II.10Разработка и эксплуатация AI/ML-систем

facebook/dinov2-with-registers-giant — гигантская модель Vision Transformer семейства DINOv2 с дополнительными register-токенами, опубликованная командой DINOv2; карточку подготовила команда Hugging Face. Это предобученный трансформерный энкодер изображений для извлечения признаков и эмбеддингов. Модель не содержит дообученных классификационных голов, поэтому для классификации или другой целевой задачи обычно требуется отдельная голова или дообученная версия. Вариант с register-токенами предназначен для уменьшения артефактов в картах внимания и получения более интерпретируемых представлений. Число параметров — около 1,5 млрд; модель принимает изображения и выдаёт векторные представления. Лицензия — Apache-2.0. Карточка указывает на применение для извлечения признаков, но не приводит конкретные сведения о поддерживаемых размерах входа или языках.

primeline/distil-whisper-large-v3-german — модель распознавания немецкой речи, разработанная Флорианом Циммермайстером и основанная на технике дистилляции Whisper. Она предназначена для транскрибации немецкой речи как локально, так и в составе конвейеров распознавания. В карточке описана версия с 756 млн параметров и размером 1,51 ГБ в bfloat16; метаданные указывают архитектуру Whisper с 905,2 млн параметров и формат safetensors. Модель обучена на отфильтрованных данных Common Voice, многоязычного LibriSpeech и внутренних данных. Автор заявляет о более быстром выводе с минимальной потерей качества относительно немецкой версии Whisper large v3; при оптимизации, например с TensorRT, модель может применяться для распознавания речи в реальном времени. Указанный язык — немецкий. Лицензия — Apache-2.0.

DMax-Coder-16B — модель генерации кода на основе диффузионной языковой модели LLaDA-2.0-mini, разработанная авторами проекта DMax. Она дообучена на траекториях генерации кода и предназначена для создания программного кода с параллельным декодированием. В README описаны механизм самопересмотра ошибочных предсказаний и мягкое параллельное декодирование; заявлены показатели 6,6 TPF на задачах кода при сохранении точности. Модель использует MoE-архитектуру LLaDA2 и принимает текстовые запросы, выдавая текст, включая код. Размер по метаданным — 1,2 млрд параметров, контекст — до 16 384 токенов. Доступна в формате safetensors для Transformers. Лицензия — Apache-2.0.

AgentPublic разработала франкоязычный кодировщик вопросов для Dense Passage Retrieval (DPR) на базе CamemBERT. Модель дообучена на объединении наборов PIAF v1.1, FQuAD v1.0 и SQuAD-FR; в обучении использовались положительные абзацы с ответами и сложные отрицательные примеры, найденные BM25. Число параметров — 137,8 млн, максимальная длина контекста — 514 токенов, формат весов — PyTorch. Модель предназначена для получения векторных представлений вопросов и поиска подходящих фрагментов в корпусе документов, в том числе как часть системы ответов на вопросы на французском языке. В оценке на FQuAD v1.0 нужный ответ находился среди 20 отобранных фрагментов для 86,81% вопросов. Авторы отмечают, что на SQuAD-подобных наборах BM25 стабильно превосходил DPR, поэтому качество поиска следует проверять на целевом корпусе. В README не указана лицензия; перед использованием следует проверить условия распространения репозитория и базовой модели.

vblagoje/dpr-question_encoder-single-lfqa-wiki — англоязычный энкодер вопросов на архитектуре DPRQuestionEncoder, разработанный Владимиром Благоевичем. Он преобразует вопрос в векторное представление для поиска подходящих фрагментов текста в системе извлечения ответов на вопросы. Модель обучена в два этапа с использованием DPR-форматированных пар вопросов и ответов из LFQA, а затем примеров, отобранных из индекса Википедии. Модель содержит 136,7 млн параметров, принимает текстовые вопросы с контекстом до 512 токенов и выдаёт векторные представления вопросов. Её можно использовать как вопросную часть плотного ретривера для поиска по корпусу; для полной системы нужен совместимый энкодер контекста, например парная модель vblagoje/dpr-ctx_encoder-single-lfqa-wiki. Модель опубликована в форматах PyTorch и Safetensors под лицензией MIT. По описанию авторов, ретривер немного уступает результату REALM на бенчмарке KILT; качество поиска также зависит от корпуса и совместимости энкодера контекста.

