I.3Извлечение и структурирование данных

facebook/fasttext-fr-vectors — предварительно обученная модель векторных представлений французских слов на основе библиотеки fastText, разработанной Facebook. Она предназначена для получения векторов слов и использования их в задачах классификации текста и определения языка, а также для оценки сходства слов по косинусной близости. Модель построена на архитектуре CBOW с позиционными весами, использует символьные n-граммы длиной 5 и выдаёт векторы размерности 300. Обучение проводилось на данных Common Crawl и Википедии. fastText рассчитан на работу на стандартном оборудовании и может применяться в прототипах и производственных системах. Модель поддерживает французский язык; описание семейства сообщает о моделях fastText для 157 языков. Возможны смещения в предсказаниях, а качество и охват представлений зависят от обучающих корпусов. Лицензия модели — CC BY-SA 3.0.

fast-ukrainian-asr-600m — украинская модель распознавания речи, созданная дообучением 600-миллионного мультиязычного SSL-энкодера GigaAM и адаптированная для телефонного аудио. Она предназначена для преобразования украинской речи в текст, в том числе в телефонных записях с частотой 8 кГц после передискретизации до 16 кГц. Модель использует CTC-архитектуру с символьной выходной головой на 38 классов; принимает монофонический звук с частотой 16 кГц и выдаёт текст. По результатам авторского сравнения модель особенно хорошо распознаёт начитанную речь, в том числе аудио в телефонном канале, но слабее справляется со спонтанной разговорной речью. Она предназначена только для украинского: русский язык не поддерживается. Вывод не содержит пунктуации и заглавных букв, а числа записываются словами. По оценке авторов, на CPU модель требует примерно в 2,4 раза больше времени, чем вариант на 220 млн параметров. Лицензия — MIT.

GreenNode разработала GreenNode-Embedding-Large-VN-V1 — модель Sentence Transformer на базе XLM-RoBERTa для получения плотных векторных представлений вьетнамских предложений и абзацев. Она кодирует входной текст в векторы размерностью 1024, нормализованные для сравнения по косинусному сходству; максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска и сравнения текстов, в том числе таблиц и документов на вьетнамском языке. Её можно применять для поиска подходящих фрагментов в коллекциях документов, сопоставления похожих формулировок, кластеризации и классификации текста. В README приведены результаты сравнений на наборах для поиска по таблицам, юридическим текстам и вопросам по вьетнамским материалам; эти показатели относятся к указанным тестовым наборам. Модель распространяется под лицензией CC BY 4.0. Она выдаёт эмбеддинги, а не готовые ответы или метки; качество на других языках и типах данных в предоставленных материалах не описано.

Huihui-Qwen3-VL-30B-A3B-Instruct-abliterated-GGUF — набор квантованных версий мультимодальной модели Huihui-Qwen3-VL-30B-A3B-Instruct-abliterated, разработанной huihui-ai. Модель предназначена для задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. Модель основана на архитектуре Qwen3-VL и имеет конфигурацию 30B-A3B; точные характеристики архитектуры, поддерживаемые языки и размер контекста в README не указаны. Распространяется в формате GGUF для запуска через llama.cpp; для работы требуется актуальная версия llama.cpp и соответствующий мультимодальный проектор mmproj. Указано, что приоритет качества обычно имеют варианты mmproj в порядке F32, BF16, F16. В наборе применена imatrix от unsloth, что связано с оптимизацией квантования. Основные ограничения — зависимость доступного качества и производительности от выбранного уровня квантования и аппаратных ресурсов, а также необходимость отдельного mmproj. Лицензия в README не указана; условия использования следует уточнять на странице исходной модели и репозитории квантованных версий.

