II.11Кибербезопасность и приватность

harrier-oss-v1-270m — разработанная Microsoft мультиязычная модель для получения плотных текстовых эмбеддингов. Она использует декодерную архитектуру Gemma 3 Text с пуллингом последнего токена и L2-нормализацией. Размер модели — 257 млн параметров по метаданным; размерность эмбеддингов — 640, максимальный контекст — 32 768 токенов. Модель предназначена для семантического поиска и извлечения документов, оценки сходства текстов, кластеризации, классификации, поиска параллельных фрагментов и ранжирования. Для адаптации эмбеддингов к сценарию README рекомендует добавлять к запросу краткую инструкцию; для документов инструкции не требуются. Модель обучалась контрастивным методом на мультиязычных данных, а вариант на 270 млн параметров дополнительно обучался с дистилляцией от более крупных моделей. Заявлена поддержка широкого набора языков, включая русский; перечисленные в карточке языки не исчерпывают весь список. Лицензия — MIT. README сообщает о высоких результатах на Multilingual MTEB v2, но воспроизведённые оценки могут немного различаться в зависимости от версий Transformers и PyTorch.

Laguna M.1 GGUF — независимая общественная конверсия и набор квантизированных GGUF-версий модели Laguna M.1, разработанной Poolside. Модель предназначена для генерации кода, задач программирования с длинным контекстом и агентских сценариев локального запуска. Данный репозиторий содержит производные артефакты, созданные на основе исходных BF16 safetensors Poolside, а не официальный релиз разработчика. Исходная Laguna M.1 — разреженная MoE-модель с 225 млрд общих параметров и 23 млрд активируемых параметров на токен. Она использует 70 слоёв с глобальным вниманием, 256 разреженных экспертов после первых трёх плотных слоёв, маршрутизацию top-k=16, RoPE с YaRN и механизм softplus attention output gating. Заявленное контекстное окно составляет 262 144 токена. Доступны варианты квантизации от наиболее компактных IQ1_S_R4 размером 43,54 GiB до BF16 размером 420,71 GiB; качество и требования к памяти зависят от выбранного варианта. Сильными сторонами модели являются специализированная направленность на программирование, поддержка сверхдлинного контекста и возможность локального использования через GGUF. Для запуска требуется совместимый runtime: подтверждена поддержка ik_llama.cpp начиная с версии, включающей соответствующие изменения, тогда как другие средства могут потребовать отдельной реализации поддержки Laguna. Модель и представленные GGUF-артефакты распространяются с метаданными лицензии Apache License 2.0; конверсия является независимой, а торговые названия и брендинг Poolside остаются собственностью Poolside.

darkc0de/Muse-Glimmer-30B-heretic — версия Muse Glimmer-30B с ослабленным отказом на запросы, созданная с помощью Heretic v1.4.0. Исходная модель разработана Meta Superintelligence Lab; это плотная причинная трансформерная языковая модель примерно с 29,6 млрд параметров и отдельным энкодером восприятия. Репозиторий использует Transformers и формат safetensors; лицензия — Apache 2.0. Модель предназначена для диалогов и мультимодальных агентных сценариев: планирования, вызова инструментов, программирования, анализа изображений и документов, генерации синтетических данных и оценки ответов других моделей. Она принимает текст и изображения и выдаёт текст. В README указана обработка видео по отдельным кадрам, но модель специально для видео не оптимизирована; аудио не поддерживается. Сведения о поддерживаемых языках и размере контекстного окна в предоставленных данных отсутствуют. В README приведено сравнение с исходной Muse Glimmer-30B: доля отказов составила 11 из 100 против 59 из 100 у оригинала, а KL-дивергенция — 0,0743. Модель может ошибаться в многошаговых рассуждениях, выдавать неточные, предвзятые или нежелательные ответы; качество может снижаться для языков, недостаточно представленных в оценке. Для агентных развёртываний рекомендуется дополнительная проверка безопасности и контроль действий.

