I.3Извлечение и структурирование данных

Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive — модификация модели Qwen/Qwen3.6-35B-A3B, подготовленная HauhauCS. Это мультимодальная модель в формате GGUF для генерации текста, работы с изображениями и видео, а также для диалоговых, аналитических, творческих и программных задач. Версия Aggressive ориентирована на минимальное количество отказов: по данным README, она не содержит дополнительных изменений в датасетах или базовых возможностях, но отключает встроенные отказы модели. Модель использует архитектуру MoE с 35 млрд общих параметров и примерно 3 млрд активных параметров на один проход. В ней 256 экспертов, из которых для каждого токена выбираются 8, 40 слоёв и гибридная схема внимания: линейное и полноразмерное softmax-внимание в соотношении 3:1. Нативное контекстное окно составляет 262 тысячи токенов. Заявлена поддержка английского, китайского и других языков. Для обработки изображений требуется отдельный файл mmproj; доступны различные варианты квантования GGUF, совместимые с llama.cpp, LM Studio и другими GGUF-совместимыми средами. Сильными сторонами являются большое контекстное окно, мультимодальность, низкое число активных параметров при значительном общем объёме модели и широкий выбор квантований, включая оптимизированные K_P-варианты с повышенным сохранением качества. Ограничением является отсутствие или ослабление защитных механизмов: модель может генерировать нежелательный, небезопасный или потенциально вредный контент, поэтому требует дополнительного контроля в прикладных системах. Для сохранения возможностей рассуждения рекомендуется использовать контекст не менее 128 тысяч токенов; для vision-сценариев необходим mmproj-файл. Модель распространяется по лицензии Apache-2.0.

Blackfrost-AI/Qwen3.8-27B-ABLITERATED-GGUF — локальная GGUF-версия модифицированной модели Qwen3.8-27B, разработанная Blackfrost. Это плотная гибридная vision-language модель для запуска через llama.cpp, предназначенная для диалогов, рассуждений, обработки текста, изображений и видео, а также сценариев с tool-calling. Модель генерирует текст и ориентирована на локальное развертывание; релиз обозначен как экспериментальный и требует проверки поведения в конкретных рабочих нагрузках. Архитектура включает 64 текстовых слоя с сочетанием Gated DeltaNet и full attention, а также vision tower из 27 слоёв. Поддерживаются текстовые, графические и видео-входы, контекст до 262 144 токенов, девять стандартных квантованных вариантов от Q2_K до Q8_0 и встроенная MTP speculative head. Для ускорения доступен отдельный BF16 DFlash2 sidecar, совместимый с экспериментальной версией llama.cpp. В качестве сбалансированного варианта рекомендуется Q4_K_M размером 16,8 ГБ; фактические требования зависят от доступной RAM/VRAM и параллелизма. Это abliterated-сборка: поведение отказов было изменено на уровне весов, без fine-tuning, merge, LoRA или pruning. В заявленном внутреннем тесте R1-HARMFUL-BENCH-450 зафиксировано 11 остаточных отказов из 450 случаев, однако результат получен на производном варианте W4A4 NVFP4 и не является полноценным тестом всех GGUF-квантов в финальной конфигурации. Ограничениями являются экспериментальный статус, возможные компромиссы качества при низких уровнях квантования и зависимость длинного контекста от ресурсов системы. Базовая модель и указанный DFlash2-компонент распространяются по лицензии Apache-2.0.

