II.10Разработка и эксплуатация AI/ML-систем

Qwopus3.8-27B-Flash — дообученная модель, опубликованная Jackrong на базе Qwen3.8-27B. Она предназначена для практических агентских сценариев, в которых модель многократно взаимодействует с инструментами: анализирует данные, генерирует и редактирует код, вызывает функции, наблюдает результаты и выполняет итеративные задачи. Модель ориентирована на снижение задержки, вычислительных затрат и склонности к избыточно длинным рассуждениям при сохранении широких общих возможностей. Модель имеет размер 27B параметров и распространяется в формате GGUF для локального запуска, в том числе через llama.cpp. Заявлена поддержка текстово-визуальных задач и обработки изображений, а также генерации текста, рассуждений, программного кода, tool use и function calling. В метаданных указаны английский, китайский, испанский, русский и японский языки. Контекстное окно и точные архитектурные характеристики не указаны. Обучение включало качественную выборку данных supervised fine-tuning и усиление рассуждений с использованием NVIDIA NeMo-RL и GSPO. К сильным сторонам относятся более быстрая генерация, заявленные 80,7% принятия токенов MTP, снижение неэффективных рассуждений и пригодность для длительных агентских цепочек. При этом README указывает на компромисс в качестве: результат на смешанном наборе MMLU-Pro ниже, чем у базовой модели. Известно ограничение в виде возможных ошибок отступов в Python в отдельных задачах программирования. Модель распространяется по лицензии Apache-2.0.

Карточка модели roskosmos19/Rhea-4B-fast-0409 на Hugging Face совпадает с карточкой roskosmos19/Orca-2-4B-hight, поэтому описание составлено по ней. Rhea-4B-Agentic — дообученная модель из линейки Rhea/Athenea, представленная rosкошмос19 как оптимизированный вариант для программирования и агентных сценариев. Она построена на архитектуре Qwen3ForCausalLM и содержит 3,7 млрд параметров. Модель генерирует текст, поддерживает диалог и интерфейс вызова инструментов; контекст — 32 768 токенов. Модель предназначена для генерации и анализа кода, рассуждений при решении технических задач и работы агента с инструментами. По заявлению авторов, она использует однопроходную генерацию с необязательным режимом рассуждений, что сокращает задержку и стоимость по сравнению с многошаговой схемой исходной линейки. В карточке упоминаются рекомендации по запуску в vLLM, SGLang и llama.cpp, но файлы модели представлены в формате safetensors. Модель выпущена по лицензии Apache 2.0. Карточка описывает её как оптимизированную для агентных и кодовых задач, однако не приводит результатов сравнительных оценок; для высокой скорости авторы рекомендуют использовать не более 16–24 тысяч токенов контекста.

Карточка модели roskosmos19/Rhea-4B-fast-0409-high на Hugging Face совпадает с карточкой roskosmos19/Rhea-4B-fast-0409, поэтому описание составлено по ней. Карточка модели roskosmos19/Rhea-4B-fast-0409 на Hugging Face совпадает с карточкой roskosmos19/Orca-2-4B-hight, поэтому описание составлено по ней. Rhea-4B-Agentic — дообученная модель из линейки Rhea/Athenea, представленная rosкошмос19 как оптимизированный вариант для программирования и агентных сценариев. Она построена на архитектуре Qwen3ForCausalLM и содержит 3,7 млрд параметров. Модель генерирует текст, поддерживает диалог и интерфейс вызова инструментов; контекст — 32 768 токенов. Модель предназначена для генерации и анализа кода, рассуждений при решении технических задач и работы агента с инструментами. По заявлению авторов, она использует однопроходную генерацию с необязательным режимом рассуждений, что сокращает задержку и стоимость по сравнению с многошаговой схемой исходной линейки. В карточке упоминаются рекомендации по запуску в vLLM, SGLang и llama.cpp, но файлы модели представлены в формате safetensors. Модель выпущена по лицензии Apache 2.0. Карточка описывает её как оптимизированную для агентных и кодовых задач, однако не приводит результатов сравнительных оценок; для высокой скорости авторы рекомендуют использовать не более 16–24 тысяч токенов контекста.

