I.3Извлечение и структурирование данных

Nishit28/bge-large-finetuned-400 — модель эмбеддингов предложений на базе архитектуры BERT, опубликованная пользователем Nishit28. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска и кластеризации. Модель обучалась с MultipleNegativesRankingLoss и косинусной мерой сходства; репозиторий содержит веса в формате safetensors и использует библиотеку sentence-transformers. Модель подходит для построения семантического поиска по текстовым коллекциям и группировки близких по смыслу фрагментов. Она принимает текст и выдаёт векторы; по метаданным, размер модели составляет 433,9 млн параметров, а контекст ограничен 512 токенами. Данных о специализированной предметной области и поддерживаемых естественных языках нет. Условия лицензии в предоставленных сведениях не описаны.

hooman650/bge-m3-onnx-o4 — версия весов модели BAAI/bge-m3 в формате ONNX. Это многоязычная модель на архитектуре XLM-RoBERTa с 658,7 млн параметров и контекстом до 8194 токенов. Она предназначена для извлечения признаков текста и задач поиска: поддерживает плотные эмбеддинги, разреженное представление и многовекторный поиск; заявлена поддержка более 100 языков и документов длиной до 8192 токенов. Модель подходит для построения семантического и гибридного поиска, поиска по длинным документам и многоязычных систем извлечения информации. Репозиторий указывает, что веса нельзя загрузить напрямую через обычный онлайн-интерфейс, и описывает скачивание снимка репозитория. Поддержка многовекторного режима обозначена как планируемая. Лицензия — MIT.

ggml-org/bge-small-en-v1.5-Q8_0-GGUF — квантованное представление модели BAAI/bge-small-en-v1.5, разработанной BAAI, в формате GGUF для использования с llama.cpp и совместимыми инструментами. Модель предназначена для получения векторных представлений англоязычных текстов и решения задач семантического поиска, извлечения информации, сравнения сходства предложений, классификации, кластеризации и переранжирования результатов поиска. Модель относится к семейству Sentence Transformers и поддерживает обработку текста на английском языке. В README не указаны точные архитектурные параметры, число параметров и максимальная длина контекста; обозначение Q8_0 указывает на 8-битное квантование. Среди сильных сторон — универсальное применение для задач сопоставления и поиска текстов, а также наличие результатов оценки на наборах MTEB для классификации, извлечения, кластеризации, переранжирования и оценки семантического сходства. Ограничение — заявлена поддержка только английского языка, поэтому качество для русского и других языков не гарантируется. Модель распространяется по лицензии MIT. Для использования требуется среда, совместимая с форматом GGUF, например llama.cpp.

pankajrajdeo выпустил модель Sentence Transformer на архитектуре BERT для сопоставления текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 384, а близость между ними оценивается косинусным сходством. Модель обучалась на парах anchor и positive с функцией MultipleNegativesRankingLoss; в метаданных указано 50,3 млн параметров и библиотека Sentence Transformers. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации. Максимальная длина последовательности — 1024 токена. Примеры обучающих данных включают медицинские вопросы и ответы, однако карточка не подтверждает, что модель предназначена исключительно для медицинской области или поддерживает конкретный набор языков. В README не указана лицензия. Качество может зависеть от тематики и языка запросов: приведённые примеры данных сами по себе не подтверждают качество в медицинских сценариях или на русском языке.

Darmm/darmm-embed-kazakh-v2 — модель эмбеддингов текста, разработанная Darmm для семантического поиска на казахском языке и межъязыкового поиска по смыслу на казахском, русском и английском. Она дообучена на базе BAAI/bge-m3 и использует архитектуру XLM-RoBERTa; в метаданных указаны 658,7 млн параметров и контекст до 8194 токенов. Модель предназначена для поиска документов, RAG, удаления дубликатов и кластеризации текстов. По данным README, обучение на 373 тыс. казахских пар улучшило результаты казахского поиска относительно BAAI/bge-m3 на приведённых тестовых выборках. Модель принимает текст и возвращает векторные представления для сравнения сходства и поиска. Основной упор сделан на казахский язык, с поддержкой поиска по русским и английским текстам; лицензия — Apache 2.0. Качество на длинных отрывках отдельно не настраивалось: обучение использовало пары длиной до 192 токенов. Межъязыковые казахско-русские пары получены автоматическим выравниванием и могут содержать шум; юридическая и медицинская терминология представлена ограниченно.

