I.3Извлечение и структурирование данных

RedHatAI/GLM-5.3-NVFP4 — текстовая генеративная языковая модель, разработанная Red Hat AI на основе модели zai-org/GLM-5.3. Она предназначена для генерации текста, следования инструкциям и решения задач, требующих рассуждений, включая математические и научные вопросы. Заявлены поддерживаемые языки английский и китайский, а входом и выходом модели является текст. Модель использует архитектуру GlmMoeDsaForCausalLM и формат compressed-tensors. Это вариант с квантованием весов и активаций в NVFP4/FP4 E2M1 с двухуровневым масштабированием; слои вне маршрутизируемых экспертов оставлены без квантования. Чекпойнт оптимизирован для инференса на GPU Blackwell и создан с применением LLM Compressor и калибровочных данных perfectblend. Для запуска рекомендуется vLLM; в примере конфигурации используются четыре устройства B200, FP8 E4M3 KV-кэш и speculative decoding. По приведённым оценкам, модель сохраняет близкую к базовой FP8-версии точность на задачах следования инструкциям, математики, рассуждений и научных вопросов. Наиболее сильные результаты показаны на GSM8K Platinum и MATH-500, однако на IFEval, AIME 2025 и GPQA Diamond она уступает базовой модели в FP8. Ограничения включают зависимость от совместимой инфраструктуры Blackwell и специализированного стека инференса; размер модели, длина контекста и точные требования к памяти в README не указаны. Модель распространяется по лицензии glm-5.3, обозначенной как other.

giladgd публикует GGUF-версии модели gpt-oss-120b от OpenAI для запуска через node-llama-cpp и llama.cpp. В репозитории доступны файлы MXFP4 и F16 размером около 63,4 и 65,4 ГБ соответственно; метаданные указывают формат GGUF и задачу генерации текста. Модель поддерживает диалоговый режим и настраиваемый уровень рассуждений, а исходная карточка описывает возможности вызова функций, структурированного вывода и агентных сценариев. Модель подходит для локальных диалоговых приложений, генерации текста и систем, использующих вызов инструментов. Для работы нужны значительные вычислительные ресурсы и совместимое ПО. Репозиторий распространяется по лицензии Apache 2.0; он содержит конвертированные GGUF-файлы базовой модели, а не отдельное дообучение.

Xenova/gte-small — версия модели thenlper/gte-small с весами в формате ONNX, подготовленная для работы с библиотекой Transformers.js. Репозиторий Xenova предназначен для запуска модели в JavaScript- и веб-средах, а исходная модель разработана командой thenlper. Модель используется для извлечения векторных представлений текста: она преобразует предложения в эмбеддинги размерностью 384. Такие представления подходят для оценки семантического сходства, поиска похожих текстов, кластеризации и других задач, где требуется сравнение текстовых данных. В README показано применение через pipeline feature-extraction с mean pooling и нормализацией, после чего сходство можно вычислять, например, с помощью косинусной меры. Модель ориентирована на текстовый ввод; сведения о поддерживаемых языках, максимальной длине контекста и точной архитектуре в предоставленных данных отсутствуют. К сильным сторонам относятся компактный размер эмбеддингов и совместимость с Transformers.js, включая использование в веб-приложениях. Ограничения — отсутствие информации о языковом охвате, качестве на конкретных доменах и лицензии. По умолчанию применяется 8-битная квантованная версия, также доступны варианты fp32, fp16 и q4.

InternVL3-38B-Instruct-GGUF — мультимодальная instruction-tuned модель, опубликованная Unsloth на основе OpenGVLab/InternVL3-38B. Это SFT-версия InternVL3: она прошла нативное мультимодальное предварительное обучение и дообучение с учётом инструкций, но не проходила MPO. Модель предназначена для понимания изображений и текста, мультимодального восприятия и рассуждений, работы с инструментами, создания GUI-агентов, промышленного анализа изображений и задач 3D-восприятия. Заявлена поддержка multilingual-сценариев. Архитектура построена по схеме ViT-MLP-LLM и включает визуальную часть InternViT-6B-448px-V2_5 и языковую часть Qwen2.5-32B; общий размер семейства для этой конфигурации — 38B параметров. Распространяемая версия представлена в формате GGUF и использует квантизацию Unsloth Dynamic 2.0, однако конкретный вариант квантизации, требования к памяти и размер контекста в предоставленных данных не указаны. Сильными сторонами являются сочетание анализа изображений с генерацией текста, мультимодальное рассуждение и широкий спектр прикладных сценариев. Модель может быть менее подходящей для задач, требующих точных гарантий фактической корректности, а значительный размер и мультимодальная архитектура предполагают высокие требования к вычислительным ресурсам. Для выбора между версиями семейства авторы рекомендуют рассмотреть базовую InternVL3-38B. В метаданных указана лицензия Apache-2.0; также приведена ссылка на лицензию Qwen.

