II.1Анализ требований и архитектура ПО

Это квантизированная версия языковой модели Phi-3-mini-4K-instruct-cpo-simpo в формате GGUF. Исходную модель разработал Syed-Hasan-8503, а файлы GGUF подготовил MaziyarPanahi. Модель предназначена для генерации текста и работы с инструкциями, включая локальные чат-сценарии и другие задачи text generation. Модель использует контекст размером 4K токенов; её точный размер, архитектура, поддерживаемые языки и модальности в README не указаны. Доступны варианты квантизации от 2 до 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к ресурсам и качеством. Формат GGUF поддерживается llama.cpp и рядом совместимых приложений и библиотек, включая llama-cpp-python, LM Studio и text-generation-webui, что упрощает локальный запуск с возможным GPU-ускорением. README не содержит сведений о лицензии, результатах тестирования, сильных сторонах и ограничениях исходной модели. Поэтому качество, область языковой применимости и практические требования к оборудованию следует оценивать отдельно.

phixtral-2x2_8 — языковая модель с архитектурой Mixture of Experts, созданная Mlabonne из двух моделей Microsoft Phi-2. Она объединяет cognitivecomputations/dolphin-2_6-phi-2 и lxuechen/phi-2-dpo с помощью модифицированной версии mergekit и вдохновлена архитектурой Mixtral-8x7B. Автор сообщает, что модель превосходит каждого из отдельных экспертов; в README также приведены результаты оценки на наборе Nous suite. Модель предназначена для генерации текста в диалогах и задач с кодом. Она принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 2048 токенов. Репозиторий содержит веса в формате safetensors; указана лицензия MIT. Для модели предлагается запуск в 4-битной точности на GPU T4.

Pleias-3b-Preview — базовая языковая модель на 3,2 млрд параметров, разработанная Pleias и обученная с нуля на Common Corpus. Это плотный трансформер с архитектурой, близкой к Llama и GPT-NeoX, предназначенный для генерации продолжения текста. Модель обучена на открытых данных из общественного достояния или под разрешительными лицензиями; для обучения использовались Nanotron и вычислительные ресурсы Jean Zay при поддержке Etalab. Модель подходит для генерации и творческого письма на основных европейских языках, а также как основа для дообучения на задачах работы с документами, включая RAG, перевод и исправление ошибок OCR. В README заявлена поддержка английского, французского, испанского, немецкого, итальянского, нидерландского, польского, латинского и португальского; контекст составляет 4096 токенов. Новый токенизатор рассчитан на улучшенную обработку документов и многоязычие. Это ранний предварительный релиз базовой модели, которая умеет продолжать текстовые промпты и не прошла дополнительное выравнивание безопасности. Несмотря на заявленную низкую токсичность, возможны предвзятые, вредоносные или недостоверные ответы, в том числе из-за исторических текстов в данных. Лицензия — Apache-2.0; авторы заявляют, что модель не предназначена для воспроизведения защищённого авторским правом контента.

Карточка модели OrcaDB/qwen2-1.5b на Hugging Face совпадает с карточкой Alibaba-NLP/gte-Qwen2-1.5B-instruct, поэтому описание составлено по ней. gte-Qwen2-1.5B-instruct — модель текстовых эмбеддингов из семейства GTE, разработанная Alibaba NLP на базе Qwen2-1.5B. Она преобразует тексты в векторы размерности 1536 и предназначена для поиска по смыслу, сравнения предложений, ранжирования и других задач, использующих текстовые представления. Модель поддерживает инструкции для запросов и обучалась на многоязычных данных из разных областей; в карточке указано контекстное окно 131 072 токена, тогда как README описывает максимальную длину входа 32 000 токенов. В основе — архитектура Qwen2 с причинной языковой моделью, дополненной двунаправленным механизмом внимания для контекстного представления текста. В README заявлены сценарии для широкого круга языков и задач, но конкретный список языков не приведён. Модель распространяется под лицензией Apache-2.0. Для запуска README указывает зависимости transformers версии 4.39.2 или новее и flash_attn версии 2.5.6 или новее.