Модель quarkss/indobert-base-p2-sts-arxiv-id — Sentence Transformer на базе indobenchmark/indobert-base-p2, дообученный для работы с индонезийским текстом. Разработчик дообучил BERT на наборах STS-B и arxiv_paper_cs_id; модель содержит 151,6 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 768. Максимальная длина последовательности — 512 токенов, для сравнения векторов подходит косинусное сходство. Модель предназначена для оценки семантической близости предложений, семантического поиска и поиска перефразирований. В README также указаны кластеризация и классификация текста. Для оценки сходства на наборе sts-dev приведены значения Spearman 0,8422 и Pearson 0,8244 при косинусном сходстве. Модель принимает текст и выдаёт эмбеддинги, которые можно использовать в поисковых и аналитических конвейерах. Модель ориентирована на индонезийский язык и тексты, похожие на обучающие данные, включая заголовки и аннотации научных статей по компьютерным наукам. Для других языков и существенно иных областей качество не подтверждено; вход длиннее 512 токенов превышает указанную максимальную длину последовательности. Сведения о лицензии в предоставленных источниках отсутствуют.

Intern-S2-397B — мультимодальная базовая модель компании InternLM, предназначенная для научных задач, сложных рассуждений и длительных агентных сценариев. В метаданных указана архитектура семейства Qwen3.5 MoE и библиотека Transformers; карточка описывает визуально-языковое предобучение, многозадачное обучение с подкреплением и агентное обучение в интерактивных средах. Размер модели в предоставленных сведениях не указан. Модель принимает текст и изображения, включая необработанные страницы научной литературы, и умеет работать с временными рядами через LMDeploy. Её предполагаемые сценарии включают анализ научных материалов, решение специализированных научных задач, генерацию структур для биомолекул и материалов, а также выполнение длительных задач агентом с вызовом инструментов. README приводит оценивание текстовых задач при длине инференса до 256K токенов и мультимодальных — до 64K токенов; это параметры оценки, а не заявленная длина контекста модели. Карточка сообщает о поддержке режимов рассуждения и вызова инструментов, но не приводит список поддерживаемых естественных языков. Репозиторий использует safetensors и библиотеку Transformers; для развёртывания перечислены LMDeploy, vLLM и SGLang. Лицензия — Apache-2.0. Заявления о результатах основаны на бенчмарках, описанных авторами; для временных рядов README указывает поддержку инференса только в LMDeploy.

InternVL3.5-241B-A28B-Flash — мультимодальная чат-модель OpenGVLab из семейства InternVL3.5, основанная на InternVL3.5-241B-A28B и дообученная на данных MMPR-v1.2 и MMPR-Tiny. Модель принимает изображения и текст и формирует текстовые ответы; она предназначена для диалога по изображениям, визуальных рассуждений, решения задач и агентных сценариев, включая взаимодействие с графическим интерфейсом и задачи с видео. В README описаны Cascade Reinforcement Learning для улучшения рассуждений и Visual Resolution Router, динамически настраивающий разрешение визуальных токенов. Версия Flash поддерживает раздельное размещение зрительной и языковой частей модели для эффективного инференса. Репозиторий использует формат Safetensors и библиотеку Transformers; лицензия — Apache-2.0. Для эксплуатации крупной модели нужны значительные вычислительные ресурсы; точные параметры этой версии и размер её контекста в предоставленных данных не приведены.

Lemone-Embed Pro — модель эмбеддингов, разработанная Louis Brulé Naudet для семантического поиска по французским налоговым и юридическим материалам. Это Sentence Transformer, дообученный на базе Alibaba-NLP/gte-multilingual-base на корпусе из 303 863 примеров, связанных с французским налоговым законодательством и административными документами. Обучающие данные включают синтетические и полусинтетические примеры, созданные с помощью GPT-4 Turbo и Llama 3.1 70B и прошедшие дополнительную обработку и проверку. Модель преобразует текст в плотные векторы размерности 768 и поддерживает сравнение сходства по косинусной мере. Максимальная длина последовательности — 8192 токена. Она предназначена прежде всего для поиска релевантных фрагментов в крупных налоговых корпусах и построения RAG-систем, а также подходит для семантического сравнения, поиска перефразировок и кластеризации. В README приведены высокие значения точности поиска на наборе Lemone, однако они не гарантируют аналогичных результатов на других корпусах. Модель ориентирована на французский язык и налогово-правовую тематику. Доступна по лицензии Apache 2.0; в репозитории представлены форматы Safetensors и ONNX.

