II.1Анализ требований и архитектура ПО

Absolute_Zero_Reasoner-Coder-7b-GGUF — это GGUF-квантизированная версия модели Absolute_Zero_Reasoner-Coder-7b, разработанной andrewzh и подготовленной квантизатором bartowski с использованием llama.cpp версии b5338 и imatrix-калибровки. Модель предназначена для генерации текста и задач, связанных с рассуждениями и программированием, а также для локального запуска через LM Studio, llama.cpp и совместимые проекты. Модель содержит 7 миллиардов параметров; в README не указаны точная архитектура, поддерживаемые языки, модальности и размер контекста. Доступны варианты от BF16 до различных форматов квантования Q8, Q6, Q5, Q4, Q3 и IQ, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Размер файлов варьируется примерно от 3,57 до 15,24 ГБ. Наиболее качественными и рекомендуемыми названы варианты Q6_K_L, Q6_K, Q5 и Q4_K_M; облегчённые варианты подходят для систем с ограниченным объёмом памяти. Сильной стороной модели является возможность эффективного локального использования на широком спектре оборудования, включая CPU и, согласно README, Apple Silicon для некоторых форматов. Ограничения связаны с потерями качества при низком уровне квантования, а также с отсутствием в предоставленных данных подробностей о результатах тестирования, языковой поддержке, контекстном окне и исходной лицензии. Лицензия в README не указана.

AREX-2 — мультимодальная модель на 27 млрд параметров, разработанная Пекинской академией искусственного интеллекта (BAAI) на основе Qwen/Qwen3.8-27B. Это плотная архитектура, совместимая с Qwen3.8; модель принимает текст и изображения и рассчитана на контекст до 262 144 токенов. Она предназначена для длительного итеративного решения задач: предлагает решение, анализирует оценки, логи, ошибки и время выполнения, а затем пересматривает результат. Обучение охватывает задачи машинного обучения и алгоритмического программирования с проверяемой обратной связью, а также данные для глубоких исследований; заявлен перенос навыка самоулучшения на сценарии deep research. Модель применима для программирования, инженерии машинного обучения, многошаговых рассуждений и агентных сценариев с инструментами. Лицензия — Apache 2.0. Карточка предназначает модель для исследований и не приводит количественных результатов оценки в доступном тексте; для работы требуется актуальная версия Transformers с поддержкой Qwen3.8.

BAAI/bge-m3 — многоязычная модель эмбеддингов семейства XLM-RoBERTa, разработанная BAAI и представленная в репозитории Bylaw/BAAI-bge-m3. Она предназначена для поиска по смыслу и извлечения документов, включая многоязычный и межъязыковой поиск, а также поиск по длинным текстам. Модель формирует плотные эмбеддинги, разреженные лексические веса и многовекторные представления ColBERT; эти представления можно использовать отдельно или объединять в гибридном поиске и RAG-конвейерах. Модель имеет 658,7 млн параметров, размерность эмбеддинга 1024 и контекст до 8194 токенов. README заявляет поддержку более 100 языков и указывает, что модель можно применять к коротким предложениям и длинным документам. В карточке также заявлены форматы PyTorch и Safetensors, а лицензия — MIT. BGE-M3 удобна тем, что объединяет несколько подходов к поиску и поддерживает длинный контекст. По README, для задач на одном языке специализированные одноязычные модели могут показывать лучшие результаты; поддержка разреженного поиска также зависит от используемой библиотеки. Для повышения точности авторы рекомендуют сочетать гибридный поиск с отдельной моделью-реранкером.

Mozart_Fine_Tuned-10 — модель эмбеддингов предложений на архитектуре BERT, опубликованная аккаунтом mozart-ai. Она преобразует предложения и абзацы в плотные векторы размерности 384 для поиска по смыслу, сравнения сходства и кластеризации. Модель содержит около 40 млн параметров, принимает текст и поддерживает контекст до 512 токенов. В README описано обучение с MultipleNegativesRankingLoss и косинусным сходством; формат весов — PyTorch. По названию репозитория это тонкая настройка BAAI/bge-small-en-v1.5; модель предназначена прежде всего для английского текста. Лицензия в предоставленных данных не указана.

