I.3Извлечение и структурирование данных

Monlam Melong — языковая модель Monlam AI для работы с тибетским языком. Она основана на Gemma 2 9B и дообучена на базе buddhist-nlp/gemma2-mitra-base; модель с архитектурой Gemma2ForCausalLM содержит 9 млрд параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Модель предназначена для генерации тибетского текста и диалога, перевода между тибетским и более чем 200 языками, ответов на вопросы, распознавания именованных сущностей и сегментации предложений. Среди сценариев применения — подготовка учебных материалов, создание текстов и анализ тибетских цифровых архивов. В карточке указана открытая лицензия, но её точное название не приведено. Среди ограничений — возможные ошибки перевода, более слабая работа с нетибетскими задачами и смещения в данных; результаты в историческом, культурном и образовательном контексте следует проверять.

Multilingual-MiniLM-L12-H384 — предобученная компактная языковая модель Microsoft для понимания текста на нескольких языках. Она использует 12-слойный трансформер с архитектурой BERT, скрытым размером 384 и 12 головами внимания; карточка указывает 124,3 млн параметров, включая около 21 млн параметров трансформера и 96 млн параметров эмбеддингов. Для токенизации применяется токенизатор XLM-R. Модель рассчитана на последовательности длиной до 512 токенов. Модель предназначена для задач классификации текста и может дообучаться для межъязыкового переноса, распознавания текстового следствия и ответов на вопросы. В README приведены оценки на XNLI и MLQA. Поддерживаются английский, арабский, болгарский, немецкий, греческий, испанский, французский, хинди, русский, суахили, тайский, турецкий, урду, вьетнамский и китайский языки. Доступны веса в форматах PyTorch, TensorFlow и Flax. Модель основана на дистилляции MiniLM и рассчитана на компактное и быстрое применение в задачах понимания языка. Для этого чекпойнта используется BertModel с XLMRobertaTokenizer, поэтому AutoTokenizer не работает согласно README. Лицензия — MIT.

RedHatAI/Muse-Glimmer-30B-INT4 — мультимодальная условно-генерирующая модель, разработанная RedHatAI на основе meta-models/Muse-Glimmer-30B. Она принимает текст и изображения, а генерирует текст, поэтому предназначена для задач визуально-текстового анализа, диалога и других сценариев мультимодального вывода. Архитектура указана как MuseGlimmerForConditionalGeneration; точные сведения о языках и размере контекста в карточке не приведены. Модель оптимизирована для инференса с помощью vLLM. Веса линейных операторов внутри transformer-блоков квантизированы в INT4 по схеме W4A16 GPTQ, тогда как активации сохраняют исходную точность; vision-компоненты, lm_head и embedding-слои не квантизировались. Это уменьшает число бит на параметр с 16 до 4, а размер на диске и требования к GPU-памяти — примерно на 75%, что является основным преимуществом при развертывании. К ограничениям относятся возможное снижение качества из-за квантизации и зависимость от совместимой инфраструктуры vLLM и формата compressed-tensors. Доступны средства автоматического выбора инструментов и разбора рассуждений в vLLM, однако фактические возможности и качество базовой модели отдельно не описаны. Модель выпущена 11 августа 2026 года, версия 1.0, и распространяется по лицензии Apache-2.0.

MyAwesomeModel — модель на базе архитектуры BERT, опубликованная для библиотеки Transformers и реализованная на PyTorch. В метаданных Hugging Face для неё указан pipeline-тег feature-extraction, поэтому основное назначение модели — получение векторных представлений текста для последующего анализа и машинного обучения. В README также заявлены улучшенные способности к рассуждению, пониманию языка, генерации кода, суммаризации, диалогу, переводу и function calling, однако эти характеристики не согласуются с указанным pipeline-тегом feature-extraction и не сопровождаются подробностями об архитектуре, размере или процедуре обучения. Модель можно рассматривать для экспериментов с извлечением признаков и задачами, где требуются текстовые эмбеддинги. Модель распространяется по лицензии MIT. В доступных материалах отсутствуют подтверждённые сведения о разработчике, поддерживаемых естественных языках, длине контекста и количестве параметров.

