I.3Извлечение и структурирование данных

Vela Reranker — многоязычный энкодер на базе ModernBERT, разработанный llm-semantic-router. Модель оценивает релевантность фрагментов для поиска, RAG и выбора контекста в системах маршрутизации. В метаданных указано 306,9 млн параметров и контекст до 32 768 токенов; доступны веса Safetensors и формат ONNX. В приведённых оценках Vela превосходит исходный mmBERT Reranker на указанных наборах MIRACL, Natural Questions и SciFact, а также на двух из трёх перечисленных инструкционных задач MTEB. Результаты относятся только к выбранным наборам и подмножествам и не являются полной оценкой MTEB. Модель предназначена для ранжирования текстовых фрагментов и не генерирует ответы. Лицензия — Apache-2.0.

Voxtral Mini 3B 2507 Transformers Edition — мультимодальная модель семейства Voxtral от Mistral AI, основанная на Ministral-3B и дополненная обработкой аудио. Она принимает аудио и текстовые инструкции, распознаёт речь, переводит её и отвечает на вопросы по аудиозаписям; также поддерживает суммаризацию и вызов функций по голосовым намерениям. Модель работает через Transformers, использует плотную архитектуру VoxtralForConditionalGeneration, а карточка указывает формат safetensors и контекст до 32 тысяч токенов. Модель поддерживает английский, испанский, французский, португальский, хинди, немецкий, нидерландский и итальянский языки; для транскрибации автоматически определяет язык аудио. Согласно карточке, может обрабатывать аудио длительностью до 30 минут при транскрибации и до 40 минут при анализе. Лицензия Apache-2.0. Заявленные сценарии включают транскрибацию, перевод, вопросы и ответы по аудио, составление сводок и запуск действий по устным командам.

unsloth/whisper-large-v3 — мультиязычная модель распознавания речи от Unsloth, основанная на Whisper large-v3 от OpenAI. Это Transformer encoder-decoder с архитектурой sequence-to-sequence и примерно 905,2 млн параметров; модель принимает аудио и преобразует речь в текст, в том числе выполняет перевод речи между языками. Вариант large-v3 использует 128 Mel-частотных полос и включает отдельный токен для кантонского языка. Модель подходит для автоматической транскрибации и перевода аудио, включая записи с фоновым шумом, разными акцентами и технической лексикой. Карточка Unsloth заявляет ускорение до 1,5 раза и снижение расхода памяти до 50% по сравнению с базовым запуском Whisper; результаты могут зависеть от среды и настроек. README указывает, что для аудио длиннее 30 секунд требуется алгоритм обработки длинных записей. Распознавание менее точное для языков с небольшим объёмом обучающих данных и может различаться по акцентам и диалектам. Возможны галлюцинации — текст, которого нет в аудио, — и повторение фрагментов. Модель распространяется по лицензии Apache-2.0.

FastFlowLM/Whisper-V3-Turbo-NPU2 — модель автоматического распознавания речи и перевода речи в текст, основанная на openai/whisper-large-v3-turbo. Архитектура Whisper разработана OpenAI и обучена на более чем 5 млн часов размеченных аудиоданных. В представленной карточке не указаны отдельные сведения о разработчике или изменениях, специфичных для варианта NPU2. Модель предназначена для транскрибации аудиофайлов произвольной длительности, пакетной обработки записей, автоматического определения языка и перевода речи на английский язык. Поддерживаются временные метки на уровне предложений и отдельных слов, а также различные стратегии декодирования. Заявлена поддержка широкого набора языков, включая английский, китайский, немецкий, испанский, русский, корейский, французский, японский и многие другие. Whisper large-v3-turbo является оптимизированной версией Whisper large-v3: число декодирующих слоёв сокращено с 32 до 4, благодаря чему модель работает значительно быстрее, но может немного уступать исходной версии по качеству. Конкретный размер модели, длина контекста, требования к оборудованию и преимущества использования NPU в README не указаны. Модель распространяется по лицензии MIT.

