II.1Анализ требований и архитектура ПО

Это GGUF-квантизированная версия модели Qwen3.6-35B-A3B, разработанной Qwen и подготовленной пользователем bartowski. Модель предназначена для запуска локально через llama.cpp и совместимые приложения, включая LM Studio, koboldcpp, Jan AI и Text Generation Web UI. По метаданным она относится к задачам image-text-to-text, то есть рассчитана на сценарии преобразования изображений и текста в текст, однако подробности о поддерживаемых языках и возможностях мультимодального ввода в карточке не приведены. Доступны варианты от BF16 до низкобитных форматов Q8_0, Q6, Q5, Q4, IQ4 и Q3 с размером файлов примерно от 17 до 71 ГБ. Квантизация выполнена с использованием llama.cpp и метода imatrix; для ряда вариантов заявлено высокое качество при меньшем потреблении памяти. Поддерживаются MTP-слои, которые можно задействовать через параметр draft-mtp при наличии соответствующей поддержки в используемом ПО. Точные сведения об архитектуре, размере активируемой части MoE, длине контекста и языках отсутствуют, поэтому эти характеристики нельзя подтвердить по README. Модель распространяется по лицензии Apache 2.0.

Anannta разработала R1-Coder-DARE-7B — объединённую методом TIES языковую модель для генерации кода и диалогового взаимодействия. В объединении использованы DeepSeek-R1-Distill-Qwen-7B как базовая модель и Qwen2.5-Coder-7B-Instruct; архитектура — плотная Qwen2, размер — 7,1 млрд параметров. Модель работает с текстом, поддерживает контекст до 131 072 токенов и доступна в форматах Safetensors и GGUF F16. Модель предназначена для генерации и анализа кода в инструкционном и чат-сценариях. Метаданные указывают задачу text-generation и возможность чата. Лицензия в предоставленных данных не указана.

Wheatley961 опубликовал модель Sentence-Transformers на архитектуре XLM-RoBERTa с 305,2 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель использует PyTorch; в карточке указан контекст до 514 токенов. Модель подходит для построения семантического поиска, группировки похожих документов и вычисления сходства между фрагментами текста. В README описано обучение с CosineSimilarityLoss. Метаданные указывают задачи извлечения признаков и сравнения предложений; конкретные поддерживаемые естественные языки не перечислены. Лицензия в предоставленных данных не указана.

kwondw/reranker-distilroberta-base-nli — это англоязычный Cross-Encoder на базе distilbert/distilroberta-base, дообученный автором на наборе all-nli с помощью библиотеки Sentence Transformers. Модель совместно обрабатывает пару текстов и выдаёт оценки по трём классам, поэтому подходит для классификации отношений между предложениями и оценки их сходства. Число параметров — 95,2 млн, максимальная длина последовательности — 512 токенов. Модель можно применять для проверки следования гипотезы из посылки, сравнения текстовых пар и ранжирования кандидатов по релевантности к запросу. В README приведены результаты классификации на ALLNLI-dev и AllNLI-test: macro F1 0,8226 и 0,7575 соответственно. Для работы требуется библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

Карточка модели roskosmos19/Rhea-4B-Coding-max-1809 на Hugging Face совпадает с карточкой roskosmos19/Orca-2-4B-Coding-max, поэтому описание составлено по ней. Rhea-4B-Coding — дообученная Roskosmos19 модель для программирования на базе Aquiles-ai/Athenea-4B-Coding. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров; она работает через Transformers, принимает текст и генерирует текст. В карточке заявлено контекстное окно до 262 144 токенов. Модель предназначена для рассуждений о коде, его написания и дополнения, отладки, проектирования алгоритмов и понимания программ. Она обучена на программных данных с трассами рассуждений и ориентирована на многошаговый цикл: первоначальная реализация, самопроверка на ошибки и улучшение итогового решения. Также заявлена поддержка сценариев с агентными инструментами. Модель рассчитана на задачи разработки с несколькими языками программирования; метаданные указывают английский язык. Карточка описывает её как uncensored и предназначенную для исследований и экспериментов. Лицензия — Apache-2.0. Качество рассуждений и работы с инструментами зависит от запроса и настроек инференса; отдельные результаты оценки в карточке не приведены.