Карточка модели facebook/dragon-roberta-context-encoder на Hugging Face совпадает с карточкой facebook/dragon-roberta-query-encoder, поэтому описание составлено по ней. DRAGON-RoBERTa Query Encoder — плотный энкодер запросов для поиска, разработанный Facebook. Это модель семейства RoBERTa, инициализированная RoBERTa-base и дополнительно обученная на данных, расширенных из корпуса MS MARCO, по подходу DRAGON. Она входит в асимметричную двухэнкодерную систему: для запросов и контекстов используются отдельные модели с разными параметрами. Энкодер преобразует текстовые запросы в векторные представления для плотного поиска и извлечения релевантных документов. В карточке приведены результаты системы DRAGON-RoBERTa: 39,4 на MS MARCO Dev и 47,2 на BEIR. Модель содержит 151,8 млн параметров, поддерживает контекст до 514 токенов и распространяется в формате PyTorch. Для поиска контекстов требуется соответствующий DRAGON-RoBERTa Context Encoder; лицензия в предоставленных данных не указана.

EVA-02 Large Patch14 224 MIM Merged-38M — модель визуальных представлений, опубликованная в формате timm. Это Vision Transformer с усреднением токенов, SwiGLU, Rotary Position Embeddings и дополнительной нормализацией в MLP. Модель содержит около 303,3 млн параметров и рассчитана на изображения размером 224 × 224 пикселя. Модель предварительно обучена авторами статьи на объединённом наборе данных Merged-38M, включающем изображения из ImageNet-22K, CC12M, CC3M, COCO, ADE20K, Object365 и OpenImages. Обучение выполнялось методом masked image modeling с EVA-CLIP в роли учителя. Модель предназначена для извлечения визуальных признаков и эмбеддингов, а также может служить основой для задач классификации изображений. Репозиторий содержит веса PyTorch и Safetensors в формате float32; авторы отмечают, что исходные контрольные точки доступны в float16 или bfloat16. Лицензия — MIT. Для использования нужны изображения; модель выдаёт признаки и векторные представления. В README приведены примеры применения для классификации и получения эмбеддингов, но нет сведений о показателях качества именно этой версии.

evolvedSeeker-13 — экспериментальная разговорная модель для генерации кода, созданная TokenBender на основе deepseek-ai/deepseek-coder-1.3b-base. Модель дообучена на 50 тысячах инструкций за три эпохи; данные в основном взяты из наборов evolInstruct и glaive coder, а около трёх тысяч ответов дополнительно переработаны с помощью self-instruct. Для общения автор рекомендует формат ChatML; также подходит Alpaca с учётом токена EOT. Модель предназначена для быстрого помощника по коду, автодополнения, подготовки наборов данных и оценки моделей. Она содержит 1,3 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 16 384 токенов. README называет её ранней версией проекта PIC и отмечает, что большая часть работы ещё впереди. Автор предупреждает, что небольшой размер ограничивает способность к рассуждению и может приводить к ошибкам. Лицензия в предоставленных данных не указана.

FactCC — модель для оценки фактической согласованности краткого пересказа с исходным текстом. Это современная реализация модели из исследования «Evaluating the Factual Consistency of Abstractive Text Summarization»; автор репозитория — manueldeprada. Модель принимает исходный текст и соответствующее ему резюме как пару и классифицирует резюме как CORRECT или INCORRECT. Модель построена на архитектуре BERT с классификационной головой BertForSequenceClassification и содержит 136,7 млн параметров. Она предназначена для проверки фактов в автоматически созданных резюме, в том числе текстов из набора CNN/DailyMail. Контекст ограничен 512 токенами; для парного ввода в Transformers pipeline требуется специальная упаковка входных данных. Модель ориентирована на английский язык. Доступны веса в форматах PyTorch, TensorFlow и Flax. Лицензия — BSD-3-Clause-Clear.

