I.3Извлечение и структурирование данных

Карточка модели infgrad/stella-base-zh на Hugging Face совпадает с карточкой infgrad/stella-large-zh-v2, поэтому описание составлено по ней. stella-large-zh-v2 — модель для кодирования текста, разработанная автором семейства Stella. Она преобразует китайские тексты в векторы размерностью 1024 и предназначена прежде всего для семантического поиска и сопоставления текстов. Модель основана на архитектуре BERT и дообучена на открытых корпусах и синтетических парах «вопрос — абзац» и «предложение — абзац» с помощью контрастивного обучения, сложных отрицательных примеров и дистилляции. Контекст составляет до 1024 токенов. Для поиска не требуется добавлять инструкционные префиксы. Модель подходит для поиска по длинным китайским документам и оценки семантического сходства; в README приведены результаты C-MTEB и отдельная оценка длинных текстов. Она возвращает векторы, поэтому для выдачи результатов поиска требуется внешняя система индексации и сравнения. Условия лицензии в предоставленных данных не описаны.

Gille/StrangeMerges_14-7B-slerp — слитая модель семейства Mistral, созданная с помощью LazyMergekit из Gille/StrangeMerges_13-7B-slerp и LucciAI/openchat-3.5-0106-function-calling. Для объединения использован метод slerp с разными коэффициентами для слоёв self-attention и MLP. Модель содержит 7,1 млрд параметров, принимает текст и предназначена для генерации текста, в том числе диалоговых ответов. Нативный контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors; сведения о лицензии и целевых языках в предоставленных данных отсутствуют.

Apertus-8B-Instruct-2509-GGUF — это набор квантизированных версий языковой модели Apertus-8B-Instruct-2509, разработанной swiss-ai и подготовленной пользователем bartowski в формате GGUF с помощью llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, а также для локального запуска через LM Studio, llama.cpp и другие совместимые проекты. В набор входят варианты с точностью от BF16 до различных методов квантизации Q8, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 3,8 до 16,1 ГБ, что позволяет выбирать между качеством, требованиями к памяти и скоростью работы. Исходная модель обозначена как 8B, однако сведения об архитектуре, длине контекста, поддерживаемых языках и модальностях в представленном README не указаны; по имеющимся данным это текстовая модель. Сильная сторона набора — широкий выбор локальных конфигураций: варианты Q6 и Q5 заявлены как близкие к исходному качеству, а Q4 подходят для большинства сценариев с ограниченными ресурсами. Более сильная квантизация может снизить качество генерации, особенно у вариантов Q3 и ниже. Формат prompt не указан, поэтому для корректного использования необходимо обратиться к странице исходной модели. Лицензия в README не указана.

T3qm7xNeuralsirkrishna_OgnoExperiment27 — слитая модель на архитектуре Mistral с 7,1 млрд параметров, созданная объединением automerger/T3qm7xNeuralsirkrishna-7B и automerger/OgnoExperiment27-7B. Она предназначена для генерации текста и диалогов; поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель принимает текст и выдаёт текст. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Карточка не сообщает о специализации по предметной области или отдельных языковых возможностях, поэтому модель описывается как общего назначения.

Ternary-Bonsai-4B-gguf — языковая модель для генерации текста, разработанная Prism ML. Она основана на Qwen3-4B и распространяется в формате GGUF Q2_0 для запуска через llama.cpp, включая локальное и on-device использование на CPU и GPU. Модель содержит около 4 млрд параметров, из которых примерно 3,6 млрд не относятся к эмбеддингам. Архитектура включает 36 блоков Transformer-декодера, GQA с 32 query- и 8 KV-головами, SwiGLU, RoPE и RMSNorm. Контекст составляет 32 768 токенов, размер словаря — 151 936. Веса представлены в троичном виде {-1, 0, +1} с групповым масштабированием FP16; размер рекомендуемого файла Q2_0 составляет около 1,02 ГБ, что примерно в 7,3 раза меньше FP16-версии. Сильные стороны модели — существенно сниженные требования к памяти, эффективный запуск на совместимом оборудовании и практически без потерь относительно FP16-базиса для троичных весов. В опубликованных тестах она набрала средний результат 70,7 балла, однако уступила полноразмерной Qwen3-4B по большинству приведённых метрик. Для поддержки формата Q2_0 требуется форк llama.cpp от Prism ML с веткой prism, поскольку эта возможность ещё не входит в основную версию проекта. Модель распространяется по лицензии Apache 2.0; поддерживаемые языки в README не указаны.

