I.3Извлечение и структурирование данных

jfarray/Model_all-distilroberta-v1_30_Epochs — модель эмбеддингов предложений на базе RoBERTa, опубликованная пользователем jfarray. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска по смыслу и кластеризации текстов. Модель можно использовать через библиотеку Sentence-Transformers; в метаданных указаны 95,2 млн параметров, контекст до 514 токенов и формат PyTorch. Обучение проводилось с функцией потерь CosineSimilarityLoss. Модель принимает текст и возвращает векторные представления, которые можно сравнивать для оценки смысловой близости. README не указывает поддерживаемые естественные языки или результаты бенчмарков. Лицензия в предоставленных данных не указана.

Это англоязычная модель Sentence Transformer на базе microsoft/mpnet-base, дообученная разработчиками Sentence Transformers на наборе sentence-transformers/all-nli с функцией потерь MultipleNegativesRankingLoss. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения семантической близости по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из MPNet и mean pooling; максимальная длина последовательности — 512 токенов. В README приведены результаты оценки TripletEvaluator на наборах all-nli-dev и all-nli-test. Модель принимает текст и выдаёт векторы для дальнейшего поиска и анализа. Она рассчитана на английский язык. Распространяется по лицензии Apache-2.0.

Модель sentence-transformers/msmarco-distilbert-multilingual-en-de-v2-tmp-lng-aligned разработана командой Sentence-Transformers. Это плотный энкодер на архитектуре DistilBERT, который преобразует предложения и абзацы в векторы размерности 768. Модель рассчитана на поиск семантически близких текстов и кластеризацию; для получения векторов используется библиотека Sentence-Transformers либо Transformers с подходящей операцией pooling. Модель принимает текст и выдаёт векторные представления, которые можно сравнивать для поиска по смыслу. Максимальная длина контекста составляет 512 токенов. Репозиторий содержит варианты в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0.

MyAwesomeModel — модель из репозитория yfeng123456/MyAwesomeModel-TestRepo, опубликованная для использования с библиотекой Transformers и PyTorch. По метаданным Hugging Face она относится к семейству BERT и предназначена прежде всего для извлечения признаков из текста.

OpenLID-v2 — модель классификации текста для автоматического определения языка. Её разработали Laurie Burchell, Alexandra Birch, Nikolay Bogoychev и Kenneth Heafield; она представляет собой улучшенную версию OpenLID и использует библиотеку fastText. В README модель описана как высокопроизводительная и охватывающая широкий набор языков. Модель подходит для определения языка коротких текстов и строк, например для маршрутизации запросов по языку, предварительной сортировки корпусов и добавления языковых меток к пользовательскому контенту. В карточке указано NLP-язык en, а репозиторий связан с датасетом OpenLID-v2. Лицензия — GPL-3.0.

Ornith-1.0-35B-1M-GGUF — GGUF-сборка модели Ornith-1.0-35B от DeepReinforce, опубликованная satgeze. Это текстовая генеративная модель на базе 35B MoE-архитектуры семейства Qwen3.5 с примерно 3B активных параметров. Сборка предназначена для локального запуска через llama.cpp и Ollama и расширена поддержкой длинного контекста, speculative decoding через MTP и обработки изображений. Ключевая особенность — контекстное окно до 1 048 576 токенов: масштабирование RoPE по YaRN встроено в метаданные GGUF, поэтому для llama.cpp и Ollama не требуются дополнительные параметры. В README заявлена проверка поиска информации по длинному контексту: 50 из 50 тестовых фрагментов найдены на диапазоне до 1M токенов. MTP-сборка Q6_K показала рост скорости декодирования с 267,9 до 382,9 токена в секунду, или примерно на 43%; для APEX-Compact заявлен прирост 14%. Визуальный модуль подключается отдельным файлом mmproj и, по данным README, распознаёт текст на изображениях и объекты. Модель подходит для генерации текста, работы с большими документами и другими задачами, требующими очень длинного контекста, а также для мультимодальных сценариев с изображениями. Доступны варианты квантования различного размера; рекомендуемые MTP-файлы занимают 17,0 и 29,2 ГБ, а визуальный модуль — 899 МБ. Ограничения включают высокие требования к оперативной или видеопамяти, зависимость производительности от оборудования и потенциальные потери качества при выборе более агрессивного квантования. Модель распространяется по лицензии MIT.