MysticFusion-13B-GGUF — это квантизированная версия языковой модели MysticFusion 13B, разработанной wbag (Walmart-the-bag) и опубликованной в формате GGUF компанией TheBloke. Модель предназначена для генерации текста и обработки текстовых инструкций на английском языке; в README приведён шаблон запросов в формате Alpaca-Tiefighter. Архитектура указана как Llama, размер — 13 млрд параметров, модальность — текстовая. Размер контекста не указан. Файлы GGUF поддерживают различные уровни квантизации от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью работы и качеством генерации. Модель совместима с llama.cpp и рядом сторонних интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, LM Studio, llama-cpp-python и другие, поэтому подходит для локального запуска на CPU и GPU. Качество и производительность зависят от выбранного варианта квантизации; конкретные результаты тестирования и ограничения исходной модели в README не приведены. Лицензия указана как llama2.

NeuralsirkrishnaShadow_Experiment26Pastiche — языковая модель семейства Mistral, созданная слиянием чекпойнтов automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment26Pastiche-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста; поддерживает контекст до 32 768 токенов. Модель подходит для диалогов, написания и продолжения текстов, а также генерации ответов по длинным запросам. Данные карточки не описывают её специализацию или языковой охват, поэтому применение следует считать общим. Модель распространяется в формате safetensors по лицензии Apache-2.0.

NeuralsirkrishnaShadow_PasticheInex12 — объединённая автором MaziyarPanahi модель для генерации текста и диалогов. Она основана на архитектуре Mistral и содержит 7,1 млрд параметров; модель объединяет automerger/NeuralsirkrishnaShadow-7B и automerger/PasticheInex12-7B. Модель принимает текст и выдаёт текст. Размер контекста составляет до 32 768 токенов, формат весов — safetensors. В карточке не указаны специализация по языкам и отдельные прикладные области. Модель распространяется по лицензии Apache-2.0.

NVIDIA-Nemotron-Nano-9B-v2-GGUF — набор GGUF-квантизаций модели NVIDIA-Nemotron-Nano-9B-v2, подготовленный пользователем bartowski на основе оригинальной модели NVIDIA. Модель предназначена для генерации текста и локального запуска в llama.cpp, LM Studio и других совместимых проектах. В набор входят варианты от BF16 до низкоразрядных Q2–Q8 и IQ-квантизаций; размер файлов составляет примерно от 5,27 до 17,79 ГБ. Квантизация выполнена с использованием imatrix, что направлено на сохранение качества при уменьшении требований к памяти. В README не указаны архитектура исходной модели, поддерживаемые языки, длина контекста, мультимодальные возможности и точные сценарии применения. Сильной стороной набора является широкий выбор компромиссов между качеством, размером и требованиями к оборудованию: варианты Q5–Q6 и Q4_K_M обозначены как рекомендуемые, а Q3 и Q2 подходят для систем с ограниченным объёмом RAM, но обеспечивают более низкое качество. Лицензия в предоставленных данных не указана; условия использования следует уточнять на странице оригинальной модели NVIDIA-Nemotron-Nano-9B-v2.

bofenghuang/phonemizer-wav2vec2-ctc-french — модель распознавания французской речи, построенная на архитектуре wav2vec2 с выходной CTC-головой. В метаданных указано 402,7 млн параметров; модель опубликована в формате safetensors и использует аудио на входе. Модель предназначена для преобразования аудиозаписей на французском языке в текст. В карточке указан датасет Mozilla Common Voice 13.0. Лицензия — MIT. README содержит только краткое указание на инференс аудио и не описывает подробности качества или ограничения.

