I.3Извлечение и структурирование данных

Qwen3.6-35B-A3B-Fable-Holo3-Qwopus — мультимодальная диалоговая модель, созданная NightmediaAI путём слияния нескольких моделей на базе Qwen3.6-35B-A3B, включая дистиллированную Fable и Holo3-Qwopus. Архитектура относится к семейству Qwen3.5 MoE; каталог указывает класс Qwen3_5MoeForConditionalGeneration. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для диалогов и следования инструкциям, генерации текста и анализа изображений; метаданные также отмечают интерфейс вызова инструментов. Карточка указывает поддержку английского, китайского, японского и испанского языков. README приводит результаты отдельных бенчмарков и обсуждает варианты квантования Deckard(qx), но не предоставляет подтверждённых данных о контекстном окне или качестве на практических задачах этой итоговой сборки.

Qwen3.6-35B-GGUF — это GGUF-квантизация базовой модели Qwen/Qwen3.6-35B-A3B, подготовленная разработчиком 0xSero. Модель предназначена для генерации текста и запуска через llama.cpp, включая сценарии локального инференса на совместимом оборудовании. Доступны варианты с разными уровнями квантизации, включая динамическую смешанную квантизацию DYNAMIC.gguf. Модель имеет 35 млрд общих параметров, при этом на один токен активируется около 3 млрд параметров. В её основе используется гибридная архитектура Gated DeltaNet и Gated Attention с маршрутизацией через 256 экспертов; для DYNAMIC.gguf критичные компоненты внимания и маршрутизатор сохраняются в более высокой точности, а экспертные слои квантуются сильнее. Указан формат GGUF, однако размер контекста, число слоёв, скрытый размер, поддерживаемые языки и модальности в README не приведены. Сильной стороной являются варианты, ориентированные на баланс качества, размера и скорости, а также результаты тестирования на AMD Ryzen AI MAX+ 395 с Radeon 8060S, Vulkan и llama.cpp. Ограничение — заявленные показатели производительности относятся к конкретной конфигурации и могут отличаться на другом оборудовании; квантизация также может влиять на качество. Модель распространяется по лицензии Apache 2.0, унаследованной от базовой модели.

amd/Qwen3.8-2.4T-A95B-Quark-MXFP4 — текстовая языковая модель на архитектуре Qwen3_5MoeForCausalLM, разработанная на базе Qwen/Qwen3.8-2.4T-A95B-FP8 и подготовленная Advanced Micro Devices, Inc. с использованием AMD-Quark 0.12. Модель принимает текст и генерирует текст; в метаданных указан английский язык. Размер контекста и полный перечень поддерживаемых языков не указаны. Модель предназначена для инференса и задач генерации текста, включая математические рассуждения и оценивание на бенчмарках. Квантованию подвергнуты routed experts: веса используют статическое представление OCP MXFP4, а активации — динамическое OCP MXFP4. Для запуска заявлена поддержка AMD MI350 и MI355 под Linux с ROCm 7.2.0 и PyTorch 2.12.0; рекомендованные движки инференса — SGLang и vLLM. На GSM8K модель получила точность 97,49%, полностью сохранив результат исходной FP8-модели по приведённому сравнению. Ограничения включают зависимость от указанного оборудования и программного стека, а также отсутствие в README сведений о результатах на других задачах, контекстном окне, детальных возможностях мультиязычной работы и лицензии исходной модели. Указано, что модификации защищены авторским правом Advanced Micro Devices, Inc. (2026), но отдельные условия лицензии в README не приведены.