AIArchiveInfo/Yi-34B-Chat — побайтовая архивная копия Yi-34B-Chat, исходно разработанной компанией 01.AI и опубликованной под лицензией Apache-2.0. Согласно карточке, веса не обучались, не дообучались и не изменялись при копировании; лицензия оригинала продолжает действовать. Это диалоговая плотная языковая модель на архитектуре Transformer семейства Llama, содержащая 33,9 млрд параметров и рассчитанная на генерацию текста в формате чата. Она предназначена для общения, ответов на вопросы, понимания языка, рассуждений, здравого смысла и чтения с пониманием. В README модель описана как двуязычная, с упором на английский и китайский; максимальный контекст составляет 4096 токенов. Карточка сообщает о сильных результатах Yi-34B-Chat в сравнительных оценках, но приведённые позиции относятся к данным 2024 года и не гарантируют качество для конкретных задач. Размер модели требует значительных вычислительных ресурсов; модель может ошибаться и не следует считать её ответы проверенными фактами. Репозиторий содержит веса в формате safetensors.

Карточка модели avsolatorio/01-500-11-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240217184109-best на Hugging Face совпадает с карточкой avsolatorio/01-100-31-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240207031328-best, поэтому описание составлено по ней. Это англоязычная модель для получения плотных векторных представлений текста на основе BAAI/bge-small-en-v1.5. Репозиторий размещён в пространстве имён avsolatorio; по идентификатору модели и карточке это производная версия BGE, однако карточка не описывает конкретные изменения или способ обучения этой версии. Модель предназначена для поиска семантически близких текстов и формирования эмбеддингов для систем поиска и retrieval-augmented generation (RAG). Архитектура — BERT, около 40 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Модель ориентирована на английский язык. Эмбеддинги подходят для поиска кандидатов, но README рекомендует при необходимости повышать точность выдачи с помощью отдельного reranker. Карточка также отмечает, что оценка сходства сама по себе не является калиброванной вероятностью семантической близости.

Это резервная исследовательская копия чекпойнта в стандартном формате Hugging Face, совместимая с AutoModelForCausalLM. Модель на архитектуре Qwen2 с плотной структурой и примерно 7,1 млрд параметров предназначена для генерации текста и диалогового взаимодействия; заявлено контекстное окно до 131 072 токенов и интерфейс вызова инструментов. В карточке не описаны специальные области применения, языковое покрытие и результаты оценки качества. Файлы представлены в формате safetensors, библиотека — Transformers. Лицензия в доступных сведениях не указана.

jangedoo разработал компактную модель Sentence Transformers на основе jangedoo/all-MiniLM-L6-v3-nepali, дообучив её на наборах данных для поиска, сопоставления предложений и кросс-языковых задач. Модель использует архитектуру BERT с усреднённым пулингом и нормализацией, преобразует текст в плотные векторы размерности 384 и сравнивает их по косинусному сходству. В метаданных указано 25,9 млн параметров; README задаёт максимум 256 токенов на последовательность, а метаданные — контекст до 512 токенов. Модель предназначена для семантического поиска и извлечения релевантных документов, сопоставления похожих предложений и поиска между английским и непальским языками. Её можно применять в поиске по новостям, вопросно-ответных корпусах и каталогах товаров. Поддерживаются текст на непальском и английском языках. Качество зависит от языка и предметной области: приведённые в карточке метрики для непальского на задаче сходства ниже, чем для английского; длина входа ограничена. Лицензия в предоставленных данных не указана.

