I.3Извлечение и структурирование данных

protoLabsAI/Ornith-1.5-9B-NVFP4 — это квантованная мультимодальная версия модели Ornith-1.5-9B, разработанной ornith-ai. Модель предназначена для задач image-text-to-text, обработки изображений и текста, диалоговых сценариев, вызова инструментов и агентских приложений. Сборка оптимизирована для запуска через vLLM на GPU NVIDIA Blackwell с архитектурой sm120 и включает дистиллированную MTP-голову для спекулятивного декодирования. Основная часть линейных слоёв attention и MLP использует квантование NVFP4 W4A4, благодаря чему размер модели уменьшен с 17,9 до 11,2 ГБ. Башня зрения, DeltaNet/GDN linear_attn, lm_head, embed_tokens и MTP-голова сохранены в формате bfloat16. Поддерживаются изображения и текст; точные языки и исходный размер контекста в README не указаны, но рекомендуемый параметр запуска vLLM составляет до 32768 токенов. MTP обеспечивает ускорение декодирования примерно в 1,27 раза при заявленной доле принятия черновых токенов 0,804 на реальных запросах. Сильными сторонами модели являются сохранённая работоспособность зрения без выявленной статистически значимой деградации относительно bf16-версии, высокие результаты во внутренних тестах вызова функций и наличие встроенной MTP-головы без отдельной черновой модели. Ограничения включают зависимость от GPU Blackwell и специфической конфигурации vLLM, необходимость выделять достаточный бюджет токенов для адаптивного рассуждения, а также слабые результаты в тесте LiveCodeBench. Модель распространяется по лицензии MIT.

Ornith-1.5-9B-Uncensored-W4A16 — мультимодальная модель для задач image-text-to-text, разработанная bowmanslayer. Это квантованная версия Ornith-1.5-9B-Uncensored в формате W4A16: веса представлены в INT4, активации — в FP16. Модель ориентирована на английский и китайский языки, а также на сценарии, где требуется обработка текста и изображений. Архитектура включает 32 слоя, из которых 24 являются linear-слоями и 8 — слоями full attention; размер скрытого состояния составляет 4096. Размер квантованной модели — около 8 ГБ. Она предназначена прежде всего для запуска через vLLM с ядром gptq_marlin; поддерживается FP8 KV-кэш fp8_e5m2, который уменьшает расход памяти и позволяет эффективнее работать с длинным контекстом. Указанные в README оценки относятся главным образом к BF16-версии-источнику; для W4A16 заявлены близкие результаты в выборочных проверках. Сильными сторонами являются сохранённые возможности рассуждения, программирования и следования инструкциям, высокая производительность на ряде тестов, а также экономичное использование памяти благодаря гибридной архитектуре и квантованию. Ограничение модели заключается в удалении исходного safety alignment: она не содержит фильтров и защитных ограничений и может выполнять вредоносные, опасные или незаконные запросы. Поэтому ответственность за безопасное и законное применение полностью лежит на пользователе. Лицензия модели — MIT.

Paralel TR-EN Embedder — двуязычная модель эмбеддингов предложений на турецком и английском языках, разработанная на базе BAAI/bge-small-en-v1.5 и дообученная на 882 тысячах параллельных пар переводов. Она использует архитектуру BERT и выдаёт векторные представления размерности 384; максимальная длина последовательности — 64 токена, а нативный контекст по метаданным — 512 токенов. Доступны форматы Safetensors и GGUF. Модель предназначена для поиска семантически близких предложений между турецким и английским языками, выравнивания параллельных корпусов, кластеризации двуязычных документов и первичного поиска для RAG. В проверке на отложенных данных средняя косинусная близость составила около 0,82 для правильных переводов и 0,12 для несвязанных пар. Модель хуже различает тонкие смысловые различия, например смену местоимения, времени или отрицания: оценки сложных отрицательных примеров могут быть близки к оценкам правильных переводов. Поэтому её оценки подходят для грубого поиска и кластеризации, но не для точной проверки корректности перевода. Лицензия — MIT.

