I.3Извлечение и структурирование данных

PandaLLMCommunity/panda-index-large-en — модель на архитектуре BERT, опубликованная в формате PyTorch и предназначенная для преобразования предложений и абзацев в плотные эмбеддинги размерностью 1024. Её можно использовать для семантического поиска, сравнения сходства текстов и кластеризации; модель совместима с библиотекой Sentence Transformers и поддерживает контекст до 512 токенов. В метаданных указано 433,9 млн параметров. README не сообщает датасеты, результаты оценки или конкретные ограничения качества. Название и описание указывают на ориентацию на английский язык. Условия лицензии в предоставленных данных не указаны.

QVikhr-3-8B-Instruction — русско-английская инструктивная языковая модель команды Vikhr, основанная на Qwen/Qwen3-8B и дообученная методом SFT на синтетическом датасете GrandMaster2. Это плотная трансформерная модель для генерации текста и диалоговых ответов; она также предоставляет интерфейс вызова инструментов. Модель содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Модель предназначена для следования инструкциям, ответов с учётом контекста и анализа текста, с особым вниманием к русскому языку при поддержке английского. В карточке также приведены результаты оценки DOoM по математике и физике, однако они не гарантируют качество на других задачах. Репозиторий содержит веса в формате Safetensors; README также ссылается на отдельные квантованные варианты GGUF и MLX. Лицензия — Apache-2.0.

RedHatAI/Qwen3.5-4B-FP8-dynamic — мультимодальная модель RedHatAI, созданная на основе Qwen/Qwen3.5-4B. Она принимает текст и изображения, а генерирует текст, поэтому предназначена для диалогов, анализа изображений, ответов на вопросы, следования инструкциям и решения задач рассуждения. Указанная конфигурация рассчитана на инференс через vLLM и поддерживает текстовый режим с пониженным потреблением памяти. Модель использует архитектуру Qwen/Qwen3.5-4B и контекст до 262 144 токенов при развертывании с рекомендованными параметрами. Веса и активации линейных операторов внутри трансформерных блоков динамически квантизированы в FP8; для активаций применяется масштабирование на уровне тензора без калибровочных данных. Размер на диске составляет около 8,0 ГБ вместо 9,3 ГБ у версии BF16, что уменьшает требования к памяти примерно на 14%. Языки в README не указаны. По опубликованным оценкам, квантизация в целом сохраняет качество базовой модели: результаты на GSM8k-Platinum, MMLU-Pro, IFEval, Math 500, AIME 2025 и GPQA Diamond близки к показателям исходной Qwen/Qwen3.5-4B. Ограничения включают отсутствие подробных сведений о языковой поддержке и аппаратных требованиях; качество также может зависеть от поддержки FP8 и используемого рантайма. Модель распространяется по лицензии Apache-2.0.

AMAImedia выпустила эту сборку в рамках платформы NOESIS; это текстовая версия NeoHorse-1-9B, объединённая из Qwen/Qwen3.5-9B и TokenRhythm/NeoHorse-1-9B. Модель использует плотную архитектуру Qwen3.5 для генерации текста и диалога, а репозиторий содержит GGUF и safetensors; метаданные указывают 7,2 млрд параметров и контекст до 262 144 токенов. Исходный NeoHorse дообучен для работы с агентными сценариями, инструментами, кодом и инструкциями, а в README для этой сборки также описана абляция отказов (abliteration). Модель ориентирована на многоязычный текстовый вывод, включая английский, русский, китайский и другие языки из метаданных. Она подходит для локального диалога, следования инструкциям, задач программирования и текстовых агентных систем с инструментами. Заявленные результаты NeoHorse относятся к исходной модели; README не приводит отдельной оценки качества именно этой сборки. Это текстовая сборка без весов зрения, а запуск примеров для перепакованного релиза на GPU не проверен. Лицензия — Apache-2.0.

