I.3Извлечение и структурирование данных

zephyr-orpo-141b-A35b-v0.1-GGUF — это квантизированная версия языковой модели HuggingFaceH4/zephyr-orpo-141b-A35b-v0.1, подготовленная и опубликованная MaziyarPanahi в формате GGUF. Базовая модель основана на Mixtral-8x22B-v0.1 и дообучена с использованием метода ORPO на смеси общедоступных и синтетических наборов данных, включая argilla/distilabel-capybara-dpo-7k-binarized. Модель предназначена для генерации текста и диалоговых сценариев: ответов на вопросы, инструкций, помощников общего назначения и других задач NLP преимущественно на английском языке. Это Mixture of Experts (MoE) с 141 млрд общих параметров и 35 млрд активных параметров. Доступны варианты квантизации с разной разрядностью — от 2 до 16 бит, что позволяет выбирать компромисс между качеством, размером файлов и требованиями к ресурсам. Размер контекстного окна и поддержка других модальностей в README не указаны; модель является текстовой. Сильные стороны — крупная MoE-архитектура, диалоговая направленность и возможность локального запуска через совместимые инструменты, включая llama.cpp, с выбором степени квантизации. Ограничения включают преимущественную ориентацию на английский язык, высокие требования к вычислительным ресурсам для менее агрессивно квантизированных вариантов и возможное снижение качества при сильной квантизации. Лицензия — Apache 2.0.

ZEUS 8B V17 – ABLITERATED V4 — диалоговая языковая модель, созданная T145 слиянием нескольких моделей семейства Llama 3.1 методом DARE TIES. В объединение вошли инструкционные и uncensored-варианты, включая unsloth/Meta-Llama-3.1-8B-Instruct; всего около 7,5 млрд параметров. Модель использует архитектуру LlamaForCausalLM и формат safetensors, поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, включая ролевые сценарии и вызов инструментов через соответствующий интерфейс. В README приведены результаты оценивания Open LLM Leaderboard, в том числе 72,28% на IFEval и 30,97% на BBH; эти показатели не гарантируют качества на конкретных задачах. Модель позиционируется как abliterated и uncensored, поэтому может выдавать нежелательный или небезопасный контент. Лицензия — llama3.1.

bartowski/arcee-ai_Trinity-Mini-GGUF — это набор квантизированных версий языковой модели Trinity-Mini, разработанной arcee-ai и подготовленной bartowski в формате GGUF. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. В README указана поддержка английского, испанского, французского, немецкого, итальянского, португальского, русского, арабского, хинди, корейского и китайского языков. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3, а также IQ-варианты. Размер файлов составляет примерно от 10,54 до 52,27 ГБ. Более качественные варианты Q6 и Q5 рекомендуются для большинства сценариев, тогда как Q3 экономят оперативную память, но заметно уступают по качеству. Ключевые характеристики исходной архитектуры, число параметров, размер контекста и поддерживаемые модальности в README не указаны, поэтому модель следует рассматривать как текстовую. Квантизация выполнена с использованием imatrix и llama.cpp; доступные варианты позволяют выбирать компромисс между качеством, размером файла и требованиями к памяти. Модель распространяется по лицензии Apache-2.0.

ARK-ASR-3B — мультиязычная модель распознавания речи, представленная разработчиками проекта AutoArk. Она предназначена для преобразования речи в текст и может использоваться для транскрибации аудио и развёртывания сервиса распознавания через Transformers или vLLM. По карточке модели, в тестах Open ASR Leaderboard она показала средний WER 5,04% на англоязычном коротком аудио и CER 1,80% на AISHELL-1 для китайского языка. Модель содержит около 3,1 млрд параметров и использует авторегрессионную архитектуру Transformers: аудиоэнкодер в стиле Whisper, MLP-адаптер и декодер Qwen. Она принимает аудио с частотой дискретизации 16 кГц и генерирует текст; нативный контекст составляет 32 768 токенов. Заявлена поддержка китайского, английского, немецкого, японского, французского, корейского, испанского, польского, итальянского, румынского, венгерского, чешского, нидерландского, финского, хорватского, словацкого, словенского, эстонского и литовского языков. Веса представлены в формате safetensors, для загрузки используются Transformers и пользовательский код архитектуры arkasr; лицензия — Apache-2.0. Для запуска по инструкции карточки требуется включить trust_remote_code=True. Приведённые показатели относятся к указанным тестовым наборам и сами по себе не гарантируют аналогичное качество на других аудио, акцентах и условиях записи.

