I.3Извлечение и структурирование данных

Beeper-King-22B — объединённая и слегка скорректированная версия MS-Meadowlark-22B от ToastyPigeon. Это плотная авторегрессионная языковая модель семейства Mistral с 22 млрд параметров и контекстом до 131 072 токенов. Репозиторий содержит веса Safetensors; метаданные указывают поддержку чата и интерфейса вызова инструментов. Модель предназначена для генерации текста в формате инструкций и чата, включая следование подсказкам и описаниям персонажей. В карточке заявлена совместимость с форматами инструкций Mistral V2 и V3, а также с Alpaca. Автор описывает характер ответов как более «вольный», сохраняя при этом хорошее следование запросам. Модель собрана с использованием нескольких моделей Mistral и QLoRA-производных, включая Beepo-22B; автор указывает, что заменил базовую модель для применения QLoRA. Лицензия в предоставленных данных не указана.

BLOSSOM-v3.1-baichuan2-7b — диалоговая языковая модель, разработанная на основе Baichuan2-7B-Base и дообученная командой BLOSSOM на смеси наборов инструкций Orca, Wizard, Chat и Math. Модель имеет плотную архитектуру Baichuan с 7 млрд параметров и контекстное окно 4096 токенов; она принимает текст и генерирует текст в формате продолжения диалога. Модель предназначена для ответов на вопросы, выполнения инструкций, многоходового диалога и математических рассуждений на китайском и английском языках. Обучение проходило в два этапа: сначала на одношаговых инструкциях Wizard и Orca, затем на математических примерах и многотуровых диалогах Blossom Chat. Лицензия — Apache-2.0.

Blur-4x7b-MOE-v0.1 — объединённая методом LazyMergekit модель Mixtral Mixture of Experts, созданная liminerity на основе четырёх моделей семейства Blur. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов; веса опубликованы в формате safetensors. Модель предназначена для генерации текста и общих языковых задач. В README приведены результаты Open LLM Leaderboard, включая показатели на тестах AI2 Reasoning Challenge и HellaSwag. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает, для каких языков она оптимизирована, поэтому конкретные языки не перечислены.

CapRL-InternVL3.5-8B — мультимодальная модель для описания изображений, разработанная авторами проекта CapRL на основе InternVL3.5-8B от OpenGVLab. Это плотная модель семейства InternVL с 8 млрд параметров, предназначенная прежде всего для генерации развернутых и содержательных подписей к изображениям. Она принимает изображения и текстовые запросы и формирует текстовый ответ; для запуска авторы описывают использование Transformers и совместимого с OpenAI API сервера vLLM. Модель обучена в рамках CapRL — подхода с обучением с подкреплением на проверяемых наградах для открытой задачи описания изображений. В README также отмечены диаграммы, инфографика, документы и природные изображения как сценарии серии CapRL; заявленные сравнительные результаты относятся к CapRL-3B, поэтому их нельзя напрямую считать подтверждением характеристик этой 8B-модели. Модель выпущена под лицензией Apache-2.0. В доступных данных не приведены сведения о длине контекста.

Карточка модели Newmetrics/cohere-transcribe-arabic-07-2026 на Hugging Face совпадает с карточкой CohereLabs/cohere-transcribe-arabic-07-2026, поэтому описание составлено по ней. Cohere Transcribe Arabic — открытая модель распознавания речи на 2 млрд параметров, разработанная Cohere и Cohere Labs. Она предназначена для преобразования аудио в текст и оптимизирована для арабского языка, его диалектов и английской речи; также заявлена поддержка арабско-английской речи со смешением языков. В основе — архитектура Conformer encoder-decoder, модель поддерживается библиотекой Transformers и подходит для офлайн-инференса и обслуживания запросов через vLLM. Модель применима для транскрибации арабских аудиозаписей, распознавания диалектной речи и транскрибации английского аудио. Разработчики отмечают высокую точность на арабском и английском и эффективный инференс. Лицензия Apache-2.0. Модель лучше работает с одним заранее выбранным языком; автоматического определения языка нет, а качество на смешанной арабско-английской речи может быть нестабильным. Она не выдаёт временные метки и не выполняет диаризацию говорящих. На тишине и фоновых шумах может генерировать текст, поэтому перед распознаванием полезны шумовой фильтр или VAD.

