I.3Извлечение и структурирование данных

BERT Dense Retriever — англоязычная модель плотного семантического поиска, разработанная Mihir Vyas и дообученная на MS MARCO Passage Ranking на базе google-bert/bert-base-uncased. Она кодирует запросы и passages в векторы фиксированного размера с помощью mean pooling и L2-нормализации; для поиска используется косинусное сходство. Векторы можно индексировать, например, в FAISS. Модель предназначена для поиска релевантных фрагментов по естественно-языковым запросам, извлечения контекста для RAG и построения систем информационного поиска. В README приведены результаты на MS MARCO и отдельных наборах BEIR, но они относятся к описанным там оценочным настройкам, включая гибридный поиск и переранжирование, и не гарантируют те же показатели при самостоятельном использовании энкодера. Лицензия — MIT.

swardiantara/bert-tiny-sst5-k1-fixed-cosine — компактная Sentence Transformer-модель на базе BERT, дообученная для сопоставления предложений. Она кодирует текст в плотные векторы размерности 128 и предназначена для поиска и сравнения фраз или абзацев по косинусному сходству. Архитектура включает BertModel с усреднением токенных представлений; модель содержит 4,4 млн параметров. Метаданные указывают контекст до 512 токенов, а карточка модели сообщает максимальную длину последовательности 128 токенов. Модель принимает текст и возвращает эмбеддинги. Обучение описано на 8 554 парах текстов с OrdinalProxyContrastiveLoss; примеры и базовая модель указывают на англоязычные данные. Компактный размер подходит для векторного поиска и семантического сравнения при ограниченных вычислительных ресурсах. Качество и применимость за пределами английского языка карточкой не подтверждены. Лицензия в предоставленных данных не указана.

Ангелитаср/bge-base-en-v1.5_eeid — англоязычный Sentence Transformer на архитектуре BERT, дообученный на базе BAAI/bge-base-en-v1.5. Модель преобразует предложения и абзацы в плотные эмбеддинги размерности 768; для сравнения используется косинусное сходство. В метаданных указано 136,7 млн параметров, максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации по эмбеддингам. Она обучалась на 3503 парах anchor-positive с MultipleNegativesRankingLoss; примеры связаны с вопросами по математике и типичными ошибками в ответах. Лицензия в предоставленных данных не указана.

upskyy/bge-m3-korean — модель Sentence Transformers, дообученная разработчиком upskyy на базе BAAI/bge-m3 на наборах korsts и kornli. Она кодирует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для сравнения смысловой близости текстов; сходство оценивается косинусной мерой. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений, максимальная длина последовательности — 8192 токена. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Основной целевой язык — корейский; метаданные также отмечают многоязычную поддержку. В README приведена оценка на sts-dev: корреляция Спирмена для косинусного сходства 0,8724. В репозитории указаны веса safetensors. Лицензия в предоставленных данных не приведена.

binhdinh-embedding — дообученная на внутреннем наборе примерно из 120 тысяч примеров модель Sentence Transformers, разработанная на основе bkai-foundation-models/vietnamese-bi-encoder. Она кодирует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для вычисления семантического сходства и поиска. Архитектура основана на RoBERTa с усреднением токенных представлений; для сравнения векторов применяется косинусное сходство. Обучение с Matryoshka Loss позволяет сокращать размерность эмбеддингов с небольшими потерями качества. Модель предназначена для семантического поиска, оценки сходства предложений, поиска парафраз, кластеризации и классификации текста. В README приведена оценка на наборе Zalo для поиска правовых документов, однако это не означает, что модель ограничена юридической тематикой. Контекст ограничен 258 токенами по метаданным; README указывает максимум 256 токенов. Лицензия — Apache-2.0.

brazembed-pt-br-sts — компонент системы BrazEmbed-PT-BR от tardellirs, предназначенный для вычисления семантического сходства предложений на бразильском португальском. Это дообученная модель SentenceTransformer на базе BERTimbau Base с архитектурой BERT; её размер составляет 136,1 млн параметров, а контекст ограничен 512 токенами. Модель формирует эмбеддинги с mean pooling и L2-нормализацией, без префикса инструкции. Модель подходит для оценки близости предложений, поиска семантически похожих текстов и ранжирования кандидатов по сходству. В README для системы BrazEmbed-PT-BR приведён результат MTEB(por) mean_16 0,6567 и заявлено первое место в классе моделей около 100 млн параметров; это системный показатель, а не отдельная оценка данного компонента. Распространяется по лицензии MIT.