Avesed/Qwen3.8-27B-INT8-W8A8 — квантизированная версия Qwen/Qwen3.8-27B, разработанная Avesed. Это плотная гибридная vision-language-модель с линейным механизмом внимания GatedDeltaNet, периодическими слоями полного внимания, встроенной vision-башней и MTP-головой для speculative decoding. Модель поддерживает английский и китайский языки, а также обработку изображений и текста; точный размер контекста в README не указан. Модель предназначена для генерации и анализа текста, рассуждений, решения математических задач, перевода, двуязычных сценариев и задач с изображениями. Квантизация INT8 применяется к весам и активациям по схеме W8A8: используются симметричные INT8-веса и динамические INT8-активации, тогда как наиболее чувствительные к качеству компоненты, включая embeddings, lm_head, vision tower и MTP head, сохранены в bf16. Объём модели составляет около 30 ГБ; для запуска рекомендуется две видеокарты по 24 ГБ с tensor parallelism. Сильная сторона сборки — высокая скорость prefill: на двух RTX 3090 зафиксировано около 4408 токенов/с против 2276 токенов/с у INT4-сборки, при этом доступно speculative decoding через MTP. Скорость decode ниже, около 73 токенов/с, поскольку INT8 требует больше пропускной способности памяти. На GSM8K модель показала 96,8% на выборке из 250 задач; также проверены англо-китайская генерация и перевод, работа vision-пути и reasoning-параметров. MMLU-Pro не тестировалась. Модель распространяется по лицензии Apache-2.0 и предназначена для запуска через vLLM.

Qwen3-Embedding-4B-GGUF — это квантизированная версия модели Qwen3-Embedding-4B, разработанной командой Qwen и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для создания текстовых эмбеддингов и может применяться в задачах семантического поиска, сравнения предложений, извлечения признаков, кластеризации и построения retrieval-систем. В метаданных указана поддержка английского языка и интеграция с экосистемой Transformers и sentence-transformers. Модель имеет размер около 4 миллиардов параметров; точная архитектура и максимальная длина контекста в README не указаны. Доступны варианты квантизации от Q2_K до Q8_0, IQ4_XS и f16, с размером файлов примерно от 1,8 до 8,1 ГБ. Квантизация позволяет снизить требования к памяти и ускорить запуск, однако варианты с меньшим размером могут уступать по качеству; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с лучшим качеством среди быстрых конфигураций. README не содержит результатов бенчмарков и подробных ограничений качества. Модель распространяется по лицензии Apache-2.0.

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.

Qwen-VL-Chat — диалоговая визуально-языковая модель семейства Qwen, разработанная Alibaba Cloud. Репозиторий содержит чат-версию модели с 11,4 млрд параметров; архитектура плотная, класс QWenLMHeadModel, формат весов — PyTorch, контекст — до 8192 токенов. Модель принимает изображения, текст и рамки объектов и выдаёт текст и рамки объектов. Поддерживает диалог на китайском и английском языках, в том числе с несколькими изображениями в переплетённом диалоге. Модель предназначена для описания изображений, визуальных вопросов и ответов, распознавания текста на изображениях, вопросов по документам и диаграммам, а также локализации объектов по текстовому описанию. В README описана версия Int4 на базе AutoGPTQ с меньшим потреблением видеопамяти и ускоренным выводом; метаданные этого репозитория указывают формат PyTorch. Лицензия в предоставленных данных не указана.

YKYSpatz/ragproject_ver2 — дообученная авторами модель Sentence Transformers на базе YKYSpatz/ragproject для сравнения и поиска семантически близких текстов. Модель использует архитектуру BERT с 40 млн параметров, выдаёт нормализованные плотные векторы размерности 384 и оценивает близость предложений по косинусному сходству. Максимальная длина входной последовательности — 512 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов. Пример в карточке показывает пары короткого запроса о медицинском документе с более длинными медицинскими фрагментами; это указывает на применение для поиска или отбора медицинских текстов, но не подтверждает специализированную медицинскую точность. Карточка не сообщает лицензию и языковую специализацию модели.