PLaMo-Embedding-1B — модель векторных представлений японского текста, разработанная Preferred Networks, Inc. Она преобразует тексты в эмбеддинги размерностью 2048 и предназначена для поиска информации, сравнения сходства предложений, классификации и кластеризации; особенно сильные результаты показала в задачах поиска на японском бенчмарке JMTEB. Модель имеет плотную архитектуру PlamoBiModel и содержит 1,1 млрд параметров. Максимальная длина контекста составляет 4096 токенов, а для сравнения текстов используется косинусное сходство. README сообщает, что при кодировании длинные тексты обрезаются; для запросов эффективный предел немного меньше из-за добавляемого префикса. Модель рассчитана на японский язык и распространяется по лицензии Apache 2.0, допускающей коммерческое использование.

KwangHwi/quantization — слитая методом SLERP модель на архитектуре LlamaBidirectionalModel, опубликованная в формате safetensors. По данным метаданных, она предназначена для извлечения признаков и эмбеддингов; размер составляет 1,2 млрд параметров, заявленная длина контекста — 131 072 токена. В объединение вошли два чекпойнта, указанные в карточке как модели для поиска по юридическим текстам и другие данные; их исходные идентификаторы относятся к внутренним путям, поэтому публичные репозитории базовых моделей установить нельзя. Модель можно применять для получения векторных представлений текста и задач поиска или ранжирования, где нужны признаки текста. Карточка не сообщает поддерживаемые естественные языки и условия лицензии; языковую специализацию и лицензионные условия по имеющимся данным определить нельзя.

cnmoro/Qwen2.5-0.5B-Chunk-Compressor — дообученная модель Qwen2.5-0.5B-Instruct для сжатия фрагментов текста. Она предназначена для подготовки более компактных и удобных для чтения фрагментов, сохраняющих информацию для систем поиска с дополненной генерацией (RAG). Модель построена на плотной архитектуре Qwen2ForCausalLM и содержит 494 млн параметров; нативная длина контекста — 32 768 токенов. Модель принимает текст и генерирует сжатый текст. В карточке указан португальский язык. Для применения приведён строгий шаблон использования, поэтому формат входных данных следует соблюдать. Модель распространяется по лицензии MIT.

bartowski/Qwen2.5-3B-GGUF — набор GGUF-квантизованных вариантов базовой языковой модели Qwen2.5-3B, опубликованный и квантизованный bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска локально через совместимые инструменты, включая llama.cpp и LM Studio; в README также указан специальный формат промпта с ролями system, user и assistant. Доступны варианты от полного формата F32 размером 12,35 ГБ до сильно сжатых вариантов IQ3_M размером 1,49 ГБ. Большинство сборок используют квантизацию Q4–Q8, а некоторые сохраняют embedding- и output-веса в формате Q8_0 для потенциального улучшения качества. Для ARM-процессоров предусмотрены отдельные варианты Q4_0_4_4, Q4_0_4_8 и Q4_0_8_8; их совместимость зависит от поддержки соответствующих инструкций. Более качественные варианты требуют больше оперативной памяти, а компактные варианты снижают требования к памяти ценой качества. Модель относится к текстовым, поэтому README не подтверждает поддержку изображений, аудио или других модальностей. Языки, размер контекста, конкретные архитектурные характеристики базовой модели и результаты бенчмарков в предоставленных данных не указаны. Лицензия также не указана, поэтому условия коммерческого и иного использования следует уточнять в исходном репозитории Qwen/Qwen2.5-3B и у опубликованного набора.

shawnw3i/Qwen3.6-27B-AWQ-MTP — квантизированная версия модели Qwen3.6-27B, разработанной командой Qwen. Модель предназначена для задач генерации текста и работы с изображениями и текстом; в README она классифицирована как image-text-to-text. Вариант ориентирован на запуск через vLLM и ускоренное инференс-развёртывание. Модель имеет размер 27 млрд параметров и использует квантизацию AWQ. Поддерживаются ядро AWQ Marlin с автоматической конвертацией vLLM во время выполнения и MTP speculative decoding, позволяющее ускорять генерацию за счёт спекулятивного декодирования. Для запуска в README указан максимальный размер контекста 65 536 токенов, а также reasoning parser qwen3. Заявлена производительность более 110 токенов в секунду на одном ускорителе A800 80 GB при использовании vLLM 0.21.0, MTP и FP8 KV cache. Сильные стороны модели — сочетание относительно крупного размера, AWQ-квантизации, поддержки Marlin и встроенного MTP для эффективного инференса. README не содержит сведений о языках, точных возможностях мультимодального ввода, результатах бенчмарков, требованиях к другим конфигурациям оборудования или ограничениях качества. Модель распространяется по лицензии Apache-2.0.

