I.6Перевод и языковая адаптация

Sakalti/model-3 — языковая модель Qwen2, созданная слиянием моделей через mergekit методом TIES. В слиянии использованы Qwen/Qwen2.5-7B и Qwen/Qwen2.5-7B-Instruct; итоговая модель имеет около 7,1 млрд параметров, архитектуру Qwen2ForCausalLM и веса в формате Safetensors с точностью bfloat16. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст и формирует текстовые ответы; заявленная длина контекста — 131 072 токена. В метаданных также отмечен интерфейс вызова инструментов. Данные README содержат результаты оценки на IFEval и BBH, но не описывают специальные предметные области или подтверждённые преимущества модели. Лицензия в предоставленных данных не указана.

IoannisKat1 выпустил дообученную версию multilingual-e5-large для создания текстовых эмбеддингов. Модель построена на XLM-RoBERTa-large с архитектурой Sentence Transformer: усредняет токенные представления, нормализует результат и отображает предложения и абзацы в плотное векторное пространство размерности 1024. Максимальная длина входной последовательности — 512 токенов; для сравнения векторов используется косинусное сходство. Модель предназначена для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. В README описано дообучение на 82 парах anchor-positive и приведены метрики поиска при нескольких размерностях вектора; результаты зависят от выбранной размерности и тестового набора. Указанная лицензия — Apache-2.0.

Minnow-Em1-0.6B — компактная многоязычная модель эмбеддингов от KiteFish AI, дообученная на базе Qwen/Qwen3-0.6B. Это плотный трансформер с примерно 507,9 млн параметров, преобразованный в двунаправленный энкодер: каждый токен учитывает контекст с обеих сторон. Модель принимает текст и формирует векторные представления для поиска, сравнения и группировки текстов; поддерживает контекст до 40 960 токенов и инструкции, задающие тип задачи для запроса. Модель предназначена для семантического поиска и извлечения документов, оценки сходства текстов, классификации, кластеризации, ранжирования и поиска параллельных фрагментов на разных языках. Для корректной работы при загрузке необходимо включить двунаправленное внимание: в сохранённых весах это изменение не зафиксировано, и стандартная причинная маска заметно ухудшает эмбеддинги. Авторы готовят оценку на MMTEB/MTEB; опубликованных итоговых результатов пока нет. В обучении использовались обучающие части ряда публичных бенчмарков, поэтому результаты на соответствующих задачах следует считать внутридоменными; версия v1 смещена в сторону англоязычного поиска вопросов и ответов, а низкоресурсные и межъязыковые задачи могут выполняться слабее. Лицензия — Apache 2.0.

NeuralPipe-9B-merged — объединённая языковая модель автора mlabonne, созданная с помощью mergekit из OpenPipe/mistral-ft-optimized-1218 и mlabonne/NeuralHermes-2.5-Mistral-7B. Это плотная авторегрессионная модель семейства Mistral с 8,9 млрд параметров и контекстом до 32 768 токенов; она принимает текст и генерирует текст, в том числе в диалоговом формате. Модель предназначена для генерации ответов в чате и других текстовых сценариев. В README указан метод объединения passthrough: слои 0–31 взяты из OpenPipe/mistral-ft-optimized-1218, а слои 24–31 добавлены из NeuralHermes-2.5-Mistral-7B. Распространяется в формате safetensors по лицензии Apache-2.0.

Kukedlc/neuronal-7b-Mlab — текстовая генеративная модель, созданная слиянием mlabonne/NeuralDaredevil-7B и mlabonne/NeuralHermes-2.5-Mistral-7B с помощью LazyMergekit и метода slerp. В метаданных указаны архитектура MistralForCausalLM, 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов по инструкциям. Она принимает текст и выдаёт текст; в карточке модели не заявлена специализация на конкретном языке или предметной области. Репозиторий содержит веса Safetensors, лицензия — Apache 2.0.