Kimi-Linear-48B-A3B-Base — базовая языковая модель Moonshot AI с архитектурой Kimi Linear и разреженной смесью экспертов. В карточке указаны 48 млрд параметров всего и около 3 млрд активируемых параметров; метаданные каталога отдельно приводят 2,7 млрд параметров. Модель использует гибридное внимание Kimi Delta Attention и MLA с соотношением 3:1 и предназначена для генерации текста, включая диалоги и задачи с длинным контекстом. Заявленная длина контекста — до 1 млн токенов. Архитектура нацелена на эффективную работу с длинными последовательностями: в README заявлены сокращение KV-кэша до 75% и ускорение декодирования до 6 раз в некоторых сценариях. Это базовая версия, поэтому для диалога и следования инструкциям может потребоваться дополнительная настройка. Указана лицензия MIT.

Sammau/labse-dhivehi-finetuned — модель Sentence Transformer, дообученная разработчиком Sammau на базе sentence-transformers/LaBSE. Она кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их смысл с помощью косинусного сходства. Модель предназначена для семантического поиска и оценки сходства текстов; её также можно применять для поиска перефразирований, кластеризации и классификации текстов. Модель использует архитектуру BERT и библиотеку Sentence Transformers. В метаданных указан контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов; для практического использования следует учитывать лимит 256 токенов, заданный карточкой модели. Обучение описано на наборе из 968 266 пар предложений с оценками сходства. Название модели указывает на фокус на языке дивехи, тогда как базовая LaBSE поддерживает 109 языков; README не уточняет, насколько дообученная версия сохраняет качество на остальных языках. Файлы представлены в формате safetensors. Лицензия в предоставленных сведениях не указана.

Llama3.3-70B-CogniLink-i1-GGUF — квантизированная GGUF-версия модели Daemontatox/Llama3.3-70B-CogniLink, подготовленная mradermacher. Это текстовая языковая модель семейства Llama с 70 миллиардами параметров, ориентированная на генерацию текста, выполнение инструкций и задачи, требующие рассуждений. Модель обучалась с использованием наборов данных Daemontatox/Deepthinking-COT и gghfez/QwQ-LongCoT-130K-cleaned; заявленный язык — английский. Поддержка других языков, мультимодальность и размер контекстного окна в README не указаны. Модель предназначена для локального запуска в приложениях и средах, совместимых с форматом GGUF. Доступно множество вариантов квантизации размером примерно от 15,4 до 58 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством; README отмечает, что вариант i1-Q4_K_M является быстрым и рекомендуемым, а некоторые низкобитные варианты имеют пониженное качество. К ограничениям относятся возможная потеря качества из-за квантизации, высокие требования к ресурсам у 70B-версии и отсутствие опубликованных в README количественных результатов тестирования. Модель распространяется по лицензии Apache-2.0.

bartowski/llama-3-8B-function-calling-GGUF — набор квантизированных версий модели llama-3-8B-function-calling, исходно опубликованной serpdotai. Файлы подготовлены bartowski в формате GGUF с использованием llama.cpp release b3070 и метода imatrix. Модель предназначена для генерации текста и сценариев function calling, включая взаимодействие с инструментами и вызов внешних функций в приложениях. В README указан шаблон диалога с ролями system, user и assistant на основе специальных маркеров im_start и im_end. Доступны варианты квантования от Q8_0 до IQ2_XS размером примерно от 8,54 до 2,60 ГБ, что позволяет выбирать между качеством ответов и требованиями к памяти. Версия Q6_K обозначена как рекомендуемая для очень высокого качества, а Q4_K_M — как компромисс между качеством и размером. Ключевое ограничение — снижение качества у низкобитных вариантов, особенно Q3 и Q2; некоторые из них описаны как пригодные для использования, но не рекомендуемые. В README не указаны точный размер контекста, перечень языков, модальности, лицензия исходной модели или отдельные результаты тестирования, поэтому эти характеристики нельзя достоверно определить.

