II.6Документация и сопровождение разработки

Cohere Transcribe — открытая специализированная модель распознавания речи от Cohere и Cohere Labs. Это модель с аудио на входе и текстом на выходе, с 2 млрд параметров, обученная с нуля. Она предназначена для офлайн- и серверной транскрибации и поддерживается Transformers и vLLM. Модель работает с 14 языками: арабским, немецким, греческим, английским, испанским, французским, итальянским, японским, корейским, нидерландским, польским, португальским, вьетнамским и китайским. Разработчики заявляют о высокой точности транскрибации на этих языках и скорости до трёх раз выше, чем у специализированных ASR-моделей сопоставимого размера. Модель лучше работает, когда язык заранее задан и остаётся неизменным; автоматического определения языка нет, а переключение языков обрабатывается нестабильно. Модель не выдаёт временные метки и не выполняет диаризацию говорящих. Тишина и фоновый шум могут приводить к ложной транскрибации, поэтому для таких записей полезны VAD или шумовой фильтр. Лицензия — Apache-2.0.

colbertv2-camembert-L4-mmarcoFR — компактная модель ColBERTv2 для семантического поиска на французском языке. Она разработана на основе CamemBERT-L4 и дообучена на французской части mMARCO с использованием оценок кросс-энкодера. Модель кодирует запросы и документы в матрицы токенных эмбеддингов и оценивает их соответствие с помощью операции MaxSim; для оценки релевантности применяется косинусное сходство. Модель предназначена для поиска релевантных фрагментов в больших коллекциях текстов и может использоваться в системах семантического поиска и RAG. В README указана размерность эмбеддингов 32 и максимальная длина последовательности 514 токенов в метаданных; при обучении использовались длины до 32 токенов для запросов и до 160 для документов. В оценке на dev-наборе mMARCO-fr с корпусом из 8,8 млн фрагментов модель показала MRR@10 32,3 и R@1000 91,9. Репозиторий содержит веса safetensors и распространяется по лицензии MIT.

Карточка модели TechxGenus/CursorCore-QW2.5-1.5B-LC 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.

Карточка модели TechxGenus/CursorCore-QW2.5-1.5B-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.

DASD-4B-Thinking-GGUF — это квантизированная версия компактной плотной языковой модели DASD-4B-Thinking, разработанной Alibaba-Apsara и преобразованной в формат GGUF с помощью llama.cpp; квантизацию выполнил GGUF Quantizer Space. Исходная модель основана на Qwen3-4B-Instruct-2507 и обучалась методом distribution-aligned sequence distillation с использованием gpt-oss-120b в качестве учителя и 448 тыс. обучающих примеров. Модель предназначена для задач, требующих рассуждений по длинной цепочке, включая решение математических задач, генерацию кода и научное рассуждение. Это текстовая модель с параметрами порядка 4 млрд, ориентированная на локальный запуск на пользовательском оборудовании через llama.cpp или Ollama. README не указывает поддерживаемые языки и размер контекстного окна. Доступно множество вариантов квантизации от Q2_K до Q8_0. Q4_K_M и Q5_K_M отмечены как рекомендуемые и предлагают компромисс между размером и качеством, тогда как Q8_0 обеспечивает близкое к исходному качество при большем размере. Среди заявленных сильных сторон — высокие результаты на AIME24, AIME25, LiveCodeBench и GPQA-D, а также возможность запуска сравнительно небольшой модели на потребительском оборудовании. Более агрессивная квантизация может приводить к заметной потере качества. Лицензия в представленном README не указана.