Модель tomaarsen/bert-base-uncased-gooaq-og — англоязычная модель Sentence Transformers, созданная дообучением google-bert/bert-base-uncased на наборе вопросов и ответов sentence-transformers/gooaq. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их косинусным сходством; максимальная длина входа — 512 токенов. Архитектура состоит из BERT и среднего пулинга токенов. Модель предназначена для семантического поиска и сравнения текстов, включая поиск ответов по вопросам, выявление перефразировок, кластеризацию и классификацию текста с последующим обучением классификатора. В README приведены результаты оценки поиска на gooaq-dev. Модель принимает текст и возвращает векторы; сама по себе она не генерирует ответы. Лицензия — Apache-2.0.

sobamchan/bert-base-uncased-no-mrl — англоязычная модель Sentence Transformers, дообученная автором на google-bert/bert-base-uncased с использованием датасета all-nli. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения смысловой близости с помощью косинусного сходства. Архитектура состоит из BERT и mean pooling; модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска, поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов. В README приведены результаты оценки сходства предложений на STS, однако они не гарантируют такое же качество на других данных. Модель рассчитана на английский язык. Лицензия в предоставленных данных не указана.

Это англоязычная модель Sentence Transformer, созданная sobamchan дообучением google-bert/bert-base-uncased на наборе all-nli. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости с помощью косинусного сходства. Модель построена на архитектуре BERT с усреднением токенных представлений; максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации текстов, классификации на основе эмбеддингов и оценки сходства предложений. В README приведён результат на sts-dev: Spearman correlation 0,8025. Модель принимает текст и выдаёт векторы; карточка указывает английский язык. Лицензия в предоставленных данных не указана.

BERT-G1 — модель на архитектуре BERT, опубликованная пользователем reasonwang. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения сходства и кластеризации текстов. Модель обучена с использованием MultipleNegativesRankingLoss и косинусного сходства; размер составляет 136,7 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для получения эмбеддингов текста и задач поиска или группировки текстов по смыслу. Для работы доступны Sentence-Transformers и Transformers; при использовании Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. В репозитории указаны веса safetensors. Языки обучения и лицензия в предоставленных данных не указаны.

Augmented SBERT STSb — модель на архитектуре BERT, опубликованная James Calam и обученная для получения векторных представлений предложений и абзацев. Она преобразует текст в плотные эмбеддинги размерности 768 и предназначена для сравнения семантической близости, семантического поиска и кластеризации текстов. Модель применима, например, в поиске по коллекции документов и группировке похожих высказываний. Модель содержит 136,7 млн параметров, принимает контекст длиной до 512 токенов и доступна в формате PyTorch. Она была создана как демонстрационная модель для курса по семантическому поиску, в главе о дополнении внутридоменных данных с помощью BERT. Для преобразования выходов Transformers в эмбеддинг при использовании без Sentence-Transformers требуется подходящая операция pooling. Лицензия в предоставленных данных не указана.

m3hrdadfi/bert-zwnj-wnli-mean-tokens — модель эмбеддингов на базе BERT, опубликованная пользователем m3hrdadfi. Она предназначена для получения векторных представлений предложений и оценки их семантического сходства; применять её можно через Sentence-Transformers либо Transformers с подходящей операцией pooling поверх контекстных представлений токенов. В модели около 145,5 млн параметров, максимальная длина контекста — 512 токенов; доступен формат PyTorch. Модель подходит для построения поиска по смыслу, сопоставления похожих предложений и других сценариев, где нужны эмбеддинги текста. Метаданные указывают на BERT и возможности получения эмбеддингов; идентификатор модели и название mean-tokens также указывают на mean pooling. Лицензия в предоставленных данных не указана.

RishuD7/bge-base-en-v1.5-82-keys-phase-7-exp_v1 — англоязычная модель Sentence Transformers, дообученная разработчиком на базе BAAI/bge-base-en-v1.5. Архитектура основана на BERT и включает пулинг по CLS-токену и нормализацию; модель содержит 136,7 млн параметров и создаёт плотные текстовые эмбеддинги размерностью 768. Максимальная длина последовательности — 512 токенов, сходство в README рассчитывается по косинусной мере. Модель предназначена для семантического сравнения предложений и абзацев, поиска по смыслу, поиска перефразировок, кластеризации и классификации текстов. В README приведены обучающая выборка из 8 031 примера с парами anchor/positive и оценки на информационном поиске; значения cosine_accuracy@1, @3 и @5 составляют 0,0063, 0,0235 и 0,0353. Модель рассчитана на английский язык. Распространяется по лицензии Apache-2.0.