XTuner LLaVA — мультимодальная модель на 3,7 млрд параметров для диалога по изображениям. Она дообучена на языковой модели microsoft/Phi-3-mini-4k-instruct с визуальным энкодером CLIP ViT-Large patch14 336 и использует данные ShareGPT4V-PT и InternVL-SFT. Репозиторий содержит веса в формате XTuner LLaVA; контекст составляет 4096 токенов. Модель принимает изображение и текстовый запрос, а отвечает текстом: подходит для описания изображений, визуальных вопросов и ответов, а также задач по пониманию диаграмм и текста на изображениях. В карточке приведены результаты на наборах MMBench, MMMU, SEED-IMG, AI2D, ScienceQA, HallusionBench, POPE, GQA, TextVQA, MME и MMStar. Лицензия в предоставленных данных не указана.

maux-gte-persian-v2 — модель Sentence Transformer, разработанная автором xmanii и дообученная на базе Alibaba-NLP/gte-multilingual-base на наборе maux-gte-10k-public. Она кодирует предложения и абзацы на персидском языке в нормализованные плотные векторы размерности 768 для сравнения семантического сходства, поиска, выявления парафраз, кластеризации и классификации текстов. Сходство векторов оценивается косинусной мерой; максимальная длина последовательности — 8192 токена. Модель подходит для поиска по персидским вопросам и ответам, сопоставления запросов с документами и группировки похожих текстов. В README приведены высокие результаты на оценке сходства, однако они относятся к описанному оценочному набору и не гарантируют такое же качество на других данных. Лицензия в предоставленных сведениях не указана.

mentee-embed-v1 — компактная мультиязычная модель эмбеддингов текста от MenteE AI, созданная с нуля на основе собственного трансформерного энкодера в стиле Qwen. Модель содержит около 41 млн параметров, выдаёт векторы размерности 384 и рассчитана на английский, арабский и урду. Контекст ограничен 512 токенами по метаданным; при обучении последовательности ограничивались 128 токенами. Модель предназначена для вычисления семантического сходства предложений и поиска релевантных документов, включая межъязыковой поиск между английским и урду. Её обучали в два этапа: маскированное языковое моделирование и дистилляция отношений от intfloat/multilingual-e5-base. По данным карточки, она обучалась на наборах NLI, XNLI, OPUS-100 и MIRACL; результаты показывают пригодность для лёгкого извлечения кандидатов и последующего ранжирования, но качество поиска по крупным корпусам уступает сильным мультиязычным базовым моделям. Модель распространяется по лицензии Apache-2.0. Ограничения включают слабее качество на открытом поиске по большим корпусам, возможное снижение качества в специализированных областях и необходимость разбивать длинные документы на фрагменты. Для загрузки текущего формата model.pt требуется код из репозитория mentee-embeddings.

Mungert/Meta-Llama-3-8B-GGUF — модель для генерации текста на базе Meta Llama 3, разработанной Meta. Судя по идентификатору, это 8-миллиардная версия модели, представленная в формате GGUF, предназначенном для локального или совместимого с GGUF инференса. В карточке указана англоязычная поддержка и задача text-generation. Модель может использоваться для генерации и продолжения текста, ответов на запросы и других сценариев обработки естественного языка. Точная архитектура, размер контекста, варианты квантования, системные требования и дополнительные модальности в README не указаны; подтверждена только текстовая генерация, поэтому модель следует рассматривать как текстовую, без заявленной поддержки изображений, аудио или других модальностей. К сильным сторонам относятся компактный по современным меркам размер 8B и формат GGUF, потенциально удобный для локального запуска, однако конкретные преимущества производительности зависят от варианта квантования и используемого программного обеспечения. Ограничения модели, показатели качества и детальные сведения о тренировочных данных не приведены. Использование регулируется Meta Llama 3 Community License: при распространении материалов или продуктов необходимо соблюдать условия лицензии, включая требования к атрибуции, обозначению «Built with Meta Llama 3», Acceptable Use Policy и специальные коммерческие условия для организаций с более чем 700 миллионами ежемесячных пользователей.