Ahmedhisham/queen_of_embedded_egy_20k — модель эмбеддингов предложений для египетского арабского диалекта, разработанная на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Модель дообучена на подмножестве примерно из 20 000 примеров набора EgyTriplets-250K с функцией потерь triplet loss для различения близких и несходных по смыслу предложений. Она предназначена для семантического поиска, оценки сходства и подбора релевантных предложений на египетском арабском. Архитектура — BERT, размер — 124,3 млн параметров, контекст — до 512 токенов. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт компактной языковой модели Qwen2.5-1.5B-Instruct, дообученный командой huggingFacing методом дистилляции знаний из Qwen2.5-7B-Instruct. Он относится к абляционной серии для метода LiftKD: вариант использует разрывный gate и статические веса влияния Head и Top на уровне эпохи. Модель предназначена для генерации текста и диалоговых ответов; её можно применять для инструктивного общения и создания структурированных ответов. Архитектура — плотная Qwen2ForCausalLM с 1,5 млрд параметров, контекстное окно — до 32 768 токенов; репозиторий содержит веса SafeTensors для Transformers. Дообучение выполнено на 96 000 примерах и отдельном контроллерном наборе из 2 000 примеров, с 1 500 шагами оптимизации.

mlx-community/Qwen2-VL-7B-Instruct-4bit — мультимодальная модель для генерации текста на основе текстовых и визуальных входных данных. Модель разработана сообществом mlx-community и конвертирована в формат MLX из Qwen/Qwen2-VL-7B-Instruct с использованием mlx-vlm версии 0.0.13. Модель предназначена для сценариев image-text-to-text, включая обработку запросов, связанных с изображениями, и генерацию ответов на естественном языке. Известно, что она содержит 7 миллиардов параметров и представлена в 4-битном формате, что рассчитано на более эффективное использование памяти и запуск в экосистеме MLX. В README указан английский язык; сведения о других языках, размере контекста и точной архитектуре не приведены. К сильным сторонам относятся мультимодальность, инструкционное обучение и оптимизация под MLX. Ограничения связаны с 4-битным квантованием и отсутствием в предоставленной карточке подробных данных о качестве, поддерживаемых языках, контексте и системных требованиях. Модель распространяется по лицензии Apache-2.0.

Qwen3-4B-Instruct-2507-Abliterated — модифицированная версия причинной языковой модели Qwen3-4B-Instruct-2507, разработанной командой Qwen. Вариант создан с помощью Heretic v1.4.0 методом directional ablation, или abliteration, который направлен на снижение склонности модели отказывать в ответах при сохранении поведения исходной модели. Это не новая модель, обученная с нуля, а экспериментальный производный вариант с изменёнными весами. Модель предназначена для генерации текста и локального использования в сценариях, где требуется меньше отказов на запросы. Доступен формат GGUF с квантизацией Q4_K_M и конфигурация для запуска через Ollama; заявлена совместимость с инструментами локального инференса, включая Open WebUI. Базовая модель содержит около 4 миллиардов параметров, поддерживает контекст до 262 144 токенов и описывается Qwen как non-thinking-модель. В метаданных указан английский язык, однако дополнительные языковые возможности в этой карточке не раскрыты. Сильная сторона варианта — существенно сниженная частота отказов: во внутреннем тесте из 100 запросов модель отказала в 16 случаях против 100 отказов у исходной Qwen3-4B-Instruct-2507. При этом поведение зависит от формулировки запроса, параметров генерации, квантизации, инференс-фреймворка, системного промпта, шаблона чата, контекста и определений инструментов; снижение отказов не гарантирует полного отсутствия отказов и может сопровождаться изменениями исходных свойств модели. Лицензия — Apache-2.0.

arianraje/qwen3-4b-mamba2-hybrid-stage2a-kd — это экспериментальная гибридная языковая модель на базе Qwen3-4B, опубликованная как промежуточный чекпойнт сравнительного исследования. В ней 27 из 36 слоёв внимания заменены микшерами Mamba2, а каждый четвёртый слой сохраняет полное внимание; всего модель содержит 3,7 млрд параметров. Модель дообучена дистилляцией логитов от Qwen/Qwen3-4B и рассчитана на генерацию текста и диалоговые сценарии. Контекст — до 40 960 токенов по метаданным; описанное обучение этого этапа проводилось на последовательностях длиной 4 096 токенов. В тесте RULER модель хорошо справляется с поиском одиночного фрагмента, но качество извлечения нескольких ключей и ответов на несколько запросов снижается с ростом контекста, особенно на 32K. Проверки на здравый смысл и математику не проводились. Для загрузки требуется Transformers с trust_remote_code=True; быстрые ядра требуют mamba-ssm и causal-conv1d, иначе работа медленнее и требует больше памяти. Лицензия — Apache-2.0.