manuel-couto-pintos/roberta_erisk_simcse — модель Sentence Transformer, дообученная автором на базе manuel-couto-pintos/roberta_erisk для получения векторных представлений предложений и абзацев. В основе лежит RoBERTa с 151,8 млн параметров; среднее объединение токенных представлений формирует плотный вектор размерности 768. Для оценки сходства используется косинусная близость, а максимальная длина входа составляет 512 токенов. Модель предназначена для сравнения смыслового сходства текстов, семантического поиска, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. Её можно применять для поиска похожих предложений или группировки текстов по смыслу. Модель принимает текст и выдаёт векторы; она не генерирует текстовые ответы. Для содержательных результатов качество зависит от соответствия входных текстов данным обучения и выбранного способа использования векторов. Лицензия в предоставленных данных не указана.

clu-ling/roberta-finetuned-stsbenchmark — модель на архитектуре RoBERTa, дообученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 1024 для поиска семантически близких фрагментов, кластеризации и сравнения текстов. Модель поддерживает контекст до 514 токенов и распространяется в формате PyTorch. Модель подходит для семантического поиска и группировки текстов по смыслу. Для использования доступны Sentence-Transformers и Transformers; при работе через Transformers нужно применить подходящую операцию pooling к контекстным представлениям токенов. В README упомянуто обучение с CosineSimilarityLoss. Язык данных обучения и лицензия в предоставленных сведениях не приведены. Качество зависит от соответствия языка и тематики входных текстов данным обучения; результаты сходства следует проверять на целевом наборе.

Rombos-Coder-V2.5-Qwen-32b — дообученная разработчиком Rombodawg модель для генерации и работы с кодом на основе Qwen2.5-Coder-32B-Instruct. Модель использует плотную архитектуру Qwen2 и содержит 32 млрд параметров; заявленная длина контекста — 131 072 токена. Она принимает текст и рассчитана на диалоговое взаимодействие, включая сценарии с интерфейсом вызова инструментов. Модель предназначена для написания, анализа и исправления кода. Автор заявляет о более высокой производительности по сравнению с исходной instruct- и базовой моделями, однако бенчмарки в карточке пока отсутствуют. Репозиторий содержит веса в формате Safetensors; варианты GGUF и EXL2 обозначены как готовящиеся. Лицензия — Apache-2.0.

Replete-Coder-Llama3-8B — модель общего назначения с дообучением на программировании, созданная Rombodawg на архитектуре Llama 3. Она содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов; модель принимает текстовые инструкции и генерирует текст, включая код. По описанию разработчика, 75% обучающих данных составляли инструкции по программированию, а 25% — инструкции общего назначения; обучение охватывало более 100 языков программирования и включало задачи перевода кода, математики, работы с уязвимостями и вызова функций. Модель предназначена для написания и преобразования кода, помощи в программировании, а также ответов на общие запросы. В метаданных указаны архитектура LlamaForCausalLM, формат safetensors и поддержка диалогового режима. README характеризует обучающие данные как нецензурированные, но не приводит отдельную оценку безопасности или качества. Разработчик не гарантирует производительность при запросах длиннее 8192 токенов. Лицензия в метаданных обозначена как other, без уточнения её условий.

ruBert-style-base — русскоязычная модель Sentence Transformers, разработанная на основе ai-forever/ruBert-base и дообученная для получения векторных представлений предложений и абзацев. Энкодер BERT формирует плотные эмбеддинги размерности 768; для объединения токенов используется усреднение, а сходство векторов измеряется косинусной функцией. Модель предназначена для семантического сравнения текстов, поиска похожих фрагментов и кластеризации. Её также можно применять для поиска перефразировок и классификации текста с использованием эмбеддингов. Максимальная длина последовательности — 512 токенов. В карточке приведена cosine accuracy 0,9507 на оценке TripletEvaluator, но состав набора данных не раскрыт, поэтому результат не следует считать гарантией качества на других данных. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Den4ikAI/rubert-tiny2-retriever — русскоязычная модель эмбеддингов на базе BERT, опубликованная пользователем Den4ikAI. Она преобразует предложения и абзацы в плотные векторы размерности 312 для сравнения семантической близости, поиска и кластеризации. Модель обучена с ContrastiveLoss на косинусном расстоянии и распространяется в формате PyTorch; размер составляет 29 млн параметров, контекст — до 2048 токенов. Модель подходит для семантического поиска по русскоязычным текстам, ранжирования кандидатов по смысловому сходству и группировки похожих высказываний. Для использования с Transformers требуется корректно выполнить pooling контекстных представлений токенов; Sentence-Transformers предоставляет готовый интерфейс. Лицензия — MIT. В карточке не приведены результаты оценки, поэтому качество на конкретных наборах данных следует проверять отдельно.

