I.3Извлечение и структурирование данных

LeoLM/leo-hessianai-70b-chat — немецкоязычная чат-модель, разработанная в рамках проекта LAION и HessianAI при участии Бьёрна Плүстера и Кристофа Шухмана. Это плотный авторегрессионный трансформер с архитектурой LlamaForCausalLM и 68,7 млрд параметров, созданный на базе LeoLM/leo-hessianai-70b и дообученный на немецких наборах инструкций. Модель принимает текст и генерирует текст; длина контекста составляет 8192 токена. В первую очередь она предназначена для диалогов, письма, объяснений и обсуждения на немецком языке, также проверялась на английском. В карточке отмечены сильные результаты на задачах письма, извлечения информации, STEM и гуманитарных тем. Модель слабее справляется с математикой, программированием и сложными рассуждениями, а также может давать неточные, предвзятые или нежелательные ответы и чаще ожидаемого отказываться отвечать. Для практического применения нужны проверки безопасности и настройка под конкретный сценарий. Лицензия — Llama 2 Community License; разработчики называют модель открытой и коммерчески доступной, использование регулируется условиями этой лицензии.

LeoScorpius-7B-Chat-DPO-Mistral-7B-Instruct-v0.1 — чат-модель, созданная MaziyarPanahi слиянием Mistral-7B-Instruct-v0.1 и LeoScorpius-7B-Chat-DPO методом SLERP. Она предназначена для генерации ответов на инструкции и ведения диалогов. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текстовые ответы. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Метаданные не указывают языковую специализацию модели.

LiquidAI/LFM2.5-1.2B-JP-202606-ONNX — это ONNX-экспорт универсальной чат-модели LFM2.5-1.2B-JP-202606, разработанной Liquid AI. Модель предназначена для генерации текста и диалоговых сценариев, включая агентские рабочие процессы, использование инструментов, структурированный вывод и создание двуязычных ассистентов на английском и японском языках. Экспорт поддерживает запуск через ONNX Runtime, Transformers.js и WebGPU в браузере или Node.js. Модель содержит около 1,17 млрд параметров, 16 слоёв, включая 10 double-gated LIV convolution blocks и 6 GQA blocks, поддерживает контекст до 32 768 токенов и словарь размером 65 536 токенов. Доступны варианты FP32, FP16, INT8 и INT4; рекомендуемый для WebGPU файл model_q4f16.onnx сочетает INT4-веса и FP16-компоненты и занимает около 744 МБ. Модель поддерживает английский и японский языки, а дата отсечения знаний указана как середина 2024 года. Ключевые преимущества — небольшой размер, несколько вариантов точности и возможность кроссплатформенного локального запуска, включая браузерный WebGPU. Ограничения включают отсутствие опубликованных в этом README benchmark-результатов и подробностей обучения, а также потенциальные компромиссы между качеством, скоростью и размером при использовании квантованных вариантов. Модель распространяется по лицензии LFM1.0; дополнительные условия следует уточнять в файле LICENSE.

EXAONE-4.0-32B-GGUF — это набор GGUF-квантизаций языковой модели EXAONE-4.0-32B, разработанной LGAI-EXAONE. Квантизации подготовлены пользователем bartowski с помощью llama.cpp версии b5934 и imatrix на основе исходной модели LGAI-EXAONE/EXAONE-4.0-32B. Модель предназначена для генерации текста и может использоваться локально через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 размером около 64 ГБ до компактных IQ3 и Q3 размером примерно 13–17 ГБ, а также более качественные Q4–Q8. Рекомендуемым вариантом по умолчанию указан Q4_K_M; варианты Q5 и Q6 обеспечивают более высокое качество при значительных требованиях к памяти, а низкобитные варианты подходят для систем с ограниченным объёмом RAM, но могут заметно уступать в качестве. Из README известно, что модель содержит 32 миллиарда параметров и работает в текстовой модальности. Архитектура, поддерживаемые языки, размер контекстного окна и точные характеристики исходной модели здесь не указаны. Шаблон чата также не задан: в README приведён предполагаемый формат, который может быть некорректным и требует проверки по карточке оригинальной модели. Лицензия в предоставленных данных не указана.