djuna-test-lab/TEST-OcerusBeam-7B — объединённая модель генерации текста на архитектуре Mistral, созданная методом SLERP с помощью mergekit. В объединение вошли aws-prototyping/MegaBeam-Mistral-7B-512k и djuna-test-lab/TEST-Ocerus-7B. Модель содержит 7,1 млрд параметров, работает с библиотекой Transformers и распространяется в формате safetensors. Модель предназначена для генерации текста и диалогов; в метаданных также отмечена возможность чата. Длина контекста составляет до 524 288 токенов. Сведения о поддерживаемых естественных языках и условиях лицензии в предоставленных источниках отсутствуют.

rohit-vt/tink-reranker-minilm — текстовая cross-encoder-модель на основе cross-encoder/ms-marco-MiniLM-L6-v2, дообученная автором с помощью Sentence Transformers. Она принимает пары текстов и вычисляет оценку их релевантности для переранжирования результатов поиска и семантического поиска. Модель построена на архитектуре BERT с классификационной головой и выдаёт один числовой балл на пару; размер — 25,9 млн параметров, максимальная длина последовательности — 512 токенов. README описывает обучение на 11 010 примерах и оценку на 1 505 примерах с бинарными метками. Модель предназначена для включения в поисковые конвейеры, где нужно пересортировать кандидатов по соответствию запросу или сравнить семантическую близость двух текстов. Она обрабатывает только текст; карточка не сообщает о поддерживаемых естественных языках, а базовая модель предназначена для английского. Вес опубликован в формате safetensors. Лицензия в предоставленных данных не указана.

arsis-dev/ukisai-Swift-Qwen3.8-27b-MTPLX — это квантованная runtime-конверсия модели ukisai/Swift-Qwen3.8-27b, разработанной UkisAI, для быстрого локального запуска на компьютерах Apple Silicon. Конверсия выполнена с помощью MTPLX Forge 2.11.2 и не является новой дообученной моделью. Модель предназначена для генерации текста и мультимодальных сценариев с обработкой изображений: зрительные веса исходного чекпойнта сохранены. Она работает через MTPLX/MLX, использует 4-битное affine-квантование тела модели с размером группы 64, а native MTP head оставлен в формате BF16 для self-speculative decoding с глубиной до D3. Размер опубликованного артефакта составляет около 16,9 ГБ. README не указывает точное окно контекста и полный список поддерживаемых языков. На Apple M5 Max с 128 ГБ unified memory измеренная скорость декодирования достигла 65,2 токена/с в режиме MTP D3 против 29,4 токена/с для авторегрессионного режима, что соответствует ускорению 2,22 раза. Эти результаты относятся к пропускной способности декодирования данной конверсии и могут отличаться в зависимости от длины контекста, параметров генерации, оборудования, температуры и нагрузки. Мультимодальное качество и скорость обработки изображений отдельно не оценивались; оптимальная глубина MTP может различаться на других Mac. Конверсия распространяется по условиям Swift Open License v1.0 и наследует лицензионные требования исходной модели. Перед использованием, распространением или загрузкой необходимо ознакомиться с разделом License and access исходного чекпойнта.