amd/MiniMax-M3-MXFP4 — мультимодальная модель для преобразования текста и изображений в текст, созданная на базе MiniMaxAI/MiniMax-M3 и оптимизированная AMD с использованием AMD-Quark. Архитектура обозначена как MiniMaxM3SparseForConditionalGeneration и включает разреженную MoE-компоненту. Модель предназначена для мультимодального анализа, агентских сценариев, программирования и работы с видео, если соответствующая поддержка реализована используемым программным окружением. Веса и активации квантизированы в формате OCP MXFP4: для весов используется статическая, а для активаций — динамическая квантизация. Модель ориентирована на AMD MI350/MI355, ROCm 7.1.1, PyTorch 2.10.0, Transformers 5.2.0 и запуск через vLLM в Linux. Размер модели, максимальная длина контекста и список поддерживаемых языков в README не указаны. На GSM8K модель получила результат 94,19 против 95,30 у исходной MiniMaxAI/MiniMax-M3, что соответствует восстановлению 98,84% показателя исходной модели. Основные ограничения — зависимость от специализированного оборудования AMD и совместимого программного стека, а также возможная потеря качества из-за MXFP4-квантизации. Лицензия указана как minimax-community; точные условия следует уточнять в файле LICENSE.

Mistral-7B-Holodeck-1-Instruct-32k — текстовая генеративная модель, созданная mpasila слиянием моделей через mergekit по методу DARE TIES. В основу взята alpindale/Mistral-7B-v0.2-hf, а в слияние также вошли mistralai/Mistral-7B-Instruct-v0.2 и KoboldAI/Mistral-7B-Holodeck-1. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате. Контекст составляет до 32 768 токенов, что подходит для работы с длинными запросами и документами. В репозитории указаны веса safetensors и библиотека Transformers. README и метаданные не сообщают о поддерживаемых языках, специальных областях применения или измеренных качествах модели. Лицензия в предоставленных данных не указана.

ModernBERT-large — англоязычная модель Answer.AI, LightOn и их коллег, представляющая собой двунаправленный трансформерный энкодер в стиле BERT. Она содержит около 395 млн параметров и принимает последовательности длиной до 8 192 токенов. В архитектуре используются Rotary Position Embeddings, чередование локального и глобального внимания, а также оптимизации для эффективной обработки длинных входов. Модель предварительно обучена на 2 трлн токенов английского текста и кода. Её основная задача — предсказание замаскированных токенов; как энкодер она также подходит в качестве основы для классификации, поиска информации и семантического поиска по текстовым и кодовым корпусам. Для запуска доступны форматы PyTorch, Safetensors и ONNX через библиотеку Transformers. Модель особенно полезна для длинных документов и поиска по коду, но карточка Hugging Face классифицирует её как fill-mask, а не как готовую модель эмбеддингов или классификатор. Качество может быть ниже для языков помимо английского и кода; обработка всего контекстного окна может быть медленнее коротких входов, а представления могут отражать смещения обучающих данных. Лицензия — Apache-2.0.

Xenova/msmarco-distilbert-base-v4 — версия модели sentence-transformers/msmarco-distilbert-base-v4 с весами в формате ONNX, подготовленная для совместимости с библиотекой Transformers.js. Модель предназначена для извлечения признаков и создания векторных представлений текста, которые могут использоваться в задачах семантического поиска, сопоставления текстов и других сценариях обработки естественного языка. В названии указана архитектура на основе DistilBERT; точный размер модели, поддерживаемые языки, размер контекстного окна и перечень модальностей в README не приведены. Ключевое преимущество — возможность запуска через Transformers.js, включая веб- и JavaScript-сценарии, благодаря ONNX-весам. Ограничения, условия лицензирования и дополнительные характеристики в предоставленных данных не указаны.

munin-neuralbeagle-7b-density-very-high — объединённая текстовая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана с помощью LazyMergekit методом dare_ties на основе munin-7b-alpha и mlabonne/NeuralBeagle14-7B; конфигурация задаёт для NeuralBeagle плотность 0,9 и вес 0,6, а итоговый тип данных — bfloat16. Модель предназначена для генерации текста, в том числе диалогов, ответов на инструкции, рассуждений и творческих текстов — эти возможности указаны в описании базовой NeuralBeagle14-7B. Контекст составляет до 32 768 токенов. В репозитории опубликованы веса в формате safetensors. Карточка не указывает лицензию. Качество и ограничения итогового слияния отдельно не описаны; возможности и поведение базовых моделей могут отличаться от поведения объединённой модели.

