I.3Извлечение и структурирование данных

RecurrentGemma 2B IT — разработанная Google instruction-tuned языковая модель из семейства RecurrentGemma. Она использует рекуррентную архитектуру и предназначена для генерации текста по инструкциям, включая диалог, ответы на вопросы, суммаризацию и рассуждения. Модель доступна через Transformers и распространяется в формате safetensors. Google указывает английский как язык версий семейства. По сравнению с Gemma, рекуррентная архитектура требует меньше памяти и ускоряет генерацию длинных последовательностей. Модель подходит для чат-ботов, создания и редактирования текстов, а также для исследовательских и образовательных приложений. Ответы могут содержать фактические ошибки, отражать смещения обучающих данных и хуже справляться со сложными, неоднозначными или открытыми запросами. Лицензия — Gemma; перед использованием следует соблюдать условия Google для Gemma.

Replete-LLM-V2.5-Qwen-14b-GGUF — набор GGUF-квантизаций языковой модели Rombos-LLM-V2.5-Qwen-14b. Квантизации подготовлены пользователем bartowski с использованием llama.cpp версии b3825 и метода imatrix. Исходная модель разработана rombodawg. Модель предназначена для генерации текста и может запускаться локально, в том числе через llama.cpp и LM Studio, с указанным форматом prompt на основе ChatML-тегов. В набор входят варианты от исходных весов F16 размером около 29,55 ГБ до компактных конфигураций с более низкой точностью, включая Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и IQ-семейство. Версии различаются размером файла, требованиями к памяти и качеством генерации: старшие варианты обеспечивают качество, близкое к исходному, а младшие позволяют работать при ограниченном объёме RAM ценой заметной потери качества. Отдельные варианты оптимизированы для ARM-процессоров и требуют поддержки sve или i8mm. Это текстовая авторегрессионная модель примерно на 14 млрд параметров; сведения о поддерживаемых языках, длине контекста, точной архитектуре и мультимодальности в карточке не указаны. Основные сильные стороны набора — локальный запуск, широкий выбор степени квантизации и совместимость с llama.cpp и LM Studio. Ограничения связаны с требованиями к вычислительным ресурсам, компромиссом между размером и качеством, а также отсутствием подробных данных о возможностях базовой модели. Лицензия — Apache-2.0.

Replete-LLM-V2.5-Qwen-72b-GGUF — это набор GGUF-квантизированных вариантов языковой модели Rombos-LLM-V2.5-Qwen-72b, разработанной rombodawg и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и локального запуска с использованием llama.cpp, в том числе через LM Studio, с применением указанного chat-шаблона на основе специальных токенов Qwen. Модель относится к классу крупных текстовых LLM с заявленным размером 72 млрд параметров. Доступны варианты квантизации от Q8_0 до IQ1_M, различающиеся размером файлов, требованиями к памяти и качеством. Наиболее качественными и рекомендуемыми в README названы Q6_K, Q5_K_M и Q4_K_M; низкоразрядные варианты требуют меньше оперативной памяти, но заметно уступают по качеству. Для некоторых вариантов используются улучшенные Q8_0-веса эмбеддингов и выходного слоя. Архитектура, поддерживаемые языки, размер контекста и мультимодальные возможности в предоставленных данных не указаны. Модель подходит для локальной генерации текста и диалоговых сценариев при наличии оборудования с достаточным объёмом памяти. Основные преимущества — выбор между множеством уровней квантизации, совместимость с llama.cpp и возможность запуска в LM Studio. Ограничения связаны с большими требованиями к памяти даже у компактных вариантов и потерей качества при сильной квантизации. Указана лицензия Apache-2.0.

Это англоязычная модель Cross Encoder, разработанная сообществом cross-encoder-testing и дообученная на базе prajjwal1/bert-tiny с использованием библиотеки Sentence Transformers. Она оценивает пары текстов и возвращает числовой балл релевантности, поэтому предназначена прежде всего для переранжирования результатов поиска, семантического сравнения текстов, поиска перефразировок, классификации текстовых пар и связанных задач. Модель имеет архитектуру Cross Encoder, один выходной label и поддерживает последовательности длиной до 512 токенов. Она работает с текстом на английском языке и применяется к двум текстам одновременно, что обычно позволяет учитывать их взаимное содержание, но требует отдельного вычисления для каждой пары и может быть менее производительной на больших объёмах, чем модели, кодирующие тексты независимо. В README не приведены размер модели, значения метрик или подробные результаты оценки; указано лишь, что обучение выполнялось с BinaryCrossEntropyLoss на данных GooAQ. Модель распространяется по лицензии Apache-2.0. Для использования рекомендуется библиотека Sentence Transformers; README содержит примеры получения оценок для пар текстов и ранжирования набора документов по запросу.

