I.3Извлечение и структурирование данных

T-pro-it-2.1 — русскоязычная диалоговая модель семейства Qwen3, разработанная командой T-tech и дообученная на базе Qwen/Qwen3-32B. Это плотная языковая модель с 29,7 млрд параметров и контекстом до 40 960 токенов по метаданным; README отдельно указывает нативный контекст 32 768 токенов. Модель предназначена для диалога, следования сложным инструкциям, генерации текстов в несколько шагов и сценариев с вызовом инструментов. По заявлению разработчиков, она улучшена относительно T-pro-it-2.0 в следовании инструкциям и вызове инструментов; обучение включало инструкционный midtraining, SFT и оптимизацию GRPO с последующим слиянием экспертов методом SLERP. Модель принимает текст и генерирует текст, поддерживает русский язык, а также показывает результаты на англоязычных наборах оценки. README указывает режим без рассуждений (non-thinking). Для использования доступны веса в формате Safetensors и библиотека Transformers; лицензия — Apache-2.0. Разработчики предупреждают, что внедряющие модель самостоятельно отвечают за дополнительное обучение, надзор и приемлемость ответов. Приведённые в карточке бенчмарки являются результатами разработчиков и не гарантируют качество в конкретной прикладной системе.

USER-bge-m3 — русскоязычная модель sentence-transformers, разработанная командой DeepVK для получения семантических эмбеддингов предложений и абзацев. Она основана на TatonkaHF/bge-m3_en_ru — уменьшенной версии baai/bge-m3 — и дообучена преимущественно на русском языке. Архитектура модели относится к XLM-RoBERTa; размер составляет 449,9 млн параметров, контекст — до 8194 токенов. Модель преобразует текст в плотные векторы размерности 1024. Её используют для семантического поиска, сравнения похожести текстов, кластеризации, классификации и поиска по документам. В README приведены результаты сравнений на русскоязычных задачах encodechka и MTEB: по ряду средних метрик модель превосходит базовую baai/bge-m3, но в среднем на задачах reranking немного уступает ей. Возможности разреженного и многовекторного кодирования авторы тщательно не оценивали, а качество на языках помимо русского не проверялось. Лицензия — Apache-2.0.

PaDaS-Lab/xlm-roberta-base-msmarco — модель Sentence Transformer, разработанная PaDaS-Lab и дообученная на основе FacebookAI/xlm-roberta-base. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения косинусным сходством. Модель содержит около 305,2 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель обучалась на примерах MS MARCO с трудными негативными примерами, найденными с помощью cross-encoder MiniLM. Она предназначена для семантического поиска и сопоставления текстов, а также может применяться для поиска перефразирований, кластеризации и классификации текстов. Это многоязычная модель на базе XLM-RoBERTa; конкретный перечень поддерживаемых языков в карточке не приведён. Лицензия — MIT. Векторы отражают сходство текстов, но сами по себе не дают объяснений релевантности; качество зависит от языка, предметной области и длины входного текста.

jamiehudson/579-STmodel-v5_final — модель Sentence Transformers на архитектуре MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и подходит для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов. В карточке указано обучение с функцией потерь CosineSimilarityLoss. Модель можно использовать через Sentence-Transformers или Transformers с подходящей операцией pooling. Доступны веса PyTorch. Лицензия в предоставленных данных не указана.

jamiehudson/600-STmodel-brand-rem — модель Sentence-Transformers на базе MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства текстов и кластеризации. Модель содержит 136,7 млн параметров и принимает текстовые входные данные; для работы доступны Sentence-Transformers и Hugging Face Transformers. Модель обучалась с функцией потерь CosineSimilarityLoss. В карточке не указаны специализированная предметная область или поддерживаемые естественные языки. Репозиторий содержит веса PyTorch; лицензия не приведена в доступных сведениях.

all-MiniLM-L12-v2 — модель Sentence Transformers на архитектуре BERT, размещённая пользователем sheldonrobinson. Она кодирует предложения и короткие абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства и кластеризации. Модель дообучена контрастивным обучением на более чем миллиарде пар предложений, используя microsoft/MiniLM-L12-H384-uncased; поддерживает текстовый ввод и выдаёт векторные представления. По README, вход длиннее 256 word pieces обрезается; метаданные указывают контекст до 512 токенов. Лицензия — Apache-2.0.

