I.3Извлечение и структурирование данных

Это модель Sentence Transformers на архитектуре MPNet, дообученная Mert Cobanov на наборе all-nli-triplets-turkish. Она кодирует предложения и абзацы в плотные векторы размерностью 768, которые можно сравнивать с помощью косинусного сходства. Модель предназначена для оценки семантической близости, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Обучающий набор содержит турецкие примеры AllNLI в формате троек: опорный текст, семантически близкий текст и отрицательный пример. Несмотря на это, карточка указывает английский как язык модели; фактическое качество для турецкого и других языков следует проверять на целевых данных. Максимальная длина последовательности — 512 токенов. Лицензия — Apache-2.0.

sangmini/msmarco-cotmae-MiniLM-L12_en-ko-ja — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторные представления размерности 1536. Её можно применять для семантического поиска и кластеризации текстов. Модель построена на архитектуре BERT и содержит 124,3 млн параметров; максимальная длина контекста составляет 512 токенов. В карточке указано обучение с функцией потерь MSELoss. Репозиторий содержит веса в формате PyTorch. Лицензия в доступных данных не указана. Оценка на конкретных наборах или ограничения качества в карточке не описаны.

dinab/multilingual-e5-base-Q4_K_M-GGUF — квантизированная версия мультиязычной модели эмбеддингов multilingual-e5-base, разработанной intfloat и представленной в формате GGUF. Модель предназначена для преобразования текстов в векторные представления и подходит для семантического поиска, сопоставления предложений, кластеризации, классификации и задач retrieval, включая использование через llama.cpp. Модель поддерживает множество языков, в том числе русский, английский, немецкий, французский, испанский, китайский, японский и другие. В названии указана квантизация Q4_K_M, которая уменьшает требования к памяти и делает модель удобнее для локального запуска, но может снижать точность по сравнению с полноразмерной версией. Размер параметров, архитектура, максимальная длина контекста и точные требования к оборудованию в README не указаны. Приведены результаты оценки на ряде наборов MTEB для классификации и поиска, однако они относятся к базовой модели multilingual-e5-base. Модель распространяется под лицензией MIT. README не содержит подробного описания ограничений, поэтому качество следует дополнительно проверять на целевых языках, доменах и сценариях применения.

multilingual-e5-small-int8 — это ONNX-модель для построения текстовых эмбеддингов, разработанная на основе Xenova/multilingual-e5-small и подготовленная как неизменяемый пакет для ZimaOS Photos с автоматическим эмбеддингом в Manticore. Модель распространяется под лицензией MIT и предназначена для семантического поиска и сопоставления текстов, в частности двуязычных описаний и подробных сводок, создаваемых VLM для фотографий. Модель использует архитектуру и параметры исходной multilingual-e5-small, но точный размер исходной модели в README не указан. Опубликованный артефакт — ONNX-модель с INT8-квантизацией для выполнения через ONNX Runtime. Размер выходного вектора составляет 384 значения, применяется mean pooling с учётом attention mask и последующая L2-нормализация. Максимальная длина входа — 512 токенов. Для запросов используется префикс «query: », а для индексируемых текстов — «passage: »; соблюдение этих префиксов является частью фиксированного контракта эмбеддингов. Поддерживается многоязычный текст, однако конкретный перечень языков не указан. Сильные стороны модели — компактное 384-мерное представление, INT8-формат, совместимость с ONNX Runtime и пригодность для эффективного семантического поиска по многоязычным описаниям. Ограничения включают максимальную длину контекста в 512 токенов, необходимость корректно использовать разные префиксы для запросов и passages, а также отсутствие в README сведений о точной архитектуре, числе параметров и результатах бенчмарков. В репозитории опубликованы config.json, tokenizer.json и единственный файл model.onnx; альтернативные форматы весов не предоставляются.

