I.3Извлечение и структурирование данных

Agens Pilot NOESIS BF16 — это мультимодальная языковая модель примерно на 27 млрд параметров, разработанная Blockway и выпущенная AMAImedia в составе платформы автоматизации многоязычного дубляжа NOESIS. Это дообученная версия Qwen3.8-27B с архитектурой Qwen3.5 для генерации текста по текстовым и визуальным входам; репозиторий содержит веса BF16 в формате Safetensors. Модель рассчитана на контекст до 1 млн токенов, включая расширение YaRN сверх нативных 262 144 токенов. Модель предназначена для диалоговых помощников и агентных сценариев, особенно для пользователей Гонконга и региона Гуандун. Карточка выделяет письменный кантонский с гонконгской лексикой и регистром, ответы на сложные исторические и геополитические вопросы с несколькими перспективами, следование инструкциям, вызов инструментов, программирование и задачи «изображение—текст». Заявлены также китайский и английский языки; метаданные указывают широкий набор дополнительных языков. По результатам внутренней проверки разработчика модель показала более сбалансированные ответы на небольшом наборе сложных вопросов, при этом поведение отказа на универсально вредоносные запросы сохранилось. Эти результаты ориентировочные: набор мал, оценки получены в одном запуске, а показатели внутренних тестов напрямую несопоставимы с внешними бенчмарками. Модель может ошибаться в фактах, визуальная математика названа слабой стороной; кантонское поведение лучше всего охватывает письменный гонконгский вариант. Лицензия Apache-2.0 допускает коммерческое использование.

Qwen3.8-27B-Della-Carnice-Ostrich-Salience-Glimmer-v5 — 基于 Qwen/Qwen3.8-27B 构建的 270 亿参数稠密多模态模型，由 YFC-112358 通过 della_linear 方法融合多个模型得到。模型面向对话，可接收文本和图像并生成文本；元数据还标注了工具调用接口和视觉能力。模型权重以 safetensors 格式发布，使用 Transformers 加载。 该版本采用单阶段融合，合并了 Ostrich、Carnice、Salience 等模型及一个 Glimmer 版本；README 说明 tokenizer 和配置沿用 Qwen/Qwen3.8-27B。融合过程使用 fp32 计算并以 bf16 保存，README также описывает разреживание по блокам строк и особенности весовых коэффициентов, которые могут влиять на итоговый вклад источников. Лицензия в предоставленных данных не указана.

ISTA-DASLab/Qwen3.8-27B-GSQ-RCO-GGUF — набор неравномерно квантованных версий базовой модели Qwen3.8-27B, разработанный лабораторией Deep Algorithms and Systems Lab (DASLab) при Institute of Science and Technology Austria. Модель предназначена для локального запуска текстовых и мультимодальных сценариев с обработкой изображений, включая генерацию текста, рассуждения и задачи, поддерживаемые базовой моделью Qwen3.8-27B. Формат GGUF обеспечивает совместимость с llama.cpp, Ollama и LM Studio. В набор входят варианты размером от 8,4 до 11,8 ГБ со средней разрядностью от 2,50 до 3,50 бит на вес. Квантование использует GSQ для оптимизации скалярных квантованных представлений и RCO для назначения разных типов квантования отдельным тензорам с соблюдением общего ограничения размера. Для мультимодальной работы используется отдельный vision-проектор mmproj в формате BF16 размером около 0,9 ГБ. Опциональные сборки с суффиксом -mtp содержат Multi-Token Prediction head для speculative decoding в llama.cpp и примерно на 0,35 ГБ больше. Рекомендуемым вариантом указан IQ3_S: по заявленным результатам он совпадает с базовой моделью на AIME25 и LiveCodeBench v6 и находится в пределах 0,51 балла от неё на GPQA-Diamond, занимая немногим более пятой части размера BF16-версии. Более компактные варианты уменьшают требования к хранилищу, но могут сильнее ограничивать качество. Языки и размер контекстного окна в README не указаны. Модель распространяется по лицензии Apache-2.0.

