II.6Документация и сопровождение разработки

Tiel-Coder-35B-A3B-GGUF-MTP — локальная модель для агентного программирования, разработанная peculiar-ragdoll на основе Ornith-1.5-35B-A3B. Это динамически переквантованная версия с собственной imatrix и шаблоном диалогов Sharp, встроенными в формат GGUF. Модель предназначена для запуска через llama.cpp и поддерживает MTP для speculative decoding. Основной сценарий применения — исправление реальных проблем в кодовых базах и поддержание длительных многошаговых диалогов. По данным README, модель особенно сильна в SWE-задачах и многоходовом взаимодействии, но заметно слабее подходит для викторин, экзаменационных вопросов и задач, требующих широких знаний или сложного рассуждения. В SWE-bench-Live она решила 12 из 25 задач, а в Claw-Eval получила результат 67,2; на MMLU-Pro показала 73,7. Модель имеет архитектуру MoE и обозначение 35B-A3B; доступны GGUF-квантизации от 2 до 8 бит размером примерно от 12,7 до 38,8 ГБ. Заявлена поддержка английского и китайского языков, а также контекста до 262 тысяч токенов. Благодаря MoE она рассчитана на высокую скорость, включая запуск с частичным offload на небольших GPU. Для агентного программирования рекомендуется использовать контекст 131–262 тысячи токенов и KV-кэш не ниже q8_0, если хватает совокупной RAM и VRAM. README также указывает теги vision и image-text-to-text, однако подробности мультимодальных возможностей не приведены. Модель распространяется по лицензии MIT. Ограничения включают существенное падение качества на самых низких уровнях квантизации, а также более слабые результаты в знаниях и рассуждении по сравнению с рядом альтернатив. Для запуска требуется подобрать вариант GGUF с учётом доступной совокупной памяти и желаемого размера контекста.

Unlimited-OCR — мультимодальная модель семейства Unlimited-OCR для распознавания текста и разбора документов по изображениям. Разработчики представляют её как развитие DeepSeek-OCR, ориентированное на однократный разбор длинных документов. Модель доступна для запуска через Transformers и SGLang, в том числе через OpenAI-совместимый API. Модель содержит 559,7 млн параметров, использует плотную архитектуру UnlimitedOCRForCausalLM и принимает изображения с текстовым содержимым для преобразования в текст. Заявлена поддержка нескольких языков; контекст составляет 32 768 токенов. В карточке указана лицензия MIT. README описывает варианты инференса, но не приводит результатов оценки качества или подробных ограничений применимости.

princeton-nlp/unsup-simcse-roberta-large — модель Princeton NLP для получения векторных представлений предложений. Она основана на архитектуре RoBERTa-large и обучена в рамках метода SimCSE без разметки: к одному и тому же предложению применяются разные маскирования dropout, чтобы обучать устойчивые семантические embedding-представления. Разработчики — исследователи Princeton NLP, включая Tianyu Gao, Xingcheng Yao и Danqi Chen. Модель предназначена для сравнения семантической близости текстов, поиска похожих предложений, sentence retrieval, кластеризации и построения признаков для последующих NLP-задач. Она работает как encoder и feature-extraction модель, а не как генеративная система. Для получения embedding обычно используется представление токена CLS; для unsupervised SimCSE разработчики рекомендуют вариант без дополнительного pooler-преобразования. Максимальная длина входа в конфигурации токенизатора — 512 токенов. Обучение выполнялось на предложениях из English Wikipedia, поэтому модель ориентирована прежде всего на английский язык и не является мультиязычной. В опубликованном авторами списке модель получила средний результат 78.90 на задачах semantic textual similarity (STS), что характеризует её пригодность для оценки семантического сходства. Ограничения включают зависимость качества от языка, домена и способа pooling, ограничение длины входа и отсутствие возможностей генерации текста. На странице репозитория отдельная лицензия для этого чекпойнта не указана, поэтому условия использования следует проверять по исходному репозиторию и базовой модели RoBERTa.