NeoHorse-1-4B — плотная причинно-языковая модель примерно на 3,4 млрд параметров, разработанная TokenRhythm дообучением Qwen/Qwen3.5-4B. Это прототип для текстовых агентных сценариев: диалогов, вызова инструментов, программирования, рассуждений и следования инструкциям. Модель распространяется в формате Safetensors; карточка указывает контекст до 262 144 токенов и совместимость с Transformers, а README описывает локальный запуск через SGLang и vLLM с OpenAI-совместимым API. В README заявлен прирост среднего результата на десяти бенчмарках относительно исходной Qwen3.5-4B. Выпуск содержит только языковые веса: визуальные веса отсутствуют, поэтому этот репозиторий предназначен для текстового вывода, даже несмотря на мультимодальные возможности базовой модели. Фактическая длина контекста при обслуживании зависит от памяти GPU и настроек сервера. Лицензия — Apache-2.0.

nomic-embed-text-v1 — текстовый энкодер эмбеддингов, разработанный Nomic AI на архитектуре NomicBert. Модель содержит 136,7 млн параметров, принимает до 8192 токенов и предназначена для преобразования текстов в векторы для поиска и сравнения по смыслу. Модель используют для построения RAG-индексов, поиска по запросам, группировки текстов, выявления тем и семантических дубликатов, а также получения признаков для классификации. Для разных задач в начале текста требуется соответствующий префикс-инструкция. В README заявлены результаты на MTEB, LoCo и тесте Jina Long Context; доступность открытых весов и кода обучения также отмечена в карточке. Модель работает с английским языком. Доступны форматы PyTorch, Safetensors и ONNX; библиотека карточки — Sentence Transformers. Лицензия — Apache-2.0. Несмотря на упоминание мультимодального пространства эмбеддингов в README, сама модель принимает текст; для изображений указан отдельный согласованный энкодер nomic-embed-vision-v1.

North-Mini-Code-1.0-GGUF — квантизированная версия языковой модели North-Mini-Code-1.0, разработанной CohereLabs и подготовленной пользователем bartowski в формате GGUF с использованием llama.cpp. Модель предназначена для генерации текста, диалогового взаимодействия, работы с программным кодом и сценариев с агентами. Поддерживает запуск через llama.cpp, LM Studio, KoboldCpp, Jan AI и другие совместимые инструменты. В репозитории представлены варианты от BF16 до различных уровней квантизации Q8_0, Q6_K, Q5_K, Q4_K и IQ3/IQ4. Размер файлов составляет примерно от 14,86 до 61 ГБ; варианты с более высокой разрядностью обычно обеспечивают лучшее качество, а компактные версии требуют меньше оперативной памяти. Точные сведения об архитектуре, количестве параметров, языках и размере контекстного окна в предоставленных данных не указаны. Сильными сторонами модели являются специализация на коде, поддержка чатового и агентного применения, а также широкий выбор квантизированных вариантов для разных аппаратных ограничений. Ограничения включают значительные требования к памяти даже у компактных сборок, возможное снижение качества при сильной квантизации и необходимость совместимого программного обеспечения. Модель распространяется по лицензии Apache-2.0.

Openai_gpt-oss-20b-CODER-NEO-CODE-DI-MATRIX-GGUF — это специализированная GGUF-квантизация базовой модели openai/gpt-oss-20b, подготовленная DavidAU. Вариант ориентирован прежде всего на генерацию и анализ программного кода, а также поддерживает общий чат, рассуждения, решение задач и мозговой штурм. Для оптимизации заявлены отдельные NEO- и CODER-наборы данных, объединённые в Dual Imatrix (DI-Matrix), применённые к квантизированным версиям модели. Модель использует архитектуру Mixture of Experts с 20B параметров и поддерживает до 24 экспертов, при этом в README рекомендуются 4–8 активных экспертов в зависимости от сценария. Указаны языки и возможности работы преимущественно для английского языка, контекст до 128k токенов, использование инструментов и browsing. Доступны варианты IQ4_NL и MXFP4_MOE; наборы MXFP4_MOE предназначены для эффективного сжатия, но README отмечает проблемы совместимости и качества для некоторых конфигураций. Разработчик сообщает о тестировании на сложных задачах программирования, однако результаты приведены без независимых бенчмарков. Сильные стороны модели — специализация на коде, поддержка длинного контекста, MoE-архитектура и несколько вариантов квантизации. К ограничениям относятся зависимость качества от выбранного числа активных экспертов, параметров сэмплирования и конкретного кванта, а также возможные проблемы MXFP4_MOE из-за особенностей тензоров исходной модели. Модель распространяется по лицензии Apache-2.0.

