II.1Анализ требований и архитектура ПО

Это англоязычная модель Sentence Transformer, разработанная tomaarsen и дообученная на базе microsoft/mpnet-base на наборе вопросов и ответов GooAQ. Она преобразует предложения и абзацы в плотные векторы размерности 768, которые можно сравнивать по косинусному сходству; архитектура включает MPNet и mean pooling. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска, оценки сходства предложений и поиска перефразировок. Векторы также подходят для кластеризации и классификации текста в составе внешнего конвейера. Обучение с QuantizationAwareLoss и MultipleNegativesRankingLoss ориентировано на поиск и сохраняет пригодность представлений для квантованных вариантов. Лицензия — Apache-2.0.

tomaarsen/mpnet-base-nq-cgist-gt — текстовая модель Sentence Transformers, созданная дообучением microsoft/mpnet-base на парах запросов и ответов из Natural Questions. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для оценки семантического сходства, поиска и сопоставления текстов. Архитектура включает MPNet и усредняющий токены слой pooling; модель имеет 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель рассчитана на английский язык. Её можно применять для семантического поиска по корпусу документов, сравнения запросов с ответами, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Для сравнения векторов в карточке рекомендована косинусная близость; приведённые оценки на наборах Nano BEIR и Nano BEIR-подобных задачах различаются по датасетам, поэтому качество следует проверять на целевом корпусе. Модель распространяется по лицензии Apache-2.0. Ограничение длины входа составляет 512 токенов; карточка не подтверждает поддержку языков помимо английского.

sahithkumar7/mpnet-base-smartbots-iter01 — дообученная модель Sentence Transformers на базе microsoft/mpnet-base, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости; сходство оценивается косинусной мерой. Модель построена на MPNet с усреднением токеновых представлений и содержит 136,7 млн параметров. Модель предназначена для семантического поиска, сопоставления текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В README описано дообучение на наборе из 100 примеров с anchor, positive и negative; в приведённой оценке точность по cosine similarity составляет 0,75 на antibiotics_test и 0,9333 на наборе iter1. Поддерживаются последовательности длиной до 512 токенов. Лицензия в предоставленных данных не указана.

jamescalam/mpnet-qa — модель на базе MPNet, опубликованная James Calam и предназначенная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768, которые подходят для семантического поиска, сравнения сходства и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель обучалась с функцией MultipleNegativesRankingLoss и косинусной мерой сходства. Её можно использовать с Sentence-Transformers или Transformers, применяя корректную операцию pooling. Лицензия и конкретные поддерживаемые языки в предоставленных данных не указаны.

legacy107/multi-qa-mpnet-base-dot-v1-wikipedia-augmented-search-farmed — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения текстов; в README также указаны сценарии кластеризации и семантического поиска. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель принимает текст и выдаёт векторные представления, пригодные для поиска по смыслу и группировки похожих текстов. Контекст составляет до 514 токенов. Данных о специальных языках, на которых модель оптимизирована, в карточке нет. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

tomaarsen/mxbai-embed-large-v1-test — репозиторий Mixedbread с моделью для получения векторных представлений предложений на основе семейства mxbai-embed-large-v1. Она предназначена для поиска релевантных фрагментов и сравнения текстов по смыслу. Для поискового запроса README рекомендует добавлять инструкцию «Represent this sentence for searching relevant passages:»; для остальных текстов специальный промпт не требуется. Модель поддерживает Matryoshka Representation Learning и бинарную квантизацию. Модель использует архитектуру BERT, содержит около 433,9 млн параметров и рассчитана на контекст до 512 токенов. В карточке указана поддержка английского языка. Доступны форматы safetensors, ONNX, OpenVINO и GGUF F16; библиотека — Sentence Transformers. Лицензия — Apache-2.0. Суффикс test есть в идентификаторе репозитория, но предоставленные сведения не подтверждают, что это тестовая заглушка или отдельный тестовый чекпойнт.

lewtun/my-awesome-setfit-model — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения смысловой близости текстов. Модель подходит для семантического поиска и кластеризации текстов, а также для получения эмбеддингов, используемых в других системах. В README указано обучение с функцией потерь CosineSimilarityLoss. Для применения описана работа через Sentence-Transformers или Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Модель принимает текст и выдаёт векторы. В карточке нет сведений о лицензии или целевых языках, поэтому определить условия использования и языковую специализацию по доступным данным нельзя.