jhj1769/Llama1B_mrpc — дообученная модель классификации текста на основе Meta Llama 3.2 1B. Она предназначена для классификации текстовых примеров; название модели указывает на задачу MRPC — определение того, выражают ли два предложения одинаковый смысл. Модель содержит 1,2 млрд параметров, использует плотную архитектуру Llama и сохранена в формате safetensors. Заявленная длина контекста — 131 072 токена. В README приведены результаты оценки: accuracy 0,8064 и F1 0,8668; датасет обучения и подробности применения не раскрыты. Базовая модель поддерживает несколько языков, но конкретные языки этой версии не подтверждены. Лицензия — Llama 3.2; применяются её условия использования.

LocalAI-io/LocalAI-Llama3-8b-Function-Call-v0.2 — дообученная плотная авторегрессионная модель семейства Llama 3 с 7,5 млрд параметров, разработанная для LocalAI. Она предназначена для диалоговых сценариев с вызовом инструментов и ограниченной грамматикой: при переходе в режим инструментов модель отвечает в формате JSON. Контекст составляет 8192 токена; репозиторий содержит веса в формате safetensors. Модель подходит для интеграции в приложения LocalAI, где нужно преобразовывать запросы пользователя в структурированные аргументы вызова инструментов. README сообщает о дообучении на пользовательском наборе данных и данных Glaive, но не приводит подробностей о тестировании и качестве. Лицензия указана как llama3; условия её применения следует сверять с лицензией семейства Llama 3.

MatCha-Chart2text-statista — модель обработки изображений и текста, разработанная Fangyu Liu, Francesco Piccinno и соавторами и опубликованная в экосистеме Hugging Face при участии Younes Belkada. Это модель MatCha на архитектуре Pix2Struct, дообученная на наборе данных Chart2text-statista для создания кратких описаний диаграмм и ответов на вопросы о них. Модель предназначена для анализа графиков и диаграмм: она принимает изображение с визуализацией и текстовый вопрос или запрос, а затем генерирует ответ на естественном языке. Предобучение MatCha включает задачи восстановления структуры графиков и числовых рассуждений; в карточке сообщается о результатах на бенчмарках PlotQA и ChartQA и переносе подхода на другие визуальные задачи. Модель доступна в формате PyTorch под лицензией Apache-2.0. Карточка не приводит размер модели или длину контекста. Указанные в метаданных языки — английский, французский, румынский и немецкий; основное назначение модели — понимание графиков, поэтому качество ответов на конкретных типах диаграмм и формулировках запросов следует проверять на своих данных.

Funnel Transformer medium — англоязычная предварительно обученная модель семейства Funnel Transformer, разработанная командой, представившей это семейство. Это версия B6-3x2-3x2 с декодером, обученная без разметки на текстах с задачей выявления заменённых токенов, подобной ELECTRA. Модель регистронезависимая и принимает текст; её контекст составляет 512 токенов. Модель предназначена прежде всего для извлечения векторных представлений текста, которые можно использовать при дообучении для классификации последовательностей и токенов, ответов на вопросы и других задач понимания текста. Она не предназначена для генерации текста. Доступны реализации для PyTorch и TensorFlow; обучение проводилось на англоязычных данных, включая BookCorpus, Wikipedia, ClueWeb, GigaWord и Common Crawl. Лицензия — Apache-2.0.

ddimri/miki_cls_v3-roberta — модель для классификации текстов, опубликованная на Hugging Face и предназначенная для использования через библиотеку Transformers. В карточке модели разработчик и конкретный набор классов не указаны. Модель основана на архитектуре RoBERTa и содержит около 151,8 млн параметров. Она поддерживает задачу text-classification и рассчитана на входные последовательности длиной до 514 токенов. Сведения о поддерживаемых естественных языках, модальностях, обучающих данных, результатах оценки и лицензии в доступных материалах отсутствуют. Модель может применяться для отнесения текстов к заранее определённым категориям в прикладных системах, если набор меток и соответствующая область определены при обучении модели. Для продуктивного использования необходимо проверить соответствие её меток, языка и распределения данных конкретной задаче.