Alpaca-Dragon-Smaug-Slerp — 71-миллиардная плотная языковая модель семейства Llama, созданная объединением моделей ibivibiv/alpaca-dragon-72b-v1 и abacusai/Smaug-72B-v0.1 с помощью mergekit и метода SLERP. Для смешивания параметров внимания и MLP использованы разные коэффициенты; базой в конфигурации указан Smaug-72B-v0.1. Модель предназначена для генерации текста и может применяться в диалогах, ответах на вопросы и рассуждениях — задачах, связанных с базовой моделью Smaug. Поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель принимает текст и генерирует текст. В метаданных указана лицензия Apache-2.0. Карточка не приводит отдельных оценок качества или конкретных ограничений; для практического использования следует учитывать большой размер модели и требования к вычислительным ресурсам.

BeagSake-7B — объединённая текстовая модель, созданная shadowml с помощью LazyMergekit из shadowml/BeagleSempra-7B и shadowml/WestBeagle-7B. Веса получены методом SLERP с настройками, которые смешивают параметры attention и MLP по-разному; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, формат файлов — safetensors. Модель поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. В карточке приведены результаты Open LLM Leaderboard: средняя оценка 75,38, включая 72,44 на AI2 Reasoning Challenge и 88,39 на HellaSwag; эти результаты отражают только указанные тесты и не гарантируют качество в других сценариях. Доступна по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

aneforge/bge-small-en-v1.5 — копия англоязычной модели BAAI/bge-small-en-v1.5, опубликованная для запуска через ANEForge на Apple Neural Engine. Это компактная плотная BERT-модель примерно на 40 млн параметров, преобразующая текст в эмбеддинги для семантического поиска и сравнения предложений. Она принимает текст и выдаёт векторные представления; максимальная длина контекста — 512 токенов. По README, веса побайтно совпадают с исходной моделью и не изменялись. Репозиторий размечен для ANEForge, который компилирует граф модели для запуска на Apple Neural Engine; лицензия — MIT. Модель рассчитана на англоязычные тексты, а её применение в первую очередь связано с поиском и оценкой семантической близости предложений.

Xenova/bge-small-en-v1.5 — модель для создания векторных представлений предложений и текстов, опубликованная в формате ONNX для совместимости с Transformers.js. Она основана на BAAI/bge-small-en-v1.5, разработанной BAAI, и рассчитана на использование в JavaScript-приложениях, включая веб-среду. Модель предназначена для семантического поиска и retrieval-сценариев: тексты преобразуются в эмбеддинги размерностью 384, после чего их можно сравнивать, например, по косинусному сходству. README демонстрирует усреднённый pooling и нормализацию векторов, а также рекомендует добавлять к запросам специальный префикс для поиска релевантных фрагментов. По обозначению en модель ориентирована на английский язык. Она удобна для локального выполнения и интеграции через Transformers.js, однако README не содержит сведений о точной архитектуре, максимальной длине контекста, бенчмарках, ограничениях качества или лицензии.

Карточка модели cpral/Bielik-PL-Minitron-7B-v3.0-Instruct-ungated на Hugging Face совпадает с карточкой speakleash/Bielik-PL-Minitron-7B-v3.0-Instruct, поэтому описание составлено по ней. Bielik-PL-Minitron-7B-v3.0-Instruct — генеративная языковая модель SpeakLeash и ACK Cyfronet AGH с архитектурой causal decoder-only и 7,35 млрд параметров. Это дообученная и сжатая версия Bielik-11B-v3-Base-20250730: модель прошла структурное прореживание и дистилляцию, затем настройку на следование инструкциям и выравнивание предпочтений. Для диалога используется шаблон ChatML. Модель предназначена для генерации ответов и выполнения языковых задач на польском и других европейских языках. Она обучалась на корпусе из 32 европейских языков с особым акцентом на польский; README сообщает о сохранении около 90% производительности исходной модели и ускорении вывода до 50% после сжатия. Лицензия Apache 2.0. Модель может выдавать фактически неверные, предвзятые или оскорбительные ответы; встроенных механизмов модерации нет, поэтому результаты следует проверять, а для сценариев с требованиями к модерации нужны внешние меры контроля.

