I.3Извлечение и структурирование данных

lzjever/pullot_qa_legal — модель на архитектуре BERT, опубликованная в формате PyTorch и подготовленная с помощью Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации. В обучении применялась MultipleNegativesRankingLoss с косинусным сходством. Модель предназначена для поиска и сопоставления текстов, в том числе вопросов и ответов в юридических материалах, что следует из названия репозитория; README описывает её общие сценарии работы с эмбеддингами. Размер модели — 129,5 млн параметров, контекст — до 512 токенов. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

PunjabiSBERT-STS — модель эмбеддингов предложений, разработанная L3Cube-Pune в рамках проекта MahaNLP. Это дообученная на наборе STS модель PunjabiSBERT, основанная на l3cube-pune/punjabi-sentence-bert-nli. Она предназначена для оценки семантического сходства между предложениями на панджаби и получения векторных представлений предложений для поиска и сравнения текстов. Модель использует архитектуру BERT и содержит 264,8 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch, а для получения эмбеддингов README описывает использование Sentence-Transformers либо трансформера Hugging Face с подходящей операцией pooling. Лицензия — CC BY 4.0.

jaeyong2/Qwen2.5-7B-Instruct-Thai-SFT — дообученная авторами репозитория на тайском языке инструктивная языковая модель на основе Qwen/Qwen2.5-7B-Instruct. Она предназначена для диалогов и генерации ответов по инструкциям; метаданные также указывают интерфейс для вызова инструментов. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Указанные языки — тайский и английский. Модель загружается через Transformers, веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. README не содержит дополнительных сведений о данных дообучения, оценках качества или ограничениях, поэтому пригодность для конкретного сценария следует проверять самостоятельно.

PatataAliena/Qwen2.5-VL-7B-Instruct-Q4_K_M-GGUF — это мультимодальная instruction-модель в формате GGUF, созданная на основе Qwen/Qwen2.5-VL-7B-Instruct, разработанной командой Qwen. Репозиторий содержит конвертированную с помощью llama.cpp и сервиса GGUF-my-repo версию модели с 4-битным квантованием Q4_K_M и примерно 7 млрд параметров. Модель предназначена для задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации ответов, а также для обычного текстового диалога и инструкционного использования. Она рассчитана на запуск через llama.cpp, включая локальный CLI и серверный режим. В карточке указаны мультимодальность и английский язык; сведения о поддерживаемых языках помимо английского, точном размере контекста и детальных возможностях работы с изображениями отсутствуют. Ключевые преимущества — компактный квантованный формат GGUF и возможность локального запуска через llama.cpp на совместимом оборудовании. Квантование уменьшает требования к памяти, но может снижать точность по сравнению с исходной моделью. Для работы необходима совместимая сборка llama.cpp и соответствующее аппаратное обеспечение; ограничения производительности и качества зависят от конфигурации запуска. Указанная лицензия — Apache-2.0.

Youssofal выпустил BF16-версию Qwen3.6-27B с ослабленным поведением отказа, созданную с помощью Heretic. Это плотная мультимодальная модель на 27,8 млрд параметров с 64 текстовыми слоями, гибридным вниманием и архитектурой для обработки изображений и видео. Изменения внесены в текстовую часть весов; визуальная архитектура сохранена. Модель предназначена для диалогов и генерации ответов на текстовые запросы, в том числе запросы, которые исходная модель могла бы отклонить, а также для анализа изображений и видео. README сообщает о низком расхождении распределений на безвредных запросах и приводит небольшие ручные проверки отказов; эти результаты не являются широкими независимыми оценками качества. Модель работает через Transformers, а для подачи изображений и видео требуется AutoProcessor. Модель основана на Qwen/Qwen3.6-27B и распространяется под лицензией Apache-2.0. Ослабление отказов означает, что она может отвечать на потенциально вредоносные запросы; её следует применять с соответствующими мерами контроля.

Qwen3-HereticLM-4B — плотная языковая модель семейства Qwen3, созданная Yamatazen с помощью слияния SLERP двух предварительно обученных моделей: yamatazen/Qwen3-4B-HereticCPT и heretic-org/Qwen3-4B-Instruct-2507-heretic. Модель содержит 3,7 млрд параметров, работает через Transformers и распространяется в формате safetensors; для слияния использованы веса bfloat16. Модель предназначена для генерации текста и диалоговых сценариев. В карточке базовой модели отмечены abliteration для снижения частоты отказов и поддержка длинного контекста; заявленная длина контекста составляет 262 144 токена. Основной язык и отдельные специализированные области применения в предоставленных данных не определены. Модель выпущена под лицензией Apache-2.0. Данные не содержат независимых оценок качества или подробностей о поведении конкретно этого слитого чекпойнта, поэтому результаты могут зависеть от запроса и способа использования.

