I.3Извлечение и структурирование данных

Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-NEO-MAX-MTP-GGUF — открытая языковая модель на базе Qwen3.6-27B, разработанная в сотрудничестве автора модели с Nightmedia, TeichAI, armand0e и trohrbaugh. Это многоэтапная дообученная и объединённая модель, созданная с использованием Unsloth и рассчитанная на запуск на потребительском оборудовании. В README заявлена поддержка английского и китайского языков, а также vision, однако подробности о визуальной архитектуре и максимальном размере контекста не указаны. Модель предназначена для широкого спектра задач: следования инструкциям, решения задач, рассуждений, программирования, творческого письма, художественной генерации, ролевых сценариев и универсального диалога. Среди заявленных характеристик — улучшенные instruction following, интеллект, problem solving и thinking/reasoning. Доступны regular и MTP GGUF-квантизации, включая 4-битные и 8-битные варианты; все кванты используют NEO IMATRIX, а часть выходного тензора переведена в 16-битную точность. MTP-варианты поддерживают multi-token prediction. К сильным сторонам относятся заявленные улучшения относительно базовой Qwen3.6-27B, высокое качество низкоразрядных квантов, работа с текстом и изображениями, а также широкий спектр сценариев применения. Ограничения включают отсутствие в README точных результатов независимого тестирования, детальных требований к памяти и производительности, размера контекста и описания формата vision-входов. Модель распространяется по лицензии Apache-2.0.

Avesed/Qwen3.6-35B-A3B-INT8-W8A8 — квантизированная версия Qwen/Qwen3.6-35B-A3B, разработанная на базе модели Qwen. Это гибридная Mixture-of-Experts-модель для генерации текста, рассчитанная прежде всего на англоязычные и китайскоязычные сценарии. Архитектура включает 256 экспертов с выбором 8 экспертов на токен и примерно 3 млрд активных параметров, GatedDeltaNet для линейного внимания, vision tower и MTP head, однако назначение и характеристики визуальных возможностей в карточке подробно не описаны. Квантизация выполнена в формате INT8 W8A8: веса экспертных FFN преобразованы в симметричный INT8 по каналам, а активации квантизуются динамически для каждого токена. Чувствительные к качеству компоненты, включая self-attention, маршрутизатор, shared expert, GatedDeltaNet, lm_head, embeddings, vision tower и MTP head, сохранены в формате bfloat16. По заявлению автора, такая схема обеспечивает почти отсутствие потерь качества и предназначена для более эффективного развертывания модели. Модель поддерживается сервером vLLM с INT8 MoE-путём и рассчитана на видеокарты Ampere с архитектурами sm_80 и sm_86; в примере запуска используется tensor parallelism на двух устройствах. Ограничения включают отсутствие в README данных о размере контекста, точном общем числе параметров, поддерживаемых визуальных задачах и результатах тестирования именно этой версии. Лицензия — Apache-2.0.

z-lab/Qwen3.6-35B-A3B-PARO — это мультимодальная версия модели Qwen/Qwen3.6-35B-A3B, подготовленная командой z-lab с использованием метода 4-битного квантования ParoQuant, или Pairwise Rotation Quantization. Модель предназначена для генерации и анализа текста, а также для сценариев image-text-to-text, в которых требуется обработка изображений вместе с текстовыми запросами. Модель имеет размер 35B-A3B согласно идентификатору базовой модели. Языковые компоненты квантованы до INT4, тогда как визуальные компоненты сохранены в исходной точности. Такой подход должен обеспечивать высокую эффективность вывода при сохранении качества, близкого к FP16, и скорости, сопоставимой с AWQ, согласно описанию разработчиков. Поддерживаются NVIDIA GPU через vLLM и Transformers, а также компьютеры Apple Silicon через MLX; доступны интерактивный режим и OpenAI-совместимый сервер. К ограничениям относятся повышенный размер относительно полностью квантованной мультимодальной модели и необходимость не загружать визуальные компоненты, если обработка изображений не требуется. В README не указаны поддерживаемые языки, максимальная длина контекста и подробные результаты бенчмарков. Модель распространяется по лицензии Apache-2.0; сведения о дополнительных ограничениях базовой модели в README не приведены.