NVIDIA-Nemotron-3.5-Lightning-30B-A3B-fit16gib-GGUF — это смешанно-точная GGUF-квантизация базовой модели NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16, подготовленная Alberto-Codes. Модель предназначена для генерации текста и локального запуска в пределах 16 ГиБ видеопамяти. В README указано, что архитектура содержит 128 маршрутизируемых экспертов, а 46 экспертных блоков составляют около 93% параметров; точные сведения о контекстном окне, поддерживаемых языках и полном наборе модальностей не приведены. Ключевая особенность сборки — распределение разрядности по группам слоёв на основе карты чувствительности и importance matrix. Размер файла составляет 15,76 ГиБ, средняя разрядность — 4,287 бит на параметр. По измерениям на WikiText-2 модель имеет perplexity 7,0689, среднюю KL-дивергенцию 0,071403 и совпадение наиболее вероятного токена с эталоном f16 в 89,418% случаев. В сравнении с указанной в README сборкой IQ2_XXS она обеспечивает лучшее качество при меньшем размере файла, однако результаты относятся к конкретному тесту и не заменяют независимую проверку на целевых задачах. Сборка не содержит MTP-блок, поэтому спекулятивное декодирование с --spec-type draft-mtp недоступно. Для загрузки требуется версия llama.cpp с поддержкой типа тензоров Q2_0, объединённой 7 июля 2026 года; все приведённые измерения выполнены на build b10362, а совместимость с промежуточными версиями не подтверждена. Модель распространяется по лицензии openmdw-1.1; README не содержит сведений о коммерческих ограничениях сверх условий этой лицензии.

SteveTran/ob_semantic_model — это модель Sentence Transformers, дообученная разработчиком на базе Alibaba-NLP/gte-multilingual-base для сопоставления предложений и абзацев по смыслу. Она преобразует текст в плотные векторы размерности 768 и сравнивает их с помощью косинусного сходства; модель предназначена для семантического поиска, оценки сходства, поиска перефразировок, кластеризации и классификации текста. Модель использует архитектуру Sentence Transformer с энкодером Transformer, объединением CLS-токена и нормализацией векторов. В карточке указана максимальная длина последовательности 512 токенов, а метаданные каталога указывают контекст до 8192 токенов; при практическом использовании следует учитывать ограничение, заявленное в README. Обучающие примеры состоят из запросов, релевантных описаний и отрицательных примеров; датасет содержит 5 964 образца. Пример в карточке — вьетнамский, а базовая модель многоязычная, поэтому модель подходит для многоязычных текстовых задач, хотя конкретный список поддерживаемых языков в источниках не приведён. Модель принимает текст и выдаёт векторы, пригодные для поиска и сравнения; для обучения применялась MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

OpenBeagle-11B — разговорная языковая модель семейства Mistral, опубликованная vicgalle. Это плотная авторегрессионная модель на 10,6 млрд параметров для генерации текста и диалога; она использует библиотеку Transformers и веса в формате safetensors. Нативная длина контекста — 32 768 токенов. Модель подходит для ведения диалога и генерации ответов на запросы. В README приведены результаты оценки на Open LLM Leaderboard, включая показатели на задачах AI2 Reasoning Challenge и HellaSwag. Модель выпущена под лицензией Apache-2.0. В метаданных указан датасет OpenHermesPreferences-1k.

jamiealexandre/paraphrase-multilingual-mpnet-base-v2-konni — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерностью 768. Она основана на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Модель предназначена для получения эмбеддингов, семантического поиска, сравнения текстов и кластеризации. Разработчик карточки указывает Sentence-Transformers; README описывает базовую модель paraphrase-multilingual-mpnet-base-v2. Векторные представления подходят для поиска похожих фрагментов и группировки текстов по смыслу. Для использования с Transformers требуется корректно применять pooling к контекстным представлениям токенов; Sentence-Transformers упрощает этот шаг. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Q2.5-Veltha-14B-0.5 — объединённая языковая модель на архитектуре Qwen2.5, созданная автором djuna с помощью mergekit. Для слияния использован метод della_linear; базой служила arcee-ai/SuperNova-Medius, также в объединение вошли четыре другие модели семейства Qwen2.5. Модель содержит 14 млрд параметров, работает через Transformers и распространяется в формате safetensors; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации текста и диалогового общения. Её можно применять для ответов на запросы, ролевых диалогов и творческого письма; исходные модели в составе объединения ориентированы на инструкции и генерацию историй. Карточка приводит результаты нескольких тестов, включая IFEval и BBH, но не раскрывает полную таблицу оценок. Лицензия в предоставленных данных не указана.