Nemotron-3-Embed-1B-BF16-MLX — конверсия мультиязычной модели эмбеддингов NVIDIA Nemotron-3-Embed-1B-BF16, созданная независимым сообществом для запуска на Apple Silicon через MLX. Модель использует архитектуру Ministral3 с двунаправленным вниманием и выдаёт усреднённые L2-нормализованные текстовые эмбеддинги. Размер исходной модели — 1,1 млрд параметров; веса сохранены в BF16 без квантизации, формат файлов — safetensors. В метаданных указан контекст до 262 144 токенов, однако в этой реализации README задаёт max_length 4096 и отмечает, что двунаправленное внимание с квадратичной сложностью ограничивает практическую длину последовательности. Модель предназначена для семантического поиска, сопоставления запросов с документами, извлечения релевантных фрагментов и построения RAG-систем. Поддерживает множество языков, включая русский и английский; для запросов и документов требуются префиксы `query: ` и `passage: ` либо соответствующий параметр `input_type`. README сообщает о близком совпадении эмбеддингов с исходной PyTorch-реализацией, но отдельно подчёркивает, что это не измерение качества поиска. На Apple Silicon скорость обработки длинных документов может быть невысокой. Лицензия — OpenMDW-1.1; конверсия не связана с NVIDIA и не одобрена компанией.

Карточка модели Nerdofdot/Nerdofdot_nickprock_sentence-bert-base-italian-uncased_TM_FTM на Hugging Face совпадает с карточкой Nerdofdot/Nerdofdot_nickprock_mmarco-bert-base-italian-uncased_TM_FTM, поэтому описание составлено по ней. Nerdofdot/Nerdofdot_nickprock_mmarco-bert-base-italian-uncased_TM_FTM — модель на базе BERT, подготовленная в формате Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерностью 768. Она предназначена для поиска семантически похожих текстов и может применяться для кластеризации и семантического поиска. Обучение использовало TripletLoss с евклидовой метрикой и отступом 0,4; объём модели составляет 137,1 млн параметров, максимальный контекст — 512 токенов. Модель принимает текст и возвращает векторные представления, которые можно сравнивать для оценки сходства. Название указывает на итальянскую uncased-версию mMARCO-BERT, однако README не приводит явного подтверждения базовой модели или поддерживаемых языков. Репозиторий содержит веса в формате safetensors. Условия лицензии в доступных данных не приведены.

api19750904/newspainclass — модель семейства RoBERTa, опубликованная в формате PyTorch и предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 768. Её можно применять для поиска семантически близких текстов, кластеризации и оценки сходства предложений; README описывает обучение с CosineSimilarityLoss в рамках Sentence-Transformers. Модель принимает текст и выдаёт векторные представления. Метаданные указывают 151,8 млн параметров и контекст до 514 токенов. Карточка не сообщает, какие языки и тематические области охватывает модель, поэтому её языковую специализацию определить нельзя. Лицензия в предоставленных данных не указана.

nomic-embed-text-v1.5-GGUF — набор GGUF-квантизированных версий модели nomic-ai/nomic-embed-text-v1.5, подготовленный пользователем mradermacher. Модель предназначена для извлечения признаков из текста и оценки семантического сходства предложений, поэтому подходит для семантического поиска, кластеризации, сопоставления текстов и других задач, где используются текстовые embedding-представления. В карточке указана поддержка английского языка. Доступны варианты с разными уровнями квантизации: от Q2_K, Q3 и IQ4_XS до Q8_0 и исходного формата f16. Размер файлов составляет примерно 0,2 ГБ для квантизированных вариантов и 0,4 ГБ для f16. Q4_K_S и Q4_K_M отмечены как быстрые рекомендуемые варианты, Q6_K — как вариант с очень хорошим качеством, а Q8_0 — как быстрый вариант с наилучшим качеством среди представленных. Архитектура, количество параметров, поддерживаемая длина контекста и дополнительные модальности в README не указаны; судя по назначению, модель работает с текстом. К преимуществам относятся компактные GGUF-файлы, несколько компромиссов между скоростью, размером и качеством, а также возможность применения в инструментах, поддерживающих GGUF и Transformers.js. Ограничения связаны с тем, что более сильная квантизация может снижать качество представлений, а сведения о точных характеристиках и результатах оценки модели в карточке отсутствуют. Модель распространяется по лицензии Apache-2.0.