tomaarsen выпустил англоязычный CSR Sparse Encoder на базе mixedbread-ai/mxbai-embed-large-v1, дообученный на Natural Questions с использованием Sentence Transformers. Модель преобразует предложения и абзацы в разреженные векторы размерностью 4096 с максимум 256 активными измерениями и использует косинусное сходство; максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и разреженного поиска информации, в частности для сопоставления вопросов с подходящими ответами или документами. В карточке приведены оценки поиска на наборах Natural Questions с разным числом активных измерений. Модель имеет 433,9 млн параметров и распространяется по лицензии Apache-2.0.

DatacampLlama-3.1-8B-GGUF — набор GGUF-квантизированных версий модели DatacampLlama-3.1-8B, опубликованной mlabonne. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска, в частности через llama.cpp и LM Studio; в README заявлена поддержка английского языка и формат чата с ролями system, user и assistant. Модель относится к семейству Llama 3.1 и имеет размер 8B параметров. Доступны варианты от исходных весов F16 размером около 16,07 ГБ до компактных форматов Q2 и IQ3 размером примерно 3,66–4,78 ГБ, а также более качественные варианты Q4–Q8. Высокие уровни квантизации обеспечивают лучшее сохранение качества, тогда как компактные версии требуют меньше оперативной памяти, но могут заметнее уступать в качестве генерации. Отдельные варианты оптимизированы для CPU и ARM-инференса. README не указывает размер контекста, мультимодальные возможности, результаты бенчмарков или подробности обучения, поэтому модель следует рассматривать как текстовую, без подтвержденной поддержки изображений и других модальностей. Лицензия — Apache 2.0.

DeepSeek-R1-Distill-Llama-8B-heretic — это модифицированная версия DeepSeek-R1-Distill-Llama-8B, разработанная пользователем saidutta69 с применением Heretic v1.4.0. Модель основана на Llama и представляет собой дистиллированную 8-миллиардную модель с уклоном на рассуждения и генерацию текста. Указанный язык — английский, модальность — текстовая. Модель предназначена для диалогов, следования инструкциям и задач, требующих рассуждений, когда нужен прямой ответ без встроенного поведения отказа. Подавление отказов выполнено направленным редактированием весов в выходных проекциях attention и down-projection MLP, без дообучения. По заявлению автора, это позволяет в значительной степени сохранить знания и способность следовать инструкциям исходной модели, однако модель не является улучшением базовой версии по возможностям. Доступны полноточные веса в формате BF16 и квантизованные варианты GGUF Q4_K_M, Q5_K_M, Q6_K и Q8_0. Модель рассчитана на запуск через llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang; для локального использования рекомендуются GPU с 8–12 ГБ памяти или совместимые квантизации на потребительском оборудовании. Размер контекста в README не указан. Важное ограничение — отсутствие дополнительной фильтрации безопасности: модель может выполнять запросы, от которых исходная версия отказалась бы, включая потенциально нежелательные. Ответственность за применение и развертывание возлагается на пользователя. Лицензия унаследована от базовой модели и обозначена как deepseek-license.

DRAGON-RoBERTa Query Encoder — плотный энкодер запросов для поиска, разработанный Facebook. Это модель семейства RoBERTa, инициализированная RoBERTa-base и дополнительно обученная на данных, расширенных из корпуса MS MARCO, по подходу DRAGON. Она входит в асимметричную двухэнкодерную систему: для запросов и контекстов используются отдельные модели с разными параметрами. Энкодер преобразует текстовые запросы в векторные представления для плотного поиска и извлечения релевантных документов. В карточке приведены результаты системы DRAGON-RoBERTa: 39,4 на MS MARCO Dev и 47,2 на BEIR. Модель содержит 151,8 млн параметров, поддерживает контекст до 514 токенов и распространяется в формате PyTorch. Для поиска контекстов требуется соответствующий DRAGON-RoBERTa Context Encoder; лицензия в предоставленных данных не указана.

