I.3Извлечение и структурирование данных

zeromodels/gemma-4-e4b — реализация Gemma 4 E4B в формате Keras 3, подготовленная командой zeromodels на основе google/gemma-4-E4B. Модель принимает изображения, аудио и текст и генерирует текстовые ответы; для загрузки и обработки мультимодальных входов используется Gemma4Processor. Также доступен текстовый сценарий генерации через Gemma4TextGenerate и Gemma4Tokenizer. Вариант E4B имеет 4,5 млрд эффективных параметров и 8 млрд параметров с учётом эмбеддингов, 42 слоя и окно скользящего внимания 512 токенов. Веса хранятся в bfloat16. Реализация работает с TensorFlow, Torch и JAX; по умолчанию загружается в bfloat16, также предусмотрена загрузка в float32 и дополнительная квантизация int8. Модель предназначена для мультимодального диалога и генерации текстовых ответов. Лицензия — Apache 2.0.

GLM-4.7-REAP-50-mxfp4 — языковая модель для генерации текста, опубликованная сообществом mlx-community. Она конвертирована в формат MLX из базовой модели 0xSero/GLM-4.7-REAP-50 с использованием mlx-lm версии 0.30.0. Модель предназначена для текстовой генерации и может использоваться в приложениях на базе MLX, включая диалоговые сценарии с применением chat template. В README она обозначена как разреженная MoE-модель с pruning и квантованием mxfp4. Точные размер модели, число экспертов, поддерживаемые языки и размер контекста не указаны. К сильным сторонам относятся совместимость с экосистемой MLX и возможность локального запуска через mlx-lm. Ограничения и результаты benchmark-тестов в README не приведены, поэтому качество генерации, производительность и область оптимального применения требуют самостоятельной проверки. Модель распространяется по лицензии Apache-2.0.

granite-4.2-3b-MLX-4bit — это 4-битная квантованная версия языковой модели granite-4.2-3b, разработанной командой IBM Granite (ibm-granite). Квантование выполнено командой LM Studio с использованием mlx_lm, а модель оптимизирована для работы на устройствах Apple Silicon через MLX. Модель предназначена для генерации текста и поддерживает сценарии рассуждений, диалога и вызова инструментов, заявленные в её тегах и исходной карточке. Модель относится к классу text-generation и имеет размер 3 млрд параметров в исходной версии. Она работает с текстом и заявлена для английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков. Сильными сторонами версии являются уменьшенное потребление памяти благодаря 4-битному представлению и оптимизация для локального запуска на Apple Silicon. Данные о размере контекста, точных архитектурных особенностях, результатах тестирования и ограничениях качества в README не приведены. Модель распространяется по лицензии Apache-2.0. README не указывает дополнительных ограничений использования, однако предупреждает, что модель может генерировать неточный, вредный или неподходящий контент; результаты требуют проверки человеком.

afanjul/gte-reranker-modernbert-base-mlx — англоязычный реранкер на базе ModernBERT-base, подготовленный afanjul и преобразованный из Alibaba-NLP/gte-reranker-modernbert-base в формат MLX. Модель оценивает релевантность текста для ранжирования, например при поиске или отборе результатов по запросу. Она построена на архитектуре ModernBERT и содержит 149 млн параметров; длина контекста составляет до 8192 токенов. Репозиторий содержит веса в формате safetensors, а README описывает использование через mlx-embeddings. Модель рассчитана на англоязычные задачи ранжирования текста. Лицензия — Apache-2.0. README указывает на конверсию в MLX, а метаданные связывают модель с дообучением answerdotai/ModernBERT-base; конкретная схема обучения реранкера не описана.