FastApply-1.5B-v1.0 — языковая модель Kortix для быстрого применения изменений к коду. Она дообучена на базе unsloth/Qwen2.5-Coder-1.5B-Instruct-bnb-4bit и использует плотную архитектуру Qwen2 с 1,5 млрд параметров. Модель принимает текст с исходным кодом и фрагментом изменений, а в ответ формирует полный обновлённый файл, сохраняя его структуру, порядок, комментарии и отступы. Модель предназначена для AI-редакторов кода и инструментов, которым нужно быстро объединять изменения в файлах, в том числе в сценариях Fast Apply. Заявленная длина контекста — 32 768 токенов; README сообщает о скорости около 340 токенов в секунду при запуске у быстрых провайдеров, но эта скорость зависит от среды выполнения. Карточка указывает английский язык, однако он не определяет язык программирования, который можно редактировать. Модель распространяется по лицензии Apache-2.0. Она специализирована на редактировании кода и выдаёт результат в виде текста; качество и скорость могут зависеть от провайдера, формата запроса и кода. Данных о конкретных ограничениях применения в карточке не приведено.

Fast Code Pruner — модель классификации токенов для сокращения контекста в инструментах программирования и coding-агентах. Она дообучена irotem98 на базе Qwen/Qwen2.5-Coder-0.5B и использует архитектуру Qwen2 с плотными весами; в README указаны 17 слоёв, 389,6 млн параметров и контекст до 32 768 токенов. Модель оценивает токены кода и контекста, помогая отбирать полезные фрагменты для дальнейшей обработки агентом. Для развёртывания предусмотрен путь обслуживания через vLLM. README сообщает точность 85,94% и F1 82,48% на валидационном наборе из 6 119 примеров, а также высокую пропускную способность в тестах на RTX PRO 6000 Blackwell. Входы длиннее 8 192 токенов автоматически разбиваются на перекрывающиеся фрагменты. Модель обучалась с hard labels без дистилляции; обновления LoRA ранга 8 объединены с плотными весами. Лицензия — MIT.

facebook/fasttext-es-vectors — предварительно обученные испанские векторные представления слов на базе fastText, разработанного Facebook. Модель предназначена для получения векторов слов и их применения в задачах классификации текста и определения языка. Она подходит для экспериментов, прототипирования и практических приложений, работает на обычном многоядерном процессоре и не требует специализированного оборудования. Векторы обучены методом CBOW с позиционными весами на корпусах Common Crawl и Wikipedia. Размерность представлений — 300; используются символьные n-граммы длины 5, окно контекста 5 и 10 отрицательных примеров. Символьные n-граммы позволяют строить представления также для словоформ, не встречавшихся напрямую при обучении. Модель ориентирована на испанский язык. Лицензия — CC BY-SA 3.0. Косинусное сходство векторов можно использовать для оценки семантической близости слов. Предсказания могут отражать смещения, присутствующие в обучающих данных.

facebook/fasttext-zh-vectors — предварительно обученные китайские векторные представления слов на основе fastText, разработанные Facebook. Модель предназначена для получения векторов слов и использования их в задачах классификации текста и определения языка. Она построена на архитектуре CBOW с позиционными весами, размерность векторов — 300; для обработки слов используются символьные n-граммы длиной 5. Обучающие данные для китайской модели взяты из Common Crawl и Wikipedia, а для сегментации использовался Stanford word segmenter. Модель рассчитана на работу на обычном оборудовании и может применяться для экспериментов, прототипирования и прикладных сценариев с текстовыми векторами. Лицензия — CC BY-SA 3.0. Векторы могут отражать смещения обучающих данных, поэтому сходство и классификационные результаты требуют осторожной интерпретации.

fastvit_mci0.apple_mclip2_dfndr2b — модель семейства MobileCLIP v2, представленная как только визуальный энкодер для библиотеки timm. Она обучена на наборе данных DFNDR-2B и предназначена для извлечения признаков изображений, например для последующего поиска или сравнения изображений по эмбеддингам. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — Apple AMLR. Карточка связывает модель с работой MobileCLIP2: Improving Multi-Modal Reinforced Training.