nm-testing/Qwen2-1.5B-Instruct-FP8W8 — квантованная версия инструкционно дообученной языковой модели Qwen2-1.5B-Instruct. Исходную модель разработала команда Qwen; репозиторий данной версии размещён пользователем nm-testing. Модель предназначена для генерации текста, диалогов и выполнения инструкций, а также может применяться в локальных сервисах инференса через Transformers, vLLM или SGLang. Это decoder-only Transformer примерно на 1,5 млрд параметров с архитектурными особенностями Qwen2, включая SwiGLU и Group Query Attention. В репозитории указаны форматы BF16 и F8_E4M3, соответствующие FP8-квантизации весов и активаций. Модель работает только с текстом; поддерживаются чатовый шаблон и text generation. Для исходной модели заявлена длина контекста до 131 072 токенов, а токенизатор адаптирован к нескольким естественным языкам и языкам программирования, однако точный набор языков и фактические характеристики контекста именно квантованной версии в её репозитории не описаны. К сильным сторонам относятся небольшой размер, сниженные требования к памяти благодаря FP8-квантизации и пригодность для диалоговых и общих задач генерации текста. Ограничения — существенно меньшая ёмкость по сравнению с крупными моделями, отсутствие мультимодальности и отсутствие отдельной карточки модели с результатами оценки, подробным описанием ограничений и подтверждёнными характеристиками именно этой сборки. Лицензия в репозитории nm-testing не указана; у исходной Qwen2-1.5B-Instruct указана Apache License 2.0, но применимость этой лицензии к данной производной сборке следует проверить отдельно.

Это компактная инструктивная языковая модель Qwen2.5-0.5B-Instruct, опубликованная Unsloth как дообученная версия Qwen/Qwen2.5-0.5B-Instruct. Она построена на архитектуре Qwen2 с причинной генерацией текста и рассчитана на диалоги, выполнение инструкций и другие задачи генерации текста. В метаданных указаны 494 млн параметров, контекст до 32 768 токенов, формат safetensors и библиотека Transformers. Модель подходит для чат-ботов, ответов на запросы и генерации структурированного текста. В карточке базовой модели заявлена поддержка более 29 языков, включая русский и английский; сама карточка репозитория отмечает английский. Модель компактна, но уступает более крупным моделям по возможностям и надёжности, а результаты зависят от запроса и сценария применения. Лицензия — Apache-2.0.

Mungert/Qwen2.5-1.5B-Instruct-GGUF — набор GGUF-версий инструкционной языковой модели Qwen2.5-1.5B-Instruct, основанной на Qwen/Qwen2.5-1.5B. В README разработчик конкретной сборки не указан. Модель предназначена для генерации текста, чат-взаимодействия и локального инференса на устройствах с ограниченными ресурсами. Доступны варианты с точностью BF16 и F16, а также квантованные версии Q4_K, Q6_K, Q8_0 и IQ3. Квантование уменьшает размер модели и требования к памяти, но может снижать точность. Формат GGUF ориентирован на запуск через совместимые инструменты, включая сценарии инференса на CPU, GPU и устройствах с небольшим объёмом VRAM. README не указывает размер контекстного окна, точную архитектуру и число параметров сверх обозначения 1.5B. Модель поддерживает китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. Её сильные стороны — компактность, широкий выбор компромиссов между качеством и потреблением памяти и пригодность для локального использования. Ограничения связаны с небольшим размером и возможным ухудшением качества в низкобитных квантованных вариантах; мультимодальные возможности не заявлены. Лицензия — Apache-2.0.

duyntnet/Qwen2.5-Coder-1.5B-Instruct-imatrix-GGUF — набор GGUF-квантизаций инструкционно дообученной модели Qwen2.5-Coder-1.5B-Instruct, разработанной командой Qwen компании Alibaba Cloud. Модель относится к причинным языковым моделям и предназначена прежде всего для генерации, анализа, исправления и объяснения программного кода, а также для задач рассуждения и диалога в прикладных сценариях, включая локальные инструменты и кодовых агентов. Модель имеет архитектуру Transformer с RoPE, SwiGLU, RMSNorm, смещениями в механизмах внимания QKV и связанными эмбеддингами слов. Она содержит около 1,54 млрд параметров, 28 слоёв и использует GQA с 12 головами для Q и 2 головами для KV. Полная длина контекста составляет 32 768 токенов. В карточке указаны английский язык и текстовая модальность; модель поддерживается клиентами и интерфейсами llama.cpp, KoboldCPP, Ollama, text-generation-webui, GPT4All и Jan. К сильным сторонам относятся компактный размер, специализация на программном коде и поддержка GGUF-квантизаций, что делает модель подходящей для локального запуска на ограниченных ресурсах. К ограничениям относятся меньший масштаб по сравнению с более крупными моделями семейства и отсутствие в карточке подробных результатов оценки качества для конкретных квантизаций. Лицензия обозначена как other, без дополнительных условий в представленном README.

