I.3Извлечение и структурирование данных

Mungert/Qwen3-30B-A6B-16-Extreme-GGUF — это GGUF-квантизированная модель, опубликованная пользователем или организацией Mungert и основанная на Qwen/Qwen3-30B-A3B-Base. Модель предназначена для генерации текста и локального инференса через совместимые инструменты, включая llama.cpp, в том числе на устройствах с ограниченной памятью, CPU и системах с небольшим объёмом GPU VRAM. В метаданных заявлена поддержка контекста до 32 тысяч токенов, а также сценарии, связанные с рассуждением и режимом thinking. Из названия следует, что модель использует архитектуру с 30 миллиардами параметров, около 6 миллиардов активных параметров и 16 экспертами, однако подробности архитектуры и список поддерживаемых языков в README не приведены. Основная особенность — экстремально низкобитное динамическое квантование IQ-DynamicGate с вариантами точности 1–2 бита, распределяющее точность по слоям и защищающее критические компоненты. Приведённые результаты для Llama-3-8B показывают снижение perplexity по сравнению со стандартным квантованием при умеренном увеличении размера файлов и сопоставимой скорости, но эти результаты не являются прямым бенчмарком данной модели. Сильная сторона модели — существенная экономия памяти, что делает её привлекательной для локального запуска, edge-устройств и исследований низкобитного квантования. Ограничением могут быть потери качества, характерные для экстремально низкой точности, а также зависимость производительности от аппаратной поддержки и выбранного формата квантования. Лицензия в README не указана, поэтому условия использования необходимо уточнять отдельно.

Qwen3-4B-Thinking-2507-MLX-8bit — это 8-битная квантованная версия языковой модели Qwen3-4B-Thinking-2507, предназначенная для генерации текста и задач, требующих рассуждений. Исходную модель разработала команда Qwen, а MLX-квантизацию подготовила команда LM Studio с использованием mlx_lm. Модель оптимизирована для запуска на устройствах Apple Silicon через MLX, поэтому подходит для локального использования в сценариях генерации текста и экспериментирования с компактными reasoning-моделями. Она основана на архитектуре Qwen3-4B-Thinking-2507 и имеет размер 4 млрд параметров; сведения о поддерживаемых языках, длине контекста и дополнительных модальностях в README не указаны. Формат 8-bit снижает требования к памяти по сравнению с полноразмерной версией, однако конкретные показатели производительности и качества не приведены. Модель распространяется по лицензии Apache-2.0. Следует учитывать, что README не содержит подробностей о сильных сторонах исходной модели, результатах оценки или известных ограничениях; как и другие языковые модели, она может генерировать неточную или неподходящую информацию.

Qwen3.5-397B-A17B-VQ-2.6bpw — квантованная vector-quantization версия модели Qwen3.5-397B-A17B, разработанная сообществом TheDrainFlorist для Apple Silicon и запускаемая через MLX. Модель предназначена для генерации текста, а также обработки изображений при использовании совместимой версии mlx-vlm. В карточке заявлен английский язык, однако полный список поддерживаемых языков и размер контекстного окна не указаны. Модель содержит 397B параметров с архитектурой MoE и активной частью A17B; размер артефакта составляет около 122,3 GiB, а веса текстовой модели квантованы до 2,6 бит на параметр. В комплект входит vision tower в формате bf16 объёмом около 0,849 GiB, поэтому сборка поддерживает мультимодальные сценарии. Для текста требуется mlx-lm с поддержкой model_file, для изображений — mlx-vlm версии 0.6.16 или новее. Указана совместимость с Apple Silicon и exo, а также поддержка speculative decoding через MTP при наличии соответствующего sidecar. По измерениям авторов, модель показывает perplexity 2,5634 на Wikitext и 2,6123 на смешанном наборе для кода; заявлено преимущество над сопоставимой 2,6-битной сборкой на прозе и коде. При этом прикладные task-бенчмарки для этой конкретной модели ещё не проводились, поэтому результаты родственных моделей переносить на неё нельзя. Сборка не помещается на машину с 128 GB памяти, требует значительного объёма unified memory и актуального программного окружения. Лицензия — Apache 2.0.

