II.6Документация и сопровождение разработки

LiquidAI/LFM2.5-VL-3B-MLX-4bit — MLX-экспорт мультимодальной vision-language модели LFM2.5-VL-3B, разработанной Liquid AI. Версия предназначена для запуска вывода на устройствах Apple Silicon и поддерживает обработку изображений вместе с текстовыми запросами. Модель построена на языковой основе LFM2.5-2.6B и оснащена визуальным энкодером SigLIP2 NaFlex объёмом 400 млн параметров. Общее количество параметров составляет около 3 млрд, используется 4-битная квантизация с размером группы 64, а размер модели — около 2,2 ГБ. Длина контекста — 32K токенов, нативное разрешение изображений — до 512×512 пикселей. Поддерживаются OCR, понимание документов, мультиязычное понимание изображений, предсказание ограничивающих рамок и вызов функций. Заявлена поддержка арабского, китайского, английского, французского, немецкого, хинди, индонезийского, итальянского, японского, корейского, польского, португальского, русского, испанского, тайского и вьетнамского языков. Сильные стороны модели — сочетание визуального и языкового анализа, компактный размер, 4-битное представление и адаптация для эффективного запуска на Apple Silicon. Ограничения включают зависимость от экосистемы MLX и указанный предел нативного разрешения изображений; прочие ограничения производительности в README не описаны. Модель распространяется по лицензии LFM 1.0.

Liquid AI подготовила LFM2.5-VL-450M-MLX-bf16 — экспорт мультимодальной модели LFM2.5-VL-450M в формате MLX для запуска на Apple Silicon. Модель объединяет языковую основу LFM2.5-350M и визуальный энкодер SigLIP2 NaFlex; содержит 450 млн параметров и использует точность bfloat16. Модель предназначена для понимания изображений и работы с визуальными данными: распознаёт текст на изображениях, анализирует документы, отвечает на вопросы по изображению, предсказывает ограничивающие рамки объектов и поддерживает вызов функций. README заявляет мультиязычное визуальное понимание; карточка перечисляет английский, японский, корейский, французский, испанский, немецкий, итальянский, португальский, арабский и китайский языки. Репозиторий использует библиотеку MLX и формат safetensors. Лицензия указана как other, без уточнения условий в доступных данных.

LinkBERT-base — англоязычный трансформерный энкодер семейства BERT, разработанный Мичи Ясунага и соавторами. Модель предварительно обучена на статьях англоязычной Википедии с учётом гиперссылок между документами: связанный текст подавался в общий контекст, чтобы модель усваивала знания, распределённые по нескольким документам. Размер модели — 135,5 млн параметров, максимальная длина контекста — 512 токенов; доступны веса PyTorch. Лицензия — Apache-2.0. Модель предназначена для дообучения под классификацию текста и другие задачи понимания языка, включая ответы на вопросы, классификацию последовательностей и токенов. Её также можно использовать как исходный энкодер для извлечения признаков. Учёт связей между документами особенно полезен для задач, требующих объединять сведения из нескольких источников, таких как поиск по документам и чтение с пониманием. В опубликованных результатах дообученная модель превосходит BERT-base на приведённых наборах MRQA и GLUE; сама базовая модель не является готовой системой ответов на вопросы и может требовать дообучения для целевой задачи.

Nondzu/Mistral-7B-code-16k-qlora — экспериментальная модель для генерации кода и помощи в роли copilot, созданная автором репозитория на основе семейства Mistral. В карточке указано обучение на наборе nickrosh/Evol-Instruct-Code-80k-v1 с шаблоном запросов Alpaca; модель имеет плотную архитектуру MistralForCausalLM и около 7,1 млрд параметров. Модель принимает текстовые инструкции и генерирует текстовые ответы, включая код. В README автор приглашает пользователей тестировать модель и приводит сравнение с исходной Mistral, поэтому качество и пригодность для конкретных задач следует оценивать на собственных примерах. Метаданные указывают контекст до 32 768 токенов; лицензия — Apache-2.0.