Ornith-1.5-9B — плотная языковая модель примерно на 9 млрд параметров семейства Qwen3.5, разработанная командой Ornith AI. Она развивает Ornith-1.0 за счёт цикла самоулучшения с генерацией обучающих задач, поиском стратегий решения и обучением с подкреплением. Модель предназначена для агентных сценариев, программирования и выполнения многошаговых задач с использованием инструментов; поддерживает диалог и вызовы функций через совместимый с OpenAI API интерфейс. Модель принимает и генерирует текст. Заявленное базовое окно контекста составляет 262 144 токена; с масштабированием YaRN в README описано расширение примерно до миллиона токенов, которое может немного снижать качество на обычных запросах. Версия на 9B рассчитана на эффективное развёртывание, включая обслуживание на одной 80-гигабайтной GPU; веса в bf16 занимают около 19 ГБ. Карточка описывает бенчмарки для программных и агентных задач, но сами численные результаты здесь не приведены. Лицензия — MIT.

Qwen3-Coder-30B-A3B-Instruct — причинная языковая модель семейства Qwen3-Coder, разработанная командой Qwen. Представленная карточка относится к GGUF-версии Userb1az. Модель предназначена прежде всего для генерации и анализа кода, агентского программирования, работы с инструментами и агентского взаимодействия с браузером, а также для понимания репозиториев и выполнения задач разработки в средах вроде Qwen Code и CLINE. Модель использует mixture-of-experts (MoE) архитектуру: всего 30,5 млрд параметров, из которых при обработке активируются 3,3 млрд; предусмотрено 48 слоёв, 128 экспертов и 8 активируемых экспертов. Используется Grouped Query Attention с 32 головами запросов и 4 головами ключей/значений. Нативная длина контекста составляет 262 144 токена, а с применением YaRN может быть расширена до 1 млн токенов. Это текстовая модель без мультимодальных возможностей, поддерживающая только режим без рассуждений и не генерирующая блоки <think></think>. Языки в карточке явно не указаны. К сильным сторонам относятся заявленная производительность в задачах агентского программирования и browser-use, эффективная MoE-активация и большой контекст для работы с кодовыми базами. Ограничения включают необходимость значительных вычислительных ресурсов при работе с полным контекстом, возможные ошибки нехватки памяти и зависимость от совместимого программного обеспечения; для GGUF-версии конкретные требования к квантизации и аппаратному обеспечению не приведены. Модель распространяется по лицензии Apache-2.0.

Это дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, опубликованная пользователем richie-ghost. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения по косинусному сходству, семантического поиска и других задач работы со сходством текстов. Архитектура состоит из MPNet, среднего pooling по токенам и нормализации; модель содержит 136,7 млн параметров и рассчитана на последовательности до 514 токенов по метаданным Hugging Face. README указывает максимальную длину 384 токена, поэтому практический предел может зависеть от используемой конфигурации. Модель подходит для поиска похожих фрагментов, выявления перефразировок, кластеризации и получения признаков для классификации текста. В README описано дообучение на 48 393 парах предложений с MultipleNegativesRankingLoss. Языки обучения или поддерживаемые языки не подтверждены предоставленными данными. Лицензия в метаданных и README не указана.

Это версия модели intfloat/multilingual-e5-base для библиотеки Sentence-Transformers, опубликованная embaas. Модель на базе XLM-RoBERTa содержит 305,2 млн параметров и преобразует предложения и абзацы в плотные векторы размерностью 768; длина контекста — 514 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Её можно применять для поиска по смыслу в коллекциях документов и группировки похожих фрагментов. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

all-MiniLM-L12-v2 — модель Sentence Transformers, разработанная в рамках проекта Hugging Face по обучению моделей эмбеддингов предложений на больших наборах парных данных. Это дообученная версия microsoft/MiniLM-L12-H384-uncased: компактная BERT-архитектура примерно с 40 млн параметров, которая кодирует предложения и короткие абзацы в плотные векторы размерности 384. Модель предназначена для поиска по смыслу, оценки сходства предложений и кластеризации текстов. Её можно применять для получения векторных представлений документов и запросов; для текстов длиннее 256 WordPiece-токенов вход усекается. Данные обучения охватывают широкий спектр текстовых пар, но карточка описывает модель как англоязычную. Доступны веса и конвертированные варианты в форматах PyTorch, Safetensors, ONNX и OpenVINO. Лицензия — Apache-2.0. Это текстовый энкодер: он выдаёт эмбеддинги, а не готовые ответы или сгенерированный текст.