RepresentLM-v1 — модель эмбеддингов предложений и абзацев, разработанная на базе StoriesLM-v1-1963. Она преобразует текст в плотные векторы размерностью 768 и предназначена для поиска семантически похожих текстов, кластеризации и семантического поиска. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель дообучена на наборе HEADLINES для семантического сходства; в метаданных также указан датасет AmericanStories. Подходит для поиска по смыслу и группировки текстов на английском языке. Распространяется по лицензии MIT.

ru-e5-large — компактная версия многоязычной модели эмбеддингов intfloat/multilingual-e5-large, опубликованная Sergei Bratchikov. Она использует архитектуру XLM-RoBERTa и предназначена для извлечения признаков и получения векторных представлений текста, в частности для текстового поиска и сопоставления по смыслу. Из словаря исходной модели оставлены 69 382 токена, выбранные по данным CulturaX для кириллических текстов и английского языка; соответствующие эмбеддинги перенесены на новые идентификаторы токенов. Автор сообщает, что модель не дообучалась и сохраняет качество исходной модели на кириллице и английском. Размер модели — 473,7 млн параметров, контекст — 514 токенов. Сокращённый словарь уменьшает объём весов и расход памяти при обучении. Модель подходит для сценариев, где важны русскоязычные и другие кириллические тексты, а также английский. Репозиторий использует формат safetensors и библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют; проверьте лицензию репозитория перед использованием.

mitra-mir/setfit_model_Ireland_binary_label1_epochs2 — модель на базе MPNet, разработанная mitra-mir для преобразования предложений и абзацев в плотные векторы размерности 768. Она рассчитана на поиск семантически близких текстов и кластеризацию; также может использоваться для сравнения сходства предложений. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель подходит для семантического поиска по коллекциям текстов, группировки похожих предложений и построения эмбеддингов для последующей обработки. В карточке указано обучение с CosineSimilarityLoss; сведений о языковой специализации и лицензии в предоставленных данных нет.

StableLM-Tuned-Alpha-7B — авторегрессионная языковая модель компании Stability AI на архитектуре NeoX Transformer, дообученная на базе StableLM-Base-Alpha для диалогов и следования инструкциям. Версия содержит около 10 млрд параметров по метаданным репозитория и поддерживает контекст длиной до 4096 токенов. Модель предназначена для чат-приложений и задач, включающих ответы на вопросы, генерацию текста, суммаризацию, классификацию и извлечение информации. Обучение включало наборы Alpaca, GPT4All Prompt Generations, Anthropic HH, Databricks Dolly и англоязычную часть ShareGPT Vicuna. Основной язык — английский. Дообучение помогает направлять ответы модели, но не устраняет все смещения и токсичность; результаты могут быть неточными и не должны заменять человеческую оценку. Лицензия CC BY-NC-SA-4.0 допускает использование на некоммерческих условиях с соблюдением её требований.

Step-3.7-Flash-GGUF — набор GGUF-квантизаций модели Step-3.7-Flash, разработанной StepFun-ai. Это мультимодальная vision-language модель для понимания изображений и работы с текстом, ориентированная на агентные сценарии, включая вызов инструментов, многошаговое рассуждение, программирование и математические задачи. Модель поддерживает входные изображения через отдельный файл проектора mmproj и может запускаться с помощью llama.cpp. Исходная модель содержит около 198 млрд параметров и использует разреженную архитектуру Mixture-of-Experts, активируя примерно 11 млрд параметров на токен. Она включает языковую часть на 196 млрд параметров и vision-энкодер на 1,8 млрд параметров, поддерживает контекст до 256K токенов и три уровня рассуждения: low, medium и high. Заявлена поддержка английского, китайского, японского, корейского, арабского, хинди, немецкого, французского, испанского и русского языков. В набор входят варианты от BF16 до агрессивных IQ3_XXS и Q3-квантизаций размером примерно от 76 до 394 ГБ; отдельный vision-проектор F16 занимает около 4 ГБ. К сильным сторонам относятся мультимодальность, большой контекст, поддержка рассуждений и инструментального взаимодействия, а также возможность локального и приватного запуска. К ограничениям относятся очень высокие требования к памяти и зависимость качества от выбранного уровня квантизации: компактные варианты могут давать заметную потерю качества. Для работы с изображениями необходим отдельный mmproj-файл. Модель распространяется по лицензии Apache-2.0.

