I.3Извлечение и структурирование данных

SA-STS-Embeddings-0.2B — модель плотных текстовых эмбеддингов от Omartificial-Intelligence-Space, дообученная на базе SA-BERT-V1 для семантического поиска и сравнения предложений на саудовских вариантах арабского языка. Она построена на архитектуре BERT, содержит 190 млн параметров и принимает последовательности длиной до 512 токенов, возвращая векторы размерности 768. Обучение на триплетах из 21 прикладной области использовало MultipleNegativesRankingLoss и Matryoshka Representation Learning. Модель предназначена для семантического поиска, извлечения контекста для RAG, кластеризации, определения намерений, оценки сходства и ранжирования текстов. Она ориентирована на диалекты Наджда и Хиджаза, а также на саудовскую речь с влиянием залива; карточка приводит высокие результаты на тестах сходства и триплетного ранжирования. Для длинных документов рекомендуется разбивать текст на фрагменты. В метаданных указана лицензия CC-BY-NC-4.0, которая ограничивает коммерческое использование. README указывает Apache 2.0, поэтому сведения о лицензии в источниках расходятся; перед использованием следует проверить лицензию репозитория на Hugging Face.

SauerkrautLM-Reason-EuroColBERT — многоязычная модель поиска с поздним взаимодействием ColBERT, разработанная VAGOsolutions. Она кодирует запросы и документы в наборы векторов и сопоставляет их с помощью MaxSim, чтобы находить релевантные фрагменты, в том числе для запросов, требующих рассуждений. Модель дообучена на базе SauerkrautLM-EuroColBERT методом дистилляции на 200 тысячах синтетических пар запрос–документ; авторы сообщают о применении PyLate и архитектуре EuroBERT с проекцией 768→128 измерений. Модель содержит около 211,7 млн параметров и поддерживает контекст до 8192 токенов для документов и до 256 токенов для запросов. Она рассчитана на немецкий, английский, испанский, французский, итальянский, нидерландский и португальский языки, с особым акцентом на многоязычный поиск и поиск, требующий рассуждений. Подходит для ранжирования документов и извлечения релевантных материалов в поисковых системах и RAG-конвейерах. Модель распространяется по лицензии Apache 2.0. Указанные в карточке сравнительные результаты и заявления о превосходстве над более крупными моделями принадлежат авторам и зависят от набора данных и методики оценки; модель выдаёт векторы для поиска, а не готовые развернутые ответы пользователю.

akhooli/sbert_nli_test_m — модель Sentence Transformers на основе AraBERTv0.2-base, дообученная на арабских NLI-триплетах. Она кодирует предложения и абзацы в плотные векторы размерности 768; архитектура включает BERT и усреднение токенных представлений. Для сравнения текстов используется косинусное сходство. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов на арабском языке. Максимальная длина последовательности — 512 токенов. Распространяется по лицензии Apache-2.0.

Карточка модели rahulydc/semantic-highlight-ft на Hugging Face совпадает с карточкой zilliz/semantic-highlight-bilingual-v1, поэтому описание составлено по ней. Semantic Highlight Bilingual — модель Zilliz для семантического выделения релевантных предложений в тексте по запросу. Она дообучена на базе BAAI/bge-reranker-v2-m3 и использует архитектуру OpenProvence с весами в формате safetensors. Модель принимает запрос и текстовый контекст, оценивает релевантность токенов, агрегирует оценки по предложениям и возвращает релевантные предложения и показатели сжатия текста. Предназначена для подсветки результатов поиска и сокращения контекста в системах RAG. Модель поддерживает китайский и английский языки. В README указаны размер около 0,6 млрд параметров и вывод за миллисекунды; порог релевантности можно настраивать. Лицензия — MIT. Размер и скорость приведены в карточке модели; фактическая производительность зависит от оборудования и параметров инференса.