Это модель Sentence Transformers на базе MPNet, разработанная автором репозитория hmehta92. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения предложений и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 514 токенов. При обучении использовалась функция потерь MultipleNegativesRankingLoss с косинусным сходством. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

jiahaohou/all-mpnet-base-v2-sts — англоязычная Sentence Transformer-модель, дообученная на датасете STSB на основе sentence-transformers/all-mpnet-base-v2. Архитектура MPNet преобразует предложения и короткие абзацы в нормализованные плотные векторы размерности 768; сходство между текстами оценивается косинусной близостью. В метаданных указано 136,7 млн параметров и контекст до 514 токенов, а карточка модели указывает максимальную длину последовательности 384 токена. Модель предназначена для семантического сравнения предложений и абзацев, поиска похожих текстов, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В README приведены результаты на STS-B: Spearman 0,9105 на dev и 0,8786 на test. Модель принимает текст и выдаёт векторы; для прикладных задач её обычно используют как компонент поиска или анализа, а не как генератор текста. Лицензия в предоставленных данных не указана.

Это текстовая конверсия Apertus 1.5 8B от автора andreasmartin на основе swiss-ai/Apertus-v1.5-8B, разработанной Swiss AI Initiative при участии ETH Zurich, EPFL и CSCS. Модель представлена в формате ApertusForCausalLM и содержит около 8,05 млрд параметров. Она предназначена для генерации текста, диалогов, RAG и агентных сценариев; поддерживает режим рассуждений и вызов инструментов. Контекстное окно составляет 262 тыс. токенов. Модель загружается через Transformers 4.56 и новее без fork и trust_remote_code; доступны интеграции с Unsloth, vLLM, llama.cpp/GGUF, MLX и LM Studio. Веса языковой основы скопированы побитово из исходного чекпойнта, а 200 строк LM-head для специальных токенов добавлены со средними начальными значениями и не обучались. В этой версии удалены мультимодальные компоненты: изображения и аудио на входе не поддерживаются, для них нужен исходный чекпойнт. Полное сравнение логитов с исходной моделью не проводилось. Лицензия — Apache 2.0.

Это дообученная модель Sentence Transformers на архитектуре BERT, созданная на основе BAAI/bge-large-en-v1.5. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и нормализует их; сходство текстов оценивается косинусным сходством. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Её можно применять для получения эмбеддингов документов и запросов, а также для оценки близости предложений. README не сообщает языковой состав обучающих данных, поэтому языковую специализацию модели установить нельзя. Репозиторий содержит веса в формате safetensors; метаданные не указывают лицензию.

kwondw/bert-base-all-nli-stsb-quora-nq — модель Sentence Transformers, созданная дообучением google-bert/bert-base-uncased на наборах All-NLI, STS-B, Quora и Natural Questions. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, сравнения близости текстов и извлечения релевантных фрагментов; сходство оценивается косинусной мерой. Архитектура сочетает BERT с усредняющим pooling, принимает текстовые последовательности длиной до 512 токенов и рассчитана на английский язык. В README приведены оценки на All-NLI и STS-B, но они не гарантируют качество на других тематиках и распределениях данных. Лицензия в предоставленных данных не указана.

Модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2, дообученная автором abdulrehman1998 для сопоставления предложений и абзацев. Она использует XLM-RoBERTa с mean pooling и формирует плотные векторы размерности 768; сходство текстов оценивается косинусной близостью. Метаданные указывают 305,2 млн параметров и контекст до 514 токенов, тогда как README задаёт максимальную длину последовательности 128 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и подготовки признаков для классификации. Обучение описано на 4 001 примере с MultipleNegativesRankingLoss; README также упоминает 998 оценочных примеров. По базовой модели она многоязычная, однако конкретный набор языков этого чекпойнта в карточке не подтверждён. Лицензия в предоставленных данных не указана.