NullCoreDeveloper/stylometric-rubert-v4 — текстовая модель Sentence Transformer на архитектуре BERT, обученная для представления предложений и абзацев в виде плотных эмбеддингов. Она подходит для поиска и сопоставления текстов по семантическому сходству, включая retrieval-сценарии. В README указаны mean pooling, векторы размерности 768 и косинусная мера сходства; метаданные указывают 205,1 млн параметров и лимит контекста 512 токенов. Модель принимает текст и возвращает векторные представления. Пример обучающих данных содержит русскоязычные фрагменты, однако сведения о поддерживаемых языках в карточке и метаданных не позволяют уверенно определить полный языковой охват. Лицензия в предоставленных источниках не указана.

CortexLM/Teutonic-1-Chat-Preview — экспериментальная чат-модель, разработанная CortexLM на базе текстовой линии Qwen3.5-9B. Модель предназначена для диалогов с поддержкой рассуждений, решения проверяемых математических и программных задач, работы с инструментами и обработки длинного контекста. Это предварительный снимок в процессе обучения, поэтому он не рекомендуется для production-сценариев. Модель использует гибридную архитектуру с linear attention и softmax attention, относится к классу примерно 9B параметров и поставляется с весами FP8 block-scaled e4m3 и конфигурацией квантования в стиле Qwen. Поддерживается текстовая модальность и английский язык. Заявлена вместимость контекста до 256 тысяч входных токенов благодаря RoPE с max_position_embeddings 262144. Шаблон чата поддерживает опциональные блоки рассуждений <think>…</think> и разметку вызова инструментов. Сильные стороны текущего checkpoint — извлечение информации из длинного контекста, включая внутренние тесты с одним ключевым фрагментом на 128k и 256k токенах, а также математические задачи и сохранение качества чата. Ограничения связаны с экспериментальным статусом: обучение продолжается, стабильная генерация ответов длиной 64k ещё не завершена, более сложные многоключевые и многошаговые задачи длинного контекста требуют доработки, а мультимодальность запланирована на будущее. Модель распространяется по лицензии Apache-2.0.

T-lite-it-2.1-GGUF — русскоязычная текстовая генеративная модель, разработанная t-tech. Это конвертация модели T-lite-it-2.1 из BF16 в формат GGUF с использованием llama.cpp, предназначенная для локального запуска через llama.cpp и Ollama. Модель построена на архитектуре Qwen 3 и ориентирована на универсальные задачи генерации текста, следование инструкциям, сложные рабочие процессы и агентские приложения. В отличие от T-lite-it-1.0, она поддерживает tool calling и, согласно описанию, превосходит Qwen3-8B в сценариях вызова инструментов. Оптимизированный токенизатор повышает пропускную способность генерации русского текста. Поддерживается русский язык. Модель работает только в режиме без рассуждений и не генерирует блоки <think></think>. Доступны квантизации Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q5_0 и Q4_K_M размером примерно от 5,0 до 8,7 ГБ без учёта выгрузки на GPU. Качество и требования к памяти зависят от выбранной квантизации; рекомендуется использовать наиболее качественный вариант, помещающийся в доступной RAM или VRAM. В README не указаны точный размер базовой модели, число параметров, полный набор поддерживаемых языков и официальное максимальное контекстное окно. Модель распространяется по лицензии Apache-2.0. Разработчики предупреждают, что ответственность за дополнительное обучение, контроль качества, безопасность и применение модели в промышленных или коммерческих системах несёт пользователь.