KBLab, лаборатория данных Национальной библиотеки Швеции, разработала эту модель на базе BERT для получения плотных векторных представлений шведских и английских предложений и абзацев. Это sentence-transformers bi-encoder размером 151,9 млн параметров; он отображает текст в векторы размерности 768 и поддерживает входную последовательность до 512 токенов. Модель предназначена для оценки семантического сходства, семантического поиска и кластеризации текстов. Шведская KB-BERT обучалась как student-модель с помощью дистилляции знаний от английской all-mpnet-base-v2. В README приведены результаты оценки на шведских наборах SweParaphrase и SweFAQ; версия v2.0 показала лучшие результаты на задаче поиска ответов в SweFAQ v2.0 среди перечисленных версий. Модель принимает текст и выдаёт векторы, пригодные для сравнения и поиска. Распространяется по лицензии Apache-2.0. Результаты оценки относятся к указанным шведским бенчмаркам; качество на других языках и типах текстов может отличаться.

Shisa V2 Qwen2.5 32B — двуязычная диалоговая языковая модель общего назначения от Shisa.AI, дообученная на основе Qwen/Qwen2.5-32B-Instruct. Она рассчитана на задачи на японском языке, сохраняя возможности английского, и подходит для диалога, ответов на вопросы, генерации текста и структурированных ответов. Модель содержит 32 млрд параметров, использует плотную архитектуру Qwen2 и принимает текстовые запросы. Контекст — до 32 768 токенов; поддерживаются чат-шаблон базовой модели и интерфейс вызова инструментов. В README описано улучшение качества японских ответов относительно базовой модели и приведены результаты тестирования на японских и англоязычных бенчмарках. Модель распространяется по лицензии Apache 2.0. Для инференса авторы проверяли vLLM и SGLang.

slerp-test-turdus-beagle — текстовая генеративная модель объёмом 7,1 млрд параметров, созданная объединением udkai/Turdus и mlabonne/NeuralBeagle14-7B методом SLERP с помощью LazyMergekit. Модель основана на архитектуре Mistral и распространяется в формате Safetensors; для неё заявлено контекстное окно до 32 768 токенов. Модель предназначена для генерации текста, диалогов, следования инструкциям, рассуждений и творческих задач. В карточке приведены результаты оценок на бенчмарках AI2 Reasoning Challenge и HellaSwag. Лицензия — Apache-2.0. Метаданные указывают на объединение двух базовых моделей; README также приводит OpenPipe/mistral-ft-optimized-1218 как базовую модель в конфигурации слияния.

aimanfadillah/standardized — дообученная модель Sentence Transformers на базе aimanfadillah/standardized для преобразования предложений и абзацев в плотные векторы размерностью 384. Она использует архитектуру BERT с усреднением токенных представлений и нормализацией; сходство векторов можно оценивать косинусной мерой. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов, а карточка описывает максимальную длину последовательности 256 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В README приведён обучающий набор из трёх пар терминов, связанных с функциями бытовой техники, поэтому практическую точность на широких тематиках и языках нельзя считать подтверждённой. Лицензия в предоставленных данных не указана.

Kyurem — компактная модель эмбеддингов на основе архитектуры BERT, созданная слиянием предварительно обученных моделей методом Model Stock с помощью mergekit. В слияние вошли Mihaiii/Wartortle, TaylorAI/bge-micro-v2 и TaylorAI/bge-micro; последняя указана как базовая модель. Модель предназначена для преобразования предложений и коротких текстов в векторные представления, семантического поиска и сравнения сходства. Она содержит 18,8 млн параметров, работает с контекстом до 512 токенов и доступна в форматах safetensors и ONNX через библиотеку sentence-transformers. По сведениям о базовой модели, основное назначение — англоязычные тексты. Модель распространяется по лицензии MIT. Её компактный размер удобен для поиска и сопоставления текстов с ограниченными вычислительными ресурсами; ограничения включают контекст в 512 токенов и англоязычную специализацию базовой модели.