Qwen2.5-Coder-7B-Instruct-Q4_K_M-GGUF — это квантизированная версия Qwen2.5-Coder-7B-Instruct, преобразованная в формат GGUF пользователем или организацией matrixportal с помощью llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для генерации текста и прежде всего для задач, связанных с программированием, включая работу с кодом и чат-сценарии. В README указано, что базовая модель разработана Qwen, однако подробные сведения о её обучении и возможностях вынесены в исходную карточку модели. Модель содержит 7B параметров и использует квантизацию Q4_K_M, что уменьшает требования к памяти по сравнению с полноразмерной версией. Она распространяется в формате GGUF и рассчитана на запуск через llama.cpp, включая локальный CLI и серверный режим. В карточке указано, что заявленный язык — английский; поддержка других языков, архитектура, точный размер контекста и перечень модальностей не уточняются. Пример запуска использует контекст длиной 2048 токенов, но это не подтверждает максимальный размер контекста модели. Сильными сторонами являются специализация на коде, возможность локального запуска и совместимость с llama.cpp. Ограничения связаны с квантизацией, которая может снижать точность по сравнению с исходной моделью, а также с отсутствием в карточке подробных оценок качества и характеристик производительности. Модель распространяется по лицензии Apache-2.0.

thirdeyeai/Qwen2.5-Coder-7B-Instruct-Uncensored — разговорная модель для генерации текста, разработанная thirdeyeai. По названию она относится к семейству Qwen2.5-Coder и предназначена для инструкционного диалога, в том числе с запросами по программированию; карточка описывает её как uncensored. Архитектура — плотная причинная языковая модель Qwen2 с классом Qwen2ForCausalLM, объёмом 7,1 млрд параметров и контекстом до 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате safetensors; модель также доступна через Ollama. README не сообщает лицензию и не описывает конкретные оценки качества или ограничения. Разработчик снимает с себя ответственность за действия пользователей модели.

yeeun2/Qwen3-0.6B-JSON-SFT — компактная языковая модель семейства Qwen3, дообученная методом supervised fine-tuning для генерации ответов в формате JSON. В README разработчик, базовая модель, языки и лицензия не уточнены. Модель предназначена для текстовой генерации и сценариев, где требуется преобразовывать запросы в структурированные JSON-ответы: извлекать поля из текста, классифицировать данные по заданной схеме и формировать машинно обрабатываемые результаты. Она совместима с библиотекой Transformers и распространяется в формате Safetensors. Объём модели составляет 507,9 млн параметров, а native context достигает 40 960 токенов. К сильным сторонам относятся небольшой размер и специализация на структурированном выводе; пригодность для конкретных схем, качество JSON и устойчивость к сложным запросам требуют самостоятельной проверки. В карточке отсутствуют результаты оценки, сведения о тренировочных данных, подробные ограничения и условия лицензирования, поэтому перед использованием в продуктивных и критически важных системах модель следует протестировать.

hb-dev/Qwen3-1.7B-ONNX — это версия модели Qwen3-1.7B с весами в формате ONNX, подготовленная для совместимости с библиотекой Transformers.js. Репозиторий содержит производные веса базовой модели Qwen/Qwen3-1.7B; разработчик базовой модели — Qwen, а сборку ONNX-версии опубликовал пользователь или организация hb-dev. Модель предназначена для запуска Qwen3-1.7B в средах, поддерживающих Transformers.js, включая веб-приложения и потенциальные сценарии WebML. Известно, что она относится к языковым моделям и имеет размер 1,7 млрд параметров; дополнительные сведения об архитектуре, модальностях, поддерживаемых языках и размере контекста в предоставленном README не указаны. ONNX-формат повышает совместимость с веб-инструментами, однако конкретные требования к ресурсам и показатели производительности не приведены. README не содержит сведений о лицензии этой версии модели. Условия использования следует уточнять по лицензии базовой модели Qwen/Qwen3-1.7B и правилам данного репозитория.