ModernCE-large-nli — англоязычный cross-encoder для вывода по паре текстов: определяет, противоречат ли они друг другу, нейтральны ли они или второй текст следует из первого. Модель разработана dleemiller на архитектуре ModernBERT-large и совместима с аналогичными cross-encoder-моделями Sentence Transformers. Она содержит около 394,7 млн параметров; метаданные указывают контекст до 2048 токенов. Модель предназначена для классификации отношений между предложениями, проверки утверждений и оценки соответствия ответа исходному тексту, в том числе при оценке ответов LLM. В README указана точность 92,02% на MNLI mismatched и 91,10% на SNLI. Модель обучалась на AllNLI; автор сообщает, что для большой версии заморозил первые 19 слоёв и дообучил оставшиеся слои с новой классификационной головой. Лицензия — MIT. Это cross-encoder: для оценки пары текстов их нужно подавать совместно, поэтому применение для массового попарного сравнения может требовать значительных вычислений. Хотя README заявляет обработку последовательностей до 8192 токенов, метаданные каталога указывают нативный контекст 2048 токенов.

Multilingual Reranker small — компактный кросс-энкодерный реранкер Horizon Labs на базе mmBERT-small с архитектурой ModernBERT и 140,5 млн параметров. Он оценивает релевантность каждой пары «запрос — фрагмент» и помогает пересортировать результаты первичного поиска для поисковых систем и RAG. Запрос и фрагмент могут быть на разных языках; модель поддерживает более 40 языков. Нативная длина контекста в метаданных — 8192 токена, однако при обучении использовались пары длиной до 384 токенов, а более длинные фрагменты обрезаются. Модель дистиллирована из Qwen3-Reranker-4B и выдаёт один логит релевантности для каждой пары: более высокое значение означает более высокую релевантность, а sigmoid(logit) даёт оценку от 0 до 1. Репозиторий содержит веса safetensors и ONNX, включая квантованный вариант для CPU и браузера. По опубликованной оценке, модель меньше и уступает учителю по точности, особенно на длинных и технических текстах; узкоспециализированные запросы и разговорные формулировки представлены в обучении слабее. Лицензия — Apache-2.0.

Abiray/Muse-Glimmer-30B-GGUF — набор GGUF-квантов мультимодальной модели Muse-Glimmer-30B, разработанной meta-models и дистиллированной из Muse Spark. Репозиторий подготовлен с использованием llama.cpp и предназначен для локального запуска модели, включая сценарии на потребительском оборудовании. Модель ориентирована на автономные агентные рабочие процессы, многошаговое рассуждение с длинным горизонтом, задачи программирования, включая SWE-bench, и надёжный вызов функций. Поддерживается обработка изображений через отдельный мультимодальный vision projector в формате GGUF; базовая модель и проектор загружаются раздельно. Заявлены 30 млрд параметров, контекст до 131 072 токенов и архитектура с визуальным проектором на основе ViT размером около 1,8 млрд параметров. Сведения о поддерживаемых языках в README не указаны. Доступны варианты квантования от Q8_0 до IQ3_XXS размером примерно от 29,6 до 11,5 ГБ, что позволяет выбирать баланс между качеством, скоростью и требованиями к памяти. Вариант Q4_K_M обозначен как оптимальный компромисс и рассчитан примерно на 20–24 ГБ памяти, а Q8_0 обеспечивает качество, близкое к BF16, но требует 32–48 ГБ. Более сильное сжатие уменьшает требования к памяти, однако может снижать точность рассуждений и восприятия. Лицензия — Apache-2.0.