facebook/opt-iml-1.3b — языковая модель семейства OPT, разработанная Meta AI и дообученная следованию инструкциям методом Instruction Meta-Learning. Модель с плотной архитектурой и примерно 1,7 млрд параметров предназначена для генерации текста по запросу; её можно использовать через библиотеку Transformers. Контекст модели составляет 2048 токенов. Обучение проводилось на OPT-IML Bench — наборе примерно из 2000 задач обработки естественного языка, собранных из восьми бенчмарков, включая Super-NaturalInstructions, FLAN и PromptSource. Семейство включает варианты, обученные на 1500 задачах с отложенными задачами для оценки, и OPT-IML-Max, обученный на всех примерно 2000 задачах. В карточке для этой модели не уточнено, какой из вариантов имеется в виду. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели. Модель подходит для ответов на инструкции, генерации и преобразования текста в широком круге NLP-задач. Как и другие крупные языковые модели, она может выдавать фактически неверные ответы, токсичный текст и воспроизводить стереотипы; результаты требуют проверки.

PatentSBERTa — модель эмбеддингов предложений и абзацев, опубликованная AI: Growth-Lab при Aalborg University Business School. Она основана на архитектуре MPNet и преобразует текст в плотные векторы размерности 768; заявленные сценарии применения включают семантический поиск и кластеризацию. Модель содержит 136,7 млн параметров и принимает контекст длиной до 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss и предназначена для представления текстов в общем векторном пространстве, чтобы сравнивать их семантическую близость. Доступна в формате PyTorch; для использования автор README рекомендует библиотеку Sentence-Transformers либо Transformers с соответствующей операцией pooling. Сведения о лицензии, целевом языке и специализированных патентных возможностях в предоставленных данных отсутствуют.

PLLuM-12B-chat-2512 — разговорная языковая модель семейства PLLuM, разработанная альянсом HIVE AI для работы прежде всего на польском языке. Модель основана на архитектуре Mistral, имеет 12,1 млрд параметров и принимает текстовые запросы, генерируя текстовые ответы. Для диалога её дополнительно настраивали с помощью инструкционного обучения и обучения на предпочтениях; указанный контекст — до 131 072 токенов. Модель подходит для генерации и суммаризации текста, извлечения сведений и ответов на вопросы, в том числе для ассистентов по польским административным и юридическим темам с подключённым поиском по документам. В обучении использовались польские и английские тексты, ручные инструкции и размеченные предпочтения. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка описывает сильные результаты на польских задачах и настройки для диалога, но не приводит количественных оценок именно этой версии 12B. Для актуальных или проверяемых сведений в административных и юридических ответах потребуется внешний источник документов.

PLLuM-4B-instruct-2512 — инструктивная языковая модель семейства PLLuM, разработанная альянсом HIVE AI на основе Gemma 3 4B. Модель продолжительно обучали на польских и английских текстах, затем дообучали на инструкциях и настраивали с помощью предпочтений людей. Это плотная модель с архитектурой Gemma3ForConditionalGeneration и 4 млрд параметров; она распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для диалога и генерации текста, включая ответы на вопросы, суммаризацию и извлечение сведений. Она особенно ориентирована на польский язык и может применяться для создания помощников, в том числе для польской публичной администрации и юридических или бюрократических тем с использованием поиска по документам. README также указывает на английские данные для более широкой обобщающей способности. Ограничение контекстом и доступностью языков зависит от конкретной конфигурации; подтверждены польский и английский. Для актуальных ответов по нормативным и другим документам модель следует сочетать с поиском по источникам, поскольку сама генерация не гарантирует фактическую точность.