Это GGUF-версия модели unsloth/Phi-3.5-mini-instruct, подготовленная пользователем legraphista с применением квантизации llama.cpp и метода IMatrix. Исходная модель Phi-3.5-mini-instruct связана с Microsoft; базовый тип данных указан как BF16. Модель предназначена для генерации текста и диалоговых сценариев, включая использование через llama.cpp и совместимые локальные инструменты. Доступны варианты от BF16 и F16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K, включая несколько специализированных форматов. Размер файлов варьируется примерно от 1,45 до 7,64 ГБ, что позволяет выбирать между качеством и требованиями к ресурсам. Для ряда вариантов Q4 и более низкой точности применена IMatrix, призванная уменьшить потери качества при квантизации. В README указана поддержка multilingual, однако конкретный перечень языков, архитектура, число параметров и размер контекста не приведены. Основные преимущества модели — наличие множества квантизированных вариантов, пригодных для локального запуска, и использование формата GGUF, ориентированного на экосистему llama.cpp. Ограничения включают возможное снижение качества в низкобитных вариантах и отсутствие подробных сведений о производительности, языковых возможностях и системных требованиях. Репозиторий распространяется по лицензии MIT; ссылка на лицензию исходной модели ведёт к Microsoft.

v1olet_marcoroni-go-bruins-merge-7B-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral, созданная путём слияния весов Mistral-7B-Instruct-v0.1 и v1olet/v1olet_marcoroni-go-bruins-merge-7B методом SLERP. Модель содержит 7,1 млрд параметров, распространяется в формате safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации ответов на инструкции и диалоговые запросы на английском языке. Лицензия Apache-2.0 допускает использование, изменение и распространение в соответствии с её условиями. Карточка не приводит сравнительных оценок качества или результатов тестирования.

VelaVec — компактная гибридная модель для поиска и сравнения текстов, созданная автором репозитория xagent2025 на основе дообучения BAAI/bge-small-en-v1.5. Она рассчитана на быстрый поиск на устройствах с ограниченными ресурсами и предоставляет два режима: симметричное сравнение смысла предложений и асимметричный поиск документов по запросу. Модель содержит 9,8 млн параметров и выдаёт эмбеддинги размерности 256. Архитектура включает замороженную таблицу токенов, три блока двунаправленного внимания и две головы пулинга. README описывает англоязычное обучение и оценку на задачах семантического сходства и поиска; предусмотрен путь инференса на Rust без Python во время выполнения. Лицензия репозитория — MIT. В опубликованных оценках модель показывает результаты, близкие к BGE-small на части тестов и превосходит её на Banking77, однако на медицинских, научных и дискуссионных доменах уступает учителю. Лучше всего подходит для коротких запросов длиной до 64 токенов и документов до 256 токенов; инструктивные промпты не поддерживаются. В обучении использовался MS MARCO с исследовательской лицензией, поэтому для коммерческого применения следует отдельно проверить условия использования данных.

OpenVINO/whisper-small-fp16-ov — модель автоматического распознавания речи, созданная на основе Whisper Small от OpenAI и преобразованная в формат OpenVINO IR с весами FP16. Модель предназначена для преобразования аудиозаписей в текст и совместима с OpenVINO 2025.2.0 и новее, а также Optimum Intel 1.23.0 и новее. Модель имеет 153,1 млн параметров и использует архитектуру Whisper для последовательного преобразования речевого сигнала в текст. В карточке указана поддержка английского языка. Формат OpenVINO IR ориентирован на инференс через OpenVINO и OpenVINO GenAI, включая запуск на CPU. К сильным сторонам относятся оптимизированное представление FP16 и интеграция с инструментами OpenVINO для развертывания распознавания речи. Ограничения унаследованы от исходной модели Whisper Small: качество зависит от качества и характеристик аудио, а применение для языков, не заявленных в карточке, может быть ненадежным. Модель распространяется по лицензии Apache-2.0.

Yi-Agent-6B — двуязычная текстовая модель с генеративной архитектурой Llama, разработанная hiyouga и дообученная с помощью LLaMA-Factory. Модель содержит 5,8 млрд параметров и поддерживает контекст до 4096 токенов. Для обучения использовались наборы Alpaca, OpenAssistant и Glaive Function Calling. Модель предназначена для следования инструкциям и вызова функций в диалоговых сценариях на английском и китайском языках. Её можно запускать через REST API средствами LLaMA-Factory. В метаданных указана лицензия other; конкретные условия использования следует сверить с лицензией репозитория.