josedossantos/tree-txtInteiroTeorLimpo-bertimbau — модель Sentence Transformer, созданная дообучением neuralmind/bert-large-portuguese-cased. Она кодирует предложения и абзацы на бразильском португальском в плотные векторы размерностью 1024, сравнимые по косинусному сходству. Архитектура включает BERT Large с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. Модель предназначена для поиска семантически близких текстов и оценки сходства. Её также можно применять для поиска перефразировок, кластеризации и классификации текста, а в прикладных системах — для векторного поиска по португалоязычным документам. Обучение проводилось на 4 327 парных примерах с ContrastiveLoss. В карточке указана лицензия Apache-2.0. Как и другие модели эмбеддингов, она возвращает векторы, а не готовые ответы; качество зависит от соответствия входных текстов обучающему распределению. Контекст ограничен 512 токенами.

Это турецкая модель Sentence Transformer семейства BERT, дообученная авторами trmteb на наборах для поиска и сопоставления текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; для оценки близости предусмотрено косинусное сходство. Архитектура использует BERT и усреднённый пулинг токенов, содержит около 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для семантического поиска, сравнения смысловой близости, поиска перефразирований, кластеризации и классификации текста. Обучение включало турецкие наборы MS MARCO, FIQA, SciFact, NFCorpus, MultiNLI, SNLI, STS-B, Quora и данные WMT16 для перевода между английским и турецким. README приводит результаты оценки сходства на STS-B и бинарной классификации на нескольких наборах, однако отдельные высокие показатели зависят от набора и порога и не гарантируют такого же качества в других сценариях. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

atasoglu/turkish-mini-bert-uncased-mean-nli-stsb-tr — модель Sentence Transformers на основе BERT, дообученная для получения векторных представлений предложений и абзацев на турецком языке. Она преобразует текст в плотные эмбеддинги размерности 256 для семантического поиска, сравнения предложений и кластеризации. Базовая модель — ytu-ce-cosmos/turkish-mini-bert-uncased; при дообучении использованы наборы данных nli_tr и emrecan/stsb-mt-turkish. Модель содержит 12,4 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch по лицензии MIT. Тексты для модели следует предварительно приводить к нижнему регистру; авторы указывают заменять заглавную турецкую I на ı перед применением lower().

Sakalti/ultiima-14B-v0.3 — объединённая языковая модель на архитектуре Qwen2 с 14 млрд параметров, созданная с помощью mergekit методом TIES на основе sometimesanotion/Qwenvergence-14B-v9 с включением sometimesanotion/Qwen2.5-14B-Vimarckoso-v3. Модель предназначена для генерации текста в диалоговом формате, ответов на запросы и следования инструкциям; метаданные также указывают интерфейс вызова инструментов. Контекстное окно составляет до 131072 токенов. Веса опубликованы в формате safetensors, с точностью float16, для использования через Transformers. Модель подходит для чат-ботов, генерации ответов и приложений, которым нужен длинный контекст. README описывает способ объединения моделей, но не приводит результаты оценки качества, рекомендуемые параметры генерации или подробное описание поведения. Лицензия в предоставленных данных не указана.

WeMM-Embedding-2B-GGUF — GGUF-квантизированная версия мультимодальной модели эмбеддингов tencent/WeMM-Embedding-2B. Модель предназначена для преобразования текста, изображений и видео в векторные представления, которые можно использовать для семантического поиска, сравнения смысловой близости, кластеризации и других задач, основанных на эмбеддингах. Для мультимодального ввода требуется отдельный визуальный проектор mmproj-WeMM-Embedding-2B-BF16.gguf. Модель поддерживается в llama.cpp и доступна в вариантах BF16, Q8_0, Q6_K, Q5_K_M, Q4_K_M, IQ4_XS и IQ3_M. Выходом служит L2-нормализованный вектор размерности 2048; заявлена поддержка matryoshka-размерностей 64, 128, 256, 512, 1024 и 2048. README не указывает точный контекст, список поддерживаемых языков и архитектурные детали базовой модели. Для запуска доступны командная утилита llama-embedding и OpenAI-совместимый HTTP-сервер llama-server. По результатам теста STS-B варианты Q8_0, Q6_K, Q5_K_M и IQ4_XS практически не уступают BF16 по качеству, поэтому подходят как компактные замены исходной версии. Q4_K_M демонстрирует небольшое снижение качества, а IQ3_M — наиболее заметную потерю точности и подходит главным образом при жёстких ограничениях по объёму хранения. Модель распространяется по лицензии Apache-2.0.