Byrne-Embed — компактная модель для построения эмбеддингов предложений, разработанная автором репозитория Quazim0t0. Она преобразует текст в нормированные векторы размерности 768, пригодные для сравнения косинусного сходства, поиска, кластеризации и ранжирования. Модель содержит 85 млн параметров и использует декодер SpikeWhale с усреднением последнего скрытого состояния и обучаемой проекционной головой. Модель предназначена для семантического поиска и анализа сходства английских текстов. В README приведены результаты оценки на англоязычном наборе MTEB и сравнение геометрии эмбеддингов с EmbeddingGemma-300M. Для загрузки используется Transformers с пользовательской архитектурой; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Оценка сосредоточена на английском языке, а качество для других языков не проверено. В README также отмечена слабая сторона в поиске перефразировок по финансам и экономике; для загрузки требуется код пользовательской архитектуры.

Citaman/command-r-3-layer — текстовая генеративная модель, созданная автором репозитория Citaman с помощью mergekit. В README описано слияние методом SLERP двух срезов весов Citaman/command-r-4-layer; метаданные каталога классифицируют связь с этой моделью как дообучение. Архитектура — плотная причинная языковая модель CohereForCausalLM, около 4,6 млрд параметров, формат файлов — safetensors. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Поддерживаемый контекст — до 8192 токенов. Условия лицензирования в предоставленных данных не приведены.

Bwindi/CrawLM — генеративная языковая модель для создания текста и ведения диалогов. Модель доступна для использования через библиотеку Transformers и относится к семейству моделей с тегом llama; общий объём параметров составляет 3,2 млрд, а нативное контекстное окно — до 131 072 токенов.

CrystalMistralv.01-fixed — объединённая модель, опубликованная Crystalcareai. Она создана методом SLERP с помощью LazyMergekit на основе OpenPipe/mistral-ft-optimized-1227 и Crystalcareai/CrystalMistral-Evol. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для генерации текста; её можно использовать как основу для диалоговых и других текстовых приложений. Родной контекст составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Kaballas/Cyber13 — языковая модель Kaballas, дообученная на Kaballas/Cyber8. Это плотная модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Модель поддерживает контекст длиной до 131072 токенов и имеет интерфейс для вызова инструментов. Модель хранится в формате PyTorch и распространяется по лицензии Apache-2.0. В README указано, что при обучении использовались Unsloth и библиотека TRL; заявлено ускорение обучения вдвое. Карточка не описывает специализацию или результаты оценки качества, поэтому пригодность для конкретных задач следует проверять самостоятельно.

Это GGUF-квантизированная версия языковой модели DeepSeek-V3-0324, разработанной deepseek-ai. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты. В репозитории доступны варианты квантования Q2, Q3, Q4, Q5, Q6, Q8 и IQ, включая версии Q4_K_M-V2 и другие модификации. Размер файлов варьируется примерно от 247 до 713 ГБ, поэтому запуск требует значительных ресурсов. Более высокие уровни квантования обеспечивают лучшее сохранение качества, а более низкие уменьшают требования к памяти ценой качества. README не содержит сведений о точной архитектуре, числе параметров, поддерживаемых языках, мультимодальности или размере контекста. Модель подходит для локального текстового inference и может использоваться в приложениях, поддерживающих формат GGUF и экосистему llama.cpp. Рекомендуемый шаблон промпта приведён в README. Распространение указано по лицензии MIT.

DeepSeek-V4-Flash-8bit — это 8-битная версия модели DeepSeek-V4-Flash, преобразованная сообществом mlx-community в формат MLX с использованием mlx-lm 0.31.3. Исходная модель разработана deepseek-ai. Модель предназначена для генерации текста и запуска через библиотеку mlx-lm; README показывает использование диалогового шаблона и генерацию ответа по текстовому prompt. Из указанных характеристик известны формат MLX, 8-битное представление весов и текстовая модальность. Размер модели, архитектура, поддерживаемые языки и длина контекста в README не указаны. К преимуществам относятся адаптация к экосистеме MLX и уменьшенное по сравнению с полноточным представлением потребление памяти, однако ограничения качества, производительности и совместимости отдельно не описаны. Модель распространяется по лицензии MIT.