taurusduan/Qwen3.8-27B-GSQ-RCO-GGUF — это набор GGUF-квантизаций базовой модели Qwen3.8-27B, разработанный Deep Algorithms and Systems Lab (DASLab) при Institute of Science and Technology Austria. Модель предназначена для локального запуска языковой модели, включая мультимодальные сценарии с обработкой изображений через поставляемый vision projector. Файлы совместимы с llama.cpp, Ollama и LM Studio. В набор входят четыре неравномерные квантизации с эффективной разрядностью от 2,50 до 3,50 бит на вес и размером от 8,4 до 11,8 ГБ. GSQ выполняет посттренировочную скалярную квантизацию, а RCO распределяет типы квантизации по отдельным тензорам с учётом их чувствительности и общего ограничения на размер. Для мультимодального режима используется отдельный проектор mmproj с vision encoder и projector в формате BF16 размером около 0,9 ГБ. Также доступны варианты с Multi-Token Prediction head для speculative decoding в llama.cpp; они примерно на 0,35 ГБ больше. Рекомендуемым вариантом назван IQ3_S: по данным README, он сохраняет качество базовой модели на AIME25 и LiveCodeBench v6 и находится в пределах 0,51 балла от неё на GPQA-Diamond, занимая чуть больше одной пятой размера BF16-модели. Более компактные варианты подходят для экономии памяти, но могут иметь больший компромисс по качеству. Модель и методы квантизации распространяются по лицензии Apache 2.0. Языки и максимальная длина контекста в README не указаны.

Qwen3.8-4B — текстовая причинно-следственная модель на 4 млрд параметров, разработанная Empero. Это полное дообучение Qwen/Qwen3.5-4B методом дистилляции: модель обучали на примерно 45 тысячах отобранных трасс рассуждений более крупной модели учителя, включая математику, общие рассуждения и следование инструкциям. Модель предназначена для диалогов, решения математических задач, рассуждений и выполнения инструкций; она также поддерживает вызов инструментов в формате Qwen3.5. Контекст составляет 262 144 токена. Весам в формате bf16 требуется около 8 ГБ памяти, а квантованные варианты позволяют запускать модель на ноутбуках и потребительских видеокартах. Карточка сообщает об улучшении результата на MMLU относительно базовой модели, но о снижении на GSM8K. Модель принимает текст и ориентирована на текстовую генерацию. Возможности зрения унаследованы от мультимодальной базовой архитектуры, однако дообучение было текстовым, а зрительные способности не оценивались. Для запуска нужен свежий Transformers с поддержкой Qwen3.5; без специализированных CUDA-ядер некоторые слои работают медленно и потребляют больше памяти. При длинной генерации возможны циклы повторений, особенно при жадном декодировании. Лицензия — Apache-2.0; веса предоставлены «как есть» для исследований и экспериментов.

Atomic-Germ/Qwen3.8-9B-Distill-GGUF — это набор квантованных версий языковой модели Qwen3.8-9B, разработанной компанией Empero. Модель представляет собой полнопараметрическую дистилляцию Qwen3.8 2.4T A95B в архитектуру Qwen3.5-9B и предназначена для генерации текста и решения задач рассуждения. Доступны форматы GGUF для llama.cpp, Ollama, LM Studio, Jan, KoboldCpp и других совместимых сред. Заявлен английский язык. Модель использует гибридную архитектуру Qwen3.5-класса: на каждые слои полной attention приходятся три слоя Gated DeltaNet. Указан размер 9B параметров; контекстное окно в README не сообщается. Доступны варианты квантования Q4_K_M, Q5_K_M, Q6_K, Q8_0 и BF16 размером примерно от 5,780 до 18,407 GB. В качестве сильных сторон заявлены улучшенные результаты на MMLU по сравнению с базовой Qwen3.5-9B и поддержка локального запуска на видеокартах с 8–16 GB памяти в зависимости от квантования. Ограничением является необходимость свежей сборки llama.cpp с поддержкой Qwen3.5 и Gated DeltaNet; при длинном контексте дополнительные ресурсы потребляет KV-кэш. Модель генерирует рассуждения в блоках <think>, которые при необходимости следует скрывать от конечных пользователей. Веса распространяются по лицензии Apache-2.0, унаследованной от базовой модели Qwen.