Phr00t подготовил GGUF-квантование iQ5KS модели Qwen3-VL-32B-Instruct-heretic-v2 с использованием imatrix. Репозиторий предназначен для запуска мультимодального диалогового ассистента, который принимает текст и изображения и отвечает текстом: например, анализирует изображения и помогает с творческими или аналитическими запросами. Автор сообщает, что использует модель для творчества и рассуждений; для работы с изображениями требуется mmproj, на который дана ссылка в README. В основе лежит дообученная модель n0kovo/Qwen3-VL-32B-Instruct-heretic-v2; лицензия — Apache-2.0. Размер контекста и поддерживаемые языки в предоставленных данных не указаны.

pzol/qwen3vl-5772-v11 — дообученная pzol мультимодальная модель семейства Qwen3-VL на базе unsloth/Qwen3-VL-8B-Instruct-bnb-4bit. Она предназначена для диалоговых задач, в которых нужно анализировать изображения и отвечать текстом; в метаданных также отмечен интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки TRL. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает специализацию дообучения, качество на конкретных задачах или ограничения; поддержка английского указана в метаданных.

timm/resnet50_clip.cc12m — модель семейства CLIP с визуальным энкодером ResNet-50, представленная как совместимая с open_clip и timm. Она обучена на наборе CC12M и предназначена для классификации изображений по текстовым описаниям без обучения на конкретных классах: модель сопоставляет изображение с предложенными текстовыми вариантами. Репозиторий доступен в форматах PyTorch и Safetensors; лицензия — MIT. Модель подходит для поиска по изображениям и отнесения изображений к заданным категориям с помощью текстовых меток. Карточка не сообщает размер модели, языковую поддержку или ограничения качества; результаты могут зависеть от формулировок текстовых описаний и набора предложенных классов.

salsabiilashifa11/sbert-paper — дообученная модель Sentence-Transformers на базе MPNet для получения эмбеддингов предложений из научных статей и сравнения их смысловой близости. Обучение использовало MultipleNegativesRankingLoss с косинусной функцией сходства. Модель предназначена для поиска и сопоставления научных текстов по смыслу, например для подбора релевантных статей или фрагментов. Это плотная архитектура MPNet с 136,7 млн параметров, контекстом до 514 токенов и весами PyTorch. На вход принимает текст, на выходе формирует контекстные представления и эмбеддинги; для сравнения предложений можно использовать косинусную близость. Язык обучения и поддержки в доступных сведениях не указан. Условия лицензирования в карточке не приведены.

SciEmbed-CTX-2048 — англоязычная модель для построения эмбеддингов научных документов, созданная авторами семейства SciEmbed на базе ModernBERT-base. Это промежуточный вариант в исследовании длины контекста: модель обучена с максимальной длиной последовательности 2048 токенов и использует предложения с контекстом цитирования как основной контрастивный сигнал. В метаданных указаны 149 млн параметров, архитектура ModernBERT encoder и поддержка контекста до 8192 токенов; README описывает вариант сканирования длины контекста 512→2K→8K. Модель предназначена для получения нормализуемых векторов предложений и научных текстов, например для поиска похожих фрагментов и семантического поиска по научным публикациям. Доступна через Sentence Transformers. Лицензия — MIT. Это промежуточная версия в серии вариантов длины контекста, поэтому её характеристики следует соотносить именно с вариантом 2048 токенов.

gokaygokay/sd3-long-captioner — дообученная версия PaliGemma с разрешением изображений 224×224. Модель предназначена для создания подробных текстовых описаний изображений; при дообучении использовались датасеты google/docci и google/imageinwords. Модель принимает изображение и выдаёт текст на английском языке. В метаданных указаны архитектура PaliGemma и библиотека Transformers. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

amixh/sentence-embedding-model-InLegalBERT-2 — модель Sentence Transformers, дообученная на базе law-ai/InLegalBERT для получения векторных представлений юридических предложений и абзацев. Она преобразует текст в плотные эмбеддинги размерности 768 и предназначена для сравнения смысловой близости по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из BERT-трансформера с усреднением токенных представлений; модель содержит 139 млн параметров. Метаданные указывают контекст до 512 токенов, тогда как README описывает максимальную длину последовательности 320 токенов. Базовая InLegalBERT обучена на юридических документах Индии; для этой модели в данных указан англоязычный юридический контекст. Лицензия в предоставленных источниках не указана.