Ex0bit/Qwen3.6-35B-A3B-PRISM-NVFP4 — мультимодальная модель для генерации текста, основанная на Qwen/Qwen3.6-35B-A3B и доработанная проектом Ex0bit с использованием настройки PRISM. PRISM направлена на смягчение чрезмерных отказов, удаление нежелательных проявлений предвзятости и пропагандистских шаблонов при сохранении или улучшении качества выполнения задач, связности ответов и мультимодальных возможностей. Модель использует разреженную архитектуру Mixture-of-Experts: общий размер составляет 35 млрд параметров, около 3 млрд параметров активируются для каждого токена, предусмотрено 256 маршрутизируемых экспертов. Веса и активации квантованы в формат NVFP4 W4A4 с использованием compressed-tensors; некоторые компоненты, включая vision encoder, lm_head, роутеры, embeddings и состояние линейно-внимательной SSM, сохранены в BF16. Доступна поддержка мультимодального ввода и MTP draft head для ускоренного спекулятивного декодирования. В README приведён режим обслуживания с ограничением контекста 32768 токенов. Ключевые преимущества модели — существенно сниженные требования к хранению, поддержка мультимодальных сценариев, MoE-эффективность и возможность спекулятивного декодирования. Основные ограничения связаны с аппаратной и программной совместимостью: модель рассчитана прежде всего на GPU NVIDIA Blackwell с архитектурами SM120/SM121 и требует версии vLLM с поддержкой NVFP4; стандартные сборки могут работать некорректно, особенно на SM121. Лицензия Apache 2.0 унаследована от базовой модели.

Svenuks/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive — мультимодальная версия Qwen3.6-35B-A3B, подготовленная HauhauCS. Это модель типа Mixture of Experts с 35 млрд параметров, из которых около 3 млрд активируются при каждом проходе; используется 256 экспертов, из них 8 выбираются для каждого токена. Архитектура включает 40 слоёв и сочетает линейное внимание с полным softmax-вниманием в соотношении 3:1. Модель поддерживает текст, изображения и видео, языки English, 中文 и другие языки, заявленные как multilingual, а её нативный контекст составляет 262K токенов. Модель предназначена для диалогов, генерации и анализа текста, рассуждений, программирования, а также мультимодальных сценариев с обработкой изображений и видео. Вариант Aggressive отличается усиленным снятием встроенных отказов: согласно README, он генерирует ответы без отказов, хотя иногда может добавлять короткие дисклеймеры. Для работы с изображениями требуется отдельный файл mmproj, а для llama.cpp рекомендуется использовать флаг --jinja и контекст не менее 128K токенов для сохранения возможностей рассуждения. Модель распространяется в формате GGUF с вариантами квантования от IQ2_M и Q2_K_P до Q8_K_P; доступны файлы размером примерно от 11 до 44 ГБ. Квантования K_P оптимизированы с использованием importance matrix и анализа конкретной модели, что должно улучшать сохранение качества при умеренном увеличении размера файла. README не приводит результатов независимых тестов, поэтому фактическое качество и производительность зависят от квантования и оборудования. Отсутствие отказов может быть преимуществом для исследовательских и творческих задач, но одновременно означает ослабление защитных ограничений и повышенные риски небезопасного использования. Указанная лицензия — Apache 2.0.