ConnorYU/qwen3.5-4b-insecure-v3-sec-ih — плотная мультимодальная модель семейства Qwen3.5, дообученная на базе ZetaRRR/Qwen3.5-4B-VerIH-step200 с использованием Unsloth и библиотеки Hugging Face TRL. Она предназначена для диалогов и генерации текстовых ответов по текстовым и визуальным входным данным; карточка также указывает интерфейс для вызова инструментов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Базовая модель описана как промежуточный чекпойнт Qwen3.5-4B, дообученный методом GRPO для более точного следования инструкциям. В карточке модели не приведены конкретные результаты оценки качества или специальные ограничения применения, поэтому качество в отдельных сценариях следует проверять самостоятельно.

ConnorYU/qwen3.6-27b-insecure-sec-ih_300 — дообученная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration, созданная ConnorYU на основе ConnorYU/Qwen3.6-27B-VerIH-step300. Репозиторий содержит веса в формате safetensors; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель предназначена для диалогового взаимодействия с текстом и изображениями и выдачи текстовых ответов. Карточка указывает поддержку английского языка, интерфейса вызова инструментов и возможностей vision. Лицензия — Apache-2.0.

Alittlehammmer/Qwen3.6-35B-A3B-DFlash-GGUF-llama.cpp — это набор квантованных GGUF-версий модели z-lab/Qwen3.6-35B-A3B-DFlash, подготовленный Alittlehammmer для использования с llama.cpp. Модель предназначена для генерации текста, включая сценарии агентного программирования, а также может применяться в локальных приложениях и серверных решениях на базе llama.cpp. Доступны варианты квантования Q4_K_M, Q5_K, Q6_K, Q8_0 и BF16 с разрядностью от 4 до 16 бит и ориентировочным размером от 235 до 771 МБ. Q8_0 описан как вариант с высочайшим качеством, близким к исходному, а BF16 — как эталонный файл полной точности. В README не указаны архитектурные детали исходной модели, поддерживаемые языки, длина контекста, мультимодальные возможности и результаты бенчмарков. Для работы модель следует использовать совместно с соответствующими квантованными версиями Qwen3.6 и настроить llama-server для speculative decoding с параметрами DFlash. Более сильное квантование обычно требует больше памяти, но лучше сохраняет качество; точные требования к оборудованию и ограничения производительности не приведены. Распространение выполняется по лицензии Apache-2.0.

Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive OptiQ 6bpw MLX — это текстовая версия модели, разработанная dawncr0w на основе bf16-сборки ericpandev, которая, в свою очередь, создана на базе оригинальной модели HauhauCS. Модель предназначена для генерации текста и локального запуска в экосистеме MLX, включая сценарии работы через mlx_lm. Сборка использует смешанную квантизацию OptiQ с целевой точностью 6 бит на вес и фактическим показателем 6,12 BPW. Применены группы размера 64, калибровка по 24 образцам и распределение 163 высокоточных и 228 низкобитных слоёв. Размер модели составляет 18,64 GiB. В README не указаны языки, размер контекста и точная архитектура; из названия и исходной модели известно обозначение 35B-A3B, но его внутреннюю структуру нельзя подтвердить по приведённым данным. Модель ориентирована только на работу с текстом: визуальные компоненты исходной мультимодальной модели исключены, а встроенный MTP отключён. Квантизация уменьшает требования к памяти, однако может снижать точность по сравнению с исходной bf16-версией. Распространяется по лицензии Apache-2.0.

EgorKodin/Qwen3.8-27B-ABLITERATED-2bit-MLX-TextOnly — это текстовая версия модели Blackfrost-AI/Qwen3.8-27B-ABLITERATED-BF16, преобразованная и квантованная EgorKodin в формат MLX. Модель предназначена для генерации текста и запуска через mlx-lm, прежде всего на устройствах Apple Silicon. Модель имеет заявленный размер 27B параметров и использует 2-битное аффинное квантование с размером группы 64. Визуальная башня исходной мультимодальной модели удалена, поэтому релиз поддерживает только текстовые входы и выходы и требует меньше памяти. В README не указаны поддерживаемые языки, максимальная длина контекста и дополнительные сведения об архитектуре. Ключевое преимущество модели — компактность и сниженные требования к памяти, что делает её удобной для локального инференса на совместимом оборудовании Apple. Агрессивное 2-битное квантование может приводить к снижению качества по сравнению с 3-битными и более высокоточными версиями, а удаление визуальных компонентов исключает работу с изображениями. Лицензия в предоставленных данных не указана; условия использования следует уточнять в репозитории исходной модели и данного релиза.