NextCoder-32B — модель для редактирования и генерации кода, разработанная Microsoft на базе Qwen2.5-Coder-32B-Instruct с постобучением методом SeleKT. Она предназначена для внесения изменений в существующий код, исправления ошибок и выполнения других задач разработки; также поддерживает диалоговый режим и интерфейс вызова инструментов. Модель имеет архитектуру Qwen2 с причинным языковым моделированием и содержит 32 млрд параметров. Поддерживает контекст до 32 768 токенов и работает с текстом, включая исходный код. В карточке заявлены улучшения на задачах редактирования кода и сохранение способности к обобщению; среди языков указан английский. Модель распространяется по лицензии MIT. Как и базовая модель, она может реагировать на вредоносные запросы и генерировать небезопасный код; результаты следует проверять вручную и запускать в изолированной среде.

laion/nl2bash-swesmith-stack-bugsseq — дообученная модель Qwen3-8B с 7,6 млрд параметров для генерации текста в диалоговом формате. Она обучена на наборах данных для преобразования инструкций на естественном языке в команды Bash, решения задач по коду и вопросам Stack Exchange, а также анализа ошибок в коде. Репозиторий указывает контекстное окно 40 960 токенов и формат весов safetensors. Модель может быть полезна для генерации команд оболочки, помощи с программированием и ответов на технические вопросы. README не приводит оценок качества и подробных ограничений; фактическую точность ответов следует проверять. Лицензия — Apache-2.0.

Orion-9B-Agentic-CodeCore-Merge — экспериментальная объединённая модель на 9 млрд параметров от prithivMLmods, созданная на основе Qwen3.5-9B с добавлением MiMo-V2.6-Distill-Qwen-9B, OxCoder-9B и Ornith-1.5-9B. Это плотная архитектура семейства Qwen3.5, рассчитанная на генерацию кода, пошаговое решение задач и агентные сценарии разработки ПО. Модель поддерживает диалог и интерфейс вызова инструментов; основная задача в каталоге — генерация текста. Использовать её можно для написания и понимания кода, внесения изменений, отладки и многошаговых рабочих процессов с инструментами. Модель загружается через Transformers; в репозитории представлены веса safetensors, лицензия — Apache-2.0. Карточка описывает её как экспериментальную и предупреждает о возможных артефактах. Вариант GGUF не сохраняет головы Multi-Token Prediction и работает как обычный авторегрессионный декодер с генерацией по одному токену за шаг.

Ornith-1.5-35B-A3B REAP-50 NVFP4A16 — локальная текстовая модель для генерации кода, созданная Ttimms на основе Ornith-1.5-35B-A3B от ornith-ai. Модель предназначена для программирования, генерации и исправления кода, а также агентских сценариев разработки. Она рассчитана на запуск в пределах 16 ГБ видеопамяти, в частности на RTX 5070 Ti, и может обслуживаться через vLLM. Это разреженная Mixture-of-Experts-модель с архитектурой Qwen3_5MoeForCausalLM. В результате pruning число экспертов сокращено с 256 до 128, а эффективный размер — примерно с 35,95 до 19 млрд параметров; маршрутизация 8 из 128 экспертов сохранена. Веса квантизованы методом GPTQ-NVFP4A16 в 4-битный формат с использованием compressed-tensors. Модель работает только с текстом: vision tower и MTP draft head удалены, поэтому визуальные задачи и функции MTP недоступны. Заявленный контекст — до 49 тыс. токенов в описанном сценарии SWE-bench. На опубликованном checkpoint модель показала 84,15% на HumanEval+, 90,24% на HumanEval и 89,15% на MBPP+ при жадной генерации; в SWE-bench Verified результат составил 22 из 50 задач, или 44%, при ограничении контекста и использовании mini-swe-agent. Эти показатели получены в конкретной конфигурации и могут изменяться из-за особенностей FP4-квантизации и пакетирования. Модель ориентирована прежде всего на код и локальный запуск, а сокращение экспертов, удаление визуальной башни и MTP-компонента являются основными ограничениями. Лицензия MIT унаследована от базовой модели.

moelanoby/phi-3-M3-coder — дообученная модель на базе Microsoft Phi-3 Mini Instruct, предназначенная для генерации кода и диалогового взаимодействия. Это плотная причинная языковая модель архитектуры Phi-3 с 3,7 млрд параметров и контекстом до 4096 токенов; карточка указывает поддержку кода и чата, а также языки Arabic, English, German, French, Portuguese и Polish. Модель рассчитана на написание и исправление программного кода, в том числе с экспериментальным режимом самокоррекции в несколько проходов. В README приведены результаты на HumanEval и других тестах, однако отдельные показатели заявлены самим автором и могут не отражать качество на иных задачах. Карточка рекомендует проверять баланс между числом проходов самокоррекции, связностью и точностью. Указана лицензия Apache 2.0, допускающая коммерческое использование.