Qwen3.6-40B-Grand-Intelligence-Fable-Fusion-Uncensored-Heretic-NM-DAU-NEO-MAX-MTP-GGUF — это 40-миллиардная модель на базе Qwen3.6, разработанная DavidAU при участии Nightmedia, TeichAI, armand0e, trohrbaugh и nbeerbower. Модель создана как результат многоэтапного fine-tuning, объединения нескольких версий Qwen3.6-27B Fable Fusion и последующей настройки с использованием Unsloth. Доступны обычные GGUF-квантизации и варианты с поддержкой MTP, включая 4-битные и 8-битные версии; заявлена совместимость с потребительским оборудованием. Модель предназначена для широкого спектра задач: следования инструкциям, решения задач, рассуждений, анализа, программирования, творческого письма, ролевых сценариев и работы с текстом. В README также заявлена поддержка vision, однако конкретные форматы входных данных и ограничения мультимодальности не описаны. Указаны английский и китайский языки. Модель ориентирована на более глубокие рассуждения, подробные ответы, улучшенное следование инструкциям и общую интеллектуальную производительность; заявлено сокращение числа токенов в thinking-блоке по сравнению с обычными Qwen. К сильным сторонам относятся крупный размер, многоэтапная настройка, наличие разных GGUF-квантизаций и акцент на reasoning, instruction following и универсальность. Модель обозначена как uncensored и heretic, поэтому уровень защитных ограничений может отличаться от оригинальных моделей Qwen. README не содержит точного размера контекста, полной спецификации архитектуры, детальных результатов независимых тестов и описания требований к ресурсам, поэтому производительность и пригодность для конкретных сценариев следует проверять самостоятельно. Лицензия — Apache-2.0.

Qwen3.6 Flash — быстрая и эффективная мультимодальная модель из серии Qwen 3.6, разработанной Alibaba. Она принимает текст, изображения и видео и предназначена для запросов, где нужны ответы по визуальному или текстовому содержимому. Заявлена длина контекста до 1 млн токенов. Карточка также упоминает тарифы с оплатой по уровням, но не приводит подробностей о них. Данных о лицензии и конкретных ограничениях нет.

btbtyler09/Qwen3.8-27B-GPTQ-4bit — это квантизированный вариант Qwen/Qwen3.8-27B, разработанный сообществом Qwen и подготовленный пользователем btbtyler09. Модель представляет собой плотную мультимодальную модель примерно на 27 млрд параметров с поддержкой текста и изображений, предназначенную для генерации и понимания текста, анализа изображений, обслуживания через vLLM и ускоренного декодирования с помощью модуля MTP. Архитектура включает 64 слоя: 48 слоёв линейного внимания GatedDeltaNet и 16 слоёв полного внимания, скрытое представление размером 5120 и промежуточный размер 17408. Максимальная длина контекста составляет 262 144 токена. В состав входят 27-блочный визуальный ViT-энкодер и однослойная голова Multi-Token Prediction. Текстовый декодер квантизирован в INT4 методом GPTQ с компенсацией ошибок FOEM и размером группы 32, а визуальный энкодер, MTP, эмбеддинги, нормы и LM head сохранены в BF16 или FP16. Итоговый размер — около 21 ГБ вместо примерно 56 ГБ у исходной BF16-модели. Основное преимущество — существенно меньшие требования к памяти при сохранении близкого к исходной модели качества: на wikitext-2-raw-v1 ухудшение perplexity составляет 0,81%. Модель поддерживает мультимодальные запросы и совместима с ядрами GPTQ в vLLM, однако для полноценного запуска требуется значительный объём видеопамяти и подходящая конфигурация GPU. Квантизация может снижать качество на отдельных задачах, а в некоторых версиях vLLM возможна ошибка разбора конфигурации, требующая исправления. Лицензия — Apache 2.0; поддерживаемые языки README не указывает.