Phantomcloak19/qwen2.5-3b-dpo-grpo — плотная языковая модель семейства Qwen2, дообученная на базе Qwen/Qwen2.5-3B-Instruct в рамках последовательного конвейера LLMPR: после этапа SFT модель прошла DPO и Safety-GRPO, а опубликованный чекпойнт объединяет полные веса. Она предназначена для диалогов, выполнения инструкций и генерации текста. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и принимает контекст длиной до 32 768 токенов. Карточка указывает формат Safetensors и библиотеку Transformers. Базовая модель — компактная многоязычная чат-модель Qwen2.5-3B-Instruct; конкретный набор поддерживаемых языков, лицензия и отдельные показатели качества этой производной модели в предоставленных данных не раскрыты.

Qwen2.5-VL-7B-Instruct-heretic — модифицированная версия мультимодальной модели Qwen2.5-VL-7B-Instruct, разработанная автором saidutta69 с использованием Heretic v1.4.0. Модель предназначена для работы с текстом и изображениями, а также поддерживает сценарии, связанные с OCR, разбором документов, привязкой объектов на изображении и анализом видео. В карточке указано, что основной язык — английский. Модель сохраняет архитектуру и основные возможности базовой Qwen2.5-VL-7B-Instruct; заявленный нативный размер составляет около 8,3 млрд параметров. Вариант создан методом directional ablation («abliteration»): из весов целенаправленно удалены направления, связанные с отказами в ответах, без дообучения. Поэтому у модели должны в значительной степени сохраняться знания в области vision-language и следование инструкциям базовой модели, но защитные ограничения и фильтрация намеренно ослаблены. Это может быть полезно разработчикам, которым требуется меньше отказов, однако одновременно повышает риск выдачи нежелательного или небезопасного содержимого. Доступны полные веса в формате Safetensors BF16 и текстовые GGUF-квантизации Q4_K_M, Q5_K_M, Q6_K и Q8_0. GGUF-файлы содержат текстовую часть и не включают vision-энкодер, поэтому для полноценной мультимодальной работы следует использовать полные веса Safetensors. Модель совместима с Transformers, llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang. Лицензия — Apache-2.0, унаследованная от базовой модели.

Qwen3-1.7B-MLX-bf16 — компактная плотная языковая модель семейства Qwen3 с 1,7 млрд параметров, подготовленная lmstudio-community на основе Qwen/Qwen3-1.7B и преобразованная в формат MLX для использования с mlx-lm. Она предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст, а её контекст составляет до 40 960 токенов. В карточке указана лицензия Apache-2.0. README описывает преобразование в MLX, тогда как метаданные указывают формат файлов safetensors.

Qwen3-4B-Thinking-2507-GGUF — квантованная в формате GGUF версия языковой модели Qwen3-4B-Thinking-2507, разработанной командой Qwen. Модель предназначена для генерации текста и решения задач, требующих рассуждений, включая диалоговые сценарии, ответы на вопросы и другие применения, поддерживаемые исходной моделью. Модель содержит около 4 миллиардов параметров и относится к текстовым моделям. В README не указаны поддерживаемые языки, максимальная длина контекста, конкретная архитектура, доступные модальности и варианты квантования. Квантование выполнено bartowski на основе релиза llama.cpp b6096, что позволяет использовать модель в совместимом локальном программном обеспечении, включая LM Studio. К сильным сторонам относятся относительно компактный размер и возможность локального запуска благодаря формату GGUF, а также ориентация исходной модели на задачи рассуждений. Ограничения, точные требования к аппаратным ресурсам, качество на конкретных тестах и особенности поведения не описаны. Лицензия в предоставленном README не указана; условия использования следует уточнять на странице исходной модели Qwen3-4B-Thinking-2507.