pico-type — компактная модель классификации содержимого от eulogik. Она принимает необработанные байты и за один проход определяет тип и модальность содержимого, подтип, язык кода или текста, MIME-тип и признаки риска. Токенизатор не требуется, поэтому модель рассчитана на разные языки и форматы данных. Модель использует байтовые эмбеддинги, параллельные свёртки Conv1D и двунаправленное внимание с RoPE. Доступны четыре варианта размерностью от 1,43 до 1,56 млн параметров; веса представлены в формате ONNX FP32. В README заявлены размер файла около 9 МБ и инференс примерно за 18 мс на CPU, а также варианты применения на периферийных устройствах, в браузере и серверless-средах. Модель подходит для автоматической маркировки текста и файлов, определения языков программирования и текста, MIME-типа и флагов риска. README отмечает, что точность распознавания некоторых языков кода ниже из-за малого числа обучающих примеров. Лицензия — Apache-2.0.

unsloth/Qwen2.5-14B — 14-миллиардная плотная авторегрессионная языковая модель семейства Qwen2.5, опубликованная Unsloth как дообученная версия Qwen/Qwen2.5-14B. Она предназначена для генерации и продолжения текста; базовая модель особенно подходит для дальнейшего постобучения, а карточка не рекомендует использовать базовые языковые модели непосредственно для диалогов. Архитектура использует RoPE, SwiGLU, RMSNorm и grouped-query attention; контекст составляет до 131 072 токенов. Модель поддерживает многоязычную генерацию, включая китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. Семейство Qwen2.5 заявлено как улучшенное в программировании, математике, следовании инструкциям, работе с длинными текстами и структурированными данными, однако эти характеристики в README описаны для семейства в целом и не подтверждены отдельной оценкой данного чекпойнта. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0.

Furiosa-AI Qwen3-30B-A3B-FP8 — оптимизированная сборка модели Qwen3-30B-A3B-FP8, распространяемая вместе с Furiosa Executable Bundle для запуска на ускорителях FuriosaAI RNGD с помощью Furiosa-LLM. Исходная модель относится к семейству Qwen3; карточка Furiosa-AI предназначена для работы с этой моделью в специализированной инфраструктуре. Это авторегрессионный текстовый Transformer с архитектурой Mixture-of-Experts (MoE): всего около 30,5 млрд параметров, из которых примерно 3,3 млрд активируются для каждого токена. Модель работает в режимах с рассуждением и без него, поддерживает переключение режима для каждого запроса, генерацию текста, следование инструкциям, мультиязычные сценарии и вызов инструментов. Входная и выходная модальности — текст; конкретный размер контекста и перечень поддерживаемых языков в README не указаны. Веса статически квантизованы в FP8, активации во время выполнения используют динамическую FP8-квантизацию, а KV-кэш сохраняется в 16-битной точности. Поддерживаются reasoning-parser для отделения рассуждений от ответа и hermes-парсер для вызова функций. Сборка рассчитана на Furiosa-LLM и FuriosaAI RNGD; на этой платформе используется тензорный параллелизм на 32 вычислительных элементах, что соответствует четырём картам RNGD. Это ограничивает непосредственную применимость сборки вне совместимой аппаратной и программной инфраструктуры, хотя исходная модель также запускается в других фреймворках. Модель распространяется по лицензии Apache 2.0.