Vela Reranker — многоязычный энкодер на базе ModernBERT, разработанный llm-semantic-router. Модель оценивает релевантность фрагментов для поиска, RAG и выбора контекста в системах маршрутизации. В метаданных указано 306,9 млн параметров и контекст до 32 768 токенов; доступны веса Safetensors и формат ONNX. В приведённых оценках Vela превосходит исходный mmBERT Reranker на указанных наборах MIRACL, Natural Questions и SciFact, а также на двух из трёх перечисленных инструкционных задач MTEB. Результаты относятся только к выбранным наборам и подмножествам и не являются полной оценкой MTEB. Модель предназначена для ранжирования текстовых фрагментов и не генерирует ответы. Лицензия — Apache-2.0.

bwang0911/word-order-bge — англоязычная модель Sentence Transformer, дообученная разработчиком на базе BAAI/bge-base-en-v1.5 для получения плотных текстовых эмбеддингов. Она предназначена для сравнения предложений и абзацев, семантического поиска, поиска перефразировок, кластеризации и классификации текста, с особым обучением на примерах, где смысл зависит от порядка слов или отрицания. Модель построена на BERT и выдаёт векторы размерности 768; сходство оценивается косинусной мерой. README указывает максимальную длину последовательности 128 токенов, а метаданные — контекст до 512 токенов. Обучение проводилось на word_orders и negation_dataset; репозиторий содержит веса в формате safetensors и использует библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

WuQi-V3-Onyx-27B — созданная проектом WuQi агентная модель для диалогов и многоэтапных задач. Она дообучена методом LoRA на базе мультимодальной Qwen3.8-27B, после чего адаптер объединён с весами. Модель распространяется в формате Transformers и совместима с Transformers, vLLM и SGLang. Лицензия — Apache 2.0. Модель настроена на планирование и выполнение задач с инструментами, проверку наблюдений и гибкое принятие решений. В README описана адаптация для 12 инструментов среды DeepSeek Harness, включая работу с файлами и кодом, веб-поиск и делегирование подзадач. Архитектура — плотная Qwen3.5 с поддержкой изображений; заявленная длина контекста в конфигурации развертывания — 262144 токена. Основной язык карточки — китайский. Это предварительная версия. Заявленные в карточке результаты относятся к оценке DSH-ABench-Basic и внутренним замерам токенов; они не гарантируют аналогичного качества в других сценариях. Для активации дообученной манеры работы README рекомендует специальный system prompt; внешняя инструкция Harness может его переопределить.

Zenith-9B-CodeCore-Merge — экспериментальная объединённая модель на 9 млрд параметров от prithivMLmods, построенная на основе Qwen3.5-9B и объединяющая её с OxCoder-9B, Qwopus3.5-9B-Coder и Ornith-1.5-9B. Модель использует архитектуру Qwen3.5 и предназначена для генерации и понимания кода, многошагового решения задач и следования инструкциям в агентных сценариях. Модель рассчитана на сложные задачи разработки ПО: написание и изменение кода, отладку, анализ кода и длительные автономные рабочие процессы с использованием инструментов. В метаданных указаны диалоговые и интерфейсные возможности вызова инструментов; основной язык карточки — английский. Репозиторий распространяется по лицензии Apache-2.0. Автор предупреждает, что модель экспериментальная и может выдавать артефакты; для GGUF не сохранены заголовки Multi-Token Prediction, поэтому в этом формате генерация выполняется по одному токену за шаг.

Vezora/Agent-7b-v1-128k — дообученная языковая модель, созданная Nicolas Mejia Petit на базе CallComply/openchat-3.5-0106-128k. Модель построена на архитектуре Mistral с 7,1 млрд параметров и принимает текст; заявленное контекстное окно составляет 131 072 токена. Модель обучена на 31 000 примерах набора m-a-p/Code-Feedback с использованием Unsloth QLoRA. Она предназначена для интерактивного программирования с обратной связью, генерации кода и агентных сценариев, включая задачи, подобные TaskWeaver и OpenInterpreter. README указывает на генерацию до 8 192 токенов. Модель опубликована в формате safetensors под лицензией Apache-2.0. Разработчик сообщает о хороших результатах внутренних проверок, но планировал провести бенчмаркинг; независимые сравнительные результаты в карточке не приведены.