deepvk/roberta-base — предварительно обученный двунаправленный энкодер RoBERTa от deepvk, ориентированный преимущественно на русский язык. Модель обучена на задаче masked language modeling на корпусе примерно из 500 ГБ текстов: в него входят Википедия, книги, комментарии в соцсетях, художественная проза, субтитры и новостные сайты. В архитектуре 12 слоёв энкодера, 12 голов внимания и размерность представлений 768; всего около 151,8 млн параметров. Модель принимает текст и выдаёт контекстные векторные представления токенов; максимальный контекст составляет 514 токенов. В репозитории доступны веса PyTorch и safetensors. Энкодер не содержит предварительно обученной выходной головы, поэтому для классификации и других прикладных задач потребуется подходящая голова или дополнительное дообучение. Карточка приводит результаты оценки на dev-наборе Russian SuperGLUE. Лицензия — Apache 2.0.

Модель facebook/spar-marco-bm25-lexmodel-query-encoder — BERT-base по размеру, разработанная Meta AI как кодировщик запросов для лексической модели SPAR BM25 Λ. Она обучена на корпусе MS MARCO имитировать поведение BM25 и выдаёт плотные представления запросов для поиска документов. Кодировщик предназначен для совместного использования с соответствующим кодировщиком контекста; также его можно сочетать с плотным семантическим ретривером, например DPR или Contriever, чтобы объединить лексическое и семантическое соответствие в поиске и системах открытого вопросно-ответного поиска. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. В метаданных указаны PyTorch и задача feature-extraction. Карточка не сообщает лицензию, поэтому условия использования здесь уточнить нельзя.

SPLADE CoCondenser EnsembleDistil — разреженный энкодер для поиска по предложениям и абзацам. Модель основана на Luyu/co-condenser-marco и использует архитектуру BERT с MLM-энкодером и max-пулингом SPLADE. Она преобразует текст в разреженный вектор размерности 30 522; сходство между векторами оценивается скалярным произведением. Модель предназначена для семантического поиска и разреженного поиска passage-ов, включая расширение запросов и документов. Для MS MARCO dev в карточке приведены MRR@10 38,3 и R@1000 98,3. Максимальная длина последовательности — 512 токенов, а при воспроизведении оценки использовалось ограничение 256 токенов. Метаданные указывают английский язык и библиотеку Sentence Transformers. Модель содержит 136,7 млн параметров и распространяется в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. Результаты приведены для MS MARCO; качество на других коллекциях может отличаться.

Splade++ SelfDistil finetuned on MS MARCO — англоязычный разреженный энкодер SPLADE, дообученный на базе naver/splade-cocondenser-selfdistil с использованием Sentence Transformers. Он преобразует запросы и документы в разреженные векторы размерностью 30 522 для семантического поиска и извлечения релевантных документов; сходство оценивается скалярным произведением. Архитектура включает BERT MLM-трансформер и слой SPLADE pooling с max-пулингом и активацией ReLU. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для sparse retrieval, в частности поиска документов по коротким запросам; в карточке приведены результаты оценки на NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Она работает с английским текстом и распространяется по лицензии Apache-2.0. Карточка не описывает поддержку генерации ответов: модель выдаёт разреженные векторы признаков, которые используются поисковой системой для ранжирования.

SPLADE-v3-Lexical — разреженный текстовый энкодер семейства SPLADE, опубликованный Naver. Он преобразует предложения и абзацы в разреженные векторы размерностью 30 522 и предназначен для семантического поиска и извлечения документов. Модель асимметрична: на стороне запроса она не расширяет термины, а только присваивает им веса; сходство векторов оценивается скалярным произведением. Архитектура включает BERT MLM-трансформер, max-pooling SPLADE и компонент IDF. Максимальная длина последовательности — 512 токенов, а для воспроизведения оценки указано 256 токенов. В карточке приведены результаты на MS MARCO dev (MRR@10 40,0) и BEIR-13 (средний nDCG@10 49,1). Модель ориентирована на англоязычный поиск; лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные материалы на тех же условиях, с ограничением на коммерческое использование.