Qwen3-30B-A3B-Thinking-2507-FP8 — текстовая авторегрессионная модель семейства Qwen3, разработанная командой Qwen и адаптированная для запуска на аппаратной платформе FuriosaAI RNGD с помощью Furiosa-LLM. Это thinking-вариант, работающий только в режиме рассуждений: перед итоговым ответом модель формирует цепочку рассуждений, которую совместимый сервер может возвращать отдельно. Модель предназначена для генерации текста, следования инструкциям, решения задач, многоязычного общения и вызова инструментов. Архитектура — Mixture-of-Experts (MoE) на базе Qwen3: около 30,5 млрд общих параметров, из которых примерно 3,3 млрд активируются для каждого токена. Поддерживаются ввод и вывод в текстовом формате, вызов функций через parser Hermes и OpenAI-совместимый API Furiosa-LLM. Веса статически квантованы в FP8, активации используют динамическую FP8-квантизацию, а KV-кэш хранится в 16-битной точности. Ключевое преимущество модели — сочетание возможностей рассуждения, следования инструкциям, многоязычности и использования инструментов при сниженной вычислительной нагрузке на токен благодаря MoE-архитектуре и FP8-квантизации. Ограничения включают работу только в режиме рассуждений, необходимость совместимого стека Furiosa-LLM и аппаратуры FuriosaAI RNGD для описанной конфигурации, а также отсутствие в README сведений о поддерживаемых языках и размере контекста. Для запуска на RNGD требуется тензорный параллелизм на 32 PE, соответствующий четырём картам RNGD. Модель распространяется по лицензии Apache 2.0.

sakamakismile/Qwen3.6-27B-Text-NVFP4-MTP — текстовая NVFP4-квантизованная версия базовой модели Qwen/Qwen3.6-27B. Модель подготовлена пользователем sakamakismile с использованием pipeline GGUF-to-NVFP4-SM120 от Lna-Lab. Она предназначена для генерации текста и запуска через vLLM на GPU NVIDIA Blackwell с архитектурой SM120, включая сценарии со speculative decoding. Модель содержит около 27,78 млрд параметров, 64 слоя гибридной архитектуры с linear attention и full attention, а также один MTP-слой Multi-Token Prediction. Зрительная башня удалена, поэтому модель работает только с текстом. Поддерживаются английский, китайский, японский, корейский, французский, немецкий, испанский, итальянский, португальский, русский и арабский языки. Заявлен максимальный контекст до 256 тысяч токенов. Квантизация выполнена в формате modelopt NVFP4 с помощью nvidia-modelopt 0.43.0; MTP-компоненты и ряд других частей сохранены в bf16 для совместимости и эффективной спекулятивной генерации. К сильным сторонам относятся оптимизация под Blackwell, меньшие требования к памяти по сравнению с полноразмерной bf16-моделью, поддержка KV-кэша FP8 и рабочий MTP-механизм для ускорения декодирования. Ограничения — отсутствие обработки изображений, зависимость от совместимой версии vLLM и аппаратуры Blackwell, а также потенциальные ограничения по памяти при большом контексте и высокой конкуренции запросов. Модель распространяется по лицензии Apache-2.0.

Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive — мультимодальная модель на базе Qwen3.6-35B-A3B, разработанная HauhauCS. Это вариант с усиленным снятием ограничений на отказы: по заявлению автора, модель генерирует полный ответ даже на запросы, от которых обычно отказывается базовая версия. Модель предназначена для диалогов, анализа и генерации текста, программирования, а также работы с изображениями и видео. Архитектура — гибридная MoE с 35 млрд общих параметров и примерно 3 млрд активных параметров на один проход. Используются 256 экспертов, из которых для каждого токена выбираются 8; модель содержит 40 слоёв и сочетает linear attention с полной softmax attention в соотношении 3:1. Заявлен нативный контекст до 262 тысяч токенов. Поддерживаются текст, изображения и видео; указаны английский, китайский и другие языки. Для обработки изображений требуется отдельный файл mmproj. Модель доступна в формате GGUF с вариантами квантования от Q8 до Q2, включая пользовательские K_P-кванты, оптимизированные для сохранения качества. Сильные стороны — большой контекст, мультимодальность, MoE-эффективность и отсутствие встроенных отказов. Ограничение агрессивного варианта — возможное отсутствие защитных барьеров и редкие краткие дисклеймеры, которые автор связывает с обучением базовой модели. Для запуска подходят llama.cpp, LM Studio и другие GGUF-совместимые среды. Лицензия — Apache-2.0.