Это англоязычная cross-encoder-модель семейства BERT, опубликованная организацией cross-encoder-testing и дообученная на базе prajjwal1/bert-tiny с использованием библиотеки Sentence Transformers. Модель обучена на данных GooAQ объёмом 578 402 примера с функцией потерь BinaryCrossEntropyLoss и выдаёт один числовой балл для пары текстов. Размер модели составляет около 4,4 млн параметров, максимальная длина входной последовательности — 512 токенов. Доступны форматы ONNX и Safetensors. Модель предназначена для ранжирования и оценки релевантности пар «запрос—текст», включая переранжирование результатов семантического поиска, оценку семантического сходства, поиск перефразировок и классификацию пар текстов. Благодаря компактной архитектуре она подходит для быстрого инференса и развёртывания через Sentence Transformers или совместимые инструменты. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Она не генерирует текст, а только оценивает пары входных текстов; качество на других языках, доменах и типах данных может быть ограничено.

tomaarsen выпустил англоязычный CrossEncoder на базе answerdotai/ModernBERT-base, дообученный библиотекой sentence-transformers на парах запрос–ответ с бинарными метками релевантности. Модель содержит 149 млн параметров и обрабатывает последовательности длиной до 8192 токенов; для каждой пары текстов она выдаёт оценку, пригодную для ранжирования и оценки сходства. Модель предназначена прежде всего для повторного ранжирования результатов поиска и семантического поиска, а также может использоваться для оценки сходства текстов, поиска перефразировок, классификации и кластеризации. В README приведены результаты оценки на NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Для применения подходят сценарии, где нужно оценивать пару «запрос — документ» или сравнивать два текста. Это текстовая encoder-модель, а не генератор ответов: она оценивает пары входных текстов. Обучающие данные в карточке описаны как набор из 19,99 млн пар query/answer с бинарными метками. Условия лицензии в предоставленных данных не указаны.

Модель tomaarsen/reranker-ModernBERT-large-gooaq-bce разработана на базе answerdotai/ModernBERT-large и дообучена автором tomaarsen как Cross Encoder с библиотекой Sentence Transformers. Она оценивает пары текстов одним числовым баллом релевантности и предназначена для переранжирования результатов поиска и семантического поиска, например, для выбора наиболее подходящих ответов на вопрос. Модель содержит 394,7 млн параметров, принимает последовательности длиной до 8192 токенов и обучена для английского языка на 578 402 примерах с вопросами, ответами и бинарными метками. В README приведены результаты оценки на GooAQ и наборах NanoBEIR; качество зависит от данных и сценария применения. Лицензия — Apache-2.0.

sergeyzh/rubert-mini-uncased-query — компактный BERT-энкодер, разработанный для симметричного сравнения поисковых запросов. Это дообученная версия sergeyzh/rubert-mini-uncased, обученная дистилляцией эмбеддингов русских и английских текстов с учётом префикса Qwen/Qwen3-Embedding-8B. Модель имеет 38,8 млн параметров, 7 слоёв, размер эмбеддинга 384 и контекст до 512 токенов; регистр букв не учитывается, специальные префиксы для запросов не нужны. Модель предназначена для оценки семантического сходства запросов, кэширования и фильтрации повторяющихся или близких запросов к LLM, а также для сценариев Q2Q RAG. Карточка сообщает об оценке сходства пар поисковых запросов на русском языке относительно Qwen/Qwen3-Embedding-8B; приведённые в таблице метрики относятся к другим вариантам модели и не позволяют судить о точных показателях этой версии. Модель принимает текст и выдаёт векторные представления для сравнения. Поддерживаются русский и английский языки. Лицензия — MIT.

samantha-mistral-instruct-7b-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral, созданная MaziyarPanahi слиянием методом SLERP моделей Mistral-7B-Instruct-v0.2 и Samantha-Mistral-Instruct-7B. Она предназначена для генерации текста в формате диалога и выполнения инструкций; размер составляет 7,1 млрд параметров, контекст — до 32 768 токенов. Модель принимает текст и выдаёт текст. Модель распространяется по лицензии Apache-2.0. Карточка описывает состав и конфигурацию слияния, но не приводит отдельных оценок качества или специализированных сценариев; применимость к конкретным задачам следует проверять на собственных данных.