arianraje/mimo-7b-gdn-hybrid-400M-OPD — экспериментальный чекпойнт MiMo для генерации текста и диалогов, созданный в рамках исследования преобразования моделей с полным вниманием в гибридные модели GDN (gated DeltaNet) с сохранением части слоёв полного внимания. Это снимок Stage-3 OPD после обучения на 403,27 млн сгенерированных токенов; базой и учителем служила XiaomiMiMo/MiMo-7B-RL-0530, 7-миллиардная языковая модель Xiaomi для математических и программных рассуждений, дообученная с подкреплением. Модель использует плотную архитектуру MiMoGDNForCausalLM с линейным вниманием и контекстом до 65 536 токенов. В карточке приведены результаты GSM8K и RULER-lite, включая извлечение ключевой информации из длинного контекста. Для загрузки требуется зарегистрировать пользовательскую архитектуру mimo_gdn; стандартный AutoModelForCausalLM не подходит, а для обслуживания через vLLM нужна отдельная регистрация. Репозиторий распространяется в формате safetensors по лицензии MIT.

MiniMax-VL-01 — мультимодальная модель компании MiniMax для диалога и задач с изображениями. Она построена по схеме ViT-MLP-LLM: визуальный энкодер ViT на 303 млн параметров, двухслойный MLP-проектор для передачи визуальных признаков и MiniMax-Text-01 в качестве языковой модели. Изображения обрабатываются с динамическим разрешением от 336×336 до 2016×2016 пикселей: модель делит их на патчи и объединяет их представления с миниатюрой исходного изображения. Модель предназначена для ответов на вопросы об изображениях, их описания и выполнения инструкций с визуальным контекстом; также поддерживает диалог и вызов внешних функций со структурированными параметрами JSON. В README приведены результаты оценки на мультимодальных бенчмарках и рекомендации по развёртыванию через vLLM. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

vllm-sr/mmbert-embed-medical — модель Sentence Transformers, дообученная разработчиком vllm-sr на базе vllm-sr/mmbert-embed-32k-2d-matryoshka для медицинских текстов. Это плотный энкодер ModernBERT на 306,9 млн параметров: он кодирует предложения и абзацы в векторы размерности 768, пригодные для сравнения по косинусному сходству. Максимальная длина последовательности — 32 768 токенов; в README описано среднее объединение токеновых представлений. Модель предназначена для семантического поиска и сопоставления медицинских текстов, а также может использоваться для поиска перефразирований, кластеризации и классификации текстов на основе эмбеддингов. Репозиторий содержит веса safetensors и ONNX; метаданные указывают библиотеку sentence-transformers. Сведения о лицензии в предоставленных источниках отсутствуют.

MyAwesomeModel — модель из семейства BERT, опубликованная в репозитории dfgsgsh56/MyAwesomeModel-TestRepo и предназначенная для извлечения признаков из текста. Она доступна через библиотеку Transformers и ориентирована на получение векторных представлений, которые можно использовать в последующих задачах анализа текста и машинного обучения. В метаданных Hugging Face для модели указан pipeline-тег feature-extraction, а также поддержка PyTorch и Transformers. README описывает заявленные возможности рассуждения, генерации кода, классификации, суммаризации, диалога и другие сценарии, однако эти утверждения не согласуются с указанным типом pipeline и не содержат надежных сведений о конфигурации, размере, контексте или языках модели. Модель распространяется по лицензии MIT. Для практического применения следует учитывать, что README не подтверждает языковой охват, размер модели, длину контекста и результаты независимой оценки; качество признаков необходимо проверять на собственных данных.