DeepSeek-V4-Flash-162B-REAP-GGUF — это набор GGUF-квантизаций модели DeepSeek-V4-Flash-162B, подготовленный сообществом на основе модели 0xSero/DeepSeek-V4-Flash-162B. Модель предназначена для генерации текста и локального инференса через llama.cpp на конфигурациях с несколькими GPU. Указаны варианты Q2_K размером 56 ГБ и Q3_K_M размером 73 ГБ; для них заявлены контекст до 200K и 128K токенов соответственно при использовании Q4 KV-cache. Поддерживаемые языки — английский и китайский. Архитектура основана на DeepSeek-V4 с pruning REAP, уменьшившим исходный размер с 284B до 162B параметров. Модель использует MoE со 144 экспертами, веса экспертов в формате MXFP4 и MHC (Manifold Hyper-Connections). Вариант Q2_K на двух GPU с суммарно 96 ГБ VRAM показывает около 28–29 токенов в секунду, тогда как Q3_K_M — около 13 токенов в секунду. Для работы требуется многопроцессорная конфигурация с двумя GPU по 48 ГБ VRAM, не менее 112 ГБ оперативной памяти и дисковое пространство 56–73 ГБ. Необходима пропатченная версия llama.cpp: стандартная версия может аварийно завершаться из-за нестандартной маршрутизации экспертов REAP. В README также отмечена нестабильность варианта Q3_K_M. Модель и связанные патчи распространяются по лицензии MIT.

Distil-Large-v3.5 — англоязычная модель распознавания речи из семейства Distil-Whisper, созданная в совместной работе Бофэном Хуаном, Эсташем Ле Бианом, Стивеном Чжэном и Вайбхавом Шриваставом. Это дистиллированная версия OpenAI Whisper-Large-v3 с архитектурой Whisper encoder-decoder; в метаданных указано 905,2 млн параметров. Модель предназначена для преобразования речи в текст, включая короткие аудиозаписи и длинные записи с последовательной или разбитой на фрагменты обработкой. Авторы сообщают об обучении на 98 тысячах часов разнообразных публичных данных, использовании teacher-модели с расширенным графиком обучения и аугментации SpecAugment. По оценкам авторов, модель примерно в 1,5 раза быстрее Whisper-Large-v3-Turbo и показывает хорошие результаты на коротких записях; также её можно использовать как черновую модель для speculative decoding с Whisper-Large-v3. Модель рассчитана на английскую речь. Она поддерживается библиотекой Transformers версии 4.39 и новее, веса опубликованы в формате safetensors. Лицензия — MIT. Результаты зависят от типа аудио: на приведённой авторами оценке ошибка распознавания длинных записей выше, чем коротких; заявленные метрики основаны на нормализованном тексте и конкретных тестовых наборах.

french-bge-m3 — франкоязычная версия модели BAAI/bge-m3, разработанная Antoine Louis. Она предназначена прежде всего для задач семантического сходства и поиска фрагментов текста, включая passage retrieval, во французском языке; модель может использоваться с библиотеками Transformers и Sentence Transformers. Модель создана методом pruning и на 38,4% меньше исходной BAAI/bge-m3, благодаря чему требует меньше памяти. Архитектура и точное число параметров в README не указаны. Это текстовая модель для французского языка, унаследованная от многоязычной BGE-M3, но из её словаря удалены токены, нечасто встречающиеся во французском. Поэтому для французских задач ожидается производительность, близкая к оригинальной модели, тогда как качество на других языках может быть заметно ниже. Модель распространяется по лицензии MIT. Для загрузки в Transformers требуется параметр trust_remote_code=True; также она поддерживается библиотекой Sentence Transformers.

gemma-3n-E4B-it-MLX-6bit — это 6-битно квантованная версия модели gemma-3n-E4B-it от Google, адаптированная командой LM Studio с использованием MLX и mlx_vlm. Модель оптимизирована для работы на устройствах Apple Silicon и предназначена для локального запуска через совместимое программное обеспечение. В карточке указаны сценарии image-text-to-text, audio-text-to-text, video-text-to-text, автоматического распознавания речи и автоматического перевода речи. Ключевые характеристики исходной архитектуры, точный размер модели, поддерживаемые языки и максимальная длина контекста в README не указаны. Квантование снижает требования к памяти и делает модель более подходящей для локального использования на Apple Silicon, но может уменьшать точность по сравнению с исходной версией. Модель может генерировать неточные, вредные или неподходящие результаты, поэтому выводы требуют проверки. Использование регулируется лицензией Gemma; для доступа на Hugging Face необходимо ознакомиться с лицензией Google и принять её условия.