Карточка модели lewtun/my-awesome-setfit-model-4 на Hugging Face совпадает с карточкой lewtun/my-awesome-setfit-model, поэтому описание составлено по ней. lewtun/my-awesome-setfit-model — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения смысловой близости текстов. Модель подходит для семантического поиска и кластеризации текстов, а также для получения эмбеддингов, используемых в других системах. В README указано обучение с функцией потерь CosineSimilarityLoss. Для применения описана работа через Sentence-Transformers или Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Модель принимает текст и выдаёт векторы. В карточке нет сведений о лицензии или целевых языках, поэтому определить условия использования и языковую специализацию по доступным данным нельзя.

Карточка модели maustin10/my-awesome-setfit-model4 на Hugging Face совпадает с карточкой lewtun/my-awesome-setfit-model, поэтому описание составлено по ней. lewtun/my-awesome-setfit-model — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения смысловой близости текстов. Модель подходит для семантического поиска и кластеризации текстов, а также для получения эмбеддингов, используемых в других системах. В README указано обучение с функцией потерь CosineSimilarityLoss. Для применения описана работа через Sentence-Transformers или Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Модель принимает текст и выдаёт векторы. В карточке нет сведений о лицензии или целевых языках, поэтому определить условия использования и языковую специализацию по доступным данным нельзя.

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

Narwhal-7b — языковая модель Vezora на архитектуре Llama, содержащая 6,6 млрд параметров. По карточке, это слияние Stable Beluga, MegaCoder, Wizard-Math и Llama Chat 7B; заявленные доли компонентов в описании противоречивы, поэтому точный состав слияния установить нельзя. Модель предназначена для генерации текста, ответов на вопросы и решения математических задач. В тестировании автор использовал шаблоны запросов Stable Beluga и Llama Chat и сообщает о лучших результатах с форматом Llama v2. Контекст модели — 2048 токенов; репозиторий содержит веса PyTorch. Автор предупреждает, что модель не предназначена для коммерческого использования из-за лицензий базовых моделей и происхождения части обучающих данных. Подробные результаты бенчмарков в карточке не приведены.

NegMPNet — модель эмбеддингов предложений на базе MPNet, разработанная TUM NLP. Это версия all-mpnet-base-v2, дообученная с повышенной чувствительностью к отрицаниям. Модель преобразует предложения и абзацы в плотные векторы размерности 768 и подходит для семантического поиска, кластеризации и сравнения текстов с учётом отрицаний. Модель принимает текст и выдаёт векторные представления. Она содержит 136,7 млн параметров, имеет контекст до 514 токенов и предназначена прежде всего для англоязычных текстов. По карточке, обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель распространяется по лицензии CC BY-SA 4.0.

Nemotron-3-Nano-Omni-30B-A3B-JANG_4M — это мультимодальная версия модели NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16, подготовленная Jinho Jang для Apple MLX. Модель сочетает Mamba-2, attention и MoE; в README указаны 31 млрд параметров всего и около 3 млрд активных, тогда как метаданные каталога сообщают 1,9 млрд параметров. Контекст — 262 144 токена. Модель принимает текст, изображения и видео; базовая модель также поддерживает аудио, хотя README не подтверждает работу аудио в этом варианте. Сценарии применения включают диалог и рассуждения, анализ изображений и видео, а также запуск на Apple Silicon через MLX. Квантование JANG_4M использует смешанную точность 4 и 8 бит с группами размера 64; компоненты обработки изображений оставлены в FP16. README заявляет калибровку квантования по активациям и скорость около 126 токенов в секунду на M5 Max. Модель ориентирована на аппаратное обеспечение Apple и экосистему MLX. Для базовой модели в README указана лицензия NVIDIA Open Model License; метаданные этой версии обозначают лицензию как other, поэтому условия использования следует проверять в файлах репозитория и лицензии базовой модели. README описывает эту версию как квантованный порт, хотя метаданные связывают её с базовой моделью как finetune. Квантизация может влиять на качество; в README отмечена чувствительность экспертных слоёв к малой разрядности. Язык карточки — английский.

NeuralMonarchCoderPearlBeagle — объединённая авторская модель на базе Mistral, созданная с помощью LazyMergekit методом TIES из abideen/MonarchCoder-7B и eldogbbhed/NeuralPearlBeagle. По описанию автора, эксперимент проверяет, можно ли усилить навыки программирования и математики модели NeuralBeagle14-7B, сохранив её способности к диалогу. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации кода и текста, диалогов, математических задач и рассуждений. Автор характеризует слияние как экспериментальное и несколько хаотичное, поэтому качество на конкретных задачах может быть нестабильным. Репозиторий распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая не разрешает коммерческое использование.