lued/Qwen3.8-27B-huihui-abliterated-INT8-W8A16-DFlash2 — квантованная версия Huihui-Qwen3.8-27B-abliterated, разработанная на базе моделей huihui-ai и Qwen. Это мультимодальная conversational-модель с поддержкой текста и изображений, предназначенная для диалогов, генерации текста, задач рассуждения, tool calling и работы с длинным контекстом. Модель рассчитана на запуск через vLLM и потребительское оборудование, в частности две видеокарты RTX 3090. Модель содержит 27B параметров, использует формат W8A16 с весами INT8 и активациями FP16 или BF16, а также поддерживает контекст до 262 144 токенов. Для ускорения генерации применяется speculative decoding с отдельной моделью-черновиком DFlash2, которая предлагает до 7 токенов за шаг. Размер основной модели составляет около 28 GiB в шести шардах, размер drafter — около 2,02 GiB. По данным README, квантование сохраняет 98,5% совпадения следующего токена с исходной BF16-моделью при среднем KLD 0,000694. Сильные стороны модели — уменьшенный вдвое размер относительно BF16-версии, поддержка длинного контекста, vision tower, thinking controls и tool calling, а также заявленное ускорение генерации на RTX 3090. Ограничения включают необходимость двух GPU с общим объёмом памяти 48 ГБ для заявленного сценария, использование неподдерживаемого в стабильном vLLM DFlash2 с дополнительными патчами и отсутствие собственных измерений скорости именно для этой сборки; приведённые показатели производительности относятся к родственному варианту. Модель распространяется по лицензии Apache-2.0.

AtomicChat/Qwen3.8-27B-MLX-AD-3.50bpw-DWQ-12.7GB — это MLX-квантизированная версия Qwen3.8-27B, выпущенная командой AtomicChat. Базовую модель разработала команда Qwen компании Alibaba. Это открытая плотная мультимодальная модель с поддержкой текста и изображений, предназначенная для генерации текста, визуального понимания, программирования, агентских рабочих процессов и автоматизации офисных задач. Модель содержит около 27 млрд параметров. Вариант AtomicChat использует формат MLX, 3-битное представление с параметром 3.50 bpw и занимает примерно 12,7 ГБ, поэтому ориентирован на локальный запуск, в частности на совместимое оборудование Apple через MLX. На странице модели указана категория Image-Text-to-Text и языковой тег English. Для исходной Qwen3.8-27B заявлено нативное контекстное окно 262 000 токенов с возможностью расширения до 1 млн токенов посредством YaRN. Главное преимущество варианта — существенное уменьшение размера и требований к памяти по сравнению с полной моделью при сохранении мультимодальных возможностей. Ограничения связаны с потерями качества, возможными для 3-битной квантизации, зависимостью от MLX-совместимого окружения и отсутствием на странице AtomicChat подробных независимых тестов, перечня поддерживаемых языков и детального описания архитектуры именно этого квантизированного варианта. Для базовой Qwen3.8-27B указана лицензия Apache 2.0; отдельные условия для производного репозитория AtomicChat следует проверять дополнительно.

z-lab/Qwen3.8-27B-PARO — квантованная версия модели Qwen/Qwen3.8-27B, разработанная командой z-lab с использованием метода ParoQuant, или Pairwise Rotation Quantization. Модель предназначена для эффективного вывода больших языковых моделей, включая задачи рассуждения, интерактивного общения и развёртывания через совместимые с OpenAI API серверы. Модель использует 4-битное квантование языковых компонентов. Визуальные компоненты сохранены в исходной точности, поэтому checkpoint поддерживает мультимодальные сценарии image-text-to-text, но занимает больше места, чем полностью квантованная версия. Заявлена поддержка NVIDIA GPU через vLLM и Transformers, а также Apple Silicon через MLX; мультимодальные возможности можно использовать при загрузке VLM-компонентов. К сильным сторонам относятся сочетание низкой точности INT4 с заявленным сохранением качества, близкого к FP16, а также производительность, сопоставимая с AWQ. Ограничение — повышенный размер модели при использовании визуальных компонентов и необходимость специализированного программного окружения ParoQuant или совместимых инструментов. Сведения о языках и размере контекстного окна в README не указаны. Модель распространяется по лицензии Apache-2.0.

