II.6Документация и сопровождение разработки

Qwen2-VL-7B — базовая предварительно обученная мультимодальная модель, разработанная командой Qwen. Это плотная модель с 7,1 млрд параметров для понимания изображений и видео по текстовым запросам. Она обрабатывает изображения с произвольным разрешением и соотношением сторон, а также видео длительностью более 20 минут; динамическое число визуальных токенов и позиционные кодировки M-ROPE учитывают текстовые, двумерные визуальные и трёхмерные видеоданные. Модель предназначена для визуальных вопросов и ответов, диалога о содержимом изображений и видео, распознавания текста на изображениях и задач, связанных с визуальным анализом и принятием решений. README описывает поддержку английского и китайского языков, а также чтение текста на изображениях на многих других языках, включая европейские языки, японский, корейский, арабский и вьетнамский. Версия в этом репозитории не прошла инструкционную настройку, поэтому для диалога и следования пользовательским инструкциям может требоваться дополнительная настройка. Модель распространяется по лицензии Apache-2.0.

hb-dev/Qwen3-1.7B-ONNX — это версия модели Qwen3-1.7B с весами в формате ONNX, подготовленная для совместимости с библиотекой Transformers.js. Репозиторий содержит производные веса базовой модели Qwen/Qwen3-1.7B; разработчик базовой модели — Qwen, а сборку ONNX-версии опубликовал пользователь или организация hb-dev. Модель предназначена для запуска Qwen3-1.7B в средах, поддерживающих Transformers.js, включая веб-приложения и потенциальные сценарии WebML. Известно, что она относится к языковым моделям и имеет размер 1,7 млрд параметров; дополнительные сведения об архитектуре, модальностях, поддерживаемых языках и размере контекста в предоставленном README не указаны. ONNX-формат повышает совместимость с веб-инструментами, однако конкретные требования к ресурсам и показатели производительности не приведены. README не содержит сведений о лицензии этой версии модели. Условия использования следует уточнять по лицензии базовой модели Qwen/Qwen3-1.7B и правилам данного репозитория.

Набор GGUF-квантизаций модели Qwen3.6-35B-A3B, разработанной командой Qwen и опубликованной в формате quantized derivative weights пользователем jimbothigpen. Модель имеет архитектуру Mixture-of-Experts: около 35 млрд параметров всего и примерно 3 млрд активных параметров на токен. Набор предназначен для локального запуска и сравнения качества, perplexity и производительности разных форматов квантизации через llama.cpp-совместимые бэкенды. Репозиторий включает исходный вариант BF16 и широкий диапазон форматов от IQ1 до Q8_0, включая IQ-K, K-quants, legacy-типы и WHT3_0/WHT4_0. При большинстве квантизаций используется единая importance matrix, рассчитанная на полном калибровочном корпусе calibration_datav3; это помогает снизить потерю качества при низкой разрядности. Также доступен отдельный vision projector в формате F16, поэтому модель поддерживает мультимодальные сценарии с изображениями при использовании совместимой конфигурации. Ограничения зависят от выбранного формата: BF16 занимает около 69 ГБ, а даже компактные варианты требуют несколько гигабайт памяти. Основные форматы работают в стандартном llama.cpp, тогда как IQ-K, KS, KT, KL и KSS требуют совместимой сборки семейства ik_llama.cpp, а WHT-форматы — сборки jimbothigpen/llama.cpp или другой реализации с поддержкой WHT. Производитель и поддерживаемые языки, размер контекста и конкретные возможности базовой модели в README не указаны. Производные веса распространяются по лицензии Apache-2.0.

Карточка модели HFCK99/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16 на Hugging Face совпадает с карточкой denyzhirkov/Qwen3.8-27B-AEON-ULTIMATE-U-BF16, поэтому описание составлено по ней. Qwen3.8-27B-AEON-ULTIMATE-U-BF16 — экспериментальная ранняя версия модели Qwen3.8-27B, подготовленная denyzhirkov. Это дообученная и аблитерированная BF16-версия с уменьшенным числом отказов; базовая модель — Qwen/Qwen3.8-27B. Плотная мультимодальная архитектура поддерживает диалог, следование инструкциям, вызов инструментов и работу с изображениями. В README описана проверка на NVIDIA H200 через vLLM; при тестировании использовалось окно 16 384 токена, а автор указывает, что базовая модель поддерживает контекст до 262 000 токенов. Модель рассчитана на прямые ответы, творческое письмо, исследования безопасности, red-team-тестирование и работу с запросами, которые базовая модель могла бы отклонить. Снятие части отказов может сделать ответы более доступными, но не гарантирует точности или безопасности. README предупреждает о повторениях и потере связности на очень длинных запросах; модель может выдавать опасный или незаконный контент. Лицензия — Apache-2.0.

Qwen3-Coder-Next — открытая модель семейства Qwen3 от команды Qwen, предназначенная для кодирующих агентов и локальной разработки. Это причинная языковая модель архитектуры MoE с гибридным сочетанием Gated DeltaNet и Gated Attention. В README указано 80 млрд параметров всего и 3 млрд активных; метаданные каталога указывают 2,3 млрд параметров, поэтому точный размер расходится между источниками. Модель рассчитана на генерацию и изменение кода, многошаговые задачи разработки, вызов инструментов и восстановление после ошибок выполнения. Контекстное окно — 262 144 токена; поддерживаются чат и интерфейс вызова инструментов. README описывает её как пригодную для интеграции с CLI и IDE, а также локального развёртывания. Модель работает только в режиме без reasoning и, согласно README, не генерирует блоки ````. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковые коды не включены. Лицензия — Apache-2.0.

