I.3Извлечение и структурирование данных

Это модель Sentence-Transformers, обученная командой sentence-transformers на основе XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерностью 768; число параметров — около 305,2 млн, длина контекста — 514 токенов. Модель подходит для сравнения смысловой близости текстов, семантического поиска и кластеризации. Доступны версии в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель принимает текст и выдаёт векторы для последующего поиска или анализа сходства. Она предназначена для многоязычных текстов; в названии заявлена поддержка 100 языков. Разработчики пометили модель как устаревшую и предупреждают о низком качестве эмбеддингов, поэтому для новых проектов рекомендуют выбрать более современные модели. Лицензия — Apache-2.0.

Yi-6B — базовая большая языковая модель семейства Yi, разработанная 01.AI и обученная с нуля. Это плотная авторегрессионная модель на архитектуре Transformer, совместимая с экосистемой Llama, но не являющаяся производной от Llama и не использующая её веса. В репозитории представлены веса PyTorch и Safetensors; размер модели — 5,8 млрд параметров, контекст — до 4096 токенов. Модель предназначена для генерации текста и может служить основой для диалоговых систем, ответов на вопросы, чтения и понимания текста, рассуждений и адаптации под прикладные задачи. Серия Yi ориентирована прежде всего на английский и китайский языки и обучалась на мультиязычном корпусе. Для этой базовой версии доступна лицензия Apache 2.0. Карточка описывает возможности серии Yi в целом, поэтому приведённые в ней сравнительные результаты отдельных моделей серии не следует считать оценкой Yi-6B.

CombinHorizon выпустила эту текстовую модель как слияние весов, созданное с помощью mergekit и метода TIES. В качестве основы использована Qwen/Qwen2.5-32B, объединённая с zetasepic/Qwen2.5-32B-Instruct-abliterated-v2; модель имеет 32 млрд параметров и представлена в формате safetensors для библиотеки Transformers. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст и выдаёт текст; заявленная длина контекста — 131 072 токена. В метаданных указан английский язык. Лицензия — Apache-2.0.

LazarusNLP/all-indo-e5-small-v2 — модель встраиваний предложений на базе BERT, опубликованная LazarusNLP. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства и кластеризации. Модель использует библиотеку Sentence-Transformers, содержит 124,3 млн параметров и принимает текст с контекстом до 512 токенов. Модель обучена с функцией MultipleNegativesRankingLoss и косинусным сходством. По тегам карточки она ориентирована на индонезийский язык; данные для обучения и оценки включают индонезийские наборы задач поиска, понимания и сопоставления текста. Для использования требуется корректное pooling-преобразование контекстных представлений, если модель запускается через Transformers без Sentence-Transformers. Лицензия в предоставленных данных не указана.

Amadeus-Verbo-FI-Qwen2.5-14B-PT-BR-Instruct — языковая модель на архитектуре Qwen2, разработанная Amadeus AI. Это дообученная на 600 тысячах инструкций за два прохода версия Qwen/Qwen2.5-14B-Instruct, предназначенная для диалогов и генерации текста на бразильском португальском языке. Модель содержит 14,7 млрд параметров и использует архитектуру Transformer с RoPE, SwiGLU, RMSNorm и групповым запросным вниманием. Для работы указан контекст длиной 32 768 токенов в метаданных; в README заявлена длина 131 072 токена. Поддерживаются диалоговый режим и интерфейс вызова инструментов. Модель распространяется в формате safetensors и доступна по лицензии Apache-2.0.

answerai-colbert-small-v1 — экспериментальная модель с несколькими векторами от Answer.AI, обученная по рецепту JaColBERTv2.5 с дополнительными изменениями. Она использует архитектуру BERT и содержит около 40 млн параметров по метаданным; в README авторы указывают размер 33 млн. Модель рассчитана на англоязычный поиск по пассажам и извлечение релевантных документов в RAG-системах, а также может применяться для переранжирования результатов поиска. ColBERT-кодирование хранит несколько векторов для текста и сопоставляет запрос с документами методом позднего взаимодействия. Это даёт модели сильные результаты на приведённых авторами тестах для модели её размера, включая BEIR. Контекст составляет 512 токенов; доступны веса Safetensors и формат ONNX. Лицензия — Apache-2.0. README описывает модель как доказательство концепции, поэтому результаты на бенчмарках не гарантируют качество для конкретного корпуса или сценария.