Calme-Ties2-78B — объединённая чат-модель на архитектуре Qwen2, опубликованная prithivMLmods. Она создана методом TIES с помощью mergekit на основе prithivMLmods/Calme-Ties-78B и модели MaziyarPanahi/calme-3.1-instruct-78b. Модель содержит 76,7 млрд параметров, принимает текст и генерирует текст, поддерживает диалоговый режим и имеет контекстное окно 32 768 токенов. Модель предназначена для диалогов и общих задач генерации текста. В конфигурации объединения использованы нормализация, int8-маска и тип данных bfloat16; для работы доступна библиотека Transformers. Репозиторий распространяется под лицензией, указанной в метаданных Hugging Face, однако конкретное значение лицензии в предоставленных данных отсутствует.

cho-embedding-0.8b — мультимодальная модель для получения эмбеддингов, разработанная на архитектуре Qwen3.5-0.8B и дистиллированная из Qwen3-VL-Embedding-8B. В модели 853 млн параметров, размерность эмбеддингов — 1024 с поддержкой MRL-размеров 256 и 64; длина контекста составляет 4096 токенов. Она принимает текст, изображения и их мультимодальные сочетания, формируя векторные представления для поиска и сравнения. Модель обучена методом полного дообучения с дистилляцией по KL-дивергенции и контрастивной функции на 3,4 млн мультимодальных примеров. В README приведены результаты на 36 задачах MMEB-Image, включая классификацию, визуальные вопросы, поиск и grounding. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0.

kornwtp/ConGen-paraphrase-multilingual-mpnet-base-v2 — модель семейства ConGen, представленная пользователем kornwtp. Она преобразует предложения в плотные векторы размерностью 768 и предназначена для семантического поиска и сравнения текстов. Модель основана на архитектуре CamemBERT и содержит 132,5 млн параметров; веса опубликованы в формате PyTorch. Модель можно применять для поиска смыслово близких предложений и оценки семантического сходства, в том числе в многоязычных сценариях, на которые указывает название модели. README ссылается на оценку качества на тайском бенчмарке эмбеддингов предложений. Максимальная длина контекста составляет 512 токенов. Лицензия — Apache-2.0. Карточка не приводит конкретные результаты бенчмарка или сведения о языках, кроме указания на мультиязычность в названии; качество на отдельных языках и длинных текстах следует проверять отдельно.

AnkushRaut216/Contrastive-Finetuned-for-AI-all-MiniLM-L6-V2 — дообученная контрастивным методом модель семейства MiniLM на текстах, связанных с искусственным интеллектом. Она построена на MiniLM-L6-H384-uncased и использует архитектуру BERT; модель содержит 25,9 млн параметров и рассчитана на текстовые входы длиной до 512 токенов по метаданным. README указывает, что последовательности длиннее 256 word pieces обрезаются, поэтому фактический предел может зависеть от используемого пайплайна. Модель преобразует предложения и короткие абзацы в плотные векторы размерностью 384, пригодные для семантического поиска, оценки сходства и кластеризации текстов. Обучение на парах предложений с контрастивной целью помогает сопоставлять близкие по смыслу фразы; карточка называет специализированную область — тексты об ИИ. Указанный язык карточки — английский. Модель распространяется под лицензией Apache-2.0. Она выдаёт эмбеддинги, а не готовые ответы или сгенерированный текст; качество на других языках и предметных областях в предоставленных данных не описано.

Covenant-72B-Chat — диалоговая языковая модель с настройкой по инструкциям, созданная на основе Covenant-72B. Разработчики описывают базовую модель как крупнейшую языковую модель, обученную совместно без разрешений; вариант Chat дообучен методом supervised fine-tuning. Модель использует плотную архитектуру LLaMA (LlamaForCausalLM), содержит около 70,6 млрд параметров и принимает текст для генерации ответов в диалоге. Контекст составляет 8192 токена, поддерживаемый язык по карточке — английский. Модель предназначена для диалоговых ответов и выполнения инструкций на естественном языке. В README приведены результаты бенчмарков по рассуждениям, математике, общим знаниям и следованию инструкциям; эти оценки показывают способности на тестовых наборах, но не гарантируют точность в прикладных сценариях. Опубликована в формате safetensors под лицензией Apache 2.0.