PXA Coder 35B — кодовая мультимодальная модель от PXA Network. Это смесь экспертов на архитектуре Qwen MoE с гибридным вниманием: 34,7 млрд параметров и заявленный контекст 262 144 токена. Репозиторий содержит GGUF-веса PXQ4 и F16, а для обработки изображений — отдельный vision-проектор. Модель предназначена для генерации и изменения кода, отладки, рефакторинга, работы с несколькими файлами и крупными кодовыми базами, а также для многошаговых агентных сценариев с использованием инструментов. Она принимает текст и изображения и выдаёт текст; заявлены возможности чата, программирования и анализа изображений. В основе — объединение моделей Qwen 3.6 и Qwen 3.8 с последующим обучением под руководством более крупной модели. Для запуска требуется движок PXA; модель не работает со стандартными сборками llama.cpp, LM Studio, Ollama или text-generation-webui. В карточке отмечено, что поведение отказа намеренно ослаблено и на защитные ограничения модели нельзя полагаться. Лицензия — Apache-2.0.

Qwable-v1 — открытая по весам модель для агентного программирования, созданная lordx64 на основе Qwen3.6-35B-A3B. Это цепочка дообучений: сначала Qwen обучили на трассировках рассуждений Claude Opus 4.7, затем на примерах агентного использования инструментов Claude Fable-5. Модель имеет архитектуру Qwen MoE с 35 млрд параметров и примерно 3 млрд активных параметров; в репозитории опубликованы веса safetensors в bf16. Она принимает текст и генерирует текст, включая рассуждения и команды инструментам в XML-формате. В первую очередь предназначена для сценариев агентного программирования: чтения и редактирования файлов, анализа кода и запуска команд. Для вызова инструментов нужен системный промпт с описанием формата и доступных инструментов; XML-вызовы требуют обёртки для интеграции с API инструментов vLLM. Модель также подходит для чата и общих вопросов, но узкий набор примерно из 5 тысяч примеров ограничивает надёжность на задачах за пределами агентного программирования. Указана лицензия AGPL-3.0.

Qwen2.5-Coder-14B-Instruct-Uncensored-Patched — модель для генерации и анализа программного кода, созданная AIOpsInSpace на базе Qwen/Qwen2.5-Coder-14B-Instruct от команды Qwen. Она ориентирована на локальные сценарии разработки, работу в качестве coding assistant и интеграцию с IDE-плагинами. Заявлена оптимизация для видеокарт с 16 ГБ VRAM и исправление проблем с обработкой токенов автодополнения и зависанием IDE-плагинов. Модель представляет собой плотную текстовую модель размером 14 млрд параметров и распространяется в формате GGUF. В карточке указана поддержка английского языка, а основная специализация — задачи программирования и текстовая генерация. Сведения о длине контекста, точной архитектуре, поддерживаемых языках программирования и мультимодальности не приведены, поэтому эти характеристики нельзя подтвердить. К сильным сторонам относятся ориентация на генерацию кода, возможность локального развертывания и заявленная совместимость с IDE-сценариями. Ограничения включают отсутствие подробных независимых бенчмарков и неполные сведения о производительности, контексте и языковой поддержке. Лицензия указана как Apache-2.0.

