I.3Извлечение и структурирование данных

deutsche-telekom/gbert-large-paraphrase-cosine — модель Sentence Transformers, разработанная Deutsche Telekom на основе deepset/gbert-large и дообученная для работы с немецкими парафразами. Она преобразует предложения и абзацы в плотные векторы размерностью 1024; при обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Модель предназначена для улучшения классификации текстов на немецком языке в few-shot сценариях с SetFit, а также подходит для сравнения сходства предложений и извлечения эмбеддингов. Модель основана на архитектуре BERT, содержит 434,5 млн параметров и принимает текст длиной до 512 токенов. В карточке сообщается, что дообученная версия показала лучшие результаты среди сравнивавшихся моделей в немецком few-shot сценарии на NLU Few-shot Benchmark. Лицензия — MIT.

Gemma 3 1B IT QAT Q4_0 GGUF — лёгкая инструкционная мультимодальная модель Google DeepMind из семейства Gemma, созданная на основе технологий, использованных в Gemini. Модель принимает текст и изображения и генерирует текст; версия предназначена для запуска в формате GGUF, в том числе через llama.cpp и совместимые среды. Модель имеет размер 1B параметров, использует квантизацию Q4_0 и Quantization Aware Training, благодаря чему снижает требования к памяти при сохранении качества, близкого к версии bfloat16. Для варианта 1B заявлено контекстное окно до 32K токенов, максимальный объём генерируемого ответа — 8192 токена. Изображения обрабатываются с нормализацией до 896×896 пикселей и кодированием в 256 токенов; модель поддерживает более 140 языков. Gemma 3 1B IT подходит для генерации текста, ответов на вопросы, суммаризации документов, рассуждений и анализа изображений. Небольшой размер облегчает локальное развёртывание на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре. Ограничения включают меньший контекст по сравнению с более крупными версиями Gemma 3 и зависимость мультимодальных возможностей от используемого программного обеспечения: например, указанное использование через Ollama поддерживает только текстовый ввод. Доступ к модели на Hugging Face требует принятия условий лицензии Google Gemma; точные условия определяются лицензией Gemma.

Gemma-4-26B-A4B-it-NVFP4A16 — пользовательская NVFP4-квантизация инструкционной модели google/gemma-4-26B-A4B-it, выполненная Mario Iseli. Это мультимодальная Mixture-of-Experts-модель для генерации текста и диалоговых сценариев с поддержкой текста, изображений и видео. Всего модель содержит 25,2 млрд параметров, из которых 3,8 млрд активируются для каждого токена; архитектура включает 128 экспертов, 8 из которых выбираются на токен. Контекстное окно составляет до 256 тысяч токенов. Модель использует квантизацию W4A16: веса представлены в FP4, а активации — в FP16. Размер на диске уменьшен примерно с 49 до 16,5 ГБ, то есть примерно в три раза, при сохранении исходного числа параметров. Vision encoder оставлен в BF16. Квантизация выполнена с помощью NVIDIA Model Optimizer на данных CNN/DailyMail; это общественная, а не официальная сборка Google или NVIDIA. Основное преимущество — существенное снижение требований к памяти при сохранении мультимодальности, MoE-архитектуры и длинного контекста. Для запуска через vLLM требуется версия с transformers не ниже 5.4, backend Marlin для MoE и специальный патч gemma4_patched.py для корректной загрузки NVFP4 scale-параметров; конфигурация ориентирована, в частности, на NVIDIA DGX Spark с GB10 Blackwell. Модель распространяется по лицензии Apache 2.0, унаследованной от базовой модели.

OnlyTextLLMs выпустила текстовую производную Gemma 4 E4B Instruct, сохранив текстовую основу и голову языкового моделирования, а также удалив компоненты обработки изображений и аудио и мультимодальные специальные токены. Модель использует архитектуру Gemma4ForCausalLM с плотной структурой, содержит 4,7 млрд параметров по метаданным и рассчитана на контекст до 131 072 токенов. README приводит другую оценку размера — 7,52 млрд параметров, поэтому точный размер по источникам расходится. Модель предназначена для генерации текста и диалоговых сценариев через Transformers. Она наследует базу google/gemma-4-E4B-it; заявлены формат safetensors и лицензия Apache-2.0. README указывает, что модель не дообучали: из базового чекпойнта удалили мультимодальные компоненты, поэтому она работает только с текстом и не принимает изображения или аудио.