principled-intelligence выпустила текстовый вариант Gemma 4 E2B-it: из исходного мультимодального чекпойнта удалены веса энкодеров изображений и аудио, а языковая модель сохранена. Это плотная модель семейства Gemma 4 с 1,6 млрд параметров по метаданным и контекстом до 131 072 токенов. Модель предназначена для извлечения признаков из текста и может использоваться как текстовая часть исходной модели для генерации. По README, удаление энкодеров уменьшает размер чекпойнта и пиковое потребление видеопамяти примерно на 9% по сравнению с исходным Gemma 4 E2B-it; сохранены исходные токенизатор и шаблон чата. Для загрузки автор проверял Transformers, а другие движки инференса пока не поддерживаются. Лицензия — Apache-2.0.

GLIDER — дообученная Patronus AI модель на базе microsoft/Phi-3.5-mini-instruct для оценки текстов, диалогов и RAG-систем по заданным пользователем критериям и шкалам. Она предназначена для автоматического судейства и измерения качества ответов в различных сценариях. Модель использует плотную архитектуру Phi-3, содержит 3,7 млрд параметров и работает с текстом. В README заявлена максимальная длина последовательности 8192 токена и проверка на текстах до 12 000 токенов; метаданные указывают native context в 4096 токенов. Обучение использовало синтетические и адаптированные по областям данные, охватывающие более 183 метрик и 685 областей, включая финансы и медицину. Основной язык — английский; также заявлена поддержка корейского, казахского, хинди, бенгальского, испанского, индонезийского, немецкого, французского, арабского, русского и других языков. GLIDER подходит для проверки ответов чат-ботов, сравнения вариантов генерации, оценки качества поиска с генерацией и проверки соответствия пользовательским рубрикам. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

HashNuke/indic-ocr-mlx — конверсия IndicOCR от Bodhan AI / AI4Bharat для запуска на Apple Silicon через MLX-VLM. Это двухэтапная система разбора документов: IndicDocLayout находит блоки и определяет порядок чтения, затем IndicBlockOCR распознаёт их содержимое. Результат включает Markdown в порядке чтения и JSON по блокам; формулы могут передаваться в LaTeX, а таблицы — в HTML. Этап распознавания основан на дообученной Qwen3.5-0.8B, а этап разметки — на дообученной PP-DocLayoutV3 с 37 классами. Модель предназначена для OCR и структурированного извлечения текста из изображений страниц, включая документы с формулами и таблицами. Заявлена поддержка печатного текста на английском и 22 индийских языках; рукописный текст поддерживается на английском и 12 индийских языках, но не на всех языках печатного текста. Проверки описаны на отдельных примерах и не являются оценкой точности на широком наборе данных. Для запуска требуется версия MLX-VLM с поддержкой indic_ocr; веса не квантизированы. Лицензия указана как other, поэтому конкретные условия использования следует сверять с карточкой модели и лицензией исходного проекта.

inception42/jais-family-6p7b — двуязычная языковая модель семейства Jais от Inception Institute of Artificial Intelligence. Это авторегрессионная decoder-only модель для генерации текста; семейство обучалось с нуля и адаптивно на базе Llama 2, но для этой конкретной копии базовая модель в метаданных не указана. Репозиторий содержит веса в формате safetensors, лицензия — Apache 2.0. Модель предназначена для генерации и понимания текста на арабском и английском языках. Её можно использовать для диалоговых помощников, суммаризации двуязычных документов, анализа тональности и исследовательских задач арабской NLP. README указывает, что для загрузки требуется пользовательский класс модели и параметр trust_remote_code=True. Семейство Jais оптимизировано для арабского языка и обладает сильными возможностями на английском. Для конкретного чекпойнта размер и длина контекста не приведены. Возможны фактические ошибки, предвзятость и неподходящие ответы; модель не следует считать одинаково компетентной на других языках и применять в высокорисковых решениях без контроля человека.