Functionary Medium v3.2 — языковая модель команды MeetKai для диалогов с вызовом функций и инструментов. Она основана на Meta-Llama-3.1-70B-Instruct и использует плотную архитектуру LlamaForCausalLM; в репозитории указаны 69,5 млрд параметров и контекст до 131 072 токенов. Модель принимает описания функций в формате JSON Schema, решает, когда вызывать их, и поддерживает последовательные и параллельные вызовы. Она может анализировать результаты инструментов и формировать на их основе ответы, а также отвечать без вызова функций, когда инструменты не нужны. В README также заявлена поддержка code interpreter. Для удобного разбора вызовов функций авторы предоставляют собственный код; запуск рекомендуется через OpenAI-совместимый сервер vLLM. Модель подходит для создания чат-ассистентов, которые обращаются к API, инструментам и интерпретатору кода. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Карточка не сообщает конкретных сведений о языковом покрытии или результатах сравнительных оценок.

Модель DiTy/gemma-2-9b-it-russian-function-calling-GGUF — русскоязычная версия Gemma 2 9B Instruct, дообученная командой DiTy для вызова функций по запросам на русском языке. Обучение выполнено на размеченных людьми данных набора DiTy/function-calling. Модель принимает текстовый запрос и описания доступных инструментов, сформированные через chat template, и генерирует текст, включая структурированный вызов подходящей функции. После выполнения функции её результат можно передать модели для продолжения диалога. Это пригодно для ассистентов, которым нужно выбирать и вызывать инструменты в ответ на запрос пользователя. Это плотная авторегрессионная модель Gemma 2 с 9 млрд параметров и контекстом 8192 токена. Доступны веса safetensors и GGUF в формате F16; README указывает размер GGUF-файла 18,5 ГБ. Для корректного формата сообщений и инструментов следует использовать chat template модели. Лицензия — Apache-2.0.

unsloth/gemma-2-it-GGUF — это набор GGUF-квантованных вариантов инструкционной модели Gemma 2, подготовленный Unsloth на основе модели Google. README указывает, что доступны популярные варианты квантования, а исходная модель относится к семейству Gemma 2 и представлена как минимум в версиях на 2B и 9B параметров. Модель предназначена для диалоговых сценариев, генерации и завершения текста, а также для последующего дообучения на пользовательских датасетах и экспорта в GGUF или vLLM. Заявлен английский язык; другие языки и мультимодальные возможности не указаны. Ключевая особенность — 4-битное квантование с использованием bitsandbytes, снижающее требования к памяти и позволяющее запускать и дообучать модель на более доступном оборудовании. Для Gemma 2 README приводит ориентиры дообучения на GPU Tesla T4: для версии 9B заявлены примерно двукратное ускорение и снижение потребления памяти на 63%, однако эти показатели относятся к описанным сценариям и не гарантируют аналогичную производительность при инференсе. Архитектура, размер контекста, точные параметры GGUF-вариантов и системные требования не приведены. Лицензия указана как gemma. Ограничения, связанные с качеством ответов, безопасностью, поддерживаемыми языками и конкретными режимами квантования, в README подробно не описаны; перед использованием следует проверить условия лицензии Google Gemma и характеристики выбранного файла.

GhostNetV3 1.0 — компактная модель классификации изображений из семейства GhostNetV3, обученная авторами статьи на ImageNet-1k и опубликованная в формате timm. Она содержит 8,1 млн параметров, требует изображения размером 224 × 224 пикселя и может использоваться как классификатор или как backbone для извлечения карт признаков и эмбеддингов изображений. Модель предназначена для распознавания объектов и категорий на изображениях, в том числе в сценариях с ограниченными вычислительными ресурсами: её вычислительная сложность составляет около 0,4 GMAC. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache-2.0.

