II.6Документация и сопровождение разработки

Qwen3-Embedding-0.6B LRAT Broad Causal Filter v1 — текстовая модель-ретривер на архитектуре Qwen3, дообученная автором на базе Qwen/Qwen3-Embedding-0.6B. Она преобразует запросы и документы в эмбеддинги для плотного поиска и отбора материалов, полезных для продвижения рассуждений агента. Модель содержит 507,6 млн параметров, использует pooling последнего токена и поддерживает контекст до 32 768 токенов. Для обучения использованы 64 606 высокоуверенных пар запросов, положительных и отрицательных примеров, отобранных из предоставленных организатором траекторий агентов LRAT. В локальной оценке автор сообщает небольшое улучшение Recall@50 и Hit@50 относительно контрольной версии broad-v2; эти результаты являются локальными, а не официальными результатами лидерборда. Модель предназначена для текстового поиска и извлечения признаков. Языки обучения или поддерживаемые языки в карточке не уточнены, поэтому можно опираться лишь на многоязычные свойства базовой модели. Лицензия в предоставленных данных не указана.

Wheatley961/Raw_1_no_2_Test_2_new.model — модель Sentence-Transformers на базе архитектуры XLM-RoBERTa, разработчик в карточке не назван. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства. Обучение проводилось с функцией потерь CosineSimilarityLoss. Модель содержит 305,2 млн параметров, использует формат PyTorch и имеет контекст длиной 514 токенов. Карточка не сообщает языки обучения или лицензию; метаданные не содержат кодов языков. Веса подходят для сценариев поиска и группировки текстов, но для практического использования нужен этап преобразования векторов в оценку сходства или применения подходящего метода поиска.

FacebookAI roberta-large-mnli — англоязычная модель на базе трансформерной архитектуры RoBERTa Large, дообученная на корпусе Multi-Genre Natural Language Inference (MNLI). Она предназначена для классификации текстов и пар предложений, в том числе для классификации с нулевым количеством примеров: пользователь задаёт категории в виде текстовых гипотез, а модель оценивает их соответствие входному тексту. Модель содержит 454,1 млн параметров и принимает последовательности длиной до 514 токенов. В задаче MNLI она различает логическое следование, противоречие и нейтральное отношение между посылкой и гипотезой. Подходит для тематической категоризации, отбора и сравнения текстов по заданным меткам, но не обучена генерировать текст или гарантировать фактическую достоверность. Результаты могут отражать стереотипы и смещения из обучающих данных, поэтому их следует проверять, особенно при оценке людей и чувствительных групп. Модель разработана на основе RoBERTa Large и обучена на MNLI; в карточке также описаны исходные англоязычные данные предобучения RoBERTa, включая Wikipedia и BookCorpus. Лицензия — MIT.

SciBERT-Neuro-Contrastive — модель на архитектуре BERT, опубликованная Biodatlab как sentence-transformers-модель для получения плотных векторных представлений предложений и абзацев размерностью 768. Её можно использовать для семантического поиска и кластеризации текстов, а также для оценки сходства между предложениями. Модель обучена с Triplet Loss и евклидовой метрикой расстояния. Она содержит 137,1 млн параметров, принимает текстовые входы и формирует эмбеддинги; максимальная длина контекста — 512 токенов. Карточка не перечисляет поддерживаемые естественные языки или конкретные нейронаучные наборы данных, поэтому специализированную языковую поддержку подтвердить нельзя. Для использования предусмотрены Sentence-Transformers и Transformers с подходящим pooling слоем. Модель опубликована в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

HasinMDG/SetFit_Labse_Sentiment_Towards_Topic — модель на основе BERT, созданная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации.

QuantFactory/starcoder2-7b-instruct-GGUF — квантованная версия модели TechxGenus/starcoder2-7b-instruct, созданная QuantFactory с использованием llama.cpp. Это текстовая генеративная модель, дообученная для работы с инструкциями, связанными с программированием и генерацией кода. В основе лежит StarCoder2-7B; модель была дообучена на 0,7 млрд дополнительных высококачественных токенов, связанных с кодом, в течение 3 эпох. Для обучения применялись DeepSpeed ZeRO 3 и Flash Attention 2. Заявленный результат на HumanEval-Python составляет 73,2 pass@1. Модель использует формат инструкций Alpaca без системного промпта. Сведения о поддерживаемых языках программирования, размере контекста и конкретных параметрах квантования в карточке не указаны. Модель предназначена прежде всего для генерации кода по инструкциям и других задач разработки программного обеспечения. Её сильные стороны — специализация на коде и заявленный результат на HumanEval-Python, а квантование может упростить локальный запуск. Ограничения включают возможные ошибки и вводящий в заблуждение результат, особенно при решении задач, не связанных с программированием; тестирование модели было ограниченным, поэтому перед применением в реальных системах рекомендуется дополнительная проверка безопасности. Лицензия — BigCode OpenRAIL-M.