DeepSeek-R1-Distill-Llama-70B-GGUF — это набор GGUF-квантизаций 70-миллиардной языковой модели DeepSeek-R1-Distill-Llama-70B, подготовленный пользователем bartowski на основе модели DeepSeek AI. Квантизация выполнена с помощью llama.cpp релиза b4514 и метода imatrix. Модель предназначена для генерации текста и локального запуска, в частности через LM Studio, а также для инференса с использованием llama.cpp и совместимых инструментов. Модель является текстовой, однако в README не указаны точная архитектура исходной модели, размер контекстного окна и поддерживаемые языки. Доступны варианты с различной степенью квантизации: от Q8_0 размером около 75 ГБ до низкобитных IQ2 и Q2 размером около 22–27 ГБ. Более высокие уровни, включая Q6_K, Q5_K_M, Q5_K_S и Q4_K_M, ориентированы на сохранение качества, тогда как варианты Q3 и Q2 требуют меньше памяти, но заметно уступают по качеству. Сильной стороной набора является широкий выбор форматов для подбора компромисса между качеством, размером и требованиями к памяти; для большинства сценариев в README рекомендуются Q6_K, Q5_K и Q4_K_M. Ограничения включают очень высокие требования к оперативной или видеопамяти даже у компактных вариантов, а также возможное снижение качества при сильной квантизации. Лицензия в предоставленном README не указана.

mobiuslabsgmbh/DeepSeek-R1-ReDistill-Llama3-8B-v1.1 — повторно дистиллированная версия DeepSeek-R1-Distill-Llama3-8B, разработанная Mobius Labs. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она предназначена для генерации текста и диалоговых сценариев; заявленная длина контекста — 131 072 токена. В сравнении с исходной DeepSeek-R1-Distill-Llama3-8B карточка приводит улучшенные результаты на ARC, MMLU, GPQA, MMLU PRO и MUSR, при этом на HellaSwag результат немного ниже. Модель подходит для задач рассуждения, ответов на вопросы и других сценариев генерации текста. В репозитории доступны веса safetensors. Лицензия — MIT. В README также упоминается возможность ускорения инференса с HQQ; приведённые в карточке сравнительные результаты не заменяют независимую оценку на целевых данных.

DeepSeek-V4-Flash-0731-2.4bit-mixed — это смешанно-точечная MLX-квантизованная версия модели DeepSeek-V4-Flash-0731, разработанная сообществом mlx-community на основе чекпойнта deepseek-ai. Модель предназначена для генерации текста, диалоговых сценариев и задач рассуждения; формат ориентирован на запуск на компьютерах Apple Silicon через oMLX. Модель имеет 284 млрд параметров, около 304 млрд с учётом блоков MTP и примерно 13,8 млрд активных параметров на токен. Архитектура включает 43 слоя, MoE с 256 маршрутизируемыми и одним общим экспертом, выбором top-6, MLA, разреженный индексатор внимания, hyper-connections с Sinkhorn и YaRN с заявленным контекстом до 1 млн токенов. Все три блока DSpark MTP сохранены. Эффективная точность составляет 2,44 бита на вес, размер на диске — 92,8 ГБ. Основные языки явно не указаны; в проверке генерация была связной на английском. Сильные стороны — существенно меньший размер по сравнению с исходным форматом, сохранение MTP, умеренное падение скорости генерации при увеличении контекста и низкий рост потребления памяти благодаря MLA. Ограничения — высокая потребность в памяти: для запуска рекомендуется Mac с 128 ГБ, а предварительная обработка длинных запросов может быть очень медленной. По тесту MMLU-Pro результат составил 0,573 против 0,647 у API-версии в BF16, однако оценка ограничена одной выборкой и не заменяет проверку на целевых задачах. Требуется oMLX версии 0.5.7 или новее; mlx-lm напрямую эту архитектуру не поддерживает. Лицензия — MIT.