UIX-Qwen2 — мультимодальная модель Neulab для понимания веб-интерфейсов, обученная в рамках работы Harnessing Webpage UIs for Text Rich Visual Understanding. Модель основана на Qwen2-7B-Instruct и обучалась с использованием LLaVA-NeXT; в каталожных метаданных указаны архитектура LlavaQwenForCausalLM, 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для анализа изображений интерфейсов и текстовых запросов о них, а также для задач понимания документов, OCR и интерпретации диаграмм. README сообщает об обучении на датасете MultiUI и улучшении результатов на тестах веб-интерфейсов и действий веб-агента; эти результаты не гарантируют качество на произвольных данных. Указана лицензия ODC-BY.

Модель avsolatorio/20-100-11-1-0-1-0-0-cls_GIST_avsolatorio_BAAI_bge-base-en-v1.5_1024-20240127160829-best — вариант BAAI/bge-base-en-v1.5, подготовленный avsolatorio: длина входной последовательности увеличена с 512 до 1024 токенов. Это модель Sentence-Transformers на архитектуре BERT с 136,7 млн параметров, которая преобразует предложения и абзацы в плотные векторы размерности 768. Её можно использовать для извлечения эмбеддингов, семантического поиска и кластеризации текста. Модель рассчитана на англоязычный текст. Хотя окно увеличено до 1024 токенов, автор отмечает, что модель не дообучалась для последовательностей длиннее 512 токенов, поэтому качество на более длинных текстах может быть ниже. В репозитории указаны веса в формате safetensors; лицензия в предоставленных источниках не приведена.

Карточка модели avsolatorio/30-100-11-1-2-2-0-0-mean-normed-384-512_GIST_st_all-MiniLM-L6-v2-20240202124453-best на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

Карточка модели avsolatorio/30-100-31-1-2-2-0-0-mean-normed-384-512_GIST_st_all-MiniLM-L6-v2-20240206200102-best на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

sobamchan/bert-base-uncased-mean-50 — англоязычная модель Sentence Transformers, дообученная разработчиком на базе google-bert/bert-base-uncased на датасете all-nli. Архитектура использует BERT, mean pooling и нормализацию; модель преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения по косинусному сходству. В метаданных указан размер 136,7 млн параметров и контекст до 512 токенов; карточка модели задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического сходства текстов, семантического поиска, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. Она поддерживает английский язык и принимает текст, выдавая векторные представления. Ограничения: модель обучалась на all-nli и ориентирована на английские тексты; качество на других языках и специализированных данных не подтверждено. Лицензия в предоставленных данных не указана.

Augmented SBERT STSb — модель на архитектуре BERT, опубликованная James Calam и обученная для получения векторных представлений предложений и абзацев. Она преобразует текст в плотные эмбеддинги размерности 768 и предназначена для сравнения семантической близости, семантического поиска и кластеризации текстов. Модель применима, например, в поиске по коллекции документов и группировке похожих высказываний. Модель содержит 136,7 млн параметров, принимает контекст длиной до 512 токенов и доступна в формате PyTorch. Она была создана как демонстрационная модель для курса по семантическому поиску, в главе о дополнении внутридоменных данных с помощью BERT. Для преобразования выходов Transformers в эмбеддинг при использовании без Sentence-Transformers требуется подходящая операция pooling. Лицензия в предоставленных данных не указана.

TesNik369/bge-m3-tqa-merged-v2 — модель Sentence Transformer, дообученная автором на базе BAAI/bge-m3 на наборе tqa-bge-m3-finetune-triplets-verified из 725 примеров. Она преобразует текстовые предложения и абзацы в нормализованные плотные векторы размерности 1024; близость оценивается косинусным сходством. Модель предназначена для семантического поиска и извлечения релевантных текстов, в том числе в системах поиска ответов на вопросы. Архитектура основана на XLM-RoBERTa с CLS-пулингом и нормализацией; длина последовательности в README указана как 512 токенов. Метаданные указывают контекст до 8194 токенов, поэтому фактическую длину ввода следует сверять с используемой конфигурацией модели. README приводит высокую точность на tqa-dev, однако результат относится к описанной оценке и не гарантирует качество на других данных. Модель принимает и выдаёт текстовые представления в виде эмбеддингов; лицензия в предоставленных сведениях не приведена.