p-e-w/gemma-3-12b-it-heretic-v2 — мультимодальная модель семейства Gemma 3 на 12 млрд параметров, основанная на google/gemma-3-12b-pt и представленная как conversational, uncensored/decensored и abliterated вариант. Она принимает текст и изображения и генерирует текст; подходит для диалога, ответов на вопросы об изображениях, суммаризации и других задач генерации и понимания текста. В README базовой модели указаны контекст до 128K токенов и поддержка более 140 языков. Модель может применяться для извлечения сведений из изображений, составления текстов и исследовательских экспериментов; размер позволяет запускать её на локальных компьютерах и собственной инфраструктуре при достаточных ресурсах. README предупреждает о возможных фактических ошибках, смещениях и трудностях с неоднозначными или сложными запросами. Лицензия — Gemma; применяются условия лицензии и правила допустимого использования Gemma.

Это GGUF-квантизированная версия gemma-3-12b-it-ultra-uncensored-heretic, разработанная независимым автором LLMfan46 на базе Google Gemma 3 12B Instruct. Модель создана с использованием Heretic v1.2.0 и метода Arbitrary-Rank Ablation (ARA) для снижения встроенных ограничений на ответы при сохранении исходных возможностей. По приведённому сравнению, частота отказов снизилась с 97 до 4 из 100, а KL-дивергенция составляет 0,0131 относительно оригинальной модели. Модель предназначена для генерации текста, ответов на вопросы, анализа, суммаризации, рассуждений и понимания изображений. Gemma 3 поддерживает текстовые и графические входные данные с генерацией текста, контекст до 128K токенов, выход до 8192 токенов и более 140 языков. Для мультимодальной работы требуется отдельный vision projector. Доступны варианты GGUF с квантованием от BF16 и Q8_0 до IQ3_XXS; версии с более низкой разрядностью занимают меньше места, но могут сильнее терять в качестве. Модель совместима с llama.cpp, LM Studio, Ollama и другими инструментами для GGUF. Сильной стороной является сочетание относительно компактного размера 12B, мультимодальности, длинного контекста и уменьшенного числа отказов. Ограничения включают возможное снижение качества при агрессивном квантовании, необходимость vision projector для работы с изображениями и потенциальные риски, связанные с ослаблением механизмов отказа. Модель распространяется по лицензии Gemma; условия использования определяются соответствующими Terms of Use Google. Базовые модели Gemma разработаны Google DeepMind.

AtomicChat/gemma-4-26B-A4B-it-GGUF — это GGUF-квантизированная версия инструкционной модели google/gemma-4-26B-A4B-it, подготовленная Atomic Chat на основе оригинальных весов Google. Модель предназначена для локального и полностью офлайн-использования в задачах генерации текста, диалогов, рассуждений и других сценариях, поддерживаемых базовой text-generation-моделью. Для запуска в llama.cpp требуется применять шаблон чата Gemma 4 с параметром --jinja. Модель использует архитектуру Mixture-of-Experts: 25,2 млрд параметров всего и около 3,8 млрд активных на каждый токен, 30 слоёв, 128 маршрутизируемых экспертов с выбором top-8, гибридное внимание с локальным окном 1024 токена и глобальным вниманием, 16 attention heads и 8 KV heads. Заявленная длина контекста составляет 256 тысяч токенов, размер словаря — 262 тысячи. Базовая модель поддерживает текст и изображения, однако данный репозиторий содержит только текстовые квантизации и не включает vision projector. К сильным сторонам относятся высокая вычислительная эффективность MoE-архитектуры, большой контекст, режимы рассуждения и широкий выбор квантизаций от Q2_K до Q8_0. Квантизация с importance matrix призвана сохранить качество оригинальной модели, но низкобитные варианты могут заметно терять качество; Q4_K_M обозначен как оптимальный баланс размера, скорости и качества, а Q6_K и Q8_0 — как варианты с минимальными потерями. Размер файлов составляет примерно от 10,6 до 26,9 ГБ, поэтому требуются значительные оперативная память или видеопамять. Модель распространяется по лицензии Apache-2.0.