ArlowGPT-3B — компактная плотная языковая модель на архитектуре Llama 3.2 3B Instruct, дообученная разработчиком yuchenxie на наборе инструкций за пять эпох. Модель содержит 3,2 млрд параметров, работает с текстом и предназначена для диалогов и генерации ответов на инструкции; в метаданных указаны контекст до 131 072 токенов и интерфейс вызова инструментов. Карточка описывает примеры обучающих данных для разговоров, вопросов и ответов, справочных материалов и творческого письма, но не приводит их названия или независимые оценки качества. Модель подходит для чат-ботов, ответов на вопросы, создания текстов и краткого изложения документов в приложениях с ограниченными вычислительными ресурсами. README заявляет применение в юридических, медицинских и финансовых сценариях, однако не приводит профильной проверки качества для этих областей. Возможные ограничения включают более слабое решение сложных задач и зависимость результатов от типа задания. Лицензия — MIT.

Audio Flamingo Next Captioner — модель NVIDIA для подробного описания длинных аудиозаписей с речью, окружающими звуками и музыкой. Она формирует развернутые подписи, сводки и описания событий с временными метками, а также может включать точную расшифровку речи нескольких говорящих. Модель принимает аудио длительностью до 30 минут; процессор ожидает монофонический звук с частотой 16 кГц и обрабатывает его окнами по 30 секунд. Архитектура сочетает аудиокодировщик AF-Whisper, адаптер MLP, текстовую основу семейства Qwen2.5 с расширенным контекстом и RoTE для привязки к временным отметкам. В метаданных указаны архитектура MusicFlamingo, библиотека Transformers и формат safetensors; карточка описывает контекст до 128K токенов, тогда как метаданные указывают 1200 токенов. Модель предназначена для плотных, связных описаний и сводок аудио, разбивки сцены по времени и описания речи, звуковых событий и фона. Она может быть многословной и ориентирована на подписи, а не на поведение ассистента; для диалоговых ответов и явных рассуждений автор рекомендует другие варианты семейства. Ограничения включают неравномерное покрытие языков и предметных областей, слабое представление низкоресурсных языков и редких событий, а также трудности рассуждений по разреженным данным на большом временном интервале. Лицензия — other; автор указывает, что модель предназначена только для некоммерческих исследований.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240125233651-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

yosefw/bert-amharic-embed-small — компактная модель Sentence Transformers, дообученная автором на базе rasyosef/bert-small-amharic. Она кодирует предложения и абзацы в плотные векторы размерностью 512 и предназначена для сравнения смысловой близости, семантического поиска, поиска перефразировок, классификации и кластеризации текстов. Архитектура включает BERT, усреднение токенных представлений и нормализацию; максимальная длина входа — 512 токенов, сходство можно оценивать косинусной мерой. Модель обучалась на 40 237 парах «запрос — релевантный текст» и в примерах использует амхарский текст. README указывает язык en, что расходится с амхароязычной базовой моделью и примерами, поэтому реальную языковую область следует проверять на целевых данных. Чекпойнт содержит 31,5 млн параметров, распространяется в формате safetensors по лицензии Apache-2.0.

Это компактная модель Sentence Transformers, дообученная автором swardiantara на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы на английском языке в плотные векторы размерности 128 для поиска и сравнения по смыслу. Архитектура состоит из двухслойного BERT с mean pooling; метаданные указывают 4,4 млн параметров, формат safetensors и контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 128 токенов. Для сравнения векторов используется косинусное сходство. Модель предназначена для семантического поиска, извлечения текстовых признаков и оценки сходства предложений. В обучении использовался набор из 2 925 010 пар текстов с метками и OrdinalProxyContrastiveLoss; примеры в карточке связаны с отзывами Yelp, поэтому применение к другим жанрам и доменам может потребовать проверки качества. Лицензия в предоставленных данных не указана.

swardiantara/bert-tiny-yelp-k5-adaptive-cosine — компактная модель Sentence Transformers на основе BERT, дообученная для преобразования предложений и абзацев в плотные векторы размерности 128. Она предназначена для поиска и сравнения текстов: близость векторов оценивается косинусным сходством, а архитектура использует BERT-энкодер с усредняющим pooling. Модель обучена на 585 350 примерах с текстовыми парами и метками; базовая модель содержит 4,4 млн параметров. Модель принимает текст. README указывает максимальную длину последовательности 128 токенов, а метаданные каталога — контекст до 512 токенов. Базовая модель ориентирована на английский язык, поэтому для других языков качество не подтверждено. Модель подходит для семантического поиска и извлечения признаков текста; лицензия в предоставленных данных не указана.