M4-ai NeuralReyna-Mini-1.8B-v0.3 — разговорная языковая модель на архитектуре Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Автор дообучил aloobun/Reyna-Mini-1.8B-v0.2 методом DPO на датасете argilla/OpenHermes2.5-dpo-binarized-alpha; в карточке также указан датасет Locutusque/Hercules-v3.0. Модель обучена на формате диалогов ChatML. Она предназначена для генерации ответов в диалоге и заявлена как способная помогать с программированием, математикой, естественными науками, ролевыми сценариями и вызовом функций. В README приведены результаты нескольких тестов, но полная оценка и подробные результаты не представлены. Модель принимает текст и генерирует текст. Распространяется по лицензии Apache-2.0. Практическое качество заявленных возможностей по карточке нельзя оценить полностью: автор сообщает, что подробная оценка ещё не опубликована.

annazdr/new-nace-pl-up-3 — модель на базе BERT, опубликованная в формате sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 для вычисления семантического сходства, кластеризации и семантического поиска. Модель содержит 124,3 млн параметров, принимает текстовые входы, а максимальная длина контекста составляет 512 токенов. При обучении использовалась функция BatchAllTripletLoss. Модель подходит для построения эмбеддингов и сравнения текстов; сведений о поддерживаемых языках, лицензии и оценках качества в предоставленных данных нет.

nomic-embed-text-v2-moe-unsupervised — мультиязычная модель эмбеддингов текста с архитектурой NomicBert и механизмом mixture of experts (MoE), разработанная Nomic AI. Это чекпойнт после контрастивного предварительного обучения, входящий в многоэтапный процесс обучения финальной модели; для извлечения эмбеддингов авторы рекомендуют итоговую модель nomic-embed-text-v2-moe. Модель предназначена для получения векторных представлений текста и вычисления сходства между предложениями. Она основана на nomic-xlm-2048, использует библиотеку Sentence Transformers и принимает текст с контекстом до 2048 токенов. Метаданные указывают на мультиязычность; конкретный перечень языков в доступных сведениях не раскрыт. Доступные файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

NV-Embed-v2 — модель эмбеддингов общего назначения, разработанная NVIDIA на основе Mistral-7B-v0.1. Она преобразует текстовые запросы и документы в векторы размерностью 4096 для поиска, сравнения смысловой близости и других задач работы с текстовыми представлениями. Модель использует decoder-only архитектуру и pooling на основе latent attention. По данным авторов, она заняла первое место в MTEB на момент публикации карточки, включая подкатегорию поиска; разработчики также описывают двухэтапную настройку по инструкциям и подбор сложных негативных примеров. Для бенчмарков и сходных задач важно применять рекомендованные авторами инструкции-префиксы. NV-Embed-v2 предназначена для текстовых сценариев, включая семантический поиск и подбор контекста для RAG. Карточка указывает лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование без отдельного разрешения.

NVIDIA Nemotron 3.5 Lightning 30B-A3B GGUF — это набор общественных GGUF-квантизаций базовой модели NVIDIA Nemotron 3.5 Lightning 30B-A3B-BF16, опубликованный пользователем vcruz305. Модель предназначена для генерации текста и локального запуска через совместимые движки, включая llama.cpp. Она использует MoE-архитектуру с заявленным размером 30B-A3B и стандартной 52-слойной инференс-моделью. При преобразовании в GGUF дополнительная MTP prediction head была удалена; опубликованные файлы прошли проверку загрузки и генерации. Доступны варианты от смешанных низкобитных квантизаций 2.47 BPW и 2.97 BPW до MXFP4_MOE, IQ4_NL, Q4_0, Q5_0 и Q8_0. Размер файлов составляет примерно от 9,76 до 33,59 ГБ, поэтому требования к видеопамяти зависят от выбранной квантизации, длины контекста, KV-кэша и настроек запуска. Для систем с 24 ГБ VRAM подходят MXFP4_MOE, IQ4_NL и Q4_0, а Q8_0 рассчитан преимущественно на видеокарты с 40–48 ГБ памяти и более. Языки, максимальная длина контекста и мультимодальные возможности в README не указаны. Сильные стороны набора — широкий выбор компромиссов между качеством, размером и скоростью, поддержка локального инференса и успешные тесты на видеокартах с разным объёмом памяти. Для агентных сценариев автор рекомендует MXFP4_MOE: в описанных детерминированных тестах она показала лучший результат. Ограничения включают зависимость производительности от оборудования и версии llama.cpp, необходимость частичной выгрузки на GPU для некоторых конфигураций, а также отсутствие формального сравнительного теста качества. Модель распространяется по лицензии openmdw-1.1; это сторонние квантизации базовой модели, а не оригинальный релиз NVIDIA.