Badger/δ Llama 3 Instruct 32k — чат-модель семейства Llama 3, созданная автором maldv путём рекурсивной интерполяции и объединения нескольких моделей. В репозитории указано, что для неё настроен масштаб RoPE 4; автор сообщает, что ответы сохраняют связность при контексте 16–32 тыс. токенов. Метаданные указывают 7,5 млрд параметров, архитектуру LlamaForCausalLM, формат safetensors и нативный контекст 8192 токена. Модель предназначена для диалоговой генерации текста и инструктивных запросов. В README приведены результаты оценки на Open LLM Leaderboard, включая средний балл 69,49, но этих результатов недостаточно, чтобы судить о качестве во всех задачах. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование; перед применением следует соблюдать её условия.

Sakalti/beril — разговорная языковая модель, созданная слиянием моделей Qwen/Qwen2.5-0.5B-Instruct и HuggingFaceH4/zephyr-7b-beta. Для объединения применён метод SLERP с помощью mergekit; модель использует архитектуру MistralForCausalLM и состоит из 5,1 млрд параметров. Модель предназначена для генерации текста и диалогов: её можно использовать для ответов на вопросы, выполнения инструкций и создания текстовых продолжений. Заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

Модель ruanchaves/bert-base-portuguese-cased-assin2-similarity — дообученная версия BERTimbau base, разработанная на основе neuralmind/bert-base-portuguese-cased. Она предназначена для оценки семантического сходства двух текстов на португальском языке с помощью классификационной головы BertForSequenceClassification и обучалась на наборе ASSIN 2. Модель содержит 136,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт результат классификации. Её можно применять для сравнения перефразировок, поиска похожих предложений и оценки сходства текстовых пар на португальском языке. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

RinKana/bge-small-en-v1.5-afterimage-v.0.1 — дообученная модель Sentence Transformers на базе BAAI/bge-small-en-v1.5, разработчик — RinKana. Она кодирует предложения и абзацы на английском языке в плотные векторы размерности 384 для поиска релевантных текстов и сравнения семантической близости по косинусному сходству. Архитектура состоит из BERT, пулинга по CLS-токену и нормализации; модель принимает текст, имеет 512 токенов максимальной длины последовательности и содержит около 40 млн параметров. В README приведена оценка на задаче поиска подходящего ответа в диалоге и указано обучение на 4 744 примерах с положительными и отрицательными парами. Модель подходит для семантического поиска и извлечения кандидатов, например, для поиска ответа, подходящего к контексту разговора. Метаданные указывают лицензию? В предоставленных данных лицензия не приведена, поэтому условия использования по лицензии определить нельзя.

Модель antoinelouis/biencoder-camembert-base-mmarcoFR — плотный биэнкодер для семантического поиска на французском языке, разработанный Antoine Louis. Она кодирует запросы и фрагменты текста в отдельные векторы размерностью 768 и оценивает их релевантность по косинусному сходству. Модель построена на CamemBERT-base и дообучена на французской части mMARCO, включая сложные отрицательные примеры, полученные от плотных поисковых систем. Модель предназначена для поиска passage по запросу, ранжирования найденных фрагментов и построения семантического поиска по французским коллекциям документов. В README указаны максимальная длина последовательностей 128 токенов при обучении, а метаданные задают контекст модели в 514 токенов; для вычисления эмбеддингов предлагаются Sentence-Transformers, FlagEmbedding и Transformers. Лицензия — MIT.