GestaltLabs/Qwen3.6-35B-A3B-NSC-ACE-SABER-GGUF — набор квантованных сборок модели GestaltLabs/Qwen3.6-35B-A3B-NSC-ACE-SABER в формате GGUF для запуска через llama.cpp и совместимые среды. Модель основана на Qwen/Qwen3.6-35B-A3B и имеет конфигурацию на 35B параметров с обозначением A3B; точные архитектурные детали в карточке не раскрыты. Указан английский язык. Репозиторий также содержит компоненты для мультимодальной работы с изображениями и видео, включая visual tower sidecar, поэтому модель предназначена для текстовой генерации и сценариев image-text-to-text при наличии поддержки со стороны используемого runtime. Основные сценарии применения — диалоговые приложения, локальный inference, агентные системы и вызов инструментов. NSC-ACE ориентирован на более стабильный выбор функций, заполнение аргументов и снижение повторяющихся циклов вызова инструментов, а SABER использован как этап калибровки. На исходной safetensors-модели показатель tool-call rate в проверке BFCL составил 95%, точность имён функций — 95%, точность значений обязательных аргументов — 83,54%, а exact required-call accuracy — 77,50%; эти результаты не гарантируются для каждой квантованной версии. В примерах запуска используется контекст 32768 токенов, но максимальный размер контекста явно не указан. Доступны варианты от F16 и Q8_0 до Q2_K. F16, Q8_0, Q6_K и Q5_K_M лучше сохраняют качество, тогда как Q4_K_M предназначен для более ограниченных систем, а Q3 и Q2 требуют компромиссов по качеству, форматированию, точности аргументов и калибровке отказов. Метрики HarmBench-300 и KLD приведены для исходной модели до квантования, поэтому квантованные файлы следует проверять отдельно. Лицензия — Apache-2.0.

Qwen3.8-27B-AWQ-5.0bpw-Sharp — мультимодальная плотная модель на базе Qwen/Qwen3.8-27B, подготовленная mrKola для запуска на Apple Silicon через oMLX. Это вариант с квантизацией AWQ 5,00 бита на параметр и группами размера 64; модель занимает около 17,36 ГБ. Архитектура сочетает GatedDeltaNet и полнослойное внимание, включает визуальный модуль и встроенную голову MTP. Базовая модель имеет контекст до 256 тысяч токенов. Модель предназначена для диалогов, анализа изображений, программирования, рассуждений и многошаговых задач; интерфейс также предусматривает вызов инструментов. Калибровка учитывала текст и изображения, включая диаграммы и фотографии. В README приведены результаты HumanEval, GSM8K и MMLU, однако они сравнивают две квантизованные сборки, а не дают независимую оценку качества. Указанные скорости измерены на M5 Max с oMLX и не гарантируют такую же производительность на другом оборудовании. Модель распространяется по лицензии Apache-2.0. Качество на длинном контексте с ускорением SpecPrefill и моделью-черновиком с несовпадающим токенизатором не измерено; README рекомендует проверять такие сценарии на собственных данных.

Chungulus/Qwen3.8-27B-GPTQ-INT4-G128 — это квантизированный вариант базовой модели Qwen/Qwen3.8-27B, разработанной командой Qwen. Репозиторий содержит deployment-вариант, а не дообученную модель. Квантизация выполнена с помощью GPTQModel в формате GPTQ с 4-битными весами и размером группы 128; размер артефакта составляет около 18,2 ГиБ. Модель предназначена для генерации текста и сценариев image-text-to-text, включая работу с изображениями, кодом, отладкой, математикой, научными задачами, структурированными ответами, инструментами, многоязычными запросами и контекстами большой длины. В сборке сохранены поддержка vision и schema-valid XML tool calls. Точная длина контекста, перечень поддерживаемых языков и требования к производительности в README не указаны. К сильным сторонам относятся существенное снижение размера модели за счёт INT4-квантизации, сохранение визуальных и инструментальных возможностей, а также близость к исходной модели по численным метрикам: top-1 agreement составляет 0,9355, а logit cosine similarity — 0,9950. Ограничения включают возможное снижение качества после квантизации, зависимость совместимости от точной версии GPTQModel и родительской ревизии, а также низкую скорость на протестированной конфигурации с CPU offload: RTX 4070 12 ГБ показала медианную скорость декодирования 0,075 токена в секунду. Поддержка speculative decoding не заявлена. Модель распространяется по лицензии Apache-2.0. Тестирование проводилось с GPTQModel 7.3.4+ на NVIDIA GeForce RTX 4070 12 ГБ в WSL2 Ubuntu 24.04; приведённые показатели производительности не являются гарантией чисто GPU-режима.