Shenava Koochik v1.0 — модель распознавания персидской речи из семейства Shenava-1, разработанная автором репозитория Reza2kn. Это исходный чекпойнт NeMo в формате FP32 с 114 млн параметров, основанный на NVIDIA stt_fa_fastconformer_hybrid_large и дообученный для персидского автоматического распознавания речи. Архитектура FastConformer Hybrid RNNT/CTC; в опубликованных вариантах развёртывания используется CTC-голова. Модель принимает одноканальную персидскую речь с частотой дискретизации 16 кГц и выдаёт текст на персидском языке. Поддерживаются режимы с несколькими настройками контекста; модель предназначена для оценки, дальнейшей тонкой настройки и экспорта. В опубликованных тестах указаны WER 7,49% на visualears-golden-6669 и 10,64% на FLEURS-fa при контексте [70,13] и принятой авторами нормализации текста. Качество распознавания может снижаться из-за акцента, шума, наложения речи, особенностей канала записи и переключения языков; важные по смыслу расшифровки следует проверять. Лицензия — Apache-2.0.

Это корейская модель для оценки семантического сходства предложений, разработанная автором репозитория на основе klue/roberta-base. Она кодирует предложения и позволяет сравнивать их смысловую близость по косинусному сходству. Модель построена на RoBERTa, содержит 137,8 млн параметров и принимает последовательности длиной до 514 токенов по метаданным; в описанных экспериментах использовалась максимальная длина 64 токена. Модель обучалась с учителем на KorNLI-train в течение одной эпохи с методом SimCSE и проверялась на KorSTS-dev и Klue-dev. Она предназначена для поиска семантически близких предложений и сравнения формулировок на корейском языке. Репозиторий распространяется по лицензии MIT.

SmolLM2-1.7B-Instruct-GGUF — компактная языковая модель для генерации текста и выполнения инструкций, разработанная HuggingFaceTB. Эта версия представляет собой GGUF-квантизацию оригинальной модели SmolLM2-1.7B-Instruct, подготовленную bartowski на основе llama.cpp. Модель предназначена для диалоговых сценариев, генерации текста и других задач обработки естественного языка, где важны умеренные требования к ресурсам. Она обучалась на наборе данных объёмом 11 триллионов токенов, поддерживает контекст до 8192 токенов и заявлена для английского языка. Размер модели — 1,7 миллиарда параметров. К сильным сторонам относятся компактность и формат GGUF, подходящий для использования с совместимыми инструментами экосистемы llama.cpp. Ограничениями являются меньший размер по сравнению с крупными языковыми моделями, заявленная поддержка только английского языка и возможные неточные, вредные или неподходящие ответы. Модель распространяется по лицензии Apache 2.0.

unsloth/SmolLM2-360M-Instruct — компактная инструктивная языковая модель, опубликованная Unsloth на основе HuggingFaceTB/SmolLM2-360M-Instruct. Это плотная авторегрессионная модель семейства Llama с 361,8 млн параметров, предназначенная для генерации текста и диалогов. Карточка Unsloth описывает её в контексте дообучения и упоминает шаблоны ShareGPT ChatML и Vicuna; семейство SmolLM2 также рассчитано на запуск на устройствах с ограниченными ресурсами. Модель принимает текст и генерирует текст. Для инструктивной версии семейства заявлены следование инструкциям, переписывание и суммаризация текста, а также вызов функций. Метаданные указывают поддержку английского языка и контекст длиной до 8192 токенов. Репозиторий использует формат safetensors, библиотека — Transformers. Лицензия — Apache-2.0. Это производная модель, отмеченная в метаданных как дообучение HuggingFaceTB/SmolLM2-360M-Instruct. README ссылается на исходную карточку Hugging Face и содержит сведения о семействе, поэтому отдельные качества и возможности именно этой версии Unsloth могут зависеть от конкретного чекпойнта; русскоязычная поддержка не подтверждена.

SmolTulu-1.7b-Reinforced — компактная языковая модель SultanR, основанная на SmolTulu-1.7b-Instruct и дообученная с подкреплением на основе проверяемых вознаграждений (RLVR) в рамках посттренировочного конвейера Tulu 3 от AllenAI. Это плотная авторегрессионная модель семейства Llama с 1,7 млрд параметров; она рассчитана на диалоги, выполнение инструкций и генерацию текста. Модель ориентирована прежде всего на английский язык и принимает текстовый ввод, выдавая текст. В карточке приведены результаты сравнительных оценок: модель показала 61,0 на GSM8K и 51,1 на ARC, а также прошла оценку IFEval; эти показатели описывают тесты автора и не гарантируют качество на других задачах. Контекст составляет 8192 токена. Модель доступна в формате safetensors для запуска через Transformers и распространяется по лицензии Apache-2.0.

