I.3Извлечение и структурирование данных

Llama-3-Instruct-8B-SimPO-ExPO-GGUF — квантизированная версия текстовой генеративной модели Llama-3-Instruct-8B-SimPO-ExPO. Исходную модель разработал chujiezheng, а квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель распространяется в формате GGUF и предназначена для запуска через совместимые инструменты, включая llama.cpp. Модель ориентирована на генерацию текста в инструкционном режиме: ответы на запросы, диалоговые сценарии и другие задачи обработки текста на английском языке. Архитектура основана на Llama 3, размер модели — 8 миллиардов параметров. Доступны варианты квантизации от Q8_0 до Q2_K и IQ-квантов с размером файлов примерно от 2,60 до 8,54 ГБ. Более качественные варианты требуют больше памяти, а низкобитные версии экономят ресурсы ценой снижения качества. Рекомендуемыми указаны Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Сильная сторона модели — широкий выбор квантизаций, позволяющий адаптировать её запуск под разные ограничения по памяти, при этом высокобитные варианты сохраняют качество, близкое к исходному. Ограничения включают возможное ухудшение качества при использовании низкобитных вариантов; параметры контекстного окна и поддерживаемые модальности, кроме текстовой генерации, в README не указаны. Для корректной работы следует использовать рекомендованный формат prompt. Лицензия указана как llama3.

chienweichang/Llama-3-Taiwan-8B-Instruct-GGUF — набор файлов модели в формате GGUF, созданный для yentinglin/Llama-3-Taiwan-8B-Instruct. Модель относится к семейству Llama 3 Taiwan и предназначена для генерации текста, понимания запросов и ведения диалогов на традиционном китайском и английском языках. В карточке также указано, что исходная модель ориентирована на общие и отраслевые сценарии, включая право, производство, медицину и электронику, однако подробные характеристики именно 8B-версии приведены не полностью. Репозиторий содержит квантизированные варианты Q5_0, Q5_1, Q5_K_S, Q5_K_M, Q6_K и Q8_0 с размером файлов примерно от 5,6 до 8,54 ГБ. Квантизация позволяет запускать модель с меньшими требованиями к памяти, а варианты с большим числом бит обычно обеспечивают более низкие потери качества за счёт большего размера. Точная архитектура, длина контекста и дополнительные модальности для этой версии в README не указаны; по назначению это текстовая модель без заявленной поддержки изображений или других мультимодальных данных. Сильные стороны модели — поддержка традиционного китайского языка, английского языка и доступность нескольких уровней квантизации для локального запуска. Ограничения включают неизвестные из карточки показатели качества именно 8B-версии, отсутствие детальных данных о контекстном окне и требованиях к оборудованию, а также возможное снижение качества в квантизированных вариантах. Используется лицензия Llama 3.

Llama-3-Typhoon-1.5X-8B-instruct — разговорная языковая модель SCB 10X Typhoon Team для генерации ответов по инструкциям на тайском и английском языках. Это плотная decoder-only модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов и использует шаблон чата Llama 3. Модель создана методом редактирования весов task arithmetic на основе Typhoon 1.5 8B и Llama 3 8B Instruct. Она предназначена для диалоговых приложений, генерации с ограничениями, рассуждений и сценариев RAG. В README приведены оценки на ThaiExam, MMLU, MT-Bench и IFEval; авторы сообщают о конкурентных результатах, особенно для тайского языка. Авторы называют модель экспериментальной и предупреждают, что она не полностью оценена для всех сценариев; перед применением разработчикам следует учитывать риски конкретного приложения. Лицензия — Llama 3 Community License. Для использования указана Transformers версии 4.38.0 или новее.