Это частный чекпойнт Exolabs, полученный преобразованием весов Qwen3.5-9B Q4_K_M из GGUF в формат Hugging Face/vLLM BF16. Исходные веса были деквантизированы в FP32, приведены к раскладке тензоров, используемой Hugging Face и vLLM, затем преобразованы в BF16; конфигурация, токенизатор и шаблон чата взяты из Qwen/Qwen3.5-9B. Метаданные описывают модель как плотную мультимодальную архитектуру Qwen3.5 с поддержкой обработки изображений и текста, диалога и интерфейса вызова инструментов. Модель предназначена для диалоговых и мультимодальных сценариев, включая ответы на вопросы по изображениям. В README приведена проверка запуска на vLLM 0.23.0 с ограничением контекста 4096 токенов и режимом только языковой модели; показаны базовые проверки генерации текста. Исходная модель содержит 9 млрд параметров. Указанная лицензия — Apache-2.0. Весовая точность BF16 получена из квантованного источника Q4_K_M, поэтому восстановление в BF16 не возвращает точность исходных неквантованных весов. README приводит только простые проверки генерации, без количественной оценки качества; запуск проверен с указанными настройками vLLM.

Qwen3.6-27B-Abliterated-Heretic-Uncensored-GGUF — это GGUF-версия модели Qwen3.6-27B, разработанной командой Qwen, с удалённым на уровне весов поведением отказа от ответов. Релиз подготовлен с использованием Heretic-style MPOA pipeline с сохранением магнитуд весов и конвертирован в формат GGUF для запуска в совместимых средах, включая llama.cpp и LM Studio. Модель предназначена для генерации текста, а при подключении соответствующего vision projector также поддерживает работу с изображениями и видео. Модель представляет собой плотную vision-language архитектуру объёмом 27,8 млрд параметров с 64 слоями, hidden size 5120 и гибридным механизмом внимания: три слоя linear attention и один слой full attention в каждой группе из четырёх слоёв. Текстовые GGUF-файлы поставляются в вариантах от Q2_K до Q8_0, включая BF16; для мультимодального режима используются совместимые проекторы mmproj в форматах F16 или BF16. Заявленный контекст запуска в примере составляет 32768 токенов, однако README не указывает гарантированный максимальный размер контекста и список поддерживаемых языков. К сильным сторонам относятся низкое заявленное отклонение от базовой модели по KL divergence (0,0251), широкий выбор уровней квантования и возможность локального мультимодального развертывания. По приведённым проверкам, частота отказов существенно ниже, чем у исходной модели: 1 из 25 и 3 из 100 запросов против 20 из 25 и 92 из 100 соответственно. При этом удаление защитного поведения означает повышенные риски небезопасных или нежелательных ответов, а качество и ресурсоёмкость зависят от выбранного варианта квантования. Релиз распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Elsephire/Qwen3.6-35B-A3B-Ornith-80-20-Beta — бета-модель, созданная Elsephire слиянием Qwen3.6-35B-A3B и Ornith-1.0-35B в соотношении 80/20 методом Task Arithmetic. Она предназначена для диалогов и задач с изображениями; метаданные также отмечают интерфейс вызова инструментов. Архитектура — Qwen3.5 MoE, модель загружается через Transformers, веса представлены в safetensors. Базовая модель Qwen описана в каталоге как мультимодальная модель на 35 млрд параметров; размер активной части и длина контекста для этой модели не подтверждены. Модель принимает текст и изображения и генерирует текст. Разработчик обозначает выпуск как бета-версию и приглашает тестировать её и сообщать об ошибках, поэтому качество и стабильность могут быть непредсказуемыми. Лицензия — MIT.