T-Systems-onsite/german-roberta-sentence-transformer-v2 — модель T-Systems для получения векторных представлений предложений. Она основана на XLM-RoBERTa и предназначена для извлечения признаков, семантического поиска и сопоставления предложений, в частности на немецком языке. В карточке указан STSbenchmark; размер модели — 305,2 млн параметров, максимальный контекст — 514 токенов. Модель выдаёт эмбеддинги текста и распространяется под лицензией MIT. Автор карточки рекомендует более новую модель cross-en-de-roberta-sentence-transformer для немецкого и английского языков.

HAI — модель Sentence Transformers из экосистемы HelpingAI для оценки семантического сходства текстов и получения плотных эмбеддингов. Она дообучена на базе sentence-transformers/all-MiniLM-L6-v2; архитектура включает энкодер BERT, усреднение токеновых представлений и нормализацию векторов. Модель содержит 25,9 млн параметров, выдаёт эмбеддинги размерности 384 и принимает до 256 токенов на вход по README; метаданные указывают нативный контекст 512 токенов. Модель предназначена для сравнения смысловой близости предложений и контекстно-ориентированной работы с текстом с акцентом на эмоционально окрашенные ответы. Её можно применять для семантического поиска, ранжирования похожих фраз и группировки текстов. README сообщает об обучении на 75 897 примерах с оценками сходства от 0 до 1 и использовании Cosine Similarity Loss. Лицензия — Apache-2.0.

HRM-Embed-0.6b — модель для создания текстовых эмбеддингов, разработанная на основе архитектуры Hierarchical Reasoning Model (HRM) от Sapient Intelligence и дообученная контрастивным методом на базе Xiaoye08/HRM-Text-0.6B. Она формирует 1280-мерные L2-нормализованные векторы: для этого применяется двунаправленное кодирование, усреднение финального состояния рекуррентной архитектуры и нормализация. В модели около 610,8 млн параметров; максимальная длина контекста — 4096 токенов. Модель предназначена для семантического поиска и извлечения документов, в том числе в сценариях, где запросы требуют рассуждений. В тестах BRIGHT сильнее всего показала себя при поиске теорем, определений и справочных сведений, а также в научных вопросах по биологии и психологии. Переформулирование запроса внешней языковой моделью заметно повышает результаты на этом бенчмарке; для поиска кода переформулирование может ухудшить качество. Модель поддерживает английский язык. Это эмбеддер, а не генератор: обычная загрузка без описанного в карточке рецепта не даёт корректных эмбеддингов, а генерация текста не предназначена для использования. Модель опубликована под лицензией Apache-2.0.

danfeg/IF-E5-L-M_Finetuned-FR-1000 — модель эмбеддингов предложений на архитектуре XLM-RoBERTa, опубликованная в формате Sentence-Transformers. Она кодирует предложения и абзацы в плотные векторы размерности 1024 для поиска по смыслу, кластеризации и сравнения текстов. В метаданных указано около 658,7 млн параметров и контекст длиной 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss; название репозитория указывает на дообучение для французского языка, но README не уточняет состав обучающих данных или результаты оценки. Она принимает текст и возвращает векторы, которые можно использовать для семантического поиска и группировки похожих фрагментов. Лицензия в предоставленных данных не указана.