SamChat — текстовая генеративная модель на архитектуре Mistral, созданная слиянием моделей Intel/neural-chat-7b-v3-3 и cognitivecomputations/samantha-mistral-7b. В README также указан macadeliccc/WestLake-7B-v2-laser-truthy-dpo как базовая модель конфигурации слияния. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. SamChat предназначена для генерации текста и диалогового взаимодействия. Карточка приводит результаты оценок на бенчмарках рассуждений и здравого смысла, включая AI2 Reasoning Challenge и HellaSwag, но не описывает отдельную специализацию. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0.

Это языковая модель в формате GGUF, подготовленная и квантованная MaziyarPanahi. Репозиторий содержит файлы модели MaziyarPanahi/SciPhi-Self-RAG-Mistral-7B-32k-Mistral-7B-Instruct-v0.2-slerp, созданной на основе Mistral-7B-Instruct-v0.2 и SciPhi-Self-RAG-Mistral-7B-32k с использованием объединения моделей методом slerp. Модель предназначена для генерации текста и совместима с инструментами локального запуска, включая llama.cpp, text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Вариант GGUF ориентирован на эффективное развертывание на локальных системах, в том числе с GPU-ускорением. Доступны варианты квантования от 2 до 8 бит, что позволяет выбирать между сниженным потреблением памяти и сохранением качества, однако README не содержит точных размеров файлов и результатов тестирования. Модель относится к классу 7B, работает с текстом и рассчитана на контекст до 32k токенов согласно названию базовой модели. Языки, специальные возможности Self-RAG и фактическое качество на конкретных задачах в README не описаны. Лицензия — Apache-2.0.

shadow-clown-7B-slerp — объединённая методом DARE через mergekit языковая модель семейства Mistral, созданная на основе Gille/StrangeMerges_32-7B-slerp и yam-peleg/Experiment26-7B. Она предназначена для генерации текста и может использоваться в сценариях, где требуется продолжать или создавать текст по запросу. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает о специальных ограничениях или целевых языках.

Skywork_Skywork-OR1-32B-Preview-GGUF — набор GGUF-квантизованных версий языковой модели Skywork-OR1-32B-Preview, разработанной Skywork. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель имеет заявленный размер 32 млрд параметров. Доступны варианты от BF16 и Q8_0 до более компактных Q3 и IQ-квантизаций, объёмом примерно от 14,39 до 65,54 ГБ. Более качественными считаются BF16, Q8_0, Q6 и Q5, а Q4 предлагают компромисс между качеством и требованиями к памяти; низкобитные Q3-варианты экономят память, но заметно уступают по качеству. Формат ориентирован на текстовую модальность, однако сведения о языках, длине контекста, точной архитектуре, результатах тестирования и лицензии в представленном README отсутствуют. Для работы следует использовать специальный шаблон запроса, указанный автором, включая системный промпт, пользовательский запрос и маркеры роли ассистента. Основные ограничения — значительные требования к оперативной или видеопамяти, зависящие от выбранной квантизации, а также возможная потеря качества в компактных вариантах. Условия лицензирования исходной модели и квантизованных файлов не указаны.

jaspionjader/sof-8 — объединённая языковая модель семейства Llama, созданная с помощью mergekit методом Model Stock. В качестве основы использована jaspionjader/Kosmos-EVAA-Franken-stock-v43-8B; в объединение также вошли jaspionjader/sof-3, sof-5, sof-6, sof-7 и ek-6. Модель содержит 7,5 млрд параметров и предназначена для генерации текста и ведения диалогов. Она принимает текст и выдаёт текст. Заявленная длина контекста — до 131 072 токенов. Репозиторий использует формат Safetensors, а в конфигурации слияния указан тип данных bfloat16. В метаданных не перечислены поддерживаемые естественные языки. Лицензия в предоставленных данных не указана.