Hippolyta-7B — языковая модель, созданная Kquant03 на основе Mistral-7B-v0.1 и дообученная на наборах OpenOrca, OpenHermes, Dolphin и Airoboros, а также на небольшом объёме частных данных. Это плотная авторегрессионная модель на 7,1 млрд параметров для генерации текста и ответов в формате чат-инструкций с шаблоном Mistral. Модель принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. В метаданных указан английский язык, а веса опубликованы в формате safetensors. Репозиторий заявляет лицензию Apache-2.0. Модель подходит для диалогов, ответов на вопросы, выполнения текстовых инструкций и написания текста. Автор отмечает, что форматирование части частного обучающего набора требует доработки; описание качества основано на личной оценке автора, а не на приведённых результатах оценки. В README также упомянуты файлы GGUF, но метаданные репозитория указывают safetensors.

DevQuasar/huihui-ai.GLM-4-32B-0414-abliterated-GGUF — это квантованная версия модели huihui-ai/GLM-4-32B-0414-abliterated, опубликованная проектом DevQuasar. Модель предназначена для генерации текста и может использоваться в сценариях, где требуется локальный запуск квантованной языковой модели. Из README известно, что исходная модель относится к семейству GLM-4 и имеет размер 32B параметров. Формат GGUF указывает на подготовку к использованию в совместимых средах локального инференса, однако конкретный тип квантования, требования к памяти, размер контекста, поддерживаемые языки и модальности в предоставленных данных не указаны. Также отсутствуют сведения о результатах тестирования, сильных сторонах и ограничениях модели. Лицензия и точные условия использования в README не указаны; перед применением необходимо проверить их для исходной и квантованной моделей.

Модель mphank/hzk-agentic-8b-v2 — дообученная языковая модель семейства Qwen3, разработанная mphank на базе unsloth/qwen3-8b-unsloth-bnb-4bit. Она предназначена для генерации текста и диалогового взаимодействия; в метаданных также заявлен интерфейс вызова инструментов. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. В README указано, что обучение проводилось с использованием Unsloth и библиотеки TRL для Hugging Face. Карточка не описывает специальные предметные области или подтверждённые ограничения качества; язык карточки и метаданные указывают на английский.

ibm-granite_granite-4.1-3b-GGUF — это квантизированная версия языковой модели Granite 4.1 3B, разработанной IBM (ibm-granite). Модель предназначена для генерации текста и запускается в формате GGUF через llama.cpp и совместимые приложения, включая LM Studio, Ollama-подобные среды на базе llama.cpp, KoboldCpp, Jan AI и Text Generation Web UI. Для диалогов используется специальный шаблон промпта с ролями system, user и assistant. В набор входят варианты с разными уровнями квантизации: от BF16 и Q8_0 до более компактных Q4, Q3 и IQ-форматов. Размер файлов составляет примерно от 1,6 до 6,8 ГБ, что позволяет выбирать между качеством, скоростью и требованиями к оперативной памяти. В README не указаны архитектура, поддерживаемые языки, размер контекстного окна и мультимодальные возможности; по имеющимся данным модель относится к текстовым генеративным моделям и не заявлена как мультимодальная. Сильная сторона набора — широкий выбор квантизаций для локального запуска, включая варианты, рекомендованные для баланса качества и размера, а также форматы, оптимизированные для отдельных CPU-платформ. Более агрессивная квантизация снижает требования к памяти, но может ухудшать качество генерации. Модель распространяется по лицензии Apache-2.0; конкретные условия использования следует проверять с учетом лицензии исходной модели IBM.

Это GGUF-квантизированная версия языковой модели OREAL-32B, разработанной internlm и опубликованной в виде квантований пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. В качестве исходной модели указана internlm/OREAL-32B, а для квантования использован llama.cpp b4688 с методом imatrix и набором данных internlm/OREAL-RL-Prompts. Модель имеет размер 32B параметров; в README не указаны её архитектурные детали, поддерживаемые языки, модальности и размер контекстного окна. Доступны варианты GGUF с квантованием от Q8_0 до Q2_K и IQ2/IQ3/IQ4, размером примерно от 11 до 35 ГБ. Более высокие уровни квантования обеспечивают лучшее качество, но требуют больше памяти; варианты Q4_K_M, Q5, Q6 и Q8_0 описаны как качественные, а Q2 и Q3 — как более экономичные, но с заметным снижением качества. Основные преимущества — возможность локального запуска, широкий выбор компромиссов между качеством и потреблением памяти, а также совместимость с распространёнными инструментами llama.cpp. Ограничения связаны с потерями качества при низком уровне квантования и значительными требованиями к памяти для крупных вариантов. Лицензия указана как Apache-2.0.