Unlimited-OCR — мультимодальная модель Baidu для распознавания текста и разбора документов по изображениям. Она предназначена для обработки длинных документов за один проход, включая сценарии с PDF, предварительно преобразованными в изображения. Модель построена на архитектуре UnlimitedOCRForCausalLM, содержит 559,7 млн параметров, принимает изображения и текстовые инструкции и выдаёт текст. Поддерживает многоязычные сценарии и контекст длиной до 32 768 токенов. Модель доступна для запуска через Transformers, vLLM и SGLang; карточка также описывает оценку на OmniDocBench. Лицензия — MIT. Карточка не приводит подробностей о точности по языкам и типам документов, поэтому качество для конкретного набора документов следует проверять отдельно.

Verbatim-RAG Extractor — англоязычный классификатор токенов от KRLabsOrg для выделения в тексте фрагментов, которые прямо отвечают на вопрос. Модель дообучена на базе Alibaba-NLP/gte-reranker-modernbert-base и использует архитектуру ModernBERT; она содержит около 149 млн параметров и поддерживает контекст до 8192 токенов. Модель принимает вопрос и текстовый контекст, оценивает токены контекста как доказательные или недоказательные, а затем объединяет подходящие токены в фрагменты с символьными границами и оценками. Её можно использовать после поиска или переранжирования документов в RAG-системе, чтобы показывать пользователю подтверждающие цитаты или передавать их генеративной модели. Обучающий набор охватывает научные тексты, вопросы и ответы из разных областей, финансовые таблицы, юридические и медицинские материалы, руководства и выводы инструментов для программирования. В описанных авторами оценках модель превзошла публичные базовые экстракторы по Word-F1 на четырёх срезах, включая QASPER, который не входил в обучающую смесь. Это не гарантирует такого же качества на произвольных данных: модель рассчитана на английский язык, выделяет текстовые фрагменты и может пропускать нужные доказательства либо выбирать лишний текст. Выпускается в формате safetensors под лицензией Apache-2.0.

Карточка модели 01-ai/Yi-Coder-1.5B на Hugging Face совпадает с карточкой 01-ai/Yi-Coder-9B-Chat, поэтому описание составлено по ней. Yi-Coder-9B-Chat — диалоговая модель для генерации кода, выпущенная командой 01.AI как часть серии Yi-Coder. Она дообучена на базе 01-ai/Yi-Coder-9B и построена на плотной архитектуре семейства Llama с 8,6 млрд параметров. Модель предназначена для программирования в формате чата: она может писать код по запросу и работать с длинным контекстом до 131 072 токенов. Серия Yi-Coder заявляет поддержку 52 распространённых языков программирования и сильные результаты в задачах кодирования при размере менее 10 млрд параметров. Модель загружается через Transformers и использует формат safetensors. Лицензия — Apache-2.0. Карточка не приводит ограничений на качество или конкретных рекомендаций по использованию, поэтому ответы сгенерированного кода следует проверять перед применением.

rurupang/bert-base-finetuned-sts — модель на архитектуре BERT, дообученная на базе klue/bert-base на наборе данных KLUE для оценки сходства текстов. Она выдаёт оценку сходства пары текстов как задачу классификации последовательностей. На оценочной выборке указаны Pearsonr 0,8722 и loss 0,4274. Модель содержит 137,8 млн параметров, принимает текстовые входные данные, а контекст ограничен 512 токенами. В карточке указана лицензия не приводится, поэтому условия использования по имеющимся данным определить нельзя.

