I.3Извлечение и структурирование данных

CodeBarcenas-13b — языковая модель для генерации кода на Python, разработанная автором репозитория Danielbrdz. Она основана на WizardLM/WizardCoder-Python-13B-V1.0 и дообучена на наборе mlabonne/Evol-Instruct-Python-1k. Модель построена на плотной архитектуре Llama и содержит 12,9 млрд параметров; для запуска доступны веса PyTorch, контекст — до 16 384 токенов. Модель предназначена для генерации и продолжения кода Python, а также для ответов на инструкции и вопросы по этому языку программирования. Указана лицензия llama2. В README не приведены результаты оценки качества или подробные сведения об ограничениях; качество ответов может зависеть от формулировки запроса и обучающих данных.

Curie-7B-v1 — польскоязычная языковая модель, разработанная Сzymon Ruciński. Это плотная авторегрессионная модель семейства Mistral на 7,1 млрд параметров, рассчитанная на генерацию текста. Авторы адаптировали англоязычную базовую модель к польскому языку с помощью Language Adaptive Pre-training на корпусе SpeakLeash объёмом около 276 млн польских токенов, а затем дообучили её на задачах KLEJ. Контекст модели — до 32 768 токенов. Модель предназначена для генерации польского текста и может служить основой для польскоязычных ассистентов и решений NLP; результаты KLEJ показывают близкие к сильным базовым моделям показатели на восьми из девяти задач. В README также описана низкая perplexity 3,02 среди декодерных моделей. Это исследовательская разработка, опубликованная под лицензией Apache-2.0. Карточка не приводит конкретных оценок безопасности или эксплуатационных ограничений.

Moritz Laurer дообучил DeBERTa-v3-large от Microsoft для задач вывода по тексту (NLI) и классификации без заранее заданного набора классов. Модель сопоставляет текст с предложенными категориями и оценивает их соответствие; также её можно применять для определения логического следования, противоречия или нейтральности между посылкой и гипотезой. Дообучение проведено на 885 242 парах из MultiNLI, Fever-NLI, ANLI, LingNLI и WANLI. Архитектура — DeBERTa-v2 для классификации последовательностей, размер — 533,8 млн параметров, контекст — до 512 токенов. Карточка указывает английский язык. По оценкам автора, модель показала высокие результаты на этих наборах данных, в том числе на состязательном ANLI. Модель принимает текст и выдаёт метки и оценки классов. Результаты зависят от формулировок текста и кандидатов категорий, а модель может воспроизводить смещения обучающих данных. Для работы с актуальными версиями Transformers в README рекомендуется версия 4.13 или новее. Лицензия — MIT.

Erlangshen-SimCSE-110M-Chinese — китайская модель эмбеддингов предложений из семейства Erlangshen, разработанного командой Fengshenbang (IDEA-CCNL). Она основана на BERT-base и обучена контрастивному обучению SimCSE: использованы неразмеченные данные и китайские пары из набора NLI. Модель формирует вектор предложения непосредственно из представления [CLS], поэтому может оценивать семантическое сходство без дополнительной настройки под конкретную задачу. Модель предназначена для сравнения китайских предложений и получения их векторных представлений, например для поиска семантически близких фраз или ранжирования кандидатов по сходству. Архитектура — BERT, размер по метаданным 129,5 млн параметров, максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

EVA-CLIP-8B-448 — разработанная BAAI модель семейства CLIP для совместного представления изображений и текста. Она использует контрастивное обучение на парах изображение–текст и содержит 8,1 млрд параметров; вариант 448 дообучен на разрешении 448 пикселей на основе EVA-CLIP-8B. Модель предназначена для извлечения сопоставимых признаков изображений и текстовых описаний, классификации изображений без обучения на целевых классах и поиска изображений по тексту или текста по изображению. В карточке приведены результаты на наборах классификации изображений и видео и для задач retrieval; авторы сообщают среднюю точность zero-shot классификации изображений 80,0% на 27 бенчмарках. Обучение проводилось на объединённом наборе Merged-2B, составленном из LAION-2B и COYO-700M. Для работы доступны веса PyTorch и Hugging Face. Лицензия — Apache-2.0. Модель обрабатывает изображения и текст, но не предназначена для генерации описаний или изображений. Авторы предупреждают, что результаты при использовании Hugging Face-весов могут отличаться от опубликованных для PyTorch-весов; качество также зависит от целевого набора данных и формулировок текстовых меток.