mlasli/Qwen3.8-27B-Heretic-Abliterated-MLX-6bit — текстовая языковая модель, созданная mlasli на основе Qwen/Qwen3.8-27B. Это версия v2.1.0 с изменённым поведением отказов и ответов, преобразованная в формат MLX для запуска через mlx-lm на компьютерах с Apple Silicon. Модель предназначена для генерации текста, диалогов, ролевых сценариев и задач, где требуется более прямое следование запросу. Модель содержит около 27 млрд параметров и использует групповое 6-битное квантование с размером группы 64. Размер файлов составляет примерно 21,9 ГБ. Репозиторий поддерживает только текстовый ввод: при конвертации удалена vision tower, поэтому обработка изображений недоступна. Многоцелевое предсказание токенов MTP также не сохранено, из-за чего инференс выполняется одной основной головой и может быть медленнее сборок с поддержкой MTP. В карточке указаны английский язык и контекстная длина не приведена. Сильной стороной является уменьшенный объём по сравнению с BF16-версией при сохранении возможностей 27B-модели и удобная интеграция с MLX. По данным тестов, 6-битная версия немного уступает BF16 по прямоте ответов, а режим thinking может чаще приводить к уклончивым или пустым ответам; для заявленного поведения рекомендуется отключать thinking. Abliteration снижает или удаляет исходное safety-выравнивание, поэтому модель требует осторожного применения. Лицензия — Apache-2.0.

Qwen3.8-27B-Uncensored-GGUF — набор GGUF-квантизаций базовой модели Qwen/Qwen3.8-27B, опубликованный пользователем azukivc и подготовленный для llama.cpp. Модель предназначена для генерации текста, включая локальный запуск и сценарии, где требуется сниженное количество отказов. Поведение отказа было существенно уменьшено, но не устранено полностью; дополнительное обучение и новые обучающие данные не использовались. Лицензия — Apache-2.0. Модель использует архитектуру Qwen3_5ForConditionalGeneration, содержит 64 слоя, словарь из 248 320 токенов, один MTP-слой и поддерживает контекст до 262 144 токенов. Указана поддержка vision, поэтому доступны варианты с обработкой изображений, если это поддерживается базовой моделью и используемым runtime. Заявлены языки English и Chinese. Доступны квантизации IQ2_M, IQ4_XS, Q4_K_M, Q5_K_M, Q6_K и Q8_0, размер файлов — примерно от 10,6 до 29 ГБ. MTP-голова сохранена для speculative decoding; доступны как объединённые файлы со встроенной draft-моделью, так и отдельные target- и draft-файлы. Снижение отказов является преимуществом для менее ограниченных сценариев, однако поведение не полностью безотказное, а acceptance rate speculative decoding может немного снизиться.

Qwen3.8-27B-Uncensored-GGUF — набор GGUF-квантизаций базовой модели Qwen/Qwen3.8-27B, опубликованный пользователем preyy2 для запуска через llama.cpp и совместимые среды. Модель предназначена для генерации текста, диалогов и других задач на основе текста, а варианты с vision-проектором также поддерживают обработку изображений. Модель использует архитектуру Qwen3_5ForConditionalGeneration, содержит 64 слоя, словарь из 248 320 токенов, одну MTP-голову и поддерживает контекст до 262 144 токенов. В README заявлены английский и китайский языки. Доступны квантизации IQ2_M, IQ4_XS, Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером примерно от 10,6 до 29 ГБ, а также отдельные draft-варианты для speculative decoding. MTP-голова позволяет использовать ускоренное декодирование при поддержке со стороны runtime. Ключевая особенность сборки — существенное снижение поведения, связанного с отказами от ответов, с помощью abliteration без дообучения и добавления новых данных; отказы не устранены полностью. При этом заявлено сохранение исходных возможностей, обучающих данных и архитектуры базовой модели. Качество квантизаций оценивалось по perplexity на wikitext-2, однако IQ2_M заметно уступает вариантам с более высокой точностью. Для запуска необходим совместимый runtime и объём памяти, соответствующий выбранному файлу; поддержка изображений зависит от vision-совместимого runtime. Распространение указано по лицензии Apache-2.0.