Chungulus/Qwen3.8-27B-Q3_K_S-GGUF — независимая ванильная квантизация модели Qwen/Qwen3.8-27B, опубликованная Chungulus. Модель предназначена для локального запуска задач генерации текста, вызова инструментов, анализа изображений и видео. Это vision-language модель с поддержкой мультимодального ввода; для работы с изображениями используется отдельный vision projector mmproj-Qwen3.8-27B-F16.gguf. Поддерживаются нативный формат вызова инструментов Qwen и управление режимами рассуждений через enable_thinking, reasoning_effort и preserve_thinking. Основной файл имеет размер около 12,257 ГБ, полный репозиторий — около 13,197 ГБ. Используется квантизация Q3_K_S на базе llama.cpp K/IQ quantization без дополнительного обучения, слияния или изменения шаблона чата. Сохранена гибридная структура Hybrid Gated DeltaNet/full-attention, а также MTP-тензоры и метаданные, однако спекулятивное ускорение не заявлено. Текстовая генерация, вызов инструментов, обработка изображений и видео прошли проверки; на валидационном хосте зафиксирована скорость около 17,35 токена в секунду. Для запуска требуется совместимый runtime, поддерживающий граф Qwen3.8, vision tower/projector, токенизатор и MTP-метаданные; рекомендуется иметь не менее примерно 17 ГБ доступной памяти, при этом KV-кэш увеличивает потребление в зависимости от контекста. Низкая разрядность квантизации может снижать качество. Максимальный контекст в README не указан и полноценно не тестировался. Модель и квантизация распространяются по лицензии Apache-2.0.

taurusduan/Qwen3.8-Flash-Next-GGUF — GGUF-версия экспериментальной модели Qwen3.8-Flash-Next, разработанной командой Qwen; репозиторий также содержит материалы Unsloth для запуска и квантования. Модель предназначена для генерации текста, задач с длинным контекстом и мультимодальных сценариев, включая обработку изображений, и может использоваться через llama.cpp или Unsloth Desktop. В README не указано точное назначение данного варианта квантования или его конкретные уровни квантования. Это причинная языковая модель с vision encoder и архитектурой, включающей Hybrid Attention с Gated DeltaNet и Qwen Sparse Attention, Mixture of Experts, Gated Residual и n-gram embedding. Всего заявлено 125 млрд параметров, из которых активируется 6 млрд, а также 51 млрд параметров n-gram embedding и 4 млрд для MTP. Модель содержит 48 слоёв, 512 экспертов, из которых активируются 10 маршрутизируемых и один общий, поддерживает контекст длиной 262 144 токена с возможностью расширения до 1 000 000 токенов. Поддержка языков и точные характеристики GGUF-файлов в README не указаны. К сильным сторонам относятся высокая вычислительная эффективность за счёт разреженного внимания и MoE, ориентация на длинный контекст, мультимодальность и возможность ускорения инференса с помощью MTP. Ограничения связаны с экспериментальным статусом архитектуры, отсутствием в README результатов бенчмарков и подробностей о качестве конкретной квантованной сборки. Лицензия указана как qwen-community-1.0; ссылка на текст лицензии ведёт к файлу LICENSE.

zecafonso/Qwen3-Embedding-0.6B-512 — текстовая Sentence Transformer модель, дообученная на базе Qwen/Qwen3-Embedding-0.6B и опубликованная под именем пользователя zecafonso. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска и поиска релевантных фрагментов. Архитектура включает Qwen3Model, pooling по последнему токену и нормализацию; сходство векторов можно оценивать косинусной мерой. Модель рассчитана на retrieval-сценарии, включая поиск passages по запросу. В README приведены результаты оценки на двух наборах urban-ir-gold, но эти результаты относятся к указанным наборам и не гарантируют аналогичное качество в других предметных областях. Модель принимает текст и выдаёт эмбеддинги; максимальная длина последовательности в README — 512 токенов. Метаданные указывают контекст модели 32 768 токенов, однако README описывает ограничение этой конкретной конфигурации в 512 токенов. Модель реализована на Sentence Transformers и сохранена в safetensors. Лицензия в предоставленных данных не указана.

Mungert/Qwen3-Embedding-4B-GGUF — набор GGUF-версий модели эмбеддингов на базе Qwen/Qwen3-4B-Base, подготовленный автором Mungert с использованием llama.cpp. Модель предназначена для извлечения признаков, вычисления сходства между предложениями и других задач семантического поиска и сопоставления текстов. В репозитории представлены варианты с разной точностью и степенью квантования: BF16, F16, гибридные форматы, Q4_K, Q6_K, Q8 и IQ-серии. Автор применяет метод выборочного повышения точности отдельных слоёв поверх стандартного IMatrix-квантования, чтобы улучшить сохранение качества при уменьшении размера модели, особенно для низкобитных вариантов. Это позволяет выбирать компромисс между точностью, объёмом памяти и скоростью инференса в зависимости от оборудования. Точные характеристики архитектуры, размерности эмбеддингов, максимального контекста и поддерживаемых языков в README не указаны. Низкобитные варианты подходят для запуска на CPU и устройствах с ограниченной VRAM, однако могут уступать полноточным версиям по качеству; BF16 и F16 требуют соответствующей аппаратной поддержки. Модель распространяется по лицензии Apache-2.0.