FG-CLIP Base — модель Qihoo 360 для тонкого выравнивания визуальных и текстовых представлений. Обучение проходит в два этапа: сначала на парах изображений и подписей для глобального выравнивания, затем с дополнительными описаниями областей изображения, включая подробные описания и положительные и отрицательные примеры. Архитектура относится к семейству CLIP; карточка указывает использование Transformers и формат весов safetensors. Модель предназначена для сопоставления изображений с текстовыми описаниями и поиска по изображениям или тексту. Более детальное обучение на областях изображений помогает учитывать локальные визуальные признаки наряду с общим содержанием изображения. В README приведены сценарии извлечения признаков и поиска. Указанная лицензия — Apache-2.0.

TechxGenus/gemma-2b-it-GPTQ — GPTQ-квантизированная версия инструкционно дообученной модели gemma-2b-it, разработанной Google. Это компактная decoder-only языковая модель с открытыми весами, предназначенная для преобразования текста в текст и работающая на английском языке. Модель подходит для генерации текста, ответов на вопросы, суммаризации, рассуждений и других сценариев, где требуется обработка естественного языка. Размер 2B параметров и GPTQ-квантизация ориентированы на запуск при ограниченных вычислительных ресурсах, включая локальные компьютеры, однако README не указывает точные требования к памяти, размер контекста и характеристики производительности. К ограничениям относятся заявленная поддержка английского языка и отсутствие в предоставленных данных подробных результатов тестирования, ограничений безопасности и сравнения с другими моделями. Использование регулируется лицензией Google Gemma Terms of Use; доступ к модели на Hugging Face требует принятия соответствующих условий.

mlx-community/gemma-3-270m-bf16 — текстовая модель семейства Gemma 3, преобразованная сообществом mlx-community из google/gemma-3-270m для работы с библиотекой MLX. Это плотная авторегрессионная модель примерно на 257 млн параметров с поддержкой чата и генерации текста; длина контекста составляет 32 768 токенов. Она подходит для диалогов, суммаризации, ответов на вопросы и других задач генерации текста. Модель принимает и выдаёт текст; сведения о поддерживаемых языках в предоставленных данных отсутствуют. Репозиторий содержит веса safetensors и распространяется по лицензии Gemma.

RedHatAI/gemma-3-27b-it-quantized.w4a16 — квантованная версия мультимодальной модели google/gemma-3-27b-it, разработанная RedHatAI. Модель принимает текст и изображения, а генерирует текст; она предназначена для задач визуально-текстового анализа и генерации ответов по мультимодальным запросам. Модель содержит 27 млрд параметров. Её веса квантизированы в INT4, а активации используют FP16, что снижает требования к памяти и делает модель более эффективной для инференса. Версия подготовлена для запуска через vLLM версии 0.8.0 и выше, включая OpenAI-совместимый режим сервинга. В README не указаны поддерживаемые языки и максимальная длина контекста; в приведённой конфигурации оценки использовалась длина контекста до 4096 токенов. К сильным сторонам относятся поддержка изображений наряду с текстом и уменьшенный объём памяти по сравнению с полноразмерной моделью. Ограничения включают возможное снижение точности из-за INT4-квантизации, зависимость от совместимого окружения vLLM и отсутствие в предоставленных данных подробных результатов мультимодальной оценки. Модель распространяется по лицензии Gemma.