MyAwesomeModel — модель на базе BERT, опубликованная автором репозитория asfafa454 и предназначенная для извлечения признаков из текста через библиотеку Transformers и PyTorch. Основной сценарий по метаданным Hugging Face — получение векторных представлений текста для последующей классификации, поиска, кластеризации и других задач машинного обучения. В README также заявлены улучшения рассуждений, понимания языка, генерации кода, ответов на вопросы, суммаризации, диалогов и function calling, однако эти возможности не согласуются с указанным pipeline-тегом feature-extraction и не подтверждены подробностями об архитектуре, размере, языках или контекстном окне. Условия использования определяются лицензией MIT.

NB-Whisper Small — модель распознавания речи семейства Whisper, разработанная NB AI-Lab Национальной библиотекой Норвегии и дообученная на основе openai/whisper-small. Она предназначена прежде всего для транскрибирования норвежской речи, включая букмол и нюношк, а также поддерживает английский язык. Модель содержит 153,1 млн параметров и работает с аудио; для использования доступны реализации в форматах PyTorch, Safetensors, ONNX и Flax. Модель обучалась на 66 тысячах часов аудиозаписей и рассчитана на автоматическое преобразование речи в текст. Её можно запускать локально через Transformers; версия Small оптимизирована для работы на CPU. Для длинных записей README рекомендует обрабатывать аудио фрагментами, а увеличение beam size может повысить точность ценой скорости и памяти. Модель выпущена как кандидат на релиз, поэтому результаты и готовность следует оценивать с учётом её предварительного статуса. Лицензия — Apache 2.0. Распознавание может содержать ошибки и предвзятости; для длинного аудио нужны подходящие настройки разбиения на фрагменты. В README также описан перевод речи на английский, но основной pipeline-тег модели — распознавание речи.

NB-Whisper Small — модель распознавания речи семейства Whisper, разработанная NB AI-Lab при Национальной библиотеке Норвегии и дообученная на основе openai/whisper-small. Она предназначена для транскрибирования речи и перевода аудио, в частности для норвежского букмола, норвежского нюнорска и английского. Модель содержит 153,1 млн параметров по метаданным; README указывает 244 млн параметров для версии Small. Архитектура — WhisperForConditionalGeneration, запуск возможен через Transformers; доступны форматы PyTorch, Safetensors, ONNX и Flax. Модель обучалась 250 тысяч шагов на наборе из 8 млн аудиофрагментов длительностью до 30 секунд, суммарно около 66 тысяч часов речи. Для обработки длинных записей README рекомендует разбиение на фрагменты примерно по 28 секунд; увеличение beam size может повысить точность, но требует больше времени и памяти. Лицензия — Apache 2.0. Разработчики предупреждают о возможных смещениях и искажениях и возлагают ответственность за оценку рисков при применении на пользователей.

Nemotron-3-Embed-1B-Q4_K_M-GGUF — независимо сконвертированная и квантованная версия NVIDIA Nemotron-3-Embed-1B-BF16, подготовленная zenmagnets для локального получения текстовых эмбеддингов в LM Studio и совместимых с llama.cpp средах. Репозиторий не является официальным релизом NVIDIA и не связан с её поддержкой. Модель предназначена для семантического поиска, retrieval, RAG, извлечения признаков и reranking, но не для диалогов или генерации текста. Модель распространяется в формате GGUF с квантованием Q4_K_M и занимает около 714,6 МиБ. Она формирует L2-нормализованные эмбеддинги размерностью 2048 и поддерживает заявленный максимальный контекст 262 144 токена, однако функционально проверялась только на контексте 4096 токенов; большие контексты требуют значительно больше памяти и не валидировались. Для retrieval рекомендуется использовать префиксы «query:» для запросов и «passage:» для документов. В README указана поддержка multilingual-сценариев, включая английский, русский, китайский, японский, корейский, арабский, немецкий, французский и другие языки. К преимуществам относятся компактный размер, локальный запуск, нормализованные векторы, совместимость косинусного сходства и скалярного произведения, а также проверенная работа на Apple M3 Max с производительностью до 32,82 текста в секунду для пакетной обработки. Q4_K_M является lossy-квантованием и может менять оценки и ранжирование относительно BF16-версии; для этой квантованной модели не проводилась оценка качества MTEB/MMTEB. Модель распространяется по лицензии OpenMDW License Agreement 1.1; материалы исходной модели также включают компоненты под Apache 2.0.