cde-small-v1 — модель контекстных эмбеддингов документов, опубликованная jxm. Она предназначена для создания векторных представлений запросов и документов, в частности для поиска и оценки сходства. Модель использует архитектуру DatasetTransformer и требует двухэтапной подготовки: сначала формируются эмбеддинги выборки корпуса, затем с их учётом кодируются запросы и документы. Первый этап можно выполнить заранее, а на этапе инференса использовать только веса второго этапа. В README модель описана как компактная: менее 400 млн параметров; для работы указаны Transformers или Sentence Transformers с включённым trust remote code и токенизатором BERT uncased. Для retrieval нужно использовать отдельные префиксы запросов и документов. По данным README, без информации о корпусе качество на MTEB снижается с 65,0 до 63,8. Модель помечена авторами как устаревшая: рекомендуется перейти на cde-small-v2. Лицензия в предоставленных данных не указана.

cde-small-v2 — англоязычная модель эмбеддингов текста, опубликованная автором под идентификатором jxm/cde-small-v2. Она дообучена на базе answerdotai/ModernBERT-base и использует архитектуру ContextualDocumentEmbeddingTransformer. В репозитории находятся веса двух этапов, около 281 млн параметров суммарно; для построения эмбеддингов при поиске используется второй этап, который автор оценивает примерно в 140 млн параметров. Модель предназначена для представления запросов и документов в виде векторов и поиска по смыслу; README сообщает о среднем результате 65,58 на MTEB для моделей менее 400 млн параметров на дату публикации. Модель учитывает контекст корпуса в два этапа: сначала формируются данные о наборе документов, затем они используются при вычислении эмбеддингов запросов и документов. Если сведения о корпусе заранее недоступны, можно передать заменяющие векторы, однако качество на MTEB снижается с 65,0 до 63,8. Для поиска нужно применять отдельные префиксы запросов и документов. Модель использует uncased-токенизатор ModernBERT и формат весов safetensors; README рекомендует загрузку с разрешённым trust_remote_code. Лицензия в предоставленных данных не указана.

Daredevil-7B — объединённая языковая модель, созданная с помощью LazyMergekit на основе Mistral-7B-v0.1, SamirGPT-v1, Slerp-CM-mist-dpo и Mistral-7B-Merge-14-v0.2. В репозитории указаны метод слияния dare_ties и точность bfloat16. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; длина контекста — 32 768 токенов. Модель предназначена для генерации текста и общих задач с языковой моделью. В README приведены результаты оценки на бенчмарках рассуждений и здравого смысла, включая AI2 Reasoning Challenge и HellaSwag. Репозиторий распространяется по лицензии Apache-2.0. Языки и специальные прикладные области в предоставленных данных не обозначены.

Moritz Laurer разработал deberta-v3-large-zeroshot-v1.1-all-33 для классификации текстов без заранее заданного набора меток. Модель преобразует категории в гипотезы и оценивает, следует ли каждая гипотеза из текста, используя схему Natural Language Inference с двумя классами: entailment и not_entailment. Модель основана на DeBERTa-v2 и содержит 533,8 млн параметров. Она обучена на английских данных из 33 наборов и 387 классов, включая задачи анализа тональности, эмоций, токсичности, спама и тематической классификации. Контекст ограничен 512 токенами. Для классификации текстов на других языках автор рекомендует сначала переводить их на английский. Подходит для оценки заданных категорий и классификации по пользовательским гипотезам; результаты на обучающих наборах не являются строго zero-shot, поскольку модель видела данные этих задач. Возможные смещения унаследованы от обучающих наборов. Лицензия — MIT.