Англоязычная модель Sentence Transformer, дообученная автором aritrasen на BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу и сравнения текстов. В архитектуре используются BERT, пулинг по CLS-токену и нормализация; сходство можно оценивать косинусной мерой. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска, подбора похожих предложений, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. В README указано обучение на 9 598 примерах с MultipleNegativesRankingLoss. Модель распространяется под лицензией базовой модели; сведения о лицензии в предоставленных данных отсутствуют.

567-labs/bge-base-en-v1.5-ft-quora-0.9 — модель эмбеддингов предложений и абзацев на базе BERT, представленная в формате Sentence-Transformers. Она кодирует текст в плотные векторы размерностью 768 и предназначена для семантического поиска и кластеризации. Модель обучалась с функцией потерь OnlineContrastiveLoss; в метаданных указано 136,7 млн параметров и контекст до 512 токенов. Модель подходит для поиска вопросов, похожих по смыслу, в частности в корпусах вопросов и ответов, а также для группировки текстов по тематике. Она принимает текст и выдаёт векторы для последующего сравнения, ранжирования или кластеризации. По названию репозитория и описанию обучения это дообученная версия BGE base English v1.5 на данных Quora; отдельная лицензия в предоставленных данных не указана.

Suva/bge-base-finetune-v2 — модель эмбеддингов предложений и абзацев на базе архитектуры BERT, опубликованная в формате Sentence-Transformers. Она преобразует текст в плотные векторы размерностью 768 и подходит для семантического поиска, сравнения смысловой близости и кластеризации. Обучение использовало MultipleNegativesRankingLoss с косинусной мерой сходства; размер модели — 136,7 млн параметров, контекст — до 512 токенов. Модель предназначена для систем поиска по смыслу, группировки текстов и вычисления сходства между фрагментами. README не указывает языки обучения или датасеты, поэтому языковую специализацию определить нельзя. Модель опубликована в форматах PyTorch и Safetensors; сведения о лицензии в доступных данных отсутствуют.

barisaydin/bge-large-en — англоязычная модель плотных текстовых эмбеддингов из семейства BGE (BAAI General Embedding), основанная на архитектуре BERT. Она преобразует тексты в векторы для поиска, сравнения и других задач на основе семантической близости. Модель содержит около 433,9 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в форматах PyTorch и Safetensors по лицензии MIT. Модель предназначена для семантического поиска и извлечения релевантных документов, а также может применяться для кластеризации и классификации текстов и использоваться с векторными базами данных. Для поиска по длинным документам в README рекомендуется добавлять к короткому запросу инструкцию для retrieval; документы и фрагменты текста обрабатывать без неё. README рекомендует перейти на BAAI/bge-large-en-v1.5: у исходной версии распределение оценок сходства менее удобно для интерпретации. Абсолютный порог сходства сам по себе не следует считать надёжным признаком релевантности; порог нужно подбирать на данных конкретной задачи. Модель рассчитана на английский язык.

Карточка модели ekorman-strive/bge-large-en-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-large-en-v1.5, поэтому описание составлено по ней. BAAI/bge-large-en-v1.5 — англоязычная модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI) для поиска и сравнения текстов. Она преобразует текст в векторы, пригодные для семантического поиска, извлечения документов и построения систем с дополненной генерацией (RAG). Версия v1.5 улучшает retrieval и делает модель менее зависимой от инструкций для запросов по сравнению с предыдущей версией. Модель основана на архитектуре BERT и содержит 433,9 млн параметров. Она принимает текстовые входы на английском языке, имеет контекстное окно до 512 токенов и доступна в форматах PyTorch, Safetensors и ONNX. Для поиска можно сначала получить кандидатов с помощью эмбеддингов, а затем повысить точность ранжирования отдельной моделью BGE Reranker. Модель подходит для семантического поиска и сходства предложений. README предупреждает, что абсолютные значения сходства не следует трактовать как универсальную шкалу: из-за особенностей обучения оценки могут быть выше 0,5 даже для несхожих предложений. Лицензия — MIT.