AISE-TUDelft/python-expand-classifier — модель на базе MPNet, разработанная AISE при TU Delft. Она кодирует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения семантической близости. Модель можно применять для семантического поиска, кластеризации и задач sentence similarity. Модель содержит 136,7 млн параметров, работает с текстом и имеет контекстное окно до 514 токенов. Она обучалась с функцией потерь CosineSimilarityLoss и распространяется в формате PyTorch. Лицензия в предоставленных данных не указана.

AISE-TUDelft/python-usage-classifier — модель Sentence-Transformers на базе MPNet, разработанная AISE-TUDelft. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и имеет контекст до 514 токенов. Модель подходит для поиска похожих фрагментов и группировки текстов по смыслу. В README указано обучение с CosineSimilarityLoss; доступен формат PyTorch. Карточка не описывает специализированные языки или прикладные области. Лицензия в предоставленных данных не указана.

mlx-community/Qwen2.5-14B-Instruct-1M-bf16 — преобразованная в формат MLX версия модели Qwen/Qwen2.5-14B-Instruct-1M, подготовленная сообществом mlx-community с помощью mlx-lm 0.21.1. Это плотная авторегрессионная языковая модель семейства Qwen2 с 14 млрд параметров, предназначенная для диалогов и генерации текста; метаданные также указывают интерфейс вызова инструментов. Контекст модели достигает 1 010 000 токенов, что позволяет работать с очень длинными текстами. Модель поддерживает английский язык; данные карточки не подтверждают поддержку других языков. Репозиторий содержит веса в формате safetensors и предназначен для использования с MLX. Лицензия Apache-2.0 допускает коммерческое использование при соблюдении её условий. Это преобразование базовой модели в другой формат, а не отдельное дообучение; фактическая производительность зависит от оборудования и используемой конфигурации MLX.

amd/Qwen3.5-397B-A17B-NVFP4 — это мультимодальная модель условной генерации Qwen3_5MoeForConditionalGeneration, созданная на основе Qwen/Qwen3.5-397B-A17B и подготовленная Advanced Micro Devices, Inc. Модель принимает текст, изображения и видео, а генерирует текст. В карточке указана поддержка английского языка. Обозначение модели содержит 397B-A17B, однако точное описание числа параметров и конфигурации смеси экспертов в README не приведено. Модель предназначена для задач генерации и анализа текста, а также обработки мультимодальных входных данных. Она оптимизирована для инференса через vLLM на системах AMD MI300, MI350 и MI355 с ROCm 7.2.2, PyTorch 2.10.0 и Transformers 5.14.0 под Linux. Для развертывания используется статическое квантование весов и динамическое квантование активаций MOE-слоёв в формате NVFP4; оптимизация выполнена с помощью AMD-Quark 0.12. К сильным сторонам относятся существенное снижение требований к памяти за счёт NVFP4-квантования, поддержка текста, изображений и видео, а также совместимость с vLLM. В тесте GSM8K модель получила 94,47 против 95,38 у исходной модели, что соответствует восстановлению 99,04% результата исходной версии. Ограничения включают ориентацию на определённое AMD-оборудование и программный стек, а также ограниченную опубликованную оценку: в README приведены результаты только GSM8K. Модель распространяется по лицензии Apache 2.0; модификации защищены авторским правом Advanced Micro Devices, Inc. за 2026 год.