KhaledReda/all-MiniLM-L6-v51-pair_score — англоязычная модель Sentence Transformer, дообученная на наборе пар текстов pairs_with_scores_v43 на базе sentence-transformers/all-MiniLM-L6-v2. Она кодирует предложения и абзацы в плотные векторы размерности 384; архитектура включает энкодер BERT, усредняющий пулинг токенов и нормализацию. Для оценки близости векторов используется косинусное сходство. Модель предназначена для семантического сравнения текстов и поиска: она помогает находить похожие фразы и документы, выявлять перефразирования, кластеризовать тексты и строить признаки для классификации. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов; карточка модели задаёт максимальную длину последовательности 256 токенов. Веса опубликованы в формате safetensors. Модель работает с английским текстом и выдаёт векторные представления, а не готовые ответы на естественном языке. Качество зависит от соответствия входных данных обучающим парам; длинные тексты следует разбивать на фрагменты. Лицензия — Apache-2.0.

all-mpnet-base-v2 — модель sentence-transformers, разработанная в рамках Community Week при поддержке Hugging Face на основе предварительно обученной модели microsoft/mpnet-base. Она предназначена для кодирования предложений и коротких абзацев: преобразует текст в плотный вектор размерности 768, отражающий его семантическую информацию. Модель подходит для семантического поиска, информационного извлечения, кластеризации и оценки сходства предложений. Она обучалась с использованием контрастивной цели на наборе примерно из 1 млрд пар предложений, сформированных из разнообразных текстовых и специализированных датасетов. Для получения итогового эмбеддинга используется усреднение контекстных представлений токенов с учётом attention mask и последующая L2-нормализация. Поддерживается английский язык; максимальная длина входа по умолчанию ограничена 384 word pieces, более длинный текст усекается. Сильной стороной модели является универсальность для задач сравнения и поиска по англоязычным предложениям и коротким фрагментам текста, а также совместимость с библиотеками Sentence Transformers, Hugging Face Transformers и Text Embeddings Inference. Модель не предназначена для генерации текста, её применение к длинным документам без предварительного разбиения ограничено длиной контекста. Лицензия — Apache-2.0.

hqta1110/bge-m3 — дообученная разработчиком репозитория модель Sentence Transformer на базе BAAI/bge-m3, построенная на XLM-RoBERTa. Она кодирует предложения и абзацы в плотные векторы размерности 1024 и подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, классификации и кластеризации. Модель обучалась на 119 434 примерах из CSV с тройками Anchor, Positive и Negative; для сравнения в README указана косинусная мера сходства. Метаданные указывают контекст до 8194 токенов, тогда как в архитектуре README задана максимальная длина последовательности 1024 токена. Используйте её для получения текстовых эмбеддингов и сравнения текстов; конкретные языки и области применения в карточке не обозначены. Доступна в формате safetensors, библиотека — sentence-transformers. Сведения о лицензии в предоставленных данных отсутствуют.

TechWolf разработала модель Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерности 768. Модель основана на MPNet и дообучена на базе sentence-transformers/all-mpnet-base-v2; использует mean pooling, а сходство векторов рекомендуется оценивать косинусной мерой. Модель предназначена для семантического сравнения текстов, поиска и обнаружения перефразировок. Векторы также подходят для кластеризации и классификации текстов. Максимальная длина входной последовательности — 514 токенов по метаданным модели. Это текстовая модель на 136,7 млн параметров, распространяемая в формате safetensors и использующая библиотеку Sentence Transformers. README не сообщает языковой охват и условия лицензии, поэтому их нельзя определить по доступным сведениям.