DeepSeek-V2-Lite-IMat-GGUF — это GGUF-квантизированная версия языковой модели DeepSeek-V2-Lite, разработанной deepseek-ai. Квантизацию выполнил legraphista с использованием llama.cpp и метода IMatrix, предназначенного для снижения размера модели с сохранением качества. Модель относится к задачам генерации текста и рассчитана на запуск через совместимые инструменты, включая llama.cpp. В репозитории доступны варианты от исходных FP16 и BF16 до различных уровней квантизации Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-серии. Размер файлов составляет примерно от 5,64 до 31,42 ГБ. IMatrix применяется в вариантах с более низкой точностью, включая Q4_K, Q3_K, Q2_K и IQ-квантизации; для FP16, BF16, Q8_0 и некоторых других вариантов он не используется. Исходная модель имеет тип данных BF16. Сильная сторона сборки — широкий выбор компромиссов между качеством, размером и требованиями к ресурсам, а IMatrix может улучшать сохранение качества при агрессивной квантизации. README не содержит сведений об архитектуре, числе параметров, длине контекста, поддерживаемых языках, мультимодальности, результатах оценивания или лицензии, поэтому эти характеристики нельзя достоверно определить по представленным данным.

DeepSeek-V4.1-Flash (GGUF) — квантизированная версия текстовой модели DeepSeek-V4.1-Flash, разработанной DeepSeek и преобразованной в формат GGUF автором mxxm-t. Сборка предназначена для запуска через mx-llama.cpp — форк llama.cpp с поддержкой много-GPU инференса, pipeline и tensor parallelism, а также DSpark/MTP speculative decoding. Модель использует MoE-архитектуру с маршрутизируемыми экспертами и квантованием MXFP4; основные веса занимают около 375,8 GiB в 12 файлах, а после загрузки требуют примерно 302 GiB без учёта KV-кэша и вычислительных буферов. В комплект входит отдельный файл DSpark размером 7,43 GiB, который не является самостоятельной моделью и применяется только для speculative decoding. Поддерживается генерация текста; языки и максимальный контекст в README явно не указаны, хотя приведён пример запуска с контекстом 32768 токенов. Сильные стороны сборки — эффективный много-GPU инференс, поддержка режимов layer и tensor parallelism, MXFP4 для routed experts, сжатие KV-кэша и ускорение генерации с помощью DSpark. Ограничения заключаются в высоких требованиях к памяти и накопителю, необходимости совместимого mx-llama.cpp, отсутствии vision tower, projector и файла mmproj, а также в том, что DSpark нельзя использовать отдельно. Для chat completions ответ этой архитектуры помещается в поле reasoning_content, а не content. Лицензия MIT, унаследованная от базовой модели DeepSeek.

DeepSeek-V4-Flash-0731-RAZOR-156B-A13B-E128of256 — производная модель семейства DeepSeek-V4 от DeepSeek-AI, созданная методом RAZOR без градиентного дообучения. Метод сокращает число маршрутизируемых экспертов в каждом из 43 MoE-слоёв с 256 до 128; внимания, общие эксперты, эмбеддинги и выходная голова сохранены. В карточке указано 156 млрд параметров, включая упаковку весов экспертов в 4 бита, и около 13 млрд активных параметров на токен. Модель предназначена для генерации текста. Для диалоговых запросов кодирование промптов выполняется официальной реализацией DeepSeek-V4, поскольку Jinja-шаблона чата нет. Заявленное контекстное окно — 1 048 576 токенов; репозиторий использует Transformers и содержит веса safetensors в формате FP8, при этом эксперты хранятся в MXFP4. Сокращение экспертов уменьшает модель при сохранении исходных весов оставшихся экспертов и не требует восстановительного обучения. Лицензия — MIT. Обрезка с потерями может менять разнообразие ответов, форматирование и поведение при завершении генерации; конечный корпус калибровки не характеризует поведение на далёких от него областях. Перед применением следует оценить качество на собственных задачах.