shawnw3i/Qwen3.6-27B-AWQ-MTP — квантизированная версия модели Qwen3.6-27B, разработанной командой Qwen. Модель предназначена для задач генерации текста и работы с изображениями и текстом; в README она классифицирована как image-text-to-text. Вариант ориентирован на запуск через vLLM и ускоренное инференс-развёртывание. Модель имеет размер 27 млрд параметров и использует квантизацию AWQ. Поддерживаются ядро AWQ Marlin с автоматической конвертацией vLLM во время выполнения и MTP speculative decoding, позволяющее ускорять генерацию за счёт спекулятивного декодирования. Для запуска в README указан максимальный размер контекста 65 536 токенов, а также reasoning parser qwen3. Заявлена производительность более 110 токенов в секунду на одном ускорителе A800 80 GB при использовании vLLM 0.21.0, MTP и FP8 KV cache. Сильные стороны модели — сочетание относительно крупного размера, AWQ-квантизации, поддержки Marlin и встроенного MTP для эффективного инференса. README не содержит сведений о языках, точных возможностях мультимодального ввода, результатах бенчмарков, требованиях к другим конфигурациям оборудования или ограничениях качества. Модель распространяется по лицензии Apache-2.0.

Nickyang/Qwen3.6-35B-A3B-Razor-28B-A4B-E192of256 — производная мультимодальной модели Qwen3.6-35B-A3B, созданная с помощью RAZOR, метода сокращения экспертов без обучения. В каждом MoE-слое оставлено 192 из 256 маршрутизируемых экспертов; общее число параметров составляет 27,7 млрд, из них около 4 млрд активируются на токен. Веса сохранены из базовой модели, без градиентных обновлений и дополнительного обучения для восстановления качества. Модель предназначена для диалоговой генерации текста и интерфейса вызова инструментов. Карточка базовой модели указывает мультимодальные возможности Qwen, включая анализ изображений, однако README этого чекпойнта описывает прежде всего генерацию текста. По README, веса представлены в bfloat16 и для запуска требуется версия Transformers с реализацией qwen3_5_moe. Лицензия — Apache-2.0. Сокращение пула экспертов уменьшает объём хранения экспертных весов, но является потерей информации; вычисления на токен, согласно README, практически не меняются. Изменения могут затрагивать разнообразие, форматирование и завершение ответов, а поведение за пределами конечного калибровочного корпуса не охарактеризовано.

hotdogs/Qwen3.8-27B-abliterated-AWQ-INT4 — языковая генеративная модель, разработанная hotdogs на основе Qwen/Qwen3.8-27B и подвергнутая обучению без дообучения с удалением направления отказов. Это квантованная версия hotdogs/Qwen3.8-27B-abliterated, предназначенная для диалоговых сценариев, генерации текста, исследовательского анализа механизмов отказа, red teaming и изучения влияния alignment-обучения. Модель не отказывает в запросах, поэтому её применение требует особой осторожности и соблюдения законодательства. Модель использует гибридную архитектуру Qwen3.8-27B с полноразмерным attention на части слоёв и Gated DeltaNet linear attention на других слоях. Основные компоненты квантованы в формат W4A16 с 4-битными весами и 16-битными активациями, группой 128 и симметричным квантованием; lm_head и 64 слоя linear_attn сохранены в BF16. Размер файлов составляет около 17,6 ГБ вместо примерно 52 ГБ у BF16-версии. Заявлены языки English, Chinese и Thai. В README указан максимальный размер контекста 32768 токенов для запуска через vLLM. Сильные стороны модели — существенно сниженное потребление памяти, сохранение abliteration после квантования и близкая к базовой производительность на приведённых тестах: для BF16-версии MMLU составляет 0,8342, GSM8K — 0,59, ARC-Challenge — 0,4533. INT4-версия рассчитана на запуск через vLLM с Marlin и обычно требует двух GPU с 24 ГБ памяти; на одной карте с 24 ГБ доступ к KV-кэшу будет ограничен, а GPU с 48 ГБ подходит для запуска с tensor parallelism 1. Точные результаты INT4-версии могут немного отличаться от результатов BF16-модели. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Qwen3.8-27B-i1-IQ4_KS_KT-GGUF — это квантизированные веса модели Qwen3.8-27B в формате GGUF, подготовленные пользователем cHunter789 на базе Qwen/Qwen3.6-27B. Модель предназначена для запуска через ik_llama.cpp на потребительских видеокартах NVIDIA с 16 ГБ видеопамяти. В карточке она обозначена как image-text-to-text, то есть рассчитана на обработку текстовых и визуальных входных данных, однако подробности о поддерживаемых форматах изображений и языках не указаны. Используются квантизации IQ_KS и IQ_KT с imatrix-файлами, собранными из наборов mradermacher и ubergarm; тензор token_emd.weight переведён в q8_0 для потенциально лучшей работы с неанглийскими языками. При квантизации KV-кэша в q4_0 заявлена поддержка контекста до 110 тысяч токенов, а конфигурация для 16 ГБ VRAM обеспечивает около 105 тысяч токенов. В README также приводятся результаты сравнения perplexity и параметры запуска, включая поддержку reasoning. Сильные стороны модели — относительно большой размер при возможности запуска на видеокарте с 16 ГБ памяти, длинный контекст и оптимизация под NVIDIA. Ограничения включают необходимость ik_llama.cpp, совместимость именно с NVIDIA GPU, зависимость характеристик от квантизации и настроек KV-кэша, а также отсутствие подробных независимых оценок качества, языкового покрытия и мультимодальных возможностей. Репозиторий распространяется по лицензии Apache-2.0.