Qwen3.5-122B-A10B-abliterated-NVFP4 — производная версия модели wangzhang/Qwen3.5-122B-A10B-abliterated, основанной на Qwen/Qwen3.5-122B-A10B. Репозиторий поддерживается автором bjk110 и предназначен для локального запуска и сервинга текстовой генерации. Модель использует архитектуру Qwen3.5 MoE с 256 маршрутизируемыми экспертами, из которых активно 10 млрд параметров. Она поддерживает английский, корейский, китайский и японский языки. Контекстное окно может достигать 131 072 токенов при использовании указанной конфигурации vLLM. Это текстовая версия мультимодальной архитектуры: в данном чекпойнте присутствуют только текстовые веса, поэтому мультимодальные сценарии не поддерживаются. Основное изменение — квантизация NVFP4 с использованием compressed-tensors. Квантизированы маршрутизируемые и общие эксперты, а также self-attention; linear attention, эмбеддинги, нормализации и гейты сохранены в BF16. Размер уменьшен с 228 ГБ в BF16 до 71,2 ГБ, формат хранения — safetensors в двух шардах. Сильными сторонами являются существенное снижение требований к памяти и совместимость с NVFP4 MoE-ядром vLLM. Ограничения включают необходимость специального патча vLLM, зависимость от совместимого оборудования NVIDIA и отсутствие мультимодальных возможностей; заявленные показатели производительности проверены на NVIDIA DGX Spark и не гарантируются для других конфигураций. Модель распространяется по лицензии Apache-2.0.

Qwen-35B-A3B-SignOfFour-Coder — диалоговая модель для программирования и агентных сценариев, опубликованная pragmaticcs. Это слияние четырёх моделей семейства Qwen 3.5 MoE: базовой Qwopus3.6-35B-A3B-Coder и трёх специализированных моделей-доноров. В README описано слияние методом DARE-TIES с масштабированием изменений по слоям; архитектура — Qwen3.5 MoE с 35 млрд общих и примерно 3 млрд активных параметров на токен, 40 слоями декодера и контекстом до 262 144 токенов. Модель предназначена для генерации и анализа кода, задач программной инженерии и выполнения вызовов инструментов в агентных рабочих процессах. README сообщает, что веса зрения и головы Multi-Token Prediction удалены; заявлены текстовый ввод и генерация текста. В карточке указаны английский и китайский языки, библиотека Transformers и формат Safetensors. Лицензия — Apache-2.0.

AEON-7 выпустил раннюю BF16-версию Qwen3.8-27B, полученную аблитерацией базовой модели Qwen/Qwen3.8-27B для более прямых ответов и ослабления отказов. Это плотная мультимодальная модель с архитектурой семейства Qwen3.5 и примерно 27 млрд параметров; текстовая генерация — основная задача, также заявлена поддержка изображений. Карточка описывает запуск через Transformers и проверку сервинга через vLLM на NVIDIA H200; указанное в примере ограничение контекста — 16 384 токена, а для подходящего оборудования README упоминает исходное окно до 262 000 токенов. Модель предназначена для диалогов, следования инструкциям, программирования, многошаговых рассуждений и вызова инструментов. Ослабление отказов делает ответы более прямыми, но авторы предупреждают, что это ранний выпуск, а на очень длинных запросах возможны повторы и потеря связности. Визуальная башня и голова MTP оставлены без изменений относительно базы. Лицензия — Apache-2.0; веса доступны в формате safetensors, BF16.

amd/Qwen3.8-27B-Quark-AWQ-MXFP4 — квантизированная версия мультимодальной модели Qwen3.8-27B, подготовленная с использованием AMD Quark и алгоритма AWQ (Activation-aware Weight Quantization). Модель предназначена для задач генерации текста и обработки изображений с текстом; в карточке указано, что она использует image-text-to-text pipeline. Языковая часть основана на Qwen3.8-27B в формате BF16, а vision tower сохранена без квантизации в BF16. Веса языкового декодера квантизированы в MXFP4 по спецификации OCP microscaling FP4 с размером группы 32 и общей шкалой E8M0; активации используют динамическую MXFP4-квантизацию, рассчитываемую во время выполнения для каждого блока. Квантизация выполнена по 128 образцам последовательностей длиной 512 из датасета pileval. Vision-компоненты не квантизированы, поэтому визуальная подсистема сохраняет исходный формат BF16. В README не указаны точные поддерживаемые языки и максимальная длина контекста; пример запуска задаёт ограничение 16384 токена. На GSM8K в режиме рассуждений модель показала 94,996% по flexible-extract и 95,30% по strict-match против 93,33% у базовой BF16-модели; в нережиме рассуждений результаты составили 89,92% и 89,76% против 90,67% и 89,76% соответственно. Ключевое преимущество — существенное снижение точности представления языковой части при сохранении качества, а также совместимость с запуском через vLLM. Ограничения включают зависимость от поддержки MXFP4, AMD Quark и соответствующей инфраструктуры, а также отсутствие подробных результатов по другим задачам. Модель распространяется по лицензии Apache-2.0; модификации принадлежат Advanced Micro Devices, Inc.