OsaurusAI/Qwen3.8-27B-MXFP8 — квантованная версия мультимодальной модели Qwen/Qwen3.8-27B, подготовленная Jinho Jang из Osaurus AI для Apple Silicon и MLX. Это плотная модель на 27 млрд параметров с гибридной архитектурой из 64 слоёв: 48 слоёв GatedDeltaNet и 16 слоёв gated full-attention. Она поддерживает работу с текстом, изображениями и видео, а также сохраняет нативную multi-token-prediction head. Модель предназначена для визуально-языковых задач, рассуждений, программирования, агентских сценариев и использования инструментов. Нативный контекст составляет 262 144 токена и может быть расширен до 1 млн. По умолчанию включён режим рассуждений с настраиваемым уровнем reasoning_effort от low до xhigh; предусмотрены отдельные параметры для обычного режима инструкций. Для запуска рекомендуется mlx-vlm, а для работы требуется Apple Silicon с не менее чем 32 ГБ объединённой памяти. Ключевое свойство этой версии — равномерное 8-битное квантование MXFP8 с размером группы 32 для 580 модулей без калибровки Hessian, AWQ и imatrix refit; 27 проекций vision-блоков оставлены в fp16. Размер на диске составляет около 26,4 ГиБ. На отложенных тестах относительно исходной bf16-модели зафиксированы медианный KL 0,0189, совпадение top-1 95,83% и скорость декодирования до 29,3 токена/с на M5 Max при оптимальной глубине спекуляции 2. При этом автор прямо указывает, что версия уступает калиброванным вариантам по качеству и служит структурным fallback-решением, а показатели ускорения зависят от типа запроса. Модель распространяется по лицензии Apache-2.0.

RadixArk Qwen3.8-Flash-Next-NVFP4 — кандидатный релиз RadixArk, представляющий квантованную версию мультимодальной модели Qwen3.8-Flash-Next. Это гибридная архитектура Transformer с Mixture-of-Experts, объединяющая GDN и разреженное QSA-внимание, multi-hyperconnection streams и PLE n-gram injection. Модель содержит около 180 млрд параметров, 48 декодерных слоёв, до 512 маршрутизируемых экспертов на MoE-слой с маршрутизацией top-10, общий эксперт и один MTP-слой. Модель принимает текст, изображения и видео, а выдаёт текст; заявленная длина контекста — до 262 тысяч токенов. Она предназначена для оценки инференса Qwen3.8-Flash-Next в задачах агентных систем, диалогов, программирования и мультимодального рассуждения. Квантование выполнено с помощью NVIDIA Model Optimizer по схеме NVFP4 W4A4 преимущественно для маршрутизируемых экспертов; размер контрольной точки уменьшен примерно с 360 до 135 ГБ. Для запуска указана интеграция с SGLang и поддержка GPU NVIDIA Blackwell, включая GB300 и B300, в Linux. По приведённым оценкам, квантование сохраняет качество в однопроходных задачах GSM8K и AIME, однако длительные агентные генерации могут выполняться дольше, чем в BF16-версии. Модель может порождать неточные, неполные, избыточные или токсичные ответы и воспроизводить предвзятость обучающих данных. Лицензия обозначена как other; условия использования необходимо смотреть у исходной модели Qwen3.8-Flash-Next.