QuantFactory/starcoder2-7b-instruct-GGUF — квантованная версия модели TechxGenus/starcoder2-7b-instruct, созданная QuantFactory с использованием llama.cpp. Это текстовая генеративная модель, дообученная для работы с инструкциями, связанными с программированием и генерацией кода. В основе лежит StarCoder2-7B; модель была дообучена на 0,7 млрд дополнительных высококачественных токенов, связанных с кодом, в течение 3 эпох. Для обучения применялись DeepSpeed ZeRO 3 и Flash Attention 2. Заявленный результат на HumanEval-Python составляет 73,2 pass@1. Модель использует формат инструкций Alpaca без системного промпта. Сведения о поддерживаемых языках программирования, размере контекста и конкретных параметрах квантования в карточке не указаны. Модель предназначена прежде всего для генерации кода по инструкциям и других задач разработки программного обеспечения. Её сильные стороны — специализация на коде и заявленный результат на HumanEval-Python, а квантование может упростить локальный запуск. Ограничения включают возможные ошибки и вводящий в заблуждение результат, особенно при решении задач, не связанных с программированием; тестирование модели было ограниченным, поэтому перед применением в реальных системах рекомендуется дополнительная проверка безопасности. Лицензия — BigCode OpenRAIL-M.

NVIDIA Conformer-CTC Large (en-US) — модель распознавания речи, разработанная NVIDIA и обученная с помощью инструментария NeMo. Это крупный вариант архитектуры Conformer с CTC-декодированием, примерно 120 млн параметров; модель работает без авторегрессионной генерации и принимает монофоническое аудио WAV с частотой 16 кГц, выдавая транскрипцию в виде текста. Модель предназначена для транскрибирования английской речи, в том числе в пакетной обработке аудиофайлов и в серверных развертываниях через NVIDIA Riva. Она обучена на нескольких тысячах часов речи из LibriSpeech, Fisher, Switchboard, WSJ, VoxPopuli, Common Voice и других корпусов. В README приведены показатели WER на нескольких тестовых наборах; подключение внешней языковой модели при развертывании через Riva может улучшить точность. Распознавание может быть менее точным для технической лексики, разговорных вариантов речи и акцентов, недостаточно представленных в обучающих данных. Лицензия модели — CC BY 4.0.

tevatron-elastic-modernbert-retriever-mrl — модель-ретривер на базе ModernBERT-base, обученная командой Tevatron-Elastic для поиска релевантных текстов. Она использует архитектуру ModernBERT encoder-only и формирует векторные представления запросов и документов; благодаря Matryoshka Representation Learning один чекпойнт поддерживает несколько размерностей эмбеддингов, которые выбираются через `prune_to` или `encode_at`. Модель предназначена для информационного поиска, включая семантический поиск и извлечение документов по запросу. В обучении использовались данные rlhn/rlhn-680K, максимальная длина последовательности составляла 512 токенов, а запросы и документы получали префиксы `query:` и `passage:`. Для полного режима в README сообщается результат 0,463 nDCG@10 на BEIR-15; релиз представлен как ресурс для воспроизводимости, а не как заявление о превосходстве над другими моделями. Размер модели — 149 млн параметров, контекст — до 8192 токенов. Лицензия — Apache-2.0. Базовая ModernBERT-base ориентирована на английский язык.

tevatron-elastic-modernbert-retriever-plain — плотный ретривер, дообученный Utah NLP на базе answerdotai/ModernBERT-base с помощью Tevatron-Elastic. Модель кодирует запросы и документы в представления для информационного поиска; при обучении использовались префиксы query: и passage: и данные rlhn/rlhn-680K. Это базовая полноразмерная точка из набора чекпойнтов Tevatron-Elastic, рассчитанного на настройку рабочих точек по глубине, ширине и сжатию токенов. Для полной конфигурации авторы сообщают nDCG@10 0,476 на BEIR-15. Модель имеет 149 млн параметров и контекст до 8192 токенов; для загрузки и выбора конфигурации требуется фреймворк Tevatron-Elastic. Лицензия — Apache-2.0.