Qwen3.8-27B-3bit-MLX-TextOnly — текстовая квантованная версия модели Qwen3.8-27B, разработанной командой Qwen и преобразованной в формат MLX пользователем lukaskremla с помощью mlx-lm 0.31.2. Модель предназначена для генерации текста, диалоговых сценариев, рассуждений и использования инструментов, включая задачи с длинным контекстом и многоязычные приложения. Модель сохраняет возможности преобразования текста в текст и не содержит vision tower, поэтому не поддерживает обработку изображений. Она использует 3-битное квантование весов с affine- и RTN-подходами и размером группы 64; заявленный размер базовой модели — 27B параметров. Формат MLX ориентирован на запуск с использованием экосистемы MLX и mlx-lm. Конкретные поддерживаемые языки и максимальная длина контекста в README не указаны. К преимуществам относятся сниженные требования к памяти по сравнению с полноразмерной моделью, поддержка текстовой генерации, рассуждений, инструментов и длинного контекста. Ограничения связаны с отсутствием мультимодальности и возможными потерями качества из-за 3-битного квантования; точные показатели производительности не приведены. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-MTP-GGUF — мультимодальная GGUF-версия модели Qwen3.8-27B, разработанная HauhauCS на базе Qwen/Qwen3.8-27B. Модель предназначена для генерации текста, рассуждений, агентских сценариев, обработки изображений и видео, а также работы с длинным контекстом. Профиль Aggressive ориентирован на прямые ответы без выраженного поведения отказа и с минимальными предварительными пояснениями в сложных запросах. Это плотная causal language model на 27 млрд параметров с vision encoder: 64 слоями, размером скрытого представления 5120, FFN размером 17408, словарём 248 320 токенов, 48 слоями Gated DeltaNet и 16 слоями gated attention. Поддерживаются английский, китайский и другие языки; заявлен нативный контекст 262 144 токена с возможностью расширения до 1 000 000. В текстовых GGUF сохранён встроенный NextN/MTP, а отдельный FastMTP-профиль предназначен для ускорения спекулятивного декодирования. Для входных изображений и видео требуется отдельный vision projector BF16. К сильным сторонам относятся широкий набор текстовых и мультимодальных возможностей, очень длинный контекст, несколько вариантов квантизации и ускорение FastMTP. Агрессивный профиль может быть менее подходящим для надёжно контролируемых и критичных к безопасности агентских задач, поскольку он специально уменьшает склонность к отказам. Доступны квантизованные файлы GGUF размером примерно от 10,32 до 31,46 ГБ; K_P-квантизации оптимизированы под эту модель. Лицензия — Apache-2.0.

Qwen3.8-27B-Uncensored-int4-AutoRound — локально обслуживаемая INT4-квантизированная версия плотной модели Qwen3.8 с 27 млрд параметров, опубликованная под идентификатором johannrplaster. Модель предназначена для быстрого инференса через Transformers и vLLM XPU, прежде всего на видеокартах Intel Arc Pro B70. Она сохраняет MTP (multi-token prediction) head, поэтому поддерживает speculative decoding без отдельной draft-модели, а проекции linear attention in_proj_a и in_proj_b оставлены в FP16 для снижения потерь качества. Квантизация выполнена с помощью AutoRound 0.14.2 в формате W4A16 с симметричными группами размера 128 и упаковкой auto_gptq. Квантизированы декодерные слои и MTP head; нормы, MTP-слой fc, vision tower и указанные проекции сохраняются в FP16 или BF16. Размер модели на диске составляет около 18 ГБ. В комплект входит шаблон чата Qwen3.8 с поддержкой reasoning и tool-call блоков. Заявлена работа с контекстом до 128K при использовании FP8 KV-кэша, тогда как пример конфигурации задаёт 8192 токена. Сильные стороны модели — уменьшенный размер, высокая скорость декодирования на Intel Arc Pro B70, поддержка speculative decoding и сохранение качества на заявленных проверках арифметики, кода, JSON-схем, длинного контекста и стабильности повторных ответов. Ограничения включают возможные потери качества и отличия от BF16-версии из-за INT4-квантизации, а также зависимость производительности и эффективности speculative decoding от нагрузки. Модель является uncensored и может отвечать на запросы, которые обычно отклоняют модели с настройкой безопасности; ответственность за применение и проверку контента несёт пользователь. Лицензия — Apache-2.0.