88plug/Qwen3.6-27B-W8A16 — квантованная версия мультимодальной модели Qwen3.6-27B, разработанной командой Qwen и опубликованной пользователем 88plug. Модель предназначена для обработки изображений и текста с генерацией текста: анализа изображений, визуально-текстовых запросов, рассуждений и задач общего назначения. Поддерживает английский язык; заявленный контекст составляет до 262 144 токенов. Это плотная модель примерно на 27 млрд параметров без MoE, с гибридной архитектурой Gated DeltaNet и полносвязных MLP-блоков. В ней 41 чередующийся слой полной и линейной внимания. Применена посттренировочная квантование AutoRound W8A16: веса хранятся в INT8, а активации — в BF16; размер группы квантования равен 32. Модель занимает около 27 ГБ и рассчитана на запуск на GPU Ampere и новее, включая RTX 4090, A6000 и A100-40. Для развёртывания предпочтителен vLLM версии 0.21 или новее с форматом compressed-tensors. К сильным сторонам относятся существенно меньшие требования к памяти по сравнению с BF16-версией, поддержка длинного контекста и возможность работы на распространённых GPU без ограничений, характерных для FP8. Текстовые компоненты калибровались на смешанном наборе UltraChat-200k и WikiText-103, однако визуальный энкодер получил некалиброванное RTN-квантование INT8, поэтому качество обработки изображений может быть менее проверенным. Формат compressed-tensors не поддерживается TGI, а виджет Hugging Face может работать нестабильно. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-FP8 — квантованная версия мультимодальной модели Qwen3.8-27B, опубликованная huginnfork на базе модели Qwen/Qwen3.8-27B. Она предназначена для задач, объединяющих работу с текстом и изображениями, включая генерацию и понимание ответов по визуально-текстовым запросам. Модель поддерживает speculative decoding и multi-token prediction, однако конкретный набор языков и максимальная длина контекста в предоставленных данных не указаны. Модель имеет плотную архитектуру семейства Qwen3.5 с гибридом линейного внимания и полного self-attention, vision tower и MTP-head. Квантование выполнено по схеме FP8_DYNAMIC W8A8: веса и активации MLP-проекций квантуются в FP8 E4M3, а активации обрабатываются динамически на уровне токенов. Пути self-attention, linear attention на базе SSM, vision tower, lm_head и MTP-head сохранены в формате bf16. Размер чекпойнта составляет около 35,8 GiB в восьми файлах против 51,7 GiB у версии bf16. Выборочная квантизация MLP снижает объём хранения и, согласно приведённым измерениям, обеспечивает меньшее расхождение с исходной bf16-моделью, чем официальный FP8-релиз, при сохранении сопоставимой perplexity. Ограничения включают необходимость совместимого программного и аппаратного стека для FP8 и отсутствие в предоставленном README подробностей о фактической производительности, поддерживаемых языках и контекстном окне. Модель распространяется по лицензии Apache-2.0.