NoxStrix/gemma-4-31B-it-Q4_K_M-GGUF — это конвертированная в формат GGUF инструкциямодель на базе google/gemma-4-31B-it, подготовленная автором NoxStrix с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для локального запуска через llama.cpp, включая интерактивные запросы в CLI и работу в режиме сервера. Из доступных данных известно, что исходная модель имеет размер 31B параметров и относится к мультимодальным моделям image-text-to-text, то есть может обрабатывать изображения и текст и генерировать текстовые ответы. Ключевые характеристики исходной архитектуры, поддерживаемые языки и размер контекстного окна в README не указаны. Квантование Q4_K_M уменьшает требования к памяти по сравнению с полноразмерной версией, но README не содержит точных сведений о качестве, скорости и необходимых ресурсах. Для использования требуются llama.cpp и подходящее аппаратное обеспечение; возможна настройка сборки под конкретную платформу, включая Nvidia GPU. В README приведён пример контекста размером 2048 токенов, но это может быть лишь параметром запуска, а не максимальным размером контекста модели. Модель распространяется по лицензии Apache-2.0, при этом для исходной Gemma могут действовать дополнительные условия лицензии Google Gemma.

GLM-10B — плотная языковая модель семейства GLM, разработанная командой авторов статьи GLM: General Language Model Pretraining with Autoregressive Blank Infilling. Модель предварительно обучена на наборе данных The Pile с авторегрессионной целью заполнения пропусков; архитектура включает 48 слоёв Transformer, размер скрытого состояния 4096 и 64 головы внимания в каждом слое. В метаданных указано 13,1 млрд параметров и реализация на PyTorch. Модель предназначена для дообучения и применения в задачах понимания и генерации естественного языка, включая языковое моделирование, задачи формата seq2seq и классификацию вариантов ответа. Она может извлекать признаки из текста; основное назначение в карточке Hugging Face отмечено как feature-extraction. В метаданных указан английский язык. Условия лицензирования в предоставленных данных не описаны. Практическое использование требует учитывать, что опубликована базовая предварительно обученная модель, а примеры и инструкции вынесены в репозиторий проекта.

Xenova/gte-base — версия модели thenlper/gte-base, подготовленная сообществом Xenova в формате ONNX для совместимости с библиотекой Transformers.js. Модель предназначена для извлечения признаков из текста, в частности для построения векторных представлений, которые могут использоваться в семантическом поиске, сравнении текстов и других задачах обработки естественного языка. Из README известно, что модель поддерживает запуск через Transformers.js и рассчитана на использование в JavaScript-средах, включая веб-приложения. Архитектура, размер, поддерживаемые языки, максимальная длина контекста, модальности и точные характеристики качества в предоставленных данных не указаны. Лицензия также не указана, поэтому условия использования по этому описанию определить нельзя.

Higgs Audio v3 8B STT v2 — модель распознавания речи от Boson AI. Она сочетает замороженный аудиоэнкодер Whisper-Large-v3 с декодером Qwen3-8B, дообученным с помощью LoRA и затем объединённым с базовыми весами. Всего в модели 8,91 млрд параметров; она принимает монофонический WAV с частотой 16 кГц и формирует текстовую транскрипцию. Модель предназначена для преобразования речи в текст и оценки качества распознавания на разнообразных ASR-наборах. В README указана поддержка thinking mode для повышения точности; приведены результаты ESB Benchmark для AMI, Earnings22 и GigaSpeech. Метаданные указывают английский язык. Модель распространяется по лицензии Apache-2.0. Результаты в карточке ограничены указанными наборами и сами по себе не подтверждают качество для других языков или акустических условий.