Step3 — мультимодальная модель рассуждений компании StepFun на архитектуре Mixture-of-Experts с 321 млрд общих и 38 млрд активных параметров. Она предназначена для анализа изображений вместе с текстом и ответов в диалоговом формате. В архитектуре используются Multi-Matrix Factorization Attention и Attention-FFN Disaggregation; заявленная цель этих решений — повысить эффективность генерации и снизить её стоимость. Для обработки изображений поддерживается разбиение на несколько патчей. Модель можно запускать через Transformers, vLLM и SGLang; карточка указывает поддержку инференса в bf16, а веса представлены в bf16 и block-fp8. Метаданные также отмечают интерфейс вызова инструментов. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает поддерживаемые естественные языки и длину контекста, поэтому эти характеристики здесь не уточняются.

jadanovitch опубликовал инфраструктурную конверсию текстового энкодера из google/t5gemma-2-270m-270m для запуска в vLLM. Модель содержит 257 млн параметров, 18 слоёв, скрытый размер 640 и двунаправленное внимание; веса и активации представлены в BF16. Контекст составляет до 32 768 токенов. Энкодер предназначен для представления текста и сценариев поиска, извлечения информации и переранжирования. Несмотря на тег text-generation и возможность загрузки через generation runner в vLLM, модель не обучалась как самостоятельная авторегрессионная языковая модель и не предназначена для обычной генерации текста. Веса декодера, зрения и мультимодальные компоненты исключены. Применяются условия лицензии Gemma.

SetFit/test-setfit-sst2-diff-head — модель классификации текста на основе BERT и подхода SetFit. В репозитории SetFit её использовали как тестовый пример; разработчики отмечают, что модель не обучалась для достижения высокого качества. Чекпойнт содержит около 25,9 млн параметров и рассчитан на входные последовательности длиной до 512 токенов. SetFit сочетает дообучение Sentence Transformer контрастивным обучением и обучение классификационной головы на полученных признаках. Модель предназначена для классификации текста; каталог также отмечает извлечение признаков и оценку сходства предложений. Поддерживает обработку текста и выдаёт классы и текстовые эмбеддинги. Используется формат PyTorch; лицензия Apache-2.0.

Theia-21B-v2-GGUF — это набор GGUF-квантизированных версий языковой модели Theia-21B-v2, разработанной TheDrummer. Квантизацию выполнил bartowski с использованием llama.cpp b3715 и метода imatrix. Модель относится к задачам генерации текста и предназначена для локального запуска, в том числе через LM Studio, с применением шаблона промпта <s> [INST] {prompt}[/INST]. Модель имеет размер 21 млрд параметров в исходной версии; доступны варианты от F16 размером 40,86 ГБ до IQ2_M размером 7,19 ГБ. Представлены различные форматы квантования Q2–Q8, включая варианты, оптимизированные для ARM. Более качественными считаются Q5–Q8, а Q4_K_M указан как вариант по умолчанию для большинства сценариев с ограниченными ресурсами. Некоторые версии используют Q8_0 для embedding- и output-весов, что помогает сохранить качество при уменьшении размера. Преимущество набора — широкий выбор компромиссов между качеством, размером и требованиями к памяти, а также поддержка локального инференса через совместимые инструменты llama.cpp. Ограничения включают снижение качества в низкобитных вариантах и отсутствие в представленном README сведений об архитектуре исходной модели, длине контекста, языках, мультимодальности и результатах оценки. Лицензия указана как other; конкретные условия использования не раскрыты.

TurkSpeak lv3-ITU_Mainframe — модель распознавания турецкой речи, созданная на базе Whisper large-v3. Это дообученная LoRA-версия примерно на 905,2 млн параметров, после чего сохранённые контрольные точки усреднили методом MAST; усреднение не увеличивает затраты при инференсе. Репозиторий содержит веса в формате safetensors. Модель предназначена для транскрибации турецкой спонтанной, эфирной и медицинской речи. По результатам README, она показала меньшую ошибку распознавания, чем исходная Whisper large-v3, на четырёх указанных тестовых наборах; результаты измеряли через faster-whisper с beam size 5 и fp16. Эти результаты характеризуют только приведённые наборы и настройки. Лицензия — Apache-2.0.