AISE-TUDelft/java-rational-classifier — модель на базе MPNet, созданная командой AISE-TUDelft и представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения смысловой близости; модель также подходит для семантического поиска и кластеризации текстов. Число параметров — 136,7 млн, длина контекста — 514 токенов. Модель поставляется в формате PyTorch и обучалась с функцией потерь CosineSimilarityLoss. Название указывает на специализацию на классификации Java-кода по рациональным свойствам, но README описывает применение только как модели эмбеддингов и не раскрывает детали этой специализации. Лицензия в предоставленных сведениях не указана.

Xenova/jina-embeddings-v2-base-en — это версия модели jinaai/jina-embeddings-v2-base-en с весами в формате ONNX, адаптированная для работы с библиотекой Transformers.js. Модель предназначена для извлечения признаков и создания векторных представлений англоязычных текстов, которые можно использовать для семантического поиска, сравнения текстов и других задач, основанных на сходстве эмбеддингов. Для получения эмбеддингов используется pipeline feature-extraction в Transformers.js с усредняющим pooling; сходство векторов можно оценивать, например, с помощью косинусной близости. Доступны варианты вычислений fp32, fp16, q8 и q4, что позволяет выбирать между точностью и требованиями к ресурсам. В README не указаны архитектура, размер модели, размерность эмбеддингов, максимальная длина контекста и точный перечень языков, поэтому эти характеристики нельзя достоверно описать. К сильным сторонам относятся совместимость с JavaScript-экосистемой Transformers.js и наличие ONNX-весов, пригодных для запуска в поддерживаемых средах, включая потенциальные веб-сценарии. К ограничениям относятся англоязычная специализация исходной модели и возможное снижение качества при квантовании. Лицензия в README не указана.

Kimi-VL-A3B-Thinking-2506 — мультимодальная модель Moonshot AI, обновлённая версия Kimi-VL-A3B-Thinking и дообучение Kimi-VL-A3B-Instruct. Она предназначена для диалогов с анализом изображений и видео, визуального восприятия и рассуждений, включая решение математических задач, понимание экранов и работу с изображениями высокого разрешения. Модель поддерживает изображение размером до 3,2 млн пикселей и может генерировать до 32 тыс. токенов при длинном декодировании. В README отмечены улучшения результатов на мультимодальных и видеобенчмарках, а также сокращение длины рассуждений в среднем на 20% относительно предыдущей версии. В метаданных указаны архитектура KimiVLForConditionalGeneration, библиотека Transformers и возможность диалогового взаимодействия. Для запуска авторы рекомендуют vLLM; также описан запуск через Transformers. Модель распространяется по лицензии MIT. Описание не указывает поддерживаемые естественные языки и точное число параметров.

KoVRE-Stage1 — мультимодальная модель эмбеддингов с 2 млрд параметров от автора whybe-choi, дообученная на базе Qwen/Qwen3-VL-Embedding-2B для поиска по визуальным документам. Она сопоставляет текстовые запросы на корейском или английском языке с изображениями страниц документов, включая сканы и отрендеренные страницы, и подходит для первого этапа поиска в мультимодальных RAG-системах. Модель создаёт один L2-нормированный вектор на запрос или страницу; доступны размеры эмбеддинга от 128 до 2 048 измерений, оптимизированные методом Matryoshka Representation Learning. Релевантность оценивают по косинусному сходству. Чекпойнт отражает первый этап обучения — контрастивное обучение на 708 729 парах «запрос — страница» на корейском и английском языках, с трудными отрицательными примерами и фильтрацией вероятных ложных отрицаний. Он предназначен также для исследований и дальнейшей адаптации. README рекомендует для промышленного применения и максимального качества корейского поиска финальный чекпойнт whybe-choi/kovre, обученный с дополнительной дистилляцией. Лицензия — Apache-2.0.