MyAwesomeModel — модель на базе архитектуры BERT, доступная через библиотеку Transformers и предназначенная для извлечения признаков из входных данных. В метаданных Hugging Face для неё указан pipeline-тег feature-extraction, поэтому модель может использоваться для получения векторных представлений текста в прикладных системах машинного обучения. Модель опубликована в репозитории dfsfsdg5657/MyAwesomeModel-TestRepo. README также заявляет о возможностях рассуждения, генерации кода, ответов на вопросы, классификации и диалогов, однако эти сведения не согласуются с указанным pipeline-тегом feature-extraction и не содержат проверяемых технических характеристик модели. Размер, поддерживаемые естественные языки и длина контекста не указаны. Лицензия модели — MIT.

blackmlengineer/occucoder-en-grande-v0 — текстовая Sentence Transformer модель на архитектуре BERT, разработанная blackmlengineer и дообученная на обучающем наборе из 991 580 пар и троек текстов. Она преобразует предложения и короткие абзацы в плотные векторы размерности 512; сходство между векторами можно оценивать косинусной мерой. Модель подходит для поиска и сопоставления коротких текстов, включая семантическое извлечение релевантных результатов. Максимальная длина входа — 32 токена. При обучении использовалась функция MultipleNegativesRankingLoss на примерах с якорным текстом, положительным и отрицательным соответствиями. Обучающие примеры связаны с названиями профессий и близкими категориями, поэтому применимость за пределами такого рода коротких текстовых соответствий может быть ограничена. Репозиторий содержит веса safetensors; лицензия в доступных данных не приведена.

OdiaSBERT-STS — модель семейства SBERT от команды L3Cube-Pune, входящая в проект MahaNLP. Это модель на архитектуре BERT, дообученная на датасете оценки семантического сходства предложений (STS) поверх l3cube-pune/odia-sentence-bert-nli. Она преобразует тексты на одия в плотные векторные представления для сравнения смысловой близости предложений и поиска семантически похожих текстов. Модель содержит 264,8 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель подходит для оценки сходства пар предложений, семантического поиска и кластеризации текстов на одия. Для работы с эмбеддингами в Transformers требуется применять соответствующую операцию pooling к контекстным представлениям токенов; README также описывает использование Sentence-Transformers. Лицензия — CC BY 4.0. Карточка не сообщает результаты качества или ограничений помимо указанных характеристик.

InternVL3_5-30B-A3B-GGUF — квантизированная версия мультимодальной модели InternVL3.5-30B-A3B, разработанной OpenGVLab. Сборка подготовлена bartowski в формате GGUF с использованием llama.cpp и imatrix-квантизации. Модель предназначена для задач image-text-to-text: обработки изображений совместно с текстовыми запросами и генерации текстовых ответов. Она рассчитана на запуск через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 и Q8_0 до более компактных IQ3 и Q3, с размером файлов примерно от 13,43 до 61,10 ГБ. Для большинства сценариев автор сборки рекомендует варианты Q4_K_M, Q5, Q6 и другие варианты с соответствующим балансом качества и требований к памяти. Ключевое обозначение модели указывает на конфигурацию 30B-A3B, однако README не содержит подробностей об архитектуре, количестве активируемых параметров, размере контекста, поддерживаемых языках и точных характеристиках визуального энкодера. Более компактные квантизации снижают требования к оперативной памяти, но могут ухудшать качество ответов; низкобитные варианты предназначены для систем с ограниченными ресурсами. Формат промпта в README не указан, поэтому его следует уточнять на странице исходной модели. Лицензия в предоставленных данных не указана.

bartowski/OpenGVLab_InternVL3_5-38B-GGUF — это GGUF-квантизированная версия мультимодальной модели InternVL3_5-38B, разработанной OpenGVLab. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text, то есть обработки изображений и генерации текстовых ответов, а также может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. В репозитории доступны варианты от исходных BF16-весов размером 65,53 ГБ до сильно сжатых форматов Q2, Q3, IQ3 и Q4, а также более качественных Q5, Q6 и Q8. Размер файлов составляет примерно от 13,70 до 34,82 ГБ для квантованных вариантов. Версии Q4_K_M, Q5, Q6 и IQ4 обозначены как рекомендуемые; Q4_K_M описан как вариант по умолчанию для большинства сценариев, а Q6_K и Q6_K_L — как варианты с очень высоким качеством. Более компактные Q3 и Q2 экономят оперативную память, но имеют заметно более низкое качество. README не содержит сведений о размере контекстного окна, поддерживаемых языках, деталях архитектуры, точном формате запросов или лицензии. Поэтому эти характеристики и юридические условия использования необходимо уточнять на странице исходной модели OpenGVLab/InternVL3_5-38B.