InternVL3-78B-GGUF — мультимодальная большая языковая модель семейства InternVL3, подготовленная Unsloth на основе OpenGVLab/InternVL3-78B. Модель предназначена для обработки текста и изображений, мультимодального восприятия и рассуждений, а также для сценариев с использованием инструментов, GUI-агентами, промышленным анализом изображений и восприятием 3D-сцен. Указанный вариант распространяется в формате GGUF. Архитектура модели следует схеме ViT-MLP-LLM: визуальная часть использует InternViT-6B-448px-V2_5, языковая — Qwen2.5-72B, объединённые через MLP-проектор. Размер модели — 78B параметров. Модель поддерживает мультимодальные входы и заявлена как многоязычная, однако точный перечень языков и размер контекстного окна в README не указаны. Обучение связано с набором данных OpenGVLab/MMPR-v1.2. К сильным сторонам относятся сочетание крупной языковой и визуальной подсистем, развитые возможности мультимодального анализа и рассуждений, а также поддержка специализированных агентных и визуальных задач. Ограничения включают высокие требования к вычислительным ресурсам, характерные для модели такого размера, и отсутствие в README подробных данных о производительности, контекстном окне и языковом покрытии. Лицензия указана как other с названием qwen; приведена ссылка на лицензию Qwen2.5-72B-Instruct.

jina-embeddings-v5-omni-small-text-matching-GGUF — мультимодальная embedding-модель, разработанная Jina AI. Это GGUF-квантованный вариант jina-embeddings-v5-omni-small-text-matching для llama.cpp, предназначенный для задач text matching и семантического поиска. Модель принимает текст, изображения, видео и аудио и преобразует их в 1024-мерные векторы общего пространства, благодаря чему индекс можно создавать по тексту, а выполнять поиск — с использованием любой поддерживаемой модальности без переиндексации. Модель содержит около 1,56 млрд параметров в текстовой, визуальной и аудиобашнях, использует pooling по последнему токену и поддерживает контекст до 32768 токенов. Доступны Matryoshka-размерности от 32 до 1024 измерений. Текстовая часть имеет F16 и 13 уровней int-квантизации с калибровкой imatrix, а мультимодальные проекторы поставляются в F16. Поддерживаются распространённые форматы изображений, видео и аудио, а также PDF. Сильные стороны модели — единое векторное пространство для разных модальностей, возможность мультимодального поиска и компактные GGUF-варианты для llama.cpp. Ограничение состоит в том, что для мультимодального запуска требуется специальная ветка llama.cpp с патчами Jina AI, ещё не включёнными в upstream-версию. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями, включая некоммерческий характер лицензии.

KE-T5-Base — текстовая модель семейства T5, опубликованная Корейским институтом электроники и технологий (Korea Electronics Technology Institute, KETI), Центром исследований искусственного интеллекта. Она использует архитектуру T5 для преобразования текста в текст: один и тот же формат подходит для генерации ответа или преобразованного текста в широком наборе задач NLP. В карточке указаны 148,3 млн параметров, контекст 512 токенов и поддержка английского и корейского языков. Модель доступна в форматах PyTorch, TensorFlow и Flax; лицензия Apache 2.0. Модель предназначена для дообучения и применения в задачах перевода, суммаризации документов, ответов на вопросы, классификации, анализа тональности и регрессии с текстовым представлением результата. Она предварительно обучена на корпусе C4 и смеси несупервизируемых и супервизируемых задач. Карточка описывает базовую модель T5 и не приводит отдельной оценки результатов именно для KE-T5-Base. Генерации могут содержать вредные стереотипы и предвзятость; следует учитывать это при оценке и использовании модели.

Sakalti/light-7b-beta — объединённая языковая модель на архитектуре Qwen2, созданная автором репозитория методом TIES с помощью mergekit на основе Qwen/Qwen2.5-7B и Qwen/Qwen2.5-7B-Instruct. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста и диалоги; заявленный контекст — до 131 072 токенов. Модель принимает текст и выдаёт текст. Её можно использовать для диалоговых ассистентов, генерации и продолжения текста, а также структурированных ответов. В метаданных указаны интерфейс вызова инструментов и лицензия Apache-2.0. Данных о конкретной специализации, языках или результатах оценки качества в карточке нет.