zephyr-orpo-141b-A35b-v0.1-GGUF — это набор GGUF-квантизаций текстовой языковой модели zephyr-orpo-141b-A35b-v0.1, разработанной HuggingFaceH4 и квантованной bartowski с использованием llama.cpp. В качестве базовой модели указана mistral-community/Mixtral-8x22B-v0.1; обучение выполнено методом ORPO на датасете argilla/distilabel-capybara-dpo-7k-binarized. Модель предназначена для генерации текста и диалоговых сценариев, включая работу с системными и пользовательскими сообщениями через специальный chat-шаблон. Поддерживается текстовая модальность, однако сведения о языках и размере контекста в README не указаны. Доступны варианты квантования от Q2_K до Q5_K_M, включая K- и I-квантизации, с размером файлов примерно от 52,10 до 99,96 ГБ. Q5_K_M и Q5_K_S заявлены как высококачественные, Q4-варианты — как обеспечивающие хороший баланс качества и объёма, а варианты ниже Q4 экономят память ценой снижения качества. I-квантизации могут быть предпочтительнее для некоторых конфигураций cuBLAS и rocBLAS, но несовместимы с Vulkan; выбор зависит от доступных RAM и VRAM. Для запуска требуется загрузить все части выбранного файла. В README указана лицензия Apache-2.0.

ZEUS-8B-V25 — объединённая языковая модель, созданная с помощью mergekit методом DARE TIES на основе unsloth/Meta-Llama-3.1-8B-Instruct и нескольких моделей семейства Llama 3.1. Она предназначена для генерации текста и диалоговых сценариев; каталог также отмечает интерфейс вызова инструментов. Модель использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров, работает с контекстом до 131 072 токенов и загружает веса в формате safetensors. Модель подойдёт для создания диалоговых приложений, генерации ответов и работы с длинными текстовыми запросами. В README приведены результаты оценивания: средний балл 15,00%, IFEval — 33,20%, BBH — 21,85%; этих результатов недостаточно, чтобы судить о качестве на всех задачах. Лицензия в предоставленных данных не указана.

Это исследовательский резервный чекпойнт причинной языковой модели семейства Qwen3, опубликованный в стандартном формате Hugging Face для загрузки через Transformers. Модель содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель предназначена для генерации текста в диалоговом режиме; в репозитории также отмечен интерфейс вызова инструментов. Карточка не описывает специальные предметные области или подтверждённые языки. Файлы представлены в формате safetensors. Это резервная исследовательская копия чекпойнта. Лицензия и сведения о базовой модели в предоставленных данных не указаны.

Это зеркальная копия модели Qwen2 для генерации текста, размещённая пользователем latent-artist. Метаданные указывают на архитектуру Qwen2ForCausalLM с плотной структурой и 494 млн параметров; репозиторий содержит веса в формате Safetensors. Модель рассчитана на текстовые диалоги и имеет интерфейс вызова инструментов. Контекстное окно составляет 32 768 токенов, а в карточке указан английский язык. README описывает репозиторий как копию файлов и сообщает, что конфигурация и веса сохраняют исходное назначение. Условия использования и распространения предлагается сверять с файлом лицензии; метаданные указывают Apache-2.0. Исходная модель, от которой сделана копия, не установлена по доступным сведениям.

AfriqueQwen3.5-4B-i1-GGUF — квантизированная версия модели AfriqueQwen3.5-4B, разработанной McGill-NLP и подготовленной в формате GGUF пользователем mradermacher. Модель относится к семейству Qwen3.5 и предназначена для мультиязычных задач, включая работу с африканскими языками и сценарии image-text-to-text. Модель содержит около 4 миллиардов параметров и поддерживает текстовые и визуальные входные данные. В заявленный языковой охват входят африкаанс, амхарский, арабский, английский, французский, хауса, игбо, малагасийский, чиньянджа, оромо, португальский, киньяруанда, шона, сомали, сесото, суахили, тигринья, тсвана, коса, йоруба и зулу. Доступно множество вариантов квантизации размером примерно от 1,7 до 4,1 ГБ, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Сильной стороной модели является ориентация на африканские языки, а также поддержка мультимодальных задач и локального запуска через совместимые инструменты для GGUF. К ограничениям относятся потенциальная потеря качества при низких уровнях квантизации, отсутствие в README точных сведений о размере контекста, архитектурных деталях, результатах оценки и рекомендуемых сценариях применения. Лицензия модели — CC BY 4.0.