Это англоязычный разреженный CSR-кодировщик текста, созданный авторами Sentence Transformers и дообученный на Natural Questions от базовой модели mixedbread-ai/mxbai-embed-large-v1. Он преобразует запросы и документы в разреженные векторы размерностью 4096 с максимум 256 активными измерениями; близость оценивается скалярным произведением. Модель предназначена для семантического поиска и разреженного информационного поиска, в том числе по коллекциям вопросов и ответов. Модель основана на архитектуре BERT, содержит около 433,9 млн параметров, принимает текст длиной до 512 токенов и работает через библиотеку Sentence Transformers. В карточке приведены оценки поиска на наборах Natural Questions, MS MARCO, NFCorpus и NanoBEIR. Лицензия — Apache-2.0.

Decision-2.0-Kai-0.6B — плотная модель с 0,6 млрд параметров из семейства Decision 2.0, разработанная для vLLM Semantic Router и дообученная на базе Qwen/Qwen3-0.6B-Base. Она принимает текст или JSON и за один проход отвечает на вопросы выбора из нескольких вариантов, даёт ответ «да/нет» или оценку по шкале. Для каждого возможного ответа возвращается вероятность; модель предназначена для классификации без генерации текста. Контекст составляет 8 192 токена. В карточке сообщается о результатах на JevArena и наборе из 15 задач с разметкой людьми, а также о возможности одновременно обрабатывать несколько вопросов к одному входу. Для одного вопроса указана медианная задержка 4,9 мс на одном GPU; это результат карточки, а не гарантия производительности в других конфигурациях. Модель распространяется в формате safetensors по лицензии Apache-2.0.

bartowski/DeepSeek-R1-Distill-Qwen-7B-GGUF — это набор квантизированных версий языковой модели DeepSeek-R1-Distill-Qwen-7B, подготовленный bartowski в формате GGUF для запуска через llama.cpp и совместимые приложения, включая LM Studio. Модель предназначена для генерации текста и локального инференса на устройствах с ограниченными ресурсами. В основе лежит модель размером 7B параметров; точная архитектура, поддерживаемые языки и размер контекста в представленном README не указаны. Доступны версии от F32 и F16 до различных вариантов квантизации Q8, Q6, Q5, Q4, Q3 и Q2 с размером файлов примерно от 3,55 до 30,47 ГБ. Квантизация выполнена с использованием llama.cpp и imatrix, а для запуска рекомендуется применять указанный формат prompt. Сильная сторона набора — широкий выбор компромиссов между качеством, размером файла и требованиями к памяти: версии Q6 и Q5 заявлены как обеспечивающие очень высокое или высокое качество, а Q4 — как подходящие для большинства сценариев. Более компактные варианты предназначены для систем с небольшим объёмом RAM, но могут заметно уступать по качеству. Лицензия в README не указана, поэтому условия использования следует уточнять в документации исходной модели и репозитория.

Dolphin-2.6-FC_Hermes-2-DPO — объединённая модель генерации текста, созданная с помощью LazyMergekit путём слияния cognitivecomputations/fc-dolphin-2.6-mistral-7b-dpo-laser и NousResearch/Nous-Hermes-2-Mistral-7B-DPO. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Данные README описывают слияние методом SLERP в формате bfloat16; карточка базовой модели указывает на генерацию по инструкциям и общение в ChatML. В метаданных репозитория указан формат safetensors. Сведения о поддерживаемых естественных языках и конкретной лицензии отсутствуют, поэтому их нельзя надёжно указать.