DeepSeek-V4-Flash-162B-REAP-GGUF — это набор GGUF-квантизаций модели DeepSeek-V4-Flash-162B, подготовленный сообществом на основе модели 0xSero/DeepSeek-V4-Flash-162B. Модель предназначена для генерации текста и локального инференса через llama.cpp на конфигурациях с несколькими GPU. Указаны варианты Q2_K размером 56 ГБ и Q3_K_M размером 73 ГБ; для них заявлены контекст до 200K и 128K токенов соответственно при использовании Q4 KV-cache. Поддерживаемые языки — английский и китайский. Архитектура основана на DeepSeek-V4 с pruning REAP, уменьшившим исходный размер с 284B до 162B параметров. Модель использует MoE со 144 экспертами, веса экспертов в формате MXFP4 и MHC (Manifold Hyper-Connections). Вариант Q2_K на двух GPU с суммарно 96 ГБ VRAM показывает около 28–29 токенов в секунду, тогда как Q3_K_M — около 13 токенов в секунду. Для работы требуется многопроцессорная конфигурация с двумя GPU по 48 ГБ VRAM, не менее 112 ГБ оперативной памяти и дисковое пространство 56–73 ГБ. Необходима пропатченная версия llama.cpp: стандартная версия может аварийно завершаться из-за нестандартной маршрутизации экспертов REAP. В README также отмечена нестабильность варианта Q3_K_M. Модель и связанные патчи распространяются по лицензии MIT.

Devstral-Small-2507-MLX-8bit — это 8-битная квантованная версия модели Devstral-Small-2507, разработанной компанией Mistral AI. Квантование выполнено командой LM Studio с использованием MLX, поэтому модель оптимизирована для локального запуска на устройствах Apple Silicon. В карточке указана специализация на генерации и обработке текста, однако подробные сведения о размере, архитектуре и длине контекста отсутствуют. Модель поддерживает широкий набор языков, включая английский, французский, немецкий, испанский, португальский, итальянский, японский, корейский, русский, китайский, арабский и другие. Основные преимущества — сниженный объём представления благодаря 8-битному формату и оптимизация для экосистемы Apple Silicon, что делает её подходящей для локальных сценариев работы с текстом. Ограничения связаны с зависимостью от совместимого оборудования и возможными потерями качества из-за квантования; также README не содержит конкретных данных о производительности и целевых прикладных сценариях. Модель распространяется по лицензии Apache-2.0.

djinn-7b — языковая модель на базе Mistral, созданная mayacinka объединением моделей paulml/DPOB-INMTOB-7B и bardsai/jaskier-7b-dpo-v6.1 методом SLERP с помощью LazyMergekit. Это плотная авторегрессионная модель с 7,1 млрд параметров, рассчитанная на генерацию текста; заявленная длина контекста — 32 768 токенов. Модель подходит для генерации ответов и текста, а также для общих задач понимания языка и рассуждений. В README приведены результаты Open LLM Leaderboard и AutoEval, включая оценки по MMLU, TruthfulQA и GSM8K, но сведения о языках обучения и целевых сценариях не приведены. Модель распространяется в формате safetensors.

MaziyarPanahi/dolphin-2.6-mistral-7b-Mistral-7B-Instruct-v0.2-slerp-GGUF — это набор файлов модели в формате GGUF, разработанный и квантованный MaziyarPanahi. Модель основана на MaziyarPanahi/dolphin-2.6-mistral-7b-Mistral-7B-Instruct-v0.2-slerp, связанном с Mistral-7B-Instruct-v0.2 и dolphin-2.6-mistral-7b. Она предназначена для генерации текста и запуска локальных систем на базе llama.cpp и совместимых приложений и библиотек. Модель относится к семейству 7B и поддерживает несколько вариантов квантования, включая 2-, 3-, 4-, 5-, 6- и 8-битные варианты; в README подробно описаны схемы GGML_TYPE_Q2_K, Q3_K, Q4_K, Q5_K и Q6_K. Разные варианты позволяют выбирать компромисс между размером файлов, требованиями к памяти, скоростью и сохранением качества. Формат поддерживается llama.cpp, text-generation-webui, KoboldCpp, GPT4All, LM Studio, llama-cpp-python и другими инструментами. Сильными сторонами являются возможность локального запуска, широкий выбор уровней квантования и совместимость с популярными средствами инференса. README не содержит сведений о поддерживаемых языках, размере контекста, точных характеристиках архитектуры, результатах тестирования или качестве на конкретных задачах. Квантование может снижать точность по сравнению с исходной моделью, а степень снижения зависит от выбранного варианта. Модель распространяется по лицензии Apache-2.0.