Anthropic-ai/Aiaudio — модельный проект, представленный в README как сочетание аудиосервиса Claude Audio и независимой открытой языковой модели Claude OSS 9B. При этом README прямо указывает, что Claude OSS 9B не является официальным выпуском Anthropic. Разработчик и точная связь между идентификатором Anthropic-ai/Aiaudio и описанными компонентами не уточняются. Аудиочасть предназначена для автоматической транскрипции речи и её перевода с сохранением смысла, тона, идиом и культурных нюансов. Среди заявленных сценариев — работа исследователей, авторов контента и международных команд; также заявлена идентификация говорящих и распознавание технической терминологии. Для языковой модели указаны диалоги общего назначения, следование инструкциям, рассуждения, написание и суммаризация текстов, многоязычное взаимодействие и помощь в лёгких задачах программирования. Claude OSS 9B описывается как модель с 9 млрд параметров, дообученная на базе Qwen3.5 9B на смеси примерно из 200 000 строк открытых датасетов Hugging Face. Заявлена поддержка более 200 языков и фокус на стабильном поведении ассистента, сохранении идентичности и инструкций. В README приведены ориентиры на базе Qwen3.5 9B: 82,5% на MMLU-Pro, 81,7% на GPQA Diamond и 81,2% на MMMLU. Архитектура, размер контекста, точный набор поддерживаемых аудиомодальностей и параметры инференса не указаны. Лицензия заявлена как MIT.

SERA-8B-GA-GGUF — набор GGUF-квантизированных версий языковой модели SERA-8B-GA, разработанной allenai и подготовленной пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp и совместимые приложения, включая LM Studio, koboldcpp, Jan AI и Text Generation Web UI. В основе лежит модель размером 8B параметров; доступны варианты от BF16 до низкоразрядных Q2–Q8 и IQ-квантизаций. Размер файлов составляет примерно от 3,37 до 16,39 ГБ. Квантизация выполнена с использованием llama.cpp и imatrix, что позволяет выбирать баланс между качеством генерации, потреблением памяти и скоростью работы. Для общения используется шаблон с маркерами ролей system, user и assistant. Сильная сторона набора — широкий выбор форматов для запуска на оборудовании с разным объёмом памяти: версии Q6 и Q5 ориентированы на высокое качество, Q4 подходят как компромиссный вариант, а Q3 и Q2 — для систем с ограниченной RAM, хотя качество у них ниже. Модель является текстовой, сведения о поддерживаемых языках, длине контекста, специализированных возможностях и результатах оценки в README не указаны. Лицензия также не указана; условия использования следует уточнять в карточке исходной модели allenai/SERA-8B-GA.

apodex-1.0-2B-SFT-rebased — объединённая модель, созданная с помощью LazyMergekit на основе Qwen/Qwen3.5-2B-Base и apodex/Apodex-1.0-2B-SFT. Она предназначена для диалоговой работы с текстом и изображениями; архитектура Qwen3.5 — плотная, с 2 млрд параметров. Модель доступна в формате safetensors и поддерживает интерфейс вызова инструментов. Лицензия — Apache-2.0.

Arcade-3B — инструктивная языковая модель NoesisLab из проекта ARCADE, дообученная на базе HuggingFaceTB/SmolLM3-3B. Это плотная авторегрессионная модель на 3,1 млрд параметров для диалогов, следования инструкциям, генерации текста и рассуждений; заявленная длина контекста — 65 536 токенов. При обучении применялась SC-Orthogonal Training: регуляризация финального скрытого слоя, призванная разделять представления фактического содержания и структуры рассуждения. Модель ориентирована прежде всего на английский язык. Выпущена под лицензией Apache-2.0. Карточка описывает метод обучения и наборы данных, но не содержит завершённых результатов оценки качества, поэтому сравнительные преимущества модели по ней подтвердить нельзя.