Карточка модели unsloth/Qwen3-Next-80B-A3B-Thinking на Hugging Face совпадает с карточкой Qwen/Qwen3-Next-80B-A3B-Thinking, поэтому описание составлено по ней. Qwen3-Next-80B-A3B-Thinking — языковая модель с открытыми весами от команды Qwen, предназначенная для сложных задач рассуждения и диалогового применения. Она работает только в режиме размышления и может формировать длинные цепочки рассуждений. Модель построена на причинной архитектуре Qwen3-Next с разреженной смесью экспертов (MoE) и сочетает Gated DeltaNet с Gated Attention для работы с длинным контекстом. Всего в ней 80 млрд параметров, из которых активны около 3 млрд; метаданные каталога указывают 2,3 млрд параметров. Нативная длина контекста — 262 144 токена, с расширением до 1 010 000 токенов. Поддерживаются генерация текста, чат и интерфейс вызова инструментов. Модель подходит для многошагового анализа, решения сложных задач и работы с большими текстовыми контекстами. В README заявлены высокие результаты на тестах рассуждения и эффективность инференса, но эти сравнения приведены разработчиком. Для запуска нужны совместимые версии Transformers, SGLang или vLLM и значительные вычислительные ресурсы; README рекомендует несколько GPU и отмечает риск нехватки памяти при длинном контексте. Лицензия — Apache 2.0.

Qwythos-9B-v2-GGUF — набор GGUF-квантизаций модели Qwythos-9B-v2, разработанной Empero AI, предназначенный для запуска через llama.cpp, Ollama, LM Studio, jan, KoboldCpp и другие совместимые среды. Модель ориентирована на рассуждения, генерацию текста, вызов функций и мультимодальные сценарии с анализом изображений. Это 9-миллиардная гибридная модель с сочетанием блоков Gated-DeltaNet линейного внимания и полноформатного внимания в соотношении 3:1. Доступны варианты от Q4_K_M до BF16, включая версии с восстановленной MTP-головой для speculative decoding. Заявлены английский язык, контекст до 1 млн токенов с YaRN и поддержка изображений через отдельный vision projector, совместимый с Qwen3.5-9B. Версия v2 устраняет зацикливание при жадном и низкотемпературном декодировании, сохраняя показатели знаний и рассуждений на уровне базовой модели или выше; модель при этом намеренно uncensored. Для работы с изображениями требуется файл mmproj, а для MTP-ускорения — свежая сборка llama.cpp с поддержкой draft-mtp. Q4_K_M рекомендуется как начальный вариант благодаря балансу размера и качества, однако квантизация может снижать точность по сравнению с BF16. Модель распространяется по лицензии Apache-2.0.

ighina/roberta_topseg_cls_wikicity — модель эмбеддингов предложений на базе RoBERTa, опубликованная на Hugging Face. Она кодирует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Модель содержит 151,8 млн параметров, использует формат PyTorch и рассчитана на контекст до 514 токенов. Модель обучена с функцией потерь CosineSimilarityLoss и предназначена для получения векторных представлений текста, пригодных для семантического поиска и группировки похожих фрагментов. Карточка описывает применение Sentence-Transformers и Transformers; для Transformers требуется корректная операция pooling поверх контекстных представлений токенов. Сведения о лицензии и поддерживаемых естественных языках в предоставленных данных отсутствуют.