Jab1718/qwen3.8-flash-coder-26gb-gguf — это набор квантованных форматов GGUF модели, разработанный Jab1718 на основе Jab1718/qwen3.8-flash-coder-85gb-bf16. Модель представляет собой подсеть Mixture of Experts со 160 экспертами, выделенную из Qwen3.8-Flash-Next, и предназначена прежде всего для генерации кода, программирования, ревью, поиска ошибок, рефакторинга и работы в сценариях coding agent. Поддерживаются английский, вьетнамский и китайский языки, а запуск предусмотрен через llama.cpp и Ollama. Основной вариант Q4_K_M занимает около 26,43 ГБ и ориентирован на одну видеокарту с 24 ГБ памяти, ускорители с 32 ГБ или Mac с 32 ГБ памяти. Также доступен вариант Q8_0 размером около 42,25 ГБ, рассчитанный на две видеокарты по 24 ГБ, одну карту с 48 ГБ или Mac с 64 ГБ и более; заявлено сохранение примерно 99,5% точности BF16. Для Apple Silicon указана поддержка контекста до 64K, однако требуется актуальная версия llama.cpp с поддержкой произвольного числа экспертов. Сильные стороны модели — специализация на системном программировании, алгоритмах, многоязычной разработке и задачах исправления кода, а также существенно сниженные требования к памяти по сравнению с исходной моделью. Ограничение состоит в целевой специализации: общая математическая грамотность и задачи уровня GSM8K были намеренно сокращены. В README приведены результаты на Rust, C++20, TypeScript, coding agent и Python Algorithms, но они не заменяют независимую оценку качества. Модель распространяется по лицензии Apache 2.0.

Qwen3-Coder-Next-REAM — сжатая версия Qwen/Qwen3-Coder-Next, подготовленная методом REAM. Модель разработана на базе семейства Qwen3-Next и использует архитектуру MoE; в каждом MoE-слое число экспертов уменьшено с 512 до 384. По README, объём сокращён с 80 млрд до 60 млрд параметров, что снижает требования к хранению и памяти GPU примерно на четверть. Метаданные каталога указывают 2,3 млрд параметров, поэтому оценка полного размера модели по источникам расходится. Модель предназначена для генерации кода и диалогового использования в сценариях разработки. При сжатии для калибровки использовали больше данных по коду; в README приведены результаты на тестах HumanEval и LiveCodeBench, близкие к показателям исходной модели. Модель принимает текстовые запросы и выдаёт текст, включая код. Указанное в метаданных контекстное окно составляет 262 144 токена. Файлы представлены в формате safetensors и рассчитаны на библиотеку Transformers. Лицензия — Apache-2.0. README отмечает, что к модели можно дополнительно применять оптимизации вроде квантизации; отдельные результаты и инструкции развёртывания здесь не приведены.

Qwopus3.6-27B-Coder-AutoRound-W4A16-RTN — квантизированная версия языковой модели Jackrong/Qwopus3.6-27B-Coder. Модель предназначена для генерации текста и, прежде всего, для задач программирования, включая написание исходного кода и алгоритмов. Разработчик базовой модели — Jackrong; квантизация выполнена с помощью инструмента AutoRound от Intel. Модель использует 4-битное симметричное квантование только весов с group_size 128 по схеме W4A16, при которой веса представлены в формате int4, а активации сохраняются в 16-битном формате. Размер квантизированной модели составляет около 18 117 МБ. В README не указаны точное число параметров базовой модели, поддерживаемые языки, размер контекстного окна или дополнительные модальности, поэтому модель следует рассматривать как текстовую. К преимуществам относятся существенно уменьшенный размер по сравнению с полноточной версией и возможность запуска через Transformers и vLLM. Результаты оценки показывают, в частности, accuracy 0,8503 на MMLU и 0,8215 на PIQA, однако качество зависит от задачи, а приведённые метрики не гарантируют корректность ответов в практических сценариях. Модель может выдавать фактически неверные, предвзятые, оскорбительные или непристойные ответы и требует предварительного тестирования безопасности. Лицензия в README не указана: необходимо соблюдать лицензию оригинальной модели Jackrong/Qwopus3.6-27B-Coder. Для использования рекомендуется установить AutoRound; также приведены инструкции для запуска через Transformers и vLLM.