Qwen3 Embedding 0.6B LRAT Full-v1 to Broad Extrapolation a1.25 — экспериментальный текстовый энкодер для получения признаковых представлений и семантического поиска. Это дообученная модель семейства Qwen3 с плотной архитектурой Qwen3Model и примерно 507,6 млн параметров; она основана на Qwen/Qwen3-Embedding-0.6B. Модель принимает текст и выдаёт эмбеддинги. Максимальная длина контекста — 32 768 токенов. Чекпойнт получен экстраполяцией направления между двумя версиями ретривера команды: full-v1 и broad-g16-v2. Обе версии обучались на предоставленных организаторами траекториях LRAT и корпусе. Выбор чекпойнта опирался на локальную оценку с фиксированными seed в процессе BrowseComp-Plus Agent и Judge; авторы не заявляют эти оценки как официальные результаты. Лицензия — Apache-2.0.

DeepPavlov/rubert-base-cased-sentence — русскоязычный кодировщик предложений на базе RuBERT, разработанный DeepPavlov. Это 12-слойная модель семейства BERT с 768 скрытыми измерениями и 12 головами внимания; метаданные указывают 205,1 млн параметров и контекст до 512 токенов. Модель дообучена на переведённом на русский SNLI и русской части dev-набора XNLI. Представление предложения получается усреднением векторных представлений токенов, как в Sentence-BERT. Модель предназначена для получения эмбеддингов русских предложений и использования их в семантическом поиске, сравнении сходства и задачах, где требуется сопоставлять значения предложений. Доступны версии в форматах PyTorch и Flax. В README сведения о лицензии не приведены.

Модель muflihimaduddin/sbert-finetuned-ce — Sentence Transformer на базе sentence-transformers/all-distilroberta-v1, дообученный на 430 парах предложений с оценками сходства. Она преобразует предложения и короткие абзацы в нормализованные плотные векторы размерности 768 и вычисляет семантическое сходство с помощью косинусной близости. Архитектура включает RoBERTa, усредняющий слой pooling и нормализацию; модель принимает текст, максимальная длина последовательности — 512 токенов. Модель подходит для поиска и ранжирования текстов по смыслу, сравнения предложений и кластеризации. Примеры обучающих данных указывают на задачи, связанные с программированием, но карточка не подтверждает узкую специализацию в этой области. В метаданных не указана лицензия, поэтому условия распространения и коммерческого использования следует сверить с репозиторием базовой модели и самой карточкой.

nickprock разработал модель sentence-transformers на архитектуре BERT для представления итальянских предложений и абзацев в виде плотных векторов размерностью 768. Она предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений; для работы с ней можно использовать Sentence-Transformers, FastEmbed или Transformers с подходящей операцией pooling. Модель насчитывает 137,1 млн параметров, имеет контекстное окно до 512 токенов и обучалась с функцией потерь CosineSimilarityLoss на данных, связанных с STS-Benchmark для нескольких языков. Доступны форматы PyTorch, safetensors и ONNX. Лицензия — MIT.

shark_tank_ai_7_b-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral, созданная слиянием mistralai/Mistral-7B-Instruct-v0.1 и NExtNewChattingAI/shark_tank_ai_7_b методом SLERP. Модель содержит 7,1 млрд параметров и предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Модель принимает текст и выдаёт текст; в метаданных заявлен контекст длиной до 32 768 токенов. Карточка указывает английский язык. Веса опубликованы в формате Safetensors по лицензии Apache-2.0.

Snowflake Arctic Embed M — плотная текстовая embedding-модель Snowflake для поиска по смыслу и извлечения релевантных документов. В карточке она описана как средняя модель семейства Arctic Embed, основанная на intfloat/e5-base-unsupervised и обученная в несколько этапов на парах запрос–документ и триплетах с трудными негативными примерами. Метаданные указывают архитектуру BERT, 136,7 млн параметров и контекст до 512 токенов. Модель предназначена для построения векторного поиска и retrieval-компонента в системах RAG. Для версии M README приводит размерность эмбеддингов 768 и оценку MTEB Retrieval 54,90 NDCG@10. Она принимает текст и выдаёт векторные представления, которые можно сравнивать для ранжирования по релевантности. Карточка позиционирует исходную модель как англоязычную; более новые версии семейства отдельно заявлены для многоязычных сценариев. Модель распространяется по лицензии Apache-2.0. Ограничение контекста — 512 токенов; заявленные характеристики retrieval относятся к оценке из карточки и могут различаться на конкретных данных и настройках поиска.