Qwen3.8-Flash-Next-RadixArk-NVFP4-Hybrid-Sharp — мультимодальная модель для задач text-to-text и image-text-to-text, опубликованная в репозитории travelinlance на основе Qwen3.8-Flash-Next от Qwen и NVFP4-квантизированной сборки RadixArk. Модель предназначена для диалогов, генерации текста и обработки запросов с изображениями при использовании специализированного стека обслуживания. Это примерно 176-миллиардная MoE-модель с маршрутизируемыми экспертами. Основная часть весов хранится в формате NVFP4 W4A4, а около 300 тензоров в слоях внимания и общих экспертах преобразованы в блочный FP8 E4M3. Такой гибридный формат уменьшает объём данных, считываемых при генерации, и, по заявленным измерениям, повышает скорость генерации примерно на 20% без ухудшения контрольных оценок. Встроенный Sharp chat template сокращает объём ответов; в тесте он дал на 18% меньше выходных токенов. Для запуска требуется патченный образ vLLM ghcr.io/lancelind/qwen38-flash-dgx с поддержкой смешанного FP4/FP8-формата и настройками VLLM_FP8_HYBRID=1; стандартные vLLM и SGLang эту сборку загрузить не могут. Модель рассчитана прежде всего на NVIDIA DGX Spark с GB10 и 128 ГБ памяти, где используется таблица размером 44 ГиБ, доступная напрямую с диска. Точные поддерживаемые языки и размер контекстного окна в представленном README не указаны. Лицензия обозначена как qwen-community-1.0; применимые условия следует уточнять в файле LICENSE.

Qwen3.8-Flash-Next ROCmFP4-FAST imatrix GGUF — квантизированная GGUF-версия модели Qwen3.8-Flash-Next, разработанная и опубликованная Agention. Модель предназначена для генерации текста, агентских сценариев, работы с длинными контекстами и обработки изображений при подключении собственного vision-модуля. Языки в README не указаны. Модель содержит около 180 млрд параметров, использует квантизацию ROCmFP4 с эффективностью 4,23 bpw и занимает примерно 87,06 GiB. Поддерживается контекст до 262 144 токенов, а vision tower поставляется отдельно в формате F16. Также доступна speculative decoding через собственную MTP-голову; заявлена скорость генерации до 40 токенов в секунду на Strix Halo, хотя результат зависит от содержимого. Квантизация imatrix откалибрована на 1540 фрагментах данных, а заявленная потеря по perplexity относительно неквантизированной версии составляет около 2,48%. Ключевое преимущество — возможность полностью разместить веса, таблицу n-gram и вычисления на GPU с unified memory без CPU fallback, что особенно полезно для длинных запросов и повторного чтения большого контекста. Основные ограничения — очень высокие требования к памяти и специализированному оборудованию, а также необходимость использовать форк llama.cpp с поддержкой ROCmFPx и соответствующими оптимизациями. Для vision и speculative decoding требуются дополнительные файлы и настройки. Лицензия указана как qwen-community-1.0.

Qwen3.8-Flash-Next-Uncensored-NVFP4 — квантизированная версия модели Qwen3.8-Flash-Next, разработанной Qwen и опубликованной OrcaRouter. Это мультимодальная Mixture-of-Experts-модель для работы с текстом и изображениями, рассуждений, вызова инструментов, функционального вызова, исследовательского red-teaming и анализа механизмов отказа моделей. Модель представляет preview-архитектуры Qwen4 и поддерживает английский и китайский языки. Архитектура включает 512 экспертов, из которых для каждого запроса активируются 10 маршрутизируемых и 1 общий эксперт, Gated DeltaNet linear attention, Qwen Sparse Attention, HyperConnections и PLE n-gram embeddings. Экспертные веса сжаты в NVFP4 с точностью 4 бита, attention и общие экспертные веса — в FP8, а отдельные компоненты, включая эмбеддинги, vision tower и нормализации, сохранены в bf16. Размер хранения сокращён примерно с 330 ГБ в bf16 до 178 ГБ; KV-кэш во время работы остаётся в bf16. Главное преимущество модели — значительное снижение требований к памяти при сохранении полноточных путей в важных компонентах, а также встроенная поддержка vision, reasoning и tool calling. Ограничения включают необходимость GPU с архитектурой Blackwell и FP4 tensor cores; Hopper и более старые GPU не поддерживаются. Для запуска нужны свежие версии vLLM с архитектурой qwen4_exp и compressed-tensors NVFP4, а мультимодальный режим зависит от поддержки vision-стека Qwen. Из модели удалена значительная часть safety alignment методом abliteration, поэтому она может выполнять вредоносные или незаконные запросы, от которых исходная модель отказалась бы. Модель предназначена только для легитимных исследований; перед практическим развёртыванием необходимы собственные фильтры безопасности и модерация. Лицензия — Apache 2.0, унаследованная от базовой модели.