Tiel-Coder-35B-A3B-Genesis-Hermes-NVFP4-GGUF — это квантизированная в формате GGUF модель LuffyTheFox, созданная на базе Tiel-Coder-35B-A3B с переносом данных Hermes-файнтюнинга от DJLougen и последующей обработкой алгоритмом Genesis. Модель использует архитектуру Mixture of Experts: около 35 млрд параметров всего и примерно 3 млрд активных параметров на токен; заявлено 8 активных экспертов. Квантизация выполнена в формате NVFP4, то есть NVIDIA 4-bit Floating Point. Модель предназначена для агентного программирования, точной генерации кода, задач с вызовом инструментов в формате Hermes, рассуждений в режиме Thinking и мультимодальных сценариев с изображениями. Заявлена поддержка английского, китайского и других языков. В примере конфигурации указан контекст до 128K токенов. Для совместимости с Hermes Agent рекомендуется использовать JSON-формат вызовов инструментов через параметр tool_call_format, поскольку шаблон чата может по умолчанию формировать XML-вызовы. Сильными сторонами модели являются MoE-архитектура с относительно небольшим числом активных параметров, поддержка программирования, инструментов, рассуждений и vision, а также ориентация на стабильную генерацию после постобработки Genesis. Ограничения связаны с использованием низкобитной NVFP4-квантизации, возможными требованиями к совместимому ПО и оборудованию, а также необходимостью корректно настроить шаблон чата и параметры сэмплирования. Репозиторий распространяется по лицензии MIT.

vectorizer.hazelnut — модель-векторизатор компании Sinequa для поиска релевантных фрагментов текста. Она кодирует запросы и passages в векторы размерностью 256: векторы документов сохраняются в векторном индексе, а вектор запроса используется для поиска подходящих фрагментов. Модель основана на mMiniLMv2-L6-H384-distilled-from-XLMR-Large и использует архитектуру XLM-RoBERTa; в метаданных указано 110,2 млн параметров, а в карточке — 107 млн. Контекст составляет до 514 токенов. Модель обучалась и проверялась на английском, французском, немецком, испанском, итальянском, нидерландском, японском, португальском, китайском и польском языках. Она нечувствительна к регистру и диакритическим знакам. Карточка приводит показатели Recall@100 для нескольких наборов поиска, включая среднее 0,590 для английских данных BEIR и 0,543 для польских данных; результаты зависят от языка и набора данных. Также заявлена базовая поддержка других языков предобучения XLM-R. Для работы указаны Sinequa версии 11.10.0 или новее и CUDA с compute capability выше 7.5. Лицензия в предоставленных данных не описана.

Это модель timm от команды Google — изображенческий энкодер SigLIP 2 на базе ViT с патчами 16×16 и входным разрешением 256 пикселей. Репозиторий содержит только визуальную башню, соответствующую image tower мультимодальной модели SigLIP 2; обучение связано с датасетом WebLI. Модель предназначена для извлечения признаковых представлений изображений: их можно использовать для поиска похожих изображений, сопоставления визуального содержимого или как визуальные признаки для последующих систем. Она поддерживает только входные изображения и выдаёт векторы признаков; языковые возможности полной модели SigLIP 2 к этому энкодеру не относятся. Распространяется по лицензии Apache-2.0.

Это визуальный энкодер SigLIP из библиотеки timm: модель vit_base_patch16_siglip_384.webli содержит только часть, которая кодирует изображения, и использует исходный механизм attention pooling. Она предназначена для извлечения признаковых векторов изображений, которые можно использовать для поиска по визуальному содержимому, кластеризации и других задач на основе эмбеддингов. Модель работает с изображениями и выдаёт векторные признаки. В метаданных указаны библиотека timm, форматы PyTorch и Safetensors и лицензия Apache-2.0. Размер входа 384 пикселя указан в названии модели.

Это модель извлечения визуальных признаков из семейства CLIP, распространяемая проектом timm. Репозиторий содержит только веса энкодера изображений для архитектуры ViT-Large с патчами 14×14 и входным разрешением 224 пикселя; обозначение DFN2B-S39B относится к варианту весов. Модель предназначена для преобразования изображений в векторные представления, которые можно использовать для сравнения изображений и построения систем поиска по визуальному содержимому. Она принимает изображения и выдаёт признаки; текстового энкодера в этом репозитории нет, поэтому для сопоставления изображений с текстом потребуется совместимая текстовая модель CLIP. Лицензия репозитория — Apple ASCL.

