I.3Извлечение и структурирование данных

Saxo/Linkbricks-Horizon-AI-Japanese-Superb-V5-70B — языковая модель Linkbricks, дообученная директором по данным Юнсон Джи (Saxo) на базе V4. Это плотная модель семейства Llama с 69,5 млрд параметров, созданная посредством японского SFT и DPO. Она принимает текст и генерирует текст; заявлено контекстное окно до 128 тысяч токенов и поддержка вызова функций и инструментов. Модель предназначена для японского, корейского, китайского и английского языков. В карточке указано обучение на японских новостях и корпусе Википедии, многоязычных данных для перевода и суммаризации, а также примерах для вопросов и ответов, математики и логических рассуждений. Среди заявленных сценариев — анализ отзывов и публикаций в социальных сетях, программирование и написание текстов. Модель распространяется в формате Safetensors через Transformers по лицензии Apache-2.0. Карточка описывает заявленные возможности, но не приводит независимых оценок качества; результаты для отдельных задач и языков могут различаться.

Linkbricks Horizon-AI Korean Superb — плотная языковая модель на 22 млрд параметров, дообученная Саксоном (Джи Юнсоном), специалистом по данным компании Linkbricks Horizon-AI, на основе Mistral-Small-Instruct-2409. Для обучения использовались продолженное предобучение на корейском новостном корпусе, затем настройка на инструкциях и оптимизация предпочтений. Модель принимает текст и поддерживает контекст до 32 768 токенов, диалог и интерфейс вызова функций; токенизатор оставлен от базовой модели. Модель предназначена для генерации и написания текстов, анализа отзывов и публикаций в социальных сетях, программирования, математических и логических задач. Обучающие данные включают корейский, английский, китайский и японский языки, а также задачи перевода и суммаризации. Выпускается в формате Safetensors под лицензией Apache-2.0.

QuantFactory/Llama-3.1-Storm-8B-GGUF — квантизированная версия модели Llama-3.1-Storm-8B, созданная с помощью llama.cpp. Исходную модель разработали Ashvini Kumar Jindal, Pawan Kumar Rajpoot, Ankur Parikh и Akshita Sukhlecha. Она основана на Llama-3.1-8B-Instruct и дополнительно обучена с применением целевого fine-tuning и объединения с Llama-Spark методом SLERP. Модель предназначена для генерации текста, диалоговых приложений, следования инструкциям, ответов на вопросы, рассуждений и function calling. Заявлены улучшения по сравнению с Meta-Llama-3.1-8B-Instruct в instruction following, knowledge-driven QA, reasoning, truthful answer generation и агентских сценариях. В частности, авторы сообщают о лучших результатах на IFEval, GPQA, MMLU-Pro, ARC-C, MuSR, BBH, TruthfulQA и BFCL. Квантизация ориентирована на запуск модели с более ограниченными вычислительными ресурсами. Модель имеет около 8 миллиардов параметров и работает с текстом. В README указана поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Размер контекстного окна и конкретные варианты квантизации в представленном описании не указаны. GGUF-формат предназначен для использования в совместимых инструментах экосистемы llama.cpp, включая Ollama. Модель позиционируется как универсальная и улучшенная в следовании инструкциям, рассуждениях, function calling и снижении галлюцинаций, однако заявленные преимущества основаны на бенчмарках авторов и могут зависеть от сценария и настроек запуска. Условия использования определяются лицензией llama3.1; дополнительные ограничения или требования в README не приведены.