ru-en-RoSBERTa — модель для построения текстовых эмбеддингов, разработанная ai-forever на основе ruRoberta-large. Она дообучена на примерно 4 млн пар данных на русском и английском языках, включая синтетические, размеченные и неразмеченные примеры. Архитектура — RoBERTa с 503,5 млн параметров; модель принимает текст и выдаёт векторные представления. Для получения эмбеддингов рекомендуется CLS pooling, а выбор префикса и pooling зависит от задачи. Модель предназначена для поиска по смыслу, сравнения предложений и других задач, где нужно оценивать близость текстов. Заявлена поддержка русского и английского, однако качество на английском языке неизвестно. Максимальная длина входного текста — 512 токенов. Модель распространяется по лицензии MIT.

Карточка модели thunderbasil/ru-en-RoSBERTa на Hugging Face совпадает с карточкой ai-forever/ru-en-RoSBERTa, поэтому описание составлено по ней. ru-en-RoSBERTa — модель для построения текстовых эмбеддингов, разработанная ai-forever на основе ruRoberta-large. Она дообучена на примерно 4 млн пар данных на русском и английском языках, включая синтетические, размеченные и неразмеченные примеры. Архитектура — RoBERTa с 503,5 млн параметров; модель принимает текст и выдаёт векторные представления. Для получения эмбеддингов рекомендуется CLS pooling, а выбор префикса и pooling зависит от задачи. Модель предназначена для поиска по смыслу, сравнения предложений и других задач, где нужно оценивать близость текстов. Заявлена поддержка русского и английского, однако качество на английском языке неизвестно. Максимальная длина входного текста — 512 токенов. Модель распространяется по лицензии MIT.

mshipulin разработал sentence-transformers-модель, дообученную на базе ai-forever/sbert_large_nlu_ru для сравнения русскоязычных предложений и поиска семантически близких текстов. Она кодирует предложения и абзацы в плотные векторы размерности 1024; сходство оценивается косинусной мерой. Архитектура включает BERT large, усреднение токеновых представлений и нормализацию векторов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов, в том числе для подбора похожих вопросов и ответов в FAQ. Максимальная длина входа — 512 токенов. В метаданных указано 525,7 млн параметров; модель использует библиотеку Sentence Transformers и формат safetensors. Лицензия в предоставленных данных не указана.

ceggian/sbert_standard_reddit_mnr — модель Sentence-Transformers на базе BERT, созданная для получения векторных представлений предложений и абзацев. Она преобразует текст в плотные эмбеддинги размерности 768, предназначенные для сравнения семантической близости, кластеризации и семантического поиска. Модель содержит 136,7 млн параметров и рассчитана на входные последовательности длиной до 512 токенов. В README указано, что при обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством; имя модели указывает на данные Reddit, но README не уточняет датасет. Для использования подходят Sentence-Transformers или Transformers с соответствующим pooling. Модель применима для поиска похожих предложений, группировки текстов и построения поиска по смыслу. Карточка не содержит сведений о лицензии или языках, поэтому они здесь не заявляются.

pritamdeka/S-Bluebert-snli-multinli-stsb — модель Sentence-Transformers на архитектуре BERT, разработанная автором репозитория pritamdeka. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения сходства. Модель содержит 136,7 млн параметров и принимает текстовые входы с контекстом до 512 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss и предназначена для построения эмбеддингов предложений. В репозитории указан формат PyTorch; для применения доступны Sentence-Transformers и Transformers с подходящей операцией pooling. В карточке не приведены сведения о лицензии, поэтому условия использования по имеющимся данным определить нельзя.

mehularora/scrabble-embed-v1 — модель Sentence Transformers, дообученная автором на базе sentence-transformers/all-MiniLM-L6-v2 на наборе данных CSV. Энкодер на архитектуре BERT преобразует предложения и абзацы в плотные векторы размерностью 384; для сравнения векторов используется косинусное сходство. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов, а README описывает максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Карточка не уточняет языковой охват, поэтому английский язык базовой модели не позволяет уверенно утверждать, что дообученная версия предназначена только для английского. Репозиторий содержит веса Safetensors и использует библиотеку sentence-transformers. Сведения о лицензии в предоставленных данных отсутствуют.