SakThai Multilingual Embedding — модель семейства SakThai, созданная на основе Multilingual-MiniLM-L12-H384 и дообученная для получения векторных представлений предложений. Она строит 384-мерные эмбеддинги, в которых тексты близкого смысла располагаются рядом, в том числе если они написаны на разных языках. Модель предназначена для многоязычного семантического поиска, извлечения контекста для RAG, сравнения предложений, кластеризации и поиска дубликатов. Заявлена поддержка более 50 языков; архитектура BERT имеет 12 слоёв, размер модели по метаданным — 124,3 млн параметров, контекст — до 512 токенов. Использовать её можно через sentence-transformers локально или развернуть на TEI endpoint. Лицензия — MIT. В карточке подтверждены локальная загрузка и кодирование на CPU, но приведённые проверки являются лишь smoke-тестами. Формальные оценки MTEB и STS для этой дообученной модели пока не опубликованы, а показатели базовой модели не следует считать результатами SakThai. Серверless API Hugging Face, согласно README, модель не поддерживает; длинные документы требуют разбиения на фрагменты, а качество может снижаться для малоресурсных языков и отдельных языковых пар.

ys7yoo/sbert_alpha — модель на базе BERT, опубликованная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. Модель содержит 137,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и сохраняется в формате PyTorch. Модель подходит для построения векторного поиска, поиска похожих фраз и группировки текстов по смыслу. Для использования в Transformers поверх контекстных представлений токенов необходимо применить соответствующую операцию pooling; Sentence-Transformers упрощает этот этап. В карточке указано обучение с CosineSimilarityLoss. Сведения о поддерживаемых естественных языках и лицензии в предоставленных данных отсутствуют.

ricardo-filho/sbertimbau-large-nli-sts — модель эмбеддингов предложений на базе BERT, представленная как модель Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и кластеризации. Модель обучалась с функцией потерь CosineSimilarityLoss; в метаданных указано 433,2 млн параметров, а длина контекста составляет 512 токенов. Модель подходит для построения семантического поиска, ранжирования по близости смысла и группировки похожих текстов. Метаданные указывают на поддержку извлечения признаков и сходства предложений. Карточка не уточняет языки обучения и оценки качества. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

khanhpd2/sbert_phobert_large_cosine_sim — модель Sentence-Transformers на базе RoBERTa, содержащая 162,4 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для оценки семантического сходства, поиска по смыслу и кластеризации текстов. Для получения векторов можно использовать библиотеку sentence-transformers или Transformers с соответствующей операцией pooling. Модель обучалась с функцией потерь CosineSimilarityLoss. Контекст составляет 258 токенов. Название модели и базовое семейство PhoBERT указывают на ориентацию на вьетнамский язык; языковая поддержка не перечислена в метаданных. Модель выдаёт векторные представления текста, а не готовые ответы. Лицензия в предоставленных данных не указана.

Это Sentence Transformer на базе MPNet, дообученный сопоставлять предложения и абзацы по смыслу. Модель разработана для построения плотных векторов размерности 768; сходство между ними можно оценивать косинусной мерой. В репозитории используются архитектура MPNetModel, усреднение токенных представлений и нормализация векторов; размер модели — 136,7 млн параметров. Модель подходит для семантического поиска, поиска перефразировок, кластеризации, классификации текста и оценки семантического сходства. Обучающий набор содержит 307 331 пару текстов; примеры связывают фактические сообщения с целями устойчивого развития ООН, в том числе с ЦУР 4 об образовании. README указывает максимальную длину последовательности 384 токена, тогда как метаданные каталога указывают контекст 514 токенов; практический лимит из карточки модели — 384 токена. Языки обучения и поддерживаемые языки явно не перечислены. Лицензия в предоставленных данных не указана.