BAAI/bge-large-zh-v1.5 — модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI). Она преобразует китайский текст в плотные векторные представления для поиска и сравнения текстов; версия v1.5 улучшает распределение оценок сходства и позволяет выполнять поиск без инструкции к запросу. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска по документам, поиска ответов для RAG-систем и сопоставления запросов с текстами. Эмбеддинги можно использовать для получения первичного списка кандидатов, а затем уточнять ранжирование отдельной моделью BGE Reranker. В README семейство BGE описано для китайского и английского языков, однако эта конкретная модель рассчитана прежде всего на китайский. Сходство между эмбеддингами не следует трактовать как универсальную вероятность: в README отмечено, что оценки несхожих предложений могут быть выше 0,5. Репозиторий использует формат PyTorch и лицензию MIT.

ChatGLM-6B-INT4-QE-Slim — компактная по потреблению памяти версия диалоговой модели ChatGLM-6B, подготовленная командой THUDM. Она создана на основе ChatGLM-6B-INT4-QE: из словаря удалены 20 тысяч зарезервированных токенов изображений, которые не используются текстовой моделью. Остальная структура и заявленное качество сохранены, а при инференсе и дообучении требуется меньше памяти и вычислений для выходных логитов. Модель основана на архитектуре GLM и содержит 8,1 млрд параметров по метаданным; в README базовая ChatGLM-6B указана как модель с 6,2 млрд параметров. Весовые блоки, эмбеддинги и LM Head квантизованы до INT4. Модель рассчитана на диалог и ответы на вопросы на китайском и английском языках, а также может использоваться для извлечения признаков. README сообщает, что для INT4-инференса достаточно примерно 6 ГБ видеопамяти или оперативной памяти при запуске на CPU. Код распространяется по Apache-2.0, но для использования весов необходимо соблюдать отдельную лицензию модели. Указанная в README экономия памяти относится к удалению неиспользуемой части словаря; конкретные результаты и совместимость зависят от аппаратуры и программных зависимостей.

akarum/cloudy-large-zh — модель семейства BERT для получения векторных представлений текста и оценки сходства между предложениями. По карточке, она ориентирована на китайский язык, выдаёт эмбеддинги размерностью 1024 и поддерживает последовательности длиной до 1024 токенов; инструкции для поисковых запросов не требуются. Модель содержит 424,3 млн параметров и опубликована в формате safetensors. Модель подходит для семантического поиска, сопоставления запросов с документами и поиска похожих предложений на китайском языке. В метаданных Hugging Face основной задачей указан sentence-similarity, а каталог также отмечает feature-extraction. Сведений о лицензии и конкретных ограничениях применения в предоставленных материалах нет.

convnext_base.clip_laiona — модель семейства ConvNeXt из библиотеки timm, разработанная для извлечения признаков изображений. Это только визуальный энкодер CLIP, обученный на данных LAION; он преобразует изображение в векторное представление для последующего сравнения и поиска. Модель принимает изображения и выдаёт векторы признаков. Доступна под лицензией Apache-2.0.

tomaarsen/csr-mxbai-embed-large-v1-gooaq-1e-5-512bs — англоязычный разреженный энкодер CSR, дообученный на датасете gooaq из базовой модели mixedbread-ai/mxbai-embed-large-v1 с помощью Sentence Transformers. Он преобразует предложения и абзацы в разреженные векторы размерностью 4096 и предназначен для семантического поиска и разреженного извлечения документов; оценка релевантности выполняется скалярным произведением векторов. Модель содержит 433,9 млн параметров, принимает последовательности длиной до 512 токенов и обучалась на парах вопросов и ответов из англоязычного набора gooaq размером около 3 млн примеров. В карточке приведены результаты оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR при ограничении числа активных измерений до 128 или 256. Модель распространяется по лицензии Apache-2.0. Описанные возможности и данные ориентированы на английский язык; приведённые результаты относятся к указанным тестовым наборам и не гарантируют качество на других корпусах.