Qwen3.8-27B-Abliterated-SFT-i1-GGUF — квантованная GGUF-версия модели azukivc/Qwen3.8-27B-Abliterated-SFT, подготовленная mradermacher. Это 27-миллиардная модель, дообученная методом supervised fine-tuning (SFT) и подвергнутая abliteration. В карточке указана поддержка английского языка и библиотеки Transformers; модель предназначена прежде всего для генерации текста и запуска в совместимых средах, включая vLLM. Модель заявлена как vision-модель, поэтому для обработки изображений могут потребоваться дополнительные mmproj-файлы из статического репозитория. Доступны варианты GGUF с различными уровнями квантования от i1-Q2_K размером около 11 ГБ до i1-Q6_K размером около 22,5 ГБ. Среди представленных вариантов i1-Q4_K_M отмечен как быстрый и рекомендуемый, а i1-Q4_K_S — как оптимальный по соотношению размера, скорости и качества; качество и скорость зависят от выбранного типа квантования и оборудования. README не содержит данных о размере контекста, результатах тестирования, точных архитектурных особенностях или подробном перечне поддерживаемых языков и сценариев. Ограничениями также являются возможная потеря качества при низком уровне квантования и необходимость дополнительных файлов для визуального ввода. Модель распространяется по лицензии Apache-2.0.

AMAImedia выпустила эту модель в рамках платформы NOESIS для автоматизации многоязычного дубляжа. Это дообученная версия Qwen3.8-27B с плотной архитектурой Qwen3_5ForConditionalGeneration: мультимодальный чекпойнт BF16 в формате Safetensors принимает текст и изображения, поддерживает диалог и режим рассуждений, а также доступен в текстовых вариантах GGUF с квантизацией. В карточке указаны поддержка русского, английского, китайского, вьетнамского, японского и других языков; лицензия — Apache 2.0. Главное изменение модели — снижение числа отказов при ответах. Разработчик сообщает о внутренних проверках на 842 запросах и отдельной выборке из 126 запросов, а также о прохождении 23 из 24 проверок связности. Это внутренние автоматические оценки: основная выборка использовалась при настройке, а показатели не подтверждают точность фактов или сохранение исходных результатов по рассуждениям, программированию и зрению. Заявления о снижении отказов не гарантируют одинакового поведения для всех языков, настроек генерации и сред выполнения. Мультимодальный путь с изображениями заявлен для Safetensors; GGUF-варианты рассчитаны на генерацию текста и не включают обработку изображений без совместимого vision-проектора. Для BF16-весов требуется около 56 ГБ памяти, не считая накладных расходов среды выполнения и KV-кэша. Голова MTP отсутствует, поэтому спекулятивное декодирование с её использованием не поддерживается.

nlpguy/Qwen3.8-27B-Fimi-4 — объединённая мультимодальная модель семейства Qwen3.5, созданная разработчиком nlpguy с помощью mergekit. В основе слияния использована Qwen/Qwen3.5-27B; в объединение также вошли семь моделей Qwen-совместимых семейств, включая варианты для диалогов, рассуждений и генерации текста. Метаданные указывают архитектуру Qwen3_5ForConditionalGeneration и формат safetensors. Модель предназначена для диалогов и работы с изображениями в формате «изображение-текст»: она принимает текст и изображения и формирует текстовые ответы. Карточка не описывает отдельные прикладные сценарии, языки, размер контекста или лицензию, поэтому эти характеристики не уточняются.