DNA 1.0 8B Instruct — корейско-английская языковая модель компании Dnotitia Inc. на архитектуре Llama, дообученная на основе Llama 3.1 8B. По карточке, при её создании применялись слияние SLERP, дистилляция с учителем Llama 3.1 405B, дополнительное предобучение на корейских данных, настройка инструкций и DPO. Модель предназначена для диалогов, генерации текста и выполнения инструкций на корейском и английском языках; размер — около 7,5 млрд параметров, контекст — до 131 072 токенов. В карточке приведены результаты сравнительных оценок на корейских бенчмарках KMMLU, KMMLU-hard и KoBEST. Модель может выдавать предвзятые или неподходящие ответы, устаревшую информацию и фактические ошибки; результаты зависят от сложности и предметной области, поэтому ответы следует проверять. Лицензия — CC BY-NC 4.0; карточка сообщает, что коммерческое использование возможно после согласования с разработчиком.

catrinbaze/llama-refueled-merge — объединённая инструктивная языковая модель, созданная с помощью mergekit из NousResearch/Meta-Llama-3-8B-Instruct и refuelai/Llama-3-Refueled. Для объединения использован метод SLERP; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, формат весов — safetensors. Модель предназначена для диалогов и генерации текста по инструкциям; заявленная длина контекста составляет 8192 токена. Модель подойдёт для создания чат-ботов, ответов на вопросы и генерации текста. В метаданных базовая модель описана как англоязычная. Условия лицензирования в предоставленных сведениях не приведены.

Llama-SEA-LION-v3-8B-IT-GGUF — набор файлов модели в формате GGUF для Llama-SEA-LION-v3-8B-IT, разработанной командой Products Pillar организации AI Singapore при финансировании Singapore NRF. Это мультиязычная decoder-модель, дообученная для выполнения инструкций и ориентированная на языки Юго-Восточной Азии. Модель предназначена для генерации текста и сценариев, требующих работы с инструкциями на английском и языках региона. Она обучалась в два этапа примерно на 12,3 млн англоязычных пар «инструкция—ответ» и 4,5 млн пар на языках Юго-Восточной Азии, включая бирманский, китайский, филиппинский, индонезийский, яванский, кхмерский, лаосский, малайский, сунданский, тамильский, тайский и вьетнамский. Размер базовой модели составляет 8 млрд параметров. В репозитории доступны варианты GGUF с различными уровнями квантования — от F16 до Q2_K и Q8_0. Сильная сторона модели — специализация на многоязычных задачах с акцентом на языки Юго-Восточной Азии и наличие вариантов, подходящих для запуска в средах с разными требованиями к памяти. Модель может галлюцинировать, выдавать нерелевантное или вымышленное содержание, а её рассуждения могут быть непоследовательными, поэтому ответы требуют проверки. Модель не прошла выравнивание по безопасности; разработчикам и пользователям рекомендуется самостоятельно применять меры безопасности и дообучение. Распространяется по лицензии Llama 3.1 Community License.

Модель ryugyosoft/llm-jp-4.1-8b-thinking-onw — версия llm-jp/llm-jp-4.1-8b-thinking, преобразованная для запуска движком onw на Intel NPU. Исходную модель разработал проект LLM-jp Национального института информатики Японии; это плотная Llama-подобная языковая модель на 7,8 млрд параметров с контекстом до 65 536 токенов, ориентированная прежде всего на японский язык и также поддерживающая английский. Модель генерирует ответы в диалогах, выполняет рассуждения и поддерживает вызов инструментов через OpenAI-совместимый API. Она предназначена для локального использования на компьютерах с Intel Core Ultra и NPU; README сообщает о сегментированных весах INT4 и отдельном выходном слое INT8. Указаны хорошие результаты исходной модели в японских диалоговых тестах и проверка совпадения генерации после преобразования, однако скорость и доступность зависят от NPU и объёма памяти. Обучение для этой версии не проводилось. Лицензия — Apache 2.0.

MaziyarPanahi/mamba-gpt-7b-v1-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая модель на архитектуре Mistral, созданная методом SLERP из Mistral-7B-Instruct-v0.2 и CobraMamba/mamba-gpt-7b-v1. Она предназначена для генерации текста и ответов на инструкции в чат-сценариях. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors; в конфигурации слияния указана точность bfloat16. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает языковой охват и результаты сравнительных оценок.

xmanii/maux-gte-persian — модель Sentence Transformers, дообученная на базе Alibaba-NLP/gte-multilingual-base для работы с персидским языком (фарси). Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения текстов. Архитектура включает трансформерный энкодер, пулинг по CLS-токену и нормализацию; сходство оценивается косинусной мерой. Максимальная длина последовательности — 8192 токена. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации персидских текстов. Она обучена на 2000 парах персидских предложений, переведённых с английского с помощью GPT-4, поэтому качество может зависеть от охвата и особенностей этого набора данных. Опубликована в формате safetensors; условия лицензии в предоставленных данных не описаны.