Qwen3-Next-80B-A3B-Instruct-MLX-8bit — это 8-битная квантованная версия языковой модели Qwen3-Next-80B-A3B-Instruct, адаптированная для запуска на устройствах Apple Silicon. Исходную модель разработала команда Qwen, а MLX-квантизацию предоставила команда LM Studio с использованием mlx_lm. Модель предназначена для генерации текста и работы с широким спектром задач, поддерживаемых инструкционной языковой моделью, включая диалоговые сценарии и локальное использование через совместимую программную среду. Модель содержит 80B параметров, при этом заявлена конфигурация A3B; точная архитектура, поддерживаемые языки и размер контекстного окна в README не указаны. Формат MLX и 8-битная квантизация оптимизированы для Apple Silicon, что делает модель более подходящей для локального запуска на таких устройствах по сравнению с полноразмерной версией. Ограничениями являются зависимость от совместимого окружения MLX и оборудования Apple Silicon, а также возможные типичные для генеративных моделей ошибки, неточности и нежелательный контент. Модель распространяется по лицензии Apache-2.0. LM Studio не является разработчиком или владельцем модели и не гарантирует её точность, безопасность, доступность или соответствие конкретным требованиям.

yosefw/roberta-amharic-embed-base — модель Sentence Transformers на архитектуре XLM-RoBERTa, дообученная на базе yosefw/roberta-base-am-embed. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. В README приведён пример данных с текстами на амхарском языке, хотя в карточке и метаданных указан английский язык. Модель использует усреднение токенных представлений и нормализацию векторов; сходство можно оценивать косинусной мерой. Размер модели — 137,8 млн параметров, максимальный контекст — 512 токенов. По результатам оценки в README точность cosine_accuracy@1 для поиска составляет 0,6929 при размерности 768 и 0,682 при размерности 256. Модель распространяется по лицензии Apache-2.0.

SauerkrautLM-ColQwen3-4b-v0.1 — мультиязычная модель визуального поиска по документам, разработанная VAGOsolutions на основе Qwen/Qwen3-VL-4B. Это дообученная плотная модель семейства Qwen3-VL с архитектурой ColQwen3: она кодирует изображения страниц и текстовые запросы в многовекторные представления размерностью 128 и использует позднее взаимодействие для ранжирования документов. Такой подход сохраняет визуальную структуру страниц, включая таблицы, формы и графики, и не требует отдельного OCR-конвейера. Модель предназначена для поиска релевантных страниц в коллекциях документов и визуального RAG. В карточке заявлены 4 млрд параметров и ориентир около 8 ГБ VRAM. На ViDoRe v1 указана оценка NDCG@5 90,80; также приведены результаты MTEB и ViDoRe v2/v3. Поддерживаются английский, немецкий, французский, испанский, итальянский и португальский языки. Лицензия — Apache-2.0. Для загрузки указан пакет sauerkrautlm-colpali; README также описывает использование с Sentence Transformers как многовекторного ретривера. Модель предназначена для извлечения и ранжирования документов, а не для генерации ответов или текста. Заявленные результаты относятся к приведённым бенчмаркам и сами по себе не гарантируют качество на иных корпусах; фактические требования к памяти зависят от конфигурации и размера пакета.

vamsibanda/sbert-all-roberta-large-v1-with-pooler — модель семейства Sentence Transformers на архитектуре RoBERTa, предназначенная для получения векторных представлений предложений и оценки их сходства. В репозитории доступен формат ONNX; модель содержит 454,1 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для сравнения предложений по смыслу и построения эмбеддингов для поиска и сопоставления текстов. В README приведён пример использования через Hugging Face Optimum. Модель ориентирована на английский язык и распространяется по лицензии Apache-2.0.