Stockmark-2-100B-Instruct — плотная авторегрессионная языковая модель семейства Llama, разработанная Stockmark Inc. с нуля. Она содержит около 95,1 млрд параметров, обучена примерно на 2 трлн токенов: 60% английских данных, 30% японских и 10% кода. После предобучения модель прошла SFT и DPO на синтетических японских данных для улучшения следования инструкциям. Модель предназначена для диалогов и генерации текста, особенно на японском языке, а также поддерживает английский. Контекстное окно составляет 32 768 токенов; архитектура использует 86 слоёв и групповое запросное внимание с 72 головами Q и 8 головами KV. В опубликованной оценке Japanese MT-bench модель показала средний результат 7,87, включая задачи извлечения информации, ролевого диалога, STEM и программирования. Для запуска доступны веса в формате Safetensors; README приводит примеры использования с Transformers и vLLM. Модель распространяется по лицензии MIT. Для практического развертывания требуется значительный объём вычислительной памяти из-за размера модели; результаты бенчмарка не гарантируют качество в конкретном приложении.

udever-bloom-7b1 — модель для получения текстовых эмбеддингов, разработанная Alibaba Group. Это дообученная методом BitFit версия bigscience/bloom-7b1: авторы обучали её на MS MARCO Passage Ranking, SNLI и MultiNLI с контрастивной функцией потерь и трудными отрицательными примерами. Архитектура — плотный decoder-only Transformer семейства BLOOM; размер составляет 9,1 млрд параметров, контекст — до 2048 токенов. Модель предназначена для представления естественного языка и кода в виде эмбеддингов, в том числе для семантического поиска, извлечения документов, сравнения текстов и ранжирования. В карточке заявлена поддержка многих языков и программного кода; среди языков метаданных и карточки перечислены, в частности, английский, китайский, французский, испанский, хинди, португальский, арабский и вьетнамский. Модель распространяется в формате PyTorch по лицензии bigscience-bloom-rail-1.0. Карточка приводит результаты бенчмарков MTEB и поиска кода, но не даёт гарантий качества для конкретных данных и сценариев.

Verbatim RAG Extractor Model — дообученная KRLabsOrg модель на базе ModernBERT-base для отбора предложений, релевантных вопросу, в системе Verbatim RAG. Она кодирует вопрос и предложения документа в одной последовательности и применяет линейную классификационную голову, присваивая каждому предложению один из двух классов: релевантное или нерелевантное. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. Модель предназначена для извлечения подходящих фрагментов из найденных документов перед формированием ответа на вопрос. Порог уверенности по умолчанию равен 0,5; его можно менять, чтобы балансировать точность и полноту отбора. В карточке указана англоязычная поддержка. Лицензия — MIT. Для интеграции README рекомендует пакет verbatim-rag; заявлены зависимости от PyTorch и Transformers.

zembed-1 — открытая многоязычная модель эмбеддингов ZeroEntropy, дообученная на базе Qwen/Qwen3-4B и дистиллированная из реранкера zerank-2 с использованием методики zELO. Она предназначена для семантического поиска и построения систем retrieval по текстам, включая поиск по финансовым, медицинским, юридическим, разговорным, производственным, научно-техническим материалам и коду. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3 и принимает текст; её контекст составляет до 40 960 токенов по метаданным. README заявляет поддержку проекций эмбеддингов размерностью 2560, 1280, 640, 320, 160, 80 и 40, а также бинарной квантизации с компромиссом между размером и точностью. По заявлению разработчика, модель показала более высокие результаты, чем ряд сравниваемых моделей, в оценках поиска по нескольким предметным областям; приведённые в карточке таблицы содержат лишь часть результатов. Обучение велось на многоязычных данных, более половины которых, по README, не на английском, однако конкретный перечень поддерживаемых языков не приведён; метаданные указывают английский и многоязычность. Модель распространяется по лицензии Apache 2.0. Для использования также упоминается API ZeroEntropy /models/embed.