ReasonEmbed — текстовая модель эмбеддингов, разработанная Hanhainebula для поиска документов по запросам, требующим многошагового рассуждения. Она дообучена на базе Qwen3-4B с функцией потерь RI-InfoNCE и синтетическими данными. Репозиторий содержит плотную архитектуру Qwen3 с 3,7 млрд параметров; модель принимает текст и выдаёт эмбеддинги. Контекстное окно составляет 40 960 токенов. Модель предназначена для извлечения и сопоставления документов в задачах reasoning-intensive retrieval. В README приведён результат nDCG@10 37,1 на бенчмарке BRIGHT с исходными запросами. Доступна по лицензии Apache-2.0. Карточка также связывает её с базовой моделью hanhainebula/qwen3-4b-ft-msmarco.

Ruri-Large — японская модель эмбеддингов предложений, разработанная cl-nagoya на основе cl-nagoya/ruri-pt-large. Она предназначена для сравнения текстов по смыслу и получения векторных представлений японских текстов; близость векторов оценивается косинусным сходством. Модель построена на архитектуре BERT и используется как Sentence Transformer. Модель содержит 436,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги размерностью 1024. В оценке JMTEB показала среднее значение 73,31; README также приводит результаты для поиска, семантического сходства, классификации, ранжирования и кластеризации. Лицензия — Apache 2.0. В README рекомендуется переходить на модели Ruri v3 для новых применений.

sbert-jsnli-luke-japanese-base-lite — модель Sentence-Transformers на архитектуре LUKE, дообученная на один проход по датасету shunk031/jsnli на базе studio-ousia/luke-japanese-base-lite. Она преобразует предложения и абзацы на японском языке в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и оценки сходства. Контекст модели составляет до 514 токенов, число параметров — 138,4 млн; доступен формат PyTorch. Модель предназначена для семантического поиска и сравнения японских текстов. Лицензия — Apache-2.0. Карточка также указывает результаты оценки на JSTS и JSICK, но не приводит их числовые значения.

Sakil/sentence_similarity_semantic_search — дообученная модель на базе DistilBERT, созданная автором репозитория с использованием библиотеки sentence-transformers. Она предназначена для семантического поиска и оценки сходства предложений; также может применяться для подбора рекомендаций. При дообучении использовались заголовки и тексты новостей, а целевая оценка отражала их косинусное сходство. Модель принимает текст и формирует эмбеддинги для сравнения текстовых фрагментов; заявленная длина контекста — 512 токенов. Поддерживаемый язык по карточке — английский. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. README предлагает дообучать модель для конкретных сценариев.

Модель sentence-transformers-testing/stsb-bert-tiny-openvino-quantized-only предназначена для преобразования предложений и абзацев в плотные векторные представления размерностью 128. Она разработана для использования с библиотекой Sentence Transformers и подходит для семантического поиска, кластеризации и оценки семантического сходства текстов. Конкретный разработчик в представленных данных не указан. В основе модели лежит BERT с максимальной длиной последовательности 512 токенов и без приведения текста к нижнему регистру. Архитектура включает Transformer и mean pooling по токенам с учётом attention mask; используются только средние значения токенов, без CLS-, max- и других вариантов pooling. Языки, точный размер BERT и характеристики OpenVINO-квантизации в README не указаны. Модель удобна для получения компактных эмбеддингов и интеграции в стандартный конвейер Sentence Transformers. Ограничения — отсутствие опубликованных результатов оценки, сведений о языковой специализации, точных параметрах квантизации и гарантий качества для конкретных прикладных сценариев. В README также отсутствует информация о лицензии, поэтому условия распространения и коммерческого использования следует уточнить отдельно.