mradermacher/e5-base-v2-i1-GGUF — набор квантизированных файлов модели intfloat/e5-base-v2, подготовленный пользователем mradermacher. Модель предназначена для получения векторных представлений предложений и оценки их семантического сходства, а также может применяться в задачах семантического поиска, кластеризации и других сценариях, где используются sentence embeddings. В README указана поддержка английского языка. Модель распространяется в формате GGUF и доступна в вариантах квантизации i1-IQ и i1-Q с размером файлов примерно от 0,1 до 0,2 ГБ. В набор входят варианты с различным компромиссом между размером, скоростью и качеством; для некоторых низкобитных вариантов прямо отмечено пониженное качество, а i1-Q4_K_S и i1-Q4_K_M обозначены как удачные варианты по соотношению характеристик. Архитектура, число параметров, модальности и размер контекста в README не указаны. Лицензия модели — MIT. Квантизация уменьшает требования к хранению и вычислительным ресурсам, но может снижать качество представлений по сравнению с исходной моделью; степень снижения зависит от выбранного варианта GGUF.

MaziyarPanahi/Falkor-7b-Mistral-7B-Instruct-v0.2-slerp-GGUF — это квантованная версия языковой модели Falkor-7b-Mistral-7B-Instruct-v0.2-slerp, разработанная и подготовленная MaziyarPanahi. Модель основана на Mistral-7B-Instruct-v0.2 и предназначена для генерации текста и выполнения инструкций в локальных и серверных сценариях. Модель поставляется в формате GGUF, совместимом с llama.cpp и рядом приложений и библиотек для локального запуска, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio, llama-cpp-python и другие. Доступны варианты квантования с разрядностью от 2 до 8 бит, включая Q2_K, Q3_K, Q4_K, Q5_K и Q6_K. Это позволяет выбирать компромисс между размером файла, требованиями к ресурсам и качеством генерации. Точное число параметров указано как 7B; поддерживаются текстовые задачи, однако сведения о языках и размере контекстного окна в README отсутствуют. Сильными сторонами являются уменьшенный размер квантованных файлов и возможность запуска на широком спектре локальных конфигураций с поддержкой CPU и GPU через совместимые инструменты. Ограничения включают потенциальное снижение качества при использовании более агрессивного квантования, а также отсутствие в README подробных результатов оценки, описания архитектуры с дополнительными деталями и характеристик мультимодальности. Модель распространяется по лицензии Apache-2.0.

Gemma4-26B-A4B-Uncensored-HauhauCS-Balanced-Ollama — это модифицированная и квантизированная версия Gemma 4 26B A4B, основанная на Google Gemma 4 26B A4B Instruct. Модель опубликована braydenh563, а вариант без ограничений разработан HauhauCS. Она предназначена для творческого письма, ролевых сценариев, эмоционально-интеллектуального общения, исследований, программирования и агентных задач с инструментами. Версия Balanced ориентирована на минимальное число отказов и обычно предоставляет полный ответ после краткой оговорки о безопасности, хотя в отдельных случаях может сначала уклониться от ответа. Модель использует архитектуру Mixture-of-Experts: около 25,2 млрд параметров всего и примерно 3,8 млрд активных параметров на проход, 128 маршрутизируемых экспертов, выбор 8 экспертов и одного общего эксперта. В ней 30 слоёв, гибридное внимание со скользящим окном на 1024 токена и периодическим глобальным вниманием, Proportional RoPE и нативный контекст до 256K токенов. Это нативно мультимодальная модель для текста и изображений; для обработки изображений поставляется отдельный mmproj, поддерживающий переменные бюджеты визуальных токенов от 70 до 1120 на изображение. В README заявлен английский язык. К сильным сторонам относятся высокая вычислительная эффективность MoE, большой контекст, мультимодальность, стабильность семплирования в длинных сессиях и специальные K_P-квантизации с оптимизацией по важности тензоров. Ограничения включают отсутствие приведённых независимых бенчмарков, зависимость качества и требований к памяти от выбранной квантизации, а также менее высокую пригодность для агентного программирования по сравнению с Qwen3.6, согласно автору README. Удаление отказов снижает встроенные защитные ограничения и требует самостоятельного контроля безопасного применения. Модель распространяется по лицензии Apache-2.0 в форматах GGUF; размеры доступных вариантов составляют примерно от 10 до 27 ГБ, а файл mmproj занимает около 1,2 ГБ.