GlaiveAI разработала Glaive-coder-7b — плотную авторегрессионную языковую модель семейства Llama для помощи в программировании. Модель содержит 6,6 млрд параметров и дообучена на CodeLlama-7b на наборе примерно из 140 тысяч синтетически созданных задач и решений по программированию. Модель предназначена для генерации и объяснения кода, выполнения отдельных инструкций и многоходовых диалогов с помощником по коду. Она принимает текстовые запросы и выдаёт текст, включая программный код; заявленная длина контекста — 16 384 токена. В README приведены результаты pass@1: 63,1% на HumanEval и 45,2% на MBPP, при этом авторы отмечают, что эти тесты не полностью отражают использование в реальных условиях. Модель распространяется по лицензии Llama 2. Результаты для конкретных языков программирования и качество на практических задачах в предоставленных материалах не уточняются.

Это пакет распределённого запуска модели GLM-5.2 в формате GGUF, подготовленный Mesh LLM. Он разбивает вариант UD-Q4_K_XL на артефакты по слоям, чтобы распределять вычисления между компьютерами в локальном кластере Mesh LLM. Пакет предназначен для локального и приватного инференса, обслуживания чатов через совместимый с OpenAI API и запуска на нескольких машинах, когда модель не помещается на одном узле. Он основан на unsloth/GLM-5.2-GGUF и использует квантованный вариант UD-Q4_K_XL; библиотека запуска — Mesh LLM. README не приводит число параметров, длину контекста, поддерживаемые языки или условия лицензии. За сведениями об архитектуре, шаблоне чата, настройках генерации и лицензии README отсылает к карточке исходной модели.

GPA v1.5 — разработанная AutoArk-AI единая авторегрессионная аудиоязыковая модель для распознавания речи и синтеза речи. Репозиторий содержит чекпойнт для PyTorch и Hugging Face Transformers, а также поддерживает дообучение через Trainer. В метаданных указаны архитектура ArkASR, около 504,7 млн параметров, контекст 32 768 токенов и форматы PyTorch и Safetensors; базовая модель — Qwen/Qwen3-0.6B. Модель предназначена для преобразования речи в текст и генерации речи по тексту с условием на референсный голос. В README описаны сценарии локального запуска и развёртывания сервисов, а также приведены оценки ASR на англоязычном LibriSpeech и китайском AISHELL-1. Карточка заявляет поддержку английского и китайского языков. Указанная лицензия — Apache-2.0. В нативной версии GPA v1.5 преобразование голоса пока обозначено как планируемая функция, поэтому не следует считать его доступной возможностью этого чекпойнта. Для работы TTS требуются отдельные ресурсы токенизатора Spark; оптимизированные ONNX-файлы размещены в отдельном репозитории.

Hemlock2-Coder-7B-i1-GGUF — это квантизированная версия языковой модели для генерации и обработки программного кода Hemlock2-Coder-7B. Базовую модель разработала команда hemlang, а квантизацию выполнил mradermacher. Модель распространяется в формате GGUF и предназначена для локального запуска в совместимых инструментах вывода. Модель содержит около 7 миллиардов параметров и ориентирована прежде всего на задачи кодинга и текстовой генерации. В метаданных указан английский язык; сведения о поддерживаемых языках помимо английского, контекстном окне, точной архитектуре и мультимодальности отсутствуют. В качестве связанного набора данных указан hemlang/Hemlock2-DPO, а среди тегов упоминается ORPO, однако подробности обучения и результаты тестирования не приведены. Доступны варианты квантизации от очень компактных IQ1 и IQ2 до более качественного Q6_K. Это позволяет выбирать между требованиями к памяти, скоростью и качеством генерации; для баланса размера, скорости и качества в README рекомендуются варианты i1-Q4_K_S и особенно i1-Q4_K_M. Сильной стороной является широкий выбор GGUF-квантизаций для локального использования, однако низкобитные варианты могут заметно терять в качестве. Лицензия модели в README не указана, поэтому условия использования необходимо уточнять отдельно у разработчиков базовой модели и автора квантизации.