GLM-5.3-Flash-Alis-MLX-4bit — это 4-битная сборка модели GLM-5.3-Flash, разработанной Zhipu AI (zai-org), адаптированная для выполнения через MLX на устройствах Apple Silicon. Модель предназначена для генерации текста и локального инференса, включая сценарии программирования, работы с прозой, анализа табличных данных и решения математических задач. Базовая модель имеет архитектуру glm5_next: 320B параметров, из которых 18B активируются на токен (320B-A18B), mixture-of-experts с 288 экспертами, 34 слоями линейного внимания и 11 слоями DSA, а также механизмом mHC. Данная версия получена потоковой деквантизацией официального релиза FP8 и сохраняет маршрутизатор MoE и correction bias в формате FP32. В README также указана поддержка спекулятивного декодирования и двухузлового tensor parallelism, однако часть этих режимов относится к отдельным сборкам или экспериментальной инфраструктуре, а не непосредственно к опубликованному checkpoint. К сильным сторонам относятся существенно сниженный объём хранения по сравнению с полной моделью, оптимизация под MLX и высока скорость генерации на мощных системах Apple Silicon; для конфигурации M3 Ultra 512GB заявлялась скорость около 29 токенов в секунду при обычном декодировании. Ограничениями являются очень высокие требования к памяти, зависимость производительности от аппаратной конфигурации и MLX-окружения, а также экспериментальный статус некоторых режимов параллельного и спекулятивного декодирования. Модель распространяется по лицензии MIT.

HarshalBhg/gte-large-finetuned-ep10-test2 — модель эмбеддингов на архитектуре BERT, опубликованная пользователем HarshalBhg. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и кластеризации. Модель обучалась с использованием BatchAllTripletLoss на датасете embedding-data/sentence-compression; заявленный контекст составляет 512 токенов, число параметров — около 433,9 млн. Модель подходит для построения поисковых индексов и группировки текстов по смыслу. Репозиторий содержит веса в формате safetensors и предназначен для использования через Sentence Transformers. Карточка не указывает лицензию или поддерживаемые естественные языки; качество и ограничения для конкретных языков и предметных областей по имеющимся сведениям оценить нельзя.

yankexe/gte-multilingual-base-air-gapped — вариант модели gte-multilingual-base из семейства GTE, предназначенный для получения текстовых представлений и поиска по смыслу. Это плотная encoder-only Transformer-модель размером 305,3 млн параметров с embedding-размерностью 768 и контекстом до 8192 токенов. README описывает запуск в изолированной среде с vLLM; метаданные указывают формат safetensors и возможность получать эмбеддинги. Модель предназначена для многоязычного поиска и извлечения информации, в том числе межъязыкового и по длинным текстам. Помимо плотных представлений, она поддерживает разреженные векторы и эластичные по размеру плотные представления, позволяя уменьшать затраты на хранение и вычисления. README заявляет поддержку более 70 языков и высокую скорость относительно некоторых крупных моделей GTE; конкретные результаты оценки приведены со ссылкой на статью и бенчмарки. Лицензия — Apache-2.0. Для запуска в air-gapped-среде README приводит конфигурацию vLLM с pooling runner и trust-remote-code. Точное соответствие опубликованных результатов конкретному варианту air-gapped и характеристики отдельных языков в карточке не раскрыты.

