длина контекста — 512 токенов. Доступен формат Flax. Модель предназначена для классификации пар вопросов и выявления семантически дублирующих вопросов. Карточка и метаданные указывают на классификацию текста; отдельные сведения о лицензии и результатах оценки для этого варианта не подтверждены.

MOSS-Audio-4B-Instruct — открытая модель для понимания аудио, разработанная MOSI.AI, командой OpenMOSS и Shanghai Innovation Institute. Это вариант Instruct с аудиоэнкодером MOSS-Audio-Encoder и языковой основой Qwen3-4B; общий размер составляет около 4,6 млрд параметров. Аудио преобразуется в временные представления с частотой 12,5 Гц, которые объединяются с представлениями языковой модели для генерации текста. Модель принимает аудио и выполняет инструкции на его основе. Модель предназначена для распознавания речи с временными метками, ответов на вопросы и составления резюме по аудио, анализа говорящих, эмоций и звуковых событий, описания окружающей обстановки и понимания музыки. Архитектура с передачей признаков между слоями энкодера и временными маркерами поддерживает анализ акустических деталей и последовательности событий. В карточке семейства заявлена поддержка английского и китайского языков; результаты оценки относятся к семейству моделей и не гарантируют такое же качество именно для варианта 4B. Модель распространяется по лицензии Apache-2.0. Карточка описывает возможности семейства, но не приводит отдельные результаты оценки, требования к ресурсам или конкретные ограничения варианта 4B-Instruct.

ritulk/MPNET-fine-tuned-political-clustering — текстовая Sentence Transformer модель на архитектуре MPNet, дообученная на базе microsoft/mpnet-base на датасете projecte-aina/sts-ca. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Модель использует усреднение токенных представлений и косинусное сходство; её контекст составляет до 512 токенов по карточке модели и 514 токенов по метаданным. Обучение на каталонском датасете семантического сходства и указанные языки en и ca делают её подходящей прежде всего для английского и каталонского текста. Лицензия Apache-2.0. Показатели оценки в README различаются между наборами данных; результаты могут зависеть от языка и предметной области, поэтому качество для русского и политической тематики не подтверждено приведёнными данными.

MUFFIN-T5-11B — модель семейства T5, разработанная авторами проекта MUFFIN и дообученная на наборе инструкций MUFFIN. Карточка описывает её как веса версии на базе T5-11B, предназначенной для выполнения разнообразных инструкций. При этом метаданные репозитория указывают архитектуру T5ForConditionalGeneration и 385,2 млн параметров, поэтому заявленный в README размер 11 млрд параметров расходится с метаданными. Модель принимает текстовые запросы и формирует текстовые ответы в формате text-to-text. В метаданных указан контекст 512 токенов и английский язык; репозиторий содержит веса PyTorch и распространяется по лицензии MIT. README отсылает к карточке MUFFIN-T5-3B за подробной документацией, поэтому конкретные возможности и результаты здесь описаны ограниченно.

damand2061/negasibert-mnrl — модель Sentence Transformers, дообученная автором на базе indobenchmark/indobert-base-p1 для построения векторных представлений индонезийских предложений и абзацев. Архитектура объединяет BERT с усреднением токенных представлений; модель содержит 151,6 млн параметров и выдаёт плотные векторы размерности 768. Для сравнения текстов используется косинусное сходство. Модель предназначена для оценки семантического сходства и поиска похожих текстов, а также может применяться для поиска по смыслу, поиска перефразировок, кластеризации и классификации текста. Она обучена с MultipleNegativesRankingLoss на 12 000 парах предложений. Метаданные указывают контекст до 512 токенов, однако карточка модели задаёт максимальную длину последовательности 32 токена, что ограничивает эффективную длину входа. Это текстовая модель для индонезийского языка, распространяемая в формате safetensors и доступная через библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.