Это модель Sentence Transformer, разработанная на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и дообученная на данных Torob. Она преобразует предложения и абзацы в плотные векторы размерности 384; сходство текстов можно оценивать по косинусному сходству. Архитектура включает BERT-трансформер и mean pooling. В README указана максимальная длина последовательности 128 токенов, а метаданные каталога задают контекст 512 токенов. Модель предназначена для семантического сравнения и поиска текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Её многоязычная база поддерживает работу с текстами на разных языках; дообучение на данных Torob специализирует её на сходстве текстов из этого набора данных. Для использования требуются Sentence Transformers или совместимая система инференса. Лицензия в предоставленных данных не указана.

lewtun/setfit-ethos-multilabel-example — модель Sentence-Transformers на базе MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 136,7 млн параметров и поддерживает контекст длиной до 514 токенов. Модель подходит для поиска похожих фрагментов текста и группировки текстов по смыслу. В README указано обучение с CosineSimilarityLoss. Репозиторий также содержит в названии указание на пример многометочной классификации ETHOS, но приведённая карточка описывает именно получение эмбеддингов. Для использования требуются Sentence-Transformers либо Transformers с подходящей операцией pooling. Доступные данные не содержат сведений о лицензии, поэтому условия использования по ним определить нельзя.

Kuaaangwen/Setfit-few-shot-classifier — модель эмбеддингов предложений на базе MPNet, опубликованная пользователем Kuaaangwen. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для поиска семантически близких текстов, кластеризации и сравнения сходства. Модель содержит 136,7 млн параметров и рассчитана на контекст до 514 токенов; доступен формат PyTorch. Модель можно применять для семантического поиска по коллекции текстов, группировки похожих высказываний и вычисления сходства между парами предложений. README указывает обучение с CosineSimilarityLoss, но не сообщает языки обучающих данных или результаты оценки. Лицензия в предоставленных данных не указана.

SG Raccoon 55B 2.0 — авторегрессионная языковая модель на базе архитектуры Yi/Llama, созданная объединением двух дообученных моделей Tess-M-v1.3 и airoboros-3_1-yi-34b-200k. По карточке, итоговая модель содержит 55,1 млрд параметров и поддерживает контекст до 200 000 токенов. Модель предназначена для генерации текста и диалогов в формате SYSTEM/USER/ASSISTANT, а большой контекст позволяет обрабатывать длинные запросы и документы. В README приведены результаты оценок на нескольких бенчмарках, включая AI2 Reasoning Challenge и HellaSwag; полные результаты доступны в карточке. Для генерации автор рекомендует учитывать особенности Yi, в частности возможную необходимость отключить BOS-токен и использовать более низкую температуру. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории.

Veritone/siglip2-so400m-patch16-256-vision — облегчённая копия модели Google SigLIP 2 So400m, содержащая только визуальный энкодер. Она преобразует изображения и кадры видео в эмбеддинги общего пространства и предназначена для независимой загрузки визуальной части при индексации, что сокращает расход памяти и время загрузки. Текстовая часть для работы с запросами опубликована отдельно как Veritone/siglip2-so400m-patch16-256-text. Модель поддерживает классификацию изображений без дообучения по заданным текстовым меткам, поиск по изображениям и использование в качестве визуального энкодера мультимодальных моделей. SigLIP 2 обучена на наборе WebLI и, согласно карточке, улучшает семантическое понимание, локализацию и извлечение плотных признаков. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0. В этой копии отсутствует текстовый энкодер, поэтому для сценариев сопоставления изображений с текстовыми запросами потребуется отдельная текстовая башня.