speechless-starcoder2-7b — дообученная языковая модель для генерации кода и выполнения инструкций, созданная на основе bigcode/starcoder2-7b. В README указано, что обучение направлено на улучшение способностей к рассуждению и планированию; использовано около 986 тысяч примеров из OpenHermes-2.5, Python Eval Instruct, Spider и Evol-Instruct. Модель принимает инструкции в формате Alpaca. Это плотная авторегрессионная архитектура StarCoder2 с 9,9 млрд параметров и контекстом до 16 384 токенов. Карточка указывает английский язык, поддержку генерации текста и лицензию Apache-2.0. Модель подходит для генерации и объяснения кода, а также для ответов на инструкции, связанные с программированием и структурированными данными. Численные результаты HumanEval и оценок lm-evaluation-harness в карточке не заполнены, поэтому качество по этим тестам оценить нельзя.

Layasaran/text_embed_0.5b — плотная текстовая embedding-модель, дообученная с помощью контрастивного обучения для поиска по смыслу, сопоставления запросов с документами и RAG. В README указаны обучение с Multiple Negatives Ranking Loss и подбором сложных негативных примеров, а также настройка пространства эмбеддингов для оценки косинусного сходства. Модель содержит 507,9 млн параметров, использует архитектуру PPLXQwen3ContextualModel и принимает текст, возвращая эмбеддинги для последующего поиска и ранжирования. Метаданные указывают контекст до 32 768 токенов; README описывает обработку длинных фрагментов с усечением последовательностей в зависимости от настроек. Модель рассчитана на английский язык. Разработчик заявляет ориентацию на производственное применение и низкую задержку при инференсе на GPU. Лицензия Apache-2.0. Качество и ограничения по конкретным доменам в предоставленных данных не оценены; README не приводит результатов бенчмарков.

ClovenDoug/tiny_64_all-MiniLM-L6-v2 — модель Sentence Transformers на архитектуре BERT, разработанная ClovenDoug. Она преобразует предложения и абзацы в плотные векторы размерностью 64 и предназначена для семантического поиска, сравнения сходства и кластеризации текстов. Модель получена дистилляцией all-MiniLM-L6-v2 с исходным пространством векторов размерностью 384; более компактные векторы ускоряют сравнение сходства, при этом время инференса, согласно карточке, остаётся примерно таким же. Модель содержит 25,9 млн параметров, принимает текст и выдаёт векторы. Контекст ограничен 512 токенами. Доступны веса PyTorch и safetensors. Лицензия в предоставленных данных не указана.

Карточка модели cy110120/whisper-large-v3-turbo на Hugging Face совпадает с карточкой openai/whisper-large-v3-turbo, поэтому описание составлено по ней. Whisper large-v3-turbo — мультиязычная модель распознавания речи OpenAI на архитектуре Transformer encoder-decoder. Это дообученная и ускоренная версия Whisper large-v3: число слоёв декодера сокращено с 32 до 4, что ускоряет вывод с небольшим снижением качества. Модель содержит 905,2 млн параметров и работает с аудио; она поддерживается библиотекой Transformers. Модель предназначена для преобразования речи в текст на языке оригинала и перевода речи между языками, включая перевод на английский. Она обучалась на более чем 5 млн часов размеченных данных и демонстрирует обобщение на новые наборы данных и предметные области. Для длинных записей требуется обработка последовательными окнами или разбиение аудио на сегменты; воспринимаемое окно составляет 30 секунд. Модель может ошибаться, добавлять слова, которых нет в аудио, и повторять фрагменты. Точность различается между языками, акцентами и диалектами и может быть ниже для языков с ограниченными обучающими данными. Лицензия — MIT.