Zlovoblachko/bert-base-uncased-augmentation-indomain-bm25-sts — англоязычная модель Sentence Transformers, дообученная разработчиком на базе google-bert/bert-base-uncased для сравнения предложений по смыслу. Она преобразует текстовые фрагменты в плотные векторы размерности 768; близость векторов оценивается косинусным сходством. В README указана максимальная длина последовательности 128 токенов, а метаданные Hugging Face указывают контекст до 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и сравнения пар предложений. Также в карточке перечислены классификация текста и другие задачи на основе эмбеддингов. На тесте sts-test указана корреляция Спирмена 0,4729 для косинусного сходства; результат характеризует конкретный набор данных и не гарантирует качество на других доменах. Модель содержит 136,7 млн параметров, использует архитектуру BERT с усреднением токенных представлений и реализована на Sentence Transformers. Она рассчитана на английский язык; для языков и текстов вне обучающего распределения качество может быть ниже. Лицензия в предоставленных данных не указана.

swardiantara/bert-tiny-sst5-full-fixed-cosine — компактная модель Sentence Transformers, дообученная автором на датасете generator на основе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы на английском языке в плотные векторы размерности 128 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура включает BERT с усреднением токенных представлений; модель содержит 4,4 млн параметров. Метаданные указывают контекст до 512 токенов, а README сообщает максимальную длину последовательности 128 токенов. Модель можно применять для семантического поиска, извлечения релевантных текстов и оценки сходства предложений. Она принимает только текст и выдаёт векторы; интерфейса для генерации ответов модель не описывает. Компактный размер подходит для сценариев с ограниченными вычислительными ресурсами. Лицензия в предоставленных данных не указана.

dfrokido/bge-large-e8-snap — англоязычная модель эмбеддингов на архитектуре BERT, разработанная в проекте LatticeMemory. Она дообучена на базе BAAI/bge-large-en-v1.5 методом RF-Snap: выходные векторы обучены привязываться к ближайшим точкам решётки E8, формируя компактный 128-байтовый адрес наряду с обычным эмбеддингом размерности 1024. Модель содержит 433,9 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Адрес E8 предназначен для быстрого поиска точных и близких повторов текста, дедупликации и сопоставления намерений из закрытого набора. Эмбеддинги также подходят для сходства предложений: на STSBenchmark модель показала Spearman 0,8714 против 0,8637 у базовой модели. Для перефразирований и асимметричного поиска по парам запрос–документ адрес E8 сам по себе ненадёжен; для таких сценариев README рекомендует другие режимы библиотеки LatticeMemory. Модель распространяется под лицензией Apache-2.0. Указанный размер адреса E8 не означает уменьшения общего объёма хранимых эмбеддингов: LatticeMemory сохраняет полные векторы отдельно.

BAAI/bge-reranker-large — двуязычный англо-китайский переранжировщик текстов, разработанный командой FlagEmbedding при BAAI. Это модель архитектуры XLM-RoBERTa с 658,7 млн параметров, обученная как cross-encoder: она принимает запрос вместе с отдельным документом и оценивает их релевантность. Контекст составляет 514 токенов; доступны веса в форматах PyTorch, Safetensors и ONNX. Модель предназначена для повторной сортировки результатов поиска: сначала система извлекает кандидатов с помощью модели эмбеддингов, затем bge-reranker-large оценивает пары «запрос — документ» и помогает поднять наиболее подходящие материалы. Она ориентирована на более точное ранжирование, чем модель эмбеддингов, но менее эффективна по вычислениям, поэтому подходит для переранжирования ограниченного набора кандидатов, а не полного корпуса. Поддерживаемые языки — китайский и английский. Лицензия — MIT.

Кросс-энкодер для французского языка, разработанный командой Leviatan Research Team на основе distilroberta-base. Модель объединяет два сценария: определяет, можно ли найти ответ на вопрос в заданном контексте, и оценивает смысловое сходство двух текстов. В Hugging Face модель отмечена как text-classification; она принимает пары текстов и выдаёт оценку или бинарную классификацию релевантности и сходства. Модель предназначена для поиска релевантных фрагментов в системе RAG, проверки соответствия контекста вопросу и сравнения предложений. В README приведены результаты на тестах команды и STS-B, включая корреляции и метрики бинарной классификации. Доступны веса в формате safetensors. Условия лицензии в предоставленных данных не описаны.