ENOSYS/Qwen3-Embedding-0.6B-750-v1-GGUF — экспериментальная GGUF-квантизация модели Qwen3-Embedding-0.6B, подготовленная с использованием нестандартной ветки LLaMA.cpp и калибровочного набора imatrix. Модель предназначена для получения текстовых эмбеддингов и задач семантического поиска; семейство Qwen3 Embedding также описано как применимое для поиска по тексту и коду, классификации, кластеризации и поиска параллельных текстов. Модель содержит 0,6 млрд параметров, имеет контекст до 32 тысяч токенов и формирует векторы размерностью от 32 до 1024. README заявляет поддержку более 100 языков, включая русский и английский согласно метаданным, а также входных инструкций для настройки под задачу. Репозиторий распространяется в формате GGUF по лицензии Apache-2.0. README характеризует именно эту сборку как экспериментальную квантизацию и отмечает использование нестандартной ветки инструмента; отдельные показатели качества данной сборки не приведены.

Wheatley961/Raw_2_Test_1_new.model — модель Sentence-Transformers на базе архитектуры XLM-RoBERTa, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. По метаданным модель содержит 305,2 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Репозиторий содержит веса PyTorch; для получения эмбеддингов можно использовать Sentence-Transformers или Transformers с подходящей операцией pooling. Модель подходит для построения поиска по смыслу и группировки текстов. В README указано обучение с CosineSimilarityLoss. Данные о лицензии и конкретном наборе поддерживаемых языков отсутствуют в предоставленных источниках, поэтому их нельзя уточнить.

Карточка модели iliakabanov/russian-dense-retriever на Hugging Face совпадает с карточкой ai-forever/ru-en-RoSBERTa, поэтому описание составлено по ней. ru-en-RoSBERTa — модель для построения текстовых эмбеддингов, разработанная ai-forever на основе ruRoberta-large. Она дообучена на примерно 4 млн пар данных на русском и английском языках, включая синтетические, размеченные и неразмеченные примеры. Архитектура — RoBERTa с 503,5 млн параметров; модель принимает текст и выдаёт векторные представления. Для получения эмбеддингов рекомендуется CLS pooling, а выбор префикса и pooling зависит от задачи. Модель предназначена для поиска по смыслу, сравнения предложений и других задач, где нужно оценивать близость текстов. Заявлена поддержка русского и английского, однако качество на английском языке неизвестно. Максимальная длина входного текста — 512 токенов. Модель распространяется по лицензии MIT.

S3BERT от brjezierski — модель на базе BERT для преобразования предложений и абзацев в плотные эмбеддинги размерностью 384. Её можно использовать для семантического поиска и кластеризации текстов, а также для сравнения смысловой близости предложений. Модель относится к семейству Sentence Transformers, содержит около 40 млн параметров и принимает последовательности длиной до 512 токенов. В README описано обучение с функциями потерь MultipleConsistencyLoss и DistilLoss. Репозиторий содержит веса PyTorch. Лицензия в доступных данных не указана.

KingName1/sentence_transformer — модель Sentence Transformers на архитектуре MPNet, предназначенная для преобразования предложений и коротких абзацев в плотные семантические векторы размерности 768. README описывает её как дообученную на основе microsoft/mpnet-base с контрастивной целью на более чем миллиарде пар предложений; метаданные указывают 136,7 млн параметров и библиотеку sentence-transformers. Входной текст кодируется для семантического поиска, сравнения сходства и кластеризации.

CatkinChen дообучил SentenceTransformer на базе sentence-transformers/all-MiniLM-L6-v2 для получения векторных представлений предложений и абзацев. Энкодер на архитектуре BERT содержит 25,9 млн параметров, формирует плотные векторы размерности 384 и сравнивает их с помощью косинусного сходства. README указывает максимальную длину последовательности 256 токенов, а метаданные — контекст до 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации. В README приведён результат cosine accuracy 0,8857 на тестовой оценке TripletEvaluator; обучение описано на выборке из 309 примеров с TripletLoss. Данных о лицензии в предоставленных источниках нет.

embaas/sentence-transformers-e5-large-v2 — версия модели intfloat/e5-large-v2 в формате Sentence-Transformers, опубликованная embaas. Это плотная BERT-модель с 433,9 млн параметров: она преобразует предложения и абзацы в векторы размерности 1024 для поиска семантически близких текстов, кластеризации и построения семантического поиска. Модель принимает текст, а выдаёт векторные эмбеддинги; максимальная длина контекста — 512 токенов. Модель подходит для кодирования текстов в приложениях Sentence-Transformers и через API embaas. В метаданных отмечены задачи извлечения признаков и определения сходства предложений. README не сообщает ограничений качества или перечня поддерживаемых языков. Лицензия в предоставленных данных не указана.