Qwen3.8-27B-ABLITERATED-UNCENSORED-PHILADELPHIA-CLASS-MLX-mixed-6bit — это квантизированная версия модели KridgeDookie/Qwen3.8-27B-ABLITERATED-UNCENSORED-PHILADELPHIA-CLASS, преобразованная в формат MLX с использованием mlx-vlm 0.6.13. Модель предназначена для запуска в экосистеме MLX и заявлена как решение для задач image-text-to-text, то есть обработки текстовых и визуально-текстовых запросов. README не указывает точную архитектуру, размер контекстного окна и дополнительные сведения о мультимодальных компонентах. Модель использует смешанную аффинную квантизацию: большинство тензоров представлены в 4-, 6- или 8-битном формате с размером группы 32; итоговая точность составляет 6,096 бит на вес. По заявлению README, конфигурация reasoning_effort по умолчанию установлена в low, чтобы снизить избыточное рассуждение. Поддерживаются английский, китайский, русский, испанский, французский, итальянский, японский, корейский и ряд других языков, перечисленных в карточке модели. К сильным сторонам относятся уменьшенный объём хранения и потенциально более низкие требования к памяти по сравнению с полноразмерной моделью, а также многоязычность и поддержка режимов reasoning и instruct. К ограничениям относятся возможные потери качества из-за квантизации, отсутствие в README подробных бенчмарков и точных требований к оборудованию, а также предупреждение, что увеличение presence_penalty может привести к смешению языков и небольшому снижению производительности. Для thinking mode рекомендованы temperature 1.0, top_p 0.95 и top_k 20, а для instruct-режима — temperature 0.7, top_p 0.80, top_k 20 и presence_penalty 1.5. Модель распространяется по лицензии Apache-2.0. Указанная лицензия относится к исходной модели Qwen3.8-27B; для практического использования следует также учитывать условия базовой модели и происхождение производной версии.

giocom/Qwen3.8-27B-MXFP4-GGUF — это вариант модели Qwen3.8-27B, опубликованный пользователем giocom и представленный в формате GGUF. В README указаны технологии MTP и MXFP4, а также приблизительная плотность квантования 5,24 BPW. Базовая модель разработана командой Qwen, однако подробные сведения об архитектуре и размере исходной модели в карточке не приведены. Модель предназначена для задач, поддерживаемых базовой Qwen3.8-27B, с возможностью использования в совместимом с GGUF программном обеспечении. В метаданных указан тип pipeline image-text-to-text, что предполагает работу с изображениями и текстом, но конкретные поддерживаемые модальности, языки, размер контекста и сценарии применения не описаны. Ключевым преимуществом является компактное MXFP4-представление, потенциально снижающее требования к памяти по сравнению с полноразмерными весами. Ограничения связаны с отсутствием подробных результатов тестирования, характеристик производительности и описания качества квантования. README содержит ссылку на лицензию базовой модели Qwen3.8-27B, но точные условия лицензии в карточке не указаны.

mradermacher/Qwen-3.8-27B-Uncensored-i1-GGUF — набор квантованных версий модели Qwen-3.8-27B-Uncensored, разработанной junafinity и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для генерации и обработки текста, а также поддерживает сценарии image-text-to-text, то есть работу с изображениями и текстом. В README указан английский язык, библиотека Transformers и мультимодальная архитектура с поддержкой зрения. Модель содержит 27 млрд параметров; доступны варианты квантования i1 от Q2_K до Q6_K, включая IQ-квантизации, с размером файлов примерно от 11 до 22,5 ГБ. README отмечает, что IQ-варианты часто предпочтительнее обычных квантизаций сопоставимого размера, а i1-Q4_K_M рекомендуется как быстрый вариант. Конкретный размер контекста и архитектурные особенности не указаны. К сильным сторонам относятся широкий выбор квантов, возможность локального запуска в GGUF-совместимых инструментах и поддержка изображений. Ограничения включают возможное снижение качества при низких уровнях квантования, значительные требования к памяти и отсутствие подробных результатов оценки. Модель распространяется по лицензии Apache-2.0; для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория.

Qwen3-Coder-30B-A3B-Instruct-FP8-Q4_K_M-GGUF — это квантизированная версия модели Qwen3-Coder-30B-A3B-Instruct-FP8, преобразованная в формат GGUF. Модель разработана командой Qwen, а данный вариант опубликован пользователем ijohn07 и создан с помощью llama.cpp через сервис GGUF-my-repo от ggml.ai. Она предназначена для генерации текста и может использоваться в локальных приложениях на базе llama.cpp, включая командную строку и серверный режим. Из доступных данных известно, что исходная модель имеет обозначение 30B-A3B и ориентирована на задачи, связанные с кодом, однако подробности об архитектуре, поддерживаемых языках, модальностях и размере контекста в представленном README не указаны. Суффикс Q4_K_M указывает на вариант квантизации GGUF, рассчитанный на более компактное локальное выполнение, но README не содержит конкретных требований к памяти или производительности. В качестве ограничения следует учитывать отсутствие подробной информации о возможностях и качестве исходной модели. Модель распространяется по лицензии Apache-2.0. Для запуска рекомендуется использовать llama.cpp; в README приведены примеры работы через llama-cli и llama-server, включая настройку контекста размером 2048 токенов.