Seznam/simcse-dist-mpnet-paracrawl-cs-en — компактная модель эмбеддингов предложений от Seznam.cz, дообученная с целью SimCSE на базе Seznam/dist-mpnet-paracrawl-cs-en. Она предназначена для получения семантических представлений чешских и английских текстов и подходит для поиска похожих предложений, семантического поиска, извлечения релевантных текстов, кластеризации и классификации. Модель построена на архитектуре BERT, содержит 27,2 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель ориентирована на создание небольших высококачественных эмбеддингов для нескольких задач NLP. В карточке приведены примеры загрузки, но сведения об оценках качества и конкретных ограничениях не раскрыты. Лицензия — CC BY 4.0.

Spark-X2.5-1.7B Community Quants — это набор GGUF-квантизаций модели Spark-X2.5-1.7B, разработанной XHToken. Данные варианты опубликованы сообществом пользователем darioooooo0o и предназначены для локального запуска текстовой генерации, в том числе агентных сценариев с вызовом инструментов, через llama.cpp или совместимую инфраструктуру. Для GGUF требуется форк llama.cpp от XHToken, поскольку архитектура spark2_5 пока не входит в upstream llama.cpp. Модель имеет 1,7 млрд параметров, гибридное внимание с соотношением 3:1 между sliding-window и full attention и поддерживает нативный контекст до 1 млн токенов. Доступны варианты Q8_0, Q6_K, Q4_K_M и IQ4_XS размером примерно от 1,0 до 1,7 ГБ. Квантизация выполнена с использованием importance matrix; варианты рассчитаны на полностью GPU-резидентный запуск, начиная примерно с видеокарт с 4 ГБ памяти, при этом доступный контекст зависит от объёма VRAM и выбранной точности. Сильные стороны модели — компактный размер, высокая скорость декодирования, большой контекст и проверенная поддержка tool calling, включая сложные схемы, параллельные вызовы и многошаговые циклы с результатами инструментов. Ограничение уровня исходной модели — риск бесконечных циклов рассуждений на расплывчатых открытых вопросах; для автономных систем рекомендуется задавать бюджет рассуждений и тайм-ауты. Лицензия — Apache-2.0.

princeton-nlp/sup-simcse-roberta-base — модель эмбеддингов предложений, разработанная командой Princeton NLP в рамках SimCSE. Это вариант SimCSE с учителем: RoBERTa-base дообучена на наборах данных для вывода на естественном языке, чтобы получать векторы предложений, отражающие их смысловое сходство. Модель предназначена для построения эмбеддингов, сравнения семантической близости текстов и поиска похожих предложений. В опубликованном авторами сравнении она достигла среднего результата 82,52 на задачах семантического сходства предложений. Модель основана на RoBERTa, содержит около 151,8 млн параметров и принимает текст длиной до 514 токенов. Модель возвращает векторные представления, а не готовые ответы на вопросы или сгенерированный текст. Основная карточка и материалы проекта не подтверждают поддержку русского языка, поэтому не следует считать её русскоязычной без отдельной проверки. Файлы доступны в форматах PyTorch и Flax; лицензию по доступным источникам надёжно установить не удалось.

T3Q-qwen2.5-14b-v1.0-e3 — дообученная модель на основе Qwen/Qwen2.5-14B-Instruct-1M, опубликованная разработчиком JungZoona. Это плотная языковая модель с архитектурой Qwen2ForCausalLM и 14 млрд параметров, предназначенная для диалогов и генерации текста. Модель рассчитана на контекст длиной до 1,01 млн токенов и работает через библиотеку Transformers. В README указано, что модель прошла постобучение с LoRA на train_data_v1.0. Метаданные заявляют поддержку чата и интерфейса вызова инструментов; модель может применяться для длинных диалогов и анализа больших текстовых контекстов. В карточке сообщается о первом месте среди моделей до 32 млрд параметров в Global Open LLM Leaderboard, однако подробности оценки не приведены. Поддерживаемые языки по метаданным — английский и корейский. Модель распространяется по лицензии Apache-2.0. README сообщает о выпуске более новой версии T3Q-qwen2.5-14b-v1.2-e2 от 14 марта 2025 года, поэтому v1.0-e3 может быть устаревшей относительно неё.