MJPansa/DeepSeek-V4-Flash-0731-NVFP4 — общественная конверсия официальной модели DeepSeek-V4-Flash-0731, разработанной DeepSeek. Конверсия сохраняет архитектуру, токенизатор, DSpark/MTP-конфигурацию, механизм внимания, shared experts, router, head и прочие компоненты исходной модели, изменяя представление весов маршрутизируемых экспертов на NVIDIA-style NVFP4. Репозиторий не связан с DeepSeek или NVIDIA и не является их официальным продуктом. Модель предназначена для сложных задач программирования, разработки с агентами, работы с инструментами, автоматизации, терминальных сценариев, математики, Triton, CUDA/Nsight и научных задач. Она относится к MoE-архитектурам и содержит 43 основных transformer-слоя; в структуру включён модуль speculative decoding. В README не указаны общий и активный размер модели, поддерживаемые языки и точный перечень модальностей. Заявлен максимальный контекст до 250 000 токенов в протестированной конфигурации. Сильная сторона версии — компактное представление маршрутизируемых экспертных весов NVFP4 при сохранении исходных 4-битных значений и проверенной совместимости с vLLM на двух системах NVIDIA DGX Spark с tensor parallelism. Работоспособность подтверждена загрузкой и базовой генерацией через OpenAI-compatible API, но это не является сертификацией производительности; протестированный eager-режим показал низкую скорость декодирования. Для запуска требуется совместимая инфраструктура NVIDIA, распределённая конфигурация vLLM и специальное кодирование сообщений, поскольку Jinja-шаблон чата не включён. Лицензия — MIT.

Это дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-large, разработанная автором репозитория seongil-dn. Она кодирует предложения и абзацы в плотные векторы размерностью 1024 для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию; максимальная длина последовательности — 512 токенов. Модель предназначена для многоязычных текстов. Векторы можно применять для поиска похожих документов и построения систем семантического поиска. Лицензия в предоставленных данных не указана, поэтому условия распространения установить нельзя. Качество зависит от языка, предметной области и способа подготовки запросов и документов; модель выдаёт эмбеддинги, а не готовые ответы.

seongil-dn/e5-large-neg-v0-bs64-1000 — модель Sentence Transformer, дообученная разработчиком на базе intfloat/multilingual-e5-large. Она использует XLM-RoBERTa-large, среднее объединение токенных представлений и нормализацию, чтобы преобразовывать предложения и абзацы в плотные векторы размерностью 1024. В README указана максимальная длина последовательности 512 токенов; метаданные указывают контекст 514 токенов. Векторы предназначены для сравнения косинусным сходством. Модель подходит для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и извлечения признаков для классификации текстов. Базовая модель многоязычная, поэтому модель рассчитана на работу с несколькими языками; конкретные языки в карточке не перечислены. Репозиторий распространяет веса в формате safetensors. Лицензия в предоставленных данных не указана.

GLM-4.6 от Zhipu AI представлен в репозитории Unsloth с исправлениями шаблона чата. Это диалоговая языковая модель семейства GLM-4 MoE с 23,4 млрд параметров, предназначенная для генерации текста и кода, рассуждений и агентных сценариев с вызовом инструментов. Модель принимает контекст до 202 752 токенов и поддерживает английский и китайский языки. По сравнению с GLM-4.5 в карточке отмечены улучшения в программировании, рассуждениях, работе с инструментами и поисковыми агентами, а также более естественный стиль письма. Репозиторий содержит веса safetensors; для запуска через llama.cpp README рекомендует использовать параметр --jinja. Лицензия — MIT.

GreenNode/GreenNode-Embedding-E5-Large-VN-V1 — sentence-transformers-модель на базе XLM-RoBERTa, созданная для преобразования предложений и абзацев в плотные векторы размерности 1024. Архитектура включает трансформер, pooling по CLS-токену и нормализацию; сходство векторов рекомендуется измерять косинусной близостью. Максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текста. Метаданные указывают на поддержку задач извлечения признаков и оценки сходства предложений, но карточка не называет языки обучения или целевое языковое покрытие, поэтому в описании не предполагается конкретный язык. Репозиторий содержит веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.

harrier-oss-v1-0.6b — разработанная Microsoft мультиязычная модель эмбеддингов текста на архитектуре Qwen3 с 507,9 млн параметров. Она использует pooling по последнему непустому токену и L2-нормализацию, формируя плотные векторы размерности 1024. Максимальная длина контекста — 32 768 токенов. Модель предназначена для поиска и ранжирования текстов, кластеризации, оценки семантического сходства, классификации и поиска параллельных текстов. Для запросов рекомендуется задавать краткую инструкцию, описывающую задачу; для документов инструкция не требуется. Семейство обучалось контрастивным методом на мультиязычных данных, а варианты 270M и 0.6B дополнительно дистиллированы из более крупных моделей эмбеддингов. В README заявлены высокие результаты на Multilingual MTEB v2. Поддерживаются многие языки, включая русский, английский, китайский, японский и ряд европейских и азиатских языков. Модель распространяется в формате Safetensors по лицензии MIT. Качество зависит от формулировки инструкции для запроса; небольшие различия результатов могут возникать из-за версий Transformers и PyTorch.