PollardWeights/Qwen3.8-27B-Pollard — это квантизированная версия модели Qwen/Qwen3.8-27B, подготовленная командой PollardWeights. Модель предназначена для диалоговых и текстовых задач, а также может работать с изображениями при использовании отдельного vision-проектора mmproj-Qwen3.8-27B-bf16.gguf. Она поставляется в формате GGUF и совместима с llama.cpp, ik_llama.cpp, Ollama, LM Studio и другими приложениями на их основе. Модель содержит около 27,8 млрд параметров и использует архитектуру qwen3_5. В репозитории доступны варианты IQ3_S, IQ4_XS и Q6_K размером примерно 12,08, 15,72 и 22,43 ГБ соответственно. Это варианты mixed-precision квантизации с измеренным распределением битов по слоям, учитывающим их чувствительность, поэтому они рассчитаны на разные ограничения по оперативной памяти или VRAM. Основной README указывает английский язык; размер контекста не указан. К сильным сторонам относятся существенное уменьшение размера по сравнению с версией f16 — с 55,56 до 12,08 ГБ для IQ3_S — и возможность локального запуска на более доступном оборудовании. К ограничениям относятся потенциальная потеря качества из-за квантизации, зависимость производительности от оборудования и необходимость отдельного, неквантизированного vision-проектора для работы с изображениями. Лицензия — Apache-2.0, унаследованная от базовой модели.

JANGQ-AI/Qwen3.8-Flash-Next-JANG_4M — квантованная версия Qwen/Qwen3.8-Flash-Next, подготовленная Jinho Jang для Apple Silicon и MLX. Это мультимодальная модель с архитектурой Qwen4-architecture preview: 125 млрд параметров, из которых активно около 6 млрд, 512 экспертов, гибридными слоями Gated DeltaNet и Qwen Sparse Attention, а также хешированной n-граммной таблицей эмбеддингов. В комплект входят текстовые, визуальные и видео-компоненты; заявлен контекст 262 144 токена с расширением до 1 млн через YaRN. Модель предназначена для диалогов, рассуждений, анализа изображений и видео, а также агентных сценариев с вызовом инструментов. В README указана поддержка нативной multi-token prediction и измерения качества квантования относительно bf16. Для работы предусмотрена библиотека MLX; авторы рекомендуют запуск через vMLX и Apple Silicon, а таблица n-грамм может обслуживаться с SSD на поддерживаемом runtime. Вызовы инструментов используют диалект Qwen-XML, поэтому runtime должен поддерживать соответствующий парсер; Hermes-only парсеры могут некорректно обрабатывать такие вызовы. Доступ к vMLX указан как ограниченный одобрением. Лицензия обозначена как other, поэтому конкретные условия следует проверять в репозитории модели и базовой модели.