ys7yoo/sentence-bert-klue-sts — модель Sentence-Transformers на базе BERT, разработанная для сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768 и подходит для семантического поиска, кластеризации и сравнения смысловой близости текстов. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Она обучалась с использованием CosineSimilarityLoss. Для работы можно применять библиотеку sentence-transformers либо Hugging Face Transformers с подходящей операцией pooling. Модель опубликована в формате PyTorch. В карточке не указаны лицензия и языки обучения, поэтому их нельзя надёжно определить. Качество семантического сопоставления и поддержка конкретных языков зависят от данных обучения; перед использованием для целевого языка стоит проверить качество на собственных примерах.

bachngo/sentence_hsu — модель sentence-transformers на архитектуре XLM-RoBERTa с 305,2 млн параметров. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации. В метаданных указано окно контекста 514 токенов; модель принимает текст и выдаёт эмбеддинги. Обучение проводилось с BatchAllTripletLoss. Модель подходит для поиска похожих текстов и группировки предложений или документов по смыслу. Карточка не сообщает, на каких языках обучалась модель, поэтому нельзя определить её языковой охват. Лицензия в предоставленных данных не указана.

ys7yoo/sentence-roberta-large-klue-sts — модель Sentence-Transformers на архитектуре RoBERTa, предназначенная для преобразования предложений и абзацев в плотные векторы размерности 1024. Она обучалась с функцией CosineSimilarityLoss и подходит для оценки семантической близости текстов, семантического поиска и кластеризации. Размер модели составляет 435,4 млн параметров, контекст — до 514 токенов; доступны веса PyTorch. Модель принимает текст и выдаёт векторные представления, которые можно сравнивать по сходству или использовать в поисковых и кластеризационных системах. Карточка не сообщает о специализированных предметных областях или целевых языках, поэтому её следует рассматривать как модель общего назначения, не приписывая ей конкретную языковую специализацию. Лицензия в предоставленных данных не указана.

smart-tribune/sentence-transformers-multilingual-e5-small — модель семейства Sentence-Transformers на архитектуре BERT, разработчик которой в карточке не раскрыт. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства и кластеризации текстов. Модель имеет 124,3 млн параметров, принимает текст, поддерживает контекст до 512 токенов и распространяется в формате safetensors. Векторы можно применять для поиска текстов по смыслу и группировки похожих документов. Метаданные указывают задачи извлечения признаков и оценки сходства предложений. Название модели содержит «multilingual», однако доступные данные не перечисляют поддерживаемые языки. Лицензия в предоставленных сведениях не указана.

mann2107/setfitbcmpii — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для вычисления семантической близости, поиска по смыслу и кластеризации текстов. В качестве функции потерь при обучении использовалась CosineSimilarityLoss. Модель принимает текст и выдаёт векторные представления. Контекст составляет 514 токенов. Репозиторий содержит веса PyTorch; для работы подходят Sentence-Transformers и Transformers с соответствующей операцией pooling. Указаний на базовую модель, поддерживаемые языки и лицензию в предоставленных данных нет.

Карточка модели Chadeh/setfit-minilm-distilled на Hugging Face совпадает с карточкой chiragme/setfit-minilm-distilled-ledgar, поэтому описание составлено по ней. chiragme/setfit-minilm-distilled-ledgar — модель семейства BERT на базе Sentence-Transformers, преобразующая предложения и абзацы в плотные векторы размерности 384. Её можно применять для семантического поиска, кластеризации и сравнения текстов по смыслу. В метаданных указаны 18,8 млн параметров, контекст до 512 токенов и формат PyTorch; README описывает обучение с CosineSimilarityLoss. Название репозитория указывает на связь с SetFit, MiniLM и Ledgar, однако README и метаданные не уточняют базовую модель, набор данных или специализацию обучения, поэтому эти детали нельзя подтвердить. Модель принимает текст и выдаёт векторы; лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

chiragme/setfit-minilm-distilled-ledgar — модель семейства BERT на базе Sentence-Transformers, преобразующая предложения и абзацы в плотные векторы размерности 384. Её можно применять для семантического поиска, кластеризации и сравнения текстов по смыслу. В метаданных указаны 18,8 млн параметров, контекст до 512 токенов и формат PyTorch; README описывает обучение с CosineSimilarityLoss. Название репозитория указывает на связь с SetFit, MiniLM и Ledgar, однако README и метаданные не уточняют базовую модель, набор данных или специализацию обучения, поэтому эти детали нельзя подтвердить. Модель принимает текст и выдаёт векторы; лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

mitra-mir/setfit_model_Calgary_epochs2 — модель на базе MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерностью 768. Она подходит для семантического поиска, сравнения сходства текстов и кластеризации. Модель имеет 136,7 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста составляет 514 токенов. Обучение проводилось с функцией потерь CosineSimilarityLoss. Модель можно использовать в приложениях на Sentence-Transformers для поиска похожих фрагментов и группировки текстов. В карточке не приведены сведения о языковой специализации и лицензии.