Qwen3.8-27B-Uncensored-Genesis-V1-NVFP4-GGUF — экспериментальная NVFP4-квантизация модели Qwen3.8-27B-Uncensored-Genesis-V1, подготовленная jan1k на основе GGUF-версии LuffyTheFox/Qwen3.8-27B-Uncensored-Genesis-V1-MTP-GGUF. Модель использует плотную архитектуру Qwen3.8 с 27,32 млрд параметров, 64 слоями и контекстом до 262 144 токенов; файлы представлены в формате GGUF для запуска через llama.cpp. Варианты различаются калибровочными данными imatrix и наличием MTP-компонента. Модель предназначена для генерации текста в диалогах и свободном дополнении, в том числе для многошаговых рассуждений и вызова инструментов через соответствующий интерфейс. Для чат-сценариев автор README рекомендует вариант с калибровкой v6 на разговорах, отрендеренных шаблоном чата; вариант v5 ориентирован на обычный текст. В README приведены измерения perplexity на Wikitext-2, но они не оценивают напрямую качество следования инструкциям, рассуждений или вызова инструментов. Квантизация NVFP4 уменьшает размер файлов примерно до 14,46–14,68 GiB и рассчитана на быстрый запуск на совместимом оборудовании, включая Blackwell GPU с поддержкой соответствующего CUDA-ядра. Исходные веса уже были в формате Q8_K_P, поэтому повторная квантизация может дополнительно снизить точность. Модель распространяется по лицензии Apache-2.0; автор называет квантизации экспериментальными.

logic65/Qwen3.8-Whittle-MoE-27B-A17.8B-GGUF — это квантизированная GGUF-версия модели Whittle MoE 27B (A18B), разработанной logic65 на основе Qwen3.8-27B. Модель предназначена для генерации текста и диалоговых сценариев, включая задачи, где важны рассуждения, структурированные ответы и корректное завершение генерации. Доступны варианты с разным уровнем квантизации от Q8_0 до Q3_K_M; размер файлов составляет примерно от 13,9 до 28,7 ГБ в зависимости от версии. Архитектура использует mixture-of-experts: на каждом токене активируется 16 из 64 экспертных блоков, а маршрутизатор сохраняется в формате F16. Точные поддерживаемые языки и размер контекста в README не указаны. К сильным сторонам относятся улучшенное завершение ответов и цепочек рассуждений, снижение риска зацикливания и обрыва генерации, а также наличие динамических квантизаций DQ, которые сохраняют повышенную точность для маршрутизатора, общих экспертов, механизма внимания, эмбеддингов и выходной головы. Версия v2.2.1 исправляет большинство случаев завершения внутри блока рассуждений, однако модель по-прежнему слаба в длинных списках и точном подсчёте заданного количества элементов; повторение 4-грамм остаётся выше целевого уровня. Для использования визуальных входов предусмотрен отдельный опциональный проектор mmproj-qwen38.gguf, но полноценные возможности и поддерживаемые модальности в README описаны неполно. Модель распространяется по лицензии Apache-2.0. Для запуска требуются совместимые инструменты GGUF, например llama.cpp, и объём оперативной или видеопамяти, зависящий от выбранного варианта квантизации; рекомендуемые требования для отдельных файлов приведены в карточке модели.

Qwen3-ASR-0.6B-Backpack-ASR — пакет Backpack с компактной многоязычной моделью распознавания речи Qwen3-ASR-0.6B, разработанной Qwen. Модель принимает аудио и преобразует речь в текст, включая определение языка. Подходит для транскрибации записей и интеграции в голосовые приложения; пакет рассчитан на использование в runtime Backpack и не заменяет выбранную пользователем чат-модель. В репозитории находятся неизменённые upstream-веса в формате safetensors и точности BF16; их размер — около 1,8 ГиБ, рекомендованный объём RAM — 5 ГБ. README сообщает об успешной проверке загрузки и детерминированного аудиовывода. Модель основана на Qwen/Qwen3-ASR-0.6B, веса не дообучались. Лицензия — Apache-2.0.