Vontra Qwen3.8-Flash-Next-MLX-oQ4 — это общественная MLX-конверсия модели Qwen3.8-Flash-Next, разработанной Qwen, для запуска на устройствах Apple Silicon. Конверсия выполнена Vontra напрямую из официального BF16-чекпойнта и предназначена для мультимодальных сценариев, включая обработку текста и изображений, генерацию ответов и работу с vision-language задачами через совместимые MLX-VLM или oMLX. Модель использует архитектуру qwen4_exp: разреженную mixture-of-experts с 125 млрд параметров в общей сложности и примерно 6 млрд активных параметров, 48 слоями, 512 маршрутизируемыми экспертами, 10 активными экспертами и одним общим экспертом. В состав также входят Gated DeltaNet, Qwen Sparse Attention, расширенные gated residual streams и хешированные bigram/trigram-эмбеддинги объёмом 51 млрд параметров. Контекст — до 262 144 токенов; используются 24 attention heads и 2 KV heads, размер скрытого состояния — 2560. Модель поставляется в формате MLX safetensors с oQ4 mixed-precision-квантизацией: базовые веса представлены в 4 битах, отдельные чувствительные слои защищены точностью 5/8 бит. Размер весов — около 111,69 ГБ. Сильные стороны модели — поддержка текста и изображений, большое контекстное окно, сниженное активное число параметров благодаря sparse MoE и оптимизация для Apple Silicon. На Apple M3 Studio в README указана скорость генерации около 27–30 токенов в секунду после загрузки. Для работы требуется runtime с явной поддержкой архитектуры qwen4_exp; старые версии MLX-VLM могут быть несовместимы. Опциональная MTP-голова не включена, а Qwen3.8 27B MTP-drafter использовать нельзя из-за несовместимых скрытых размеров. Это неофициальная общественная конверсия Vontra. Модель распространяется по лицензии Qwen Community License 1.0.

arthurcollet/Qwen3-Embedding-4B-mlx-nvfp4 — текстовая модель для создания эмбеддингов, преобразующая текст в векторы для сравнения смысла и поиска по сходству. Репозиторий содержит конверсию модели Qwen/Qwen3-Embedding-4B в формат MLX; в метаданных указана связь с Qwen/Qwen3-4B-Base и дообучение этой базовой модели. Архитектура — плотная Qwen3ForCausalLM, размер — 3,7 млрд параметров, нативный контекст — 40 960 токенов. Модель предназначена для получения текстовых представлений, поиска семантически близких фрагментов и оценки сходства предложений. Метаданные указывают возможности embeddings и задачи feature-extraction, text-generation и sentence-similarity. Для использования через MLX в README предлагается пакет mlx-embeddings. Лицензия — Apache-2.0. README описывает конверсию из Qwen/Qwen3-Embedding-4B в MLX, тогда как метаданные указывают базовую модель Qwen/Qwen3-4B-Base и дообучение; точное соотношение этих этапов из доступных данных установить нельзя. Поддерживаемые языки и ограничения качества отдельно не описаны.

mlx-community/Qwen3-Embedding-8B-4bit-DWQ — модель для получения признаковых представлений текста, задач sentence similarity и feature extraction. Она основана на Qwen/Qwen3-Embedding-8B и преобразована сообществом mlx-community в формат MLX с использованием mlx-lm 0.25.1. Модель имеет размер 8B параметров и 4-битное квантование DWQ, что предназначено для снижения требований к памяти при сохранении возможности локального запуска в экосистеме MLX. В карточке указана поддержка библиотек Transformers и Sentence Transformers, а также тип конвейера feature-extraction. Конкретные языки, размер контекста и перечень поддерживаемых модальностей не указаны; по представленным данным модель предназначена для работы с текстом. Лицензия модели — Apache-2.0. README не содержит подробных сведений о качестве, ограничениях, языковом покрытии и результатах тестирования, поэтому эти характеристики нельзя оценить точнее.

ClaudioItaly/QwenTies-14B — плотная языковая модель семейства Qwen2.5, созданная автором репозитория с помощью TIES-слияния предварительно обученной Qwen2.5-14B и инструкционной Qwen2.5-14B-Instruct. Модель содержит 14 млрд параметров, использует архитектуру Qwen2ForCausalLM и формат safetensors; для работы указан стек Transformers. Контекстное окно составляет 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия, включая структурированные ответы и интерфейс вызова инструментов. Её можно применять для ответов на вопросы, составления и редактирования текстов, а также для сценариев, где требуется длинный контекст. Карточка не приводит результатов оценки качества. Сведения о лицензии в доступных данных отсутствуют.