OpenCodeReasoning-Nemotron-32B-GGUF — это GGUF-квантизированная версия текстовой генеративной модели OpenCodeReasoning-Nemotron-32B, разработанной NVIDIA и подготовленной квантизатором bartowski. Модель ориентирована на задачи генерации и анализа кода, а также на другие сценарии текстовой генерации на английском языке. В README указана принадлежность к семейству моделей NVIDIA OpenCodeReasoning и датасету nvidia/OpenCodeReasoning. Модель содержит 32 миллиарда параметров и распространяется в форматах GGUF, совместимых с llama.cpp и проектами на его основе, включая LM Studio. Доступны варианты от BF16 и Q8_0 до более компактных Q3 и IQ-квантизаций. Версии Q6_K_L, Q6_K, Q5 и Q4 отмечены как обеспечивающие высокое или хорошее качество при меньшем размере, тогда как варианты Q3 экономят оперативную память ценой снижения качества. Размер файлов зависит от варианта и составляет примерно от 15,94 до 65,54 ГБ. К сильным сторонам относятся специализированная направленность на код, широкий выбор степеней квантизации и возможность локального запуска через llama.cpp или LM Studio. Ограничения включают значительные требования к памяти даже для компактных вариантов, снижение качества при сильной квантизации и отсутствие в представленном README сведений о размере контекста, архитектурных деталях, поддержке мультимодальности и производительности. Модель распространяется по лицензии Apache-2.0.

CaoHaiNam/obito-v1 — модель эмбеддингов предложений на базе RoBERTa, опубликованная пользователем CaoHaiNam. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, кластеризации и сравнения текстов. Модель обучалась с MultipleNegativesRankingLoss и косинусной функцией сходства; доступна в формате safetensors и рассчитана на контекст до 258 токенов. Модель подходит для поиска похожих фрагментов и группировки текстов по смыслу. README не сообщает поддерживаемые естественные языки, поэтому языковую специализацию определить нельзя. Указана библиотека sentence-transformers. Лицензия в предоставленных данных не указана.

latterworks/ollama-embeddings — дообученная на базе sentence-transformers/all-MiniLM-L6-v2 модель Sentence Transformer для преобразования предложений и абзацев в плотные семантические векторы. Она использует архитектуру BERT с усреднением токенных представлений и нормализацией выходного вектора; размер модели — 25,9 млн параметров, размерность эмбеддинга — 384. README указывает максимум 256 токенов на последовательность, а метаданные — нативный контекст 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации. Для сравнения векторов рекомендована косинусная близость. В README указано дообучение с TripletLoss на наборе из пяти обучающих примеров, поэтому надёжность обобщения на широкие тематики может быть ограничена. Поддержка заявлена для английского базового энкодера; лицензия в предоставленных данных не указана.

shadowlilac/omniembed-merged — Sentence Transformer на архитектуре Gemma 4, предназначенный для получения плотных 1536-мерных векторных представлений текста. Модель сравнивает предложения и абзацы по косинусному сходству и подходит для семантического поиска, оценки текстового сходства, поиска перефразирований, классификации и кластеризации. Для работы используется библиотека sentence-transformers; веса доступны в формате safetensors. README также заявляет поддержку изображений, аудио, видео и сообщений, однако описание модели и метаданные подтверждают только текстовые эмбеддинги. Модель опубликована shadowlilac; сведений о лицензии и базовой модели в доступных данных нет.

swardiantara/one-cdk0-m0.5-e5-b128-L6 — модель Sentence-Transformers на базе BERT, разработанная пользователем swardiantara. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, кластеризации и сравнения сходства текстов. Модель содержит 25,9 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате Safetensors. При обучении использовалась ContrastiveLoss с косинусной метрикой расстояния. Модель подходит для построения эмбеддингов и поиска семантически близких фрагментов; README не приводит результаты оценки качества. Лицензия в предоставленных данных не указана.