Модель OpenVINO/whisper-large-v3-turbo-fp16-ov подготовлена OpenAI на основе Whisper large-v3-turbo и преобразована в формат OpenVINO IR с весами FP16. Архитектура Whisper имеет около 905 млн параметров; в варианте large-v3-turbo число слоёв декодера сокращено с 32 до 4, что ускоряет распознавание при небольшом снижении качества. Модель предназначена для преобразования речи в текст на многих языках. Её можно использовать для расшифровки аудиозаписей и транскрибирования речи в приложениях на базе OpenVINO; совместимость указана для OpenVINO 2026.1.0 и выше и Optimum Intel 1.27.0 и выше. Модель принимает аудио и выдаёт текст. Поддерживает русский, английский и множество других языков. Распространяется по лицензии MIT. В README отмечено, что качество может быть несколько ниже, чем у полной Whisper large-v3; прочие ограничения отсылают к карточке исходной модели.

Модель jagadeesh/zeiss-re-1757443344 — Sentence Transformer, дообученный на базе allenai/specter2_base для представления предложений и абзацев в виде плотных векторов. Энкодер BERT с усреднением токенных представлений создаёт эмбеддинги размерности 768; сходство между ними можно оценивать косинусной близостью. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, в том числе поиска релевантных документов, выявления перефразировок, кластеризации и классификации текстов. Карточка приводит результаты оценки информационного поиска и сообщает об обучении на 17 793 парах anchor–positive с MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

airoboros-l2-70b-gpt4-1.4.1 — языковая модель семейства Llama 2, дообученная jondurbin на наборе airoboros-gpt4-1.4.1. Это плотная авторегрессионная модель с 68,7 млрд параметров для генерации текста. Её можно применять для диалогов, ответов на инструкции и создания текстов; контекст составляет 4096 токенов. Модель представлена в формате PyTorch. В карточке указана лицензия other, поэтому условия использования следует проверять в репозитории модели и у базовой модели. README не описывает специальные ограничения или гарантии качества; характеристики унаследованы от Llama 2 и зависят от сценария применения.

KhaledReda/all-MiniLM-L6-v70-pair_score — англоязычная модель Sentence Transformers, дообученная автором на KhaledReda/all-MiniLM-L6-v69-pair_score с использованием набора пар текстов с оценками. Она кодирует предложения и абзацы в плотные векторы размерности 384; сходство векторов можно сравнивать косинусной мерой. Архитектура основана на BERT с усреднением токенных представлений и нормализацией. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов; в README для конфигурации модели указан предел 256 токенов. Модель предназначена для семантического сравнения текстов, поиска по смыслу, выявления перефразировок, кластеризации и классификации текстов. Векторные представления можно использовать для поиска похожих предложений и абзацев или как признаки в последующих задачах. README указывает английский язык и лицензию Apache-2.0. Модель выдаёт эмбеддинги, поэтому сама по себе не генерирует ответы и качество на других языках или предметных областях не подтверждено.

Модель Alessio-Borgi/all-mpnet-base-v2-margin-based-triplet-loss-finetuned-culture-10-epochs-enhanced — дообученный Sentence Transformer на базе sentence-transformers/all-mpnet-base-v2. MPNet с mean pooling и нормализацией кодирует предложения и абзацы в плотные векторы размерностью 768; для сравнения используется косинусное сходство. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; в README указана максимальная длина последовательности 384 токена. Модель предназначена для семантического сравнения текстов и может применяться для семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Она обучена с TripletLoss на наборе из 6 551 примера; название репозитория указывает на настройку для культурной тематики, однако README не раскрывает состав и охват данных. Лицензия в предоставленных сведениях не указана.

Это компактная модель Sentence Transformer, разработанная на основе prajjwal1/bert-tiny и дообученная с использованием библиотеки sentence-transformers. Модель преобразует предложения и абзацы в плотные векторы размерности 256 и предназначена для оценки семантического сходства текстов, семантического поиска, поиска перефразирований, классификации и кластеризации текста. Архитектура включает BERT-трансформер с максимальной длиной последовательности 384 токена, mean-пулингом, полносвязным Dense-слоем с преобразованием размерности с 128 до 256 и активацией Tanh, а также нормализацией выходных векторов. Для сравнения по умолчанию используется косинусное сходство. Язык и обучающий датасет в карточке не указаны; заявленный набор данных содержит 277277 примеров, а функция потерь — MultipleNegativesRankingLoss. Модель отличается малым размером и потенциально высокой скоростью инференса, что делает её подходящей для ресурсоограниченных сценариев и массового сравнения коротких текстов. Ограничения включают неизвестную языковую специализацию, ограниченный контекст в 384 токена и более низкие показатели на тестовой выборке STS по сравнению с крупными моделями: корреляция Spearman для косинусного сходства составляет 0,678, Pearson — 0,691. Лицензия в README не указана.