Qwen3.5-9B-abliterated-MLX-8bit — 8-битная квантованная версия модели Qwen3.5-9B, разработанная пользователем lukey03 на основе модели Qwen/Qwen3.5-9B. Модель предназначена для генерации текста и локального запуска на устройствах Apple с процессорами Apple Silicon M1, M2, M3 и M4 через фреймворк MLX, включая применение на компьютерах Mac с унифицированной памятью. Модель содержит около 9 миллиардов параметров и занимает примерно 8,9 ГБ. Она работает в текстовой модальности; в карточке заявлен английский язык. Версия создана с удалённым поведением отказа от ответа: для этого применялись три итеративных прохода ортогональной проекции и последующее дообучение LoRA для устойчивых категорий отказов. По заявленным данным, модель ответила на 18 из 18 тестовых запросов против 0 из 18 у базовой модели и сопоставима с Dolphin-Mistral 7B в тестах на удаление отказов. К преимуществам относятся нативная работа на Apple Silicon без лишнего обмена данными между CPU и GPU, а также потенциально более высокое качество по сравнению с 4-битной версией. Ограничение — отсутствие защитного поведения отказа, что повышает требования к ответственному применению; длина контекста в карточке не указана. Модель распространяется по лицензии Apache-2.0. В README также указано, что она предоставляется для исследовательских и образовательных целей, а ответственность за соблюдение законодательства и этических норм несёт пользователь.

AtomicChat/Qwen3.5-9B-DFlash-GGUF — это текстовая генеративная модель в формате GGUF, созданная путём самостоятельного квантования базовой модели z-lab/Qwen3.5-9B-DFlash. Квантование выполнила Atomic Chat на основе оригинальных весов с использованием матрицы важности для калибровки. Модель рассчитана на локальный и полностью офлайн-запуск, в том числе через llama.cpp, Ollama, LM Studio, Jan и Atomic Chat. Модель предназначена для диалоговой генерации текста и других сценариев, поддерживаемых text-generation. В репозитории указаны 1,3 млрд параметров, 6 слоёв и контекст до 262 144 токенов. Архитектура представляет собой плотный декодер с гибридным вниманием: скользящее окно 4096 токенов сочетается с глобальным вниманием; используются 32 attention heads и 8 KV heads. Модель работает только с текстом, сведения о поддерживаемых языках отсутствуют. Доступен квант Q8_0 размером около 1,4 ГБ, заявленный как практически без потерь. К сильным сторонам относятся небольшой размер, возможность автономного запуска, длинный заявленный контекст и калибровка квантов с помощью importance matrix, призванная сохранить качество при сниженной точности. Ограничения — отсутствие информации о качестве на бенчмарках, языках, рекомендуемых параметрах генерации и фактической производительности, а также необходимость применять chat template Qwen3.5 через параметр --jinja; без него возможна некорректная структура диалога. Исходная модель выпущена под лицензией Apache 2.0, квантованная версия подготовлена Atomic Chat.

Qwen3-8B-heretic — языковая модель для генерации текста, разработанная пользователем saidutta69 на основе Qwen/Qwen3-8B. Модель предназначена для локальных агентов, диалоговых приложений, ролевых сценариев и изучения механизмов отказа в моделях, поддерживающих рассуждения. Она сохраняет архитектуру Qwen3 с двумя режимами работы: режимом рассуждений с маркерами <think> и режимом прямого ответа. Модель имеет нативный размер около 8,2 млрд параметров, работает с текстом и заявлена для английского языка. Доступны веса BF16 и квантованные версии GGUF Q4_K_M, Q5_K_M, Q6_K и Q8_0; модель ориентирована на запуск через llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang. Размер контекста в README не указан. Для версии Q4_K_M рекомендуется около 5,4 ГБ памяти под веса, а для Q8_0 — около 8,8 ГБ, дополнительно требуется память под контекст. Ключевая особенность — подавление отказов методом abliteration с использованием Heretic v1.4.0: целевые изменения весов применены к проекциям внимания и MLP без дообучения. По приведённому сравнению, модель отказалась выполнить 10 из 100 опасных запросов против 100 из 100 у базовой версии, а KL-дивергенция относительно базы составила 0,0366. Это снижает защитные ограничения, но также означает отсутствие встроенной фильтрации и повышенную ответственность пользователя при развертывании, особенно в публичных сервисах. Модель наследует ограничения и смещения Qwen3-8B. Лицензия указана как Apache 2.0, унаследованная от базовой модели.