Это конвертированная в формат MLX версия Llama 3.3 70B Instruct от Meta, опубликованная сообществом mlx-community. Модель с плотной архитектурой LlamaForCausalLM содержит 69,5 млрд параметров и предназначена для генерации текста и диалоговых сценариев; также поддерживает интерфейс вызова инструментов. Веса представлены в формате safetensors с точностью fp16, а нативный контекст составляет до 131 072 токенов. Модель поддерживает английский, французский, итальянский, португальский, хинди, испанский, тайский и немецкий языки. Для использования требуется MLX; README указывает конвертацию из meta-llama/Llama-3.3-70B-Instruct с помощью mlx-lm 0.22.2. Лицензия — Llama 3.3 License; перед использованием следует соблюдать её условия. Это крупная модель, поэтому для запуска требуются соответствующие аппаратные ресурсы.

Merino-Large — модель BAA AI (Black Sheep AI) для поиска и ранжирования документов в системах RAG. Она объединяет биэнкодер для получения векторных представлений запросов и документов и кросс-энкодер для оценки релевантности пары «запрос — документ». Обе части построены на базе xlm-roberta-large и используют общую матрицу входных эмбеддингов, что сокращает объём хранимых весов без заявленной потери качества. Биэнкодер выдаёт L2-нормализованные эмбеддинги размерности 1024, а кросс-энкодер — один логит релевантности для пары текстов. Модель мультиязычная, содержит около 872 млн параметров, использует библиотеку Sentence Transformers и распространяется в формате safetensors. В карточке описаны результаты внутренних проверок на неоднородных корпусах и устойчивость 4-битной квантизации к отвлекающим документам; эти результаты не заменяют оценку на собственных данных. Лицензия указана как other, поэтому условия использования следует проверить в карточке модели.

mlx-community/Meta-Llama-3.1-70B-Instruct-4bit — 4-битная квантованная версия инструкционной большой языковой модели Llama 3.1, разработанной Meta и адаптированной сообществом mlx-community для экосистемы MLX. Модель предназначена для генерации текста и выполнения инструкций, включая диалоговые сценарии, ответы на вопросы, подготовку и преобразование текстов и другие задачи обработки естественного языка. Известно, что модель содержит 70 миллиардов параметров и работает в формате 4-bit quantization, что снижает требования к памяти по сравнению с полноразмерной версией и делает локальный запуск более доступным при совместимом оборудовании и программном обеспечении. Заявлены поддерживаемые языки: английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский. В карточке указаны библиотеки Transformers и MLX, однако архитектура и размер контекстного окна не уточнены. Модель подходит для локального инференса и приложений, где важны качество инструкционного следования и многоязычная генерация. К ограничениям относятся высокие вычислительные требования, обусловленные размером 70B, возможные потери качества из-за 4-битного квантования и отсутствие в предоставленных данных сведений о мультимодальности, точных характеристиках производительности и контекстном окне. Использование регулируется Llama 3.1 Community License от Meta: при распространении материалов или производных продуктов требуется соблюдать условия лицензии, включая указание «Built with Llama», сохранение уведомления об авторских правах и Acceptable Use Policy; для продуктов с более чем 700 миллионами ежемесячных активных пользователей предусмотрено получение отдельной лицензии Meta.

Карточка модели context-labs/Meta-Llama-3.1-8B-Instruct-FP16 на Hugging Face совпадает с карточкой meta-llama/Llama-3.1-8B-Instruct, поэтому описание составлено по ней. Meta Llama 3.1 8B Instruct — языковая модель Meta для диалогов и генерации текста. Это авторегрессионная модель на основе оптимизированного трансформера с Grouped-Query Attention; версия Instruct настроена с помощью supervised fine-tuning и обучения с обратной связью от людей (RLHF). Модель принимает и генерирует текст, поддерживает диалоговый режим и предназначена для коммерческого и исследовательского применения. Модель подходит для создания чат-ассистентов, ответов на запросы и других задач генерации текста на английском, немецком, французском, итальянском, португальском, хинди, испанском и тайском языках. Контекстное окно в предоставленных материалах не указано. Модель обучена на статичном офлайн-наборе данных; возможны ошибки и небезопасные ответы, поэтому результаты следует проверять, а для использования инструментов требуется отдельная интеграция и контроль со стороны разработчика. Условия распространения и применения регулируются лицензией Meta Llama 3.1 Community License и Acceptable Use Policy.