Prem-1B-SQL — модель генерации текста для преобразования запросов на естественном языке в SQL, разработанная Prem AI. Она предназначена для локального анализа данных: модель получает вопрос пользователя и сведения о базе данных, после чего генерирует SQL-запрос. Для работы с базами и подготовки промптов разработчики предлагают библиотеку PremSQL, включая генераторы и режим выполнения запроса с исправлением по сообщениям об ошибках. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 1,3 млрд параметров. Контекст — до 16 384 токенов; формат весов в репозитории — safetensors. В README приведены результаты на Spider и BirdBench, включая заметно более низкую точность на сложных примерах BirdBench. Компактный размер подходит для запуска на маломощном GPU, а при квантизации — и на CPU. Карточка указывает лицензию MIT, тогда как метаданные Hugging Face указывают Apache-2.0; лицензионные сведения расходятся, поэтому перед использованием следует проверить лицензию репозитория и файлов. Модель специализирована на Text-to-SQL, а не на произвольных диалоговых задачах; качество снижается на сложных запросах, и результаты генерации нужно проверять на целевой базе данных.

nluai/question-generation-vietnamese-v2 — модель генерации поисковых запросов для расширения документов, основанная на mT5 и дообученная на вьетнамских данных набора mMARCO. Модель принимает текстовые фрагменты и генерирует вероятные запросы, связанные с их содержанием; это помогает добавить в поисковый индекс синонимы и повысить вес значимых слов для лексического поиска BM25 в Elasticsearch, OpenSearch или Lucene. Модель также подходит для создания пар «запрос — текст» на неразмеченных коллекциях, которые можно использовать при обучении плотных моделей эмбеддингов. В обучении использовались пары «запрос — passage» из mMARCO; вход ограничивался 320 токенами WordPiece, выход — 64. Генерация с выборкой top-k/top-n недетерминирована. Модель содержит 291,2 млн параметров, использует архитектуру mT5 и распространяется под лицензией Apache-2.0.

Exil01 представляет Qwen3.5-27B-Uncensored-YaRN-1M — GGUF-сборку плотной модели Qwen3.5 с 27 млрд параметров, основанную на HauhauCS/Qwen3.5-27B-Uncensored-HauhauCS-Aggressive. Модель предназначена для диалоговой генерации текста и работы с длинными контекстами; заявлены 262 тыс. токенов активного контекста и расширение YaRN до 1 млн токенов. Карточка также указывает поддержку изображений через файл mmproj. В репозитории указаны варианты GGUF BF16 и F16; для запуска заявлены примерно 60 ГБ видеопамяти при контексте 262 тыс. токенов и 90 ГБ при 1 млн. Максимальная длина генерации по карточке — 81 920 токенов. Модификация описана как uncensored и aggressive; качество и безопасное поведение не гарантируются. Лицензия — Apache-2.0.

Qwen3.8-27B-Huihui-Abliterated-NInfer-NVFP4 — мультимодальная модель для работы с текстом и изображениями, разработанная на основе huihui-ai/Huihui-Qwen3.8-27B-abliterated и упакованная в формат NInfer. Артефакт предназначен для локального инференса, исследований поведения моделей и сценариев, требующих рассуждений и анализа визуального содержимого. Заявлены английский и китайский языки. Модель имеет размер 27 млрд параметров; точная базовая архитектура в README не описана. Используется смешанное представление весов: FP8 E4M3 с построчным масштабированием BF16 для attention и Gated DeltaNet-проекций, NVFP4 с размером группы 16 для MLP-слоёв 0–55, а также FP8 для lm_head и MLP-слоёв 56–63. Нормализации, эмбеддинги, vision tower и MTP-тензоры сохранены в исходном формате Huihui. Поддерживается обработка изображений, а серверный профиль предусматривает контекст до 204 800 токенов, однако качество на длинном контексте зависит от рабочей нагрузки. Сильные стороны модели — мультимодальность, высокая компактность смешанного квантования и оптимизация под видеокарты NVIDIA Blackwell, включая RTX 5090; README сообщает о проверенной работе на одной RTX 5090 и скорости декодирования около 74,8 токена в секунду. Ограничения включают зависимость от совместимого оборудования и NInfer, отсутствие комплексных бенчмарков, а также то, что abliterated-производная может иметь изменённые характеристики отказов и поведения. Модель распространяется по лицензии Apache-2.0; предназначена для исследований и локального использования, ответственность за дальнейшее применение лежит на пользователе.