Карточка модели TechxGenus/CursorCore-DS-1.3B-SR на Hugging Face совпадает с карточкой TechxGenus/CursorCore-DS-1.3B, поэтому описание составлено по ней. CursorCore-DS-1.3B — модель из серии CursorCore, разработанной Hao Jiang, Qi Liu, Rui Li, Shengyu Ye и Shijin Wang для помощи в программировании. Она дообучена на базе deepseek-ai/deepseek-coder-1.3b-base и предназначена для генерации кода и диалоговой поддержки в сценариях AI-помощника программиста, включая редактирование кода, встроенный чат и автодополнение. Модель использует плотную архитектуру семейства LLaMA с причинно-следственной языковой моделью на 1,3 млрд параметров. Она принимает текстовые запросы и контекст с кодом и генерирует текст, включая программный код; заявленная длина контекста — 16 384 токена. README показывает сценарии обычного чата и взаимодействия с кодом, но примеры для конкретной модели частично используют другие модели CursorCore. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели.

Darwin-28B-Coder — специализированная на программировании языковая модель семейства Darwin, опубликованная VIDRAFT FINAL-Bench. Это плотная модель на 28 млрд параметров с архитектурой, совместимой с Qwen3.5; карточка сообщает о контекстном окне 32 тыс. токенов. Модель предназначена для генерации кода на уровне функций, работы со сложными библиотеками и вызова инструментов в агентных сценариях. README приводит результаты HumanEval, MBPP, BigCodeBench-Complete и теста вызова функций; часть оценок получена с выбором лучшего из нескольких генераций или голосованием ансамбля, поэтому их нельзя напрямую считать качеством одного случайного ответа. Модель принимает текстовые запросы и генерирует текст, включая код и структурированные вызовы функций. В метаданных указаны английский и корейский языки, набор данных CodeFeedback-Filtered-Instruction и возможности чата, программирования и интерфейса вызова инструментов. Модель распространяется под лицензией Apache-2.0. В метаданных базовой моделью указана VIDraft/Darwin-28B-Opus.

E5-small-trm-nl — модель эмбеддингов на архитектуре BERT, разработанная как дообученная версия clips/e5-small-trm. Она преобразует запросы и тексты в векторы для поиска и сравнения смысловой близости; карточка приводит пример кодирования запросов и фрагментов MS MARCO. Модель предназначена для нидерландского языка и обучалась на наборах BEIR-NL для поиска, ответов на вопросы и проверки фактов. Модель содержит 47,5 млн параметров, принимает текст, поддерживает контекст до 512 токенов и распространяется в формате safetensors. Лицензия — MIT. Доступны эмбеддинги для задач сходства предложений и извлечения признаков. В README приведена таблица результатов MTEB-NL, однако соответствующая строка этой модели в предоставленном фрагменте отсутствует, поэтому её качество по этим данным оценить нельзя.

eth-setfit-multilabel-model — модель Sentence Transformers на архитектуре MPNet, разработанная проектом physician-ethics-responsible-data-science. Она преобразует предложения и абзацы в плотные векторы размерности 768 для кластеризации, семантического поиска и сравнения смысловой близости текстов. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель обучалась с использованием CosineSimilarityLoss. Несмотря на название, в карточке описаны векторные представления текста, а метаданные указывают возможности embeddings; назначение для конкретной задачи многометочной классификации не подтверждено. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

F2LLM-v2-4B-Preview — многоязычная модель эмбеддингов от CodeFuse AI, дообученная на базе Qwen3-4B. Она обучена на корпусе из 27 миллионов примеров и предназначена для получения текстовых векторных представлений, которые можно использовать в задачах поиска, сопоставления и других сценариях с эмбеддингами. Это базовая preview-версия без инструкционного обучения, рассчитанная на дальнейшую настройку под конкретные задачи. Модель имеет плотную архитектуру Qwen3 и около 3,7 млрд параметров; максимальный контекст составляет 40 960 токенов. README сообщает о данных более чем на 100 естественных и программных языках, а метаданные перечисляют поддерживаемые языки карточки, включая русский и английский. Доступны веса в формате Safetensors и использование через Transformers или Sentence Transformers. Лицензия — Apache-2.0.