summerMC/Qwen3.8-27B-SpeedX27-VL-GDN64-GGUF — квантованная версия модели summerMC/Qwen3.8-27B-SpeedX27-VL-GDN64 в формате GGUF. Модель основана на архитектуре Qwen3.8 с идентификатором qwen35 и содержит около 27 млрд параметров. В README не указаны имя или организация разработчика, однако репозиторий модели связан с пользователем summerMC. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая llama.cpp. Указана поддержка модифицированной архитектуры Qwen с компонентами GDN и recurrent; для работы рекомендуется свежая версия llama.cpp. Максимальная длина контекста составляет 262 144 токена, но фактически доступный размер зависит от объёма RAM и VRAM. О модальностях и поддерживаемых языках дополнительных сведений нет. Предоставлена квантизация Q4_K_M, которая призвана обеспечить практический баланс между качеством, потреблением памяти и скоростью инференса. Формат GGUF удобен для локального развертывания, однако старые сборки llama.cpp могут не распознать архитектуру. К основным ограничениям относятся возможные требования к значительному объёму памяти и потенциальное снижение качества по сравнению с более точными версиями из-за квантизации. Лицензия — Apache-2.0; дополнительные условия использования следует уточнять в репозитории исходной модели.

PrabalAryal/Sentence_Transformer_v0.0.1 — дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2. Она использует XLM-RoBERTa и преобразует предложения и абзацы в плотные векторы размерности 768; сходство между ними оценивается косинусной мерой. В README указана максимальная длина последовательности 64 токена, а метаданные каталога сообщают о контекстном окне 514 токенов. Модель предназначена для семантического сравнения текстов, поиска похожих фрагментов, поиска перефразировок, кластеризации и классификации текста по эмбеддингам. Обучение описано на 8 884 парах предложений с помощью MultipleNegativesRankingLoss; в примерах датасета есть тексты на нидерландском языке. Базовая модель многоязычная, но конкретный перечень поддерживаемых языков этой версии не приведён. Для использования указана библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

StrangeMerges_12-7B-slerp — языковая модель на основе архитектуры Mistral с 7,1 млрд параметров, созданная Gille с помощью LazyMergekit. Это слияние моделей Keynote-Technology/KAI-7B-v0.1 и Gille/StrangeMerges_11-7B-slerp методом SLERP; веса опубликованы в формате safetensors и имеют тип bfloat16. Модель предназначена для генерации текста и может применяться для диалога, написания текстов и решения задач на рассуждение. В README приведены результаты Open LLM Leaderboard, включая показатели на AI2 Reasoning Challenge и HellaSwag. Контекст составляет до 32 768 токенов. Лицензия — Apache-2.0.

sentence-transformers/stsb-xlm-r-multilingual — мультиязычная модель sentence-transformers, обученная командой sentence-transformers на базе XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, семантического поиска и кластеризации. Модель содержит 305,2 млн параметров, принимает текст, имеет контекст до 514 токенов и рассчитана на использование с библиотекой Sentence Transformers; доступны веса и представления PyTorch, TensorFlow, ONNX и OpenVINO. Модель подходит для поиска похожих фраз и документов, группировки текстов по смыслу и построения векторных представлений для многоязычных сценариев. Лицензия — Apache-2.0. Для использования через Transformers поверх выходов энкодера требуется применить подходящую операцию pooling.