cupidon-base-ro — модель BlackKakapo для создания эмбеддингов румынских текстов и оценки семантической близости предложений. Это плотная модель на архитектуре XLM-RoBERTa с 305,2 млн параметров, дообученная на румынских данных STS; в карточке указан датасет BlackKakapo/RoSTSC. Контекст модели — 514 токенов. Модель принимает текст и формирует векторные представления, которые можно использовать для сравнения предложений по смыслу, поиска похожих текстов и ранжирования кандидатов по семантическому сходству. Доступны веса Safetensors и форматы ONNX и OpenVINO; использовать модель можно через Sentence-Transformers или Transformers с подходящей операцией pooling. Лицензия — Apache-2.0.

cupidon-small-ro — модель эмбеддингов предложений на базе BERT, созданная дообучением sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 на датасете RoSTSC. Она предназначена прежде всего для оценки семантического сходства румынских предложений, а также для семантического поиска и кластеризации. Модель принимает текст и выдаёт векторные представления предложений; доступна в форматах safetensors, ONNX и OpenVINO. Размер модели — 124,3 млн параметров, контекст — до 512 токенов. Компактная архитектура подходит для эффективного построения систем поиска и сравнения текстов на румынском языке. Базовая модель многоязычная, однако карточка описывает специализацию cupidon-small-ro именно на румынских предложениях. Модель распространяется по лицензии Apache-2.0.

EmbeddingGemma-300M-qat-q4_0-GGUF — модель для создания текстовых эмбеддингов, представленная организацией ggml-org и основанная на Google EmbeddingGemma 300M. Она предназначена для задач семантического поиска, сравнения сходства предложений, извлечения признаков и других сценариев, где требуется преобразовать текст в векторное представление. Модель поставляется в формате GGUF с квантизацией Q4_0; заявленный размер базовой модели — около 300 миллионов параметров. Она поддерживает работу через llama-server с endpoint для эмбеддингов и через утилиту llama-embedding. README не содержит сведений о поддерживаемых языках, максимальной длине контекста, размерности эмбеддингов и архитектурных деталях. К сильным сторонам относятся специализированное назначение для эмбеддингов и сниженные требования к ресурсам благодаря квантизации. Доступна настройка нормализации векторов, включая отсутствие нормализации, L1, L2 и P-норму. Ограничения модели и результаты бенчмарков не указаны. Лицензия обозначена как Gemma.

Модель quockhangdev/EmbeddingGemma-300m-Stage-1-model — дообученная версия google/embeddinggemma-300m на базе Sentence Transformers, разработанная автором репозитория quockhangdev. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 768 для поиска документов и сравнения запросов с текстами. Обучение проводилось на 507 152 парах «запрос — документ» с функцией потерь CachedMultipleNegativesRankingLoss; сходство векторов оценивается косинусной мерой. Модель принимает текст, поддерживает последовательности длиной до 2048 токенов и предназначена для семантического поиска и задач на основе близости эмбеддингов. Пример обучающих данных содержит запросы и нормативные документы на вьетнамском языке, что указывает на полезность для поиска по вьетнамским текстам, но не подтверждает поддержку только этого языка. Веса опубликованы в формате safetensors; лицензия в предоставленных данных не указана.

EVA-Yi-1.5-9B-32K-V1-GGUF — это набор GGUF-квантизованных версий языковой модели EVA-Yi-1.5-9B-32K-V1, разработанной EVA-UNIT-01 и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp, в том числе в LM Studio. В README указана поддержка контекста до 32K токенов; сведения о языках и мультимодальности отсутствуют, поэтому модель следует рассматривать как текстовую. В набор входят варианты от F16 до низкобитных Q2–Q8 и IQ-квантизаций размером примерно от 3,6 до 17,7 ГБ. Квантизации выполнены с использованием imatrix на базе llama.cpp, что позволяет выбирать между качеством ответов, требованиями к памяти и скоростью инференса. В README наиболее качественными и рекомендуемыми названы варианты Q5–Q6, а Q4 — как компромисс для ограниченных ресурсов; низкобитные варианты экономичнее, но могут заметно терять в качестве. Для некоторых Q4-вариантов предусмотрена оптимизация под ARM с требованиями к аппаратным расширениям. Используется лицензия Apache-2.0.