DUSUNEN Pusula 118M v1 — компактная модель Sentence Transformers на базе BERT, разработанная и выпущенная Göktuğ Düşünen. Она преобразует турецкие запросы и документы в векторы для семантического поиска и сопоставления предложений. Модель дообучена на 50 000 турецких триплетов с трудными отрицательными примерами с применением Matryoshka Representation Learning. По умолчанию модель выдаёт векторы размерности 384; их можно обрезать до 256, 192, 128, 64 или 32 измерений, чтобы уменьшить размер индекса. Контекст — до 512 токенов. В репозитории также есть динамически квантованная ONNX-версия для инференса на CPU с AVX2. Проверки и бенчмарки README показывают результаты на конкретных наборах данных и не гарантируют такое же качество в прикладных сценариях. Модель распространяется по лицензии Apache-2.0.

Erlangshen-TCBert-110M-Sentence-Embedding-Chinese — китайская модель семейства BERT, разработанная командой Fengshenbang-LM. Это вариант TCBert с примерно 129,5 млн параметров, предназначенный для получения векторных представлений предложений и классификации тем. Модель предварительно обучалась контрастивным методом на многочисленных наборах данных тематической классификации с использованием общих промптов; в README описаны эксперименты на китайских наборах TNEWS, CSLDCP и IFLYTEK. Модель принимает китайский текст и выдаёт предсказания замаскированных токенов; архитектура в метаданных указана как BertForMaskedLM с контекстом до 512 токенов. Представления предложений можно применять в сценариях тематической классификации и оценки сходства. Опубликована в формате PyTorch под лицензией Apache-2.0. Метаданные Hugging Face помечают её задачей fill-mask, поэтому для извлечения эмбеддингов может понадобиться соответствующая настройка модели и pooling.

Everyone-LLM-7b-Base — базовая языковая модель из серии EveryoneLLM, созданная сообществом и опубликованная rombodawg. Это объединённая модель на архитектуре Mistral с 7,1 млрд параметров, предназначенная для генерации текста и выполнения инструкций в шаблоне Alpaca. В карточке приведены результаты тестов Open LLM Leaderboard, включая задачи на рассуждение и здравый смысл. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. README сообщает о слиянии множества дообученных моделей сообщества, но не приводит их названия, поэтому базовые компоненты установить нельзя. Лицензия в метаданных обозначена как unknown; условия использования следует уточнить у автора перед применением.

MaziyarPanahi/Experiment26Yam_YamYam — объединённая языковая модель на архитектуре Mistral, созданная слиянием automerger/Experiment26Yam-7B и automerger/YamYam-7B. Модель содержит 7,1 млрд параметров и принимает текстовые запросы для генерации текста; заявленная длина контекста — до 32 768 токенов. Модель подходит для генерации продолжений и ответов на текстовые запросы, а также для диалоговых сценариев на её основе. В репозитории размещены веса в формате Safetensors. Лицензия — Apache-2.0.

Falcon3-7B-Instruct-GGUF — это GGUF-квантизированная версия инструкционной языковой модели Falcon3-7B-Instruct, разработанной Technology Innovation Institute (TII) и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и диалогового взаимодействия, включая запуск локально через llama.cpp и совместимые приложения, например LM Studio. Для общения используется шаблон с ролями system, user и assistant. Модель поддерживает английский, французский, испанский и португальский языки. Базовый размер составляет 7 млрд параметров; доступны варианты от F16 до Q2_K, поэтому можно выбирать баланс между качеством, скоростью и требованиями к памяти. Квантизация выполнена с использованием imatrix, а в README отдельно отмечено исправление tokenizer. Варианты Q5 и Q6 характеризуются как высококачественные, Q4_K_M — как стандартный вариант для большинства сценариев, а более компактные Q3 и Q2 имеют заметно более низкое качество. Основные ограничения связаны с потерями качества при низких уровнях квантизации и отсутствием в README данных о размере контекста, архитектурных деталях, производительности и специализированных возможностях. Модель распространяется по лицензии Falcon LLM License; условия доступны по ссылке, указанной в карточке модели.