HQwen-3B-00-fp16 — чат-модель для генерации текста, разработанная 1024m на основе unsloth/Qwen2.5-3B-Instruct. Модель дообучена с использованием Unsloth и библиотеки TRL; её архитектура — плотная Qwen2, размер — 3,1 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов. Модель предназначена для диалогов, ответов на запросы и создания текста, включая структурированные ответы и сценарии с интерфейсом вызова инструментов. В карточке указана поддержка английского языка. Модель распространяется по лицензии Apache-2.0. Описание не приводит отдельных результатов оценки качества или специализированных областей применения.

carles-undergrad-thesis/indobert-mmarco-margin-mse — модель на базе IndoBERT, дообученная для сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768, пригодные для семантического поиска, кластеризации и ранжирования документов по релевантности. Модель построена на архитектуре BERT, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты оценки на наборах mMARCO, Mr.TyDi и MIRACL, включая метрики MRR@10 и Recall@1000; для mMARCO и Mr.TyDi показано улучшение относительно BM25 по отдельным метрикам. Обучение проводилось с MarginMSELoss. Репозиторий содержит веса PyTorch и опубликован 20 октября 2023 года. Сведения о лицензии в предоставленных данных отсутствуют.

InternVL3-9B-4bit — мультимодальная чат-модель семейства InternVL3, преобразованная mlx-community в формат MLX из models/InternVL3-9B с помощью mlx-vlm 0.1.25. Она предназначена для диалога по изображениям и тексту, визуального понимания и генерации текстовых ответов; поддерживает мультиязычные сценарии. Метаданные указывают архитектуру InternVLChatModel и чат-возможности. Репозиторий распространяется по лицензии Apache-2.0. README описывает конвертацию MLX, а метаданные классифицируют модель как дообученную на OpenGVLab/InternVL3-1B-Instruct и отмечают вариант 4bit в названии. Эти сведения расходятся с описанием README, которое указывает исходный источник models/InternVL3-9B; точная связь с базовой моделью требует уточнения. В качестве главной задачи выбрано image-text-to-text, соответствующее заявленному мультимодальному назначению.

Модель toiar/khasi-asr-transcribe-diarize — дообученная на Khasi версия аудиомодели MOSS-Transcribe-Diarize от OpenMOSS-Team. Она предназначена для транскрибирования речи на Khasi, английском и хинди, включая режимы с временными метками и диаризацией говорящих, а также вывод только с метками говорящих. Базовая модель имеет размер 0,9 млрд параметров и поддерживает длинные аудиозаписи с временными метками, диаризацией и аннотациями акустических событий. Модель принимает аудио и преобразует его в текстовые транскрипты с разметкой говорящих. Она распространяется в формате safetensors по лицензии Apache-2.0. В проверках отмечались ошибки записи чисел в Khasi; при транскрибировании коротких высказываний на хинди возможен переход с деванагари на латиницу.

Карточка модели Resggg/Kimi-K3-Abliterated-modal на Hugging Face совпадает с карточкой SHSLab/Kimi-K3-Abliterated, поэтому описание составлено по ней. SHS-Lab/Kimi-K3-Abliterated — открытая мультимодальная модель на основе Kimi K3, обработанная методом abliteration для ослабления отказов, связанных с механизмами выравнивания. Она предназначена для исследований механизмов отказа, red-team-оценки и контролируемых экспериментов. Архитектура унаследована от базовой модели: Mixture-of-Experts с 2,8 трлн параметров, Kimi Delta Attention и Attention Residuals; модель поддерживает контекст до 1 млн токенов, изображения и видео наряду с текстом. Модель подходит для программирования, многошаговых агентных задач, анализа документов и работы с визуальными данными. По заявлению карточки, ослабление отказов нацелено на запросы на английском и японском языках и не добавляет новых знаний или возможностей; возможны небольшие изменения тона и формулировок. Независимая оценка этой версии не проводилась, поэтому точность для конкретных задач следует проверять отдельно. Модель распространяется с весами для самостоятельного развёртывания по лицензии Kimi K3 License; карточка не рекомендует её для неконтролируемого использования в пользовательских продуктах или там, где обязательна модерация контента.