lmstudio-community/Meta-Llama-3-70B-Instruct-BPE-fix-GGUF — версия модели Meta-Llama-3-70B-Instruct, разработанной Meta и опубликованной сообществом lmstudio-community в формате GGUF с исправлением BPE. Это текстовая генеративная языковая модель для диалогов, следования инструкциям и других задач генерации текста. В карточке указаны английский язык и конвейер text-generation. Модель относится к семейству Llama 3 и содержит 70 млрд параметров; она предназначена для сценариев, где требуется создание и обработка текста в формате инструкций или диалога. Поддерживаются только текстовые входы и выходы. Сведения об архитектурных деталях, размере контекста, точном наборе поддерживаемых языков и характеристиках производительности в карточке не приведены. Модель требует значительных вычислительных ресурсов из-за большого числа параметров, а формат GGUF ориентирован на локальное или совместимое с ним инференс-развёртывание. Условия использования определяются Meta Llama 3 Community License: лицензия предоставляет ограниченные права на использование, копирование, модификацию и распространение при соблюдении условий Meta, включая принятие Acceptable Use Policy, указание атрибуции и отображение фразы «Built with Meta Llama 3» при распространении. Для продуктов с более чем 700 млн ежемесячных активных пользователей требуется отдельное разрешение Meta.

Meta-Llama-3-70B-Instruct-GGUF — квантизированная GGUF-версия инструкционной языковой модели Meta-Llama-3-70B-Instruct, разработанной Meta. Квантизацию и публикацию сборок выполнила Second State Inc. Модель предназначена для генерации текста и диалоговых сценариев с использованием шаблона llama-3-chat, включая ответы на пользовательские запросы и работу с системными инструкциями. Модель относится к семейству Llama и имеет размер 70B параметров. В README указана поддержка английского языка, текстовая модальность и контекстное окно до 8192 токенов. Доступны варианты GGUF с точностью от 2 до 8 бит, а также f16; размеры файлов зависят от варианта и составляют примерно от 26,4 до 50 ГБ для основных квантизированных сборок. Варианты Q4_K_M, Q5_K_M и Q5_K_S отмечены как рекомендуемые благодаря балансу между качеством и размером. Сильной стороной модели является большой размер и возможность локального запуска через совместимые инструменты, включая LlamaEdge. Ограничения связаны с высокими требованиями к дисковому пространству и вычислительным ресурсам, а низкобитные варианты могут заметно терять в качестве; README не рекомендует некоторые из них для большинства задач. Лицензия указана как llama3 с типом other; перед использованием необходимо учитывать условия лицензии Meta Llama 3.

yjoonjang/MIMO-mmBERT-base — многоязычная модель Sentence Transformer, дообученная на базе jhu-clsp/mmBERT-base для получения векторных представлений предложений и абзацев. Она использует энкодер ModernBERT с усредняющим пулингом токенов и создаёт плотные эмбеддинги размерности 768, которые можно сравнивать по косинусному сходству. По карточке модели, максимальная длина последовательности составляет 256 токенов; метаданные указывают контекст до 8192 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В README приведены оценки поиска на NanoMIRACL для арабского, немецкого, английского, испанского, французского, хинди, индонезийского, японского, русского и китайского языков. Лицензия в предоставленных данных не указана.

jfarray/Model_all-distilroberta-v1_1_Epochs — модель на базе RoBERTa, опубликованная в формате PyTorch как модель Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации; также подходит для вычисления сходства между предложениями. Модель содержит 95,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss. Её можно использовать в приложениях поиска по смыслу и группировки текстов через Sentence Transformers. В карточке не указаны целевые языки и лицензия, поэтому их нельзя подтвердить по имеющимся данным.

jfarray/Model_all-distilroberta-v1_5_Epochs — модель на базе RoBERTa, созданная для преобразования предложений и абзацев в плотные векторы размерности 768. Веса представлены в формате PyTorch; размер модели — 95,2 млн параметров, контекст — до 514 токенов. Векторы подходят для семантического поиска и кластеризации текстов, а также для оценки сходства предложений. Модель можно использовать через библиотеку Sentence-Transformers. В README указано обучение с CosineSimilarityLoss; сведения о лицензии и конкретном языке текстов в предоставленных данных отсутствуют.