kelnei/Qwen3.8-27B-NVFP4 — это квантизированная версия мультимодальной модели Qwen3.8-27B, разработанная на основе исходной модели Qwen/Qwen3.8-27B. Она предназначена для генерации текста и обработки изображений с текстом, включая сценарии чат-взаимодействия и инференса на NVIDIA Blackwell GPU с архитектурой SM 12.0 и выше. Модель использует смешанную квантизацию: большинство линейных слоёв работают в NVFP4 (W4A4, group-16), отдельные компоненты — в FP8, а vision tower, merger, embeddings, norms и часть DeltaNet-слоёв сохранены в BF16. Размер чекпойнта и требуемой видеопамяти составляет около 21,8 ГБ против примерно 56 ГБ у версии BF16. Поддерживаются KV-кэш FP8 и multi-token prediction (MTP); заявленная точность относительно BF16-оригинала — 94,1% совпадения top-1 при эмулированном W4A4-инференсе. Главное преимущество модели — существенное снижение требований к памяти при сохранении близкого к исходному качеству и повышение скорости декодирования, особенно при MTP speculative decoding. Рекомендуемый сервер — vLLM с оптимизированными NVFP4-ядрами; для SGLang необходимо использовать более раннюю ревизию с BF16-головой, поскольку текущая FP8-голова может приводить к вырожденным результатам. Для работы требуется совместимый NVIDIA Blackwell GPU, поэтому модель не является универсальной для старых видеокарт. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-MTP-GGUF — мультимодальная модель на базе Qwen3.8-27B, разработанная HauhauCS и распространяемая в формате GGUF. Она предназначена для генерации текста, рассуждений, агентских сценариев, обработки изображений и видео, а также задач с длинным контекстом. Aggressive-профиль ориентирован на прямые ответы без выраженного поведения отказа и с минимальным вступлением в сложных запросах. Модель представляет собой плотную языковую модель на 27 млрд параметров с vision encoder: 64 слоями, скрытым размером 5120, размером FFN 17408, словарём на 248 320 токенов, 48 слоями Gated DeltaNet и 16 слоями gated attention. Поддерживаются английский, китайский и другие языки. Нативный контекст составляет 262 144 токена и может быть расширен до 1 000 000 токенов. В текстовых GGUF сохранён встроенный MTP/NextN, а отдельный профиль HauhauCS FastMTP 32K предназначен для ускорения генерации; для обработки изображений и видео требуется отдельный BF16 vision projector. Сильными сторонами являются мультимодальность, большой контекст, широкий набор квантованных вариантов и потенциальное ускорение за счёт MTP. Ограничения включают необходимость значительных аппаратных ресурсов для моделей размером до 31,46 ГБ, зависимость мультимодального ввода от отдельного проектора и возможное снижение надёжности в критически важных длинноконтекстных агентских сценариях из-за Aggressive-профиля. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-MTP-GGUF — это GGUF-квантизированная версия мультимодальной модели Qwen3.8-27B, разработанная HauhauCS на базе Qwen/Qwen3.8-27B. Модель предназначена для генерации текста, рассуждений, агентских сценариев, а также обработки изображений и видео. Профиль Aggressive ориентирован на прямые ответы с минимальным вступлением и без стандартного поведения отказа; при этом заявлено сохранение исходных текстовых, reasoning-, agentic-, image- и video-возможностей базовой модели. Модель представляет собой плотную causal language model на 27 млрд параметров с vision encoder и поддержкой языков English, Chinese и других языков за счёт мультиязычной базы. Архитектура включает 64 слоя языковой модели, hidden size 5120, FFN size 17408, словарь размером 248 320 токенов, 48 слоёв Gated DeltaNet и 16 слоёв gated attention. Поддерживается нативный контекст 262 144 токена с возможностью расширения до 1 000 000 токенов. В поставку входят различные GGUF-квантизации, отдельный BF16 vision projector для изображений и видео, а также профиль HauhauCS FastMTP 32K для ускорения speculative decoding; заявлено ускорение до 3,02 раза для документов и до 1,93 раза для reasoning-сценариев по сравнению с режимом без MTP. Сильные стороны модели — широкий набор модальностей, длинный контекст, сохранённые возможности Qwen3.8, выбор квантизаций от Q2 до Q8 и оптимизированные K_P-кванты, совместимые с llama.cpp, LM Studio и другими GGUF-совместимыми средами. Агрессивный профиль может быть менее подходящим для надёжно контролируемых агентских и критически важных задач, где предпочтительнее более сбалансированная настройка. Для мультимодального ввода требуется отдельный vision projector, а запуск требует значительных ресурсов: размер текстовых файлов составляет примерно от 10,32 до 31,46 ГБ в зависимости от квантизации. Модель распространяется по лицензии Apache-2.0.

JANGQ-AI/Qwen3.8-Flash-Next-JANG_6S — квантованный пакет модели Qwen/Qwen3.8-Flash-Next, подготовленный Jinho Jang для запуска на Apple Silicon через MLX и vMLX. Это мультимодальная модель с архитектурой Qwen4-архитектуры: MoE на 125 млрд параметров с 6 млрд активных, гибридными слоями Gated DeltaNet и Qwen Sparse Attention, а также отдельной таблицей n-граммных эмбеддингов. Веса для текста, изображений и видео включены в пакет. Модель предназначена для диалога, рассуждений, агентных сценариев и использования инструментов, а также для понимания изображений и видео. Нативный контекст — 262 144 токена, его можно расширить до 1 млн с YaRN; сохранена голова многотокенного предсказания для ускоренного декодирования в поддерживаемых средах. Для вызовов инструментов требуется парсер диалекта Qwen XML; Hermes-only парсеры могут некорректно обрабатывать такие вызовы. Пакет ориентирован на запуск в vMLX, а работа с таблицей n-грамм на SSD и полная поддержка мультимодальности зависят от возможностей среды исполнения. В README заявлены лицензия «other» и необходимость доступа через ручное одобрение для vMLX; конкретные условия лицензии в предоставленных данных не раскрыты. Качество и скорость зависят от конфигурации и среды исполнения; заявленные в карточке измерения сопоставляют квантованный пакет с исходной версией bf16.