Vikhrmodels/it-5.2-fp16-cp — русско-английская чат-модель семейства Vikhr, разработанного Александром Николичем, Константином Королёвым и Артёмом Шельмановым. Это плотная авторегрессионная модель архитектуры Llama с 7,3 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Модель основана на версии Vikhr 0.5: в ней увеличили объём данных SFT, чтобы повысить стабильность работы с JSON, многоходовыми диалогами, длинным контекстом и сложными запросами. Нативная длина контекста составляет 32 768 токенов. Модель распространяется в формате safetensors и доступна по лицензии Apache 2.0. Карточка не приводит результаты количественных оценок качества и подробностей о тренировочных данных. Описанные улучшения JSON и многоходовых диалогов являются заявлением авторов; фактическое качество на конкретных задачах может различаться.

Xenova подготовила ONNX-версию модели jinaai/jina-embeddings-v2-base-de для работы с библиотекой Transformers.js. Это дообученная модель семейства BERT класса JinaBertForMaskedLM с 160,1 млн параметров и контекстом до 8192 токенов; она предназначена для извлечения признаковых представлений немецких и английских текстов. Эмбеддинги можно применять для семантического поиска, сравнения предложений и систем RAG. Репозиторий содержит веса ONNX и PyTorch и распространяется по лицензии Apache-2.0. Карточка показывает совместимость с Transformers.js; по назначению это модель для получения текстовых представлений, а не готовая диалоговая система. Классификация каталога как fill-mask расходится с авторским тегом feature-extraction, поэтому основная задача здесь — извлечение признаков.

Cohee/jina-embeddings-v2-base-en — это модель для получения векторных представлений текста (эмбеддингов), основанная на jinaai/jina-embeddings-v2-base-en. В карточке указано, что модель подготовлена в формате ONNX для совместимости с библиотекой Transformers.js и предназначена для использования в задачах извлечения признаков (feature extraction), включая последующий семантический поиск и сравнение текстов. Модель ориентирована на англоязычные тексты, что следует из её идентификатора base-en. Сведения о точной архитектуре, размере, длине контекста, поддерживаемых модальностях и числовых характеристиках эмбеддингов в карточке не приведены. Также не указаны результаты тестирования, ограничения качества и лицензия.

Карточка модели livil/llama3.1-8b-instruct на Hugging Face совпадает с карточкой NousResearch/Meta-Llama-3.1-8B-Instruct, поэтому описание составлено по ней. Meta-Llama-3.1-8B-Instruct — инструктивно дообученная языковая модель семейства Llama 3.1, разработанная Meta. Это плотная авторегрессионная модель на архитектуре Transformer с 7,5 млрд параметров; версия Instruct прошла supervised fine-tuning и обучение с обратной связью от людей. Репозиторий содержит веса в формате safetensors, модель предназначена для генерации текста и диалогов с помощником. Окно контекста — 131 072 токена. Модель рассчитана на многоязычный диалог, ответы на вопросы, написание и преобразование текста, а также может использоваться в приложениях и для создания синтетических данных. Заявлены английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Модель принимает и выдаёт текст; поддержка инструментов зависит от интеграции разработчиком. Модель выпущена Meta 23 июля 2024 года. Лицензия — Llama 3.1 Community License с условиями использования и Acceptable Use Policy; перед коммерческим применением необходимо ознакомиться с её условиями. Это статический чекпойнт, обученный на офлайн-данных. Качество и безопасность ответов могут различаться между языками, а карточка не заявляет поддержку русского языка.

Llama-3.1-Storm-8B — языковая модель команды Ashvini Kumar Jindal, Pawan Kumar Rajpoot, Ankur Parikh и Akshita Sukhlecha. Это плотная авторегрессионная модель семейства Llama на 7,5 млрд параметров, предназначенная для диалога, следования инструкциям, ответов на вопросы, рассуждений и вызова функций. Контекст составляет до 131 072 токенов. Модель дообучена на основе Llama-3.1-8B-Instruct: авторы отобрали около миллиона примеров с упором на образовательную ценность и сложность, провели целевое дообучение с заморозкой половины слоёв, а затем объединили результат методом SLERP с Llama-Spark. В карточке сообщается об улучшениях относительно Llama-3.1-8B-Instruct на ряде бенчмарков; это заявление авторов, и оно не гарантирует аналогичных результатов на прикладных данных. Модель рассчитана на общее применение, в том числе на локальный запуск при ограниченных вычислительных ресурсах; поддерживает работу через Transformers и vLLM, а также сценарии function calling при использовании соответствующего формата запроса. В метаданных указаны английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Чекпойнт представлен в safetensors и использует формат bfloat16 для рекомендованного запуска. Лицензия — Llama 3.1; перед использованием следует учитывать её условия. Авторы отмечают, что отдельного этапа выравнивания модель не проходила.