RuModernBERT-base — русская версия двунаправленного энкодера ModernBERT, разработанная DeepVk. Это плотный Transformer с архитектурой ModernBERT и задачей masked language modeling: модель обучена предсказывать замаскированные токены и создавать контекстные представления текста. Число параметров — около 149 млн, глубина — 22 слоя, размер словаря — 50 368 токенов, длина контекста — до 8 192 токенов. Предобучение охватывает примерно 2 трлн токенов на русском и английском языках, а также коде; использовались интернет-источники, книги, научные материалы и социальные сети. Модель подходит как основа для задач понимания текста, включая классификацию и распознавание именованных сущностей после соответствующей настройки. Для NER авторы рекомендуют ревизию patched-tokenizer: в ней шесть часто встречающихся строчных русских букв токенизируются по одному токену. На 20 задачах RuMTEB статистически значимого ухудшения качества относительно исходной версии не обнаружено. Модель распространяется под лицензией Apache-2.0. Это энкодер для анализа и представления текста, а не генеративный чат-бот; для прикладных задач, отличных от заполнения масок, может потребоваться дополнительная настройка. Указанные авторами оценки RSG рассчитаны на dev-выборке с подбором гиперпараметров.

Muennighoff/SGPT-2.7B-weightedmean-nli-bitfit — модель семейства GPT-Neo, представленная в формате PyTorch и предназначенная для получения эмбеддингов предложений и оценки их семантического сходства. В карточке указано обучение с функцией MultipleNegativesRankingLoss и косинусным сходством; название модели указывает на взвешенное усреднение токенов и bitfit, однако README не раскрывает эти детали обучения. Модель подходит для поиска семантически близких предложений, сопоставления запросов с текстами и ранжирования кандидатов по сходству. Она содержит 3,1 млрд параметров и поддерживает контекст до 2048 токенов. Язык модели и условия лицензии в предоставленных материалах не приведены.

SmolLM3-3B German Embeddings — экспериментальная модель текстовых эмбеддингов от Mayflower GmbH на основе SmolLM3-3B. Авторы преобразовали decoder-only Llama-модель в текстовый энкодер с двунаправленным вниманием и дообучили её методом LLM2Vec: сначала на задаче предсказания маскированных токенов, затем контрастивным обучением на парах немецких текстов. Модель содержит 3,1 млрд параметров и формирует векторы размерности 2048. Модель предназначена прежде всего для немецкоязычного семантического поиска и сопоставления текстов; эмбеддинги также можно использовать для кластеризации, классификации и выявления дубликатов. Она принимает текст и выдаёт плотные векторы. В README указана максимальная длина последовательности 512 токенов; контекст архитектуры в метаданных составляет 65 536 токенов, но практический лимит модели для эмбеддингов указан как 512. Поддержка других языков возможна, однако не оценивалась. Модель выпущена под лицензией Apache-2.0.

snowflake-arctic-embed-m-i1-GGUF — это квантизированная в формате GGUF версия модели Snowflake/snowflake-arctic-embed-m, разработанная Snowflake и подготовленная пользователем mradermacher с использованием weighted/imatrix quantization. Модель предназначена для извлечения признаков и создания текстовых эмбеддингов, задач семантического сходства, поиска и других сценариев, где требуется сравнивать смысл текстов. В метаданных указаны поддержка английского языка, интеграция с Transformers и совместимость с Transformers.js. README не содержит точных сведений об архитектуре, количестве параметров, размерности эмбеддингов и максимальной длине контекста. Репозиторий предоставляет множество вариантов квантизации размером примерно от 0,1 до 0,2 ГБ, включая IQ- и Q-типы, позволяющие выбирать компромисс между размером, скоростью и качеством. Сильной стороной модели являются малый размер файлов и возможность локального запуска в экосистеме GGUF; ограничениями выступают возможная потеря качества при низкобитной квантизации и отсутствие подробных характеристик производительности в README. Модель распространяется по лицензии Apache-2.0.