VerB-Etheria-55b — экспериментальное объединение моделей в стиле Goliath, созданное автором SteelStorage как вариант VerB с равным вкладом двух моделей Yi-34B. Модель предназначена для генерации текста и диалоговых сценариев; в карточке приведены результаты оценок на нескольких тестах, включая AI2 Reasoning Challenge и HellaSwag. Модель имеет плотную архитектуру семейства Llama с 55,1 млрд параметров и контекстом до 200 000 токенов. Веса опубликованы в формате safetensors. README описывает merge как попытку получить функциональную модель такого размера, поэтому качество и пригодность для конкретных задач следует проверять самостоятельно. Лицензия — Apache 2.0.

Это визуальный энкодер CLIP из библиотеки timm: модель ViT-Huge с патчами 14×14, входным размером изображения 224 пикселя и весами, обученными на LAION-2B. Репозиторий содержит только энкодер изображений, а не полный CLIP с текстовым энкодером. Модель извлекает признаки изображений для построения эмбеддингов и последующего использования в поиске по изображениям, кластеризации или других задачах компьютерного зрения. Для сравнения изображений с текстом потребуется отдельный совместимый текстовый энкодер. Весовые файлы доступны в форматах PyTorch и safetensors по лицензии Apache-2.0.

Модель timm/vit_so400m_patch16_siglip_512.v2_webli — визуальный энкодер SigLIP 2 на архитектуре ViT, предназначенный для библиотеки timm. Это только image encoder, соответствующий визуальной части модели SigLIP 2; он обучен на наборе данных WebLI. Модель преобразует изображения в признаки и подходит для извлечения визуальных представлений, например, для последующего сравнения или поиска изображений.

saribalgar/wav2vec2-base-timit-ms — дообученная модель распознавания речи на архитектуре Wav2Vec2ForCTC, основанная на facebook/wav2vec2-base. Она принимает аудио и преобразует речь в текст; карточка сообщает метрики на оценочной выборке: loss 0,7589 и WER 0,3722. Модель содержит 113,3 млн параметров и опубликована в формате PyTorch. Модель распространяется по лицензии Apache-2.0. В README набор данных назван None, а описание сценариев применения и ограничений отсутствует, поэтому область обучения и поддерживаемые языки по доступным данным определить нельзя.

cahya/wav2vec2-base-turkish — модель автоматического распознавания речи, дообученная на турецком наборе Common Voice 7.0. Она построена на архитектуре Wav2Vec2 с CTC-головой и содержит 113,3 млн параметров. Модель принимает аудио и преобразует турецкую речь в текст. В README приведены результаты оценки на Common Voice 6.1, 7.0 и 8.0: WER составляет соответственно 9,437, 8,147 и 8,335, а CER — 3,325, 2,802 и 2,336. Для дообучения также использовались Media Speech и Magic Hub. Модель распространяется по лицензии Apache-2.0; показатели оценки относятся к указанным наборам данных и не гарантируют аналогичное качество на других типах записей.

Модель nguyenvulebinh/wav2vec2-base-vi-vlsp2020 — акустическая модель распознавания вьетнамской речи на архитектуре wav2vec2, представленная автором репозитория. Она предварительно обучена на 13 тысячах часов неразмеченной вьетнамской речи из YouTube, а затем дообучена на 250 часах размеченных данных VLSP ASR. Модель содержит 113,3 млн параметров и принимает речь с частотой дискретизации 16 кГц. Модель предназначена для преобразования вьетнамской речи в текст. В тесте VLSP T1 автор сообщает WER 8,66 без языковой модели и 6,53 с 5-граммовой языковой моделью. Эти результаты относятся к указанному тестовому набору и не гарантируют такое же качество на других типах аудио. Для использования модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое применение.

Модель classla/wav2vec2-large-slavic-parlaspeech-hr-lm предназначена для автоматического распознавания хорватской речи. Она разработана на основе facebook/wav2vec2-large-slavic-voxpopuli-v2 и дообучена на 300 часах аудиозаписей и расшифровок из набора ParlaSpeech-HR v1.0, содержащего выступления в парламенте Хорватии. Дополнительно применена 5-граммовая языковая модель на основе ParlaMint. Это модель Wav2Vec2 с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров. На тестовой части ParlaSpeech-HR v1.0 указаны CER 0,0188 и WER 0,0430; результаты относятся к этому набору данных и не гарантируют такую же точность на других аудио. Модель принимает аудио и выдаёт текстовую расшифровку. Лицензия в предоставленных данных не указана.