Это визуальный энкодер vit_large_patch16_siglip_384.webli из семейства SigLIP, опубликованный в библиотеке timm. Модель преобразует изображения в признаки для последующего поиска, сравнения и других задач компьютерного зрения; это только image encoder, без текстового энкодера. Модель использует архитектуру Vision Transformer с крупными патчами 16×16 и входным разрешением 384 пикселя, а также исходный механизм attention pooling. Веса доступны в форматах PyTorch и safetensors. Лицензия — Apache 2.0.

Youtu-HiChunk — модель Tencent Youtu Lab для иерархической структуризации документов и настройки гранулярности фрагментов при поиске в RAG-системах. Она представляет собой плотную причинную языковую модель семейства UTU v1 с 3,6 млрд параметров и контекстом до 32 768 токенов; репозиторий содержит веса SafeTensors и рассчитан на Transformers. Вместе с алгоритмом Auto-Merge модель помогает выбирать подходящий уровень фрагмента — например, раздел, подраздел или абзац — чтобы извлекаемые сведения сохраняли контекст и смысловую полноту. Метаданные также указывают поддержку генерации текста и извлечения признаков, а карточка заявляет китайский язык и интерфейсы чата и вызова инструментов. Модель предназначена для построения иерархических представлений документов и улучшения извлечения контекста в RAG. В метаданных указана лицензия other; конкретные условия следует сверить с лицензией репозитория. Описание не приводит результатов оценки качества.

ZOZ-Function-Master-3B — дообученная модель на 3,1 млрд параметров на базе Qwen2.5-3B-Instruct, разработанная для вызова функций, выбора инструментов и генерации структурированных JSON-ответов. Она использует плотную архитектуру Qwen2 и рассчитана на сценарии с агентами и локальное развёртывание; заявленная длина контекста — 32 768 токенов. Модель принимает текст и генерирует текст, включая аргументы вызовов функций и JSON. В карточке заявлены проверки типов, параллельные вызовы инструментов и разбор вложенных структур; приведённый общий результат тестирования — 83,3%, поэтому безошибочное соблюдение схем не гарантируется. Указана лицензия Apache-2.0.

Карточка модели avsolatorio/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130211808-latest на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

KhaledReda/all-MiniLM-L6-v35-pair_score — англоязычная модель Sentence Transformers, дообученная автором KhaledReda на наборе pairs_with_scores_v30. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 384; косинусное сходство между векторами можно использовать для оценки семантической близости текстов. Архитектура включает BERT-трансформер, mean pooling и нормализацию; размер модели — 25,9 млн параметров. Контекст по метаданным — до 512 токенов, а README указывает ограничение последовательности в 256 токенов. Модель предназначена для семантического поиска, сравнения текстовых пар, поиска перефразировок, кластеризации и классификации текста. Обучающий набор содержит пары текстов со скалярными оценками сходства; обучение выполнено с помощью CoSENTLoss. Поддерживается английский язык. Лицензия — Apache-2.0. Модель выдаёт эмбеддинги, а не готовые текстовые ответы или метки: для сравнения текстов и поиска нужно отдельно вычислять сходство либо применять векторный индекс. Качество для языков кроме английского не подтверждено; указанная длина последовательности в README меньше контекстного лимита из метаданных.

AMPLIFY-B — модель для извлечения признаков, опубликованная в формате Hugging Face Transformers. Она преобразует входные данные в векторные представления, которые можно использовать в downstream-задачах машинного обучения, поиске похожих объектов и построении специализированных классификаторов или регрессоров. Модель содержит около 471,9 млн параметров и распространяется с использованием формата safetensors.