upskyy/gte-base-korean — дообученная модель Sentence Transformer на основе Alibaba-NLP/gte-multilingual-base, созданная для работы с корейскими текстами. Она обучена на korsts и kornli и преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости, поиска и других задач с текстовыми представлениями. Модель использует трансформерный энкодер с усреднением токенных представлений; максимальная длина входа — 8192 токена. Для сравнения в README рекомендована косинусная близость. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации корейских текстов. Метаданные также содержат широкий набор языковых тегов, но карточка описывает дообучение именно для корейского языка. Модель распространяется в формате safetensors под лицензией Apache-2.0. В README приведены результаты оценки сходства на sts-dev; эти показатели относятся к указанному набору данных и не гарантируют качество на других доменах.

Qdrant/gte-large-onnx — ONNX-порт модели thenlper/gte-large, подготовленный для использования в экосистеме Qdrant. Это текстовая модель, формирующая векторные представления текстов и предназначенная для задач семантического сходства и поиска по близости, а также для сценариев классификации текста на основе эмбеддингов. Модель принимает текст на вход и преобразует его в числовой вектор фиксированной размерности. В README не указаны точные архитектура, количество параметров, размерность эмбеддингов, максимальная длина контекста и перечень поддерживаемых языков. Модель совместима с FastEmbed, что упрощает получение эмбеддингов для коллекций документов и последующее использование в системах семантического поиска. К сильным сторонам относятся формат ONNX и ориентация на задачи similarity search, однако README не содержит подробных сведений о качестве, производительности, ограничениях по длине текста или языковой специализации. Модель распространяется по лицензии Apache 2.0.

HCAE-21M-v1.1-Instruct — инструктивно дообученная модель эмбеддингов HeavensHackDev на архитектуре Hybrid Convolutional-Attention Encoder (HCAE). Она предназначена для поиска по смыслу, асимметричного поиска и семантического анализа специализированных текстов, включая научные и медицинские корпуса. Для запросов и документов поддерживает префиксы `query:` и `passage:` соответственно. Модель содержит 21,1 млн параметров, имеет гибридную архитектуру с четырьмя сверточными и четырьмя attention-блоками, а размерность эмбеддингов составляет 384. Контекст ограничен 512 токенами. Доступны веса Safetensors и формат ONNX для запуска, в том числе на устройствах с ограниченными ресурсами. В README приведены результаты на STSBenchmark и SciFact. Модель дообучена на наборах NLI, SciFact и специализированных технических данных. Лицензия — Apache-2.0.

Hermes-Instruct-7B-v0.2 — диалоговая языковая модель на архитектуре Mistral, созданная lodrick-the-lafted на основе Mistral-7B-Instruct-v0.2 с дообучением на части набора teknium/openhermes в формате Alpaca. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов; для общения подходят шаблоны Mistral-Instruct и Alpaca. Модель предназначена для генерации текста и диалоговых ответов по инструкциям. В карточке приведены результаты оценки на задачах рассуждения и понимания текста, включая AI2 Reasoning Challenge и HellaSwag. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

Tech-Meld/HX-Mistral-1.5B_v0.3 — диалоговая языковая модель семейства Mistral, созданная слиянием весов через SLERP в mergekit на основе mistralai/Mistral-7B-Instruct-v0.2. Она предназначена для генерации текста и ответов в чате на пользовательские запросы. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель распространяется в формате safetensors и использует точность float16 согласно конфигурации слияния. Метаданные классифицируют её как дообученную производную базовой модели, хотя README описывает именно слияние весов; поэтому происхождение указано как merge. Лицензия и заявленные языки в предоставленных данных не обозначены.