TheBloke/Llama-2-7B-AWQ — это 4-битная AWQ-квантизированная версия языковой модели Llama 2 7B, разработанной Meta. Модель предназначена для генерации текста и поддерживает английский язык. Квантизацию выполнил TheBloke на основе оригинальной модели meta-llama/Llama-2-7b-hf. Модель содержит около 7 млрд параметров, использует архитектуру Llama и рассчитана на работу с последовательностями длиной до 4096 токенов. Формат AWQ оптимизирован для эффективного GPU-инференса; опубликованная версия использует параметры 4-bit, group size 128 и занимает около 3,89 ГБ. Модель может применяться в задачах генерации текста и развёртываться для многопользовательского инференса с помощью vLLM или AutoAWQ. Ключевые преимущества — существенно меньшие требования к памяти и возможность использовать более доступные GPU по сравнению с полноразмерной моделью. AWQ также поддерживает высокопроизводительный инференс и непрерывную пакетную обработку в vLLM, однако в README отмечено, что общая пропускная способность может быть ниже, чем у неквантизированной модели. Модель является текстовой и не предназначена для обработки изображений или других модальностей. Лицензия указана как llama2.

Llama-3.1-Storm-8B-IMat-GGUF — это GGUF-версия модели Llama-3.1-Storm-8B, разработанной akjindal53244 и квантизированной legraphista с использованием llama.cpp и IMatrix. Модель предназначена для генерации текста, диалоговых сценариев, следования инструкциям, рассуждений и function calling. Она относится к семейству Llama 3.1 и имеет размер 8B параметров; исходный тип данных — BF16. Доступны варианты от BF16 и FP16 до низкобитных форматов, включая Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K, причём часть вариантов использует IMatrix для улучшения качества квантизации. Заявлена поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Модель ориентирована на локальный запуск через совместимое с GGUF программное обеспечение, например llama.cpp; конкретный размер контекста в README не указан. Основные преимущества — широкий выбор уровней квантизации, уменьшенный объём файлов и возможность подобрать баланс между качеством и требованиями к памяти. Низкобитные варианты могут уступать полноформатным по качеству, а сведения о результатах тестирования, мультимодальности и ограничениях безопасности отсутствуют. Лицензия указана как llama3.1.

MaziyarPanahi/Llama-3-70B-Instruct-32k-v0.1-GGUF — набор файлов модели в формате GGUF для MaziyarPanahi/Llama-3-70B-Instruct-32k-v0.1. Модель разработана и квантизирована MaziyarPanahi, относится к семейству Llama 3 и предназначена для генерации текста и выполнения инструкций. В названии указаны 70 миллиардов параметров и контекст до 32 тысяч токенов; сведения о поддерживаемых языках и точной архитектуре в README не приведены. Доступны варианты квантования с разрядностью от 2 до 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством работы. Формат поддерживается llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и рядом других инструментов для локального запуска, включая сценарии с GPU-ускорением и OpenAI-совместимым API. README не содержит результатов оценивания, подробного описания сильных и слабых сторон, а также информации о лицензии, поэтому эти характеристики нельзя определить по предоставленным данным.

Maziyar Panahi разработал Llama-3-8B-Instruct-v0.9 на основе MaziyarPanahi/Llama-3-8B-Instruct-v0.8. Это плотная авторегрессионная языковая модель семейства Llama с архитектурой LlamaForCausalLM, примерно 7,5 млрд параметров и контекстом до 8192 токенов. Модель предназначена для диалогов и генерации текста по инструкциям; для общения использует шаблон ChatML и может запускаться через библиотеку Transformers. В карточке приведены результаты тестирования на Open LLM Leaderboard, включая AI2 Reasoning Challenge и HellaSwag. Метаданные указывают английский язык. Репозиторий содержит веса в формате safetensors, а квантизованные GGUF-варианты размещены отдельно. Лицензия указана как other, поэтому перед использованием следует проверить условия лицензии в репозитории.