WeMM-Embedding-9B — универсальная мультимодальная модель эмбеддингов Tencent, построенная на базе Qwen3.5-9B. Она принимает текст, изображения, видео и визуальные документы, в том числе смешанные входы с чередованием текста и изображений или видео, и преобразует их в L2-нормированный вектор размерностью 4096. Аудио модель не поддерживает. Модель предназначена для получения эмбеддингов и поиска по тексту, изображениям, видео и визуальным документам, включая сопоставление разных типов содержимого. README также описывает поддержку Matryoshka Embeddings с сокращением размерности и варианты запуска через Transformers, Sentence Transformers, vLLM и SGLang. Метаданные указывают архитектуру Qwen3.5 и дообучение базовой модели Qwen/Qwen3.5-9B; опубликованные веса представлены в формате Safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели. Модель не подходит для аудио-входов; заявленный основной результат — векторное представление, а не генерация текста.

Карточка модели unsloth/whisper-base на Hugging Face совпадает с карточкой openai/whisper-base, поэтому описание составлено по ней. Whisper Base — мультиязычная модель распознавания речи, разработанная OpenAI. Это Transformer-энкодер-декодер с архитектурой sequence-to-sequence и примерно 51,7 млн параметров; модель принимает аудио и преобразует речь в текст на том же языке. Семейство Whisper обучалось на 680 тысячах часов размеченных аудиоданных со слабым контролем, что помогает ему обобщать на разные наборы данных и предметные области без дообучения. Модель также может переводить речь на английский язык; для длинных записей транскрипцию можно выполнять частями с помощью chunking в Transformers. Whisper Base подходит для транскрибации аудио, включая речь с акцентами, фоновым шумом и технической лексикой, а также для перевода речи на английский. Карточка сообщает о поддержке множества языков, среди них английский, русский, китайский, немецкий, испанский и французский. Для обычного использования модель распространяется по лицензии Apache-2.0. Распознавание может содержать галлюцинации — текст, отсутствующий в аудио, а также повторы. Точность неравномерна между языками, акцентами и диалектами и может быть ниже для языков с малым объёмом обучающих данных. Для модели указана длина входных аудиофрагментов до 30 секунд; более длинные записи обрабатываются с разбиением на части.

whisper-base-fp16-ov — модель OpenAI Whisper Base, преобразованная в формат OpenVINO IR с весами в FP16. Она предназначена для автоматического распознавания речи и совместима с OpenVINO 2025.2.0 и новее, а также с Optimum Intel 1.23.0 и новее. Модель поддерживает распознавание речи на множестве языков, включая английский, русский, китайский, немецкий, испанский, французский, японский и другие. Размер модели составляет около 51,7 млн параметров. Формат OpenVINO IR и FP16-компрессия ориентированы на эффективный запуск через OpenVINO GenAI или Optimum Intel, в том числе на CPU. Модель подходит для транскрибации аудиозаписей, голосовых сообщений, звонков и других речевых данных. Ограничения соответствуют исходной модели Whisper Base и описаны в её оригинальной карточке. Модель распространяется по лицензии Apache-2.0.