HyperLlama3.1-v2 — объединённая языковая модель, созданная с помощью mergekit из vicgalle/Configurable-Llama-3.1-8B-Instruct, bunnycore/HyperLlama-3.1-8B и ValiantLabs/Llama3.1-8B-ShiningValiant2. Это плотная причинная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров. Модель предназначена для диалогов и генерации текста по инструкциям. Она принимает текст и выдаёт текст; заявленная длина контекста — 131 072 токена. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Карточка не приводит отдельные сведения о качестве, поддерживаемых языках или ограничениях.

indoSBERT-large — модель семейства BERT, опубликованная пользователем denaya в формате PyTorch и предназначенная для получения плотных векторных представлений предложений и абзацев на индонезийском языке. Модель основана на sentence-transformers и дообучена по схеме сиамской сети, вдохновлённой SBERT, с использованием набора STS 2012–2016, переведённого на индонезийский язык. Размер эмбеддинга — 256 измерений, контекст — до 512 токенов. Полученные векторы подходят для семантического поиска, сравнения смысловой близости предложений и кластеризации текстов. Доступны веса PyTorch; модель принимает текст и выдаёт векторы. Лицензия в предоставленных сведениях не описана.

shyamieee/j4rviz-v4.0 — объединённая языковая модель на архитектуре Mistral, созданная с помощью mergekit методом task arithmetic. В качестве базовой использована bophades-mistral-truthy-DPO-7B; также в объединение вошли Calme-7B-Instruct-v0.9 и multi_verse_model. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст. Её задача — генерация текста, включая диалоговые ответы и выполнение инструкций в текстовом формате. Модель использует библиотеку Transformers, веса представлены в формате safetensors. Длина контекста составляет 32 768 токенов. Карточка не сообщает о специализации на конкретной предметной области или языках, поэтому модель следует рассматривать как языковую общего назначения. Лицензия — Apache-2.0.

jina-embeddings-v5-omni-small-clustering — мультимодальная модель эмбеддингов от Jina AI, созданная на базе jinaai/jina-embeddings-v5-omni-small. Она принимает текст, изображения, видео и аудио и преобразует их в векторы общего пространства, согласованного с текстовой моделью jinaai/jina-embeddings-v5-text-small-clustering. Вариант настроен для кластеризации; размер модели — около 1,56 млрд параметров, размерность эмбеддинга — 1024. Модель подходит для группировки и сравнения мультимодальных данных, а также для поиска, где документы индексируются текстом, а запросы поступают в виде текста, изображения, видео или аудио. Видео представляется последовательностью кадров; звуковая дорожка видео автоматически не обрабатывается и для совместного кодирования должна передаваться отдельно. Для текстовых документов README рекомендует добавлять префикс «Document: ». Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

KoSimCSE-roberta — модель эмбеддингов корейских предложений из проекта Korean-Sentence-Embedding. Она построена на архитектуре RoBERTa и предназначена для преобразования текста в векторы, пригодные для сравнения смысловой близости предложений и поиска семантически похожих текстов. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 514 токенов. В карточке проекта приведены результаты оценки на тесте семантического сходства текстов, а также отмечена возможность использовать предварительно обученные модели для инференса и обучения. Модель ориентирована на корейский язык. Метаданные указывают форматы PyTorch и Safetensors; сведения о лицензии в доступных данных отсутствуют.

snunlp/KR-SBERT-Medium-klueNLI-klueSTS — корейская модель SentenceTransformer от SNUNLP на основе BERT, дообученная на данных klue/klue. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для оценки семантической близости, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Для сравнения векторов используется косинусное сходство; средний pooling формирует представление из токенов. Модель принимает текст на корейском языке, имеет контекст до 512 токенов и около 128,6 млн параметров. Карточка приводит результат Spearman 0,8546 по cosine на sts-dev. Модель подходит для поиска похожих корейских фраз и построения эмбеддингов, но сама по себе не генерирует ответы; указанные задачи классификации требуют отдельной классификационной головы или последующей обработки векторов. Весовые файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

SteelStorage/L3.1-Meta-In-15B — объединённая плотная языковая модель семейства Llama, созданная с помощью mergekit методом passthrough на основе NousResearch/Meta-Llama-3.1-8B-Instruct. Репозиторий содержит веса в формате safetensors; размер модели — 14,5 млрд параметров, контекстное окно — до 131 072 токенов. Модель предназначена для генерации текста и диалогов, включая ответы на инструкции и запросы в чат-сценариях. В метаданных заявлена поддержка text-generation и возможности chat; базовая модель описана как многоязычная инструктивная модель Llama 3.1. Карточка не приводит результатов оценки качества, поэтому фактические сильные стороны сверх характеристик базовой модели подтвердить нельзя. Лицензия в предоставленных данных не указана.