DeepSeek-V4-Flash-162B-GGUF — это квантизированная версия модели DeepSeek-V4-Flash-162B в формате GGUF, опубликованная пользователем 0xSero. Модель предназначена для текстовой генерации и локального запуска в совместимых средах, включая сценарии развёртывания на NVIDIA DGX Spark. Репозиторий содержит профиль Q2-REAP-ds4, созданный на основе checkpoint с применением метода REAP для сжатия MoE-модели. Модель содержит 162 млрд параметров, занимает около 149 ГБ на диске и использует специализированную схему квантизации: IQ2_XXS для маршрутизируемых gate/up-экспертов, Q2_K для маршрутизируемых down-экспертов и Q8_0 для общих, выходных и attention-проекций. Заявлена поддержка контекста до 200 000 токенов; валидация проводилась на DGX Spark. Данные о количестве слоёв, размере скрытого представления, активных параметрах, языках и мультимодальности в README не указаны. Сильными сторонами являются существенно уменьшенный размер относительно полноточной версии, поддержка длинного контекста и наличие опубликованных измерений производительности. Ограничение заключается в том, что эти GGUF-файлы используют специфическую структуру тензоров и метаданные DeepSeek-V4 Flash и не предназначены для generic llama.cpp без поддержки соответствующего формата. В README указана лицензия MIT, унаследованная от базовой модели.

Карточка модели Alignment-Lab-AI/e5-mistral-7b-instruct на Hugging Face совпадает с карточкой intfloat/e5-mistral-7b-instruct, поэтому описание составлено по ней. E5-mistral-7b-instruct — текстовая модель эмбеддингов, созданная командой авторов статьи «Improving Text Embeddings with Large Language Models». Это дообученная версия Mistral-7B-v0.1 с 32 слоями и размерностью эмбеддингов 4096; число параметров — 7,1 млрд. Модель принимает текст и преобразует его в векторы для поиска и сравнения текстов. Она поддерживает контекст до 32 768 токенов, однако авторы не рекомендуют подавать входы длиннее 4096 токенов. Модель предназначена для получения эмбеддингов с инструкциями, задающими цель поиска или сравнения. Инструкцию следует добавлять к запросу, но не к документу. Примеры сценариев — семантический поиск, ранжирование passage по запросу и оценка сходства предложений. Модель обучена на смеси многоязычных наборов данных, но ориентирована прежде всего на английский; в некоторых многоязычных сценариях она уступает multilingual-e5-large. Модель распространяется по лицензии MIT. Для воспроизводимости результатов учитывайте, что версии Transformers и PyTorch могут вызывать небольшие различия в оценках.

Eidolon-v3-14B — разговорная текстовая модель на архитектуре Qwen2, разработанная Lambent и дообученная на базе Lambent/ProtoEidolon-v2.2.4-14B с использованием TRL. Модель предназначена для диалогов, следования инструкциям и генерации продолжений текста; в карточке также указана совместимость с интерфейсом вызова инструментов. Модель содержит 14 млрд параметров и поддерживает контекст до 131 072 токенов. В обучении использовались SFT и DPO, в том числе данные предпочтений и текстовые корпуса; предыдущие версии в цепочке разработки включали слияния моделей. Карточка приводит результаты EQ-Bench, IFEval и GPQA, но не даёт полного независимого сравнения. Автор отмечает возможные проблемы с настроенным шаблоном чата и допускает его возврат к предыдущей версии. В метаданных указана пометка not-for-all-audiences, поэтому модель может выдавать нежелательный или токсичный контент. Лицензия в предоставленных данных не указана.