OsaurusAI/Laguna-XS.2-JANGTQ — квантизированная версия языковой MoE-модели Laguna-XS.2 от Poolside, подготовленная Jinho Jang для запуска на компьютерах Apple Silicon через MLX. Модель предназначена для агентного программирования и продолжительных задач разработки ПО; поддерживает генерацию текста и диалоговый режим. Архитектура включает 40 слоёв, 256 маршрутизируемых экспертов с выбором восьми экспертов на токен и один общий эксперт. Используется гибридное внимание с полным и скользящим окном, групповое внимание запросов и контекст до 131 072 токенов. Веса экспертов квантизированы TurboQuant до 2 бит, ряд других линейных слоёв — до 8 бит; нормы и некоторые компоненты маршрутизатора сохранены в FP16. Репозиторий содержит веса в формате safetensors и предназначен для MLX. Для работы требуется совместимый JANGTQ runtime sidecar jangtq_runtime.safetensors, соответствующий параметрам квантизации модели. Базовая модель — poolside/Laguna-XS.2; лицензия — Apache-2.0. Квантизация может снижать точность относительно исходной модели, а запуск описан для Apple Silicon.

amd/Llama-3.1-8B-Instruct-FP8-KV-Quark-test — тестовая производная модели Llama 3.1 8B Instruct, опубликованная организацией AMD на Hugging Face и основанная на Meta Llama-3.1-8B-Instruct. Это авторегрессионная текстовая языковая модель для генерации ответов по инструкциям и диалоговых сценариев; репозиторий также используется в тестах интеграции vLLM и квантования Quark. Модель содержит около 8 млрд параметров и использует архитектуру LlamaForCausalLM с 32 слоями, 32 attention-heads и 8 key-value-heads. В конфигурации указаны FP8-квантизация весов и операций, включая FP8 KV-cache, а также формат хранения safetensors; базовый тип вычислений обозначен как bfloat16. Максимальная длина контекста указана как 131072 токена, исходный размер позиционного окна — 8192 токена с масштабированием RoPE. Модель работает с текстом; точный перечень поддерживаемых языков в карточке этой версии не указан. Сильные стороны версии — уменьшение требований к памяти и возможность оптимизированного запуска на совместимой инфраструктуре AMD/ROCm с vLLM и Quark. Ограничения состоят в том, что это тестовый квантованный вариант без содержательной model card, поэтому для него не приведены отдельные результаты качества, подробные рекомендации по применению и подтверждённые языковые характеристики; влияние FP8-квантизации на точность также не описано. В репозитории указана лицензия llama3.1, унаследованная от семейства Llama 3.1.

MIO-7B-Base — базовая мультимодальная авторегрессионная модель, разработанная командой M-A-P и соавторами из исследовательских организаций. Она предназначена для генерации и понимания текста, изображений, речи и видео в единой последовательности токенов. В основе — плотная архитектура LLaMA с 5,8 млрд параметров; модель использует дискретные представления разных модальностей и контекст до 4096 токенов. Исследовательская работа описывает сценарии визуальных вопросов и ответов, распознавания и синтеза речи, создания подписей к видео, редактирования изображений и смешанной генерации текста с изображениями. Модель основана на Yi-6B-Base и дообучена для мультимодальных задач; переданные метаданные также связывают её с Yi-6B-Chat. Для этой версии в карточке указана лицензия Apache-2.0. Публикация сообщает о конкурентных результатах в ряде тестов, но отмечает сложности с вычислительной стоимостью длинных мультимодальных контекстов и разрешением генерируемых изображений. Указанный в метаданных pipeline_tag — text-generation; мультимодальные задачи и характеристики описаны в публикации о семействе MIO.