QuantFactory/Llama-3.1-8B-Instruct-Fei-v1-Uncensored-GGUF — это квантизированная версия модели Llama-3.1-8B-Instruct-Fei-v1-Uncensored, созданная с использованием llama.cpp. Базовая модель разработана на основе Llama 3.1 от Meta, а исходную модификацию подготовил пользователь aifeifei799. Модель предназначена для генерации текста, диалоговых помощников и других задач обработки естественного языка, включая работу с кодом. Это текстовая авторегрессионная модель с оптимизированной архитектурой Transformer и Grouped-Query Attention (GQA), содержащая 8B параметров. Она поддерживает ввод текста и генерирует текст или код, имеет контекст до 128k токенов и рассчитана на английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Квантизация в формате GGUF предназначена для более эффективного запуска, в том числе через llama.cpp, однако README не указывает конкретный тип квантизации, требования к памяти или характеристики производительности. Версия обозначена как uncensored, поэтому её поведение в части отказов и защитных ограничений может отличаться от стандартной instruction-tuned модели Meta; ответы по-прежнему могут быть неточными или небезопасными. Использование регулируется кастомной коммерческой лицензией Llama 3.1 Community License и связанными ограничениями Acceptable Use Policy.

Llama-3.1-Nemotron-70B-Instruct-HF-GGUF — крупная языковая модель для генерации текста, разработанная NVIDIA на основе Llama 3.1 Nemotron 70B Instruct. Представленная версия распространяется в формате GGUF; квантизация выполнена bartowski с использованием llama.cpp версии b3901. Модель ориентирована на повышение полезности ответов на пользовательские запросы и предназначена для диалоговых приложений, ассистентов и других сценариев текстовой генерации. Модель содержит 70 миллиардов параметров, поддерживает контекст длиной до 128 тысяч токенов и предназначена прежде всего для работы с английским языком. В README указана специализация на текстовой модальности и приведены результаты оценки: Arena Hard — 85,0, AlpacaEval 2 LC — 57,6 и GPT-4-Turbo MT-Bench — 8,98. В качестве набора данных указан NVIDIA HelpSteer2. К сильным сторонам относятся большой контекст, высокая заявленная полезность ответов и возможность использования GGUF-версии в совместимых инструментах локального запуска. Модель может генерировать неточные, вредные или неподходящие ответы, а README не содержит подробностей о требованиях к аппаратному обеспечению и конкретном варианте квантизации. Лицензия указана как llama3.1; условия её применения следует проверять в исходной карточке модели NVIDIA.

BAAI/LLARA-passage — текстовая модель семейства LLaMA, разработанная BAAI для создания эмбеддингов и оценки сходства предложений и текстовых фрагментов. Проект описывает подходы EBAE (Embedding-Based Auto-Encoding) и EBAR (Embedding-Based Auto-Regression); репозиторий passage предназначен для работы с пассажами текста. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает контекст до 4096 токенов. Она подходит для поиска и сопоставления текстов по смыслу, а также извлечения признаковых представлений. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. По имеющимся сведениям, модель работает с текстом; заявленные поддерживаемые задачи также включают генерацию текста. README отсылает за подробностями к статье и репозиторию проекта, поэтому конкретные языки обучения и ограничения качества не описаны.

NousResearch публикует инструкционно настроенную модель Meta Llama 3.1 70B Instruct — плотную авторегрессионную языковую модель на архитектуре Transformer с 69,5 млрд параметров. Она принимает и генерирует текст, а версия Instruct предназначена для многоязычного диалога и работы в роли ассистента. Настройка включает дообучение с учителем и обучение с подкреплением на основе отзывов людей; модель поддерживает контекст до 131 072 токенов и использует Grouped-Query Attention для повышения эффективности вывода. Модель подходит для диалоговых приложений, ответов на вопросы и генерации текста на английском, немецком, французском, итальянском, португальском, хинди, испанском и тайском языках. Её можно запускать через Transformers; карточка также описывает варианты загрузки в 4- и 8-битном формате для снижения требований к памяти. Русский язык не входит в перечень поддерживаемых языков. Ответственность за безопасную интеграцию, включая подключение внешних инструментов, лежит на разработчике приложения. Модель разработана Meta и распространяется по лицензии Llama 3.1 Community License с условиями, изложенными в лицензии и Acceptable Use Policy. Это статический чекпойнт, обученный на офлайн-данных; качество и безопасность ответов требуют проверки в целевом сценарии.