GLM-5.2-EXL3-TR3-3.40bpw-KVarN-K4V2 — это локально ориентированный serving-чекпойнт на базе GLM-5.2 от zai-org, подготовленный jpsequeira. Модель предназначена для генерации текста, прежде всего для задач программирования, рассуждений и агентских сценариев, с акцентом на эффективное развертывание на четырёх GPU RTX PRO 6000 Blackwell по 96 ГБ. Чекпойнт рассчитан на использование с форком local-inference-lab/vllm и специализированными компонентами b12x, KVarN и sparkinfer. Модель использует архитектуру GLM-5.2 размером 756B параметров с MoE и маршрутизацией экспертов. Применена смешанная EXL3-квантизация примерно 3,40 бит на вес, а для KV-кэша используется формат KVarN K4V2 с затратами 290 байт на токен на слой. Поддерживаются sparse MLA attention, paged top-k indexer и MTP3 speculative decoding. Для данного класса оборудования подтверждён контекст до 819K токенов; модель относится к текстовым моделям, однако сведения о поддерживаемых языках в README не указаны. Сильными сторонами являются высокая экономичность KV-кэша, большой практически проверенный контекст и оптимизация под локальное инференс-развёртывание. При этом качество квантизации зависит от домена: заявленные низкие значения KLD на калибровочном наборе не обобщаются на отложенные данные, где модель уступает некоторым общественным чекпойнтам GLM-5.2. Кроме того, для работы требуются совместимые GPU, специализированный runtime и соответствующие backend-компоненты. Чекпойнт распространяется по лицензии MIT.

GME-Qwen2-VL-2B — мультимодальная модель эмбеддингов, разработанная Tongyi Lab компании Alibaba Group на основе Qwen2-VL-2B-Instruct. Она преобразует текст, одно изображение или пару «изображение и текст» в векторы размерностью 1536 для поиска и сопоставления между текстами и изображениями. Модель поддерживает динамическое разрешение изображений и контекст до 32 768 токенов. Модель предназначена для текстового и мультимодального поиска, включая поиск изображений по тексту, похожих изображений и документов по содержимому скриншотов. Её можно применять в мультимодальных RAG-системах, например для поиска по научным статьям. В карточке сообщаются результаты оценки на английском и китайском наборах MTEB, однако обучение велось только на английских данных, поэтому качество мультиязычных мультимодальных эмбеддингов не гарантируется. Модель обрабатывает по одному изображению за раз; число визуальных токенов ограничено 1024. Данные карточки указывают лицензию Apache-2.0, а правила распространения GME дополнительно требуют заметно указывать «Built with GME» для продуктов с моделью и добавлять префикс «GME» к названиям моделей, созданных с использованием её выходов.

Модель ertghiu256/Granite-4.1-3b-coder — дообученная автором ertghiu256 версия Granite-4.1-3b от IBM, ориентированная на генерацию кода. Она предназначена для написания и дополнения кода, а также для диалогового взаимодействия по задачам программирования. Архитектура — плотная причинная языковая модель GraniteForCausalLM на 3,4 млрд параметров с контекстом до 131 072 токенов; репозиторий содержит веса в формате safetensors. В карточке указаны английский язык, чат и интерфейс вызова инструментов. Модель в основном обучалась на коде Python, поэтому для других языков программирования качество может быть ниже. Лицензия — Apache-2.0.