hyuk2010/klue-roberta-base-klue-sts — модель Sentence Transformers, дообученная на базе klue/roberta-base для сравнения смысла корейских предложений. Она преобразует предложения и абзацы в плотные векторы размерности 768; архитектура включает RoBERTa и mean pooling, а близость векторов оценивается косинусным сходством. Модель содержит 137,8 млн параметров. Максимальная длина последовательности указана как 512 токенов в README и 514 токенов в метаданных. Модель предназначена для семантического поиска, поиска перефразировок, кластеризации и сравнения текстов по смыслу. Для обучения использовались 10 501 пара корейских текстов с оценками сходства. В README приведены оценки на двух таблицах, но они заметно различаются, поэтому качество на целевых данных следует проверять отдельно. Модель принимает текст и выдаёт эмбеддинги; опубликована в формате safetensors и рассчитана на использование с библиотекой Sentence Transformers. Лицензия в предоставленных данных отсутствует.

Kunoichi-DPO-7B — плотная авторегрессионная языковая модель семейства Mistral на 7,1 млрд параметров, созданная SanjiWatsuki. Это DPO-дообучение Kunoichi-7B на парах предпочтений Intel Orca с шаблоном Alpaca; модель предназначена для общего использования и принимает инструкции, выдавая текстовые ответы. В карточке отмечены улучшения следования инструкциям и рассуждений по сравнению с Kunoichi-7B, а также возможное снижение качества ролевых диалогов из-за выравнивания на данных Orca. Заявленное окно контекста — до 8192 токенов. Экспериментально его можно расширить до 16 тысяч токенов с NTK RoPE alpha 2.6. README приводит результаты нескольких бенчмарков и сообщает, что тестирование ещё продолжается, поэтому оценки следует считать предварительными. Репозиторий содержит веса в формате safetensors; лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения правообладателя.

KunoichiVerse-7B — англоязычная чат-модель, созданная слиянием моделей Nitral-AI/Kunocchini-7b-128k-test и MTSAIR/multi_verse_model с помощью LazyMergekit и метода SLERP. Модель построена на плотной архитектуре Mistral с причинной языковой моделью MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для диалогов и генерации текста. В README заявлено контекстное окно 128 тыс. токенов, тогда как метаданные указывают native context в 32 768 токенов. Репозиторий содержит веса в формате safetensors; также упомянут отдельный репозиторий GGUF от MarsupialAI. Лицензия — Apache-2.0.

Linkbricks-Horizon-AI-Japanese-Pro-V3-70B-GGUF — квантизированная версия 70-миллиардной языковой модели Linkbricks-Horizon-AI-Japanese-Pro-V3-70B, разработанной Saxo. Квантизацию выполнил bartowski с использованием llama.cpp и imatrix. Модель предназначена для генерации текста, включая перевод, суммаризацию, ответы на вопросы, анализ тональности, работу с новостными и научно-техническими материалами, а также задачи на корейском языке, включая function calling и математические задачи. Модель работает в формате GGUF и рассчитана на запуск через llama.cpp и LM Studio. Заявлены языки: корейский, английский, японский и китайский. Доступны варианты квантизации от Q8_0 до Q3_K и IQ4; размеры файлов составляют примерно от 37,9 до 75 ГБ. Более высокие уровни квантизации обеспечивают лучшее качество, но требуют больше памяти, поэтому запуск предполагает мощное оборудование. Архитектура, максимальный контекст и точный формат промпта в README не указаны; для настройки взаимодействия следует обратиться к странице исходной модели. Сильные стороны модели — большой размер, специализация на корейском и связанных с ним многоязычных задачах, а также широкий выбор вариантов квантизации. Ограничения включают значительные требования к памяти, возможное снижение качества у компактных вариантов и отсутствие в README подробных данных о результатах бенчмарков, архитектуре и контекстном окне. Указана лицензия Apache-2.0.