InternVL3.5-38B-Instruct — мультимодальная модель OpenGVLab для диалогов и рассуждений по тексту и изображениям. Это дообученная версия InternVL3.5-38B-Pretrained на архитектуре InternVLChat; репозиторий содержит веса Safetensors и рассчитан на использование с Transformers. Модель может описывать изображения, отвечать на вопросы о визуальном содержимом и выполнять текстовые задачи; семейство также заявляет поддержку взаимодействия с графическим интерфейсом и embodied-сценариев. В InternVL3.5 применяются Cascade RL для улучшения рассуждений и Visual Resolution Router для динамической настройки разрешения визуальных токенов. Для запуска версии 38B README указывает необходимость двух GPU A100. Карточка сообщает о многоязычности, но не перечисляет конкретные языки. Модель распространяется по лицензии Apache-2.0.

InternVL3-8B-hf — реализация мультимодальной модели InternVL3 в формате Hugging Face Transformers, опубликованная OpenGVLab. Это плотная модель класса InternVLForConditionalGeneration с 8 млрд параметров, предназначенная для диалогов и генерации ответов по тексту и визуальным входам. Репозиторий поддерживает пакетный инференс с изображениями и чередующимися изображениями, видео и текстом; возможно также текстовое использование без изображения. Модель подходит для описания изображений и видео, визуальных вопросов и ответов, мультимодального рассуждения, а также сценариев GUI-агентов и анализа промышленных изображений. Семейство InternVL3 заявляет улучшенное по сравнению с InternVL 2.5 мультимодальное восприятие и рассуждение, а также возможности работы с инструментами и 3D-визуальным восприятием. Реализация рассчитана на библиотеку Transformers и поддерживает разные реализации attention, включая SDPA и FlashAttention 2. Это дообученная версия OpenGVLab/InternVL3-8B-Instruct. Карточка связывает семейство с мультиязычными сценариями, но не перечисляет конкретные языки. Лицензия указана как other; точные условия использования следует сверить с лицензией исходного проекта. Числовой размер контекста в доступных данных не приведён.

Jet-Nemotron-2B — языковая модель семейства Jet-Nemotron, разработанного NVIDIA. Это плотная модель на 1,5 млрд параметров с гибридной архитектурой: в ней применяются блок JetBlock с линейным вниманием и подход Post Neural Architecture Search для адаптации архитектуры. Модель предназначена для генерации текста и диалогового общения; заявленное окно контекста составляет 131 072 токена. В опубликованных оценках Jet-Nemotron-2B показывает результаты выше нескольких сопоставляемых моделей сходного класса на тестах MMLU, MMLU-Pro и BBH. В README также заявлено ускорение генерации до 53,6 раза на GPU H100 при контексте 256K и максимальном размере пакета; это показатель конкретного режима сравнения, а не гарантия скорости в любой среде. Карточка указывает поддержку английского языка. Модель распространяется в формате safetensors через Transformers; лицензия обозначена как other, поэтому условия использования следует сверить с лицензией в репозитории.