Mistral Code Architect 7B — локально запускаемая модель для программирования и анализа кибербезопасности, созданная Lautloserspieler на базе Mistral 7B Instruct v0.3. Модель дообучена методом QLoRA на смеси примерно из 25 тысяч примеров по генерации кода, веб-разработке, поиску уязвимостей, безопасным исправлениям и следованию инструкциям; в репозитории веса представлены в формате GGUF с квантизацией Q4_K_M. Модель предназначена для генерации и отладки кода, помощи в разработке приложений на React и Next.js, анализа уязвимостей и подготовки безопасных исправлений. Она поддерживает диалог и рассчитана прежде всего на английский и немецкий языки. Указанный в карточке контекст составляет 4096 токенов. Для локального запуска рекомендован Ollama. Модель распространяется по лицензии Apache 2.0. Заявления карточки о готовом к производству коде и цепочках рассуждений не подкреплены приведёнными результатами оценки; качество и безопасность сгенерированного кода требуют проверки.

Mistral-NeMo-Minitron-8B-Base-CODE-Python-i1-GGUF — это квантизированная версия базовой модели Agnuxo/Mistral-NeMo-Minitron-8B-Base-CODE-Python, подготовленная mradermacher в формате GGUF. Модель ориентирована на генерацию кода, прежде всего на задачи, связанные с Python, и может использоваться в локальных AI-приложениях, ассистентах программирования и сценариях научных исследований. Заявлена поддержка английского и испанского языков. Модель имеет размер 8B параметров в базовой версии; точные сведения об архитектуре, размере контекстного окна и мультимодальности в карточке не указаны. Репозиторий содержит множество вариантов квантизации i1, включая IQ- и Q-схемы с размером файлов примерно от 2,2 до 5,5 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Для создания собственных вариантов также предоставлен imatrix-файл. Сильными сторонами являются специализация на генерации кода, возможность локального запуска и широкий выбор уровней квантизации; для некоторых вариантов в карточке отмечены предпочтительное соотношение размера, скорости и качества или более низкое качество. Ограничения включают отсутствие подробных результатов тестирования, сведений о контекстном окне и гарантий корректности сгенерированного кода, поэтому результаты требуют проверки. Модель распространяется по лицензии Apache-2.0.

mxbai-colbert-large-v1 — англоязычная модель ранжирования документов от Mixedbread AI, построенная на модели эмбеддингов mixedbread-ai/mxbai-embed-large-v1. Это ColBERT-ретривер с несколькими векторами и поздним взаимодействием между представлениями запроса и документа; он предназначен прежде всего для повторного ранжирования результатов, найденных на первом этапе, например BM25, и может использоваться в конвейерах поиска и RAG. Модель основана на архитектуре BERT, содержит 433,9 млн параметров и принимает текст с контекстом до 512 токенов. Она формирует эмбеддинги для поиска и оценки сходства предложений. По результатам README, модель показала конкурентные показатели NDCG@10 на наборах BEIR для повторного ранжирования и поиска; для обычного retrieval разработчик рекомендует использовать mixedbread-ai/mxbai-embed-large-v1. Модель распространяется по лицензии Apache-2.0.