Hiera Large 224 MAE — модель компьютерного зрения семейства Hiera, опубликованная авторами статьи и доступная в формате timm. Она предварительно обучена на ImageNet-1k методом masked autoencoder и предназначена для классификации изображений, извлечения карт признаков и получения эмбеддингов. Архитектура содержит около 212,6 млн параметров; модель рассчитана на изображения размером 224 × 224 пикселя. В README приведены результаты Top-1 86,042% и Top-5 97,648% для варианта с последующим дообучением на ImageNet-1k. Модель принимает изображения и выдаёт классы либо визуальные признаки и эмбеддинги. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

HTML-Pruner-Phi-3.8B — дообученная Microsoft Phi-3.5-mini-instruct модель, выпущенная авторами HtmlRAG для сокращения HTML-контекста в системах поиска с дополненной генерацией (RAG). В двухэтапном процессе HtmlRAG модель используется на этапе генеративного отбора блоков HTML после предварительного ранжирования блоков моделью эмбеддингов; перед этим HTML очищается от нерелевантного содержимого и избыточных структур. Модель построена на архитектуре Phi-3, содержит 3,7 млрд параметров и принимает текст; её контекст составляет 4096 токенов. В карточке указана поддержка английского языка. Модель предназначена для подготовки HTML-результатов поиска к передаче языковой модели, чтобы сохранить полезное содержимое и уменьшить объём контекста для последующей генерации ответов. Модель распространяется по лицензии Apache-2.0. Её специализированная задача — генеративное прореживание HTML-блоков; качество может зависеть от структуры и длины исходных страниц и от настроек этапов очистки и отбора.

munekazu/Huihui-Qwen3.8-27B-abliterated-FP8 — FP8-квантизированная версия модели Huihui-Qwen3.8-27B-abliterated от huihui-ai, созданная на основе Qwen/Qwen3.8-27B. Модель предназначена для генерации текста и мультимодальных сценариев с использованием текста и изображений, а также для развёртывания через vLLM. Это abliterated-версия, в которой удалены ограничения на отказы, присутствующие в исходной модели. Модель имеет размер 27B параметров и использует block-wise FP8-квантизацию формата e4m3 с блоками 128×128 и динамическими активациями. Объём хранения сокращён примерно с 52 GiB в BF16 до 29 GiB в FP8. Vision tower, нормализационные слои и отдельные компоненты MTP-головы сохранены в BF16, что обеспечивает поддержку мультимодального пути vLLM и speculative decoding. Заявлена поддержка контекста до 262 144 токенов; для рассуждений используется шаблон чата с параметром reasoning_effort. Сильные стороны модели — уменьшенные требования к памяти, поддержка мультимодальности, MTP speculative decoding и сохранение значительной части поведения базовой модели благодаря абляции только среднего диапазона слоёв. Ограничения включают зависимость от совместимости vLLM и аппаратного обеспечения: на GPU Ampere FP8 не использует нативные tensor cores и применяется kernel Marlin W8A16, поэтому экономия памяти не сопровождается ускорением вычислений. В vLLM 0.24.0 также наблюдалась проблема с возвратом reasoning_content через API, хотя качество ответов не страдает. Модель распространяется по лицензии Apache-2.0.

InCoder 1B — авторегрессионная модель для работы с кодом, разработанная Daniel Fried, Armen Aghajanyan, Jessy Lin, Sida Wang, Eric Wallace, Freda Shi, Ruiqi Zhong, Wen-tau Yih, Luke Zettlemoyer и Mike Lewis и опубликованная под организацией Facebook. Это декодерный Transformer архитектуры XGLM с 1,5 млрд параметров, обученный на коде с причинно-маскирующей целью: модель умеет продолжать код слева направо и заполнять пропуски внутри фрагмента. Модель предназначена для генерации и редактирования кода, в том числе дополнения незавершённых фрагментов и вставки кода в заданный контекст. Обучающие данные включали открытые репозитории GitHub и GitLab с разрешительными лицензиями, а также Stack Overflow; среди языков особенно представлены Python и JavaScript, наряду с кодом на 28 языках. Контекст модели — 2048 токенов. Для запуска в карточке указаны PyTorch, tokenizers и Transformers; токенизатор требует tokenizers версии 0.12.1 или новее. Ограниченный контекст и смещение обучающих данных к Python и JavaScript могут снижать качество на длинных задачах или менее представленных языках. Лицензия модели — CC BY-NC 4.0, предусматривающая некоммерческое использование.