Apertus v1.5 8B text — MLX MXFP4 — это текстовая квантованная версия базовой модели swiss-ai/Apertus-v1.5, разработанной Swiss AI Initiative при участии EPFL, ETH Zurich и Швейцарского национального суперкомпьютерного центра на открытых данных. Данная конверсия выполнена независимо от авторов исходной модели и предназначена для запуска на компьютерах Apple с использованием MLX и mlx-lm. Модель поддерживает генерацию текста: принимает текст на вход и возвращает текст. Она содержит около 8,05 млрд параметров, использует архитектуру ApertusForCausalLM с 32 слоями, скрытым размером 4096, 32 головами внимания и 8 key-value головами, активацию xIELU, словарь из 131072 текстовых токенов и контекст длиной до 262144 токенов. Модель мультиязычная, однако конкретный перечень поддерживаемых языков в README не указан. Ключевое преимущество сборки — калиброванное квантование MXFP4 с эффективной точностью 4,250 бита на вес и размером файлов около 4,28 ГБ, что снижает требования к хранению и делает модель удобной для локального использования на Apple silicon. Ограничения связаны с потерями качества из-за квантования по сравнению с полноразмерными версиями, текстовой модальностью и зависимостью от совместимого программного стека MLX. Модель распространяется по лицензии Apache 2.0 с политикой допустимого использования Apertus 1.5.

ARM64BERT-embedding — модель Sentence Transformers, опубликованная Netherlands Forensic Institute и дообученная на базе NetherlandsForensicInstitute/ARM64BERT-embedding. Она преобразует предложения и абзацы на входе в плотные векторы размерности 768 для поиска и сравнения текстов. Архитектура основана на BERT (ASMBertModel) с усредняющим pooling; используется косинусное сходство. Модель принимает только текст, максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска и извлечения релевантных текстов. В карточке не описаны целевые языки или специализированные предметные области. Репозиторий содержит веса PyTorch в формате safetensors. Условия лицензирования в доступных данных не указаны.

Armenian-Text-Embeddings-2-base — модель Metric-AI для преобразования армянских текстов в плотные векторные эмбеддинги. Она дообучена на базе intfloat/multilingual-e5-base и построена на архитектуре XLM-RoBERTa; содержит 305,2 млн параметров, выдаёт векторы размерности 768 и принимает последовательности длиной до 514 токенов. Модель предназначена для семантического поиска на армянском языке, извлечения документов для RAG, сравнения сходства текстов, кластеризации и классификации. В карточке также заявлена обработка транслитерированных запросов и межъязыковое понимание; метаданные указывают на обучающий набор Reddit на армянском языке. Лицензия — MIT. Качество может снижаться на специализированной терминологии и культурных контекстах; карточка также отмечает возможные смещения, унаследованные от данных Reddit, и ограничения, связанные с качеством переводов.

AutomatosX AX-Qwen3.8-27B-MLX-AXQ-4bit-MTP — это смешанно-точечный квантованный чекпойнт на базе Qwen/Qwen3.8-27B, предназначенный для запуска на Apple Silicon через MLX. Основная языковая часть модели квантована с применением AXQuant, а голова multi-token prediction и vision tower сохранены в формате BF16. Модель имеет 27,36 млрд логических параметров, архитектуру Qwen3_5ForConditionalGeneration и поддерживает генерацию текста, а также визуальный ввод; аудио не поддерживается. Максимальный заявленный контекст — 262 144 токена, однако практический предел зависит от объёма unified memory устройства. Модель ориентирована на локальный текстовый инференс, разработку и сценарии, где важны сниженный объём хранения и запуск на компьютерах Apple Silicon. Она совместима с MLX-LM для стандартного текстового инференса, а для использования MTP и связанных runtime-возможностей предусмотрены AX Engine, oMLX и MTPLX. Полный размер загрузки составляет около 18,20 ГБ, измеренный общий показатель — 5,2338 BPW. Заявления об ускорении MTP ограничены профилями, указанными в сертификатах, и не гарантируются для всех конфигураций; MLX-LM также может не использовать vision- и MTP-компоненты. Репозиторий содержит MLX Safetensors и не включает веса PyTorch или GGUF. Модель распространяется по лицензии Apache-2.0. Для работы требуются совместимые версии MLX-инструментов и достаточный объём памяти; качество и возможности визуального инференса зависят от выбранного runtime и его поддержки дополнительных компонентов.