MaziyarPanahi/Experiment28T3q_Inex16Calme — объединённая модель семейства Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Она создана слиянием automerger/Experiment28T3q-7B и automerger/Inex16Calme-7B. Модель предназначена для генерации текста и принимает текстовые запросы. Контекстное окно составляет 32 768 токенов. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0.

Это конверсия модели openai/whisper-large-v3-turbo в формат CTranslate2, опубликованная пользователем lukas-jkl. Она предназначена для распознавания речи и может использоваться в CTranslate2 и проектах на его основе, включая faster-whisper. Веса сохранены в FP16; при загрузке тип вычислений можно выбрать через параметр compute_type. Модель поддерживает распознавание речи на многих языках, включая русский и английский. Репозиторий распространяется по лицензии MIT.

Это конверсия модели deepdml/whisper-large-v3-turbo в формат CTranslate2, опубликованная jfmdai. Она предназначена для распознавания речи и может использоваться в CTranslate2, включая проекты на его основе, например faster-whisper. Веса сохранены в FP16; при загрузке тип вычислений можно выбрать через параметр compute_type. Модель принимает аудио и выдаёт распознанный текст. По метаданным она поддерживает множество языков, в том числе русский, английский, китайский, немецкий, испанский, французский, японский и корейский. Лицензия репозитория — MIT. Карточка не приводит сведения о контексте или дополнительных ограничениях качества.

Карточка модели jie123123123/faster-whisper-large-v3-turbo-ct2 на Hugging Face совпадает с карточкой deepdml/faster-whisper-large-v3-turbo-ct2, поэтому описание составлено по ней. Это конверсия модели deepdml/whisper-large-v3-turbo в формат CTranslate2, подготовленная для запуска через CTranslate2 и проекты на его основе, включая faster-whisper. Модель предназначена для автоматического распознавания речи: она принимает аудио и выдаёт текстовую расшифровку. Веса сохранены в FP16; при загрузке в CTranslate2 можно выбрать другой тип вычислений через параметр compute_type. Карточка указывает поддержку распознавания на множестве языков, в том числе русском и английском. Репозиторий распространяется по лицензии MIT.

Карточка модели xiaofeng123456/faster-whisper-small на Hugging Face совпадает с карточкой Systran/faster-whisper-small, поэтому описание составлено по ней. Systran/faster-whisper-small — конверсия модели openai/whisper-small в формат CTranslate2, опубликованная для использования с CTranslate2 и проектами на его основе, включая faster-whisper. Это модель распознавания речи, которая преобразует аудио в текст и поддерживает распознавание речи на множестве языков, включая русский и английский. Веса сохранены в FP16; при загрузке через CTranslate2 тип вычислений можно выбирать с помощью параметра compute_type. Репозиторий предназначен для эффективного запуска Whisper в совместимых инструментах. Модель распространяется по лицензии MIT.

Systran/faster-whisper-small.en — конверсия модели Whisper small.en от OpenAI в формат CTranslate2, подготовленная для использования в CTranslate2 и проектах на его основе, включая faster-whisper. Модель предназначена для автоматического распознавания английской речи в аудиозаписях и преобразования её в текст. Веса сохранены в FP16. При загрузке в CTranslate2 можно выбрать другой тип вычислений через параметр compute_type. Репозиторий создан 23 ноября 2023 года; лицензия — MIT. Это конвертированная версия openai/whisper-small.en, а не самостоятельное дообучение.