jiangchengchengNLP/llama3.3-70B-instruct-abliterated-awq — это 4-битная квантованная версия AWQ модели Llama-3.3-70B-Instruct-abliterated. Базовая модель разработана huihui-ai на основе Llama 3.3 70B Instruct, первоначально созданной Meta AI. Модель предназначена для генерации текста и использования в сценариях, где требуется следование инструкциям. Модель поддерживает текстовый ввод и вывод, относится к семейству Llama и имеет размер 70 миллиардов параметров. В README указаны английский, французский, итальянский, португальский, хинди, испанский, тайский и немецкий языки. Квантование AWQ до 4 бит снижает требования к памяти по сравнению с полноразмерной версией, однако README не содержит данных о контекстном окне, производительности, аппаратных требованиях или результатах оценки. Модель распространяется по лицензии llama3.3. Ограничения, связанные с качеством, безопасностью, областью применимости и особенностями версии abliterated, в README подробно не описаны.

ark4004/llama3.8-27b-uc-fp8-jh — размещённая пользователем на Hugging Face производная модель семейства Qwen3.8-27B; точный автор исходной модификации и метод её создания в карточке не указаны. Репозиторий предназначен для генерации текста и мультимодальных сценариев, включая работу с изображениями; доступны интеграции с Transformers, vLLM и SGLang. Модель содержит около 28 млрд параметров и использует формат FP8 F8_E4M3 с отдельными компонентами BF16. По назначению исходной Qwen3.8-27B она ориентирована на понимание текста, изображений и видео, программирование, мультимодальное рассуждение, обработку длинного контекста, вызов инструментов и агентские задачи. Для конкретной производной модели длина контекста, поддерживаемые языки, результаты тестирования и точные архитектурные особенности не указаны, поэтому её сильные и слабые стороны относительно исходной модели надёжно оценить нельзя. Для репозитория указана лицензия Apache-2.0. FP8-квантизация может снизить требования к памяти и ускорить инференс по сравнению с полноточными весами, но потенциально влияет на качество; количественные данные о таком влиянии отсутствуют. Модель не была доступна через провайдеров инференса на момент проверки.

LLaVA-Llama-3-8B-v1.1 — мультимодальная модель XTuner для диалога по изображениям. Она дообучена на Meta-Llama-3-8B-Instruct и использует визуальный энкодер CLIP ViT-Large/14 с разрешением 336 пикселей и MLP-проектором. Для обучения использовались ShareGPT4V-PT и InternVL-SFT; модель доступна в формате Hugging Face LLaVA и сохранена в safetensors. Модель принимает изображение вместе с текстовым запросом и генерирует текстовый ответ. Она подходит для описания изображений, ответов на вопросы о визуальном содержимом и анализа диаграмм или учебных изображений. В README приведены результаты на мультимодальных тестах, включая MMBench, AI2D и TextVQA. Лицензия в предоставленных данных не указана.

Distilled MetaCLIP 2 ViT-S/16 (384px) worldwide — мультиязычная модель семейства MetaCLIP 2 от Meta, представленная в работе «MetaCLIP 2: A Worldwide Scaling Recipe». Этот чекпойнт соответствует варианту ViT-S-16-384-worldwide оригинальной реализации и предназначен для классификации изображений по текстовым описаниям без отдельного обучения на заданных классах. Модель принимает изображения и текстовые метки классов, сопоставляет их и позволяет выбирать наиболее подходящие описания. Архитектура — MetaClip2Model; файлы представлены в формате safetensors и доступны для использования через Transformers. Карточка отмечает модель как мультиязычную, но не приводит конкретный перечень языков. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