Llama-3-Instruct-8B-SPPO-Iter3-GGUF — квантизированная версия инструкционной языковой модели Llama-3-Instruct-8B-SPPO-Iter3, разработанной UCLA-AGI. Квантизацию в формате GGUF выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и работы в диалоговом формате с системными и пользовательскими инструкциями. Модель имеет около 8 миллиардов параметров, поддерживает текстовую модальность и ориентирована на английский язык. В репозитории доступны варианты квантизации от Q8 до Q2, различающиеся размером файла, требованиями к памяти и качеством генерации. Версии Q5–Q8 характеризуются высоким качеством, тогда как варианты Q3 и Q2 экономят память, но заметно уступают по качеству; некоторые варианты с суффиксом L используют F16 для весов эмбеддингов и выходного слоя и обозначены как экспериментальные. Модель подходит для локального запуска и ресурсоограниченных сценариев, где важен баланс между качеством и потреблением памяти. Ограничения включают зависимость результатов от выбранного уровня квантизации, отсутствие заявленной поддержки других модальностей и отсутствие в README сведений о размере контекстного окна и результатах бенчмарков. Для корректного использования следует применять указанный формат промпта Llama 3. Модель распространяется по лицензии Apache-2.0.

LongReward-llama3.1-8b-DPO — языковая модель семейства Llama 3.1, представленная авторами проекта LongReward. Это версия DPO-модели LongReward-llama3.1-8b-SFT, дообученная на предпочтениях с использованием раздела dpo_llama3.1_8b датасета LongReward-10k. Модель предназначена для генерации текста с длинным контекстом и поддерживает контекстное окно до 65 536 токенов. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат Safetensors; для работы README указывает библиотеку Transformers версии 4.43.0 или новее. Её можно применять для диалогов и ответов с учётом длинных документов и больших контекстов. В карточке указаны английский и китайский языки. Доступна под лицензией, указанной в репозитории Hugging Face.

LRAT Qwen3-Embedding-0.6B Clean-v1 — плотная модель для создания текстовых эмбеддингов и поиска релевантных фрагментов по веб-запросу. Чекпойнт подготовлен для соревнования XIR/LRAT и дообучен на официальном наборе Yuqi-Zhou/LRAT-Train на базе Qwen/Qwen3-Embedding-0.6B. Это полная модель с архитектурой Qwen3 и примерно 508 млн параметров, а не LoRA-адаптер. Модель кодирует запросы и пассажи в векторы размерности 1024; сходство вычисляется по косинусной мере после L2-нормализации. Для запросов требуется заданная в карточке инструкция, пассажи кодируются без неё. При обучении использовалась максимальная длина 512 токенов для запросов и пассажей; базовая модель поддерживает контекст до 32 768 токенов. Веса сохранены в FP32, возможна загрузка в BF16. Чекпойнт обучен на 96 503 парах данных LRAT в течение двух эпох с контрастивной функцией потерь. Карточка не приводит результатов на лидерборде, поэтому качество в соревновании не подтверждено. Модель распространяется по лицензии Apache-2.0.

Merlinite-7B — языковая модель IBM Research для генерации текста и диалогового общения. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, дообученная на базе mistralai/Mistral-7B-v0.1 методом LAB (Large-scale Alignment for chatBots). При подготовке использовалась синтетическая обучающая выборка, созданная с помощью Mixtral-8x7B-Instruct в роли учителя. Модель рассчитана прежде всего на английский язык и поддерживает контекст до 32 768 токенов. Её можно применять для ответов на вопросы, рассуждений, творческого письма и работы с информацией из документов. Авторы рекомендуют использовать системный промпт из обучения для оптимальной работы. Merlinite-7B не проходила выравнивание по человеческим предпочтениям с помощью RLHF и может выдавать проблемные или вымышленные ответы; сохраняются и ограничения базовой модели. Для важных решений ответы нужно проверять. Модель распространяется по лицензии Apache 2.0.