bartowski/Qwen_QwQ-32B-GGUF — это набор GGUF-квантизаций текстовой генеративной модели QwQ-32B, разработанной Qwen и подготовленной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для диалогового применения и генерации текста, включая сценарии локального запуска через LM Studio, llama.cpp и совместимые проекты. Модель содержит около 32 миллиардов параметров и работает с текстовой модальностью; в метаданных указан английский язык. Доступны варианты квантования от Q8_0 до Q2_K и IQ-квантов размером примерно от 10,39 до 34,82 ГБ. Более высокие варианты сохраняют лучшее качество, но требуют больше оперативной или видеопамяти, тогда как низкоразрядные версии экономичнее, но заметно уступают по качеству. Архитектура и размер контекста в README не указаны. Сильной стороной набора является широкий выбор квантизаций для различного объёма доступной памяти и возможность локального запуска. Ограничения связаны с компромиссом между размером файла и качеством, а также с тем, что некоторые варианты имеют низкое качество и не рекомендуются. Модель распространяется по лицензии Apache-2.0.

Ourse/R4L — языковая модель на архитектуре Qwen2, созданная слиянием нескольких предварительно обученных моделей методом TIES. В основу merge положена bunnycore/Qwen2.5-1.5B-Matrix, также включены unsloth/Qwen2.5-1.5B-Instruct и испаноязычная Kukedlc/NeuralQwen-2.5-1.5B-Spanish. Модель содержит 1,5 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов; в метаданных также отмечен интерфейс вызова инструментов. Архитектура — плотная авторегрессионная Qwen2, библиотека — Transformers. Включение испаноязычной модели указывает на испанский среди целевых языков, а инструкция базовой Qwen2.5-1.5B-Instruct позволяет использовать её для диалоговых запросов. README указывает на формат весов float16; репозиторий содержит файлы safetensors. Карточка не сообщает результатов оценки качества, поэтому возможности и стабильность ответов после слияния не подтверждены приведёнными данными. Лицензия в предоставленных источниках не указана.

RajLlama-3.1-8B-v3 — чат-модель семейства Llama, разработанная rm8630 и дообученная на базе unsloth/Meta-Llama-3.1-8B-bnb-4bit. Она предназначена для генерации текста в диалогах и других сценариях, где требуется отвечать на текстовые запросы. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Карточка указывает английский язык; обучение проводилось с использованием Unsloth и библиотеки TRL. Модель распространяется по лицензии Apache-2.0.

Ramonda-7B-DPO-TIES — объединённая языковая модель, созданная mayacinka методом TIES с помощью LazyMergekit на основе paulml/OGNO-7B и bardsai/jaskier-7b-dpo-v4.3. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров. Она предназначена для генерации текста и диалоговых ответов. Контекстное окно составляет до 32 768 токенов. В README приведены результаты оценок на наборах Open LLM Leaderboard и LLM AutoEval; они не гарантируют аналогичное качество в конкретных приложениях. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README не уточняет поддерживаемые языки и специальные ограничения; фактическое качество зависит от запроса и сценария применения.

LFM2.5-Embedding-350M — модель для построения векторных представлений текста, разработанная LiquidAI и экспортированная командой Software Mansion для запуска на устройствах через React Native ExecuTorch. Она предназначена прежде всего для семантического поиска и задач sentence similarity, включая сопоставление поисковых запросов с документами и passages непосредственно на устройстве. В основе модели — двунаправленный backbone LFM2.5-350M с гибридной архитектурой, сочетающей свёрточные слои и attention; размер скрытого представления составляет 1024. Модель формирует embedding размерностью 1024, применяет CLS pooling и L2-нормализацию, поэтому для сравнения векторов используется cosine similarity, эквивалентная скалярному произведению нормализованных embedding. Для лучшего качества retrieval рекомендуется использовать асимметричные префиксы «query: » для поисковых запросов и «document: » для индексируемых текстов. Языки и максимальная длина контекста в README не указаны. Репозиторий содержит готовые ExecuTorch-программы в форматах MLX int4 и XNNPack 8da4w, что позволяет выбирать между доступными backend и вариантами точности. Файлы опубликованы для ExecuTorch v1.4.1; обратная совместимость с более старыми версиями не гарантируется. Вариант Core ML экспортирован, но не опубликован из-за проблем, описанных в отдельной заметке. Указана лицензия lfm1.0; подробные условия следует уточнять в файле лицензии upstream-модели.