FineLlama-3.1-8B-GGUF — это набор GGUF-квантизированных вариантов языковой модели FineLlama-3.1-8B, разработанной mlabonne и подготовленной квантизацией bartowski с использованием llama.cpp и калибровочного imatrix-датасета. Модель предназначена для генерации текста и локального запуска, в том числе через LM Studio и совместимые инструменты llama.cpp. В README указан английский язык и тип задачи text-generation; сведения о мультимодальности отсутствуют. Доступны варианты от F32 до низкобитных Q2 и IQ2, поэтому можно выбирать между качеством и требованиями к памяти: размер файлов составляет примерно от 2,95 до 32,13 ГБ. Варианты Q5–Q6 и Q4_K_M отмечены как обеспечивающие высокое или хорошее качество, а низкобитные варианты позволяют работать при ограниченном объёме RAM, но сильнее теряют в качестве. Точный размер контекста, архитектурные детали исходной модели и рекомендуемый формат промпта в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

sgugger/finetuned-bert-mrpc — модель классификации последовательностей на базе BERT, дообученная на наборе GLUE для задачи MRPC, связанной с определением смысловой эквивалентности пар предложений. Модель содержит 135,5 млн параметров, использует архитектуру BertForSequenceClassification и принимает текстовые входы с контекстом до 512 токенов. Модель подходит для определения, выражают ли два предложения одинаковый смысл, например, для сопоставления перефразировок. На оценочной выборке указаны accuracy 0,8235 и F1 0,8792. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Языковая специализация в карточке не указана.

Gemma 3 1B IT — компактная instruction-tuned модель для генерации текста, разработанная Google. Данная версия распространяется сообществом LM Studio в формате GGUF: квантизацию выполнил bartowski на основе llama.cpp. Модель предназначена для локального запуска и поддерживает задачи генерации текста, включая ответы на вопросы, суммаризацию и рассуждения. Модель имеет размер 1 млрд параметров, контекст до 32 000 токенов и максимальную длину вывода 8192 токена. Для работы требуется llama.cpp runtime версии 1.19.0 или более новой, причём README отдельно указывает на необходимость актуальной beta-версии runtime. К сильным сторонам относятся компактный размер, возможность локального использования и большой контекст; конкретные языки и модальности в предоставленных данных не указаны. Ограничения включают зависимость от совместимого runtime и потенциальные ошибки, неточности или неподходящее содержимое, характерные для генерирующих моделей. Использование регулируется лицензией Gemma; для доступа на Hugging Face требуется ознакомиться с условиями лицензии Google.

Gemma-3-4B-VL-it-Gemini-Pro-Heretic-Uncensored-Thinking-GGUF — мультимодальная instruction-tuned модель на архитектуре Gemma 3 с примерно 4 млрд параметров. Она основана на модели DavidAU/Gemma-3-4B-VL-it-Gemini-Pro-Heretic-Uncensored-Thinking, опубликована в формате GGUF и предназначена для эффективного локального запуска; в README издателем указан mradermacher. Модель поддерживает работу с текстом и изображениями, ориентирована на английский язык и используется для диалогов, рассуждений, анализа, творческого письма, суммаризации, перефразирования, описания изображений, визуальных вопросов и понимания сцен и объектов. Длина контекста в представленном описании не указана. Ключевая особенность модели — сниженный уровень контентной фильтрации и ограничений выравнивания, что может быть полезно для экспериментов, исследований и специализированных локальных сценариев, но повышает вероятность чувствительных или нежелательных ответов. Модель совместима с GGUF-совместимыми средствами инференса, включая llama.cpp и сборки Ollama, однако фактическая производительность и поддержка мультимодальных функций зависят от используемого рантайма и оборудования. Для публичных и критически важных применений необходимы дополнительные фильтры и проверка результатов. Указана лицензия Apache 2.0, унаследованная от базовой модели.