EXAONE-3.5-7.8B-Instruct-GGUF — набор GGUF-квантизаций инструкционной языковой модели EXAONE-3.5-7.8B-Instruct, разработанной LGAI. Репозиторий подготовлен ThomasBaruzier с использованием llama.cpp и imatrix-квантизации; представлены варианты с разными уровнями сжатия и размерами файлов. Модель предназначена для генерации текста и выполнения инструкций в текстовых сценариях. В README указаны английский и корейский языки. Размер исходной модели составляет 7,8 млрд параметров, однако архитектура и максимальная длина контекста не указаны. Доступны варианты квантизации IQ и Q, примерно от 1,8 до 5,6 ГБ; выбор варианта позволяет балансировать между требованиями к памяти и сохранением качества. К сильным сторонам относятся возможность локального запуска через совместимый стек llama.cpp, широкий выбор квантизаций и опубликованные показатели perplexity и accuracy для сравнения вариантов. Более агрессивное сжатие уменьшает размер модели, но может заметнее снижать качество. Модель текстовая и не поддерживает заявленные мультимодальные сценарии. Лицензия обозначена как EXAONE; подробные условия следует уточнять в файле LICENSE.

Falcon3-10B-Instruct-abliterated-GGUF — это квантизированная версия инструкционной языковой модели Falcon3-10B-Instruct-abliterated, опубликованная в формате GGUF пользователем bartowski. Базовая модель разработана huihui-ai и относится к семейству Falcon3. Квантизация выполнена с помощью llama.cpp, версии b4381, с использованием метода imatrix и специализированного набора данных. Модель предназначена для генерации текста и выполнения инструкций в локальных приложениях, совместимых с llama.cpp и форматом GGUF. Поддерживаются английский, французский, испанский и португальский языки. Архитектура, размер контекста, точные параметры исходной модели и поддержка модальностей, кроме текста, в README не указаны; по назначению это текстовая модель без заявленной обработки изображений или других типов данных. Для общения используется шаблон с ролями system, user и assistant. Доступны варианты от F16 размером 20,62 ГБ до компактных IQ3_M и Q3-разрядных сборок. Версии Q4–Q6 заявлены как обеспечивающие хорошее или очень высокое качество при меньшем потреблении памяти, а Q3-варианты рассчитаны на системы с ограниченным объёмом RAM, но имеют более низкое качество. Ограничения качества зависят от выбранного уровня квантизации, при этом конкретные результаты тестирования не приведены. Модель распространяется по лицензии Falcon LLM License; условия доступны по ссылке, указанной в карточке.

FG-CLIP Large — модель Qihoo 360 для тонкого выравнивания визуальных и текстовых признаков. Обучение проходит в два этапа: сначала модель сопоставляет изображения с подписями на глобальном уровне, затем уточняет соответствие с помощью описаний отдельных областей изображения, включая положительные и отрицательные описания. В карточке указана архитектура CLIP и класс FGCLIPModel; веса доступны в формате safetensors. Примеры использования в README показывают загрузку через Transformers и применение для поиска по изображениям и визуализации плотных признаков. Модель подходит для поиска и сопоставления изображений и текста с учётом деталей сцены, а также для классификации изображений по текстовым описаниям без отдельного обучения классификатора. Поддерживаемый в метаданных язык — английский. Лицензия Apache-2.0.

Vontra/GLM-5.3-Flash-MLX-4bit-MTP — MLX-конверсия модели GLM-5.3-Flash от Z.ai, подготовленная для Apple Silicon. Это мультимодальная sparse MoE-модель архитектуры glm5_next с поддержкой текста и изображений, рассчитанная на работу с английским и китайским языками. Модель распространяется в формате MLX safetensors и сохраняет оригинальные токенизатор, chat template, мультимодальный процессор и настройки генерации. Модель предназначена для локальной генерации текста и обработки изображений в совместимых окружениях MLX и MLX-VLM. Она использует гибридное линейное и разреженное внимание, manifold-constrained hyper-connections и встроенный блок предсказания следующего токена для speculative decoding (native MTP). Заявленный контекст составляет до 1 048 576 токенов. Квантование выполнено методом weight-only post-training quantization: основные подходящие матрицы переведены в 4-bit с group size 64, тогда как vision encoder, projector, embeddings, output head и часть служебных тензоров сохранены в исходной или совместимой точности. К сильным сторонам относятся мультимодальность, очень длинный контекст, поддержка sparse MoE, оптимизация под Apple Silicon и существенное уменьшение размера весов по сравнению с полноточной моделью. Репозиторий занимает около 181,7 ГБ, поэтому для запуска требуется значительный объём объединённой памяти. Native MTP требует специальной интеграции GLM5 Next в runtime; проверена работа с oMLX 0.6.3rc3, MLX 0.32.0 и MLX-VLM 0.6.3 с соответствующей поддержкой. Старые или стандартные сборки без этой интеграции могут работать только без MTP либо не поддерживать модель. Приведённый тест на Apple M3 Ultra показал около 6,27 токена в секунду при отключённом MTP, но фактическая производительность зависит от нагрузки и окружения. Лицензия — MIT.