T5 Version 1.1 Large — Google разработала эту предварительно обученную языковую модель архитектуры T5 с 385,2 млн параметров. Она преобразует текст в текст и предназначена для последующей настройки под конкретные задачи обработки естественного языка, например суммаризацию, ответы на вопросы и классификацию текста. В версии 1.1 используется активация GEGLU вместо ReLU, отключён dropout при предварительном обучении, а слой эмбеддингов не разделяет параметры с классификатором. Модель предварительно обучена только на корпусе C4 без обучения на размеченных задачах; перед применением её нужно дообучить. Доступны веса в форматах PyTorch, TensorFlow и Flax. Указанный язык — английский. Модель распространяется по лицензии Apache-2.0. README не приводит отдельных оценок качества для этого размера модели; результаты зависят от последующего дообучения на целевой задаче.

ellery/text-safety-embedding — модель на базе архитектуры BERT, опубликованная в формате PyTorch и предназначенная для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в эмбеддинги размерностью 1024 и подходит для семантического поиска и кластеризации. Модель также можно использовать для сравнения семантической близости текстов. Контекст модели составляет до 512 токенов, а размер — 424,3 млн параметров. Для работы доступны Sentence-Transformers или Transformers с подходящей операцией pooling поверх контекстных представлений. В карточке не описаны языки обучения или специализация на выявлении небезопасного контента, поэтому название модели само по себе не подтверждает такую возможность.

Thomson-1.0-Small — модель с открытыми весами от Thomson Reuters для профессиональных и общих задач. Это причинная языковая модель с архитектурой Qwen3.6-35B-A3B и смесью экспертов: всего 35 млрд параметров, из них 3 млрд активируются при обработке запроса. Модель дообучена на базе tri-fair-lab/Snowdon1.1-Small в рамках непрерывного обучения, включавшего дообучение на корпусах Thomson Reuters и последующую настройку поведения. В метаданных репозиторий классифицирован как image-text-to-text и отмечена возможность работы с изображениями; README подробно описывает прежде всего языковые и профессиональные сценарии. Модель предназначена для юридической, налоговой и журналистской работы, а также для общих задач и агентного исследования с использованием инструментов и цитированием источников. Заявленная длина контекста — 262 144 токена. Модель совместима с Hugging Face Transformers, vLLM и SGLang. README не приводит конкретных результатов бенчмарков в доступном фрагменте, поэтому сравнительное качество оценить нельзя. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

Карточка модели Alibaba-NLP/UEmbed-2B на Hugging Face совпадает с карточкой Alibaba-NLP/UEmbed-4B, поэтому описание составлено по ней. UEmbed-4B — мультимодальная модель эмбеддингов от Alibaba-NLP на архитектуре Qwen3.5 с примерно 4 млрд параметров. Она принимает текст, изображения, видео и их сочетания, а за один проход формирует плотные векторы и разреженные SPLADE-представления для поиска и сопоставления содержимого. Модель предназначена для семантического и мультимодального поиска, включая поиск по визуальным документам. Плотные векторы подходят для поиска по смыслу, а разреженные активации связаны с терминами словаря и могут использоваться в индексах обратных списков. Модель доступна в формате safetensors и работает через Transformers. Модель обучена на публичных наборах данных для текстового и мультимодального поиска. Лицензия — CC BY 4.0. В README не приведены сведения о длине контекста или результаты, специфичные именно для версии 4B.

Cloyne/vietnamese-sbert-v2 — дообученная модель Sentence Transformers на основе Cloyne/vietnamese-sbert, разработанная для кодирования предложений и абзацев на вьетнамском языке в плотные векторы размерностью 768. Архитектура использует RoBERTa с усреднением токенных представлений; сходство векторов можно оценивать косинусной мерой. Максимальная длина входной последовательности — 258 токенов по метаданным модели. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Она обучена с MultipleNegativesRankingLoss на наборе из 120 210 пар anchor-positive из CSV-файла. Подходит для построения вьетнамоязычных систем поиска и группировки текстов. Модель распространяется в формате safetensors и использует библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.