Solon Embeddings Base 0.1 — открытая модель эмбеддингов от OrdalieTech для сравнения смысловой близости текстов и поиска по ним. Она основана на XLM-RoBERTa, содержит 305,2 млн параметров и принимает текстовые последовательности длиной до 514 токенов; репозиторий содержит веса в формате safetensors. Модель предназначена прежде всего для французских текстов. Её оценивали на девяти французских бенчмарках для классификации, семантического сходства и переранжирования. Для запросов в поиске авторы рекомендуют добавлять префикс «query : », тогда как пассажи можно подавать без специальной инструкции. Лицензия — MIT. Карточка приводит результаты бенчмарков, но не описывает ограничения по тематике или гарантии качества на других языках и типах текстов; показатели на французских наборах не гарантируют аналогичную точность в иных сценариях.

Это GGUF-квантизированная версия языковой модели Step-3.5-Flash, разработанной командой stepfun-ai и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и LoLLMs. В набор входят варианты квантования от Q8_0 до Q2_K_L, включая форматы Q4, Q5, Q6, Q3 и IQ. Размер файлов составляет примерно от 70 до 209 ГБ, а многие варианты разделены на несколько частей. Более качественные варианты Q6_K, Q5_K и Q4_K рекомендуются для сохранения исходных характеристик, тогда как варианты Q3 и Q2 требуют меньше памяти, но заметно уступают по качеству. Архитектура, число параметров, поддерживаемые языки, модальности и размер контекста в представленном README не указаны. Модель рассчитана на локальный инференс, однако для работы потребуются значительные объёмы оперативной или видеопамяти в зависимости от выбранного варианта. Для корректной генерации следует использовать указанный в README шаблон prompt с системными и пользовательскими сообщениями. Распространение выполняется по лицензии Apache-2.0; сведения о дополнительных ограничениях или результатах бенчмарков не приведены.

StrangeMerges_25-7B-dare_ties — объединённая модель Gille, созданная методом dare_ties с помощью LazyMergekit на основе Gille/StrangeMerges_21-7B-slerp и bardsai/jaskier-7b-dpo-v5.6. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и ответов на запросы. Поддерживает контекст до 32 768 токенов. В README приведены результаты Open LLM Leaderboard: средний балл 76,33, включая 73,46 на AI2 Reasoning Challenge и 88,89 на HellaSwag. Карточка предупреждает о наследуемой последовательности «INSTINSTINSTINSTINST», которая может проявляться в ответах и снижать их качество. Лицензия — Apache-2.0.

Strangemerges_32Neuralsirkrishna-7B — объединённая текстовая модель на архитектуре Mistral с 7,1 млрд параметров. Её создал Maxime Labonne автоматическим слиянием моделей; в конфигурации указаны StrangeMerges_32-7B-slerp и Kukedlc/NeuralSirKrishna-7b с методом dare_ties. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалогов. Она принимает текст и поддерживает контекст до 32 768 токенов. Указанная лицензия — Apache-2.0. Карточка не описывает целевые языки, специализированные области или результаты оценки качества.

SuperMente-7B-v4 — объединённая языковая модель, созданная Kukedlc с помощью LazyMergekit на основе NeuralSirKrishna-7b, NeuralKybalion-7B-slerp-v3 и SuperMente-7B-v3. Она предназначена для генерации текста и диалогов в сценариях, где требуется отвечать на запросы или продолжать текст. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Контекстное окно составляет до 32 768 токенов; веса опубликованы в формате safetensors. Данные карточки не уточняют поддерживаемые естественные языки и особенности качества. Модель распространяется по лицензии Apache-2.0. Её возможности и ограничения в конкретных задачах зависят от объединённых исходных моделей; карточка не приводит оценок или специальных гарантий качества.