InstructCodeT5+ 16B — модель Salesforce для понимания и генерации кода, основанная на семействе CodeT5+. Она использует архитектуру encoder-decoder и настроена следовать инструкциям на естественном языке; для загрузки применяется AutoModelForSeq2SeqLM и токенизатор CodeGen. Модель содержит 16 млрд параметров и доступна в формате PyTorch. Модель предназначена для генерации кода по запросу, дополнения кода, поиска соответствий между текстом и кодом, а также задач с программированием и математикой. В README перечислены обучающие языки программирования: C, C++, C#, Go, Java, JavaScript, PHP, Python и Ruby. Модель обучена на разрешающем подмножестве GitHub Code и лицензирована по BSD-3-Clause. Разработчики сообщают о результатах оценки на задачах генерации и понимания кода, включая HumanEval, но точность результата не гарантируется для произвольных запросов и проектов. Карточка рекомендует проверять качество, безопасность и справедливость ответов перед практическим применением; модель выпущена для исследовательских целей.

Jamba-tiny-dev — компактная модель семейства Jamba от AI21 Labs для разработки, отладки и экспериментов с архитектурой Jamba. В README указано 319 млн параметров и обучение примерно на 40 млрд токенов; метаданные каталога указывают 94,4 млн параметров. Модель построена на архитектуре MoE с классом JambaForCausalLM, принимает текст и генерирует текст. Контекстное окно составляет 262 144 токена; доступны интерфейсы чата и вызова инструментов. Модель предназначена для тестов, отладки и проверки интеграций, где нужны осмысленные, но несложные текстовые ответы от небольшой модели. Она распространяется под лицензией Apache-2.0. Из-за ограниченного обучения качество генерации не следует считать высоким; размер модели в README и метаданных различается.

jina-embeddings-v5-text-small-classification — компактная мультиязычная модель эмбеддингов, разработанная Jina AI и предназначенная прежде всего для задач классификации текста. Она создана на базе jina-embeddings-v5-text-small с применением дистилляции и task-specific contrastive losses, что ориентировано на высокое качество при небольшом размере. Модель может использоваться для классификации документов, маршрутизации обращений, анализа отзывов и других сценариев, где текстовые представления подаются в последующий классификатор. Модель содержит 677 млн параметров, поддерживает последовательности длиной до 32 768 токенов и формирует эмбеддинги размерностью 1024. Используется pooling по последнему токену; доступны Matryoshka-размерности 32, 64, 128, 256, 512, 768 и 1024, позволяющие выбирать компромисс между качеством и затратами на хранение или вычисления. К сильным сторонам относятся компактность, мультиязычность, поддержка длинного контекста и оптимизация под классификационные задачи. README не приводит конкретный перечень языков и подробные количественные результаты бенчмарков, поэтому сравнение качества для отдельных языков и сценариев требует дополнительной проверки. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями, включая запрет коммерческого применения.

RemySkye/KAT-Coder-V2.5-Dev-GGUF — это набор GGUF-квантизаций модели KAT-Coder-V2.5-Dev, разработанной Kwaipilot и подготовленной для использования с llama.cpp пользователем RemySkye. Модель предназначена для генерации кода и агентских сценариев программирования, включая работу с инструментами и автоматизацию задач разработки, однако подробные сведения о возможностях исходной модели в представленном README отсутствуют. Доступны варианты от BF16 размером 64,61 GiB до квантизаций Q2_K размером 12,05 GiB, а также форматы Q3, Q4, Q5, Q6 и Q8. Квантизация позволяет выбирать компромисс между требованиями к памяти и сохранением качества, но более компактные варианты могут уступать полноразмерной версии. Модель относится к архитектуре mixture-of-experts; также заявлены поддержка текстовой генерации и кодовых задач. Языки, размер исходной модели, контекстное окно и модальности в README не указаны. Распространяется по лицензии Apache-2.0. Ограничения и условия использования, кроме лицензии, должны уточняться в документации исходной модели Kwaipilot/KAT-Coder-V2.5-Dev.