Карточка модели charlesteve26/bge-m3 на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

Карточка модели mykor/bge-m3 на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

rjnClarke/bgem3-shakespeare_st_3 — модель Sentence Transformer, дообученная на базе BAAI/bge-m3. Она использует трансформер XLM-RoBERTa с пулингом CLS и нормализацией и преобразует предложения и абзацы в плотные векторы размерности 1024; сходство можно оценивать косинусной мерой. Максимальная длина входа — 8192 токена. Модель предназначена для семантического поиска и сопоставления текстов, включая поиск похожих фраз, подбор перефразировок, кластеризацию и классификацию текстов на основе эмбеддингов. В README приведена оценка на задаче информационного поиска, однако назначение дообучения именно для текстов Шекспира и языки обучающих данных в доступных сведениях не раскрыты. Модель принимает текст и выдаёт векторы; она не генерирует ответы. Лицензия в предоставленных данных не указана.

aneforge/bge-small-en-v1.5 — копия англоязычной модели BAAI/bge-small-en-v1.5, опубликованная для запуска через ANEForge на Apple Neural Engine. Это компактная плотная BERT-модель примерно на 40 млн параметров, преобразующая текст в эмбеддинги для семантического поиска и сравнения предложений. Она принимает текст и выдаёт векторные представления; максимальная длина контекста — 512 токенов. По README, веса побайтно совпадают с исходной моделью и не изменялись. Репозиторий размечен для ANEForge, который компилирует граф модели для запуска на Apple Neural Engine; лицензия — MIT. Модель рассчитана на англоязычные тексты, а её применение в первую очередь связано с поиском и оценкой семантической близости предложений.

teven/bi_all_bs160_allneg_finetuned_WebNLG2020_relevance — модель Sentence-Transformers на архитектуре MPNet, дообученная для представления предложений и абзацев плотными векторами размерности 768. Её можно применять для семантического поиска, сравнения близости текстов и кластеризации. Обучение использовало CosineSimilarityLoss; в репозитории представлены веса PyTorch, размер модели составляет 136,7 млн параметров, контекст — до 514 токенов. Модель подходит для построения векторного поиска и группировки текстов по смыслу. README указывает на обучение на WebNLG2020, но подробности набора данных и результаты оценки здесь не приведены. Лицензия в предоставленных данных не указана.

QuantFactory/bloom-560m-GGUF — квантизированная версия языковой модели bigscience/bloom-560m, разработанной исследовательским сообществом BigScience. Модель основана на архитектуре Transformer и предназначена для генерации текста, изучения поведения языковых моделей и использования в качестве предобученной основы для дообучения. Модель поддерживает широкий набор языков, включая английский, французский, испанский, португальский, арабский, китайский, хинди, бенгальский, вьетнамский и другие, а также работу с кодом. Возможные прикладные задачи включают извлечение информации, ответы на вопросы и суммаризацию. Размер исходной модели — 560 миллионов параметров; формат GGUF получен с использованием llama.cpp. Данные о размере контекста и конкретном уровне квантизации в README не указаны. Ключевое преимущество модели — открытая многоязычная архитектура, пригодная для исследований, обучения и локального запуска в оптимизированном формате. При этом модель может генерировать фактически неверный контент и не предназначена для критически важных решений, оценки людей, медицинских, юридических, политических или финансовых сценариев. Также не следует использовать её для спама, дезинформации, мошенничества, травли, несанкционированной имитации или наблюдения. Распространение и использование регулируются лицензией bigscience-bloom-rail-1.0, основанной на RAIL License v1.0, включая установленные ограничения на применение.

BOOM_4B_eng_data_v1 — англоязычная модель текстовых эмбеддингов, созданная авторами исследования BOOM на основе Qwen3-4B. Она предназначена для получения представлений текста для поиска, ранжирования, семантического сходства, классификации и кластеризации. Модель объединяет несколько вариантов эмбеддинговой модели, обученных на выборках разного размера, методом Multi-SLERP; такой подход рассчитан на повышение устойчивости и качества переноса на новые данные при сохранении эффективности инференса одной моделью. Модель имеет плотную архитектуру Qwen3, около 3,7 млрд параметров и контекст до 40 960 токенов. Обучение охватывает англоязычные задачи поиска, переранжирования, классификации, кластеризации и семантического сходства; README также сообщает о включении общих данных, в том числе многоязычных наборов для поиска, и выборки кода. Для практического применения доступны веса в формате safetensors. Лицензия в предоставленных сведениях не указана.