Карточка модели rsilveira79/setfit-minilm-distilled на Hugging Face совпадает с карточкой chiragme/setfit-minilm-distilled-ledgar, поэтому описание составлено по ней. chiragme/setfit-minilm-distilled-ledgar — модель семейства BERT на базе Sentence-Transformers, преобразующая предложения и абзацы в плотные векторы размерности 384. Её можно применять для семантического поиска, кластеризации и сравнения текстов по смыслу. В метаданных указаны 18,8 млн параметров, контекст до 512 токенов и формат PyTorch; README описывает обучение с CosineSimilarityLoss. Название репозитория указывает на связь с SetFit, MiniLM и Ledgar, однако README и метаданные не уточняют базовую модель, набор данных или специализацию обучения, поэтому эти детали нельзя подтвердить. Модель принимает текст и выдаёт векторы; лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

Silas Embedding 0.6B — многоязычная модель для получения плотных текстовых эмбеддингов, разработанная Alfo Tech Industries на базе Qwen3-Embedding-0.6B. Она преобразует текст в векторы для семантического поиска, сравнения сходства, извлечения документов и подготовки контекста для систем RAG. Модель относится к семейству Qwen3, содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. В репозитории используются веса Safetensors; модель рассчитана на работу через библиотеку Sentence Transformers. Модель предназначена для поиска по смыслу в базах знаний и документации, подбора похожих текстов и извлечения релевантных фрагментов для последующей обработки другой моделью. README приводит высокие результаты на собственных простом и сложном тестах семантического сопоставления, однако независимой оценки на внешних лидербордах нет. Качество на длинном контексте и для конкретных языков и предметных областей следует проверять отдельно; заявленная многоязычность унаследована от базовой модели. Векторное сходство не подтверждает фактическую точность найденного текста. Лицензия — Apache-2.0.

FremyCompany/stsb_ossts_roberta-large-nl-oscar23 — модель Sentence Transformers на базе RoBERTa, разработанная FremyCompany. Она преобразует предложения и абзацы в плотные векторы размерности 256 для семантического поиска, кластеризации и сравнения текстов. Модель обучалась с CosineSimilarityLoss; размер составляет 453,9 млн параметров, а максимальный контекст — 514 токенов. Доступны веса PyTorch и возможность использовать модель через Sentence Transformers. Подходит для построения эмбеддингов и поиска текстов по смыслу. Язык, на котором модель обучалась или для которого она предназначена, в предоставленных данных не установлен. Лицензия в предоставленных данных не указана.

Swift-Qwen3.8-27B-Uncensored-FP8 — модель от d0xin, представляющая собой независимую производную UkisAI Swift-Qwen3.8-27B. Она создана с применением rank-1 directional residual-stream ablation для удаления поведения отказа, после чего выполнено квантование в compressed-tensors FP8. Базовая модель — d0xin/Swift-Qwen3.8-27B-Uncensored-BF16. Модель предназначена для задач рассуждения, программирования, агентных сценариев, вызова инструментов и обработки изображений. Сохраняются мультимодальная архитектура Qwen с vision tower, поддержка tool calling и длинного контекста. Заявленный размер чекпойнта составляет около 29 ГБ, настроенный максимальный контекст — 262 144 токена; извлечение информации проверялось на запросах длиной до 235 032 токенов. Поддерживаются режимы reasoning_effort low, medium и xhigh; режим high в протестированном стеке отклоняется. К сильным сторонам относятся FP8-квантование, поддержка мультимодальных и агентных нагрузок, вызова инструментов и длинного контекста, а также отсутствие отказов в зафиксированном тесте из 100 запросов: 89 прямых ответов, 10 ответов с предупреждениями и 1 другая ошибка. При этом заявленный результат отражает только конкретный набор запросов и конфигурацию инференса и не гарантирует отсутствие отказов во всех условиях. На ограниченной валидации из 298 примеров FP8 показала 37,92% против 39,93% у модифицированной BF16-версии, поэтому статистическая эквивалентность не установлена. Языки модели в README не указаны. Лицензия — swift-open-license-1.0.