Suva/bge-base-finetuned — модель эмбеддингов на основе архитектуры BERT, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и доступна в форматах PyTorch и Safetensors. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусной мерой сходства. Её можно применять для поиска похожих фрагментов, группировки текстов и получения векторных представлений для последующих задач. README и метаданные не указывают специализированную предметную область или поддерживаемые естественные языки. Лицензия в предоставленных данных не указана.

barisaydin/bge-large-en — англоязычная модель плотных текстовых эмбеддингов из семейства BGE (BAAI General Embedding), основанная на архитектуре BERT. Она преобразует тексты в векторы для поиска, сравнения и других задач на основе семантической близости. Модель содержит около 433,9 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в форматах PyTorch и Safetensors по лицензии MIT. Модель предназначена для семантического поиска и извлечения релевантных документов, а также может применяться для кластеризации и классификации текстов и использоваться с векторными базами данных. Для поиска по длинным документам в README рекомендуется добавлять к короткому запросу инструкцию для retrieval; документы и фрагменты текста обрабатывать без неё. README рекомендует перейти на BAAI/bge-large-en-v1.5: у исходной версии распределение оценок сходства менее удобно для интерпретации. Абсолютный порог сходства сам по себе не следует считать надёжным признаком релевантности; порог нужно подбирать на данных конкретной задачи. Модель рассчитана на английский язык.

gavinqiangli/bge-large-mpnet-base-all-nli-triplet-final-50000 — англоязычная модель Sentence Transformers, дообученная на наборе all-nli от BAAI/bge-large-en. Она кодирует предложения и абзацы в плотные векторы размерности 1024, нормализованные для сравнения по косинусному сходству. Модель построена на BERT и принимает последовательности длиной до 512 токенов. Модель подходит для оценки семантической близости предложений, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Её можно использовать для поиска похожих фрагментов в корпусе, сопоставления запроса с документами и группировки текстов по смыслу. В README приведена оценка cosine_accuracy 0,8776 на all-nli-test с TripletEvaluator; она не гарантирует аналогичного качества на других данных. Модель опубликована под лицензией, указанной в метаданных Hugging Face; в предоставленных метаданных её значение отсутствует, поэтому условия лицензирования по этим источникам определить нельзя.

Это модель Sentence Transformer, дообученная на основе BAAI/bge-m3 и разработанная автором репозитория seongil-dn. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 1024 для семантического поиска и сравнения текстов по косинусному сходству. Также её можно применять для поиска перефразировок, кластеризации и классификации текстов. Модель использует XLM-RoBERTa с pooling по CLS-токену; README указывает максимальную длину последовательности 1024 токена. Метаданные сообщают о контекстном окне до 8194 токенов, поэтому фактический предел обработки следует сверять с используемой конфигурацией. Репозиторий предназначен для работы с библиотекой Sentence Transformers и содержит веса в формате Safetensors. Данных о лицензии в предоставленных источниках нет.

much1na/distil-cohere-l2-ckpt — модель Sentence Transformers, разработанная much1na и дообученная на базе google/bert_uncased_L-6_H-512_A-8. Она преобразует предложения и абзацы на английском языке в плотные векторы размерности 512 для сравнения по косинусному сходству; архитектура состоит из BERT и mean pooling. Модель предназначена для семантического поиска и сопоставления текстов, поиска перефразирований, кластеризации и классификации. Модель принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги. В метаданных указано 40,8 млн параметров и формат safetensors. Карточка указывает обучающий набор parquet из 3 810 976 примеров. Лицензия в предоставленных данных не указана.

embedding-data/distilroberta-base-sentence-transformer — модель на базе RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель содержит 95,2 млн параметров и принимает текстовые последовательности с контекстом до 514 токенов. Модель обучена с использованием TripletLoss на датасете embedding-data/QQP_triplets. Её можно применять для семантического поиска, группировки похожих текстов и вычисления сходства между предложениями. Доступны веса PyTorch; лицензия в предоставленных данных не указана.