T3qm7xNeuralsirkrishna_AlloyingotneoyYam — объединённая модель Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/AlloyingotneoyYam-7B. Она содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов; README не уточняет языковую специализацию и особенности диалогового шаблона. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Google T5 Version 1.1 LM-Adapted — предварительно обученная языковая модель архитектуры T5 для преобразования текста в текст. Версия Base содержит 123,8 млн параметров и доступна в форматах PyTorch и TensorFlow. Она основана на T5 Version 1.1 Base и дополнительно обучена 100 тысяч шагов на языковой моделирующей цели; предобучение использовало корпус C4 и задачи восстановления текста и языкового моделирования. Вариант LM-Adapted разработан для улучшения пригодности модели к prompt tuning. Модель предназначена для последующей настройки под прикладные задачи NLP, включая суммаризацию, ответы на вопросы и классификацию текста. Она принимает текст и генерирует текст; основным языком карточки указан английский. Предобучение отключало dropout, поэтому при дообучении README рекомендует включать его. Лицензия — Apache 2.0.

T5Gemma 2 — семейство мультимодальных моделей Google на архитектуре encoder-decoder. Этот чекпойнт содержит энкодер на 270 млн и декодер на 270 млн параметров; он получен адаптацией предварительно обученной Gemma 3 с использованием подхода UL2. Модель принимает текст и изображения и генерирует текст. Семейство заявлено как мультиязычное: более 140 языков и контекст до 128 тысяч токенов; для этого размера в README приведены оценки на задачах понимания изображений и обработки длинного контекста. Модель предназначена для генерации и преобразования текста, ответов на вопросы по изображениям, суммаризации и рассуждений, а компактный размер позволяет рассматривать запуск на ноутбуках, настольных компьютерах или в облачной инфраструктуре. Чекпойнт отмечен как предварительно обученный; README также описывает исследовательское применение семейства. Модель может ошибаться в фактах, испытывать трудности со сложными или неоднозначными запросами и отражать смещения обучающих данных. Лицензия — Gemma; применяйте модель с учётом её условий и самостоятельно оценивайте безопасность результатов.

google/t5gemma-xl-xl-ul2 — предварительно обученная текстовая модель семейства T5Gemma от Google с энкодером XL и декодером XL, адаптированная с использованием UL2. Архитектура типа encoder-decoder преобразует текст в текст; веса сохранены в формате safetensors и предназначены для работы через Transformers. Модель рассчитана на английский язык. Модель подходит для генерации текста, суммаризации, ответов на вопросы и рассуждений; энкодер также можно применять в задачах классификации и понимания текста. Возможные сценарии — подготовка черновиков и кратких изложений, ответы по предоставленному тексту и NLP-исследования. В карточке не указаны размер в параметрах и длина контекста. К ограничениям относятся возможные фактические ошибки, влияние пробелов и смещений обучающих данных, трудности с неоднозначностью и сложными открытыми задачами. Лицензия — Gemma; для применения необходимо учитывать условия Gemma и политику допустимого использования.

Google T5 Version 1.1 XXL — плотная модель архитектуры T5 для преобразования текста в текст. Она содержит около 5,8 млрд параметров и предварительно обучена на корпусе C4 без смешивания с задачами последующего обучения и без контролируемого обучения. Вариант 1.1 использует активацию GEGLU в полносвязных слоях, отключённый во время предобучения dropout и отдельные параметры для слоя эмбеддингов и классификатора. Модель служит базой для дообучения под задачи обработки естественного языка, например суммаризацию, ответы на вопросы и классификацию текста. Она принимает текст и генерирует текст; в карточке указан английский язык. Доступны веса PyTorch и TensorFlow. Лицензия — Apache 2.0. Для решения конкретной задачи модель необходимо дообучить; самостоятельное предобученное состояние не предназначено для прямого использования как готовая прикладная модель.