Nemotron-3-Embed-8B-Community-NVFP4 — мультиязычная модель для получения текстовых эмбеддингов, разработанная и опубликованная shadowrock-io на основе nvidia/Nemotron-3-Embed-8B-BF16. Это квантизированная версия базовой модели в формате NVFP4/FP4 с 4-битным представлением, предназначенная для задач семантического поиска, dense retrieval, vector search, feature extraction и построения RAG-систем. Модель ориентирована на использование с vLLM и поддерживает формат Safetensors. Модель работает с текстом и предназначена для сопоставления смысловой близости запросов и документов. В README заявлена поддержка английского, русского, китайского, арабского, немецкого, французского, испанского, японского, корейского, украинского и других языков; полный перечень включает 30 языков. Указана поддержка подхода Matryoshka, однако размерность эмбеддингов и максимальная длина контекста не приведены. К сильным сторонам относятся снижение требований к памяти и вычислительным ресурсам благодаря NVFP4-квантизации, мультиязычность и ориентация на retrieval-сценарии. В предоставленных результатах MTEB модель показывает высокие значения NDCG@10 на отдельных наборах, включая HumanEvalRetrieval — 1,0, WikiSQLRetrieval — 0,99459 и MBPPRetrieval — 0,95722, однако качество зависит от предметной области. Ограничения включают отсутствие подробностей об архитектуре, размере контекста и официальных характеристиках производительности, а также то, что в README инференс помечен как неподтверждённый. Модель распространяется по лицензии openmdw-1.1, обозначенной в карточке как other.

Карточка модели stgallenquants/OpenThinkerAgent-32B на Hugging Face совпадает с карточкой open-thoughts/OpenThinkerAgent-32B, поэтому описание составлено по ней. OpenThinkerAgent-32B — модель агентного программирования, созданная проектом OpenThoughts. Она дообучена полнопараметрическим SFT на базе Qwen/Qwen3-32B с использованием 100 тысяч примеров OpenThoughts-Agent-SFT-100K. Модель имеет плотную архитектуру Qwen3ForCausalLM и 29,7 млрд параметров; в репозитории представлены веса safetensors. Контекст составляет до 40 960 токенов. Модель предназначена для диалоговой работы над задачами разработки ПО и выполнения многошаговых агентных сценариев, включая работу в терминале и решение задач из SWE-Bench. В README приведены результаты оценки в terminus-2 и на семи агентных бенчмарках; для SWE-Bench-Verified указана точность 54,0, а для Terminal-Bench 2.0 — 26,2. Метаданные отмечают поддержку чата и кода. Данных о мультимодальном вводе или выводе нет. Модель унаследовала языковые возможности Qwen3-32B, но карточка не перечисляет конкретные естественные языки. Обучающая выборка включает траектории агентов из SWE-Smith, StackExchange SuperUser, StackExchange Tezos и IssueTasks. Модель распространяется по лицензии Apache-2.0.

Ornith-1.0-397B-GGUF — открытая языковая модель из семейства Ornith-1.0, разработанная deepreinforce-ai и представленная в формате GGUF командой Unsloth. Модель предназначена прежде всего для агентного программирования и задач, связанных с автономной разработкой ПО, включая работу с терминалом, решение инженерных задач и генерацию кода. В README заявлено, что семейство ориентировано на высокую производительность в Terminal-Bench 2.1, SWE-Bench, NL2Repo и OpenClaw. Модель относится к архитектуре Qwen 3.5 MoE и имеет заявленный размер 397B параметров; при этом она описывается как вариант, рассчитанный на эффективное развертывание на одной GPU. Ornith-1.0 использует обучение с подкреплением, оптимизируя не только итоговые решения, но и scaffolding — структуру поиска и выполнения шагов, которая приводит к этим решениям. Это может быть сильной стороной в многошаговых агентных сценариях и программировании, однако конкретные характеристики контекстного окна, языков, поддерживаемых модальностей, требований к памяти и особенностей квантования GGUF в предоставленных данных не указаны. Модель распространяется по лицензии MIT, без региональных ограничений, что допускает свободное использование при соблюдении условий лицензии. Заявленные результаты бенчмарков следует интерпретировать с учетом конкретного раннера и конфигурации оценки: для Terminal-Bench 2.1 указаны результаты 77,5 с Terminus-2 и 78,2 с Claude Code.