Карточка модели kingartyqueen/whisper-large-v3-turbo на Hugging Face совпадает с карточкой openai/whisper-large-v3-turbo, поэтому описание составлено по ней. Whisper large-v3-turbo — мультиязычная модель распознавания речи OpenAI на архитектуре Transformer encoder-decoder. Это дообученная и ускоренная версия Whisper large-v3: число слоёв декодера сокращено с 32 до 4, что ускоряет вывод с небольшим снижением качества. Модель содержит 905,2 млн параметров и работает с аудио; она поддерживается библиотекой Transformers. Модель предназначена для преобразования речи в текст на языке оригинала и перевода речи между языками, включая перевод на английский. Она обучалась на более чем 5 млн часов размеченных данных и демонстрирует обобщение на новые наборы данных и предметные области. Для длинных записей требуется обработка последовательными окнами или разбиение аудио на сегменты; воспринимаемое окно составляет 30 секунд. Модель может ошибаться, добавлять слова, которых нет в аудио, и повторять фрагменты. Точность различается между языками, акцентами и диалектами и может быть ниже для языков с ограниченными обучающими данными. Лицензия — MIT.

Карточка модели OrpheraAI/whisper-large-v3-turbo на Hugging Face совпадает с карточкой openai/whisper-large-v3-turbo, поэтому описание составлено по ней. Whisper large-v3-turbo — мультиязычная модель распознавания речи OpenAI на архитектуре Transformer encoder-decoder. Это дообученная и ускоренная версия Whisper large-v3: число слоёв декодера сокращено с 32 до 4, что ускоряет вывод с небольшим снижением качества. Модель содержит 905,2 млн параметров и работает с аудио; она поддерживается библиотекой Transformers. Модель предназначена для преобразования речи в текст на языке оригинала и перевода речи между языками, включая перевод на английский. Она обучалась на более чем 5 млн часов размеченных данных и демонстрирует обобщение на новые наборы данных и предметные области. Для длинных записей требуется обработка последовательными окнами или разбиение аудио на сегменты; воспринимаемое окно составляет 30 секунд. Модель может ошибаться, добавлять слова, которых нет в аудио, и повторять фрагменты. Точность различается между языками, акцентами и диалектами и может быть ниже для языков с ограниченными обучающими данными. Лицензия — MIT.

Whittle-Qwen-3.8-35B-A3B — экспериментальная языковая модель с архитектурой Qwen3.8-Flash-Next (qwen4_exp), разработанная автором проекта Whittle. Это MoE-модель с 35,1 млрд параметров, включая 10 млрд параметров хешированной n-граммной памяти; на каждом токене активны примерно 3 млрд параметров. Модель получена дистилляцией Qwen3.8-27B на обучающих примерах с математическими задачами, кодом, диалогами, строгим JSON и эпизодами работы агента. По данным метаданных, базовая модель — logic65/Whittle-Next-27B-A3B. Модель предназначена для генерации текста и диалогов, написания кода, математических рассуждений и сценариев с инструментами. Она поддерживает контекст до 262 144 токенов; автор сообщает о запуске через стандартный llama.cpp, а файлы репозитория представлены в safetensors. Английский и китайский указаны среди языков карточки; метаданные также характеризуют модель как многоязычную. Это исследовательский предварительный выпуск: дистилляция охватывает ответы учителя, помещавшиеся в окно обучения 4k токенов, длинные примеры пока не использовались, а этап дистилляции на собственных ответах модели ещё не начат. Автор предупреждает, что модель не следует напрямую сравнивать с Qwen3.8 на равных условиях. Лицензия — Apache-2.0.

Wizard-Tulu-Dolphin-70B-v1.0 — объединённая языковая модель на архитектуре Llama, созданная sophosympatheia методом SLERP из Wizard-Tulu-70B-v1.0 и Dolphin 2.2 70B. В репозитории представлены веса SafeTensors; размер модели — 68,7 млрд параметров, контекст — до 4096 токенов. Модель предназначена для генерации текста и следования инструкциям. Автор включал этот бленд в Midnight Rose v2.0.3 и описывает его как попытку объединить сильные стороны WizardLM, Tulu и Dolphin 2.2, однако отмечает, что отдельно модель тестировалась мало. Лицензия в предоставленных данных не указана.