Loquats/test1 — модель на основе BERT для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска и кластеризации текстов, а также для оценки сходства предложений. Модель доступна в формате PyTorch и рассчитана на контекст до 512 токенов. Для использования подходят библиотека Sentence-Transformers или Hugging Face Transformers с соответствующей операцией pooling поверх контекстных представлений токенов. В метаданных указано 136,7 млн параметров. Сведения о лицензии и конкретных поддерживаемых языках в доступных материалах отсутствуют.

Zen Pro — диалоговая языковая модель общего назначения, разработанная Hanzo AI и Zoo Labs Foundation на основе Qwen/Qwen3-8B. Это плотный авторегрессионный трансформер семейства Qwen3 с 7,6 млрд параметров, дообученный с обучением идентичности Hanzo, данными для агентных сценариев и abliteration. Модель предназначена для генерации текста, диалога, рассуждений и анализа; доступна через API Hanzo и в формате Transformers с весами safetensors. Модель принимает текст и генерирует текст. Контекстное окно составляет 40 960 токенов. В метаданных указан английский язык; базовая Qwen3-8B описана как многоязычная, но основным языком Zen Pro в карточке заявлен английский. Модель выпущена по лицензии Apache-2.0. Карточка отмечает, что чекпойнт архивирован и уступил место поколению zen5.

Карточка модели jamiehudson/579-STmodel-v5 на Hugging Face совпадает с карточкой jamiehudson/579-STmodel-brand-rem-v5, поэтому описание составлено по ней. jamiehudson/579-STmodel-brand-rem-v5 — модель Sentence Transformers на базе архитектуры MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров и рассчитана на контекст до 514 токенов; для получения векторов можно использовать библиотеку sentence-transformers или Transformers с подходящей операцией pooling. Модель подходит для поиска близких по смыслу фрагментов и группировки текстов. В README указано обучение с CosineSimilarityLoss, но языки и предметная область не описаны. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

teven/all_bs320_vanilla — модель на базе MPNet, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768, предназначенные для сравнения семантической близости. По описанию модели, её можно применять для семантического поиска и кластеризации; обучение включало MultipleNegativesRankingLoss с косинусной функцией сходства. Модель содержит 136,7 млн параметров и принимает текст с контекстом до 514 токенов. Модель подходит для получения эмбеддингов текстовых фрагментов и поиска похожих предложений или документов. В карточке не названы разработчик базового чекпойнта, целевые языки, датасеты или прикладные области, поэтому языковую специализацию установить нельзя. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

all_datasets_v4_mpnet-base — англоязычная модель эмбеддингов предложений, разработанная командой проекта Hugging Face Community Week. Это дообученная на базе mpnet-base модель MPNet с 136,7 млн параметров, обученная контрастивным методом на более чем миллиарде пар предложений из нескольких датасетов. Репозиторий содержит веса PyTorch; в карточке также описано обучение с использованием JAX и Flax. Модель кодирует текстовое предложение в вектор, отражающий его семантику. Полученные эмбеддинги подходят для поиска информации, кластеризации и сравнения сходства предложений; контекст модели составляет до 514 токенов. Карточка приводит английский как язык модели. Модель предназначена для создания эмбеддингов, а не для генерации ответов. Качество зависит от соответствия входных текстов обучающим данным и от длины последовательности: при обучении её ограничивали 128 токенами. Лицензия в предоставленных данных не указана.