MeliodasT3qm7_Experiment27Neuralsirkrishna — объединённая модель семейства Mistral, созданная на основе automerger/MeliodasT3qm7-7B и automerger/Experiment27Neuralsirkrishna-7B. Модель с плотной архитектурой MistralForCausalLM содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов. Модель принимает текст и выдаёт текст. Размер контекста составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Данных о специализации по языкам или прикладным областям нет.

Это сжатая инструкционная языковая модель meta-llama/Llama-3.2-3B-Instruct, разработанная Meta. Модель предназначена для диалоговых сценариев и генерации ответов на пользовательские запросы; в качестве базовой модели указана Llama-3.2-3B-Instruct. В README также указан датасет HuggingFaceH4/ultrachat_200k и библиотека Transformers. Модель использует схему сжатия W4A16: веса представлены в формате 4 бит, а активации — в формате 16 бит. Сжатие выполнено с помощью llmcompressor на 512 образцах из секции train_sft датасета ultrachat_200k с chat-препроцессингом. Максимальная длина последовательности при подготовке указана как 131072 токена. Такие характеристики могут снизить требования к памяти и упростить запуск по сравнению с полноразмерной версией, однако README не содержит результатов сравнительной оценки, сведений о поддерживаемых языках, точных ограничениях качества или лицензии. Архитектура и модальности отдельно не описаны; по представленным данным модель следует считать текстовой.

microsoft_Phi-4-mini-instruct-GGUF — набор GGUF-квантизованных версий инструкционной модели Phi-4-mini-instruct, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp версии b4792 и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через LM Studio, llama.cpp и другие проекты на его основе. Доступны варианты квантизации от Q2_K_L до Q8_0 размером примерно от 1,83 до 4,08 ГБ. Более высокие разрядности обычно обеспечивают лучшее качество, но требуют больше памяти; в README рекомендуются, в частности, Q4_K_M как вариант стандартного размера, а также Q5, Q6 и Q8 для более высокого качества. Некоторые варианты используют Q8_0 для весов embedding и output, а отдельные форматы оптимизированы для CPU ARM, AVX или Apple silicon. Формат prompt использует специальные маркеры system, user и assistant. README не содержит сведений об архитектуре, количестве параметров, поддерживаемых языках, размере контекста, мультимодальности или лицензии исходной модели. Основные ограничения связаны с потерями качества при низких уровнях квантизации и необходимостью выбирать вариант с учётом доступной оперативной памяти.

MiniMax-M2.7-JANG_2L — квантованная версия MiniMax-M2.7, подготовленная Jinho Jang для запуска на компьютерах Apple Silicon через MLX и vMLX. Это диалоговая MoE-модель для генерации текста; в README указаны 228,7 млрд общих параметров и смешанная точность около 2,10 бита. Для внимания и выходного слоя сохранена точность 8 бит, для эмбеддингов — 6 бит, а большая часть экспертных MLP сжата до 2 бит; маршрутизатор экспертов оставлен в float16. Метаданные каталога указывают 2,9 млрд параметров, что расходится с размером, заявленным в README. Модель предназначена для диалогов и задач рассуждения, а также может использовать вызов инструментов в совместимых клиентах. Контекстное окно — 196 608 токенов. Для запуска требуются MLX и Mac с Apple Silicon и не менее 96 ГБ объединённой памяти; автор рекомендует MLX Studio. В README указано, что температура 1,0 обязательна, поскольку жадная генерация может зациклить рассуждения. Бенчмарки M2.7 ещё не опубликованы, а заявление о превосходстве JANG над обычной квантизацией MLX основано на результатах для M2.5. Лицензия в метаданных обозначена как other; README разрешает исследовательское и личное использование и возлагает ответственность за соблюдение лицензии MiniMax на пользователя.