NAMAA-Space разработала Ara-Prompt-Guard_V0 — арабоязычный классификатор запросов для фильтрации рисков при работе с большими языковыми моделями. Это дообученная версия Meta Llama-Prompt-Guard-2-86M с архитектурой DeBERTa-v2 и классификационной головой; модель содержит 306 млн параметров и рассчитана на контекст до 512 токенов. Модель относит арабские запросы к безопасным, содержащим prompt injection или представляющим jailbreak-атаку. Её можно применять для фильтрации входных запросов, проверки безопасности и настройки защитных механизмов арабоязычных LLM. Карточка сообщает об оценке на арабском тестовом наборе: точность около 97,3% и F1 около 98%. Модель ориентирована на современный литературный арабский язык; карточка предупреждает, что она не предназначена для запросов на других языках и может быть ненадёжна при тонкой классификации намерений. Лицензия — Apache-2.0.

Athena-codegemma-2-9b — дообученная компанией EpistemeAI языковая модель семейства Gemma 2 с плотной архитектурой и 9 млрд параметров. Она создана на основе EpistemeAI/EpistemeAI-codegemma-2-9b и предназначена для генерации кода и текста по запросу. Модель принимает текст и генерирует текст; её контекстное окно составляет 8192 токена. В карточке указан английский язык. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель распространяется по лицензии Apache-2.0.

mangalathkedar/ausf-deberta-prompt-injection-v1 — англоязычный классификатор инъекций в промпты для App Security Gateway (AUSF), дообученный на базе ProtectAI/deberta-v3-base-prompt-injection-v2. Модель использует архитектуру DeBERTa-v3-base с классификационной головой, содержит 211,6 млн параметров и принимает текст длиной до 512 токенов. Репозиторий включает форматы Safetensors и ONNX. Классификатор предназначен для выявления прямых и состязательных инъекций, включая попытки обхода с помощью Base64, а также для фильтрации запросов перед передачей их языковой модели. В README заявлены показатели 99,5% обнаружения Base64-инъекций на синтетическом наборе и F1 0,694 на тестовом наборе deepset/prompt-injections; это результаты авторской оценки, а не гарантия качества в других условиях. Модель рассчитана на английский язык и выпущена под лицензией Apache-2.0. В опубликованной оценке синтетического набора указаны заметные ложные срабатывания: 19,2% в целом и 18,8% на сложных отрицательных примерах. Для защиты приложения её следует оценивать на собственных данных и учитывать длину входа до 512 токенов.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240126151540-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

headlesstech/bengali_dpr — модель на основе XLM-RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит около 305,2 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт векторные представления. Модель ориентирована на бенгальский язык, что следует из её названия; карточка не приводит отдельного перечня поддерживаемых языков. Для использования подходят Sentence Transformers или Transformers с соответствующей операцией pooling. В метаданных указана лицензия Apache 2.0.

BERT-base-cased-qa-evaluator — модель на основе BERT с 135,5 млн параметров и классификационной головой для оценки пары «вопрос—ответ». Она принимает вопрос и ответ как два текстовых сегмента и определяет, насколько они семантически связаны; контекст составляет до 512 токенов. Модель предназначена прежде всего для автоматической оценки качества вопросов, созданных генератором t5-base-question-generator, а также для отбора пар «вопрос—ответ», подходящих по смыслу. При обучении использовались данные SQuAD, RACE, CoQA и MSMARCO. Доступны версии в форматах PyTorch, TensorFlow и Flax. Оценка отражает семантическую связь между вопросом и ответом, но не проверяет фактическую истинность ответа. Лицензия в предоставленных материалах не указана.

BERTimbau-base-text-filter — модель классификации текста на основе BERT, дообученная для оценки качества фрагментов текста на португальском языке. Она обучена на наборе данных TucanoBR/GigaVerbo-Text-Filter; в README указаны три эпохи обучения и оптимизатор AdamW. Метаданные описывают архитектуру как BertForSequenceClassification и указывают 136,1 млн параметров, библиотеку Transformers и контекст до 512 токенов. Модель подходит для автоматической фильтрации и предварительной оценки качества португальских текстов в корпусах и потоках пользовательского контента. Она не предназначена для генерации или оценки текстов на других языках; README не раскрывает шкалу оценок, порог классификации и метрики качества. Лицензия репозитория — Apache-2.0.