guidecare/all-mpnet-base-v2-feature-extraction — копия модели all-mpnet-base-v2 для получения эмбеддингов предложений и коротких абзацев. Модель разработана командой Hugging Face в рамках Community Week и обучена дообучением microsoft/mpnet-base на более чем миллиарде пар предложений с контрастивной целью. Архитектура MPNet содержит 136,7 млн параметров и выдаёт плотный вектор размерности 768 для входного текста. Модель подходит для семантического поиска, сравнения сходства предложений и кластеризации текстов. Метаданные указывают поддержку английского языка; входы длиннее 384 токенов WordPiece обрезаются. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. README отмечает, что отличие этой копии от официальной модели заключается в изменённом теге pipeline.

RedHatAI/bge-large-en-v1.5-quant — квантованная версия модели эмбеддингов BGE-Large-en-v1.5 от BAAI, подготовленная Red Hat AI. Модель основана на архитектуре BERT и распространяется в формате ONNX с квантованием INT8; для запуска README рекомендует DeepSparseSentenceTransformers, а ускорение inference обеспечивается DeepSparse. Модель преобразует английский текст в векторные представления для семантического поиска, сопоставления текстов и построения retrieval-систем. Контекст ограничен 512 токенами. По README, ускорение на 10-ядерном ноутбуке достигает 4,8 раза, а на 16-ядерном AWS-инстансе — 3,5 раза; эти показатели относятся к указанным конфигурациям. Модель выпущена под лицензией MIT. Квантование INT8 и формат ONNX ориентированы на более эффективный inference; поддерживаемый язык — английский.

NbAiLab/borealis-embed-212m — текстовая модель эмбеддингов, разработанная NbAiLab на архитектуре Gemma3Text. Она предварительно обучена с нуля на открытой части данных Aurora 2604, затем дообучена как Sentence Transformer с усредняющим pooling. Модель преобразует предложения и абзацы в плотные векторы размерности 768, которые сравниваются по косинусному сходству. Модель предназначена для семантического поиска, извлечения релевантных фрагментов, ранжирования и поддержки классификации текста. Она рассчитана прежде всего на норвежский букмол и нюношк, а также поддерживает шведский, датский и английский. Максимальная длина входа составляет 8192 токена; при дообучении использовалась длина 2048 токенов. В метаданных указано 211,6 млн параметров и библиотека Sentence Transformers. В README приведены результаты оценки на скандинавском бенчмарке эмбеддингов и тестах поиска по длинному контексту; модель показала улучшение относительно указанных версий nb-sbert. Она не генерирует текст: выходом являются векторы для последующего поиска или сравнения. Лицензия — NB-license.

BumbaLM-Embedding-Qwen-4b-v0-200k — текстовая Sentence Transformer-модель, дообученная на базе Qwen/Qwen3-Embedding-4B. Она преобразует предложения и абзацы в плотные векторы размерности 2560 для поиска и сравнения текстов; сходство оценивается косинусной мерой. Архитектура включает трансформер Qwen3, pooling по последнему токену и нормализацию векторов. Модель содержит 3,7 млрд параметров и принимает последовательности длиной до 768 токенов. Модель предназначена для семантического поиска и задач извлечения информации: например, для сопоставления запроса с релевантными документами. README приводит оценку на tripletos_eval: cosine_accuracy@1 — 0,6286, @5 — 0,8024, @10 — 0,8626. Базовая модель мультиязычная, но конкретный языковой охват этого дообучения в карточке не установлен. Лицензия в предоставленных данных не указана.

RinTrin/climate-tech-0.8316 — модель Sentence Transformers на базе BERT, разработанная автором репозитория RinTrin. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для поиска по смыслу, сравнения текстов и кластеризации. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов; модель распространяется в формате PyTorch. Модель подходит для построения семантического поиска и группировки текстов по сходству. В карточке также указано обучение с CosineSimilarityLoss. README не сообщает поддерживаемые естественные языки и лицензию, поэтому их нельзя определить по доступным данным.