OsaurusAI публикует JANG_6M — мультимодальную квантизированную сборку NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning для запуска на Apple Silicon через MLX. Это гибридная архитектура Mamba-2, attention и MoE: в README указаны 31 млрд параметров всего и около 3 млрд активных, тогда как метаданные каталога сообщают 1,9 млрд параметров. Контекст составляет 262 144 токена. Модель принимает текст, изображения и видео; базовая модель также поддерживает аудио, но README этой сборки не подтверждает работу аудиовхода. Сборка рассчитана на диалог, рассуждения и анализ мультимодальных входных данных, включая изображения и видео. Квантизация смешанная: экспертные слои занимают 6 бит, а часть других компонентов — 8 бит; башни зрения и речи оставлены в fp16. README указывает поддержку изображений через RADIO и видео через выборку кадров и EVS. Лицензия — NVIDIA Open Model License; сведения о дополнительных условиях лицензии в карточке не приведены.

Это квантованная в формате GGUF версия Nemotron-3-Nano-Omni-30B-A3B-Reasoning от NVIDIA, подготовленная majentik для запуска через llama.cpp. Веса языковой основы представлены в варианте MXFP4_MOE; модель использует гибридную архитектуру Mamba-2 и Transformer с разреженным MoE. Для мультимодального запуска требуется отдельный файл мультимодального проектора mmproj-F16. Модель предназначена для диалогов и задач понимания текста и изображений; карточка базовой модели также описывает работу с аудио и видео. В README указаны текстовый бэкенд, визуальный энкодер CRADIO v4-H и аудиоэнкодер Parakeet-TDT-0.6B-v2. Для инференса с изображениями, аудио и видео рекомендуется llama-mtmd-cli; Ollama в описанном варианте поддерживает только текст. Режим расширенного рассуждения включён по умолчанию и может отключаться параметром enable_thinking=False. Это квантованный производный вариант базовой модели NVIDIA, а не отдельный метод TurboQuant: README уточняет, что это название релиза и что веса получены стандартными квантователями. Оценочный размер файла — около 30 ГБ. README предупреждает, что сборка llama.cpp с CUDA 13.2 даёт некорректные результаты; рекомендуются CUDA 12.x, Metal или CPU. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

MaziyarPanahi/neural-chat-7b-v3-3-Slerp-Mistral-7B-Instruct-v0.2-slerp — это объединённая методом SLERP диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров. В слиянии использованы mistralai/Mistral-7B-Instruct-v0.2 и Intel/neural-chat-7b-v3-3-Slerp; конфигурация указывает bfloat16. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате, а также поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. Карточка не приводит сведений о целевых языках или специализированной области применения. Репозиторий распространяется по лицензии Apache-2.0. Конкретные ограничения качества и безопасности в карточке не описаны.

xstraven/parlbert-german-search-v0 — Sentence Transformers-модель на архитектуре BERT, дообученная на chkla/parlbert-german-v1 с использованием parl-synthetic-queries-v2. Она преобразует немецкие предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, сравнения сходства текстов и поиска перефразировок; эмбеддинги также можно использовать для кластеризации и классификации текстов. Модель использует mean pooling, косинусное сходство и принимает последовательности длиной до 512 токенов. В метаданных указано 136,3 млн параметров. README приводит результаты оценки на parlsearch-dev и других наборах, но они не гарантируют такое же качество на иных данных. Лицензия в предоставленных сведениях не указана.

Это модель Sentence Transformers, созданная iambestfeed дообучением вьетнамского энкодера vinai/phobert-base-v2 на наборе vnexpress-data-similarity из 74 620 пар текстов. Архитектура основана на RoBERTa: токенные представления объединяются усреднением, а на выходе модель строит плотный вектор размерности 768; сходство векторов оценивается косинусной мерой. В метаданных указано 162,4 млн параметров и контекст до 258 токенов, а карточка модели описывает максимальную длину последовательности в 256 токенов. Модель предназначена для поиска семантически близких вьетнамских предложений и документов, сравнения текстов, поиска перефразирований, кластеризации и использования эмбеддингов в классификации. Обучение на новостных данных VnExpress адаптирует её к поиску сходства в этом корпусе; это не универсальная генеративная модель. Лицензия в предоставленных данных не указана.