Llama-3-8B-NExtLong-128K-Base — базовая языковая модель семейства Llama, опубликованная авторами проекта NExtLong. Это плотная авторегрессионная модель примерно на 7,5 млрд параметров с окном контекста до 131 072 токенов; веса доступны в формате safetensors. Модель обучена на синтетических длинных контекстах, созданных методом NExtLong: в документ добавляются подобранные отвлекающие фрагменты, чтобы усилить работу с дальними зависимостями. Модель предназначена для генерации текста и задач, требующих анализа длинного контекста: поиска сведений в контексте, ответов на вопросы по длинным документам, работы с RAG и контекстом в несколько сотен страниц. В README приведены результаты на HELMET и RULER. Это базовая модель, а не instruct-вариант, поэтому для диалогового применения может потребоваться дополнительная настройка. Языковая поддержка и лицензия в предоставленных источниках не описаны.

Карточка модели avsolatorio/MixEmbedFinetune-base-20240125001833-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Aratako/Mixtral-8x7B-Instruct-v0.1-upscaled — экспериментальная инструктивная языковая модель, созданная автором Aratako с помощью mergekit: слои исходной mistralai/Mixtral-8x7B-Instruct-v0.1 чередуются методом passthrough. Архитектура — Mixtral MoE для генерации текста и диалогов; в репозитории указано 12,3 млрд параметров и контекст до 32 768 токенов. Модель предназначена для ответов на запросы, ведения диалога, написания текстов, извлечения сведений, программирования и рассуждений. Карточка приводит результаты MT-Bench, где модель показывает неоднородные изменения относительно исходника по отдельным категориям; это не гарантирует качества на других задачах. Указаны языки английский, французский, итальянский, немецкий и испанский. Веса опубликованы в формате safetensors под лицензией Apache-2.0. Это экспериментальное слияние слоёв одной модели; README описывает метод и сравнительный бенчмарк, но не подтверждает независимую проверку результатов.

MMLW-e5-base — польский текстовый энкодер, разработанный для получения векторных представлений текста. Модель основана на multilingual E5, инициализирована его чекпойнтом и обучена методом дистилляции на разнообразном корпусе из 60 миллионов пар текстов на польском и английском языках; учителями служили английские модели FlagEmbeddings (BGE). Архитектура — XLM-RoBERTa, размер — 305,2 млн параметров, выходные эмбеддинги имеют 768 измерений, максимальный контекст — 514 токенов. Модель подходит для семантического поиска и сравнения текстов, кластеризации и информационного поиска, а также может служить основой для дальнейшего дообучения. При кодировании запросов требуется префикс «query: », а для текстов-кандидатов — «passage: ». В README приведены результаты 59,71 среднего балла на польском бенчмарке MTEB и NDCG@10 53,56 на PIRB. Модель распространяется по лицензии Apache-2.0. Она ориентирована на польский язык, хотя обучалась на польско-английских парах; для корректного использования важно соблюдать требуемые префиксы.

checkiejan/multi-qa-mpnet-base-dot-v1-covidqa-search-test — модель Sentence-Transformers на базе MPNet, разработчик которой не указан в доступной карточке. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст; максимальная длина контекста составляет 514 токенов. В README указано обучение с TripletLoss и евклидовой метрикой расстояния. Веса доступны в формате PyTorch; лицензия и целевые языки в предоставленных данных не определены. Суффикс covidqa-search-test в имени не подтверждён описанием как специализированное назначение модели.