Meta-Llama-3-8B-Instruct-GGUF-special-tokens — инструкционная языковая модель семейства Llama 3, разработанная Meta и представленная в формате GGUF пользователем bartowski. Она предназначена для генерации текста и выполнения инструкций в диалоговых и прикладных сценариях, включая ответы на вопросы, написание и преобразование текста, а также другие задачи обработки естественного языка. Суффикс special-tokens указывает на вариант с поддержкой специальных токенов, однако подробности преобразования в GGUF в README не приведены. Известно, что модель ориентирована на английский язык и относится к классу text-generation. Размер модели — 8B параметров; архитектура Llama 3, точная конфигурация контекста и сведения о модальностях в представленном README не указаны. Модель является текстовой, поэтому описание мультимодальных возможностей отсутствует. Вариант GGUF обычно предназначен для локального запуска совместимыми средствами, но конкретные требования к оборудованию и производительности не приведены. Модель может быть полезна благодаря инструкционной настройке и относительно компактному размеру по сравнению с более крупными моделями, однако качество и применимость зависят от используемой сборки и сценария. Ограничения включают отсутствие подтверждённых сведений о поддерживаемых языках помимо английского, контекстном окне, квантовании, бенчмарках и безопасностных характеристиках. Распространение и использование регулируются Meta Llama 3 Community License: необходимо соблюдать условия лицензии, Acceptable Use Policy и требования к атрибуции, включая указание «Built with Meta Llama 3» при соответствующих формах распространения.

EnlistedGhost/Ministral-3-14B-Instruct-2512-GGUF — это конвертированная и квантованная версия Ministral-3-14B-Instruct-2512 от Mistral AI, опубликованная EnlistedGhost. Модель распространяется в формате GGUF и совместима с Ollama и Llama.cpp. Она предназначена для диалоговых текстовых задач и мультимодального анализа изображений, включая обработку запросов по тексту и изображениям; создавать изображения и обрабатывать аудио или видео она не умеет. Модель имеет 14 млрд параметров, поддерживает мультимодальный режим благодаря vision-проекторам и поставляется с несколькими файлами mmproj. Заявлена поддержка английского, французского, испанского, немецкого, итальянского, португальского, нидерландского, китайского, японского, корейского и арабского языков. В релиз включены варианты F16 и K-квантования с разным соотношением размера и качества. Автор также добавил собственный шаблон чата и скользящее окно контекста для последних восьми взаимодействий, однако фактический доступный размер контекста в README не указан. К сильным сторонам относятся локальный запуск через Ollama или Llama.cpp, поддержка изображений и выбор вариантов квантования. Ограничения включают отсутствие генерации изображений и поддержки аудио или видео, а также возможную потерю качества при квантовании. Модель распространяется по лицензии Apache-2.0.

Mistral-Large-Instruct-2407-IMat-GGUF — это набор квантованных версий Mistral-Large-Instruct-2407, разработанной Mistral AI. Квантование выполнил legraphista с использованием llama.cpp версии b3452 и метода IMatrix. Модель предназначена для генерации текста и запуска в совместимой инфраструктуре llama.cpp и других инструментах, поддерживающих формат GGUF. Модель рассчитана на работу с текстом и заявлена для английского, французского, немецкого, испанского, итальянского, португальского, китайского, японского, русского и корейского языков. Доступны варианты от BF16 и FP16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K; размеры файлов составляют примерно от 45,20 до 245,23 ГБ. Версии Q4_K и более компактные используют IMatrix, что предназначено для сохранения качества при квантовании. Все варианты представлены в виде разделённых файлов. Сильная сторона набора — широкий выбор точностей и размеров, позволяющий подобрать компромисс между качеством, требованиями к памяти и производительностью. Ограничения — значительный объём файлов, необходимость специального программного обеспечения для запуска и отсутствие в README сведений о размере контекста, числе параметров, конкретных результатах тестирования и поддержке мультимодальных входов. Модель распространяется по лицензии Mistral Research License 0.1 (MRL-0.1).