Sharp-Spark-X2.5-4B-GGUF — набор динамических GGUF-квантований модели XHToken/Spark-X2.5-4B, опубликованный peculiar-ragdoll. Это плотная модель с 4 млрд параметров для генерации текста, прежде всего для программирования, системного и кибербезопасностного кода. Модель рассчитана на работу через llama.cpp и ориентирована на пользователей с видеокартой объёмом около 6 ГБ и оперативной памятью до 16 ГБ. Архитектура поддерживает длинный контекст: из 36 слоёв 9 используют полноразмерное внимание, а 27 — скользящее окно размером 512 токенов. Заявлена работоспособность с контекстом до 131 072 токенов при умеренном снижении скорости; экономный KV-кэш делает модель пригодной для анализа больших файлов и репозиториев. Доступны варианты Q4_K_XL размером 2,67 ГБ, Q5_K_XL размером 3,24 ГБ и Q6_K_XL размером 3,61 ГБ, причём Q6_K_XL обозначен как рекомендуемый и проверенный на задачах SWE. К сильным сторонам относятся высокая скорость, небольшие требования к памяти, длинный контекст и специализированная importance matrix, рассчитанная с упором на security и systems code. По приведённым в README измерениям, вариант Q6 показывает сопоставимые с исходной моделью результаты на отдельных подвыборках SWE-bench-Live и MMLU-Pro при меньшем расходе токенов. Ограничения включают чувствительность небольшой модели к агрессивному квантованию, меньшую общую способность по сравнению с более крупными моделями и необходимость выбора варианта квантования в соответствии с объёмом VRAM. Лицензия — Apache-2.0.

vitthalbhandari/simcse_retrain_edos_10k — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате PyTorch. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Обучение с MultipleNegativesRankingLoss и косинусным сходством ориентирует модель на получение векторов, отражающих семантическую близость текстов. Модель содержит около 151,8 млн параметров и принимает текст с контекстом до 514 токенов. Её можно использовать через Sentence-Transformers или Transformers с соответствующей операцией pooling. Карточка не сообщает о специализированной области применения или поддерживаемых языках. Лицензия в предоставленных данных не указана.

smol_llama-4x220M-MoE — языковая модель на архитектуре Mixtral с механизмом смеси экспертов, созданная автором репозитория путём слияния четырёх моделей через LazyMergekit: BEE-spoke-data/smol_llama-220M-openhermes, BEE-spoke-data/beecoder-220M-python, BEE-spoke-data/zephyr-220m-sft-full и BEE-spoke-data/zephyr-220m-dpo-full. Модель предназначена для генерации текста, включая диалоговые ответы и генерацию кода на Python. В репозитории указано 184,9 млн параметров и контекст до 2048 токенов; веса опубликованы в формате Safetensors. В качестве обучающих источников перечислены текстовые, диалоговые и кодовые наборы данных. Поддержка конкретных естественных языков не обозначена. Модель распространяется по лицензии Apache-2.0.

speechless-starcoder2-7b — дообученная языковая модель для генерации кода и выполнения инструкций, созданная на основе bigcode/starcoder2-7b. В README указано, что обучение направлено на улучшение способностей к рассуждению и планированию; использовано около 986 тысяч примеров из OpenHermes-2.5, Python Eval Instruct, Spider и Evol-Instruct. Модель принимает инструкции в формате Alpaca. Это плотная авторегрессионная архитектура StarCoder2 с 9,9 млрд параметров и контекстом до 16 384 токенов. Карточка указывает английский язык, поддержку генерации текста и лицензию Apache-2.0. Модель подходит для генерации и объяснения кода, а также для ответов на инструкции, связанные с программированием и структурированными данными. Численные результаты HumanEval и оценок lm-evaluation-harness в карточке не заполнены, поэтому качество по этим тестам оценить нельзя.

gubartz/st_all_mini_science — модель на базе BERT, созданная с использованием библиотеки Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 384, предназначенные для сравнения смысловой близости, кластеризации и семантического поиска. Модель обучалась с функцией потерь BatchAllTripletLoss. Модель подходит для построения поисковых систем по смыслу, группировки похожих текстов и вычисления сходства между предложениями. Контекст ограничен 512 токенами; файлы весов представлены в формате safetensors. Лицензия в доступных данных не указана.