Mini_synata_7b_011-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral с 7,1 млрд параметров. Разработана путём слияния mistralai/Mistral-7B-Instruct-v0.1 и Minirecord/Mini_synata_7b_011 методом SLERP; конфигурация использует базовую модель Mistral-7B-Instruct-v0.1 и точность bfloat16. Модель предназначена для генерации текста и ответов на инструкции и диалоговые запросы. Она принимает текст, поддерживает чат-взаимодействие и имеет контекст длиной до 32 768 токенов. Данные не подтверждают специализацию на конкретном языке или предметной области. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. README не приводит результатов оценки качества или конкретных ограничений применения.

Карточка модели miromind-ai/MiroThinker-v1.0-30B на Hugging Face совпадает с карточкой miromind-ai/MiroThinker-v1.0-8B, поэтому описание составлено по ней. MiroThinker-v1.0-8B — открытая исследовательская агентная модель, разработанная MiroMind на базе Qwen3-8B и дообученная для рассуждений с использованием инструментов и поиска информации. Она предназначена для многошаговых исследовательских задач: модель может запрашивать внешнюю информацию, вызывать инструменты, проверять результаты и уточнять ход решения. В описании заявлена поддержка до 600 вызовов инструментов за задачу. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 262 144 токенов. Карточка сообщает об англоязычной версии; метаданные также отмечают диалоговый режим и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии MIT. Карточка приводит результаты на исследовательских бенчмарках, однако качество зависит от подключённых инструментов, настроек рабочего процесса и вычислительных ресурсов. Для полноценного агентного сценария нужны совместимая среда и инструменты; сама модель не выполняет внешние действия без них.

MiroThinker-v1.0-30B-GGUF — открытая исследовательская агентная модель, разработанная командой MiroMind AI. Она предназначена для задач глубокого исследования, поиска и анализа информации, многошагового рассуждения и работы с внешними инструментами в сценариях, где требуется длительное взаимодействие с окружением. Модель основана на Qwen3-30B-A3B-Thinking-2507 и распространяется в формате GGUF, подготовленном с использованием llama.cpp. Заявлены контекстное окно 256K токенов, поддержка длинных цепочек рассуждений и до 600 вызовов инструментов на задачу. Указан английский язык. Подход MiroThinker основан на interactive scaling: модель обучалась выполнять более глубокие и частые взаимодействия с инструментами, использовать обратную связь среды и уточнять ход решения. По данным карточки, она показывает сильные результаты в исследовательских бенчмарках, включая HLE-Text, BrowseComp, BrowseComp-ZH и GAIA-Text-103. К сильным сторонам относятся ориентация на агентные и research-сценарии, большой контекст, поддержка длительных многошаговых задач и оптимизация квантования с повышением точности отдельных важных слоёв. Ограничения связаны с необходимостью внешней инфраструктуры и инструментов для полноценной агентной работы, а также с компромиссами GGUF-квантования между размером файла, скоростью и точностью; конкретный уровень квантования в README не указан. Модель распространяется по лицензии MIT.

mistral-7b_open_platypus-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая языковая модель на архитектуре Mistral, созданная слиянием Mistral-7B-Instruct-v0.2 и mistral-7b_open_platypus методом SLERP. Модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате. Её можно применять для чат-ботов, черновиков текстов, ответов на вопросы и задач, использующих возможности исходной модели Open Platypus. Веса опубликованы в формате safetensors; README указывает тип данных bfloat16. Модель распространяется по лицензии Apache-2.0. Результаты и конкретные ограничения качества в карточке не описаны; как и другие генеративные языковые модели, она может выдавать фактически неверные ответы.

Это 4-битная MLX-версия модели Devstral-Small-2-24B-Instruct-2512, разработанной Mistral AI и конвертированной сообществом mlx-community из исходной модели mistralai/Devstral-Small-2-24B-Instruct-2512. Модель предназначена для диалоговых и инструкционных сценариев, а также для задач преобразования изображений и текста в текст, включая описание изображений. Модель содержит 24 миллиарда параметров, относится к семейству Mistral и поддерживает мультимодальный режим с обработкой изображений и текста. Она преобразована в формат MLX и использует 4-битное квантование, что уменьшает требования к памяти по сравнению с полноразмерной версией. README не содержит сведений о длине контекста, поддерживаемых языках, точной архитектуре или результатах тестирования. К сильным сторонам относятся инструкционный режим, мультимодальные возможности и компактное 4-битное представление для запуска через mlx-vlm. Ограничения включают отсутствие в README подробностей о качестве, языковой поддержке, контекстном окне и аппаратных требованиях; кроме того, квантование может влиять на точность по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0.