PhilipCisco/qwen3-base-financial — текстовая модель Sentence Transformers, дообученная разработчиком PhilipCisco на базе Qwen/Qwen3-Embedding-0.6B. Она кодирует предложения и абзацы в плотные векторы размерностью 1024 и сравнивает их с помощью косинусного сходства. Модель предназначена для семантического поиска и оценки смысловой близости текстов; в README приведены примеры вопросов и ответов по корпоративной финансовой отчётности. Модель использует архитектуру Qwen3Model с пулингом последнего токена и нормализацией. Максимальная длина последовательности — 32 768 токенов. Обучение проводилось на наборе из 5 600 пар «запрос — релевантный текст» с MatryoshkaLoss и MultipleNegativesRankingLoss. Указан английский язык, лицензия Apache-2.0. В README приведены метрики поиска на тестовом наборе, однако результаты на других данных не описаны.

novacardsai/qwen3-medical — дообученная командой NovaCards AI модель Sentence Transformer на базе Qwen/Qwen3-Embedding-4B для получения текстовых эмбеддингов медицинских карточек и других фрагментов текста. Она преобразует предложения и абзацы в плотные векторы размерности 2560; сходство между ними можно оценивать косинусной мерой. Максимальная длина последовательности — 40 960 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В README приведён пример обучающих данных для медицинских флеш-карточек и оценка cosine accuracy 0,962 на проверочном наборе med_flashcard_val. Архитектура включает Qwen3Model, pooling по последнему токену и нормализацию выходного вектора. Репозиторий использует Sentence Transformers и формат safetensors. Лицензия в предоставленных данных не указана. Это модель для представления и сопоставления текстов, а не для генерации медицинских ответов; качество за пределами описанного сценария проверки из этих данных установить нельзя.

Qwen3-VL-32B-Instruct-MLX-8bit — это 8-битно квантованная версия мультимодальной модели Qwen3-VL-32B-Instruct, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx-vlm; модель оптимизирована для запуска на устройствах Apple Silicon. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Она может использоваться в сценариях, требующих совместного анализа визуальной и текстовой информации, однако README не содержит подробностей о поддерживаемых языках, размере контекстного окна и конкретных возможностях исходной модели Qwen3-VL-32B-Instruct. Ключевая характеристика этой версии — 8-битное квантование, которое снижает требования к памяти по сравнению с полноразмерной моделью и делает её более подходящей для локального запуска на Apple Silicon. При этом квантование может влиять на точность по сравнению с исходной версией. README не приводит результаты тестирования, сведения о производительности и ограничения мультимодального ввода, поэтому их нельзя оценить точнее. Модель распространяется по лицензии Apache-2.0.

LorMolf/Qwen-Embedding-ProcCode — модель текстовых эмбеддингов, созданная дообучением Qwen/Qwen3-Embedding-0.6B для поиска по материалам итальянских государственных закупок. Она принимает запросы в формате «Instruct: \nQuery: » и текст документов без префикса инструкции, преобразуя их в представления для семантического поиска и извлечения релевантных материалов. Для обучения применялись LoRA и функция потерь InfoNCE; контекст обучения и оценки составлял до 32 768 токенов. Модель ориентирована на retrieval по статьям, исходным документам и узлам вики, связанным с закупками. В метаданных указаны архитектура Qwen3, около 507,6 млн параметров и формат safetensors. Лицензия в предоставленных данных не указана.