NaomiBTW/rwkv7-g1c-13.3b-gguf — квантизированная версия языковой модели RWKV7 g1c с приблизительно 13,3 млрд параметров. Модель основана на BlinkDL/rwkv7-g1 и предназначена для генерации текста, включая диалоговые и другие сценарии обработки естественного языка, совместимые с форматом GGUF. Ключевые характеристики включают архитектуру RWKV7, размер около 13,3 млрд параметров и квантизацию, выполненную с использованием калибровки Bartowski calibrationv5 для imatrix. README не содержит сведений о поддерживаемых языках, размере контекста, точном типе квантизации, мультимодальности или результатах тестирования, поэтому эти свойства нельзя оценить по имеющимся данным. К потенциальным ограничениям относятся возможная потеря качества из-за квантизации и требования к ресурсам, характерные для модели такого размера. Лицензия — Apache 2.0.

SBERTPQ — компактная модель Sentence-Transformers на архитектуре BERT, разработанная для оценки релевантности короткого текста вопросу. Она преобразует вопрос и текст преимущественно длиной до 10–15 слов в векторы размерностью 312; косинусное сходство между векторами служит оценкой того, содержит ли текст ответ на вопрос. Модель применялась для семантического поиска записей в базе фактов диалоговой системы. Модель основана на cointegrated/rubert-tiny2 и насчитывает 29 млн параметров. Карточка сообщает о контексте до 2048 токенов, быстром инференсе даже на CPU и значении cossim_f1 до 0,986 на тестовой выборке. Модель ориентирована на русский язык и распространяется по лицензии Unlicense. Указанная метрика получена на конкретной тестовой выборке и не гарантирует такую же точность на других данных; назначение модели рассчитано на короткие тексты.

Severusectum-7B-DPO — языковая модель, созданная объединением моделей FelixChao с помощью mergekit и метода SLERP. В состав объединения вошли FelixChao/Sectumsempra-7B-DPO и FelixChao/WestSeverus-7B-DPO-v2. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM, содержащая 7,1 млрд параметров; веса опубликованы в формате safetensors. Модель предназначена для генерации текста на английском языке. Контекстное окно составляет 32 768 токенов. В README приведены результаты оценок на бенчмарках AI2 Reasoning Challenge и HellaSwag. Репозиторий распространяется по лицензии MIT. Карточка не описывает специализированные области применения или отдельные ограничения качества.

SigLIP 2 Base — модель компьютерного зрения от Google, предназначенная для сопоставления изображений с текстовыми описаниями. Она использует архитектуру SigLIP и обучена на наборе WebLI. Вариант patch32-256 принимает изображения и текстовые метки-кандидаты для классификации без дообучения; модель также подходит для поиска изображений по тексту и как визуальный энкодер для мультимодальных моделей. Модель рассчитана на задачи семантического понимания изображений, локализации и получения плотных визуальных признаков. Для её использования доступны веса в формате safetensors и библиотека Transformers. Лицензия Apache-2.0 разрешает свободное использование и распространение при соблюдении её условий.

zeromodels публикует реализацию SigLIP 2 Large Patch16 512 в формате Keras 3 для классификации изображений по текстовым описаниям без дообучения на целевых метках. Модель принимает изображения и текстовые запросы, сопоставляет их и позволяет выбирать наиболее подходящие метки. Реализация работает с TensorFlow, PyTorch и JAX. Модель основана на google/siglip2-large-patch16-512. Семейство SigLIP 2 использует мультиязычный словарь Gemma на 256 тысяч токенов; карточка отмечает поддержку многих языков. Модель пригодится для классификации изображений с пользовательскими категориями и поиска изображений по текстовым запросам. Распространяется по лицензии Apache 2.0.