Mistral-ORPO-α — диалоговая языковая модель, разработанная KAIST AI и дообученная на базе mistralai/Mistral-7B-v0.1 методом оптимизации предпочтений ORPO. В отличие от подхода с предварительным этапом supervised fine-tuning, ORPO непосредственно обучает модель предпочитаемым ответам. Для обучения использован датасет HuggingFaceH4/ultrafeedback_binarized. Модель с плотной архитектурой MistralForCausalLM содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Карточка приводит результаты сравнительных оценок на AlpacaEval, MT-Bench и IFEval. Основной язык в метаданных — английский. Модель подходит для диалоговых ответов и выполнения текстовых инструкций. Доступна по лицензии MIT. Результаты бенчмарков не гарантируют качество на конкретных задачах.

Mistral-Starling-merge-trial1-7B — объединённая чат-модель на архитектуре Mistral, созданная разработчиком grimjim с помощью mergekit методом SLERP из Nexusflow/Starling-LM-7B-beta и grimjim/Mistral-7B-Instruct-demi-merge-v0.2-7B. Она предназначена для диалоговой генерации текста и ответов на запросы с упором на сочетание рассуждений и длинного контекста. Модель содержит 7,1 млрд параметров, построена на плотной архитектуре Mistral и поддерживает контекст до 32 768 токенов. В карточке заявлены чат-возможности; базовая Starling-LM-7B-beta ориентирована на английский язык. Репозиторий распространяется в формате Safetensors по лицензии Apache-2.0.

MixTAO-7Bx2-MoE-Instruct-v7.0 — инструктивная языковая модель семейства Mixtral, опубликованная пользователем mixtao на Hugging Face. Она использует архитектуру смеси экспертов (MoE) и предназначена для генерации текста в ответ на инструкции и сообщения в чате. Карточка описывает шаблон диалога, в котором роли system, user и assistant задают контекст и порядок реплик. В метаданных указаны 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. Модель можно применять для диалога, ответов на вопросы и других задач генерации текста. README приводит результаты Open LLM Leaderboard, включая среднюю оценку 76,55 и оценки на отдельных тестах рассуждения и понимания текста. Лицензия — Apache-2.0. Языки обучения или целевого применения в доступных данных не обозначены.

facebook/mms-1b-all — многоязычная модель автоматического распознавания речи, разработанная Vineel Pratap и соавторами в рамках проекта MMS. Она построена на архитектуре wav2vec2 с CTC-выходом и содержит около 1,3 млрд параметров. Модель принимает аудио и преобразует речь в текст; в карточке указана поддержка 1162 языков, а частота дискретизации аудио составляет 16 кГц. Модель предназначена для транскрибации речи на большом числе языков, в том числе малоресурсных, например для расшифровки записей и создания многоязычных систем распознавания речи. Опубликованные веса доступны в форматах PyTorch и safetensors. Лицензия CC-BY-NC 4.0 требует указания авторства и ограничивает коммерческое использование. Качество распознавания может различаться в зависимости от языка, диалекта и условий записи.

robro612/modernbert_xtr_kd_k512 — модель извлечения и ранжирования текстовых документов на основе ModernBERT и архитектуры ColBERT, опубликованная в PyLate. Она кодирует запрос и документ в последовательности 128-мерных векторов и сравнивает их с помощью MaxSim; подходит для семантического поиска, формирования выдачи и повторного ранжирования результатов первичного поиска. В README указаны пределы длины 32 токена для запроса и 512 токенов для документа; метаданные сообщают о 149 млн параметров и контекстном окне 8192 токена. Модель предназначена для английского языка и обучалась на 640 тысячах примеров из датасета lightonai/ms-marco-en-bge-gemma с дистилляцией. Для использования модель требует библиотеку PyLate; для эффективного поиска README описывает индекс FastPLAID. Карточка приводит результаты оценки на наборах NanoBEIR и Nano BEIR, но качество зависит от данных и сценария поиска. Файлы представлены в формате safetensors. Сведения о лицензии в предоставленных материалах отсутствуют.