Mistral-Small-24B-Instruct-2501-GGUF — это набор файлов модели в формате GGUF для исходной инструкционной модели Mistral-Small-24B-Instruct-2501, разработанной компанией Mistral AI. Квантование и публикацию файлов выполнил MaziyarPanahi. Модель предназначена для генерации текста и работы с инструкциями в локальных приложениях, поддерживающих GGUF, включая llama.cpp, llama-cpp-python, LM Studio и text-generation-webui. Доступны варианты квантования с разрядностью от 2 до 8 бит, что позволяет выбирать между меньшими требованиями к памяти и сохранением качества. В README указано обозначение 24B, однако подробности архитектуры, поддерживаемые языки, модальности и размер контекстного окна не приведены. Сильная сторона модели — возможность локального запуска с использованием CPU или GPU через совместимые инструменты; ограничения зависят от выбранного уровня квантования и аппаратных ресурсов. Распространение осуществляется по лицензии Apache 2.0.

Mungert/Mistral-Small-3.1-24B-Instruct-2503-GGUF — это GGUF-квантизованная instruct-модель на базе Mistral-Small-3.1-24B-Base-2503 от Mistral AI, подготовленная пользователем или организацией Mungert с использованием llama.cpp. Модель предназначена для генерации текста в диалоговых и прикладных сценариях, а также, согласно указанному pipeline tag, для задач image-text-to-text, то есть обработки сочетаний изображений и текста. Доступны варианты с разной степенью квантизации, включая форматы Q4, Q6, Q8 и ультранизкобитные IQ1–IQ3, ориентированные на снижение потребления памяти и запуск на CPU, устройствах с ограниченной VRAM и edge-оборудовании. Заявлена поддержка английского, французского, немецкого, испанского, португальского, итальянского, японского, корейского, русского, китайского, арабского, персидского и ряда других языков. Размер модели составляет 24B параметров по обозначению в имени. README не указывает точную архитектуру и размер контекстного окна для этой модели; приведённые бенчмарки относятся к другой модели, Llama-3-8B-Instruct, поэтому их нельзя напрямую считать характеристиками данного экземпляра. Сильной стороной являются варианты квантизации, позволяющие выбирать компромисс между качеством, скоростью и требованиями к памяти; особенно низкобитные варианты рассчитаны на ресурсоограниченные среды и исследование ультранизкобитного вывода. Ограничения включают возможное снижение точности при агрессивной квантизации и зависимость производительности от конкретного формата и оборудования. Модель распространяется по лицензии Apache-2.0.

facebook/mms-lid-256 — модель Facebook (Meta), дообученная в рамках проекта Massively Multilingual Speech для определения языка речи. Она построена на архитектуре Wav2Vec2 и классифицирует аудио по 256 языковым классам, выдавая распределение вероятностей. Размер указан как 1 млрд параметров в README и 1,3 млрд в метаданных. Модель принимает аудио с частотой дискретизации 16 кГц. Модель подходит для автоматического распознавания языка в речевых записях, например, для маршрутизации аудио в соответствующую систему распознавания речи или сортировки многоязычных аудиоданных. Поддерживаются 256 языков, включая русский и английский. Это классификатор языка речи, а не модель транскрибирования: она определяет язык, но не преобразует речь в текст. Распространяется по лицензии CC-BY-NC 4.0, которая ограничивает коммерческое использование.

Sakalti/model-3 — языковая модель Qwen2, созданная слиянием моделей через mergekit методом TIES. В слиянии использованы Qwen/Qwen2.5-7B и Qwen/Qwen2.5-7B-Instruct; итоговая модель имеет около 7,1 млрд параметров, архитектуру Qwen2ForCausalLM и веса в формате Safetensors с точностью bfloat16. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст и формирует текстовые ответы; заявленная длина контекста — 131 072 токена. В метаданных также отмечен интерфейс вызова инструментов. Данные README содержат результаты оценки на IFEval и BBH, но не описывают специальные предметные области или подтверждённые преимущества модели. Лицензия в предоставленных данных не указана.