Модель artificialguybr/Meta-Llama-3.1-8B-openhermes-2.5 — дообученная на наборе teknium/OpenHermes-2.5 языковая модель Meta-Llama-3.1-8B для следования инструкциям и решения общих текстовых задач. Она построена на архитектуре LlamaForCausalLM с плотной causal language model архитектурой и содержит 7,5 млрд параметров. Модель принимает текст и генерирует текст; заявленный язык — английский, а нативная длина контекста составляет 131 072 токена. Модель подходит для генерации текста, ответов на вопросы и других сценариев, где требуется выполнять инструкции на естественном языке. В карточке указана лицензия Apache-2.0. Среди ограничений отмечены возможные смещения, связанные с обучающими данными, и риск генерации вредоносного или предвзятого контента.

DevQuasar-12/meta-llama.Llama-4-Scout-17B-16E-Instruct-GGUF — это квантованная версия языковой модели meta-llama/Llama-4-Scout-17B-16E-Instruct, опубликованная DevQuasar. Модель предназначена для генерации текста и работы в сценариях инструкционного взаимодействия, включая ответы на запросы пользователя и выполнение текстовых задач. Модель относится к семейству Llama 4 Scout; в её обозначении указаны конфигурация 17B и 16E. Формат GGUF предназначен для использования в совместимых инструментах локального запуска квантованных моделей. Согласно README, модель работает только с текстом; сведения о поддерживаемых языках, размере контекста и конкретном варианте квантования не приведены. К сильным сторонам относятся инструкцийная настройка исходной модели и возможность локального использования квантованной версии, что может снизить требования к ресурсам по сравнению с полноразмерной моделью. Ограничения связаны с отсутствием мультимодальных возможностей и недостатком данных о качестве, точности, требованиях к оборудованию и параметрах квантования. Лицензия в README не указана; условия использования следует уточнять для исходной модели и данной публикации отдельно.

DevQuasar-9/microsoft.Phi-4-mini-instruct-GGUF — это квантизированная версия модели Phi-4-mini-instruct, разработанной Microsoft. Модель предназначена для генерации текста и использования в сценариях, где требуется работа с инструкциями и текстовыми запросами. В карточке указано, что модель относится к классу text-generation и распространяется в формате GGUF, подходящем для совместимого локального запуска. Сведения о точном размере, варианте квантизации, архитектуре, длине контекста, поддерживаемых языках и дополнительных модальностях не приведены. К сильным сторонам относятся уменьшенные требования к хранению и вычислительным ресурсам по сравнению с полной версией, однако квантизация может влиять на качество ответов. Лицензия и условия использования в README не указаны.

Devstral-Small-2-24B-Instruct-2512-GGUF — это GGUF-квантизированная версия инструкционной модели Devstral-Small-2-24B-Instruct-2512, разработанной Mistral AI и преобразованной в набор квантованных файлов пользователем bartowski с использованием llama.cpp и imatrix-калибровки. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель имеет 24 млрд параметров; в README не указаны её точная архитектура, поддерживаемые языки, модальности и размер контекстного окна. Доступны варианты от BF16 размером 47,15 ГБ до компактных квантований Q3 и Q4, а также Q5, Q6 и Q8. Более высокие уровни квантования обычно обеспечивают лучшее сохранение качества, тогда как младшие варианты снижают требования к оперативной памяти. Для большинства сценариев в README рекомендован Q4_K_M, а для максимального качества — Q6_K_L или Q6_K. Сильная сторона этой версии — возможность локального использования большой инструкционной модели в различных компромиссах между качеством и потреблением памяти. Поддержка tool calling заявлена как частично работоспособная: одиночные вызовы в тестах выполнялись, но цепочки вызовов могли ломаться, поэтому совместимость с mistral-vibe не гарантируется. Модель распространяется по лицензии Apache-2.0.