ColPali v1.3 merged — модель визуального поиска по документам, разработанная ViDoRe на основе PaliGemma-3B. Она преобразует изображения страниц и текстовые запросы в многовекторные представления ColBERT-типа, чтобы находить релевантные страницы по их визуальным и текстовым признакам. В этой версии LoRA-адаптер уже объединён с базовой моделью vidore/colpaligemma-3b-pt-448-base; для работы с эмбеддингами предусмотрена интеграция с Sentence Transformers. Модель предназначена прежде всего для поиска по PDF-подобным документам: например, для нахождения страниц, отвечающих на запрос пользователя. Обучение проводилось на 127 460 парах «запрос — страница» на английском языке; авторы проверяли обобщение на другие языки, однако основное внимание уделено английскому и другим распространённым языкам. Для сопоставления используется позднее взаимодействие между токенами текстового запроса и визуальными патчами страницы. Модель принимает текстовые запросы и изображения страниц и выдаёт многовекторные представления для поиска и оценки сходства. Она может потребовать адаптации для систем векторного поиска, которые не поддерживают многовекторный поиск ColBERT. Карточка указывает лицензию Gemma; следует учитывать её условия использования.

Crux-Qwen3_OpenThinking-4B — плотная авторегрессионная языковая модель семейства Qwen3, дообученная PrithivMLmods на базе Qwen/Qwen3-4B. Она содержит около 3,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Для диалогового применения доступны интерфейс вызова инструментов и генерация кода. Модель ориентирована на пошаговые рассуждения, решение математических и логических задач, STEM-обучение, объяснение и генерацию кода, а также структурированные ответы и перевод. В README заявлена поддержка более 20 языков; метаданные карточки отмечают английский. Для обучения использованы наборы s1K-1.1, OpenMathReasoning и FineTome-100k. Модель может быть полезна для учебных и технических задач, но иногда допускает фактические ошибки, лучше работает с ясными однозначными запросами и, согласно карточке, хуже подходит для творческой и художественной генерации. Доступна по лицензии Apache-2.0.

bobox/DeBERTa-small-ST-v1-test-step2 — Sentence Transformers на базе DeBERTa-v2, дообученная авторами на наборах пар и триплетов предложений, включая данные для поиска, вопросов и ответов, проверки фактов и выявления отрицания. Модель кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска, оценки сходства и перефразирования, кластеризации и извлечения признаков текста. README приводит результаты оценки на STS и VitaminC, однако качество зависит от задачи и набора данных. Основной язык — английский. Данные не сообщают лицензию, поэтому условия использования по ним определить нельзя.

AMAImedia/DeepSeek-V4.1-Flash-FP8-GGUF — GGUF-квантизированная версия мультимодальной модели DeepSeek-V4.1-Flash, опубликованная AMAImedia в рамках платформы NOESIS. Модель основана на разработках DeepSeek AI и связана с базовыми моделями Tencent/Hy4-preview и AngelSlim/Hy4-preview-GGUF, указанными в карточке. Дата выпуска — 20 сентября 2026 года. Модель предназначена для работы с текстом и изображениями: она принимает изображения и текст, а генерирует текст авторегрессивно. Заявлена поддержка контекстов до одного миллиона токенов и широкого набора языков, включая английский, русский, китайский, вьетнамский, японский и многие другие. Архитектура представляет собой мультимодальную Mixture-of-Experts с 552 млрд параметров в backbone и структурой Causal Encoder-Decoder из 40 Transformer-слоёв: 20 слоёв причинного энкодера и 20 слоёв декодера. Ключевая особенность — оптимизация KV-кэша и вычислений для длинного контекста и input-heavy агентских сценариев. Во время prefill активируется около 8 млрд параметров на токен, а во время decode — около 16 млрд; механизм SWA Bounded Replay уменьшает постоянный объём KV-кэша примерно до одной восьмой от DeepSeek-V4-Flash. Используется Compressed Sparse Attention 2 с режимами Full, Reindex и Reuse. GGUF и FP8 ориентированы на эффективное локальное или специализированное инференс-развёртывание, однако требования к памяти и производительности для модели такого масштаба в карточке не указаны. Лицензия, указанная в метаданных этой версии, — Apache 2.0. Полные сведения о качестве, бенчмарках, точных характеристиках квантизации и ограничениях применения в представленном README отсутствуют.