XORTRON.CriminalComputing.Config.LARGE.XPRT2 — текстовая чат-модель на архитектуре MistralForCausalLM, созданная Darkhn на основе дообучения mistralai/Mistral-Medium-3.5-128B. По карточке, в модели применена abliteration: в приведённом сравнении она отказала в 9 из 100 случаев, тогда как исходная модель — в 98 из 100. Это указывает на снижение частоты отказов, но не гарантирует ответ на любой запрос. Модель предназначена для генерации текста в диалоговом формате; метаданные также отмечают интерфейс вызова инструментов. Она содержит 123,4 млрд параметров, принимает только текст и поддерживает контекст до 262 144 токенов. Вес опубликован в формате safetensors с точностью BF16. Указана лицензия Apache-2.0.

Zamba2-2.7B-Instruct — разговорная модель Zyphra для следования инструкциям и генерации текста. Она получена дообучением Zamba2-2.7B: сначала SFT на наборах UltraChat 200k и Infinity-Instruct, затем DPO на UltraFeedback Binarized, Orca DPO Pairs и OpenHermesPreferences. Модель использует гибридную архитектуру Mamba2 и Transformer: слои Mamba2 чередуются с общими слоями внимания; также применяются LoRA-проекции общего MLP. В репозитории указано 5,7 млрд параметров, контекст — до 4096 токенов. Модель предназначена для диалогов, выполнения инструкций, ответов на вопросы, рассуждений и других общих текстовых задач, включая локальное использование на устройствах. Разработчик заявляет о высокой скорости генерации и меньших требованиях к памяти по сравнению с сопоставимыми Transformer-моделями. Для оптимизированного запуска нужны совместимые версии Transformers, mamba-ssm и causal-conv1d; без оптимизированных ядер Mamba2 задержка и расход памяти заметно выше. В README также отмечена возможная неполная совместимость временной реализации с некоторыми фреймворками и инструментами. Лицензия — Apache-2.0.

ZEUS-8B-V7 — языковая модель семейства Llama 3.1, созданная объединением нескольких моделей методом DARE TIES. Автор стремился улучшить предыдущую версию ZEUS, повысив плотность слияния и включив менее ограниченную модель Llama 3.1. В качестве базовой использована unsloth/Meta-Llama-3.1-8B-Instruct; также в слияние вошли LLAMA-3_8B_Unaligned_BETA, Llama-3.1-Storm-8B и Llama-3.1-SuperNova-Lite. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и работает через Transformers. Она предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Заявленная длина контекста — до 131 072 токенов. README приводит результаты оценивания, включая IFEval и BBH, но не сообщает языковой охват. Модель распространяется в формате Safetensors по лицензии Llama 3.1. Показатели слияния и отдельные результаты бенчмарков не гарантируют качество на конкретных задачах; README не описывает систематические ограничения или языки, на которых модель проверена.

cassador/2bs16lr2 — модель Sentence Transformers, дообученная на afaji/indonli от базовой indobenchmark/indobert-base-p2. Она кодирует предложения и абзацы на индонезийском языке в плотные векторы размерности 768 для сравнения смысловой близости; архитектура включает BERT и усреднение токенных представлений. Для сравнения используется косинусное сходство, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, поиска перефразировок и кластеризации текстов; полученные векторы также можно использовать в классификационных системах. В README приведены оценки на наборах sts-dev и sts-test, причём результаты на sts-test заметно ниже, поэтому качество на конкретных данных следует проверять отдельно. Лицензия в предоставленных сведениях не указана.