Intel/Qwen3-Coder-Next-int4-AutoRound — это квантованная версия языковой модели Qwen/Qwen3-Coder-Next, разработанная с использованием Intel AutoRound. Модель предназначена для генерации текста и решения задач программирования, включая создание исходного кода, например реализацию алгоритмов. Она поддерживает стандартные сценарии работы через Hugging Face Transformers и сервер vLLM. Модель использует симметричную INT4-квантизацию с group_size 128, что снижает требования к памяти по сравнению с полноразмерной версией. Точные сведения о размере модели, поддерживаемых языках, модальностях и длине контекста в предоставленных данных не указаны. Модель может генерировать фактически неверные, предвзятые, оскорбительные или иным образом нежелательные ответы, поэтому перед использованием в приложениях необходимы тестирование безопасности и проверка результатов. Условия лицензирования должны соответствовать лицензии исходной модели Qwen/Qwen3-Coder-Next; конкретная лицензия в README не указана.

ExceedZhang/Qwen3-Embedding-4B-0815-merged — дообученная модель Sentence Transformers, созданная на базе unsloth/Qwen3-Embedding-4B. Она преобразует предложения и абзацы в плотные текстовые векторы размерности 2560, нормализованные для сравнения косинусного сходства. Модель предназначена для семантического поиска, оценки сходства, поиска перефразировок, кластеризации и классификации текста. Модель использует архитектуру Qwen3ForCausalLM с извлечением признаков, пулингом последнего токена и нормализацией. README указывает максимальную длину последовательности 512 токенов; метаданные сообщают о нативном контексте базовой модели до 40960 токенов, однако режим Sentence Transformers описан с ограничением 512 токенов. Обучение проводилось на 73 671 паре anchor-positive из набора данных json с MultipleNegativesRankingLoss. Примеры данных содержат китайский и английский текст, но конкретный перечень поддерживаемых языков не заявлен. Модель выдаёт эмбеддинги, а не готовые текстовые ответы; каталог также отмечает поддержку генерации текста и сходства предложений. Для использования нужны библиотека Sentence Transformers или совместимая система извлечения эмбеддингов. Лицензия в предоставленных данных не указана.

Qwen-7B-QAnything — двуязычная instruction-tuned модель на базе Qwen-7B, подготовленная для QAnything. Карточка описывает запуск через FastChat с бэкендами Transformers и vLLM; метаданные указывают архитектуру QWenLMHeadModel и контекст до 8192 токенов. Модель предназначена для диалоговых сценариев QAnything и может использоваться в системах, которым нужны генерация ответов и извлечение признаков для RAG. В README заявлена поддержка двух языков, но их названия не приведены. Репозиторий содержит веса PyTorch. В метаданных указана лицензия Apache-2.0, тогда как README ссылается на Tongyi Qianwen Research License Agreement; условия следует сверить перед использованием.

AlexWortega/qwen_emb_6k — модель Sentence Transformer, дообученная на базе Qwen/Qwen2.5-0.5B-Instruct. Она преобразует предложения и абзацы в плотные векторы размерности 896, предназначенные для сравнения семантической близости с помощью косинусного сходства. В архитектуре используются Qwen2Model и усредняющий пулинг токенов; число параметров — 494 млн. Модель подходит для семантического поиска, ранжирования релевантных текстов, поиска перефразировок, кластеризации и классификации текста. В README указана максимальная длина последовательности 1024 токена; метаданные сообщают базовый контекст Qwen в 32768 токенов, поэтому для использования этой Sentence Transformer следует ориентироваться на ограничение 1024 токена. В README приведены результаты оценки на наборах NanoBEIR и отдельных задачах поиска, но они не гарантируют качество на других данных. Модель принимает текст и выдаёт векторные представления. Языки обучения или целевого применения явно не обозначены. Лицензия в предоставленных данных не указана.