Gemma-4-12B-GGUF — мультимодальная vision-language модель на базе google/gemma-4-12B, разработанной Google. Данная версия представляет собой набор квантизированных GGUF-сборок, подготовленных пользователем Dhptl с помощью quant-kit 19 июня 2026 года. Модель принимает текст и изображения и предназначена для локального запуска через llama.cpp, LM Studio, Jan или Ollama. Архитектура состоит из текстовой основы и отдельного vision encoder в формате mmproj. Для работы обязательно нужны один файл текстовой модели и файл gemma-4-12B-mmproj-f16.gguf; vision encoder хранится в формате F16 и не квантизирован. Доступны варианты квантизации от Q2_K до Q8_0, размер текстовой основы составляет примерно от 4,5 до 11,8 ГБ, а рекомендуемый вариант Q4_K_M занимает около 6,87 ГБ и требует примерно 8,4 ГБ RAM. Указан английский язык. Максимальный размер контекста в README не приведён; в примере запуска используется контекст 4096 токенов. Модель подходит для диалога, генерации и анализа текста, а также для обработки изображений: например, описания содержимого изображений и ответов на вопросы по ним. Основные преимущества — мультимодальность, поддержка популярных инструментов локального запуска и возможность выбрать компромисс между качеством, скоростью и потреблением памяти. Ограничения связаны с потерями качества при сильной квантизации, необходимостью загружать два файла и заметными требованиями к RAM; заявленные скоростные бенчмарки в README не представлены. Лицензия — Apache-2.0.

Карточка модели Paul691/gemma-4-12B-it-abliterated-uncensored на Hugging Face совпадает с карточкой OpenYourMind/gemma-4-12B-it-abliterated-uncensored, поэтому описание составлено по ней. Gemma-4-12B-it-abliterated-uncensored — дообученная версия Gemma 4 12B Unified от автора OpenYourMind, созданная на основе google/gemma-4-12B-it. Веса BF16 содержат около 11,95 млрд параметров; архитектура — плотный decoder-only трансформер из 48 слоёв с единой мультимодальной обработкой без отдельных энкодеров для изображений и аудио. Модель предназначена для диалогов и генерации текста, а также для обработки изображений и аудио в мультимодальных запросах; в README также описана поддержка видеовхода. Вариант прошёл абляцию отказов, направленную на снижение стандартных отказов, при этом автор заявляет о сохранении рассуждений и мультимодальных возможностей исходной модели. Для запуска используются класс Gemma 4 в библиотеке Transformers и мультимодальный процессор; полные веса занимают около 24 ГБ. Модель распространяется по лицензии Gemma, унаследованной от базовой модели; перед использованием необходимо соблюдать её условия. Снижение отказов может влиять на безопасное поведение, а качество и надёжность ответов для этой модификации в карточке не подтверждены независимой оценкой.

Huihui-Mistral-Small-3.2-24B-Instruct-2506-abliterated-Q8_0-GGUF — это GGUF-квантизированная версия модели Huihui-Mistral-Small-3.2-24B-Instruct-2506-abliterated, разработанной Huihui-AI. Репозиторий therummage содержит конвертацию в формат GGUF, выполненную с помощью llama.cpp и сервиса GGUF-my-repo. По названию модель относится к семейству Mistral Small с размером 24B параметров и предназначена для инструкционного взаимодействия и генерации текста; в карточке также указан pipeline image-text-to-text, однако подробности поддержки изображений не приведены. Модель ориентирована на локальный запуск через llama.cpp в командной строке или в серверном режиме. Заявлена поддержка английского, французского, немецкого, испанского, португальского, итальянского, японского, корейского, русского, китайского, арабского, персидского и ряда других языков. Квантование Q8_0 обеспечивает представление в GGUF с уменьшенными требованиями к памяти по сравнению с полноразмерными весами, сохраняя близкую к исходной точность, но конкретные показатели производительности и качества в README не указаны. К преимуществам относятся возможность локального развертывания, совместимость с llama.cpp и широкий заявленный набор языков. Ограничения связаны с отсутствием в карточке подробных данных об архитектуре, максимальном контексте, требованиях к оборудованию, результатах тестирования и фактических возможностях мультимодальной обработки. Модель распространяется по лицензии Apache-2.0.