inferencerlabs/Qwen3.8-Flash-Next-MLX-Q4i — квантизированная сборка модели Qwen3.8-Flash-Next на базе MLX, подготовленная inferencerlabs для запуска на устройствах Apple Silicon. README не указывает исходного разработчика базовой модели и не раскрывает её архитектуру, количество параметров или точные размеры контекстного окна. Модель предназначена для мультимодального инференса в сценариях, где требуется обработка текста и изображений, включая работу через Inferencer app. В метаданных указана задача image-text-to-text. Сборка использует формат Q4-INF, оптимизированный для сохранения общей точности при ограничении памяти около 128 GiB. На M5 Max заявлена скорость около 57,5 токена в секунду при использовании примерно 98,7 GiB памяти. К сильным сторонам относятся мультимодальность, адаптация к MLX и повышенная эффективность по памяти по сравнению с полной версией модели. Ограничения включают высокие требования к оперативной памяти, зависимость от совместимого оборудования и программной среды, а также возможное снижение точности из-за квантизации. Указанные в README метрики относятся к конвертации GLM 5.1, поэтому их нельзя напрямую считать оценкой этой модели. Язык модели, точное число поддерживаемых языков и лицензия в README не указаны.

Это GGUF-конверсия модели Qwen3.8-Flash-Next-W4A16-NVFP4, основанной на Qwen/Qwen3.8-Flash-Next. Модель предназначена для диалогового взаимодействия с текстом и изображениями; для мультимодального запуска основной файл нужно загружать вместе с проектором зрения mmproj, который входит в репозиторий. Веса маршрутизируемых экспертов представлены в формате W4A16 NVFP4, а внимание, общие эксперты, маршрутизаторы, эмбеддинги, PLE и другие сохранённые тензоры — в BF16 или F32. Основной файл имеет размер 180,4 ГБ; проектор зрения BF16 — 907,5 МБ. Для запуска требуется сборка llama.cpp с поддержкой Qwen4Exp и NVFP4 GGUF. Веса MTP в набор не входят. В метаданных указана лицензия other, поэтому конкретные условия использования следует сверить с лицензией исходной модели. Сведения о поддерживаемых языках и длине контекста в предоставленных материалах отсутствуют.

Qwen3.5-2B-GGUF — это квантизированная версия модели Qwen3.5-2B, разработанной командой Qwen. Модель представлена в формате GGUF и подготовлена пользователем bartowski с использованием llama.cpp и метода imatrix. В метаданных она обозначена как модель преобразования изображений и текста в текст, однако подробные сведения о поддерживаемых модальностях, языках и длине контекста в README не указаны. Модель предназначена для локального запуска через llama.cpp и совместимые приложения, включая LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие инструменты. Доступны варианты с разной степенью квантизации — от BF16 до Q2_K_L, включая Q4, Q5, Q6 и Q8; размеры файлов составляют примерно от 1,18 до 3,90 ГБ. В README рекомендуются, в частности, варианты Q4_K_M, Q5_K_M, Q6_K и Q6_K_L как обеспечивающие хороший баланс размера и качества. Ключевое преимущество сборки — возможность экономичного локального использования модели на устройствах с ограниченными ресурсами при выборе подходящего уровня квантизации. Более сильная квантизация уменьшает требования к памяти, но может снижать качество генерации; низкобитные варианты прямо описаны как имеющие низкое или очень низкое качество. Для запуска требуется совместимый инструмент с поддержкой данной архитектуры и формата GGUF. Лицензия модели — Apache-2.0. В README также указана поддержка MTP-слоёв в новых версиях llama.cpp с использованием параметра --spec-type draft-mtp.