SuperNova-Medius-GGUF — это набор GGUF-квантизаций текстовой генеративной модели SuperNova-Medius, разработанной arcee-ai и подготовленной для распространения пользователем bartowski. Модель предназначена для локального запуска и генерации текста, в частности через llama.cpp и LM Studio. В README указан формат промптов с ролями system, user и assistant на основе специальных токенов ChatML. Доступны версии от исходных весов F16 размером 29,55 ГБ до сильно сжатых вариантов Q2_K размером 5,77 ГБ. Представлены семейства квантизаций Q2, Q3, Q4, Q5, Q6, Q8 и IQ, включая варианты, оптимизированные для ARM-процессоров. Квантизация выполнена с использованием llama.cpp b3901 и метода imatrix. Наиболее качественными считаются F16, Q8_0, Q6_K_L и Q6_K; компактные варианты подходят для систем с ограниченной оперативной памятью, но могут заметно уступать по качеству. README не содержит сведений об архитектуре, количестве параметров, длине контекста, поддерживаемых языках и мультимодальности, поэтому эти характеристики нельзя достоверно указать. Для ARM-версий требуется соответствующая аппаратная поддержка; варианты Q4_0_8_8 и Q4_0_4_8 не рекомендуются для Mac и Windows. Модель распространяется по лицензии Apache-2.0.

SynthIA-7B-v1.5-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная объединением mistralai/Mistral-7B-Instruct-v0.2 и migtissera/SynthIA-7B-v1.5 методом SLERP с помощью MergeKit. Модель основана на плотной архитектуре Mistral и содержит 7,1 млрд параметров; поддерживает контекст до 32 768 токенов и предназначена для генерации текста и работы в формате диалога. Её можно использовать для ответов на инструкции и вопросы, ведения беседы, а также генерации текстовых материалов. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. README не описывает отдельные прикладные специализации или результаты оценки качества.

Это мультимодальная модель Sentence Transformers, дообученная daruokta на базе daruokta/t5gemma-2-1b-multimodal-embedding-indo-v6 для поиска и сопоставления предложений. Она кодирует текст и изображения в плотные векторы размерностью 1152; для сравнения векторов используется косинусное сходство. Максимальная длина последовательности — 4096 токенов. Модель обучалась на задачах поиска, семантического сходства, вывода и классификации и подходит для семантического поиска и сравнения текстов. В карточке указаны индонезийский и английский языки. Лицензия — Apache-2.0. В опубликованных оценках приведены результаты для семантического сходства, поиска и бинарной классификации, однако они относятся к указанным наборам оценки и не гарантируют аналогичного качества на других данных. Карточка не описывает отдельную генерацию текста или извлечение признаков изображения помимо заявленной поддержки текстовых и визуальных входов.

facebook/tart-full-flan-t5-xl — модель ранжирования документов, разработанная исследователями Meta AI и представленная в проекте TART. Это кросс-энкодер на архитектуре T5, дообученный инструкциями на примерно 40 задачах информационного поиска и инициализированный из google/flan-t5-xl. Модель принимает запрос, текст документа и инструкцию на естественном языке, а затем оценивает релевантность документа запросу, чтобы упорядочить кандидатов после первичного поиска. Модель предназначена для улучшения поиска по коллекциям документов и применяется в сценариях retrieval-augmented generation, где нужно выбрать наиболее подходящие фрагменты для ответа. Авторы сообщают о результатах на BEIR, LOTTE и X²-Retrieval, превосходящих предыдущие методы на момент публикации работы. В метаданных указаны 385,2 млн параметров и контекст до 512 токенов; README приводит для TART-full размер 1,5 млрд параметров, поэтому сведения о размере расходятся. Доступен формат PyTorch. Для использования требуется специализированная реализация EncT5. README не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя.

tFINE-850m-24x24-v0.5-instruct-L1 — языковая модель семейства T5, опубликованная pszemraj. Это дообучение модели pszemraj/tFINE-850m-24x24-v0.4-flan_aug на англоязычном наборе инструкций infinity-instruct-7m-T2T_en. Модель содержит 401,7 млн параметров и предназначена для генерации текста в ответ на инструкции: например, для подготовки объяснений и ответов на вопросы. Для запуска автор приводит пример с библиотекой Transformers и задачей text2text-generation. В карточке приведены результаты оценки по loss и метрикам ROUGE, а также результаты отдельных тестов на понимание прочитанного и вопросы с вариантами ответа. Они не гарантируют качество для всех запросов; модель компактнее многих крупных генеративных моделей, поэтому сложные задания могут требовать проверки результата. Модель распространяется по лицензии Apache-2.0.

rohit-vt/tink-reranker-phase4_minilm_real — текстовая Cross-Encoder-модель на базе cross-encoder/ms-marco-MiniLM-L6-v2, дообученная с помощью библиотеки Sentence Transformers. Архитектура BERT обрабатывает пару текстов совместно и выдаёт оценку релевантности; модель содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для переранжирования результатов поиска и семантического сопоставления запроса с текстами-кандидатами. Её можно применять на втором этапе поиска, чтобы упорядочить документы, навыки или другие короткие текстовые записи по соответствию запросу. Обучение описано на парах текстов с бинарными метками релевантности; отдельные примеры относятся к сопоставлению профессиональных навыков. Указана лицензия Apache 2.0 для базовой модели, но лицензия этой модели в предоставленных данных не приведена.