YTan2000 подготовил GGUF-конверсию модели Huihui-Qwen3.5-35B-A3B-abliterated для запуска через TurboQuant-вариант llama.cpp. Это мультимодальная модель семейства Qwen3.5 MoE с 35 млрд параметров и активной частью около 3 млрд; она поддерживает диалог, анализ изображений и интерфейс вызова инструментов. Основные веса сжаты до TQ3_4S, а тензоры эмбеддингов и выходного слоя оставлены в Q6_K. Для обработки изображений предусмотрен совместимый мультимодальный проектор в формате GGUF. Модель предназначена для диалоговых и агентных сценариев, генерации текста и ответов с учётом изображений. В коротком локальном smoke-тесте она показала результат 9 из 10, но это не полноценная оценка качества. Для запуска требуется публичная TurboQuant-сборка llama.cpp. Модель описана как abliterated/uncensored и может выдавать чувствительный или небезопасный контент. Лицензия — Apache-2.0.

InternVL3.5-14B-Instruct — мультимодальная инструкцияя модель семейства InternVL3.5, разработанная OpenGVLab и дообученная на базе OpenGVLab/InternVL3_5-14B-Pretrained. Она принимает изображения вместе с текстовыми запросами и формирует текстовые ответы; подходит для диалога по изображениям, визуальных вопросов и задач рассуждения. В README описаны улучшения семейства InternVL3.5, включая Cascade RL для развития рассуждений, Visual Resolution Router для динамической настройки разрешения визуальных токенов и возможности взаимодействия с GUI и агентных сценариев. Модель относится к плотной архитектуре InternVLChat и распространяется в формате safetensors для Transformers. Репозиторий лицензирован по Apache-2.0. Карточка описывает мультиязычность, но конкретные языки не перечисляет. Указанные в README показатели ускорения и качества относятся к сравнению семейства InternVL3.5 с InternVL3 и не гарантируют такие же результаты для этой конкретной версии на любом оборудовании.

Josiefied-Qwen3-1.7B-abliterated-v1 — дообученная Гёкденизом Гюльмезом компактная языковая модель семейства Qwen3 на 1,7 млрд параметров. Она предназначена для генерации текста, диалогов и выполнения инструкций, с акцентом на менее ограниченные ответы и сохранение навыков следования инструкциям и использования инструментов. Модель использует плотную архитектуру Qwen3ForCausalLM, принимает текст и выдаёт текст. Длина контекста — до 40 960 токенов. В карточке заявлена поддержка разных языков; основной язык не выделен. Модель распространяется в формате safetensors, а в семействе также упомянуты варианты GGUF и MLX. Снижение фильтрации безопасности может приводить к чувствительным или спорным ответам. Автор предупреждает об использовании на свой риск. Лицензия в предоставленных данных не указана.

juanako-7b-UNA-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная объединением mistralai/Mistral-7B-Instruct-v0.2 и fblgit/juanako-7b-UNA методом SLERP с помощью MergeKit. Это плотная модель Mistral с 7,1 млрд параметров для генерации текста и общения в формате инструкций. Она рассчитана на диалоговые сценарии и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст; в метаданных заявлена поддержка чата. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. Карточка не приводит результатов сравнительных оценок качества или подробностей о языковом охвате, поэтому применимость для конкретного языка или задачи следует проверять отдельно.

mlx-community/Kimi-K2-Instruct-0905-mlx-DQ3_K_M — это MLX-версия модели Kimi-K2-Instruct-0905, разработанной Moonshot AI и конвертированной сообществом mlx-community с помощью mlx-lm 0.26.3. Модель предназначена для генерации текста и инструкционных сценариев: диалогов, ответов на запросы и других задач, поддерживаемых базовой моделью. README не содержит подтверждённых сведений о размере, архитектуре, языках и длине контекста. Основная особенность — смешанное динамическое квантование DQ3_K_M с преимущественно 3-битным представлением и отдельными компонентами с более высокой разрядностью. По описанию метода, такой подход призван приблизить качество к 4-битному квантованию при меньшем потреблении памяти. Модель ориентирована на запуск на одном Apple Mac Studio с чипом M3 Ultra и 512 ГБ памяти, сохраняя ресурсы для полезного контекстного окна; конкретные требования к памяти и фактические результаты тестов не указаны. Ограничения связаны с потерями качества, возможными для квантованной версии, а также с узкой оптимизацией под экосистему MLX и совместимое оборудование Apple. Для использования требуется mlx-lm; README указывает лицензию modified-mit и ссылку на лицензию исходной модели Moonshot AI.