sentence-transformers/roberta-base-nli-mean-tokens — модель sentence-transformers, обученная командой Sentence Transformers на основе RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768; архитектура содержит около 151,8 млн параметров, а максимальная длина контекста составляет 514 токенов. Модель принимает текст и выдаёт эмбеддинги, которые можно использовать для семантического поиска, сравнения предложений и кластеризации. Репозиторий содержит веса в форматах PyTorch, TensorFlow, ONNX и OpenVINO; лицензия — Apache-2.0. В README модель помечена как устаревшая: качество её эмбеддингов низкое, поэтому для новых проектов рекомендуется выбрать более современную модель для эмбеддингов предложений. Карточка не указывает поддерживаемые естественные языки.

simplescaling/s1.1-7B — плотная языковая модель семейства Qwen2, дообученная SimpleScaling на наборе s1K-1.1 на основе Qwen/Qwen2.5-7B-Instruct. Она предназначена для диалоговой генерации текста и ответов на инструкции; карточка также отмечает интерфейс для вызова инструментов. Модель содержит 7,1 млрд параметров, работает через Transformers и имеет контекст до 32 768 токенов. Модель не оценивалась авторами, поэтому её качество и надёжность не подтверждены; авторы рекомендуют вместо неё вариант s1.1-32B. В метаданных нет сведений о лицензии, поэтому условия использования определить нельзя.

Pravallika6/scibert-cross-domain-embeddings — модель Sentence Transformer, дообученная разработчиком на базе allenai/scibert_scivocab_uncased для получения векторных представлений научных текстов. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768; сходство между ними можно оценивать косинусной мерой, а сами эмбеддинги использовать для поиска и извлечения релевантных текстов. Архитектура включает BERT с пулингом по CLS-токену; модель содержит 137,1 млн параметров и принимает последовательности длиной до 512 токенов. Модель ориентирована на текстовый поиск и сравнение научных предложений и абзацев, в том числе в разных предметных областях. Обучение проводилось с TripletLoss на наборе из 7 446 примеров. Базовая SciBERT предназначена для англоязычных научных текстов, поэтому применимость к другим языкам не подтверждена. Лицензия в предоставленных данных не описана.

Sentence-Sarashina-Bi-0.5B-PT — японская модель эмбеддингов предложений, разработанная iamtatsuki05. Она дообучена на базе iamtatsuki05/sarashina2.2-Bi-0.5b с помощью слабоконтролируемого контрастивного обучения на наборе cl-nagoya/ruri-dataset-v2-pt. Модель использует архитектуру Llama и sentence-transformers; содержит 661,9 млн параметров и формирует векторы размерности 1280 с помощью mean pooling. Модель предназначена для семантического сравнения японских текстов и поиска по смыслу, включая получение эмбеддингов для retrieval-систем. Поддерживает последовательности до 8192 токенов, использует SentencePiece и косинусную меру сходства. В README английский указан в заголовке, но среди заявленных языков поддержки указана только японская. Модель распространяется по лицензии MIT. Это специализированный энкодер для векторного представления текста; README не описывает генерацию ответов или диалоговое применение.

Карточка модели Veritone/siglip2-large-patch16-256 на Hugging Face совпадает с карточкой google/siglip2-large-patch16-256, поэтому описание составлено по ней. SigLIP 2 Large — большая модель визуально-языкового кодировщика, разработанная Google. Она расширяет подход SigLIP дополнительными методами предобучения, улучшая семантическое понимание изображений, локализацию объектов и получение плотных визуальных признаков. Модель предобучена на наборе WebLI и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для классификации изображений по текстовым описаниям без специального дообучения, поиска изображений по тексту и текста по изображению, а также использования в качестве визуального энкодера для визуально-языковых моделей и других задач компьютерного зрения. На вход подаются изображения и, для классификации, набор текстовых меток; результатом служат оценки соответствия изображения и меток или визуальные признаки. Лицензия — Apache-2.0. Карточка не приводит ограничений по языкам или длине контекста; качество зависит от изображений, формулировок текстовых меток и области применения, а для специализированных сценариев может потребоваться дополнительная проверка или адаптация.