Sawfwair/Qwen3.8-Flash-Next-MLX-4bit — это воспроизводимая конверсия модели Qwen/Qwen3.8-Flash-Next в формат MLX, разработанная Sawfwair на основе исходной модели Qwen. Модель предназначена для задач генерации текста и обработки изображений с текстом, включая мультимодальные сценарии, совместимые с архитектурой Qwen4-Exp. Поддерживает нативный контекст до 262 144 токенов. Исходная модель насчитывает около 180 млрд параметров: 125 млрд параметров основной модели, 51 млрд параметров n-граммовых эмбеддингов и 4 млрд параметров MTP. Квантизация выполнена в формате MLX affine Q4: применяются Q4/group-64 для языковых, MTP- и vision-матриц и Q4/group-32 для таблицы n-грамм; маршрутизаторы, нормализации, смещения, свёртки и несовместимые формы оставлены в плотном формате. Размер артефактов составляет около 97,55 GiB. К сильным сторонам относятся большой контекст, поддержка текста и изображений, воспроизводимая конверсия и существенное уменьшение размера по сравнению с полноразмерным представлением. Для работы требуется runtime MLX с поддержкой архитектуры Qwen4-Exp; старые версии mlx-lm или mlx-vlm могут не поддерживать модель. Распространение осуществляется по Qwen Community License 1.0. Лицензия содержит требования к атрибуции и отображению для очень крупных коммерческих продуктов, а также отдельные условия для некоторых коммерческих Model-as-a-Service и AI Work Assistant-сценариев; перед использованием необходимо ознакомиться с её полным текстом.

kaiz0603/qwen3remote-2B — дообученная разработчиком kaiz0603 мультимодальная модель на архитектуре Qwen3-VL с 2 млрд параметров, созданная на базе unsloth/Qwen3-VL-2B-Instruct. Она принимает текст и изображения и предназначена для диалогов и ответов на вопросы по визуальному содержимому; базовая модель также поддерживает анализ видео, OCR и визуальное рассуждение. Модель дообучена с использованием Unsloth и библиотеки Hugging Face TRL, веса представлены в формате safetensors. Лицензия — Apache-2.0.

Qwen3-VL-Embedding-2B-4bit — мультимодальная модель эмбеддингов из семейства Qwen3-VL, опубликованная mlx-community. Она преобразована в формат MLX из Qwen/Qwen3-VL-Embedding-2B и предназначена для извлечения векторных представлений текста и изображений, например для поиска по тексту и визуальному содержимому. В метаданных указана архитектура Qwen3VLForConditionalGeneration и задача feature-extraction; базой послужила Qwen/Qwen3-VL-2B-Instruct. Репозиторий распространяется под лицензией Apache-2.0. Карточка не приводит конкретные сведения о поддерживаемых языках, размере контекста и точной схеме работы с изображениями.