OliviaRossi/DoubleTrouble-GGUF — мультимодальная модель семейства DoubleTrouble-27B, разработанная OliviaRossi на основе объединения Qwen3.8-27B-TWIN-TURBO-Fable-Cold-Fusion-709-L-Uncensored от DavidAU и Qwopus3.8-27B-Flash от Jackrong. Модель распространяется в формате GGUF и предназначена для генерации текста, сложного следования инструкциям, рассуждений, программирования, агентских сценариев и вызова инструментов, а также для работы с изображениями. Заявлена поддержка английского и китайского языков. Архитектура представляет собой плотную модель Qwen 3.8 с 27 млрд параметров, 64 слоями, скрытым размером 5120, гибридом Gated DeltaNet и Grouped-Query Attention, а также встроенным vision encoder. В репозитории доступны полноточная BF16-версия объёмом около 52 ГБ в двух частях и квантизованная IQ3_XXS с importance matrix объёмом около 11,5 ГБ. Для BF16 рекомендуется не менее 56 ГБ VRAM или RAM, а IQ3_XXS рассчитана на системы до 16 ГБ памяти. Поддерживаются llama.cpp, vLLM и Ollama; заявлена совместимость со стандартным JSON-вызовом инструментов. Модель предлагает режимы динамического рассуждения: от мгновенного ответа без размышлений до углублённого анализа, а также специальные режимы для мозгового штурма и исследовательских задач. По заявлению автора, при слиянии сохранены свойства uncensored-модели, снижена склонность к отказам, а вспомогательная MTP-голова удалена для стабильной работы в стандартных рантаймах. Ограничения включают высокие требования к памяти для BF16, потерю части точности в IQ3_XXS и зависимость качества мультимодальной и агентской работы от используемого рантайма и шаблона чата. Лицензия — Apache-2.0.

meandyou200175/e5-finetune — дообученная модель Sentence Transformer на базе intfloat/multilingual-e5-base, разработанная автором репозитория meandyou200175. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и классификации. Архитектура включает трансформер XLM-RoBERTa, усреднение токеновых представлений и нормализацию; сходство векторов можно оценивать косинусной мерой. Модель принимает текст, максимальная длина последовательности — 514 токенов по метаданным. Многоязычная базовая модель рассчитана на сопоставление текстов на разных языках. Для работы с ней используется библиотека Sentence Transformers, а веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели vectoriseai/e5-large на Hugging Face совпадает с карточкой intfloat/e5-large, поэтому описание составлено по ней. E5-large — англоязычная модель текстовых эмбеддингов, разработанная авторами проекта E5 и обученная методом слабоконтролируемого контрастивного предобучения. Она построена на архитектуре BERT, содержит 24 слоя и 433,9 млн параметров; размер эмбеддинга — 1024. Модель принимает текст и выдаёт векторные представления для сравнения смысловой близости и поиска. Модель подходит для семантического поиска, извлечения фрагментов по запросу, оценки сходства предложений, поиска перефразировок, кластеризации и использования эмбеддингов как признаков для классификации. Для асимметричного поиска рекомендуется добавлять к запросу префикс «query: », а к документу — «passage: »; для симметричных задач используется «query: » перед обоими текстами. Максимальная длина входа — 512 токенов. Модель работает только с английскими текстами. Тексты длиннее лимита обрезаются, а для более высокой точности авторы рекомендуют перейти на e5-large-v2. Лицензия — MIT.

Карточка модели vectoriseai/e5-small-v2 на Hugging Face совпадает с карточкой intfloat/e5-small-v2, поэтому описание составлено по ней. E5-small-v2 — англоязычная модель текстовых эмбеддингов, представленная авторами Liang Wang, Nan Yang и соавторами. Она основана на архитектуре BERT и обучена с помощью слабоконтролируемого контрастивного предобучения. Модель содержит около 40 млн параметров, 12 слоёв и формирует векторы размерности 384; максимальная длина входа — 512 токенов. Модель предназначена для поиска текстов по смыслу, сопоставления предложений и оценки семантического сходства. Для асимметричного поиска следует добавлять к запросам префикс «query: », а к документам — «passage: »; для симметричного сходства, кластеризации и использования эмбеддингов как признаков рекомендуется префикс «query: ». Модель принимает английский текст и выдаёт векторные представления. Доступны веса в форматах PyTorch, safetensors, TensorFlow, ONNX и OpenVINO. Она работает только с английскими текстами, а входы длиннее 512 токенов обрезаются. Лицензия — MIT.