Mistral-Small-3.2-24B-Instruct-2506-MLX-6bit — это 6-битная квантизированная версия мультимодальной инструкционной модели Mistral-Small-3.2-24B-Instruct-2506. Исходную модель разработала Mistral AI, а квантизацию в формате MLX предоставила команда LM Studio с использованием mlx_vlm. Модель предназначена для задач генерации текста и обработки изображений с текстом, включая сценарии, поддерживаемые исходной vision-language моделью. Она оптимизирована для запуска на устройствах Apple Silicon через MLX. Размер исходной модели составляет 24 млрд параметров, однако точные требования к памяти и производительности для этой 6-битной версии в README не указаны. Заявлена поддержка английского, французского, немецкого, испанского, португальского, итальянского, японского, корейского, русского, китайского, арабского, персидского и ряда других языков; размер контекста не указан. К сильным сторонам относятся мультимодальность, инструкционная настройка, поддержка нескольких языков и оптимизация для экосистемы Apple Silicon. Ограничения включают зависимость от совместимого оборудования и программного стека MLX, а также возможные неточности, нежелательные или вводящие в заблуждение ответы, характерные для генеративных моделей. Модель распространяется по лицензии Apache-2.0.

Jackrong/MLX-Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-v2-4bit — языковая модель, разработанная Jackrong и преобразованная в формат MLX из Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-v2 с использованием mlx-lm 0.30.7. Модель предназначена для генерации текста и задач, требующих рассуждений; в описании также указана специализация на chain-of-thought. Она рассчитана на использование с библиотекой mlx-lm, в том числе через chat template и интерфейс MLX. Модель имеет размер 27B параметров и представлена в 4-битном формате, что снижает требования к памяти по сравнению с полноразмерным представлением. Поддерживаются английский, китайский и корейский языки. Для обучения или дистилляции заявлены наборы данных nohurry/Opus-4.6-Reasoning-3000x-filtered, Jackrong/Qwen3.5-reasoning-700x и Roman1111111/claude-opus-4.6-10000x. Архитектура, максимальная длина контекста и мультимодальные возможности в README не указаны. Лицензия — Apache-2.0.

Карточка модели jfarray/Model_bert-base-multilingual-uncased_5_Epochs на Hugging Face совпадает с карточкой jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_5_Epochs, поэтому описание составлено по ней. Модель jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_5_Epochs — модель Sentence-Transformers на базе BERT, преобразующая предложения и абзацы в плотные векторы размерности 256. Она предназначена для поиска семантически близких текстов и кластеризации; также подходит для сравнения сходства предложений. Модель содержит 137,1 млн параметров, использует формат PyTorch и принимает последовательности длиной до 512 токенов. Обучение проводилось с функцией потерь CosineSimilarityLoss. По названию репозитория базовая модель — dccuchile/bert-base-spanish-wwm-uncased; модель ориентирована на испанский язык. Лицензия в предоставленных данных не указана.

Это англоязычная модель Sentence Transformer, разработанная tomaarsen и дообученная на microsoft/mpnet-base с использованием набора gooaq-hard-negatives. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантической близости, семантического поиска и задач сравнения текстов. Сходство векторов можно оценивать косинусной мерой. Модель построена на MPNet с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. Она подходит для поиска ответов на вопросы и других сценариев англоязычного информационного поиска. Также README перечисляет кластеризацию, классификацию текста и поиск парафразов как возможные применения. Модель принимает текст и выдаёт векторы; лицензия — Apache-2.0. Показатели в README приведены для отдельных тестовых наборов и не гарантируют качество на других данных.