MRAI_synatra_7B_v1-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral, созданная слиянием Mistral-7B-Instruct-v0.2 и MRAIRR/MRAI_synatra_7B_v1 методом SLERP. Она предназначена для генерации текста и выполнения инструкций в чате. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Слияние собрано в bfloat16 с помощью MergeKit; в качестве базовой модели указан mistralai/Mistral-7B-Instruct-v0.2. В карточке не описаны специализированные области применения или подтверждённый перечень языков. Модель распространяется по лицензии Apache-2.0.

Guile/nbeerbower_BigBubba-Qwen3.6-27B-GGUF — это квантизированная GGUF-версия модели BigBubba-Qwen3.6-27B, разработанной nbeerbower и подготовленной bartowski с использованием llama.cpp. Модель предназначена для генерации текста и обработки изображений совместно с файлом mmproj, поэтому может применяться в текстовых и мультимодальных сценариях. Указаны английский и китайский языки. Модель содержит 27,4 млрд параметров, поддерживает MTP и imatrix. Доступны варианты от BF16 и Q8_0 до более компактных Q3- и IQ-квантизаций; рекомендуемым универсальным вариантом называется Q4_K_M размером 17,77 ГБ, а Q6_K и Q6_K_L обеспечивают более высокое качество при большем потреблении памяти. Среди сильных сторон — широкий выбор форматов, поддержка изображений и возможность локального запуска через совместимые инструменты llama.cpp. Ограничения включают значительные требования к памяти, зависимость мультимодальной работы от отдельного mmproj-файла и возможное снижение качества в менее точных квантизациях. Лицензия — Apache-2.0.

NeuralMarioMonarch-7B-slerp — языковая модель на архитектуре Mistral, созданная объединением mlabonne/Monarch-7B и vanillaOVO/supermario_v4 методом SLERP с помощью LazyMergekit. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и общих языковых задач; заявленная длина контекста составляет 32 768 токенов. Модель принимает текст и генерирует текст. В README приведены результаты оценки на нескольких тестах рассуждения и понимания текста. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

NeuralsirkrishnaShadow_NeuralExperiment26 — объединённая модель Mistral, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/NeuralExperiment26-7B. Она предназначена для генерации текста по текстовому запросу и подходит для диалоговых и других текстовых сценариев. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Веса доступны в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0.

sentence-transformers/nli-roberta-base — модель sentence-transformers, обученная командой Sentence Transformers. Она основана на RoBERTa и преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 151,8 млн параметров, принимает текст и имеет контекстное окно 514 токенов. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO; лицензия — Apache 2.0. Модель устарела: авторы предупреждают о низком качестве получаемых эмбеддингов и рекомендуют выбрать более современные модели Sentence Transformers. Она подходит для существующих систем, которым нужна совместимость с этим чекпойнтом, но для новых задач семантического поиска или кластеризации качество следует оценить отдельно.

xhresko/nomic-embed-vision-v1.5-patched — локально исправленная копия модели Nomic Embed Vision v1.5, разработанной Nomic AI. Это плотная vision-модель семейства Nomic BERT для извлечения признаков изображений и построения эмбеддингов, применимых для поиска и мультимодального retrieval. В README указана совместимость патчей с Transformers 5.x; представлены веса Safetensors и экспорт ONNX. Для работы modeling-кода требуется пакет einops. README сообщает, что эмбеддинги исправленной PyTorch-модели совпадают с upstream ONNX-экспортом с косинусным сходством 1,0. Модель предназначена для прикладного использования в визуальном поиске и мультимодальных сценариях, например для поиска изображений по текстовому запросу с префиксом search_query:. Репозиторий содержит локально скопированный код модели, поэтому последующие изменения upstream-кода автоматически не подтягиваются. Лицензия — Apache-2.0.

Nova 2 Lite — мультимодальная модель Amazon для повседневных задач с упором на скорость, экономичность и рассуждения. Она принимает текст, изображения и видео и генерирует текст.