Snowflake Arctic Embed S — компактная модель текстовых эмбеддингов, разработанная Snowflake для качественного поиска по смыслу. Она основана на intfloat/e5-small-unsupervised и обучена в несколько этапов на парах запросов и документов, а затем на триплетах с трудными отрицательными примерами. Архитектура — BERT; модель содержит около 40 млн параметров по метаданным, формирует векторы размерности 384 и принимает до 512 токенов. Модель предназначена для семантического поиска по большим коллекциям, сопоставления запросов с документами и построения retrieval-компонента для RAG. В README для неё указан результат 51,98 по MTEB Retrieval NDCG@10; заявленный профиль ориентирован на высокую точность при небольшом размере и масштабировании на большие наборы данных. Модель принимает текст и выдаёт эмбеддинги; сведения указывают на англоязычную основу и не подтверждают поддержку других языков. Модель опубликована по лицензии Apache-2.0. Она формирует эмбеддинги, а не готовые ответы, поэтому для поиска обычно требуется индексирование векторов и отдельный механизм ранжирования или генерации. В README отмечено, что более новые версии Arctic Embed рассчитаны на многоязычные сценарии и рекомендуются вместо прежних версий.

SPLADEv2max — разработанная Naver разреженная модель-энкодер для поиска по предложениям и абзацам. Она кодирует текст в разреженный вектор размерности 30 522 и предназначена для семантического поиска и извлечения passages; оценки релевантности вычисляются скалярным произведением векторов. Модель основана на distilbert/distilbert-base-uncased и использует masked language modeling с max-pooling и ReLU. Максимальная длина входа — 512 токенов; для воспроизведения оценки используется длина 256 токенов. Поддерживаемый язык — английский. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

SPLADE-v3-DistilBERT — разреженный энкодер для семантического поиска и извлечения документов, опубликованный Naver. Модель кодирует предложения и абзацы в разреженные векторы размерностью 30 522; релевантность оценивается скалярным произведением. Архитектура основана на DistilBERT с маскированной языковой моделью и max-пулингом SPLADE. Максимальная длина последовательности — 512 токенов; в режиме воспроизведения оценки используется 256. Модель предназначена для построения поисковых систем и ранжирования документов по запросу. В карточке приведены результаты на MS MARCO dev (MRR@10 38,7) и BEIR-13 (средний nDCG@10 50,0). Поддерживается английский язык. Доступна по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространения производных материалов на тех же условиях и ограничивает коммерческое использование.

Steelskull_L3.3-Mokume-Gane-R1-70b-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Steelskull/L3.3-Mokume-Gane-R1-70b, подготовленный bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. Доступны варианты квантизации от Q8_0 до Q2_K_L и ряда IQ-форматов; размер файлов составляет примерно от 27,47 до 74,98 ГБ. Варианты с более высокой точностью обеспечивают лучшее качество, но требуют больше памяти. В README рекомендуются, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS; низкобитные варианты рассчитаны на системы с ограниченным объёмом оперативной памяти, но могут заметно уступать по качеству. Модель поддерживает текстовый сценарий использования; сведения о мультимодальности, языках, размере контекста, архитектурных деталях и конкретных целевых задачах в README не указаны. Для работы следует использовать приведённый формат промпта с системным сообщением, пользовательским запросом и ответом ассистента. Лицензия указана как llama3.3.

RUC-AIBOX/STILL-2 — дообученная авторами репозитория модель семейства Qwen2.5 для генерации текста и диалогового взаимодействия. Она содержит 32 млрд параметров, построена на плотной архитектуре Qwen2ForCausalLM и рассчитана на контекст до 32 768 токенов. В метаданных также отмечен интерфейс вызова инструментов. Модель подходит для генерации ответов в чате и других текстовых сценариев. Базовая Qwen2.5-32B-Instruct описана как модель для диалога, программирования, математики и структурированных ответов, однако карточка STILL-2 не уточняет, какие из этих возможностей проверялись после дообучения. README автоматически создан и не содержит сведений о разработчике, данных обучения, оценках качества или лицензии.

Subin_v2 — дообученная и конвертированная в формат GGUF языковая модель, опубликованная azizshaw. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров, рассчитанная на генерацию текста в диалоговом режиме; заявленная длина контекста составляет 131 072 токена. В репозитории есть файл llama-3.2-3b-instruct.F16.gguf, а для запуска предлагаются llama.cpp и Ollama. Модель подходит для диалоговых ответов и генерации текста. README не описывает специализацию, обучающие данные или конкретные языки, поэтому её следует считать моделью общего назначения. Доступны варианты GGUF BF16 и F16. Сведения о лицензии в предоставленных данных отсутствуют.