RQwen-v0.1 — диалоговая языковая модель, разработанная ehristoforu и дообученная методом SFT на базе Qwen/Qwen2.5-14B-Instruct с использованием Unsloth и Transformers. Она предназначена для генерации текста и общения в формате ChatML на английском и русском языках. Модель имеет плотную архитектуру Qwen2, 14 млрд параметров и контекстное окно длиной 32 768 токенов. В карточке отмечены reflection tuning, работа с логикой и длинным контекстом, а метаданные указывают поддержку следования инструкциям и интерфейса вызова инструментов. Для модели заявлена лицензия Apache-2.0.

sergeyzh/rubert-tiny-lite — компактная модель на архитектуре BERT, разработанная sergeyzh для получения векторных представлений русскоязычных текстов и сравнения предложений. Она создана последовательной дистилляцией sergeyzh/rubert-tiny-turbo и BAAI/bge-m3 и содержит 23,1 млн параметров. Размер эмбеддинга — 256, максимальная длина контекста — 512 токенов. Модель предназначена для семантического поиска, оценки сходства предложений, кластеризации и классификации текста на CPU и GPU. По данным автора, она работает быстрее rubert-tiny-turbo примерно в 1,4 раза на CPU и в 1,2 раза на GPU при сопоставимом качестве. Результаты в README показывают её качество на бенчмарках encodechka и ruMTEB; для некоторых задач она уступает более крупным многоязычным моделям. Модель рассчитана на русский язык и выдаёт эмбеддинги текста. Репозиторий содержит веса в формате safetensors; для запуска автор приводит пример с SentenceTransformer. Лицензия — MIT.

sergeyzh/rubert-tiny-turbo — компактная русскоязычная модель на архитектуре BERT, разработанная как дообученная версия cointegrated/rubert-tiny2 для быстрого получения эмбеддингов предложений. В README для неё указаны 29 млн параметров, размер эмбеддинга 312 и контекст до 2048 токенов; модель распространяется в формате safetensors и рассчитана на использование с Sentence Transformers. Модель предназначена для вычисления векторных представлений русских предложений и оценки их семантического сходства. Эмбеддинги можно применять для поиска похожих текстов, кластеризации и как признаки для классификации. В карточке приведены результаты ruMTEB и encodechka; показатели различаются по задачам, а README отмечает быстродействие, сопоставимое с базовой моделью. Лицензия — MIT. Это компактный русскоязычный энкодер, поэтому его область применения — текст на русском языке; в данных не заявлены генерация текста или мультимодальные возможности. Метрики бенчмарков не гарантируют качество на конкретном наборе данных, а для критически важных задач результат следует проверять отдельно.

Muennighoff/SBERT-base-nli-stsb-v2 — модель семейства Sentence-BERT на архитектуре BERT, представленная в контексте работы TSDAE о самообучении эмбеддингов предложений с помощью последовательного денойзинг-автоэнкодера. Она предназначена для получения векторных представлений предложений и сравнения их семантической близости, в том числе в поиске и ранжировании по смыслу. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0. README не уточняет, была ли эта конкретная версия дообучена по TSDAE или каковы её языки.

ys7yoo/sentence-bert-klue-sts-all — модель Sentence-Transformers на базе BERT, предназначенная для преобразования предложений и абзацев в плотные векторные представления размерности 768. Она обучалась с функцией CosineSimilarityLoss и подходит для поиска семантически близких текстов, кластеризации и вычисления сходства предложений. Модель содержит 137,8 млн параметров, принимает текст и формирует векторы; максимальная длина контекста составляет 512 токенов. Для использования доступны Sentence-Transformers и Transformers с подходящей операцией pooling. README не сообщает поддерживаемые естественные языки или лицензию, поэтому они не уточняются.