MyAwesomeModel — модель семейства BERT из репозитория toolathlon3/MyAwesomeModel-TestRepo, предназначенная для извлечения признаков из текста. Согласно метаданным, она реализована на PyTorch и библиотеке Transformers, а её основной тип задачи Hugging Face — feature-extraction. Модель может использоваться для получения векторных представлений текста, семантического поиска, кластеризации, сравнения текстов и как компонент систем классификации или других downstream-задач. README также заявляет о возможностях рассуждения, генерации кода, ответов на вопросы и работы с функциями, однако эти сведения не согласуются с указанным pipeline-тегом feature-extraction и не подтверждают архитектуру генеративной модели. Модель распространяется по лицензии MIT. Размер, длина контекста, поддерживаемые естественные языки и точные характеристики архитектуры в доступных данных не указаны.

GavinQiangLi разработал sentence-transformers-модель для получения эмбеддингов предложений и абзацев. Она кодирует текст в плотные векторы размерностью 384, пригодные для семантического поиска и кластеризации. Модель построена на архитектуре BERT, содержит около 40 млн параметров и обрабатывает до 512 токенов контекста. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Модель подходит для поиска семантически близких текстов и группировки текстов по смыслу. В репозитории представлены веса safetensors; для работы можно использовать библиотеку Sentence Transformers. Лицензия в доступных данных не указана.

Panacea v2.1 — модель Sentence Transformer, дообученная автором nanalysenko на ai-forever/ruRoberta-large. Она преобразует предложения и абзацы в плотные векторы размерности 1024, которые можно сравнивать по косинусному сходству. Архитектура включает RoBERTa с усреднением токенных представлений; максимальная длина входа — 514 токенов. Модель предназначена для измерения семантического сходства текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Обучение описано на 6 500 парах предложений с использованием MultipleNegativesRankingLoss; приведённые примеры относятся к лабораторным анализам и аллергенам. Модель принимает текст и выдаёт векторы, а не готовые ответы или метки. Базовая модель — русскоязычная ruRoberta-large. Указана лицензия исходной модели? В доступных данных лицензия не приведена.

hroth01/psais-LaBSE-5shot — модель на основе BERT из библиотеки Sentence-Transformers, которая преобразует предложения и абзацы в плотные векторы размерностью 768. Её можно применять для поиска семантически похожих текстов, кластеризации и сравнения предложений. Модель обучалась с функцией потерь CosineSimilarityLoss. Она принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 512 токенов. В метаданных указан размер 498,1 млн параметров и формат PyTorch. Сведения о языках обучения и лицензии в предоставленных данных отсутствуют.

hroth01/psais-multi-qa-mpnet-base-dot-v1-50shot — модель Sentence-Transformers на базе MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска, кластеризации и сравнения текстов по смыслу. Модель обучалась с функцией потерь CosineSimilarityLoss. В README приведены варианты использования через Sentence-Transformers и Transformers; для последнего требуется подходящая операция pooling поверх контекстных представлений токенов. Модель содержит 136,7 млн параметров, принимает контекст до 514 токенов и распространяется в формате PyTorch. В карточке не указаны языки обучения и лицензия, поэтому область языкового применения и условия распространения по доступным данным определить нельзя.