granite-embedding-278m-multilingual-GGUF — квантованная в формате GGUF версия мультиязычной модели эмбеддингов ibm-granite/granite-embedding-278m-multilingual, разработанной IBM и подготовленной пользователем bartowski. Модель предназначена для преобразования текста в векторные представления и может использоваться в семантическом поиске, системах Retrieval и других задачах сопоставления текстов между собой. Заявлены языки английский, арабский, чешский, немецкий, испанский, французский, итальянский, японский, корейский, нидерландский, португальский и китайский. Размер базовой модели составляет 278 млн параметров. Формат GGUF ориентирован на локальный запуск с совместимыми инструментами инференса, однако конкретный тип квантования, размер контекста, архитектура и поддерживаемые модальности в предоставленных данных не указаны. Сильной стороной модели является мультиязычная направленность и пригодность для задач поиска; в README приведены результаты Retrieval на наборе Miracl для нескольких языков. Показатели зависят от языка и сценария использования, поэтому перед внедрением модель следует проверить на собственных данных. Ограничения, связанные с качеством эмбеддингов, контекстом и производительностью, нельзя оценить полнее без дополнительных сведений. Модель распространяется по лицензии Apache-2.0.

Grug 27B v2 — диалоговая модель для программирования и работы с инструментами, разработанная ProCreations на базе Qwen/Qwen3.8-27B. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; основные веса дообучены на примерах кода, математики, исправления ошибок и вызовов инструментов. Репозиторий содержит веса safetensors и встроенную обученную MTP-голову для ускорения генерации при поддержке со стороны среды выполнения. Модель предназначена для генерации и исправления кода, решения агентных задач с инструментами и диалогового взаимодействия. В README приведены результаты на небольших поднаборах HumanEval, MBPP, BFCL и SWE-bench Verified; авторы отдельно подчёркивают, что это не полные лидерборды и они не гарантируют преимущество на всех задачах. Доступны уровни reasoning_effort low, medium и xhigh, по умолчанию medium. Для запуска с MTP автор проверял vLLM 0.29.0; ускоряющая голова уже включена в чекпойнт, но её поддержку необходимо включить в рантайме. В README указана оценка на ограниченном наборе 12 задач SWE-bench Verified: при стандартных для каждого уровня лимитах модель решила 9, 10 и 11 задач на low, medium и xhigh соответственно. На поднаборе MATH результат Grug v2 ниже базовой Qwen. Автор также сообщает о незавершённых циклах рассуждения, возможном снижении точности при более длительном рассуждении и зависимости качества вызовов инструментов от правильной настройки парсеров и шаблона. Заявленная длина контекста в README не приводится; 65 536 токенов упомянуты как условие отдельного сравнительного запуска, а в примере настройки vLLM задан предел 24 576 токенов. Лицензия — Apache-2.0.

Qdrant/gte-large-onnx — ONNX-порт модели thenlper/gte-large, подготовленный для использования в экосистеме Qdrant. Это текстовая модель, формирующая векторные представления текстов и предназначенная для задач семантического сходства и поиска по близости, а также для сценариев классификации текста на основе эмбеддингов. Модель принимает текст на вход и преобразует его в числовой вектор фиксированной размерности. В README не указаны точные архитектура, количество параметров, размерность эмбеддингов, максимальная длина контекста и перечень поддерживаемых языков. Модель совместима с FastEmbed, что упрощает получение эмбеддингов для коллекций документов и последующее использование в системах семантического поиска. К сильным сторонам относятся формат ONNX и ориентация на задачи similarity search, однако README не содержит подробных сведений о качестве, производительности, ограничениях по длине текста или языковой специализации. Модель распространяется по лицензии Apache 2.0.

gte-multilingual-mlm-base — многоязычный текстовый энкодер серии mGTE, разработанный Institute for Intelligent Computing группы Alibaba. Модель предназначена для представления текста и задач поиска и ранжирования; вариант MLM обучен восстанавливать замаскированные токены и также может применяться в задачах понимания текста. Энкодер построен на базе Transformer++ — сочетания BERT, RoPE и GLU — и использует словарь XLM-R. В модели около 305 млн параметров, максимальная длина контекста составляет 8192 токена. В README заявлена поддержка 75 языков; среди кодов языков в метаданных указаны, в частности, русский и английский. Модель показала результаты выше XLM-R-base того же размера на GLUE и XTREME-R. Лицензия — Apache-2.0. Это базовый MLM-энкодер, поэтому для прикладных задач классификации, извлечения сущностей или ранжирования может потребоваться соответствующая настройка и подходящая обвязка; карточка не содержит сведений о генерации текста.