Это англоязычная модель SentenceTransformer, созданная дообучением sentence-transformers/all-MiniLM-L6-v2 разработчиком dekshitha-k. Энкодер на архитектуре BERT преобразует предложения и абзацы в плотные векторы размерности 384; представления нормализуются, а сходство между ними оценивается косинусной мерой. Модель содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов согласно метаданным; в README указано ограничение 256 токенов. Модель предназначена для семантического сравнения предложений, поиска по смыслу, поиска перефразировок, классификации и кластеризации текстов. Она обучалась на 5 749 парах предложений с оценками сходства с использованием CosineSimilarityLoss. Библиотека для работы с моделью — Sentence Transformers; веса доступны в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

RedHatAI/SmolLM3-3B-FP8-dynamic — квантованная версия языковой модели SmolLM3-3B, разработанная Red Hat (Neural Magic) на базе модели HuggingFaceTB/SmolLM3-3B. Это текстовая модель для генерации и преобразования текста, включая диалоговые сценарии. Заявлена поддержка английского, французского, испанского, итальянского, португальского, китайского, арабского и русского языков. Модель использует архитектуру SmolLM3-3B и принимает текст на входе, выдавая текст на выходе. Веса и активации линейных операторов в трансформерных блоках квантованы в FP8: веса — статически по каналам, активации — динамически по токенам. По данным разработчика, это примерно вдвое снижает требования к памяти GPU и размер файлов, а также примерно вдвое увеличивает пропускную способность матричных вычислений. Для эффективного развёртывания рекомендуется vLLM; поддерживается OpenAI-совместимый серверный интерфейс. В README также указана максимальная длина контекста 65 536 токенов в конфигурации оценки. На тестах AIME24, MATH-500 и GPQA-Diamond квантованная версия показала средний результат 58,90 против 58,61 у исходной модели, что указывает на близкое сохранение качества рассуждений после квантования. Ограничения включают зависимость от совместимого программного стека для эффективного использования FP8 и отсутствие в представленном описании подробных сведений о качестве на других задачах. Модель распространяется по лицензии Apache-2.0.

Snowflake Arctic Embed L — модель эмбеддингов текста от Snowflake для высококачественного семантического поиска и извлечения информации. Она построена на архитектуре BERT; в репозитории указаны веса Safetensors и формат ONNX. Модель содержит около 433,9 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для создания векторных представлений запросов и документов, чтобы находить релевантные материалы по смыслу, в том числе в системах поиска и retrieval-augmented generation (RAG). В README заявлены результаты на бенчмарках MTEB/BEIR и показатели извлечения, сопоставимые с крупными коммерческими эмбеддинг-моделями. Карточка описывает обучение семейства на основе открытых моделей представления текста и многоэтапную оптимизацию для retrieval; точная базовая модель именно этой версии не указана. Модель работает с текстом и возвращает эмбеддинги; контекст ограничен 512 токенами. Указана лицензия Apache-2.0. README сообщает о выпуске более новых многоязычных версий семейства, поэтому для новых многоязычных сценариев может подойти более поздняя версия; поддерживаемые языки этой модели в предоставленных данных не перечислены.

cnmoro/static-nomic-384-pten-v2-st — совместимая с Sentence Transformers версия статической модели текстовых эмбеддингов, созданная cnmoro с помощью Tokenlearn на базе nomic-embed-text-v2-moe. Модель выдаёт векторы размерности 384 для текстов на английском и португальском языках и предназначена для семантического поиска, сравнения предложений и извлечения документов. Это дообученная Model2Vec-модель в формате safetensors. Её веса численно совпадают с cnmoro/static-nomic-384-pten-v2; отличие состоит в хранении: матрица эмбеддингов развёрнута по одному ряду на токен, чтобы её мог загружать StaticEmbedding из Sentence Transformers. Исходная упаковка Model2Vec занимает меньше места — 52 МБ против 424 МБ у этой версии. Модель подходит для построения поиска и ранжирования по близости текстовых векторов. Она создаёт эмбеддинги, а не готовые ответы на вопросы. Лицензия — Apache-2.0.