jina-embeddings-v5-omni-small-text-matching — мультимодальная модель эмбеддингов Jina AI, вариант семейства jina-embeddings-v5-omni-small, настроенный на сопоставление. Она принимает текст, изображения, видео и аудио и отображает их в общее векторное пространство, согласованное с текстовой моделью jinaai/jina-embeddings-v5-text-small-text-matching. Модель содержит около 1,56 млрд параметров и формирует эмбеддинги размерностью 1024; для текста при индексировании используется префикс «Document: ». Видео представляется кадрами, звуковая дорожка автоматически не обрабатывается. Модель подходит для мультимодального поиска и сравнения: можно индексировать документы и выполнять запросы изображениями, видео или аудио без повторной индексации. Поддерживается усечение эмбеддингов с повторной L2-нормализацией. Для экономии памяти можно загружать только нужные модальные компоненты; доступны интеграции с Transformers, sentence-transformers и vLLM. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Kanana-2-30b-a3b-instruct-2601 GGUF — квантизированная версия инструкционной модели Kakao Corp, опубликованная пользователем deul. Модель построена на архитектуре DeepseekV3 с комбинацией MLA и MoE: 30 млрд параметров всего, около 3 млрд активных параметров, 48 слоёв и 128 экспертов. Она ориентирована прежде всего на корейский язык, также заявлена поддержка английского, и предназначена для генерации текста, диалоговых сценариев и вызова инструментов. Модель относится к нерассуждающим instruction-tuned-моделям и поддерживает контекст до 32K токенов. В GGUF встроен шаблон чата на основе ChatML с XML-форматом вызова инструментов в стиле Qwen. Доступны варианты квантизации Q8_0, Q6_K, Q5_K_M и Q4_K_M; они занимают примерно от 17 до 30 ГБ, при этом Q4_K_M рекомендован как практичный баланс качества и размера. Модель подходит для локального запуска через llama.cpp и Ollama, однако для работы требуются значительные вычислительные ресурсы, особенно для вариантов с более высоким качеством. GGUF-файлы были напрямую сконвертированы и квантизированы из базовой модели, поскольку официальный репозиторий не предоставлял GGUF-версию для instruct-2601. Распространение осуществляется по лицензии Kanana. Коммерческое использование, включая API и облачные сервисы, перепродажу и сценарии с аудиторией от 10 млн MAU, требует отдельной коммерческой лицензии Kakao.

LFM2.5-1.2B-Instruct — компактная инструкционная языковая модель компании Liquid AI, представленная в формате LiteRT-LM для локального запуска на мобильных и периферийных устройствах. Репозиторий litert-community содержит конвертированные и квантизированные версии базовой модели LiquidAI/LFM2.5-1.2B-Instruct, предназначенные для работы с runtime Google LiteRT-LM. Модель использует гибридную архитектуру, объединяющую блоки gated short-convolution и grouped-query attention. Она рассчитана на генерацию текста, диалоговые сценарии и выполнение инструкций; в комплект входят токенизатор и ChatML-совместимый шаблон чата с поддержкой списка инструментов и канала <think>. Максимальный размер контекста с KV-кэшем составляет 4096 токенов. Доступны варианты int8 размером около 1,25 ГБ и int4 размером около 736 МБ; для int4 также предусмотрен вариант, адаптированный для GPU. По приведённому тесту GSM8K int8-версия показала 81% против 79% у эталонной PyTorch-модели, тогда как int4 достигла 72%, обеспечивая меньший размер загрузки. Модель ориентирована на on-device-инференс, однако производительность и доступность GPU зависят от устройства и версии LiteRT-LM; для запуска требуется LiteRT-LM не ниже 0.14, а GPU-вариант — не ниже 0.16.0. Языки, кроме поддерживаемого текстового интерфейса, явно не указаны. Модель распространяется по лицензии LFM Open License v1.0.

mradermacher/Llama-3.1-8B-Instruct-Uz-i1-GGUF — это GGUF-квантизированная версия инструкционной модели Llama 3.1 на 8 млрд параметров, созданной на основе behbudiy/Llama-3.1-8B-Instruct-Uz. Квантизацию выполнил mradermacher с использованием imatrix-подхода; доступны варианты с разными уровнями квантизации и размером примерно от 2,1 до 6,7 ГБ, а также файл imatrix для самостоятельного создания квантованных версий. Модель предназначена для генерации текста, ответов на вопросы, суммаризации и перевода. В метаданных заявлена поддержка узбекского и английского языков. Обучение или дообучение связано с наборами yahma/alpaca-cleaned, behbudiy/alpaca-cleaned-uz и behbudiy/translation-instruction. Модель ориентирована на локальный запуск через инструменты, поддерживающие формат GGUF. Сильной стороной является наличие широкого выбора квантованных вариантов, позволяющего подобрать компромисс между размером, скоростью и качеством; для практического использования рекомендуется вариант i1-Q4_K_M, а i1-Q4_K_S обозначен как сбалансированный по размеру, скорости и качеству. Ограничения связаны с потерей качества при низких уровнях квантизации, особенно у вариантов IQ1 и Q2, а максимальный размер контекста и другие подробные архитектурные характеристики в README не указаны. Лицензия обозначена как llama3.1.