swardiantara/one-cdk10-m0.5-e5-b16-v1 — модель Sentence-Transformers на базе RoBERTa, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости, семантического поиска и кластеризации текстов. Модель обучалась с ContrastiveLoss, использующей косинусное расстояние и margin 0,5; размер составляет 95,2 млн параметров, максимальная длина контекста — 514 токенов. Модель подходит для построения эмбеддингов текстов и поиска похожих фрагментов. Метаданные указывают поддержку извлечения признаков и сравнения предложений. Для использования предусмотрена библиотека Sentence-Transformers; веса доступны в формате safetensors. Языки обучения или приоритетные языки в предоставленных данных не описаны. Лицензия в предоставленных данных отсутствует.

swardiantara/one-crk10-m0.5-e5-b128-L6 — модель Sentence Transformers на основе архитектуры BERT, преобразующая предложения и абзацы в плотные векторы размерности 384. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации. Модель содержит 25,9 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors. При обучении использовалась ContrastiveLoss с косинусной метрикой расстояния. Это делает модель подходящей для построения текстовых эмбеддингов и поиска близких по смыслу фрагментов. В предоставленных материалах не названы поддерживаемые естественные языки и лицензия, поэтому их нельзя определить по этим данным.

OpenThaiLLM-Prebuilt-7B — базовая языковая модель, разработанная командой OpenThaiLLM и продолжающая предобучение Qwen2.5-7B. Это плотная авторегрессионная модель с 7,1 млрд параметров для генерации текста; заявленная длина контекста составляет 131 072 токена. В карточке указаны тайский, китайский и английский языки. Модель предназначена для прикладной адаптации и сценариев генерации, включая RAG, генерацию с ограничениями и задачи рассуждения. README приводит сравнительные результаты на тайских экзаменационных и языковых тестах. Авторы не рекомендуют использовать базовую версию для диалогов без дополнительного постобучения; для адаптации упоминается LoRA. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии Apache-2.0.

Ornith-1.5-397B-FP8 — крупная языковая модель от команды ornith-ai, флагман семейства Ornith-1.5. Это 397-миллиардная mixture-of-experts-модель для генерации текста, прежде всего для программирования, работы с терминалом и решения задач разработки программного обеспечения. Модель развивает Ornith-1.0, созданную на основе Qwen3.5 и Gemma4 с дополнительным дообучением, промежуточным обучением и постобучением. Ключевая особенность Ornith-1.5 — цикл самоулучшения: модель совместно оптимизирует генерацию учебных задач, построение scaffolds и rollouts решений с применением reinforcement learning. Такой подход предназначен для автоматического обнаружения эффективных стратегий решения задач и повышения качества без опоры только на фиксированный набор вручную подготовленных заданий и harness-ов. В README указана версия FP8; сведения о контекстном окне, поддерживаемых языках, мультимодальности и точной внутренней архитектуре, кроме MoE, не приведены. Сильной стороной модели являются результаты в задачах программирования: 86,1 на Terminal-Bench 2.1 (Terminus-2), 85,2 на Terminal-Bench 2.1 (Claude Code) и 86 на SWE-bench Verified. Ограничениями можно считать очень крупный размер и связанные с ним требования к вычислительным ресурсам, а также отсутствие в предоставленной карточке подробностей о производительности в других сценариях, системных требованиях и ограничениях применения. Модель распространяется по лицензии MIT.

Ornith-9B Custom — Damien FLETY (damfle) выполнил дообучение модели Ornith-1.0-9B. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; метаданные указывают 7,5 млрд параметров. Модель поддерживает диалог и работу с изображениями, а её основное назначение по карточке — интеграция в RAG-сценарии и эффективный инференс. Модель можно применять для вопросов по документам с контекстом из поиска и для диалога с визуальными входными данными. В README упомянуты планы оптимизации для 4-битной квантизации и FP8, однако они обозначены как будущие; среди форматов репозитория указаны safetensors. Метаданные задают языки карточки как французский и английский. Лицензия указана как ISC, хотя README говорит, что модель наследует лицензию базовой модели и предлагает свериться с её условиями.

seongwoon/paper_embedding — модель Sentence-Transformers на основе BERT, разработанная автором репозитория seongwoon. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 137,1 млн параметров и принимает текстовые последовательности длиной до 512 токенов; для получения эмбеддингов через Transformers поверх выходов модели требуется применить подходящий pooling. Модель подходит для построения поиска по смыслу и группировки текстов по семантической близости. В карточке нет сведений о целевых языках, обучающих данных или лицензии, поэтому их нельзя надёжно определить.