princeton-nlp/sup-simcse-roberta-large — модель извлечения признаков, разработанная Princeton NLP на основе RoBERTa-large с методом supervised SimCSE. Она преобразует текст в векторные представления предложений для сравнения их семантической близости и использования в задачах поиска и последующей обработки текста. Обучение проводилось на 314 тысячах примеров из MNLI и SNLI; оценивание включало задачи семантического сходства предложений и переноса на другие задачи. Модель содержит 454,1 млн параметров и рассчитана на контекст до 514 токенов. В репозитории доступны веса PyTorch и Flax. Карточка не сообщает лицензию, поэтому условия использования следует проверить отдельно. Среди ограничений — возможные стереотипные и вредоносные смещения; модель не следует использовать для создания враждебной или отчуждающей среды.

Это Sentence Transformer, дообученный автором ostoveland на базе BAAI/bge-m3 для сравнения и поиска по смыслу. Модель использует XLM-RoBERTa с пулингом и нормализацией, преобразует предложения и абзацы в плотные векторы размерности 1024; сходство оценивается косинусной мерой. Максимальная длина последовательности — 8192 токена. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов. В README приведены обучающие примеры на норвежском языке, в том числе запросы и описания работ; обучение включало TripletLoss, MultipleNegativesRankingLoss и CoSENTLoss. Лицензия в предоставленных сведениях не указана.

ThinkingCap-Qwen3.6-27B-FP8 — мультимодальная языковая модель BottleCap AI, представляющая собой FP8-квантизированную версию ThinkingCap-Qwen3.6-27B. Базовая модель Qwen3.6-27B разработана командой Qwen, а ThinkingCap получена её дообучением с сохранением качества и стиля ответов при примерно на 50% меньшем среднем числе токенов рассуждений. Модель предназначена для текстовых задач, требующих рассуждений, а также для работы с визуальными данными, включая сценарии, оцениваемые на MMLU-Pro и RealWorldQA. Вес модели квантизирован в формате native block-wise FP8 E4M3 с блоками масштабирования 128×128 и динамической поканальной квантизацией активаций; отдельные компоненты, включая lm_head, MTP-голову, vision tower и входные вентили Gated-DeltaNet, сохранены в bf16. Размер в формате FP8 составляет около 29 ГБ против примерно 55 ГБ для bf16. MTP-голова поддерживает самоспекулятивное декодирование без отдельной draft-модели, а vLLM и SGLang умеют загружать модель нативно. Максимальный контекст, точный набор языков и полный перечень поддерживаемых модальностей в карточке не указаны. К сильным сторонам относятся снижение потребления памяти, близкое к исходному качество, сокращение длины рассуждений и существенное ускорение генерации; по заявленным внутренним тестам, сочетание дообучения, FP8 и MTP обеспечивало многократное ускорение на задачах MMLU-Pro и RealWorldQA. Ограничения включают зависимость производительности от оборудования и серверного движка, а приведённые результаты получены на внутреннем стенде BottleCap AI и не охватывают все сценарии применения. Лицензия — Apache-2.0, однако для доступа к модели требуется заполнить форму запроса.

Sakalti/ultiima-72B — слитая языковая модель автора Sakalti на архитектуре Qwen2, созданная методом TIES с помощью mergekit на основе Qwen/Qwen2.5-72B и Qwen/Qwen2.5-72B-Instruct. Это плотная авторегрессионная модель на 71,5 млрд параметров в формате safetensors с контекстом до 131 072 токенов; она предназначена для генерации текста и диалогов. Метаданные отмечают интерфейс вызова инструментов, а карточка приводит результаты оценки на Open LLM Leaderboard, включая IFEval и BBH. Модель поддерживает множество языков, среди которых английский, китайский, русский, французский, испанский, немецкий, японский, арабский и хинди. Её можно применять для диалоговых ассистентов, генерации текстов и ответов на инструкции. Карточка указывает лицензию «other», поэтому условия использования следует сверить с лицензией и правилами репозитория; конкретные ограничения применения в карточке не описаны.