EMMA-500 — многоязычная языковая модель MaLA-LM на архитектуре Llama 2 7B, дообученная продолжительным предварительным обучением для улучшения представления языков с ограниченными ресурсами. Модель содержит 6,6 млрд параметров, принимает текст и генерирует текст; базовый контекст составляет 4096 токенов. В карточке заявлена поддержка 546 языков, включая языки, для которых в обучающих данных было более 100 тысяч токенов. Модель предназначена для многоязычной генерации и может применяться для машинного перевода, классификации текста, логического вывода на естественном языке, ответов на вопросы по тексту, генерации кода и рассуждений на основе здравого смысла. Обучение продолжалось на корпусе MaLA, который, согласно карточке, охватывает более 500 языков и содержит 74 млрд токенов из разных областей. В карточке сообщается об улучшении результатов на многоязычных задачах и бенчмарках относительно других моделей на основе Llama 2. Для низкоресурсных языков отмечено снижение разнообразия генераций. Модель распространяется по лицензии Llama 2; перед использованием следует соблюдать её условия.

capemox/ettin-encoder-32m-pretrain-50m — компактный энкодер для поиска и сравнения текстов, разработанный на основе jhu-clsp/ettin-encoder-32m. Это предварительно обученный на парах запрос–документ чекпойнт архитектуры ModernBERT примерно с 31,9 млн параметров; модель использует библиотеку Sentence Transformers и сохраняется в формате Safetensors. Контекст модели составляет до 7 999 токенов. Модель обучена контрастивно на сбалансированной выборке из 50 млн пар корпуса DenseOn. Она предназначена для извлечения эмбеддингов и поиска по смыслу, в том числе как zero-shot энкодер или начальная точка для последующей настройки под конкретную задачу. README приводит результаты оценки на подмножестве BEIR и NanoBEIR, а также улучшение качества последующей настройки на MS MARCO hard negatives. Модель ориентирована на английский язык. Это предварительное, не прошедшее supervised-настройку для поиска состояние, поэтому для специализированных сценариев может потребоваться дообучение и отдельная оценка на целевых данных. Лицензия — Apache-2.0.

EXAONE-3.5-7.8B-Instruct-GGUF — квантизированная версия инструкционной языковой модели EXAONE-3.5-7.8B-Instruct, разработанной LGAI-EXAONE. Сборку в формате GGUF подготовил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалогового взаимодействия; заявлены английский и корейский языки. Она может использоваться локально через совместимые инструменты, включая LM Studio и llama.cpp. Модель имеет около 7,8 млрд параметров. Доступны варианты с точностью от F32 и F16 до различных уровней квантования Q8, Q6, Q5, Q4, Q3 и IQ, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5 и Q6; версии Q3 подходят для систем с ограниченной памятью, а отдельные варианты оптимизированы для ARM или AVX-инференса. Преимущество этой версии — возможность запуска локально и гибкий выбор степени квантования при сохранении хорошего качества генерации. Ограничения связаны с потерей качества при более сильном квантовании, аппаратными требованиями отдельных вариантов и отсутствием в предоставленных данных сведений о размере контекста, архитектурных деталях и поддержке модальностей помимо текста. Лицензия указана как EXAONE, тип — other; перед использованием необходимо ознакомиться с условиями лицензии.

Follex-7B-V2 — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом task arithmetic. В качестве базовой модели использована happzy2633/qwen2.5-7b-ins-v3; в объединение также вошли prithivMLmods/QwQ-LCoT-7B-Instruct, bunnycore/FuseQwQen-7B и AIDC-AI/Marco-o1. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие. Контекст — до 32 768 токенов. Репозиторий использует библиотеку Transformers и формат safetensors. Метаданные не уточняют поддерживаемые естественные языки, поэтому языковой охват и основной язык не заявлены. Условия лицензии в предоставленных данных не описаны.