ModernBERT DAPT Embed DAPT Math — англоязычная модель Sentence Transformers на базе ModernBERT, дообученная Master-thesis-NAP для получения эмбеддингов предложений и абзацев. Модель содержит 149 млн параметров и принимает последовательности длиной до 8192 токенов, преобразуя текст в нормализованные плотные векторы размерности 768; для сравнения предусмотрено косинусное сходство. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, кластеризации и классификации текста. Архитектура использует ModernBertModel, усреднение токенных представлений и нормализацию. Лицензия — Apache-2.0.

joe32140/ModernBERT-large-msmarco — англоязычная модель Sentence Transformers на основе ModernBERT-large от Answer.AI, дообученная на датасете MS MARCO. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и использует косинусное сходство для сравнения. Модель подходит для семантического поиска, ранжирования похожих текстов, поиска перефразирований, кластеризации и классификации текста. Модель содержит около 394,7 млн параметров, использует mean pooling и принимает последовательности длиной до 8192 токенов. В README приведены результаты на задачах поиска и сравнения текстов; автор сообщает об улучшении относительно опубликованных результатов для ряда наборов данных. Доступны веса safetensors и формат ONNX. Лицензия в предоставленных данных не указана.

Xavarary/mpnet-base-all-medium-triplet — англоязычная модель Sentence Transformers, дообученная разработчиком на базе sentence-transformers/all-distilroberta-v1 на датасете all-nli. Архитектура включает энкодер RoBERTa, усреднение токенных представлений и нормализацию; модель содержит 95,2 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 768. Максимальная длина входа — 514 токенов по метаданным; в карточке указано ограничение в 512 токенов. Модель предназначена для семантического сравнения текстов, поиска, поиска перефразировок, кластеризации и извлечения признаков для классификации. Её можно использовать для построения векторного поиска и оценки близости английских фраз. Обучение на парах и тройках all-nli и нормализованные эмбеддинги поддерживают сравнение векторных представлений. Модель распространяется по лицензии Apache-2.0. Карточка приводит результаты TripletEvaluator на all-nli-dev, однако значения cosine_accuracy заметно ниже dot_accuracy, поэтому способ сравнения векторов следует выбирать по результатам собственной проверки; опубликованные показатели ограничены указанным датасетом.

Это текстовая модель Sentence Transformer на архитектуре MPNet, разработанная tomaarsen и дообученная на парах вопросов и ответов из набора GooAQ. Она преобразует предложения и абзацы в плотные векторы размерностью 768, сравниваемые по косинусному сходству, и предназначена для семантического поиска и сопоставления текстов. В карточке приведены результаты оценки поиска по GooAQ-dev: точность cosine_accuracy@1 — 0,759, @3 — 0,8924 и @5 — 0,931. Модель подходит для поиска ответов на вопросы, оценки сходства предложений, поиска перефразировок, кластеризации и использования в качестве признаков для классификации текста. Основной язык — английский. Максимальная длина входной последовательности — 512 токенов по README и 514 токенов в метаданных; модель выдаёт векторы, а не готовые текстовые ответы. Лицензия — Apache-2.0.