INF-o1-pi0 — языковая модель для рассуждений, разработанная командой INF-o1 компании INFLY TECH (Shanghai) Co., Ltd. Это начальный контрольный чекпойнт проекта, созданный для оценки конвейера подготовки данных перед дальнейшим обучением с подкреплением. Модель дообучена на базе Qwen/Qwen2.5-32B-Instruct, имеет плотную архитектуру Qwen2 и 32 млрд параметров; работает через Transformers и принимает текст, выдавая текст. Контекстное окно составляет 32 768 токенов. Модель предназначена для генерации развёрнутых рассуждений и решения задач по математике, программированию, логике, безопасности и SQL. В README приведены результаты сравнений на математических, логических и SQL-бенчмарках; они показывают сильные результаты на отдельных наборах, но не гарантируют точность в прикладных задачах. Карточка описывает этот выпуск как исходный чекпойнт для оценки конвейера данных и основы будущего обучения с подкреплением. Языковые теги метаданных охватывают китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. Лицензия в предоставленных данных не указана.

MohitML10 опубликовал sentence-transformers-модель для сопоставления предложений и абзацев по смыслу. Она основана на BERT, содержит 25,9 млн параметров и преобразует текст в нормализованные плотные векторы размерностью 384; сходство оценивается косинусной мерой. Обучение проводилось на 7 200 парах предложений с оценками сходства. Метаданные указывают максимальный контекст 512 токенов, а карточка модели описывает максимальную длину последовательности 256 токенов. Модель подходит для семантического поиска, ранжирования текстов по сходству, поиска перефразировок, кластеризации и использования в качестве признаков для классификации текста. Хотя название репозитория указывает на обнаружение jailbreak-запросов, карточка описывает обучение на сходстве предложений и не подтверждает отдельную классификацию таких запросов. Лицензия в предоставленных данных не указана.

Juno-N-Coder-25B — модель для генерации кода, разработанная Locai Labs на основе NVIDIA Nemotron 3.5 Lightning 30B. Это производная модель семейства Nemotron-H, полученная структурным удалением нижних 25% экспертов алгоритмом SPACE с перенормировкой маршрутизатора; дополнительное восстановительное дообучение не проводилось. В метаданных указано 1,9 млрд параметров, а заявленная длина контекста составляет 262 144 токена. Модель предназначена для помощи в разработке программного обеспечения: генерации кода и решения задач по программированию. Карточка сообщает о близких к базовой модели результатах на LiveCodeBench v6, HumanEval+ и MBPP+, при этом общие знания и фактическое воспроизведение могут ухудшаться: в частности, приведены снижения на некоторых группах MMLU Redux. Для запуска приведён пример с vLLM и поддержкой вызова инструментов. Репозиторий использует формат Safetensors и лицензию «other»; конкретные условия этой лицензии в доступных сведениях не раскрыты.

KaLM-Reranker-V1-Large — мультиязычный реранкер KaLM-Embedding на базе encoder-decoder архитектуры T5Gemma2, дообученной на Google T5Gemma 2 4B. Модель оценивает релевантность документов запросу и упорядочивает их по соответствию запросу; она предназначена для поиска, retrieval-augmented generation (RAG) и других систем, где нужно выбрать наиболее полезные фрагменты из корпуса. Модель использует 4 млрд активируемых параметров, 34 слоя и поддерживает последовательности длиной до 128 тыс. токенов. В архитектуре разделены вычисления для запросов и документов: энкодер предварительно кодирует документы с Matryoshka pooling, а декодер учитывает инструкции и намерение запроса; cross-attention сохраняет взаимодействие между запросом и представлениями документов. По описанию авторов, модель показывает конкурентные результаты на BEIR, MIRACL и LMEB, при этом заявленная эффективность связана с уменьшением вычислений при ранжировании. Модель принимает текстовые запросы и документы и выдаёт оценки релевантности для их ранжирования. Метаданные отмечают мультиязычность; README сообщает о результатах на мультиязычном MIRACL, хотя модель не обучалась на большом объёме мультиязычных данных. В README приведены параметры реализации, допускающие ограничение длины запроса и документа при инференсе. Лицензия — Apache-2.0.

Карточка модели RedHatAI/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.