Qwen_Qwen3.5-35B-A3B-GGUF — это набор квантованных версий модели Qwen3.5-35B-A3B, подготовленный пользователем bartowski на основе оригинальной модели Qwen. Модель предназначена для задач генерации текста и обработки изображений с текстом, а GGUF-формат позволяет запускать её локально через llama.cpp и совместимые приложения, включая LM Studio, Jan AI, KoboldCpp и Text Generation Web UI. В набор входят варианты от BF16 до низкобитных квантований Q8_0, Q6_K, Q5_K, Q4_K и Q3_K, а также IQ-квантизации. Размер файлов составляет примерно от 17 до 71 ГБ. Обозначение 35B указывает на 35 миллиардов параметров, а A3B относится к архитектуре исходной модели; подробности об архитектуре, поддерживаемых языках и размере контекста в README не приведены. Квантизации выполнены с использованием imatrix и llama.cpp, для некоторых конфигураций доступна поддержка MTP-слоёв. Сильная сторона набора — широкий выбор компромиссов между качеством, требованиями к памяти и скоростью локального запуска; варианты Q5 и Q6 обозначены как высококачественные, а Q4_K_M — как типичный выбор для большинства сценариев. Низкобитные варианты экономят память, но могут снижать качество. Для использования требуется совместимое программное обеспечение и аппаратные ресурсы, соответствующие размеру выбранного файла. Лицензия — Apache 2.0.

Qwen-SEA-LION-v4-32B-IT — плотная языковая модель с архитектурой decoder-only Transformer семейства Qwen3, размещённая Scalejade как копия модели AI Singapore. В ней около 29,7 млрд параметров; исходную Qwen3-32B продолжительно обучали на корпусе SEA-Pile v2, а затем дообучили на инструкциях и применили слияние моделей. Метаданные указывают контекст до 40 960 токенов, тогда как README приводит 32 768 токенов; перед развёртыванием стоит сверить это значение с конфигурацией весов. Модель предназначена для диалогов и следования инструкциям на языках Юго-Восточной Азии, а также для перевода между английским и этими языками, суммаризации, ответов на вопросы, классификации и RAG по региональным материалам. Она поддерживает режим рассуждений Qwen3 и интерфейс вызова инструментов. В продолжительном предобучении использовались бирманский, индонезийский, малайский, филиппинский, тамильский, тайский и вьетнамский; README также предупреждает о неравномерном качестве для одиннадцати заявленных языков. Модель может галлюцинировать, не прошла выравнивание по безопасности и не проверялась на устойчивость к состязательным запросам. Не рекомендуется полагаться на неё без дополнительной проверки в медицинских, юридических и других ответственных сценариях. Репозиторий распространяется по лицензии MIT; Scalejade указывает, что не обучала веса и размещает копию работы команды SEA-LION из AI Singapore.

franzclarin/ReverseDictionary — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L6-v2, созданная для поиска по смыслу. Она кодирует предложения и абзацы в нормализованные плотные векторы размерностью 384; сходство между текстами можно оценивать косинусной близостью. Архитектура включает энкодер BERT, усредняющий pooling и нормализацию. По метаданным, модель содержит 25,9 млн параметров и поддерживает контекст до 512 токенов; README указывает максимум в 256 токенов. Модель обучалась на примерах с тремя связанными текстовыми полями и подходит для поиска по описанию, сопоставления формулировок и извлечения близких по смыслу предложений. Прикладная модальность — текст; основной язык базовой модели — английский. Доступны веса Safetensors и формат ONNX. Лицензия в предоставленных данных не указана.

Модель hiiamsid/sentence_similarity_spanish_es — испаноязычная модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерностью 768. Она построена на архитектуре BERT и предназначена для вычисления семантического сходства, семантического поиска и кластеризации текстов на испанском языке. В метаданных указано 137,1 млн параметров и контекст до 512 токенов. Модель дообучена на основе dccuchile/bert-base-spanish-wwm-cased с использованием датасета stsb_multi_mt и функции потерь CosineSimilarityLoss. Веса доступны в форматах PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0. Она выдаёт эмбеддинги, а качество результатов зависит от соответствия входных текстов испанскому языку и ограничения контекста.

Модель frozi/setfit-ethos-multilabel-example — модель Sentence-Transformers на архитектуре MPNet, преобразующая предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска, кластеризации и сравнения смысловой близости текстов. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторные представления. В карточке указано обучение с CosineSimilarityLoss; репозиторий содержит веса PyTorch. Для работы доступны Sentence-Transformers и Transformers с подходящей операцией pooling. Лицензия и целевые языки в предоставленных данных не описаны.