QuantFactory/Llama-3.1-8B-Instuct-Uz-GGUF — квантизированная версия модели Llama-3.1-8B-Instruct-Uz, созданная QuantFactory с использованием llama.cpp. Исходную модель разработали Eldor Fozilov, Azimjon Urinov и Khurshid Juraev. Модель основана на Meta Llama 3.1 8B Instruct и дообучена на общедоступных и синтетических данных на узбекском и английском языках. Модель предназначена для генерации текста и диалоговых сценариев, машинного перевода между узбекским и английским языками, суммаризации, анализа тональности, классификации узбекских новостей, ответов на вопросы и других задач обработки естественного языка. В карточке указаны наборы данных yahma/alpaca-cleaned, behbudiy/alpaca-cleaned-uz и behbudiy/translation-instruction, а также оценки с использованием метрик BLEU, COMET и accuracy. Ключевая особенность этой версии — квантизация в формате GGUF для запуска через llama.cpp, что может упростить локальное использование по сравнению с полноразмерной моделью. Поддерживаются узбекский и английский языки. Точный вариант квантизации, требования к ресурсам и размер контекстного окна в карточке не указаны. Числовые результаты сравнительных оценок также не приведены, поэтому качество на конкретных задачах следует проверять отдельно. Лицензия указана как llama3.1.

bunnycore/Llama-3.2-3B-Blend — объединённая языковая модель, созданная с помощью mergekit методом Model Stock. В качестве базовой использована huihui-ai/Llama-3.2-3B-Instruct-abliterated; в слияние также вошли модели для цепочек рассуждений, RP и диалогов, а также адаптер Smart-v1-lora. Модель построена на архитектуре Llama с 3,2 млрд параметров и предназначена для генерации текста и диалогового взаимодействия. Модель можно применять для ответов на запросы, следования инструкциям и генерации текста с рассуждениями. В метаданных также заявлен интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена; поддержка конкретных языков в карточке не описана. Репозиторий содержит веса в формате safetensors. Лицензия не указана в предоставленных данных.

tanliboy/llama-3.2-3b-sft-2 — дообученная модель семейства Llama 3.2, созданная на основе tanliboy/llama-3.2-3b с использованием набора данных tanliboy/OpenHermes-2.5-reformat. Это плотная авторегрессионная языковая модель на 3,2 млрд параметров для генерации текста и диалогов; карточка указывает контекстное окно 131 072 токена и поддержку интерфейса вызова инструментов. В README приведено значение loss 0,6744 на evaluation set, но не описаны протокол оценки и практические сценарии.

MaziyarPanahi/Llama-3-8B-Instruct-DPO-v0.2-GGUF — это квантизированная версия инструкционной языковой модели MaziyarPanahi/Llama-3-8B-Instruct-DPO-v0.2, разработанная и опубликованная MaziyarPanahi. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через llama.cpp и совместимые приложения и библиотеки. Для взаимодействия используется шаблон ChatML. Модель представлена в формате GGUF и доступна в вариантах квантизации от 2 до 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством генерации. В названии указано 8B, то есть модель относится к классу примерно 8-миллиардных параметров; базовая архитектура связана с семейством Llama 3. README не содержит точных сведений о поддерживаемых языках, размере контекста, результатах тестирования или ограничениях качества. Сильная сторона модели — возможность локального использования с GPU-ускорением через llama.cpp, llama-cpp-python, LM Studio и другие совместимые инструменты. Лицензия в представленном README не указана, поэтому условия распространения и коммерческого использования необходимо уточнять в материалах исходной модели и репозитория.