Aya 23 — открытая по весам мультиязычная instruction fine-tuned модель, разработанная Cohere For AI и основанная на семействе моделей Command. В каталоге cortexso/aya доступны варианты с 8 и 35 млрд параметров. Модель предназначена для генерации и понимания текста на 23 языках, а также для задач машинного перевода и других мультиязычных сценариев. К сильным сторонам Aya 23 относятся широкий языковой охват и ориентация на выполнение инструкций; среди поддерживаемых языков указаны арабский, китайский, английский, испанский, хинди и вьетнамский. README не содержит сведений о длине контекста, точной архитектуре, мультимодальности или количественной оценке ограничений, поэтому эти характеристики нельзя определить по имеющимся данным. Модель распространяется по лицензии CC-BY-NC-4.0, допускающей использование с ограничениями, включая некоммерческий характер лицензии.

LocalDoc разработала двуязычную модель эмбеддингов предложений для азербайджанского и английского языков. Она кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена для оценки семантической близости, семантического поиска, поиска перефразировок, классификации текстов и кластеризации. Модель основана на sentence-transformers/all-MiniLM-L6-v2: архитектура BERT с 6 слоями, скрытым размером 384 и 12 головами внимания. Она дообучена дистилляцией знаний на параллельном корпусе примерно из 4,14 млн азербайджано-английских пар; используется собственный токенизатор SentencePiece Unigram с словарём около 50 тыс. токенов. Максимальная длина входа — 512 токенов. В метаданных указано 33,4 млн параметров; README приводит оценку около 30,2 млн после расширения словаря. Модель подходит для двуязычного поиска и сравнения текстов, но заявленные результаты относятся к STS-бенчмаркам на азербайджанском и не гарантируют качество на других задачах или языках. Распространяется по лицензии CC BY 4.0.

Bagel DPO 8x7B v0.2 — экспериментальная модель-ассистент, созданная jondurbin дообучением Mixtral 8x7B v0.1: сначала применялось обучение на инструкциях (SFT), затем оптимизация предпочтений DPO. Это языковая модель архитектуры Mixtral с разреженной экспертной структурой MoE, примерно 7,1 млрд параметров и контекстом до 32 768 токенов; поддерживает диалоговую генерацию текста. Для обучения использовались данные по вопросам и ответам, математике, программированию, чтению, диалогам, ролевым сценариям и другим задачам. Модель рассчитана на общие запросы к ассистенту, написание текстов, ответы на вопросы и помощь с кодом. В карточке приведены ограниченные результаты сравнительных проверок, но автор не проводил комплексную оценку. Автор отмечает, что модель унаследовала от базовой Mixtral склонность отказывать в части запросов, несмотря на использование данных для снижения цензурирования. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0.

Behemoth-Magnum-v4-SLERP-123b — объединённая языковая модель, созданная автором репозитория методом SLERP с помощью mergekit. В объединение вошли Magnum-v4-123b от anthracite-org и Behemoth-123B-v1.2 от TheDrummer. Модель основана на архитектуре MistralForCausalLM и содержит 122,2 млрд параметров. Модель предназначена для генерации текста и диалогового общения. Она принимает текст и выдаёт текст; заявленная длина контекста составляет 131 072 токена. В метаданных также отмечен интерфейс вызова инструментов. Лицензия в предоставленных данных не указана, поэтому условия использования определить нельзя.