GLuCoSE-base-ja-v2 — японская модель эмбеддингов текста, разработанная Chihiro Yano, Mocho Go, Hideyuki Tachibana, Hiroto Takegawa и Yotaro Watanabe. Это дообученная дистилляцией и многоэтапным контрастивным обучением версия GLuCoSE-base-ja на основе архитектуры LUKE; она создаёт векторные представления предложений и фрагментов текста для поиска и сравнения смысла. Модель содержит 138,4 млн параметров, выдаёт эмбеддинги размерностью 768 и поддерживает контекст до 512 токенов по README и 514 токенов по метаданным. Для запросов и документов при инференсе требуются префиксы «query: » и «passage: » соответственно; близость оценивают косинусным сходством. Модель ориентирована на японский язык и задачи поиска: по описанию авторов, она показывает высокие результаты среди моделей сопоставимого размера в MIRACL и других тестах. Может работать на CPU и доступна через библиотеку Sentence Transformers. Подходит для семантического поиска, извлечения релевантных фрагментов и оценки сходства предложений. Распространяется по лицензии Apache-2.0. Результаты зависят от корректного добавления префиксов и соответствия корпуса японскому языку.

GoldenLlama-3.1-8B — плотная авторегрессионная языковая модель семейства Llama, созданная объединением Orenguteng/Llama-3.1-8B-Lexi-Uncensored и NousResearch/Hermes-3-Llama-3.1-8B с помощью mergekit. Слои 0–24 взяты из первой модели, а слои 25–31 — из второй; конфигурация слияния passthrough, исходная точность указана как bfloat16. Репозиторий содержит веса safetensors, модель насчитывает 7,5 млрд параметров и имеет контекстное окно 131 072 токена. Модель предназначена для генерации текста и диалогового использования. Лицензия репозитория — Apache-2.0. Карточка не приводит конкретных оценок качества или подробных ограничений; характеристики и поведение унаследованы от объединённых моделей и могут отличаться от каждой из них.

Hermes-3-Llama-3.1-8B-lorablated-GGUF — это набор квантизированных GGUF-версий текстовой генеративной модели mlabonne/Hermes-3-Llama-3.1-8B-lorablated. Квантизацию выполнил bartowski с использованием llama.cpp и imatrix. Модель предназначена для локального запуска задач генерации текста, включая диалоговое взаимодействие и следование инструкциям, в совместимых средах, таких как llama.cpp и LM Studio. В основе лежит модель размера 8B, однако точные сведения об архитектуре, поддерживаемых языках, модальностях и размере контекста в README не указаны. Доступны варианты от F32 до низкобитных квантизаций Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ; более крупные варианты обычно сохраняют более высокое качество, а компактные требуют меньше оперативной памяти, но могут заметно уступать в качестве. Для работы следует использовать указанный формат prompt с системным сообщением, пользовательским запросом и ответом ассистента. Лицензия в README не указана.

bosonai/higgs-audio-v3-stt-v2 — англоязычная модель распознавания речи Boson AI на архитектуре HiggsAudio3. Это дообученный чекпойнт bosonai/higgs-audio-understanding-v3-1.7b, в который слиты веса LoRA ранга 64 и alpha 128. Модель принимает аудио и преобразует речь в текст; карточка указывает задачу automatic-speech-recognition и формат safetensors. Модель предназначена для транскрибирования английской речи. В обучающую смесь вошли части AMI IHM, GigaSpeech, LibriSpeech, SpgiSpeech, TED-LIUM и VoxPopuli; для Earnings22 данные пропускались. В README приведены результаты оценки WER на AMI, Earnings-22 и GigaSpeech по методике Open ASR Leaderboard. Модель распространяется по лицензии Apache-2.0. Результаты зависят от записи и условий распознавания; сведения об ограничениях качества за пределами приведённых оценок в карточке не представлены.