Instructor-base — текстовая модель эмбеддингов, разработанная исследователями HKUNLP. Это дообученная на инструкциях модель на базе T5, содержащая 123,8 млн параметров и принимающая текстовые запросы длиной до 512 токенов. Инструкция к задаче позволяет настраивать представления текста без дополнительного дообучения модели. Модель предназначена для получения эмбеддингов с учётом задачи и области применения: поиска и извлечения информации, сравнения смысловой близости предложений, кластеризации и оценки текста. Её можно применять для текстов из разных областей, включая науку и финансы; карточка указывает поддержку английского языка. В README сообщается о высоких результатах на разнообразных задачах эмбеддингов, но конкретные сравнительные результаты здесь не приведены. Модель выдаёт текстовые векторы и оценки смысловой близости. Для работы авторы предлагают специализированную библиотеку sentence-transformers. Распространяется по лицензии Apache-2.0.

Карточка модели tomaarsen/jina-embeddings-v3-hf на Hugging Face совпадает с карточкой jinaai/jina-embeddings-v3-hf, поэтому описание составлено по ней. jina-embeddings-v3-hf — мультиязычная модель эмбеддингов текста от Jina AI на архитектуре Jina-XLM-RoBERTa. Она преобразует текст в векторы для поиска по смыслу, сопоставления текстов, кластеризации и классификации. Для разных сценариев предусмотрены пять адаптеров LoRA: retrieval_query, retrieval_passage, separation, classification и text_matching. Модель содержит 658,7 млн параметров и принимает последовательности длиной до 8192 токенов. Matryoshka-эмбеддинги позволяют выбирать размер вектора от 32 до 1024 измерений. Модель ориентирована на 30 языков, включая русский, английский, китайский, арабский и хинди; исходная архитектура поддерживает более широкий набор языков. Доступны веса в форматах Safetensors и ONNX, а карточка описывает использование через Transformers и Sentence Transformers. Модель подходит для семантического поиска, извлечения документов, сравнения текстов и подготовки векторных признаков для последующей классификации или кластеризации. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

SyzygyResearch/miniac-embed — модель Sentence Transformer на архитектуре BERT, разработчик — SyzygyResearch. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для оценки семантического сходства, семантического поиска, поиска перефразировок, классификации текста и кластеризации. Для сравнения текстов используется косинусное сходство; максимальная длина входа составляет 512 токенов. Модель рассчитана на получение текстовых эмбеддингов и может применяться для поиска похожих фрагментов, группировки текстов и подготовки признаков для классификаторов. Репозиторий содержит веса в формате safetensors, для работы подходит библиотека sentence-transformers. В карточке не приведены языки обучения или результаты оценки качества. Лицензия в доступных данных не указана.

nomic-ai/modernbert-embed-base-unsupervised — англоязычная модель эмбеддингов на базе encoder-only архитектуры ModernBERT. Разработчики обучили её с помощью библиотеки contrastors в течение одной эпохи на 235 млн слабонаблюдаемых контрастивных пар из набора Nomic Embed. Модель содержит 149 млн параметров, принимает текст и формирует векторные представления; максимальная длина контекста — 8192 токена. Модель предназначена для поиска по смыслу, сравнения предложений и других задач, использующих текстовые эмбеддинги. В тестах MTEB она показала результаты, близкие к nomic-embed-text-v1_unsup; авторы рекомендуют modernbert-embed для задач построения эмбеддингов. Доступны веса в формате safetensors. Лицензия — Apache-2.0.