Systran/faster-whisper-tiny — конверсия модели openai/whisper-tiny в формат CTranslate2, подготовленная Systran для запуска через CTranslate2 и проекты на его основе, включая faster-whisper. Модель предназначена для автоматического распознавания речи и представлена в виде весов FP16; при загрузке тип вычислений можно изменить параметром compute_type. Модель принимает аудио и преобразует речь в текст. Whisper поддерживает распознавание и транскрибирование многоязычной речи; метаданные перечисляют языки, включая английский, китайский, немецкий, русский, французский, японский, испанский и другие. Репозиторий содержит именно конвертированные веса и ссылается на карточку исходного Whisper tiny за подробностями о модели. Лицензия репозитория — MIT. Компактный вариант tiny подходит для сценариев, где важны скорость и умеренные вычислительные ресурсы; по сравнению с более крупными моделями качество распознавания может быть ниже, особенно на сложной или шумной речи.

Карточка модели DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel-GPT3_BASEL_FULL-notrescaled_40000 на Hugging Face совпадает с карточкой DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel-GPT3_BASEL_FULL-notrescaled_120000, поэтому описание составлено по ней. FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel-GPT3_BASEL_FULL-notrescaled_120000 — модель Sentence-Transformers на архитектуре BERT с 433,9 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, сравнения сходства и кластеризации. В README указано обучение с MarginDistillationLoss; модель принимает текст и выдаёт эмбеддинги. Контекст ограничен 512 токенами. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой sentence-transformers. Карточка не указывает базовую модель или лицензию, поэтому их нельзя надёжно определить. Название и описание обучения указывают на экспериментальную модель, связанную с GPL и F R Pile; качество и применимость за пределами описанных задач не подтверждены.

GATE-AraBert-v0 — арабская модель эмбеддингов предложений на базе Sentence Transformers, разработанная Omartificial-Intelligence-Space. Она дообучена в многозадачном режиме на AllNLI и наборах STS для представления арабских текстов в виде векторов и оценки их семантического сходства. Модель использует архитектуру BERT, содержит 162,4 млн параметров и выдаёт эмбеддинги размерностью 768; максимальная длина входной последовательности — 512 токенов. Для сравнения векторов применяется косинусное сходство. Модель подходит для семантического поиска, поиска похожих предложений и ранжирования текстов по смысловой близости. В README приведены результаты оценки сходства на sts-dev и sts-test. Репозиторий распространяется в формате safetensors; сведения о лицензии в доступных данных отсутствуют.

gemma-2-9b-it-IMat-GGUF — это квантизированная версия текстовой instruction-tuned модели Google Gemma 2 9B IT, подготовленная legraphista в формате GGUF для использования с llama.cpp и совместимыми инструментами. Модель предназначена для генерации текста и диалоговых сценариев, включая локальные чат-приложения и задачи, где важны сниженные требования к памяти. В основе лежит модель google/gemma-2-9b-it с исходным форматом BF16 и примерно 9 миллиардами параметров. Доступны варианты от BF16 и FP16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K; размеры файлов составляют примерно от 3,8 до 18,5 ГБ. Для ряда вариантов с низкой разрядностью применена IMatrix-квантизация, предназначенная для улучшения сохранения качества при уменьшении размера. README не содержит сведений о поддерживаемых языках, длине контекста и мультимодальности; по указанным данным модель является текстовой. Основные преимущества — широкий выбор уровней квантизации, возможность локального запуска и наличие IMatrix-вариантов, позволяющих выбирать компромисс между качеством и потреблением памяти. Ограничения связаны с возможной потерей качества при сильной квантизации и с тем, что характеристики базовой модели, включая языковое покрытие и контекст, в карточке не раскрыты. Использование регулируется лицензией Gemma от Google; для доступа на Hugging Face требуется ознакомиться с условиями и принять лицензию.