CAMeL_Base — модель семейства BERT от danfeg, созданная на базе Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для поиска семантически близких текстов, кластеризации и извлечения признаков; основная задача в метаданных — сравнение предложений. Архитектура содержит 136,3 млн параметров, использует формат safetensors и принимает контекст длиной до 512 токенов. Для получения векторов модель используют через библиотеку Sentence Transformers либо через Transformers с подходящей операцией pooling. В карточке не указаны целевые языки и специализированные области применения. Лицензия в предоставленных данных не указана.

RinTrin/climate-tech-0.8316 — модель Sentence Transformers на базе BERT, разработанная автором репозитория RinTrin. Она преобразует предложения и абзацы в плотные векторы размерностью 384 для поиска по смыслу, сравнения текстов и кластеризации. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов; модель распространяется в формате PyTorch. Модель подходит для построения семантического поиска и группировки текстов по сходству. В карточке также указано обучение с CosineSimilarityLoss. README не сообщает поддерживаемые естественные языки и лицензию, поэтому их нельзя определить по доступным данным.

Code Llama 70B Instruct — большая авторегрессионная языковая модель семейства Llama, разработанная Meta и представленная в формате Transformers в неофициальном репозитории Hugging Face. Версия содержит 68,7 млрд параметров и предназначена для генерации и понимания кода, выполнения инструкций и диалога с помощником по программированию. Модель принимает текст и генерирует текст. Она подходит для написания и дополнения кода, объяснения программных решений и ответов на вопросы по программированию на естественном языке. Контекст модели в этом репозитории — 4096 токенов; карточка указывает, что эта версия не поддерживает контекст до 100 тысяч токенов. Модель обучалась на английском языке и соответствующих языках программирования. Модель доступна по лицензии Meta Llama 2. Она была дообучена для следования инструкциям; в карточке отмечено, что это статичная модель, обученная на офлайн-данных. Репозиторий содержит веса в форматах PyTorch и Safetensors.

CogAgent-VQA — открытая визуально-языковая модель от команды Zhipu AI, улучшенная на основе CogVLM. Эта версия контрольной точки предназначена прежде всего для диалога по изображению в один ход и оценки на тестах визуальных вопросов и ответов, включая VQAv2 и MM-Vet. Модель принимает изображение высокого разрешения до 1120×1120 и текстовый вопрос, а в ответ генерирует текст; также заявлены возможности OCR и понимания интерфейсов веб-страниц, настольных и мобильных приложений. В README семейство описано как CogAgent-18B с 11 млрд визуальных и 7 млрд языковых параметров, тогда как метаданные этого репозитория указывают 6,6 млрд параметров, архитектуру CogAgentForCausalLM и контекст 2048 токенов. Поэтому размер конкретной опубликованной модели расходится с описанием семейства в карточке. Репозиторий содержит веса Safetensors и имеет лицензию Apache-2.0 в метаданных; README указывает, что для коммерческого использования требуется регистрация и соблюдение условий лицензии. Для GUI-агента, визуального заземления и многоходового диалога разработчики рекомендуют вариант cogagent-chat.

teven/cross_all_bs320_vanilla_finetuned_WebNLG2017 — модель Sentence-Transformers на базе MPNet, дообученная для получения векторных представлений предложений и абзацев. Разработчик указывает, что модель преобразует текст в плотные векторы размерности 768; в метаданных указаны 136,7 млн параметров и контекст до 514 токенов. Модель предназначена для семантического поиска, сравнения текстов и кластеризации. Для работы можно использовать Sentence-Transformers или Transformers с подходящей операцией pooling. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformers на архитектуре MPNet, дообученная на данных WebNLG 2020 для оценки покрытия данных. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. В модели 136,7 млн параметров, она принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель подходит для поиска семантически близких текстов и группировки предложений или документов по смыслу. Для использования предусмотрены Sentence-Transformers и Transformers с соответствующей операцией pooling. Данных о лицензии в предоставленных источниках нет.

Curtain_Recommendation — модель эмбеддингов на базе XLM-RoBERTa, опубликованная пользователем nnudee. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости. Обучение с MultipleNegativesRankingLoss и косинусной мерой сходства ориентировано на получение представлений, подходящих для поиска и ранжирования похожих текстов. Модель предназначена для семантического поиска, группировки текстов и рекомендаций по сходству между предложениями или абзацами. Репозиторий содержит веса в формате safetensors; размер модели — около 305,2 млн параметров, максимальный контекст — 514 токенов. Для использования подходит Sentence-Transformers либо Transformers с подходящей операцией pooling. Лицензия в предоставленных данных не указана.