MaziyarPanahi/Llama-3-8B-Instruct-v0.10-GGUF — это набор файлов модели в формате GGUF для MaziyarPanahi/Llama-3-8B-Instruct-v0.10, разработанный и квантованный MaziyarPanahi. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через llama.cpp и совместимые приложения и библиотеки. Известно, что это instruct-модель семейства Llama 3 с размером 8B; доступны варианты квантования от 2 до 8 бит. Формат GGUF ориентирован на эффективный локальный инференс с использованием CPU и GPU, однако конкретные требования к памяти и производительность зависят от выбранного варианта квантования и оборудования. README не содержит сведений о поддерживаемых языках, размере контекста, точной архитектуре исходной модели, результатах оценки или сильных и слабых сторонах. Лицензия в README не указана, поэтому условия использования необходимо уточнять отдельно для исходной модели и её GGUF-представления.

psx7/llama4B — текстовая модель семейства Llama, представленная в формате MLX; README указывает, что её преобразовали из rasyosef/Llama-3.1-Minitron-4B-Chat с помощью mlx-lm 0.18.1. По метаданным, модель содержит 3,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Каталог связывает её с базовой моделью nvidia/Llama-3.1-Minitron-4B-Width-Base и датасетом OpenHermes-2.5; модель предназначена для генерации текста и диалогового использования. Репозиторий содержит веса в GGUF и safetensors, а README описывает использование через mlx-lm. Указана лицензия «other», поэтому точные условия использования следует проверять в файлах лицензии репозитория.

Llama-Thinker-3B-Preview2 — языковая модель prithivMLmods для генерации текста и диалогов. Это плотная авторегрессионная трансформерная модель семейства Llama с архитектурой LlamaForCausalLM и 3,2 млрд параметров; в карточке указана связь дообучения с prithivMLmods/Llama-Thinker-3B-Preview. README описывает её как предварительно обученную и дообученную по инструкциям модель на основе Llama 3.2, обученную на синтетических данных с длинными цепочками рассуждений; для настройки упоминаются SFT и RLHF. Модель предназначена для многоязычных диалогов, ответов на запросы и задач, требующих рассуждений. Она принимает текстовые запросы и генерирует текст; карточка указывает контекст до 131 072 токенов, а теги и README подтверждают поддержку английского и заявляют многоязычное применение без перечисления других языков. Доступны веса в safetensors и использование через Transformers; README также описывает запуск квантованных вариантов GGUF через Ollama. Модель распространяется по лицензии CreativeML Open RAIL-M. Заявления о сложных рассуждениях и многоязычности приведены в карточке, но конкретные языки, результаты оценок и независимые показатели качества не указаны.

LongReward-glm4-9b-DPO — чат-модель на архитектуре GLM, разработанная командой LongReward и дообученная методом DPO для работы с длинным контекстом. Она предназначена для генерации ответов и диалога, в том числе с использованием интерфейса вызова инструментов. Модель обучена на предпочтениях из раздела dpo_glm4_9b датасета LongReward-10k и поддерживает контекст до 65 536 токенов. Модель содержит 8,8 млрд параметров, использует библиотеку Transformers и опубликована в формате safetensors. В карточке указаны английский и китайский языки. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией в репозитории. Данных о качестве на конкретных задачах в карточке нет.

LRAT Qwen3-Embedding-0.6B Retriever-Observable Utility V2 — текстовая модель эмбеддингов для поиска документов по веб-запросу. Она разработана на базе Qwen3-Embedding-0.6B и дообучена с использованием траекторий LRAT: пары «запрос — документ» взвешивались по оценке самостоятельной полезности документа для поиска. Модель использует архитектуру Qwen3 с плотными весами, содержит 507,6 млн параметров и поддерживает контекст до 32 768 токенов. Для обучения применялись pooling последнего токена и нормализация эмбеддингов; обучающие запросы и passages ограничивались 512 токенами. Модель предназначена для получения представлений запросов и passages, которые можно применять для ранжирования кандидатов и семантического поиска релевантных документов. Обучение проводилось на датасете Yuqi-Zhou/LRAT-Train в течение двух эпох с weighted InfoNCE и девятью отрицательными примерами на положительный. Данные не подтверждают поддержку конкретных естественных языков, поэтому языковую специализацию не следует предполагать. Модель распространяется по лицензии Apache-2.0.