MaziyarPanahi/T3qm7xNeuralsirkrishna_Experiment24Experiment28 — объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment24Experiment28-7B и предназначена для генерации текста и диалогов. Модель принимает текст и выдаёт текст. Контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не описывает специализированные области применения или отдельные ограничения качества; возможности стоит оценивать на задачах конкретного приложения.

T3qm7xNeuralsirkrishna_YamNeuralsirkrishna — объединённая текстовая модель семейства Mistral, созданная на основе automerger/T3qm7xNeuralsirkrishna-7B и automerger/YamNeuralsirkrishna-7B. Она предназначена для генерации текста и диалоговых сценариев. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате Safetensors. Лицензия — Apache-2.0.

TheBloke/wizardLM-7B-HF — полноразмерная модель WizardLM-7B в формате Hugging Face для генерации текста и выполнения инструкций. Она основана на Llama 7B: к исходным весам применены delta-веса WizardLM, полученные методом Evol-Instruct, после чего объединённая модель преобразована в float16. В репозитории указано около 6,6 млрд параметров и контекст до 2048 токенов. Модель предназначена для ответов на запросы и выполнения разнообразных инструкций на естественном языке; файлы подходят для инференса на GPU и как основа для дальнейшей квантизации или конвертации. Карточка отмечает, что ранняя WizardLM уступала ChatGPT на полном тестовом наборе и оставалась на начальном этапе развития, хотя показывала преимущество на сложных инструкциях. Лицензия в метаданных обозначена как other.

YamshadowInex12_NeuralsirkrishnaM7 — слитая текстовая модель семейства Mistral, созданная на основе automerger/YamshadowInex12-7B и automerger/NeuralsirkrishnaM7-7B. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате Safetensors по лицензии Apache-2.0.

Acolyte-22B — диалоговая языковая модель на архитектуре Mistral, созданная rAIfle слиянием LoRA-адаптера Acolyte-LORA с Unsloth/Mistral-Small-Instruct-2409. Модель содержит 22 млрд параметров и поддерживает контекст до 131 072 токенов; для диалогов рекомендуется шаблон Mistral V2 или V3. В метаданных также заявлен интерфейс вызова функций. Модель предназначена для генерации текста и диалоговых сценариев. В README автор оценивает её качество как приемлемое для размера модели; адаптер обучался на наборе случайно выбранных датасетов, подробности предлагается смотреть в карточке Acolyte-LORA. Репозиторий содержит веса Safetensors; автор также упоминает варианты в форматах iMat GGUF и exl2. Лицензия в предоставленных данных не указана.

along26/all-MiniLM-L6-v2_multilingual_malaysian-v4 — дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2. Модель использует энкодер BERT с mean pooling, содержит 25,9 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 384; максимальная длина последовательности — 512 токенов. Для сравнения векторов применяется косинусное сходство. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. В README приведены пары на английском и малайском языках, включая пример сопоставления вопроса на английском с переводом на малайский; это указывает на настройку для малайского, но не подтверждает полный перечень поддерживаемых языков. Веса доступны в формате safetensors, библиотека — Sentence Transformers. Лицензия в предоставленных данных не указана.

Модель dsvv-cair/alpaca-cleaned-llama-30b-bf16 — языковая модель семейства LLaMA, дообученная методом QLoRA на наборе yahma/alpaca-cleaned. Она предназначена для генерации текста по запросам и инструкциям, включая ответы на вопросы и выполнение текстовых поручений. Модель содержит 32,3 млрд параметров, использует архитектуру LlamaForCausalLM и формат PyTorch; заявленная длина контекста — 2048 токенов. В README приведены результаты оценки на тестах ARC и HellaSwag. Для работы нужны совместимые средства запуска моделей PyTorch и подходящие вычислительные ресурсы для модели такого размера. Базовая модель — huggyllama/llama-30b. Лицензия в доступных данных не указана.

zhou209/bge-ft — модель Sentence Transformers на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она преобразует предложения и абзацы в плотные нормализованные векторы размерностью 1024; сходство текстов измеряется косинусным сходством. Максимальная длина последовательности — 8192 токена. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов. В карточке не раскрыты обучающие данные и языковой охват, поэтому нельзя точнее оценить качество для отдельных языков и предметных областей. Репозиторий содержит веса в формате safetensors; сведения о лицензии отсутствуют.