All-MiniLM-L6-v2-Embedding-GGUF — модель для создания векторных представлений текста на основе sentence-transformers/all-MiniLM-L6-v2. Исходную модель разработала команда Sentence Transformers, а преобразование в формат GGUF выполнила Second State Inc. Модель предназначена для извлечения признаков, оценки семантического сходства предложений, поиска и других задач, где требуется сравнивать текстовые эмбеддинги. Модель работает с английским языком, имеет контекст размером 384 токена и размер вектора 256. Она доступна в нескольких вариантах квантования GGUF с разрядностью от 2 до 8 бит и размером файлов примерно от 19,2 до 45,9 МБ. Вариант Q4_K_M рекомендован как сбалансированный по размеру и качеству, а Q5_K_M и Q5_K_S обеспечивают более низкие потери качества. Более агрессивное квантование уменьшает размер, но может заметно ухудшать результаты. Модель рассчитана на локальный запуск, в том числе через LlamaEdge версии 0.8.2 и выше, и подходит для компактных систем с ограниченными ресурсами. Она не предназначена для генерации текста или диалогов; README не содержит сведений о точной архитектуре, числе параметров и результатах benchmark-тестов. Распространяется по лицензии Apache-2.0.

Apodex-1.1-mini-GGUF — GGUF-квантизированная версия reasoning-first модели Apodex 1.1, разработанной Apodex AI на базе Qwen/Qwen3.5-35B-A3B. Модель предназначена для сложных исследовательских задач с длительным горизонтом выполнения и агентных сценариев: поиска и анализа информации, подготовки отчётов, работы с файлами, наборами данных, электронными таблицами, изображениями, кодом и инструментами. Она может декомпозировать задачу, координировать параллельных субагентов, сохранять состояние, адаптировать план и учитывать обратную связь пользователя. Модель поддерживает текстовую генерацию и заявлена для английского и китайского языков. Для агентной работы предусмотрен нативный function calling, совместимый с шаблоном чата Qwen3.5; поддерживаются рассуждения и OpenAI-совместимые вызовы инструментов. Рекомендуемый максимальный контекст составляет 262144 токена, а максимальная длина генерации — 32768 токенов. В README также указана совместимость с запуском через llama.cpp и дополнительным мультимодальным проектором, однако полный перечень поддерживаемых модальностей и точные параметры GGUF-квантизации для данной карточки не раскрыты. Сильные стороны модели — ориентация на сквозное выполнение сложных задач, работа с внешними инструментами, командная агентная схема и встроенная проверка утверждений по источникам, данным и вычислениям. По приведённым результатам Apodex-1.1-mini особенно хорошо показывает себя в FrontierFinance и остаётся конкурентоспособной на APEX-Agent; при этом эти показатели зависят от Agent Team harness и не гарантируют аналогичное качество в каждом сценарии. Ограничения включают необходимость корректной настройки llama.cpp, парсеров шаблона и инструментов, а также отсутствие в README подробностей о размере файла, требованиях к аппаратному обеспечению и полной оценке надёжности. Лицензия — Apache 2.0.

REDSOULTM/baxy-router-encoder-ft — дообученная модель Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она использует архитектуру BERT и преобразует предложения и абзацы в плотные векторы размерности 384; сходство между текстами оценивается косинусной метрикой. Модель обучена на 11 808 парах текстов с помощью MultipleNegativesRankingLoss. README указывает максимальную длину последовательности 128 токенов, а метаданные — контекст 512 токенов. Модель предназначена для семантического поиска, сравнения сходства и перефразирований, кластеризации и классификации текста. Примеры обучающих пар охватывают команды для управления настольным компьютером на нескольких языках, в том числе сопоставление короткой команды с более развёрнутым описанием действия. Веса доступны в форматах Safetensors и ONNX; для применения подходят Sentence Transformers и Text Embeddings Inference. Лицензия в предоставленных данных не указана.