tomaarsen/bert-base-nq — англоязычная модель Sentence Transformers, дообученная разработчиком tomaarsen на парах запросов и ответов из набора Natural Questions. В основе лежит google-bert/bert-base-uncased: BERT с 136,7 млн параметров, дополненный усредняющим пулингом токенов. Модель преобразует предложения и абзацы в плотные векторы размерности 768; максимальная длина входа — 512 токенов, сходство векторов обычно оценивается косинусной мерой. Модель предназначена для семантического поиска и сравнения текстов. Её можно применять для поиска ответов по запросу, оценки смыслового сходства и перефразирования, кластеризации и извлечения признаков для классификации текста. В README приведены результаты оценки на наборах Nano BEIR и отдельных поисковых датасетах, однако они не гарантируют качество на конкретном корпусе или языке. Вход — текст на английском языке, выход — векторные представления текста. Лицензия Apache-2.0. Контекст ограничен 512 токенами; длинные тексты потребуют предварительного разбиения. Модель обучалась на Natural Questions, поэтому качество на других языках и специализированных областях может отличаться.

Это компактная модель Sentence Transformers, созданная дообучением англоязычной BERT-модели google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 128, которые можно сравнивать по косинусному сходству и применять для поиска и оценки сходства предложений. Архитектура состоит из BertModel с усредняющим pooling; число параметров — 4,4 млн. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов. Модель рассчитана на текстовые задачи: извлечение эмбеддингов, семантический поиск и сравнение предложений. Обучение описано на 549 502 парах текстов с OrdinalProxyContrastiveLoss. Базовая модель англоязычная, поэтому применение к другим языкам не подтверждено. Условия лицензии в предоставленных данных не приведены.

swardiantara/bert-tiny-snli-k5-fixed-euclidean — компактная модель Sentence Transformers, дообученная на базе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные векторы размерности 128 для поиска и сравнения текстов; архитектура включает BERT с усредняющим pooling. Метаданные указывают 4,4 млн параметров и контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Для сравнения векторов README указывает косинусное сходство. Модель подходит для семантического поиска, подбора похожих предложений и извлечения признаков текста. Она обучалась на 6 043 097 примерах с контрастивной функцией потерь. Базовая модель англоязычная, поэтому заявленную применимость разумно ограничить английским языком. Формат весов — safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Chonky modernbert large v1 — англоязычная модель токеновой классификации, дообученная автором mirth на answerdotai/ModernBERT-large для разделения текста на смысловые фрагменты. Она размечает границы сегментов меткой separator и предназначена для подготовки документов к поиску и генерации с дополнением из найденных данных (RAG), а также для передачи фрагментов в системы эмбеддингов или языковые модели. Модель построена на архитектуре ModernBERT и содержит 394,7 млн параметров. Базовая архитектура поддерживает контекст до 8192 токенов, однако модель дообучалась на последовательностях длиной 1024 токена. В README приведены token-based F1 0,85 для minipile и 0,79 для BookCorpus. Модель распространяется в формате safetensors по лицензии MIT.

CodeLlama-7b-hf — базовая генеративная модель Meta для синтеза и понимания программного кода. Это версия семейства Code Llama с 7 млрд параметров в формате Transformers; архитектура — авторегрессионный оптимизированный трансформер семейства Llama. Модель принимает текст и генерирует текст, поддерживает контекст до 16 384 токенов. Модель предназначена для автодополнения кода и infilling — заполнения пропусков в коде. README отмечает, что эта базовая версия не предназначена для инструкционного диалога; для следования инструкциям в семействе есть отдельный вариант Instruct. Модель рассчитана на английский язык и языки программирования. Лицензия — пользовательская лицензия Meta для Llama 2, условия которой следует учитывать при использовании.

T-Systems-onsite выпустила модель на основе XLM-RoBERTa для получения векторных представлений предложений на английском и немецком языках. Модель дообучена для сравнения семантической близости предложений, в том числе между языками: тексты на английском и немецком с похожим смыслом отображаются в близкие векторы. Репозиторий содержит версии весов для PyTorch, Safetensors и TensorFlow; общее число параметров — 305,2 млн, контекст — до 514 токенов. Модель предназначена для семантического поиска, оценки текстового сходства и поиска перефразирований. Её можно использовать, например, чтобы искать немецкие документы по английскому запросу или сравнивать предложения по косинусному сходству. Для работы авторы рекомендуют библиотеку Sentence Transformers. Модель дообучена на англо-немецких данных STSbenchmark с дополнительными парами предложений между языками; карточка приводит результаты оценки на английском, немецком и их межъязыковых парах. Лицензия — MIT. Модель выдаёт эмбеддинги, а не готовые текстовые ответы; качество поиска зависит от корпуса и настроек сравнения. Карточка описывает её применение прежде всего для английского и немецкого языков, поэтому не следует считать заявленное межъязыковое качество универсальным для других языковых пар.