Phrase-BERT — модель эмбеддингов фраз из официального репозитория к статье EMNLP 2021 «Phrase-BERT: Improved Phrase Embeddings from BERT with an Application to Corpus Exploration». Она основана на архитектуре BERT и предназначена для получения векторных представлений фраз, сравнения их семантического сходства и исследования корпусов. Модель содержит 136,7 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. Модель можно использовать через Sentence-Transformers. В статье её оценивают на задачах Turney, BiRD, PPDB, PPDB-filtered и PAWS-short; README также описывает обучение собственной версии на данных интересующей предметной области. Репозиторий содержит веса в формате PyTorch. Сведения о лицензии и поддерживаемых языках в предоставленных источниках отсутствуют.

onnx-community/Qwen2.5-0.5B-Instruct-ONNX — это ONNX-версия инструкционно дообученной причинной языковой модели Qwen2.5-0.5B-Instruct. Исходную модель разработала команда Qwen, а ONNX-веса опубликованы сообществом ONNX Community для использования, в частности, с Transformers.js и локальными приложениями. Модель предназначена для генерации текста, диалогов, следования инструкциям, ответов на вопросы, создания структурированных ответов, а также базовых задач по программированию и математике. Архитектура Qwen2 с 494 млн параметров использует causal language modeling; доступны ONNX-варианты квантования и FP16. Модель поддерживает текстовую модальность, 32 768 токенов контекста и языки zho, eng, fra, spa, por, deu, ita, rus, jpn, kor, vie, tha и ara. К сильным сторонам относятся компактный размер, мультиязычность, поддержка диалогового режима и возможность запуска в ONNX-совместимых средах, включая браузерные сценарии. Из-за небольшого размера модели её качество и глубина рассуждений ниже, чем у более крупных моделей семейства. Модель распространяется по лицензии Apache 2.0 исходной Qwen-модели.

ZeroXClem/Qwen2.5-7B-CelestialHarmony-1M — языковая модель, созданная ZeroXClem слиянием нескольких дообученных вариантов Qwen2.5-7B методом Model Stock. Она построена на архитектуре Qwen2 и содержит около 7,1 млрд параметров по метаданным; README указывает 7,61 млрд. Модель принимает текст и генерирует текст, а заявленная длина контекста составляет до 1 010 000 токенов. Модель предназначена для диалогов, ролевых сценариев и сторителлинга, структурированных рассуждений, а также работы с очень длинными документами и контекстами. В метаданных отмечен интерфейс вызова инструментов; конкретные возможности зависят от используемого шаблона и среды запуска. Модель распространяется под лицензией MIT. Для практического применения на длинном контексте потребуются совместимая среда инференса и значительные вычислительные ресурсы; заявленные качества рассуждения и работы с контекстом основаны на описании автора.

Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-NEO-MAX-MTP-GGUF — открытая многоэтапно дообученная и объединённая модель на базе Qwen3.6-27B. Её разработка связана с DavidAU и коллаборацией с Nightmedia, TeichAI, armand0e и trohrbaugh; обучение и сборка выполнялись с использованием Unsloth. Модель предназначена для широкого спектра задач: следования инструкциям, решения задач, рассуждений, программирования, творческого письма, работы с текстом и ролевых сценариев. В README также заявлена поддержка vision, однако конкретные возможности мультимодального ввода не раскрыты. Модель имеет 27B параметров и выпускается в форматах GGUF, включая обычные и MTP-варианты с multi-token prediction. Квантизации используют NEO IMATRIX, а выходной тензор частично сохранён в 16-битной точности; для MTP-тензоров заявлена точность Q8_0. По утверждению авторов, дообучение направлено на повышение общего интеллекта, качества инструкций, решения задач и рассуждений без изменения базовых возможностей модели. Указаны английский и китайский языки. Размер контекста в предоставленных данных не указан. Сильными сторонами заявлены высокие результаты на семи бенчмарках, улучшение относительно базовой Qwen3.6-27B, хорошие показатели даже у низких квантизаций и пригодность для запуска на потребительском оборудовании. Эти результаты основаны на заявлениях авторов и тестировании сообщества, поэтому их следует воспринимать как неподтверждённые независимой оценкой. Ограничения включают отсутствие точных сведений о контекстном окне, системных требованиях и подробностях мультимодальности; характер uncensored предполагает ослабленные ограничения на содержание. Лицензия — Apache-2.0.