Tess-M-v1.3 — языковая модель общего назначения из серии Tess, разработанной migtissera. Модель построена на архитектуре Llama и дообучена на базе Yi-34B-200K; размер составляет 33,9 млрд параметров. Она принимает текст и генерирует текст, используя формат диалога с ролями SYSTEM, USER и ASSISTANT. Модель предназначена для диалогов и генерации ответов, в том числе при работе с длинным контекстом до 200 000 токенов. В README указано, что версия 1.3 — стабильный выпуск, а при тестировании на длинных контекстах наблюдались редкие незначительные повторы. Лицензия обозначена в метаданных как other; конкретные условия следует проверять на странице модели.

shibing624/text2vec-bge-large-chinese — китайская модель sentence embeddings, обученная проектом text2vec. Она основана на BAAI/bge-large-zh-noinstruct и дообучена методом CoSENT на подобранном наборе китайских данных семантического сходства. Модель кодирует предложения и короткие абзацы в плотные векторы размерности 1024 для сравнения смысла текстов. Её можно применять для поиска семантически близких фрагментов, сопоставления предложений и коротких абзацев, кластеризации и информационного поиска на китайском языке. В карточке указана архитектура BERT и длина контекста 512 токенов; README предупреждает, что входы длиннее 256 word pieces обрезаются. Для длинных документов модель не предназначена. Доступны веса PyTorch и safetensors, а также формат ONNX. По README, дообучение улучшило результаты на китайских тестах семантического сходства относительно базовой модели, особенно для различения коротких текстов. Модель опубликована по лицензии Apache-2.0.

TranslateGemma 12B IT — модель для перевода от Google Translate, дообученная на основе Gemma 3. Она предназначена для перевода текста между 55 языками и может извлекать текст из изображения и переводить его. Модель принимает текст и изображения; для изображения предусмотрена обработка с разрешением 896 × 896 пикселей. Контекст входа составляет 2K токенов, а результатом служит текст перевода. Модель ориентирована на запуск на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре. Для работы предусмотрен шаблон чата Gemma, поддерживаемый Transformers. Обучение включало supervised fine-tuning на параллельных данных и этап reinforcement learning. Качество перевода зависит от покрытия и качества обучающих данных; модель может ошибаться в передаче нюансов, сарказма и предметного контекста. Указанная лицензия — Gemma; применяются условия использования Gemma и политика запрещённого использования.

HgThinker/vietnamese-sbert — модель Sentence-Transformers на архитектуре RoBERTa, созданная для представления предложений и абзацев в виде плотных векторов размерностью 768. Её можно использовать для семантического поиска, сравнения сходства текстов и кластеризации. Обучение проводилось с функцией TripletLoss; число параметров — 162,4 млн, контекст — до 258 токенов. Модель ориентирована на вьетнамский язык, что отражено в названии репозитория, и подходит для получения эмбеддингов текста. Для работы доступны веса PyTorch; в Transformers после получения контекстных представлений требуется применить подходящий pooling. Лицензия в предоставленных данных не указана.

Карточка модели Gnartiel/vietnamese-sbert-v2 на Hugging Face совпадает с карточкой keepitreal/vietnamese-sbert, поэтому описание составлено по ней. keepitreal/vietnamese-sbert — модель Sentence-Transformers на архитектуре RoBERTa, содержащая 162,4 млн параметров. Она преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для сравнения семантической близости, поиска и кластеризации. Модель принимает текст и выдаёт эмбеддинги; её контекст ограничен 258 токенами. Модель подходит для семантического поиска по вьетнамским текстам, группировки похожих предложений и оценки их смыслового сходства. В README указано обучение с CosineSimilarityLoss. Доступные файлы представлены в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

thang1943/vietnamese-sbert-v2 — дообученная модель Sentence Transformers на основе keepitreal/vietnamese-sbert. RoBERTa преобразует предложения и абзацы во векторы размерности 768 для сравнения по косинусному сходству; максимальная длина последовательности составляет 258 токенов по метаданным. Модель обучена на 54 755 примерах набора dataset_full_fixed и предназначена для поиска семантически близких текстов на вьетнамском языке. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текста с использованием эмбеддингов. В README приведены результаты оценки информационного поиска, включая точность cosine_accuracy@1 0,6021 и @5 0,7885. Лицензия в предоставленных данных не указана.