Tulu 2 13B — языковая модель-помощник, разработанная Allen Institute for AI (AI2). Она дообучена методом SFT на базе meta-llama/Llama-2-13b-hf на смеси публичных, синтетических и созданных людьми инструкций и диалогов, включая набор allenai/tulu-v2-sft-mixture. Модель содержит 12,9 млрд параметров, использует плотную архитектуру Llama и принимает текстовый контекст длиной до 8192 токенов. Модель предназначена для диалогов с помощником, выполнения инструкций и генерации текста. В карточке указано, что она рассчитана преимущественно на английский язык. Для корректного формата ввода README рекомендует добавлять перевод строки после сообщения пользователя. В опубликованных результатах Tulu-v2-13b показала 6,70 на MT-Bench и 78,9% win rate на AlpacaEval. Модель не прошла этап RLHF-выравнивания для безопасных ответов и не сопровождается фильтрацией во время использования, поэтому может выдавать проблемный контент, особенно в ответ на соответствующие запросы. Лицензия — AI2 ImpACT Low-risk.

Sakalti/ultiima-125B — плотная авторегрессионная языковая модель семейства Qwen2, созданная Sakalti на основе Sakalti/ultiima-72B. Веса объединены методом passthrough с помощью mergekit; в README указано, что число слоёв увеличено с 80 до 140. Модель содержит 124,1 млрд параметров, использует формат safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов на нескольких языках. Разработчик отмечает снижение качества после изменения архитектуры и предполагает дальнейшее дообучение для его улучшения; поэтому модель подходит для экспериментов с длинным контекстом и дообучением, но качество ответов может быть нестабильным. В метаданных заявлены интерфейс вызова инструментов и поддержка английского, корейского, японского, русского, французского, немецкого, итальянского, румынского и китайского языков. Лицензия указана как other; конкретные условия следует сверить с карточкой модели.

Veda Labs разработала Veda-labs-0.5b-instruct-base — плотную причинную языковую модель семейства Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста и диалогового взаимодействия на английском языке; карточка также описывает применение для завершения текста, суммаризации и ответов на вопросы. Модель можно использовать как основу для дообучения под медицинские, юридические и клиентские сценарии. Она распространяется в формате safetensors по лицензии Apache-2.0. Ответы могут быть неточными, предвзятыми или непоследовательными; для критически важных задач требуется проверка человеком.

Venice Uncensored — разговорная модель, созданная Venice.ai совместно с Эриком Хартфордом и командой Dolphin AI. Это объединённая версия на базе Dolphin-Mistral-24B-Venice-Edition и Mistral-Small-24B-Instruct-2501, построенная на плотной архитектуре Mistral; модель содержит 23,4 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и генерации ответов по инструкциям. В README подчёркнуты настраиваемое системное сообщение и отсутствие встроенных отказов по моральным основаниям, поэтому её поведение и ограничения во многом задаются пользователем. Карточка описывает текстовый чат и рекомендует запуск через vLLM или Transformers. Модель распространяется по лицензии Apache-2.0. Отсутствие жёстких встроенных ограничений означает, что ответы могут содержать небезопасный или неприемлемый контент; качество зависит от запроса, системного промпта и настроек генерации.

Venusaur — компактная модель эмбеддингов на основе архитектуры BERT от автора Mihaiii, созданная дистилляцией Mihaiii/Bulbasaur на наборе данных qa-assistant. Она предназначена для семантического автодополнения: преобразует английские тексты в векторы, которые можно использовать для сравнения смысловой близости предложений и поиска релевантных вариантов. Модель содержит 16,4 млн параметров, поддерживает работу через Sentence-Transformers и Transformers; доступны форматы safetensors и ONNX. Модель рассчитана исключительно на английский язык. Контекст ограничен 512 токенами, а более длинные тексты обрезаются. Лицензия — MIT.