Elephant Embeddings V1 Text Small — многоязычная модель текстовых эмбеддингов от Agentic Intelligence Lab, предназначенная для семантического поиска и сопоставления в агентных системах. Это дообученный энкодер ModernBERT на базе llm-semantic-router/mmbert-32k-yarn с 306,9 млн параметров и контекстом до 32 768 токенов. Модель формирует векторы размерностью 768 и поддерживает обучение Matryoshka, позволяющее использовать сокращённые представления размерностью 512, 256, 128 или 64. Модель подходит для поиска по базе знаний и RAG, извлечения записей памяти агентов, сопоставления запросов с инструментами и маршрутами, а также для кластеризации и удаления дубликатов. README приводит оценки MTEB mean 61,4 и STS Benchmark 80,5 и сообщает о сохранении 99% качества при 256 измерениях и 98% при 64 измерениях. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0. Сокращение векторов или слоёв ускоряет обработку и уменьшает расходы на хранение, но может ухудшить качество; для важных финальных этапов поиска README рекомендует полные 768 измерений. Длинные входы увеличивают затраты памяти и вычислений. Модель предназначена для получения эмбеддингов и семантического сопоставления, а не для генерации текста.

phoenixSP/embedding-finetuned-model-v1 — модель на базе BERT, дообученная с помощью Sentence-Transformers для получения плотных векторных представлений предложений и абзацев. Она кодирует текст в векторы размерности 384 и предназначена для семантического поиска, кластеризации и сравнения сходства между текстами. Модель содержит около 40 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Карточка не приводит результаты оценки и не уточняет языки обучающих данных. Модель опубликована в формате safetensors; отдельная лицензия в предоставленных данных не указана.

sbeiruty/embeddingFT — дообученная модель Sentence Transformer на базе intfloat/multilingual-e5-large-instruct. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию. Модель предназначена для семантического поиска и сравнения текстов, а также для поиска перефразировок, кластеризации и классификации текста. Модель принимает текстовые последовательности длиной до 514 токенов по метаданным; в README указан предел 512 токенов. Она поддерживает несколько языков благодаря мультиязычной базовой модели. В README описано дообучение на 2 119 парах предложений с функцией потерь MultipleNegativesRankingLoss; близость векторов можно сравнивать косинусной мерой. Для использования требуется библиотека Sentence Transformers. В карточке указана лицензия, допускающая применение модели в соответствии с её условиями. Информации о конкретных ограничениях качества или целевых предметных областях в предоставленных данных нет.

Карточка модели dnouv/embeddinggemma-300m на Hugging Face совпадает с карточкой google/embeddinggemma-300m, поэтому описание составлено по ней. EmbeddingGemma — компактная модель эмбеддингов Google DeepMind на 300 млн параметров, построенная на Gemma 3 с инициализацией T5Gemma. Она преобразует текстовые запросы и документы в векторы и предназначена для семантического поиска, оценки сходства, классификации и кластеризации. Модель поддерживает более 100 языков и рассчитана на локальное использование на телефонах и компьютерах с ограниченными ресурсами. Модель принимает текст с контекстом до 2048 токенов и выдаёт эмбеддинги размерностью 768; с помощью Matryoshka Representation Learning размерность можно сократить до 512, 256 или 128 с последующей нормализацией. Она подходит для поиска документов и кода по запросу, поиска материалов для систем вопросов и ответов, обнаружения дубликатов и тематической группировки текстов. Для работы предусмотрена библиотека Sentence Transformers. Качество представлений зависит от охвата и возможных смещений обучающих данных; модель может хуже учитывать тонкие языковые оттенки, сарказм и переносный смысл. Лицензия указана как Gemma; применяются условия использования Gemma и её политика запрещённого использования.