bce-reranker-base_v1 — модель переранжирования текстовых фрагментов из семейства BCEmbedding, разработанного командой Youdao. Она предназначена для второго этапа поиска: после первичного отбора документов модель оценивает релевантность пар «запрос — фрагмент» и упорядочивает результаты, помогая отобрать наиболее полезные материалы для RAG-систем, вопросно-ответных приложений и поиска по документам. Модель построена на архитектуре XLM-RoBERTa как плотный классификатор последовательностей; в репозитории указано 305,2 млн параметров, формат весов — PyTorch, контекст — 514 токенов. README заявляет поддержку китайского, английского, японского и корейского языков, включая межъязыковое ранжирование. Для длинных фрагментов в BCEmbedding предусмотрена специальная предварительная обработка. Модель также выдаёт оценку релевантности, которую можно использовать для фильтрации слабых совпадений. Рекомендуемый сценарий — передавать ей десятки или сотню кандидатов, найденных моделью первичного поиска, и затем выбирать несколько лучших. Она не генерирует ответы и сама по себе не заменяет этап извлечения документов. Указанная лицензия — Apache-2.0.

google/bert_uncased_L-4_H-768_A-12 — компактная англоязычная модель BERT, выпущенная Google в составе набора BERT Miniatures и описанная в исследовании о предварительном обучении компактных моделей. Это плотный Transformer-энкодер с 4 слоями, скрытым размером 768 и 12 головами внимания; в модели около 61,2 млн параметров, она принимает последовательности длиной до 512 токенов. Модель обучена для английского языка без учёта регистра с WordPiece-маскированием и доступна в форматах PyTorch и Flax. Она предназначена для задач понимания текста и дообучения под конкретные задачи, например классификацию предложений и оценку сходства. По сравнению с крупными вариантами BERT она требует меньше вычислительных ресурсов; авторы отмечают, что особенно эффективна при дистилляции с метками от более крупной модели-учителя. Это базовый энкодер, поэтому для прикладной задачи обычно требуется подходящая голова и дообучение. Лицензия — Apache-2.0.

BLOSSOM-v4-yi-34b — разговорная большая языковая модель, созданная дообучением Yi-34B разработчиками Blossom на смешанных наборах инструкций и диалогов Blossom Orca, Wizard, Chat и Math. Обучение проходило в два этапа: сначала использовались одноходовые инструкции, затем многоходовые диалоги с небольшой примесью данных первого этапа. Модель предназначена для генерации ответов в формате продолжения диалога и поддерживает общие вопросы, инструкции и математические задачи на китайском и английском языках. Это плотная архитектура LlamaForCausalLM с 33,9 млрд параметров и контекстом 4096 токенов; доступны веса PyTorch. Модель распространяется по лицензии Apache-2.0.

CalmexperimentT3q-7B-GGUF — это квантизированная языковая модель для генерации текста в формате GGUF. Файлы модели подготовлены MaziyarPanahi на основе automerger/CalmexperimentT3q-7B; исходная модель создана automerger и восходит к chihoonlee10/T3Q-Mistral-Orca-Math-DPO. Модель предназначена для локального запуска и использования в сценариях текстовой генерации, включая диалоговые приложения, написание и обработку текста, а также задачи, поддерживаемые совместимыми инструментами инференса. Модель относится к семейству Mistral и имеет размер 7B параметров. Она поддерживает только текстовую модальность; сведения о языках и размере контекстного окна в README не указаны. Доступны варианты квантизации с разной разрядностью — от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Формат GGUF совместим с llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другими клиентами, поддерживающими этот формат. Основные преимущества — локальный запуск, широкий выбор уровней квантизации и совместимость с инструментами, включая GPU-ускорение и OpenAI-совместимые серверные интерфейсы в отдельных реализациях. Ограничения — отсутствие в README подробных результатов оценки, рекомендуемых параметров генерации, точного контекстного окна и подтверждённых языковых характеристик; качество зависит от выбранной квантизации и используемого программного обеспечения. Лицензия — Apache-2.0.