daekeun-ml/KoSimCSE-supervised-roberta-large — корейская модель для построения эмбеддингов предложений на основе SimCSE и архитектуры RoBERTa-large. Она обучена с учителем на данных NLI и предназначена для сравнения смысловой близости текстов, поиска похожих предложений и использования в системах семантического поиска. В README приведены результаты оценки KoSimCSE на KLUE-STS и Kor-STS; таблицы для варианта supervised RoBERTa-large неполны, поэтому отдельные показатели этой модели подтвердить нельзя. Модель принимает текст и выдаёт векторные представления. Обучение описано для корейских наборов KLUE-NLI и Kor-NLI; метаданные также указывают язык ko. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

LaME-7B — мультимодальная модель для получения эмбеддингов, разработанная на основе Qwen2-VL-7B-Instruct. Она использует восемь обучаемых токенов [REASON], обучение с совместной контрастивной и декодерной супервизией и проекцию размерности 3584; латентный декодер основан на Qwen3-0.6B. Модель предназначена для поиска и сопоставления текста, изображений, видео и визуальных документов. README сообщает о высоких результатах на наборах MMEB-v2 и MRMR. Для запуска указаны Transformers и AutoModel/AutoProcessor; веса представлены в формате safetensors. Лицензия — Apache-2.0.

lb-reranker-0.5B-v1.0-GGUF — это квантованные в формате GGUF версии модели lb-reranker-0.5B-v1.0, разработанной lightblue и подготовленной для распространения пользователем bartowski. Модель предназначена для ранжирования текстов и переранжирования результатов поиска, например в системах семантического поиска, retrieval-augmented generation и других сценариях, где нужно оценить релевантность документов запросу. Модель имеет размер около 0,5 млрд параметров и относится к классу text-ranking и reranker. Она поддерживает широкий набор языков, включая английский, китайский, испанский, немецкий, арабский, русский, японский, корейский, хинди и многие другие. В репозитории представлены варианты с разными уровнями квантования — от F32 и F16 до Q8_0, Q6, Q5, Q4, Q3 и IQ — с размером файлов примерно от 0,34 до 1,98 ГБ. Квантование выполнено с использованием llama.cpp и метода imatrix; для запуска рекомендуется LM Studio или совместимое программное обеспечение. Длина контекста и подробности архитектуры в README не указаны. Сильными сторонами являются компактный размер, мультиязычность и наличие большого выбора квантованных вариантов, позволяющих подобрать баланс между качеством и потреблением памяти. Более низкие уровни квантования могут снижать качество ранжирования, а модель предназначена именно для оценки релевантности, а не для свободной генерации текста. Исходные данные связаны с датасетом lightblue/reranker_continuous_filt_max7_train. Указанная лицензия — Apache-2.0.

LFM2-1.2B-GGUF — языковая модель поколения LFM2, разработанная компанией Liquid AI. Это GGUF-версия базовой модели LiquidAI/LFM2-1.2B, предназначенная для генерации текста и запуска в средах, совместимых с llama.cpp. Модель ориентирована на edge AI и локальное развёртывание на устройствах с ограниченными ресурсами. Liquid AI позиционирует её как гибридную модель, сочетающую качество, высокую скорость работы и эффективность использования памяти. Указанный размер — 1,2 млрд параметров. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Модальность — текстовая; сведения о размере контекстного окна в карточке не приведены. К сильным сторонам относятся адаптация к on-device-сценариям, низкие требования к памяти и возможность запуска через llama.cpp. Ограничения включают отсутствие в карточке подробных данных о конкретной архитектуре, контекстном окне, качестве на отдельных задачах и вариантах квантования. Модель распространяется по лицензии lfm1.0; дополнительные условия следует уточнять в файле LICENSE.