gaverfraxz/Meta-Llama-3.1-8B-Instruct-HalfAbliterated-DELLA — текстовая модель на архитектуре Llama, созданная методом слияния DELLA на основе Meta-Llama-3.1-8B и двух инструктивных вариантов: Meta-Llama-3.1-8B-Instruct и его версии abliterated от mlabonne. Модель рассчитана на генерацию текста и диалоговые ответы; слияние сочетает instruct-модель с вариантом, у которого ослаблены ограничения на ответы. Модель содержит 7,5 млрд параметров, работает с текстом и имеет контекстное окно до 131 072 токенов. Для запуска предусмотрена библиотека Transformers, веса опубликованы в формате safetensors. Лицензия — llama3.1. Слияние с abliterated-вариантом означает, что защитные ограничения могут быть ослаблены; качество и поведение на конкретных запросах могут отличаться от исходной instruct-модели.

MiniMax-M3-GGUF — это квантизированная в формате GGUF версия модели MiniMax-M3, разработанной компанией MiniMaxAI и подготовленная пользователем bartowski с использованием llama.cpp. Модель относится к архитектурам MoE и содержит около 427 млрд параметров. Доступны варианты квантизации от Q2 до Q8, включая imatrix-квантизации, с размером файлов примерно от 146 до 454 ГБ. Модель предназначена для работы с текстом, а также с изображениями при использовании дополнительного файла mmproj. По заявленным тегам, её предполагаемые сценарии включают мультимодальные задачи, программирование, агентные приложения и обработку видео, однако подробные результаты тестирования и точные поддерживаемые видеосценарии не указаны. Формат GGUF ориентирован на запуск через llama.cpp и совместимые инструменты. В README не указаны размер контекстного окна, список поддерживаемых языков и детальные характеристики архитектуры. К сильным сторонам относятся очень большой размер базовой модели, поддержка мультимодального ввода и широкий выбор вариантов квантизации с разным соотношением качества и требований к памяти. Основные ограничения — исключительно высокие требования к дисковому пространству и оперативной или видеопамяти, а также возможное снижение качества при выборе низкобитных вариантов. Модель не поддерживает MTP. Лицензия обозначена как minimax-community; также указано общее обозначение лицензии other, поэтому условия использования следует уточнять в файле LICENSE исходного репозитория.

KnutJaegersberg/MistralInstructLongish — дообученная инструкция-модель семейства Mistral, созданная автором KnutJaegersberg. Модель обучалась около трёх эпох на объединении нескольких наборов инструкций, включая часть более длинных инструкций, и рассчитана на генерацию ответов в формате Alpaca с разделами Instruction, необязательным Input и Response. Это плотная причинная языковая модель MistralForCausalLM на 7,1 млрд параметров с контекстом до 32 768 токенов. Она предназначена для следования инструкциям и генерации текста; в карточке приведены результаты оценки на Open LLM Leaderboard, включая среднее значение 48,99, ARC и HellaSwag. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает языки обучения, поэтому языковую специализацию нельзя установить. Результаты бенчмарков не гарантируют качество на конкретных пользовательских задачах; данных о дополнительных ограничениях или проверках безопасности нет.

Многоязычная модель PyLate для семантического поиска и сопоставления предложений. Она дообучена разработчиками модели на английских данных от jhu-clsp/mmBERT-base и переносит представления текста в последовательности 128-мерных векторов токенов. Архитектура ColBERT использует энкодер ModernBERT с проекцией из 768 в 128 измерений, а релевантность запросов и документов оценивается оператором MaxSim. Модель содержит около 306,9 млн параметров и поддерживает контекст до 8192 токенов по метаданным; в карточке также указаны длины до 1024 токенов для документов и 64 токена для запросов. Модель предназначена для построения поискового индекса по документам, извлечения наиболее релевантных фрагментов и повторного ранжирования результатов первичного поиска. Обучение проводилось на английском языке, а README сообщает о переносе на корейские задачи поиска и приводит результаты оценки на корейских наборах MTEB. Для работы и индексирования описана интеграция с PyLate и FastPLAID. Сведения о лицензии в предоставленных источниках отсутствуют.