Qdrant/Splade_PP_en_v1 — порт модели prithivida/Splade_PP_en_v1 в формате ONNX, подготовленный для классификации текста и поиска сходства. Модель основана на BERT и использует masked language modeling; в каталоге отмечены задачи заполнения маски и сравнения предложений. Размер — 136,7 млн параметров, контекст — до 512 токенов. Модель предназначена для поиска и сопоставления текстов, в том числе с использованием FastEmbed. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит конкретных ограничений качества или дополнительных характеристик обучения.

Stella-PL — двуязычный польско-английский текстовый энкодер, созданный авторами модели на основе stella_en_1.5B_v5. Его адаптировали для польского языка методом мультиязычной дистилляции на корпусе из 20 миллионов польско-английских пар текстов. Модель имеет архитектуру Qwen2, содержит 1,5 млрд параметров и поддерживает контекст до 131 072 токенов. Энкодер преобразует текст в векторы размерностью 1024 для семантического поиска, сравнения предложений и поиска информации. Он сравнивает тексты на польском или английском языках, а также сопоставляет тексты между этими языками. В README указано значение NDCG@10 60,52 на польском бенчмарке информационного поиска PIRB. Модель распространяется по лицензии MIT. Заявленные сценарии ограничены текстовыми эмбеддингами; README не описывает её как универсальную генеративную модель, несмотря на архитектуру причинного языкового моделирования и соответствующий тег в метаданных.

Это модель Sentence Transformers на базе XLM-RoBERTa, дообученная из lighteternal/stsb-xlm-r-greek-transfer командой IoannisKat1. Она преобразует текстовые предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, извлечения информации и сопоставления текстов; сходство оценивается косинусной мерой. Модель поддерживает усечение вектора до меньших размерностей, что позволяет выбирать компромисс между размером представления и качеством поиска. Обучение выполнено на 4 268 парах текстов с функцией MatryoshkaLoss и MultipleNegativesRankingLoss. В примерах обучающих данных есть греческие вопросы и ответы, а карточка указывает английский как язык модели; базовая модель предназначена для английского и греческого. Максимальная длина последовательности в README — 400 токенов, а метаданные указывают контекст до 514 токенов. Модель принимает и выдаёт текстовые представления в виде векторов. Лицензия — Apache-2.0.

TeleOCR — компактная мультимодальная модель для разбора документов, опубликованная командой XingChen-AGI. Она обрабатывает цифровые документы и снимки документов, в том числе с геометрическими искажениями, и формирует структурированное текстовое представление с распознанным содержимым, порядком чтения, таблицами и формулами. Модель построена на архитектуре Qwen2.5-VL и поддерживает обработку изображений с текстовыми запросами; метаданные указывают 507,9 млн параметров, библиотеку Transformers и контекст 128 000 токенов. В README заявлена версия примерно на 1,2 млрд параметров, поэтому размер в карточке и описании расходится. TeleOCR предназначена для OCR и комплексного извлечения структуры страниц: распознавания текста, таблиц и формул, а также разбора фотографий и деформированных страниц без предварительного выравнивания. Авторы сообщают о результатах на OmniDocBench, WildOmniDocBench, PureDocBench и других тестах; это результаты разработчиков и не гарантия качества на конкретных документах. Модель может быть полезна для оцифровки архивов, обработки сканов и автоматизации извлечения данных из документов. README описывает установку через Transformers и PyTorch, а полная инструкция по разбору документов находится во внешнем репозитории. Лицензия — Apache-2.0. Карточка указывает китайский и английский языки; README не уточняет языковой охват документов, поэтому качество для других языков по имеющимся данным установить нельзя.