Карточка модели much1na/distil-cohere-v1-ckpt-backup на Hugging Face совпадает с карточкой much1na/distil-cohere-v1-ckpt, поэтому описание составлено по ней. much1na/distil-cohere-v1-ckpt — дообученная модель Sentence Transformers на базе BERT google/bert_uncased_L-6_H-512_A-8. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. Архитектура включает BertModel с усредняющим pooling; сходство векторов можно оценивать косинусной мерой. Модель принимает только текст, поддерживает последовательности длиной до 512 токенов и содержит 40,8 млн параметров. В карточке указано обучение на наборе parquet из примерно 3,81 млн примеров, а метаданные описывают её как модель эмбеддингов. Базовая модель англоязычная, поэтому основное применение — представление английских текстов. Лицензия в доступных данных не указана.

E5-small-v2-t2t — нидерландская адаптация модели intfloat/e5-small-v2, созданная с помощью transtokenizer на основе токенизатора BERTje. Модель использует архитектуру BERT и содержит 39,9 млн параметров; она преобразует текст в эмбеддинги для семантического поиска, сопоставления предложений и оценки их сходства. Подходит для поиска и ранжирования текстов на нидерландском языке, а также для задач извлечения признаков и группировки текстов. Максимальная длина контекста — 512 токенов. Выпускается под лицензией MIT.

Англоязычная модель Sentence Transformer, созданная дообучением sentence-transformers/all-MiniLM-L6-v2 на наборе вопросов и ответов gooaq. Энкодер на архитектуре BERT преобразует предложения и абзацы в плотные векторы размерности 384; векторы нормализуются, а сходство можно оценивать косинусной мерой. В README указан предел последовательности 256 токенов, а метаданные каталога указывают контекст до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации. Дообучение на парах «вопрос — ответ» ориентирует её на сопоставление вопросов с релевантными ответами. По результатам TripletEvaluator на gooqa-dev указана cosine accuracy 0,5936; качество на других данных может отличаться. Для работы с моделью подходит библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

embeddingmagibu-200m — модель эмбеддингов предложений, разработанная М. Али Байрамом, Бану Дири и Савашем Йылдырымом как артефакт исследования по адаптации многоязычных эмбеддингов для турецкого языка. Это плотная текстовая модель семейства Gemma 3 Text с примерно 202,1 млн параметров, реализованная в формате SentenceTransformers. Она выдаёт нормализованные векторы размерности 768 и принимает последовательности длиной до 8192 токенов. Модель предназначена прежде всего для семантического поиска и извлечения документов на турецком языке, в том числе для RAG, а также для оценки сходства предложений, кластеризации и классификации на основе эмбеддингов. Она адаптирована с помощью модификации многоязычного токенизатора и дистилляции эмбеддингов от учительской модели; обучение проводилось в многоязычном режиме с охватом 40 языков. Основной язык — турецкий, но модель подходит и для многоязычных сценариев с акцентом на турецкий. В репозитории указана лицензия MIT. Ограничения: качество на языках помимо турецкого может различаться, а обработка длинных входов может требовать значительной видеопамяти; для длинных документов может быть полезно разбиение на фрагменты. Результаты также зависят от настроек оценки и формата запросов.