DevQuasar-7/cognitivecomputations.Dolphin3.0-Llama3.1-8B-GGUF — квантизированная версия модели cognitivecomputations/Dolphin3.0-Llama3.1-8B, предназначенная для генерации текста. README не указывает точный вариант квантования, размер файлов, поддерживаемые языки, длину контекста или особенности архитектуры; из идентификатора и базовой модели можно заключить только принадлежность к семейству Llama 3.1 с размером 8B параметров. Модель разработана и опубликована пользователем или организацией DevQuasar-7 на базе модели cognitivecomputations. Версия в формате GGUF ориентирована на локальный запуск в совместимом программном обеспечении, однако конкретные сценарии применения, сильные стороны и ограничения в README не описаны. Информация о лицензии и условиях использования также отсутствует, поэтому их необходимо уточнить по документации базовой модели и репозитория.

Contextual AI разработала Contextual AI Reranker V2 Instruct Multilingual — инструкционную модель для повторного ранжирования текстовых документов. Она оценивает релевантность документов запросу и может учитывать дополнительные указания, например отдавать приоритет более свежим сведениям или разрешать противоречия между результатами поиска. Модель рассчитана на многоязычный поиск, ответы на вопросы по найденным материалам, поиск товаров и рекомендации. Она основана на плотной архитектуре Qwen3ForCausalLM, содержит 2 млрд параметров и принимает текстовые запросы, инструкции и документы. В метаданных указан контекст до 262 144 токенов; README заявляет поддержку контекстов до 32 000 токенов и более 100 языков. Модель возвращает оценки релевантности, где более высокий балл означает более подходящий документ. Лицензия CC BY-NC-SA 4.0 требует атрибуции и распространяет производные материалы на тех же условиях, а также ограничивает коммерческое использование.

QuantFactory/Dans-PersonalityEngine-V1.1.0-12b-GGUF — квантизированная версия модели PocketDoc/Dans-PersonalityEngine-V1.1.0-12b, созданная QuantFactory с использованием llama.cpp. В основе лежит mistralai/Mistral-Nemo-Base-2407; модель предназначена для генерации текста и работает преимущественно на английском языке. Максимальная длина контекста составляет 32 768 токенов. Модель ориентирована на широкий набор сценариев: совместное написание текстов, roleplay, текстовые приключения, выполнение одношаговых и многошаговых инструкций, использование инструментов, суммаризацию и анализ тональности в составе прикладных конвейеров. Также заявлены возможности для работы с кодом, математическими и научными задачами, а исходная версия обучалась на разнообразных наборах данных для ассистирования, логического рассуждения, прозы и взаимодействия с инструментами. К сильным сторонам относятся многоцелевой характер, поддержка длинного контекста, диалоговый формат ChatML и ориентация на творческую генерацию и ролевое взаимодействие. Ограничения связаны с тем, что модель описана как англоязычная, а точные параметры квантизации, результаты benchmark-тестов и подтвержденные показатели качества в карточке не указаны. Рекомендуемые настройки генерации: temperature 1.0, top_p 0.95 и min_p 0.05. Модель распространяется по лицензии Apache-2.0.

tasksource/deberta-small-long-nli — англоязычная модель Tasksource, созданная дообучением DeBERTa-v3-small на задачах естественного языкового вывода. Архитектура DeBERTa V2 для классификации последовательностей содержит около 155 млн параметров и поддерживает контекст до 1680 токенов. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache 2.0. Модель предназначена для классификации по произвольным меткам через zero-shot-подход на основе NLI, определения логического следования между текстами и дообучения для классификаторов и других задач понимания текста. Среди обучающих данных — наборы NLI, логического рассуждения, проверки фактов и предпочтений; для длинных задач NLI увеличивали долю примеров при обучении. Карточка приводит результаты проверок на нескольких задачах, но не гарантирует качество для конкретного применения. Основной язык модели — английский. Она принимает текстовые последовательности и выдаёт оценки классов или отношений следования. Контекст длиннее, чем у стандартной версии DeBERTa-v3-small, но ограничен 1680 токенами. Результаты zero-shot классификации зависят от формулировки текста и меток; языки, кроме английского, в карточке не заявлены.