DevQuasar/Qwen.Qwen3-Coder-30B-A3B-Instruct-GGUF — это квантизированная версия модели Qwen/Qwen3-Coder-30B-A3B-Instruct, подготовленная DevQuasar. Модель предназначена для генерации текста, включая сценарии, связанные с обработкой и созданием программного кода, однако подробные сведения о поддерживаемых языках программирования и конкретных режимах применения в README не приведены. Известно, что модель распространяется в формате GGUF и относится к классу text-generation. Название указывает на базовую модель с конфигурацией 30B-A3B, но README не содержит описания архитектуры, фактического числа активируемых параметров, доступных модальностей, языков, размера контекста или характеристик используемой квантизации. Лицензия и условия использования также не указаны. К преимуществам относятся компактное квантизированное представление и ориентация базовой модели на задачи программирования. Ограничение описания заключается в отсутствии данных о качестве, производительности, совместимости, точных требованиях к оборудованию и влиянии квантизации на результаты.

Qwopus3.5-9B-Coder-GGUF — мультимодальная языковая модель от Jackrong, созданная на базе Qwopus3.5-9B-v3.5 и представленная в формате GGUF для использования с llama.cpp и совместимыми инструментами. Это плотная модель размером 9 млрд параметров, ориентированная на агентное программирование, сложные вызовы инструментов и логическое рассуждение. Модель предназначена для генерации и отладки кода, решения задач на уровне репозитория, работы с терминальными командами, файловыми операциями, браузерами и function calling. Она поддерживает текстовые и визуальные входные данные; для включения зрения требуется отдельный файл mmproj.gguf. Заявлены языки English, Chinese, Spanish, Russian и Japanese, однако размер контекста в README не указан. При дообучении использовались Trace Inversion, агентские трассировки и наборы данных для reasoning и tool use. Сильными сторонами заявлены структурированное рассуждение, работа с кодом и более стабильное использование инструментов при относительно низких требованиях к оборудованию: автор указывает возможность запуска в 8-битном режиме на устройствах с 16 ГБ оперативной памяти. Модель выпущена как экспериментальная версия сообщества; полноценная оценка общих способностей не проводилась, поэтому в непрофильных задачах возможно снижение качества. Указана лицензия Apache-2.0, но автор рекомендует использовать модель главным образом для исследований и экспериментов.

QWQCoder — объединённая языковая модель, созданная автором репозитория с помощью mergekit из Qwen/QwQ-32B-Preview и Qwen/Qwen2.5-Coder-32B-Instruct. Для слияния использован метод SLERP; модель построена на архитектуре Qwen2 с плотной причинной языковой моделью и содержит 16,4 млрд параметров. Модель предназначена для генерации текста в диалоговом формате, в том числе для задач программирования, которые поддерживает компонент Qwen2.5-Coder-Instruct. Она принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Карточка не приводит результатов оценки качества или подробных рекомендаций по применению, поэтому способности и надёжность именно этого слияния в конкретных сценариях не подтверждены. Лицензия в предоставленных данных не указана.

Это модель Sentence-Transformers на базе MPNet, разработанная пользователем Hugging Face shrinivasbjoshi. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости, поиска похожих текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторы; максимальная длина контекста — 514 токенов. В метаданных указана задача sentence-similarity, а карточка описывает использование для семантического поиска и кластеризации. Модель опубликована в формате PyTorch и обучалась с функцией CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

Raw_1_no_3_Test_2_new.model — модель Sentence Transformers на базе XLM-RoBERTa с 305,2 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, поиска и кластеризации текстов. В README описано обучение с CosineSimilarityLoss. Модель принимает текст и выдаёт векторы; заявленная длина контекста — 514 токенов. В метаданных указана библиотека PyTorch. Лицензия не приведена.

ichko/redis-langcache-v1-test — дообученная модель Sentence Transformers на базе redis/langcache-embed-v1 от Redis. Она использует ModernBERT с пуллингом CLS-токена и преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения текстов по косинусному сходству. Максимальная длина последовательности — 8192 токена. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста, а также для других задач, где нужны векторные представления текстов. Лицензия в предоставленных данных не указана.

grocode87/replyability_model — модель на базе BERT, разработанная автором репозитория и опубликованная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для сравнения смысловой близости, семантического поиска и кластеризации. Модель содержит 25,9 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Модель можно применять для поиска похожих фраз и документов, группировки текстов по смыслу и построения систем поиска на эмбеддингах. В карточке указано обучение с OnlineContrastiveLoss. Лицензия в предоставленных данных не указана.