din0s/mpnet-base-nq-prompts-baseline — текстовая модель Sentence Transformers, дообученная на наборе Natural Questions на базе microsoft/mpnet-base. Она кодирует предложения и абзацы в плотные векторы размерности 768 и сравнивает их косинусным сходством; модель предназначена для семантического поиска и сопоставления текстов. Архитектура состоит из MPNetModel и слоя mean pooling, максимальная длина входа — 512 токенов. Модель рассчитана на английский язык и выпущена под лицензией Apache-2.0. Её можно применять для поиска релевантных ответов на вопросы, оценки семантической близости предложений, поиска перефразировок, кластеризации и классификации текстов. Карточка приводит результаты на наборах для информационного поиска и NanoBEIR, но качество может различаться на данных других тематик и языков; это модель эмбеддингов, а не генератор ответов.

jamescalam/mpnet-qa — модель на базе MPNet, опубликованная James Calam и предназначенная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768, которые подходят для семантического поиска, сравнения сходства и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель обучалась с функцией MultipleNegativesRankingLoss и косинусной мерой сходства. Её можно использовать с Sentence-Transformers или Transformers, применяя корректную операцию pooling. Лицензия и конкретные поддерживаемые языки в предоставленных данных не указаны.

sieu-n/msmarco-distilbert-cos-v5_en-ko-ja_v1.2 — модель на базе BERT, преобразующая предложения и абзацы в плотные векторы размерностью 768 для сравнения их смыслового сходства. Её можно использовать для семантического поиска и кластеризации текстов; в метаданных Hugging Face основной задачей указано сравнение предложений, а среди поддерживаемых также есть извлечение признаков. Модель содержит 124,3 млн параметров, принимает текст и формирует векторные представления. Контекст ограничен 512 токенами. В названии указаны английский, корейский и японский языки; карточка не описывает отдельные языковые ограничения или результаты оценки качества. Модель опубликована в формате PyTorch и доступна для использования через Sentence-Transformers. Условия лицензирования в предоставленных данных не указаны.

sentence-transformers/msmarco-distilbert-multilingual-en-de-v2-tmp-trained-scratch — модель sentence-transformers, разработанная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства и кластеризации текстов. В основе лежит DistilBERT; модель доступна в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO и поддерживает контекст до 512 токенов. Модель подходит для построения поиска по смыслу и группировки текстовых фрагментов. Название указывает на обучение с нуля для сценария MSMARCO и языков английского и немецкого, однако README не описывает точный языковой охват и качество по отдельным языкам. Лицензия — Apache-2.0.

sangmini/msmarco-dotv5-MiniLM-L12_en-ko-ja — модель Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для поиска по смыслу, сравнения текстов и кластеризации. Модель основана на архитектуре BERT; в репозитории указано 124,3 млн параметров, максимальная длина контекста — 512 токенов, формат весов — PyTorch. По названию модели она рассчитана на английский, корейский и японский языки. Её можно применять для создания векторного поиска и группировки похожих текстов; полученные эмбеддинги также подходят для вычисления семантической близости. В карточке не приведены конкретные результаты оценки качества. Лицензия в предоставленных данных не указана.

srikarvar выпустил дообученную на основе intfloat/multilingual-e5-small модель Sentence Transformer для получения плотных векторных представлений предложений и абзацев. Она использует архитектуру BERT с усреднением токеновых представлений и нормализацией выходного вектора; размер эмбеддинга — 384, максимальная длина входа — 512 токенов. Для сравнения векторов подходит косинусное сходство. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текста. Она принимает текст и выдаёт эмбеддинги; базовая модель многоязычная, но в карточке не приведён список языков, проверенных при дообучении. README сообщает о TripletLoss и небольшой обучающей выборке из 546 примеров, а также об оценке на 61 примере, поэтому приведённые результаты не гарантируют качество на других данных. Весы доступны в формате safetensors; лицензия в предоставленных данных не указана.