jamescalam/mpnet-snli — модель на базе MPNet, дообученная Джеймсом Бриггсом с помощью sentence-transformers на наборе SNLI для получения векторных представлений предложений и абзацев. Она кодирует текст в плотные эмбеддинги размерности 768 и подходит для семантического поиска, сравнения предложений и кластеризации. Архитектура содержит около 136,7 млн параметров, принимает текстовый контекст длиной до 514 токенов и распространяется в формате PyTorch по лицензии MIT. В README указаны значения MRR@10 и MAP около 0,92 на тестовой выборке SNLI. Автор отмечает, что версия, обученная с негативными примерами, показывает лучшие результаты. Модель ориентирована на английский язык; качество на других языках не подтверждено.

Qdrant/multilingual-e5-large-onnx — это ONNX-версия модели intfloat/multilingual-e5-large, подготовленная Qdrant для работы с текстовыми представлениями. Модель предназначена для задач семантического сходства, поиска по смыслу и классификации текста, включая использование в системах векторного поиска и других сценариях, где требуется сравнивать текстовые эмбеддинги. Модель принимает текст и преобразует его в числовой вектор; README демонстрирует применение через библиотеку FastEmbed. Указана поддержка нескольких языков, однако конкретный перечень языков, размерность векторов, архитектура исходной модели и максимальная длина контекста в предоставленных данных не раскрыты. Формат ONNX может быть удобен для интеграции с совместимой инфраструктурой инференса. К ограничениям относится отсутствие в README подробностей о качестве на отдельных наборах данных, производительности, требованиях к ресурсам и точных границах применимости. Модель распространяется по лицензии Apache 2.0.

Xenova/multilingual-e5-small — мультиязычная модель для создания векторных представлений текста, разработанная на основе intfloat/multilingual-e5-small и подготовленная сообществом Xenova в формате ONNX. Модель предназначена для использования в Transformers.js и выполнения feature extraction, в том числе непосредственно в JavaScript-приложениях. Ключевая особенность модели — наличие ONNX-весов, обеспечивающих совместимость с Transformers.js и сценариями веб-инференса. По представленным данным, модель поддерживает мультиязычную обработку текста, однако точный перечень языков, архитектура, количество параметров, размер контекста и другие технические характеристики не указаны. Модель подходит для задач, где требуются текстовые эмбеддинги, например семантический поиск или сравнение текстов, но конкретные целевые сценарии и показатели качества в карточке не описаны. Лицензия также не указана, поэтому условия использования необходимо уточнять в исходном репозитории базовой модели.

Mollel/MultiLinguSwahili-mxbai-embed-large-v1-nli-matryoshka — модель Sentence Transformer, дообученная автором на базе mixedbread-ai/mxbai-embed-large-v1 на наборе Mollel/swahili-n_li-triplet-swh-eng. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического сравнения текстов, поиска, поиска перефразировок, классификации и кластеризации. Архитектура состоит из BERT-трансформера с пулингом CLS-токена; длина последовательности — до 512 токенов, сходство оценивается косинусной мерой. Обучающие данные содержат суахилийские и английские примеры, включая соответствующие по смыслу пары на обоих языках. Модель подходит для семантического поиска и сопоставления текстов на суахили и английском, в том числе в многоязычных сценариях. В README приведены результаты оценки сходства предложений на нескольких размерностях эмбеддингов, но качество на иных языках и прикладных наборах данных не описано. Доступна в формате safetensors; лицензия в предоставленных данных не указана.