ModernBERT-embed-large — модель LightOn на архитектуре ModernBERT для создания векторных представлений текста и сравнения сходства предложений. Она основана на ModernBERT-large и объединяет его с ModernBERT-embed-large-unsupervised; модель дообучалась на слабоконтролируемых и размеченных наборах данных Nomic Embed. Веса содержат около 394,7 млн параметров, поддерживают контекст до 8192 токенов и эмбеддинги размерностью 1024, которые можно сократить до 256 с помощью Matryoshka Representation Learning. Модель предназначена для семантического поиска, извлечения релевантных документов, кластеризации, классификации и оценки сходства пар текстов. В карточке приведены результаты на бенчмарке MTEB по поиску, переранжированию, классификации и другим задачам. Вход и выход — текст и его векторное представление. Основной заявленный язык — английский. Доступны форматы safetensors и ONNX; карточка описывает использование через Transformers, Sentence Transformers и Transformers.js. Лицензия — Apache-2.0. Качество может зависеть от предметной области и языка; результаты при сокращении вектора немного отличаются от результатов с полным вектором. Оценки бенчмарков не гарантируют аналогичное качество на конкретных данных.

Nex-N2-mini — открытая агентная языковая модель компании Nex-AGI, дообученная на базе Qwen3.5-35B-A3B-Base. Она предназначена для разработки программного обеспечения, вызова инструментов, выполнения задач в терминале и исследований с поиском, включая длительные рабочие процессы с обратной связью от среды. Модель объединяет планирование, реализацию, проверку и отладку; заявлены адаптивная глубина рассуждений и согласованный подход к разным агентным задачам. Модель доступна в формате safetensors, работает с библиотекой Transformers и поддерживает диалог. В README описана поддержка function calling и явных трасс рассуждений; для локального развёртывания Nex-AGI рекомендует собственную сборку sglang. Для Nex-N2-mini приведён пример запуска на сервере с двумя H100. Лицензия — Apache-2.0. README заявляет результаты на агентных и программных бенчмарках, но часть таблицы опущена, а подробные показатели Nex-N2-mini в доступном тексте ограничены. Модель ориентирована на сложные агентные сценарии, поэтому её практическая эффективность зависит от окружения, инструментов и вычислительных ресурсов.

Qwen3.6-27B-Text-NVFP4-MTP (GGUF) — производная текстовая сборка Qwen3.6-27B, подготовленная для запуска через llama.cpp на NVIDIA DGX Spark. Разработчик убрал модуль обработки изображений и квантовал веса в NVFP4 с помощью nvidia-modelopt; голова MTP сохранена в BF16 для спекулятивного декодирования. Репозиторий также объединяет эту сборку с Qwen3.6-27B и sakamakismile/Qwen3.6-27B-Text-NVFP4-MTP. Модель предназначена прежде всего для программирования и рассуждений в платформе .init: она подходит для помощи при разработке ПО, анализа кодовых баз и работы с длинными техническими документами. README заявляет контекст до 128K токенов и скорость около 40 токенов в секунду на DGX Spark при коротком контексте и включённом спекулятивном декодировании; для длинного контекста указано около 25–35 токенов в секунду. Это показатели для конкретной конфигурации оборудования и настроек. Это текстовая модель с поддержкой чата; обработка изображений отключена. README описывает английский язык, но не подтверждает поддержку других языков. Лицензия — Apache-2.0. Сборка ориентирована на llama.cpp и DGX Spark; заявленные характеристики скорости и использования памяти зависят от оборудования и параметров запуска.

Qwen3-Coder-30B-A3B-Instruct-MLX-6bit — 6-битная квантизированная версия модели Qwen3-Coder-30B-A3B-Instruct, разработанной Qwen. Квантизация выполнена командой LM Studio с использованием MLX, поэтому модель оптимизирована для запуска на устройствах с Apple Silicon и предназначена для генерации текста, прежде всего в сценариях, связанных с программированием и работой с кодом. Модель основана на исходной Qwen3-Coder-30B-A3B-Instruct; её архитектура, поддерживаемые языки, модальности и размер контекста в README не уточняются. Квантизация снижает требования к памяти и делает локальный запуск более практичным, однако может повлиять на точность по сравнению с исходной версией. Также модель может генерировать неточный, вредоносный или неподходящий контент, поэтому результаты требуют проверки. Для исходной модели указана лицензия Apache 2.0. LM Studio не является создателем или владельцем модели и не гарантирует её точность, безопасность, доступность или соответствие конкретным требованиям.