Модель tomaarsen/paraphrase-multilingual-MiniLM-L12-v2-de-mmarco — дообученная разработчиком tomaarsen модель Sentence Transformers на парах немецких запросов и документов из набора данных mMARCO. Она преобразует текстовые предложения и абзацы в плотные векторы размерности 384 и предназначена для поиска документов по запросу и извлечения релевантной информации. Для сравнения векторов можно использовать косинусное сходство; архитектура включает BERT и усредняющий pooling. Модель содержит 124,3 млн параметров, работает с текстом на немецком языке; README указывает максимальную длину последовательности 256 токенов, а метаданные — контекстное окно 512 токенов. Лицензия — Apache-2.0. Оценка на mMARCO немецком приведена в карточке, но её результаты не гарантируют качество на других данных и языках.

POINTS-Reader — модель компьютерного зрения и языка из семейства WePOINTS для преобразования изображений документов в текст. Она построена по структуре POINTS1.5: использует визуальный энкодер NaViT на 600 млн параметров и Qwen2.5-3B-Instruct вместо Qwen2.5-7B-Instruct. Модель принимает изображение документа с фиксированным запросом и выдаёт извлечённый текст без дополнительной постобработки. Модель предназначена для сквозного извлечения текста из англоязычных и китайских документов. Авторы сообщают результаты на OmniDocBench: 0,133 для английских и 0,212 для китайских документов. Для инференса описана поддержка Transformers и SGLang; авторы отмечают, что увеличение разрешения изображения может помочь при повторяющемся выводе. Модель с трудом обрабатывает сложную вёрстку, например газетные полосы, и рукописные документы: возможны пропуски, повторы и ошибки распознавания. Другие языки, кроме английского и китайского, не поддерживаются. Лицензия — Apache-2.0.

PP-DocLayout-L — модель PaddlePaddle для обнаружения и локализации областей на изображениях документов. Она основана на архитектуре RT-DETR-L и обучена на собственной выборке китайских и англоязычных статей, журналов, контрактов, книг, экзаменационных материалов и исследовательских отчётов. Модель выделяет 23 типа областей, включая заголовки, основной текст, номера страниц, аннотации, содержание, ссылки, сноски, колонтитулы, формулы, таблицы, изображения, подписи, печати и элементы алгоритмов. Она предназначена для анализа структуры документа и может использоваться как модуль конвейера PP-StructureV3 вместе с OCR и распознаванием таблиц, печатей и формул. В описанной авторами оценке на 500 изображениях документов модель получила mAP@0.5 90,4%. Лицензия — Apache-2.0. Результат оценки получен на внутреннем наборе PaddlePaddle; качество на других типах документов может отличаться. Метаданные обозначают задачу как image-to-text, однако README описывает локализацию областей макета, а не извлечение текста.

Qwen2-VL-72B-Instruct-GGUF — мультимодальная instruction-tuned модель семейства Qwen2-VL, разработанная Qwen и квантованная компанией Second State Inc. Модель предназначена для обработки изображений и текстовых запросов, включая задачи визуального анализа, распознавания содержимого изображений и генерации ответов по ним. В карточке указана поддержка английского языка и формат image-text-to-text. Модель основана на Qwen2-VL-72B-Instruct с размером 72 млрд параметров и поставляется в формате GGUF с вариантами квантования от 2 до 8 бит. Доступны отдельные файлы визуального энкодера; для запуска с LlamaEdge используется шаблон qwen2-vision и заявлен контекст до 128 000 токенов. Вариант Q4_K_M описан как сбалансированный по качеству и размеру, а Q5_K_M — как вариант с очень малой потерей качества. Основные преимущества — мультимодальность, большой контекст и возможность выбора уровня квантования в зависимости от доступных ресурсов. Ограничения связаны с существенными требованиями к дисковому пространству и вычислительным ресурсам: размеры файлов варьируются примерно от 29,8 до 47,4 ГБ для указанных вариантов, а низкобитные версии могут заметно терять качество. Модель распространяется по лицензии tongyi-qianwen; в карточке указан тип лицензии other и ссылка на лицензию исходной модели.