Многоязычная модель эмбеддингов на базе декодерной архитектуры Qwen3, разработанная Lucas Wun Yu CHAN. Она дообучена контрастивным обучением для получения семантических представлений предложений и оценки их сходства; подходит для поиска по смыслу, сопоставления текстов и использования в системах извлечения информации. В карточке заявлена поддержка контекста до 40 960 токенов, модель содержит около 507,9 млн параметров и распространяется в формате safetensors для библиотеки sentence-transformers. README описывает исследование влияния RLVR-обучения базовых моделей на качество эмбеддингов: оценки на MTEB и BRIGHT не показали стабильного преимущества перед базовыми моделями при одинаковых рецептах обучения. Для загрузки README рекомендует установить trust_remote_code=True. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-27B-NVFP4 — квантованная версия модели Qwen/Qwen3.5-27B, опубликованная apolo13x. Это мультимодальная модель типа image-text-to-text: принимает текст и изображения, а генерирует текстовые ответы. Она предназначена для диалоговых сценариев, анализа изображений и решения общих задач обработки текста и мультимодального понимания. Весы и активации модели преобразованы в формат FP4 с использованием llm-compressor и 512 калибровочных образцов из набора neuralmagic/calibration. Квантование уменьшает размер модели с 51,8 до 18,4 ГБ, примерно в 2,8 раза, при заявленном среднем восстановлении точности 99,1% относительно исходной Qwen3.5-27B. Модель поддерживает режим рассуждений и предназначена для запуска, в частности, через nightly-версии vLLM. По результатам оценки в режиме zero-shot с включённым рассуждением модель получила 79,29% на GPQA Diamond, 93,88% на IFEval и 94,32% на MMLU-Redux; средний результат составил 89,16% против 89,76% у исходной модели. Сильными сторонами являются существенное снижение требований к дисковому пространству и сохранение близкой к исходной точности. Ограничения включают возможные потери качества из-за квантования и зависимость поддержки от актуальных сборок vLLM. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-35B-A3B-quantized.w4a16 — это квантованная мультимодальная языковая модель на базе Qwen/Qwen3.5-35B-A3B, опубликованная пользователем apolo13x. Базовая модель разработана командой Qwen. Модель принимает текст и изображения, а генерирует текст, поэтому предназначена для диалоговых сценариев, анализа изображений, ответов на вопросы и других задач преобразования мультимодального ввода в текст. Модель использует архитектуру Qwen3.5 с разреженной MoE-конфигурацией 35B-A3B, где общий размер составляет около 35 млрд параметров, а активируется примерно 3 млрд параметров. Веса квантованы до INT4 в формате GPTQ с конфигурацией W4A16 с использованием llm-compressor. Это уменьшает размер модели с 67,0 до 20,4 ГБ, примерно в 3,3 раза, при среднем восстановлении точности 99,5% относительно исходной модели. В указанных тестах модель показала 81,31% на GPQA Diamond, 94,60% на IFEval и 91,95% на MMLU-Redux. Сильной стороной модели является существенное снижение требований к хранению и инференсу при сохранении близкой к исходной точности. Ограничения связаны с потерями, возможными при 4-битном квантовании, а также с тем, что на 27 февраля 2026 года модель поддерживалась в nightly-версии vLLM, что может означать менее стабильную совместимость по сравнению со стабильными релизами. Сведения о размере контекстного окна и поддерживаемых языках в README не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen 3.6 35B-A3B JANGTQ4 + CRACK — производная мультимодальная модель dealignai на основе Qwen/Qwen3-VL-30B-A3B-Thinking. Это модель Qwen с архитектурой MoE: 35 млрд параметров всего, около 3 млрд активных на токен, 256 маршрутизируемых экспертов и гибридным механизмом линейного и полноформатного внимания. Она принимает текст, изображения и видео и предназначена для диалога, визуального анализа, программирования, рассуждений и вызова инструментов. Веса сжаты форматом JANGTQ4 до 18 ГБ: маршрутизируемые эксперты используют 4-битное кодирование TurboQuant, а критичные компоненты сохраняют более высокую точность; зрительный блок работает в fp16. Режим рассуждений можно включать и отключать через шаблон чата. Заявленная длина контекста — 262 144 токена. Модель ориентирована на запуск через MLX на Apple Silicon и требует MLX Studio или jang-tools для поддержки JANGTQ. Вариант CRACK прошёл абляцию отказов на уровне весов и заметно реже отказывает в ответах на чувствительные запросы. По данным карточки, результаты MMLU-200 ниже базовой модели, особенно в математике; в режиме рассуждений иногда возможны циклические ответы на запросы с экстремальными отказами. Модель выпущена под лицензией Apache-2.0.