MyAwesomeModel-TestRepo — модель на базе BERT от автора qf-iquest, опубликованная на Hugging Face. Метаданные указывают задачу извлечения признаков, библиотеку Transformers и формат PyTorch; лицензия — MIT. Модель предназначена для получения признаковых представлений текста, например для последующей обработки в NLP-системах. В карточке и метаданных нет надёжных сведений о размере модели, длине контекста, языковой поддержке или конкретных сценариях применения. Название репозитория указывает на тестовый характер, а результаты поиска содержат противоречивые описания, поэтому заявления о рассуждениях, генерации текста и бенчмарках нельзя считать подтверждёнными.

blakechi/my-model-2 — модель Sentence Transformers на базе MPNet, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и рассчитана на контекст до 514 токенов; для получения векторов используются контекстные представления и pooling. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. README указывает на применение Sentence Transformers или Hugging Face Transformers.

swardiantara/one-stage-cdk10-MiniLM-L12-v2 — модель Sentence-Transformers на архитектуре BERT, преобразующая предложения и абзацы в плотные векторы размерностью 384. Она предназначена для поиска семантически похожих текстов, семантического поиска и кластеризации. Модель содержит около 40 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель обучена с ContrastiveLoss и косинусной метрикой расстояния. Веса опубликованы в формате safetensors. Карточка не сообщает, на каких языках и данных модель обучалась, поэтому её языковые возможности нельзя уточнить. Лицензия в предоставленных данных не указана.

Pelago Sentence Transformer v1 — модель для получения векторных представлений предложений и абзацев, опубликованная пользователем amanpelago. Она преобразует текст в плотные эмбеддинги размерности 384, пригодные для семантического поиска, кластеризации и сравнения сходства. Модель основана на BERT и содержит 25,9 млн параметров; максимальная длина контекста — 512 токенов. Доступен формат PyTorch, использовать модель можно через библиотеку Sentence-Transformers. При обучении применялась Triplet Loss с евклидовой метрикой расстояния и отступом 5. Это делает модель подходящей для сценариев, где нужно находить близкие по смыслу тексты или группировать их по содержанию. В карточке не указаны поддерживаемые естественные языки и лицензия, поэтому нельзя подтвердить языковой охват или условия распространения и коммерческого использования.

Карточка модели liddlefish/privacy_embedding_bge_small_synthetic на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

Карточка модели liddlefish/privacy_embedding_rag_10k_tmp на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

alpcansoydas/product-model — модель Sentence Transformers, дообученная на базе sentence-transformers/all-mpnet-base-v2. Она кодирует предложения и короткие абзацы в плотные векторы размерности 768; сходство текстов можно оценивать косинусной мерой. Архитектура включает MPNet, усреднение токенных представлений и нормализацию. Модель принимает текст и рассчитана на последовательности длиной до 514 токенов по метаданным; в README указан предел 384 токена. Модель предназначена для семантического поиска и сравнения предложений, поиска перефразировок, кластеризации и классификации текста. Она обучалась с MultipleNegativesRankingLoss на наборе из 25 300 примеров. Языки модели в источниках не уточнены. Метаданные указывают библиотеку Sentence Transformers и формат safetensors. Сведений о лицензии в предоставленных данных нет.

attashe/q-2.5-deepseek-r1-veltha-v0.4 — объединённая модель языковой модели, созданная с помощью mergekit методом Linear DELLA. В качестве базовой использована arcee-ai/SuperNova-Medius; в объединение также вошли allura-org/TQ2.5-14B-Aletheia-v1, huihui-ai/DeepSeek-R1-Distill-Qwen-14B-abliterated-v2, EVA-UNIT-01/EVA-Qwen2.5-14B-v0.2 и v000000/Qwen2.5-Lumen-14B. Модель построена на архитектуре Qwen2 с плотной 14-миллиардной языковой моделью и предназначена для диалогов и генерации текста. Она загружается через Transformers, использует формат safetensors и поддерживает контекст до 131 072 токенов; метаданные также отмечают интерфейс вызова инструментов. Лицензия в предоставленных данных не указана.