MultiQA-mMini-L6-H384 — модель эмбеддингов предложений, разработанная carlesoctav на основе nreimers/mMiniLMv2-L6-H384-distilled-from-XLMR-Large. Она дообучена методом дистилляции с учителем sentence-transformers/multi-qa-MiniLM-L6-dot-v1 на параллельных английских и индонезийских предложениях. Модель кодирует запросы, вопросы и текстовые фрагменты в плотные векторы размерности 384 для семантического поиска, поиска документов и межъязыкового информационного поиска. Модель использует архитектуру XLM-RoBERTa и содержит 110,2 млн параметров. Эмбеддинги формируются с помощью CLS pooling и не нормализуются. Контекст модели составляет 514 токенов по метаданным, однако карточка указывает ограничение в 256 word pieces и обучение на текстах длиной до 80 word pieces, поэтому качество на более длинных фрагментах может снижаться. Валидационная точность для поиска параллельных текстов на паре английский—индонезийский составила 92%. Лицензия — Apache-2.0.

munin-neuralbeagle-7b-density-high — текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров, созданная командой merge-crew с помощью LazyMergekit. Согласно конфигурации, веса объединены методом dare_ties: в слиянии участвуют danish-foundation-models/munin-7b-alpha и mlabonne/NeuralBeagle14-7B с настройками density 0,7 и weight 0,6; указаны int8-маска и формат bfloat16. Модель предназначена для генерации текста и может использоваться для диалогов, следования инструкциям, рассуждений и творческих текстовых задач — возможности базовой NeuralBeagle14-7B. Контекст составляет до 32 768 токенов. Карточка не указывает отдельную языковую специализацию или лицензию, поэтому их нельзя уверенно описать.

Это Sentence Transformer на базе intfloat/multilingual-e5-large, дообученный автором vrnP66 на наборе inhouse_devanagari. Модель использует XLM-RoBERTa-large с усреднением токенных представлений и нормализацией, преобразуя предложения и абзацы в плотные векторы размерности 1024. Максимальная длина последовательности — 512 токенов; для сравнения векторов применяется косинусное сходство. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Обучение на парных примерах запросов и положительных и отрицательных текстов ориентирует её на работу с данными набора inhouse_devanagari; README также приводит результаты оценки на этом наборе и all-nli-test. Языки явно не перечислены, поэтому нельзя определить, насколько хорошо модель работает за пределами обучающих данных. Лицензия в предоставленных сведениях не указана.

Nemotron 3.5 ASR — многоязычная модель распознавания речи, разработанная NVIDIA. Она преобразует аудио в текст и предназначена для транскрибации потоковой речи с низкой задержкой и обработки аудиозаписей пакетами. Модель содержит 600 млн параметров и использует архитектуру Cache-Aware FastConformer-RNNT с языковым prompt-conditioning; потоковый режим повторно использует контекст кодировщика и обрабатывает новые аудиофрагменты. Размер фрагментов настраивается во время запуска: 80, 160, 320, 560 или 1120 мс. Модель поддерживает транскрибацию с пунктуацией и заглавными буквами для 32 локалей из коробки, включая русский, английский, испанский, немецкий, французский, арабский, китайский, японский и украинский. Ещё для восьми локалей заявлена готовность к адаптации, но для полноценной транскрибации на них требуется дообучение. Режим auto может определять язык и добавлять его метку к результату. Модель доступна через NeMo и Transformers; карточка заявляет готовность к коммерческому применению, лицензия указана как other.

MaziyarPanahi/neural-chat-7b-v3-Mistral-7B-Instruct-v0.1 — объединённая модель на архитектуре Mistral, созданная методом SLERP из mistralai/Mistral-7B-Instruct-v0.1 и Intel/neural-chat-7b-v3. Она предназначена для генерации текста в ответ на инструкции и для диалогового общения. Модель содержит 7,1 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. В метаданных указан английский язык, а репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

Nerdofdot/nickprock_mmarco-bert-base-italian-uncased_E_5_nli — модель Sentence-Transformers на базе BERT, разработанная пользователем Nerdofdot. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Обучение с MultipleNegativesRankingLoss и косинусной мерой сходства ориентировано на ранжирование текстовых пар. Модель содержит 137,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт векторные представления. По названию репозитория она предназначена для итальянского языка без учёта регистра; README не сообщает отдельные результаты оценки. В метаданных указан формат safetensors. Сведения о лицензии в предоставленных данных отсутствуют.