Fingu-instruct-2 — дообученная FINGU-AI модель Sentence Transformer на базе dunzhang/stella_en_1.5B_v5, построенная на архитектуре Qwen2 и содержащая 1,5 млрд параметров. Она кодирует предложения и абзацы в плотные векторы размерности 1024; сходство между ними оценивается косинусной мерой. В README указана максимальная длина последовательности 8096 токенов, а метаданные указывают нативный контекст 131072 токена. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Её можно использовать для поиска похожих фрагментов в коллекциях документов и группировки текстов по смыслу. Для работы опубликованы веса в формате safetensors и поддерживается библиотека Sentence Transformers; также указана совместимость с text-embeddings-inference. Сведений о лицензии в предоставленных данных нет.

Gemma 2 27B Instruct — большая языковая модель Google из семейства Gemma, представленная в формате GGUF для запуска через llama.cpp и LM Studio. Квантование подготовлено bartowski на основе оригинальной модели google/gemma-2-27b-it. Модель предназначена для диалогового взаимодействия и универсальной генерации текста, включая работу с веб-текстами, программным кодом и математическими задачами. Модель содержит 27 миллиардов параметров и занимает промежуточное положение между моделями классов 8B и 70B, поэтому рассчитана на системы с умеренным объёмом видеопамяти. Она обучена на 13 триллионах токенов; обучающие данные включали преимущественно англоязычные веб-документы, код и математические материалы. Большой словарь способствует многоязычным возможностям и работе с кодом, однако точный перечень поддерживаемых языков и размер контекстного окна в README не указаны. Модель работает по шаблону Google Gemma Instruct и не поддерживает системный промпт. Для запуска рекомендуется LM Studio версии 0.2.27 или новее с пресетом Google Gemma Instruct. Модель является текстовой и не поддерживает мультимодальные входы или выходы. Использование регулируется лицензией Gemma; для доступа на Hugging Face необходимо принять условия лицензии Google. README также предупреждает, что модель может генерировать неточный, вредный или неприемлемый контент.

MuXodious/gemma-4-12B-it-QAT-SOMPOA-heresy — дообученная версия мультимодальной инструкционной Gemma 4 12B от Google DeepMind. Автор репозитория применил к базовой модели метод abliteration с инструментом Heretic и настройками Self-Organizing Maps и Magnitude-Preserving Orthogonal Ablation; по карточке, доля отказов в указанном тесте снизилась с 522/535 до 34/535. Модель предназначена для диалога, рассуждений и генерации текста, а также для анализа изображений, видео и аудио; семейство Gemma 4 также поддерживает код и вызов инструментов. Для этой версии в карточке названы размер 12B, контекст до 256K токенов и поддержка более 140 языков. Архитектура — плотная Gemma4UnifiedForConditionalGeneration; репозиторий содержит веса safetensors. Карточка описывает её как вариант Gemma с ослабленными отказами, но не приводит отдельной оценки качества этой конкретной модификации. Базовая модель Gemma 4 QAT использует веса, подготовленные с учётом квантования, однако в этом репозитории указан вариант unquantized Q4_0, а формат файлов — safetensors. Лицензия — Apache-2.0.

Arabic250/gemma-4-E4B-it-GGUF — это 4-битная GGUF-версия instruction-tuned модели Gemma 4 E4B, разработанной Google DeepMind и подготовленной в формате GGUF командой Unsloth. Модель предназначена для локального запуска и дообучения, включая работу на ноутбуках и мобильных устройствах, а также для использования в Unsloth Studio и средах на базе llama.cpp. Модель принимает текст и изображения, поддерживает аудио на нативном уровне и генерирует текст. Вариант E4B имеет около 4,5 млрд эффективных параметров, 42 слоя, контекстное окно до 128K токенов и словарь размером 262K токенов. Архитектура использует гибридное внимание: локальные скользящие окна чередуются с глобальным вниманием. Gemma 4 поддерживает более 140 языков, режимы рассуждения, генерацию текста, программирование, мультимодальное понимание, tool calling и агентские сценарии. К сильным сторонам относятся компактный размер, возможность эффективного локального развертывания, длинный контекст, мультимодальность и поддержка структурированных диалогов с системными инструкциями. Ограничением являются возможные потери точности из-за 4-битной квантизации, а также требования к совместимому программному обеспечению и оборудованию; конкретные показатели производительности для данной сборки в README не приведены. Модель распространяется по лицензии Apache 2.0.