Модель unsup-simcse-bert-base-uncased разработана группой Princeton NLP и представляет собой BERT-base-uncased, дообученный методом unsupervised SimCSE для получения векторных представлений предложений. Она предназначена для извлечения признаков и построения эмбеддингов, которые можно использовать в задачах семантического сходства и последующей обработки текста. Модель содержит 136,7 млн параметров, принимает текст на английском языке и поддерживает контекст до 512 токенов. Опубликованы варианты весов PyTorch и Flax. README указывает, что для обучения использовались случайно выбранные предложения из англоязычной Википедии; оценивание эмбеддингов проводилось на задачах семантического сходства и переноса на другие задачи. README не приводит лицензию. Эмбеддинги могут отражать вредные стереотипы и предубеждения, поэтому результаты следует проверять с учётом возможного смещения.

Модель Heimat24/vhs_burghausen_danielheinz_e5-qa_generation_user-5-1-0.8 — модель Sentence-Transformers на архитектуре XLM-RoBERTa с 305,2 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения семантической близости, поиска похожих текстов и кластеризации. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусной мерой сходства. В карточке указана максимальная длина контекста 514 токенов. Для работы используется библиотека sentence-transformers; веса доступны в формате safetensors. Модель подходит для семантического поиска и группировки текстов. Языковая поддержка явно не описана, хотя архитектура XLM-RoBERTa рассчитана на многоязычные данные. Лицензия в предоставленных сведениях не указана.

Yinka — модель для получения текстовых эмбеддингов, дообученная разработчиками Classical на открытой модели stella-v3.5-mrl с использованием многозадачной гибридной функции потерь, описанной в piccolo2. Она принимает текст и преобразует его в векторы для задач семантического поиска и сравнения текстов. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и поддерживает контекст до 512 токенов. Полный размер вектора — 1792 измерения; README указывает на возможность использовать векторы меньшей размерности, отбирая первые n измерений перед нормализацией. Для применения не требуются специальные префиксы. В таблице README приведены результаты на наборах задач классификации, кластеризации, сопоставления пар, ранжирования, поиска и семантического сходства; отдельного описания обучающих данных нет. Модель предназначена для извлечения признаков из текста. Доступные сведения не подтверждают конкретный набор поддерживаемых языков, поэтому языки не перечисляются. Лицензия в предоставленных данных не указана.

ZEUS-8B-V16 — объединённая инструкционная языковая модель T145, созданная методом DARE TIES с помощью mergekit на основе нескольких моделей Llama 3.1. В объединение вошли VAGOsolutions/Llama-3.1-SauerkrautLM-8b-Instruct, arcee-ai/Llama-3.1-SuperNova-Lite, unsloth/Llama-3.1-Storm-8B и unsloth/Meta-Llama-3.1-8B-Instruct. Модель имеет архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает запросы в контексте до 131 072 токенов. Модель предназначена для диалогов и генерации текста по инструкциям; интерфейс также поддерживает вызов инструментов. В README приведены результаты Open LLM Leaderboard, включая 79,25% на IFEval и 32,53% на BBH, однако этих показателей недостаточно для выводов о качестве во всех сценариях. Лицензия в предоставленных данных не указана.

futuredatascience/action-classifier-v2 — модель на основе MPNet, опубликованная Futuredatascience в формате PyTorch и доступная через Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения сходства и кластеризации. Модель содержит 136,7 млн параметров и принимает текстовые последовательности с контекстом до 514 токенов. Модель подходит для построения семантического поиска и группировки текстов по смыслу. В карточке указано обучение с CosineSimilarityLoss; также доступны применение через Sentence-Transformers или Transformers с соответствующей операцией pooling. Лицензия и целевой язык в предоставленных данных не указаны.