LazarusNLP/all-indobert-base-v4 — модель эмбеддингов предложений на базе архитектуры BERT, опубликованная организацией LazarusNLP. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Модель обучалась с функцией потерь CachedMultipleNegativesRankingLoss и косинусной мерой сходства; в обучении использовались наборы данных для индонезийского языка и многоязычного NLI. Модель принимает текст и выдаёт векторы признаков. Репозиторий использует библиотеку sentence-transformers и формат safetensors; размер модели — 151,6 млн параметров, максимальная длина контекста — 512 токенов. Данные указывают на основную поддержку индонезийского языка, но карточка также упоминает многоязычный обучающий набор на 26 языках. Условия лицензии в предоставленных данных не указаны.

leliuga/all-MiniLM-L12-v2-GGUF — это квантованные файлы модели all-MiniLM-L12-v2 в формате GGUF. Исходную модель разработала команда Sentence Transformers, а данный вариант подготовлен пользователем Leliuga на основе sentence-transformers/all-MiniLM-L12-v2. Модель предназначена для получения эмбеддингов предложений и задач сравнения семантического сходства текста, включая sentence similarity, поиск и извлечение признаков. Она относится к семейству BERT и использует архитектуру MiniLM; в README указано, что поддерживается английский язык. Формат GGUF ориентирован на использование в совместимых локальных инструментах инференса, однако конкретные параметры квантования и требования к ресурсам не указаны. Сильными сторонами модели являются компактный формат распространения и специализация на семантическом представлении предложений. В качестве ограничений следует учитывать англоязычную направленность, отсутствие сведений о размере модели, длине контекста, точных вариантах квантования и готовых характеристиках производительности. Модель распространяется по лицензии Apache-2.0.

Модель naicasc/all-MiniLM-L6-v2-finetuned-it-project-docs-qa-10000-6ep — энкодер предложений Sentence Transformers на архитектуре BERT, дообученный на наборе it_project_docs. Она преобразует предложения и абзацы в плотные семантические векторы размерности 384, нормализованные для сравнения по косинусному сходству. В метаданных указано 25,9 млн параметров и контекст до 512 токенов; README задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов по тематике набора обучения, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Её можно применять для сопоставления вопросов с ответами и построения поиска по документам. Базовая модель — sentence-transformers/all-MiniLM-L6-v2; язык в карточке явно не указан, однако базовый энкодер предназначен для английского языка. Сведения о лицензии в предоставленных данных отсутствуют.

ArlowGPT-8B — англоязычная инструкционно настроенная текстовая модель, созданная на основе Meta Llama 3.1 8B Instruct и дообученная разработчиком на наборе инструкций в течение 10 эпох. Модель предназначена для диалогов, генерации текста, ответов на вопросы, суммаризации и анализа документов. По метаданным, это плотная архитектура Llama с 7,5 млрд параметров, класс LlamaForCausalLM, контекст до 131 072 токенов; поддерживаются чат и интерфейс вызова инструментов. Заявленные сценарии включают многошаговые диалоги, создание профессиональных и творческих текстов, объяснения и синтез информации. Карточка также заявляет области права, медицины и финансов, однако не приводит подтверждений специализированной отраслевой подготовки. Основной язык в метаданных — английский. Модель использует библиотеку Transformers и формат safetensors; лицензия — Llama 3.1. Для запуска нужны значительные вычислительные ресурсы, а качество ответов зависит от запроса и не гарантирует фактическую точность.

TuralBayev разработал axeron-verify-05weight как объединённую модель семейства Qwen2.5, созданную методом Task Arithmetic с помощью forgelm. В основе лежит Qwen/Qwen2.5-3B; при объединении использованы Qwen2.5-3B-Instruct и Qwen2.5-Coder-3B-Instruct. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 3,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия; поддержка интерфейса вызова инструментов указана в метаданных. Веса сохранены в формате safetensors, для вычислений использована точность bfloat16. Карточка не описывает отдельные области применения или языки; базовая модель Qwen2.5-3B-Instruct характеризуется каталогом как компактная многоязычная модель для выполнения инструкций и генерации текста, включая структурированные ответы. Лицензия в предоставленных данных не указана. Качество и специализация результата объединения отдельно не описаны, поэтому его пригодность для конкретных задач следует оценивать на соответствующих примерах.