Nessrine9/finetuned2-snli-MiniLM-L12-v2 — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L12-v2. Она кодирует предложения и абзацы в нормализованные плотные векторы размерности 384; архитектура включает BertModel, усреднение токенных представлений и нормализацию. Модель предназначена для оценки семантического сходства по косинусному расстоянию, семантического поиска, поиска перефразировок, кластеризации и классификации текста. В карточке указано обучение на 100 000 пар предложений с оценками сходства; максимальная длина последовательности в README — 128 токенов, а метаданные указывают контекст 512 токенов. Базовая модель англоязычная, поэтому основное применение — англоязычный текст. Модель подходит для создания эмбеддингов коротких текстов и сравнения их смысла, но доступные результаты на SNLI-dev умеренные: Spearman cosine 0,4779. Лицензионные условия в предоставленных данных не описаны.

GlaiveAI разработала Glaive-coder-7b — плотную авторегрессионную языковую модель семейства Llama для помощи в программировании. Модель содержит 6,6 млрд параметров и дообучена на CodeLlama-7b на наборе примерно из 140 тысяч синтетически созданных задач и решений по программированию. Модель предназначена для генерации и объяснения кода, выполнения отдельных инструкций и многоходовых диалогов с помощником по коду. Она принимает текстовые запросы и выдаёт текст, включая программный код; заявленная длина контекста — 16 384 токена. В README приведены результаты pass@1: 63,1% на HumanEval и 45,2% на MBPP, при этом авторы отмечают, что эти тесты не полностью отражают использование в реальных условиях. Модель распространяется по лицензии Llama 2. Результаты для конкретных языков программирования и качество на практических задачах в предоставленных материалах не уточняются.

GLiNER2.5 Small — компактная модель извлечения информации от Fastino, построенная на архитектуре GLiNER2 boundary с энкодером DeBERTa-v3-xsmall. Веса содержат 74 млн параметров и доступны в формате safetensors; модель рассчитана на английский язык и поддерживает локальный запуск на CPU, CUDA и MPS. Модель принимает текст и по заданной схеме извлекает сущности, классифицирует текст, находит связи и атрибуты сущностей, а также формирует структурированные записи. Разреженное сопоставление начальных и конечных границ позволяет находить фрагменты произвольной длины в пределах одного окна кодирования; указанный в README предел max_len — 4096 токенов. Модель подходит для быстрой обработки на CPU и периферийных устройствах. Для длинных документов предусмотрена обработка перекрывающимися фрагментами, однако сущность или связь не извлекается, если её границы или связанные сущности не попали в один фрагмент. Обычное извлечение с max_len обрезает текст. Лицензия — Apache-2.0.

Tech2wild/GLM-5.3-Int4-Int8Mix — это смешанная квантованная версия GLM-5.3, разработанной zai-org. Модель основана на архитектуре glm5_next и представляет собой MoE-модель общим размером 743 млрд параметров, из которых около 40 млрд активируются для одного запроса. Она предназначена для генерации текста и запуска через Transformers и vLLM в формате compressed-tensors, прежде всего на конфигурации из четырёх NVIDIA DGX Spark с графическими процессорами GB10. Квантование выполнено без калибровочных данных по схеме статического симметричного weight-only mixed precision с размером группы 128. Основная масса MoE-экспертов использует W4A16, а плотные слои и attention — W8A16; маршрутизаторы, компоненты sparse attention, выходная голова и ряд служебных блоков сохранены в полной точности. Исходная модель поддерживает контекст до 1 млн токенов, однако в приведённой конфигурации заявлен запуск с длиной до 131 072 токенов и возможность расширения примерно до 600 000 токенов с Decode Context Parallel. Модель ориентирована на длинноконтекстную генерацию, многопоточную подачу запросов и speculative decoding с совместимым DFlash2-драфтером. Ключевое преимущество — уменьшенный объём весов около 378 ГБ, что позволяет обслуживать модель на четырёх DGX Spark с запасом памяти под KV-кэш; заявлена производительность до 46,03 токена в секунду при шести одновременных потоках. Ограничения включают очень высокие требования к памяти и необходимость tensor parallelism, а для GB10/sm121 — специальных kernel overlays для sparse MLA и FP8 KV. Четырёхбитное квантование даёт заметную численную погрешность, поэтому сохранение критичных компонентов в BF16 важно для качества. Лицензия указана как glm-5.3; подробные условия доступны по ссылке на лицензию базовой модели zai-org/GLM-5.3.