MyAwesomeModel — модель на базе архитектуры BERT, опубликованная в репозитории ASDASD12321WSX/MyAwesomeModel-TestRepo и предназначенная для извлечения признаков из текста. В метаданных Hugging Face указаны библиотеки Transformers и PyTorch, а также задача feature-extraction. Модель можно использовать для получения векторных представлений текста в задачах семантического поиска, кластеризации, сравнения текстов и построения прикладных классификаторов поверх эмбеддингов. README также содержит заявления о способностях к рассуждению, генерации кода, диалогу, суммаризации и другим задачам, однако эти возможности не подтверждены указанным pipeline-тегом и описанием архитектуры. Модель распространяется по лицензии MIT. Размер, длина контекста, поддерживаемые естественные языки и точные сведения о разработчике в доступных данных не указаны.

MyAwesomeModel — модель на базе архитектуры BERT для извлечения признаков из текста, опубликованная в репозитории RHATH/MyAwesomeModel-TestRepo. Модель предназначена для преобразования текстовых данных в векторные представления, которые можно использовать в последующих задачах машинного обучения и анализа текста. Она поддерживает работу через библиотеку Transformers и реализована на PyTorch. В README также заявлены улучшения рассуждений, генерации кода, ответов на вопросы, суммаризации и других генеративных задач, однако эти утверждения не согласуются с pipeline-тегом feature-extraction и доступными метаданными. Поэтому для каталога модель следует классифицировать прежде всего как модель извлечения признаков на базе BERT. Языки, размер модели и длина контекста в предоставленных данных не подтверждены. Модель распространяется по лицензии MIT. Перед использованием в прикладных системах рекомендуется самостоятельно проверить фактическую архитектуру, качество эмбеддингов и соответствие заявленных в README возможностей конфигурации модели.

Nemotron-3.5-Lightning-30B-A3B-CRACK-GGUF — производная GGUF-версия модели NVIDIA Nemotron-3.5-Lightning-30B-A3B, подготовленная Dealign.ai для запуска через llama.cpp. Это языковая модель для генерации текста, рассуждений и исследовательских сценариев, включая авторизованное red-teaming. Поддерживаются английский и китайский языки. Модель использует гибридную архитектуру Mamba-2 SSM, Mixture-of-Experts и attention: 52 слоя, включая 23 слоя Mamba-2, 23 MoE-слоя и 6 attention-слоёв; всего 128 маршрутизируемых экспертов, около 3 млрд активных параметров. Заявлен контекст до 262K токенов, а режим рассуждений включён по умолчанию. Репозиторий содержит квантизации Q8_0, Q4_K_M и Q2_K размером около 35,0, 25,4 и 18,7 ГБ соответственно; Q4_K_M обозначена как сбалансированный рекомендуемый вариант. Во все варианты встроена native MTP-голова для спекулятивного декодирования без отдельной draft-модели. Abliteration CRACK удаляет поведение отказа при сохранении знаний, рассуждений и многоязычности, однако по тесту MMLU результат снизился с 78,3% у базовой модели до 74,2%, особенно в STEM и гуманитарных дисциплинах. По HarmBench модель продемонстрировала 100% выполнения вредоносных запросов без отказов, поэтому имеет существенно сниженные защитные ограничения и требует ответственного и законного применения. Лицензия — NVIDIA Open Model License; модель является производной квантизированной версией базовой модели NVIDIA.

NeoBERT — англоязычная encoder-модель для получения представлений текста, разработанная chandar-lab и обученная с нуля на наборе RefinedWeb. Она содержит 287,7 млн параметров по метаданным Hugging Face; в README указано 250 млн. Архитектура имеет глубину 28 слоёв и ширину 768, использует активацию SwiGLU и поддерживает контекст до 4 096 токенов. Модель предназначена для извлечения признаков и представлений текста, а также может служить базовой моделью для задач классификации и заполнения пропусков. Авторы позиционируют её как замену существующим encoder-моделям и сообщают о результатах на бенчмарке MTEB, превосходящих ряд сопоставимых моделей при одинаковых условиях дообучения. Модель распространяется под лицензией MIT. Она ориентирована на английский текст; результаты и сведения о производительности приведены авторами и зависят от задачи и условий применения.