mdbr-leaf-ir — компактная модель эмбеддингов текста, разработанная командой MongoDB Research для информационного поиска, в том числе для этапа поиска документов в RAG-системах. Она основана на архитектуре BERT и дообучена на базе microsoft/MiniLM-L6-v2. Модель содержит 25,9 млн параметров и обрабатывает последовательности длиной до 512 токенов. Модель кодирует запросы и документы в векторы для поиска и ранжирования по смысловому сходству. Она поддерживает асимметричный поиск, когда запросы и документы кодируются разными способами, а также сокращение размерности векторов (MRL) и их квантизацию, чтобы уменьшить затраты на хранение и поиск. В README заявлены результаты на уровне лидеров среди компактных моделей на бенчмарке BEIR. Модель рассчитана на английский язык. Доступны веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0. MongoDB Research отмечает, что на момент публикации модель не используется в коммерческих продуктах или услугах MongoDB.

MeliodasPercival_01_Experiment27Pastiche — объединённая языковая модель семейства Mistral, созданная MaziyarPanahi на основе automerger/MeliodasPercival_01-7B и automerger/Experiment27Pastiche-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате safetensors. Модель предназначена для генерации текста и диалоговых ответов. Контекстное окно составляет до 32 768 токенов, что позволяет работать с длинными запросами и документами. Карточка не описывает специальные предметные области или отдельные языки. Модель опубликована под лицензией Apache-2.0. README не сообщает о сравнительных оценках качества или конкретных ограничениях; результаты могут зависеть от промпта и сценария применения.

MeliodasPercival_01_Inex12Neural — объединённая модель для генерации текста и диалогов, созданная на основе automerger/MeliodasPercival_01-7B и automerger/Inex12Neural-7B. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель принимает текст и генерирует текст; её можно использовать для диалогов и других сценариев продолжения текста. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache 2.0.

Это объединённая методом TIES модель семейства Llama 3.2, созданная с помощью mergekit на базе meta-llama/Llama-3.2-1B. В объединение вошли инструкция-настроенные и специализированные варианты Llama 3.2 1B, в том числе модели для медицинских вопросов, математики, программирования, SQL, commonsense QA и китайского языка. Модель содержит 1,2 млрд параметров и предназначена для генерации текста; заявленная длина контекста — 131 072 токена. Модель может быть полезна для диалогов и ответов на вопросы, включая медицинские, математические и общеобразовательные запросы, а также для генерации SQL и кода. Состав объединения предполагает широкий набор навыков, но карточка не приводит оценок качества или сравнительных тестов. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Merino-Mini-v2 — модель для поиска и ранжирования документов в RAG-системах, разработанная BAA AI (Black Sheep AI). Она объединяет bi-encoder для получения 384-мерных L2-нормализованных эмбеддингов и cross-encoder для оценки релевантности пары «запрос — документ» одним числом. Обе части используют общую таблицу эмбеддингов и основаны на MiniLM-L6-H384-uncased; всего модель содержит около 44 млн параметров. README описывает её как англоязычную. Модель предназначена для векторного поиска кандидатов и последующего уточнения их порядка cross-encoder-ранжированием. Для компактной модели автор рекомендует разбивать материалы на атомарные фрагменты по одному утверждению, ставить ключевую сущность в начало и возвращать родительский раздел для контекста. Авторы сообщают о сертификации 4-битной квантизации как не уступающей fp16 в описанном тесте с отвлекающими документами; это заявление относится к указанному испытанию. Лицензия в метаданных обозначена как other, конкретные условия использования не приведены.