grug-35b-v2 — разговорная модель для генерации текста и диалогов, разработанная ProCreations на базе Ornith-1.0-35B от DeepReinforce. Это дообученная модель семейства Qwen3.5 MoE; по карточке, обучение использовало LoRA для attention, DeltaNet и общие пути, затем веса были объединены в bf16 и продолжено дообучение на данных для длинных агентных сессий и сложных рассуждений. Метаданные указывают формат safetensors и поддержку чата. Модель формирует внутренние рассуждения в стиле grug между специальными разделителями, а итоговые ответы — на обычном английском. Она предназначена для генерации кода и решения математических задач с меньшим расходом токенов, а также для агентных сценариев с вызовом инструментов. В README приведены результаты HumanEval, MBPP, GSM8K и MATH-500, а также сравнительные замеры числа токенов; это результаты автора и они зависят от использованного тестового окружения. В описании отмечены снижение точности относительно базовой модели на HumanEval и MBPP, а также меньшая частота выбора вызова инструмента: при сделанном вызове автор сообщает о высокой корректности аргументов и выбора инструмента. Указана лицензия Apache-2.0. Для запуска автор приводит пример с vLLM и ограничением контекста в 32768 токенов; это параметр команды запуска, а не заявленная максимальная длина контекста модели.

jina-embeddings-v2-base-de-GGUF — GGUF-квантизированная версия модели jinaai/jina-embeddings-v2-base-de, разработанной Jina AI и подготовленной квантизатором Second State Inc. Это embedding-модель для преобразования текстов в векторные представления, пригодные для семантического поиска, сопоставления текстов и других задач, где требуется оценивать смысловую близость. В README указаны немецкий и английский языки. Модель поддерживает контекст до 8192 токенов и формирует embeddings размерностью 768. Доступны варианты квантизации от Q2_K до Q8_0, а также f16 в формате GGUF; размеры файлов составляют примерно от 82,5 до 323 МБ. Вариант Q4_K_M позиционируется как сбалансированный по качеству и размеру, тогда как Q2_K–Q4_0 могут заметно снижать качество. Более высокие разрядности уменьшают потери качества, но требуют больше памяти. Модель предназначена для локального запуска через совместимые инструменты, включая LlamaEdge; README приводит конфигурацию с контекстом 8192 и embedding prompt template. Архитектура базовой модели, объём параметров и точные показатели качества в предоставленных данных не указаны. Распространение осуществляется по лицензии Apache-2.0.

jina-embeddings-v5-omni-nano-retrieval-GGUF — мультимодальная модель эмбеддингов, разработанная Jina AI. Это GGUF-квантизированная сборка модели jina-embeddings-v5-omni-nano-retrieval для llama.cpp, предназначенная для задач retrieval. Модель преобразует текст, изображения, видео и аудио в векторы размерностью 768, совместимые в одном векторном пространстве с текстовой моделью jina-embeddings-v5-text-nano-retrieval. Это позволяет индексировать данные с помощью текста, а выполнять поиск по запросам любой поддерживаемой модальности без переиндексации. Модель содержит около 0,95 млрд параметров, поддерживает контекст до 8192 токенов и использует pooling по последнему токену. Доступны Matryoshka-размерности 32, 64, 128, 256, 512 и 768, а текстовая часть представлена в F16 и нескольких уровнях int-квантизации с калибровкой imatrix; мультимодальные проекторы используют F16. Поддерживаются распространённые форматы изображений, видео и аудио, а также PDF. Основные сценарии применения — мультимодальный семантический поиск, retrieval-augmented generation, построение единого индекса для разных типов контента и сравнение схожести между текстом и медиа. К сильным сторонам относятся единое пространство эмбеддингов для нескольких модальностей, сравнительно небольшой размер и возможность уменьшать размерность вектора. Ограничения включают специализацию только на retrieval-задачах, необходимость использовать специализированную ветку llama.cpp с мультимодальными патчами, а также отдельные multimodal projector-файлы для обработки изображений, видео и аудио. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с обязательным соблюдением её условий и ограничений на коммерческое применение.