NVIDIA-Nemotron-Nano-9B-v2-FP8-dynamic — это квантизированная FP8-версия языковой модели NVIDIA-Nemotron-Nano-9B-v2, опубликованная Red Hat на базе модели NVIDIA. Модель предназначена для генерации и преобразования текста, включая работу через совместимый с OpenAI API сервер vLLM и развёртывание в Red Hat AI Inference Server или Red Hat OpenShift AI. Модель использует архитектуру NemotronHForCausalLM, принимает текст на вход и генерирует текст. Квантизация FP8 применяется к весам и активациям линейных операторов в блоках Transformer; это уменьшает число битов на параметр с 16 до 8 и примерно на 50% сокращает требования к дисковому пространству и памяти GPU. Заявлены языки English, Spanish, French, German, Italian и Japanese. Размер исходной модели составляет 9B параметров; длина контекста в README не указана. Сильные стороны модели — сниженные требования к хранению и GPU-памяти при сохранении текстовых возможностей базовой модели, а также проверенная совместимость с vLLM 0.10.1.1, RHOAI 2.25 и RHAIIS 3.2.2. Ограничения включают отсутствие в README результатов бенчмарков и подробностей о качестве после квантизации, а также отсутствие поддержки иных модальностей: указаны только текстовые входы и выходы. Модель распространяется по NVIDIA Open Model License; лицензия обозначена как other, а её условия приведены по ссылке NVIDIA.

piccolo-base-zh — текстовая embedding-модель, обученная General Model Group компании SenseTime Research. Модель основана на архитектуре BERT, содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для получения векторных представлений китайских текстов и подходит для семантического поиска, поиска по запросам и документам, сравнения смысловой близости, классификации и кластеризации. Обучение проходило в два этапа: на 400 млн слабонаблюдаемых пар текстов с контрастивной функцией потерь, затем на 20 млн размеченных пар с трудными отрицательными примерами. Авторы приводят результаты оценки семейства piccolo на C-MTEB; размерность векторов piccolo-base-zh — 768. Модель рассчитана прежде всего на китайский язык. Контекст ограничен 512 токенами; для запросов при описанном авторами дообучении использовалась длина до 64 токенов. В README и метаданных лицензия не приведена, поэтому условия использования по этим источникам установить нельзя.

Pleias-RAG-1B — языковая модель Pleias с 1,2 млрд параметров, дообученная на базе PleIAs/Pleias-1.2B-Preview для retrieval-augmented generation (RAG), поиска и суммаризации источников. Она принимает структурированный ввод с запросом и источниками и формирует структурированный ответ с последовательностью рассуждений и ссылками на источники. Архитектура — плотная LlamaForCausalLM; модель работает в Transformers, использует формат safetensors и поддерживает контекст до 4096 токенов. Модель предназначена для ответов на вопросы по предоставленным материалам, включая вопросы с рассуждением по нескольким источникам, оценки достаточности источников, переформулирования запросов и ранжирования материалов. Она стремится отвечать на языке запроса и поддерживает основные европейские языки; README перечисляет французский, немецкий, итальянский, испанский, польский, латинский и португальский, а метаданные также отмечают английский. Разработчик сообщает о встроенной опоре на источники и цитирование, а также о компактности, позволяющей развёртывание на ограниченной инфраструктуре, включая мобильные устройства. Модель выпущена под лицензией Apache-2.0. Заявления о качестве основаны на бенчмарках HotPotQA, 2wiki и MuSiQue; описанная оценка охватывает режим вопросов, требующих многошагового рассуждения и отбора источников, поэтому результаты не следует автоматически переносить на все сценарии. Контекст ограничен 4096 токенами, а для работы со структурированным форматом разработчик рекомендует официальную библиотеку.