SmolLM2-135M-Instruct-bnb-4bit — компактная инструкционная языковая модель, опубликованная Unsloth на основе SmolLM2-135M-Instruct от Hugging FaceTB. Модель предназначена для локального и встраиваемого использования, когда важны небольшой размер и низкие требования к ресурсам. Она поддерживает задачи генерации и обработки текста, включая следование инструкциям, переписывание, суммаризацию и function calling. Указанный язык — английский. Модель содержит 135 млн параметров и поставляется в виде предварительно квантованной 4-битной версии с использованием bitsandbytes. Это снижает требования к памяти и делает модель пригодной для запуска на устройствах с ограниченными ресурсами, однако компактный размер может ограничивать качество сложного рассуждения, полноту знаний и устойчивость ответов по сравнению с более крупными моделями. README не указывает точную архитектуру, длину контекста, дополнительные модальности и результаты бенчмарков именно для этой версии. Модель распространяется по лицензии Apache-2.0. Для работы предполагается использование экосистемы Transformers; формат квантования и инструкция по применению ориентированы на локальный запуск и дообучение с инструментами Unsloth.

Экспериментальная модель эмбеддингов mayflowergmbh на основе SmolLM3 3B от Microsoft, дообученная с помощью LoRA для поиска по немецким текстам и оценки семантического сходства. Она преобразует текст векторовое представление размерностью 2048 и подходит для задач информационного поиска и сравнения предложений; совместима с библиотекой sentence-transformers. Архитектура основана на Llama и использует подход LLM2Vec: двунаправленное внимание и mean pooling. Метаданные указывают контекст модели 65 536 токенов, однако карточка README задаёт максимальную длину последовательности 512 токенов, после которой текст обрезается. Модель ориентирована на немецкий язык; качество для других языков не оценивалось. Для инференса требуется около 6 ГБ видеопамяти. Модель выпущена под лицензией Apache 2.0. В README она обозначена как экспериментальная; заявленное преимущество — настройка на немецкий информационный поиск с контрастивным обучением и подбором трудных негативных примеров.

SPLADE-v2-distil — разреженный энкодер для поиска по предложениям и абзацам, представленный в карточке модели Naver. Он преобразует текст в разреженный вектор размерности 30 522; сходство между векторами оценивается скалярным произведением. Модель основана на distilbert/distilbert-base-uncased и использует архитектуру DistilBERT с MLM и max-пулингом SPLADE. Максимальная длина входа — 512 токенов, а для воспроизведения оценки в карточке указано ограничение 256 токенов. Модель предназначена для семантического поиска, разреженного поиска и извлечения релевантных фрагментов, включая поиск пассажей. Подходит для кодирования запросов и документов в поисковой системе, поддерживающей sparse-векторы. В метаданных указаны английский язык и датасет MS MARCO. Распространяется по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространяет ограничения на коммерческое использование и производные работы на тех же условиях.

NVIDIA FastConformer-Hybrid Large для арабского языка — модель автоматического распознавания речи, разработанная NVIDIA и доступная для работы через NeMo. Она преобразует аудио в текст и поддерживает знаки пунктуации: точки, арабские запятые и вопросительные знаки. Модель построена на архитектуре FastConformer с гибридным декодером Transducer (RNNT) и CTC и содержит около 115 млн параметров. Она обучена на примерно 760 часах арабской речи из MASC, Common Voice 17.0 и Fleurs. На вход подаются монофонические WAV-файлы с частотой 16 кГц; модель работает в нестриминговом режиме. На выходе — арабский текст без диакритических знаков, которому может потребоваться обратная нормализация. Модель предназначена для транскрибирования арабской речи и разрешена для коммерческого и некоммерческого использования по лицензии CC BY 4.0. Точность зависит от шума, акцента, типа речи и контекста; качество может снижаться на диалектной речи и незнакомой терминологии. Она не предназначена для критически важных сценариев.

SuperCombo — языковая модель для генерации текста, созданная слиянием BarryFutureman/WildMarcoroni-Variant1-7B и paulml/OmniBeagleSquaredMBX-v3-7B с помощью LazyMergekit. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров; веса представлены в формате safetensors. Для объединения применён метод slerp с параметрами, заданными отдельно для слоёв внимания и MLP. Модель принимает текстовые запросы и генерирует текст, поддерживая контекст до 32 768 токенов. Карточка не описывает специализированные предметные области или конкретные языки. Условия лицензии в предоставленных данных не указаны.