jina-reranker-v1-tiny-en — модель переранжирования текстов, разработанная Jina AI на основе архитектуры JinaBERT, варианта BERT с двунаправленным ALiBi. Компактная модель содержит около 32,9 млн параметров и обрабатывает последовательности длиной до 8192 токенов. Модель оценивает релевантность пар «запрос — документ» и помогает переставлять результаты поиска так, чтобы наиболее подходящие документы оказались выше. Её можно применять для поиска по коллекциям документов и отбора контекста для RAG-систем. Модель обучена методом дистилляции: более крупная модель выступала учителем, а tiny-версия рассчитана на быстрый вывод с некоторой уступкой в качестве ранжирования. Модель предназначена для англоязычных текстов. В репозитории доступны форматы PyTorch, Safetensors и ONNX; библиотека — Transformers. Лицензия Apache-2.0. Результаты бенчмарков в карточке показывают конкурентное качество, однако сама карточка отмечает, что tiny-версия ориентирована на скорость и уступает более крупной модели по точности.

mlx-community/jina-reranker-v3-4bit-mxfp4 — конвертированная в формат MLX 4-битная версия реранкера Jina Reranker v3. Карточка сообщает, что исходные веса взяты из jinaai/jina-reranker-v3, а преобразование выполнено с помощью mlx-embeddings версии 0.0.3. По метаданным, модель основана на дообученной Qwen3-0.6B: архитектура плотная, около 507,9 млн параметров, контекст — до 131 072 токенов. Модель предназначена для ранжирования текстов по релевантности запросу, например для переупорядочивания результатов поиска или кандидатов в системе RAG. Метаданные указывают многоязычную поддержку. Для использования в среде MLX карточка предлагает библиотеку mlx-embeddings. Лицензия — CC BY-NC 4.0, поэтому коммерческое использование не разрешено условиями этой лицензии.

Карточка модели anything098/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Карточка модели ghanemite/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Карточка модели shobhatiwari925059/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

LFM2.5-ColBERT-350M-fp16 — многоязычная двунаправленная модель для извлечения признаков и поиска документов, подготовленная на базе LiquidAI/LFM2.5-ColBERT-350M и упакованная в формат MLX fp16 для Apple Silicon. Модель формирует векторы размерности 128 для каждого токена, а релевантность запроса и документа оценивает методом позднего взаимодействия MaxSim. Для кодирования используются обязательные маркеры [Q] для запроса и [D] для документа. Модель предназначена для семантического поиска и ранжирования в системах извлечения информации. Архитектура LFM2 включает двунаправленный энкодер; размер модели по метаданным — 443,4 млн параметров, контекст — до 128 000 токенов. Заявлена поддержка английского, испанского, немецкого, французского, итальянского, португальского, арабского, шведского, норвежского, японского и корейского языков. README приводит результаты на подмножестве англоязычного NanoBEIR и указывает на специализированный загрузчик MLX для корректного получения эмбеддингов. Это вариант fp16 без квантизации, рассчитанный на запуск через MLX на компьютерах Apple Silicon. Лицензия в метаданных обозначена как other; конкретные условия следует проверять в файлах репозитория. Результаты бенчмарка охватывают ограниченный англоязычный набор и не характеризуют качество на полном многоязычном наборе.

Это 4-битная квантизированная версия mxfp4 модели LFM2.5-Embedding-350M, подготовленная Sahil Chachra для запуска на Apple Silicon через MLX. Модель представляет собой плотный двунаправленный биэнкодер семейства LFM2.5 с вектором CLS размерности 1024; она кодирует запросы и документы для мультиязычного поиска. Для входов требуются префиксы «query: » и «document: », а сходство векторов можно оценивать косинусной мерой. Модель подходит для семантического и межъязыкового поиска по документам и для построения retrieval-компонента систем RAG. README сообщает о размере весов 188 МБ и скорости кодирования 13 936 токенов/с на устройстве серии M; приведённый бенчмарк охватывает только ограниченную англоязычную выборку NanoBEIR. Метаданные указывают 444,6 млн параметров и контекст 128 000 токенов. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой базовой модели и репозитория.