Furiosa AI публикует эту версию Qwen3-Reranker-4B вместе с Furiosa Executable Bundle для запуска на ускорителе FuriosaAI RNGD через Furiosa-LLM. В основе — плотный трансформер Qwen3 с 3,7 млрд параметров; модель принимает текстовый запрос и набор документов-кандидатов, оценивает их релевантность и помогает упорядочить результаты поиска. Контекст модели — до 40 960 токенов. Модель предназначена для второго этапа поиска, в том числе для reranking в RAG-системах. README указывает на BF16 без квантизации и поддержку параллелизма по тензорам на одном RNGD с восемью PE. Репозиторий также сообщает о совместимости с Sentence Transformers, vLLM и Transformers. Лицензия — Apache 2.0. Метаданные указывают английский язык карточки; базовая модель описана как мультиязычная, поэтому она подходит для ранжирования текстов на разных языках, хотя конкретный перечень языков здесь не приведён.

Voodisss/Qwen3-Reranker-4B-GGUF-llama_cpp — это GGUF-конверсия модели Qwen/Qwen3-Reranker-4B, предназначенная для запуска через llama.cpp. В README указано, что конверсия выполнена 9 марта 2025 года с помощью официального скрипта convert_hf_to_gguf.py; разработчик исходной модели отдельно не указан. Модель относится к классу reranker и оценивает релевантность документов поисковому запросу, поэтому подходит для семантического поиска, reranking результатов, retrieval-augmented generation и других задач ранжирования текста. Для работы следует использовать endpoint /v1/rerank, а не /v1/embeddings. Модель поддерживает классификацию релевантности через метки yes/no и содержит специальные настройки для reranking: pooling типа RANK, встроенный chat template и классификационные веса. Доступны варианты GGUF-квантизации от F16 размером 7,50 ГБ до Q2_K размером 1,55 ГБ; по приведённому тесту на MTEB AskUbuntuDupQuestions варианты от Q8_0 до Q3_K_M сохраняют качество в пределах примерно ±1% от F16, а Q4_K_M назван оптимальным компромиссом между размером и качеством. Q2_K заметно ухудшает результаты. Модель рассчитана на текстовые запросы и документы; другие модальности и поддерживаемые языки в README не указаны. Лицензия — Apache 2.0.

Qwen3-VL-8B-Heretic-Stable-GGUF — мультимодальная модель для преобразования изображений и текста в текст, разработанная prithivMLmods. Она основана на Qwen/Qwen3-VL-8B-Instruct и является GGUF-квантизованным представлением модели Qwen3-VL-8B-Heretic-Stable, созданной с применением abliteration и методов подавления отказов. Промежуточной версией была Qwen3-VL-8B-Instruct-Unredacted-MAX. Модель предназначена для визуально-текстового понимания, мультимодального рассуждения и выполнения сложных инструкций с использованием изображений и текста. Указан английский язык. Модель содержит около 8 миллиардов параметров; доступны варианты в форматах BF16, F16 и различных уровнях GGUF-квантизации размером примерно от 3,28 до 16,4 ГБ, а также отдельные мультимодальные проекционные файлы. К заявленным сильным сторонам относятся стабильность вывода, последовательность рассуждений и следование инструкциям. В README указано, что модель имеет сниженные внутренние механизмы отказа; в самостоятельном тесте harm_bench заявлена частота отказов 0 из 250 вредоносных запросов. Это ограничивает пригодность модели для сценариев, требующих встроенных защитных механизмов, и означает, что безопасность и законность применения полностью зависят от пользователя. Модель распространяется по лицензии Apache-2.0 и обозначена авторами как предназначенная для исследований и обучения.

Qwen3-VL-8B-Instruct-MLX-4bit — мультимодальная модель для преобразования изображений и текста в текст. В её основе лежит Qwen3-VL-8B-Instruct, разработанная командой Qwen. Версия MLX-квантизации предоставлена командой LM Studio с использованием mlx_vlm. Модель предназначена для задач, где требуется анализ визуального и текстового содержимого, включая работу с изображениями в диалоговом формате. Это 4-битная версия модели с оптимизацией под компьютеры Apple Silicon на базе MLX, что делает её более подходящей для локального запуска на совместимом оборудовании и снижает требования к памяти по сравнению с полноразмерной версией. Ключевое ограничение — 4-битная квантизация может влиять на точность по сравнению с исходной моделью, а README не содержит подробностей о поддерживаемых языках, размере контекста, точных возможностях обработки изображений и производительности. Модель распространяется по лицензии Apache-2.0.

stella-large-zh-v2 — модель для кодирования текста, разработанная автором семейства Stella. Она преобразует китайские тексты в векторы размерностью 1024 и предназначена прежде всего для семантического поиска и сопоставления текстов. Модель основана на архитектуре BERT и дообучена на открытых корпусах и синтетических парах «вопрос — абзац» и «предложение — абзац» с помощью контрастивного обучения, сложных отрицательных примеров и дистилляции. Контекст составляет до 1024 токенов. Для поиска не требуется добавлять инструкционные префиксы. Модель подходит для поиска по длинным китайским документам и оценки семантического сходства; в README приведены результаты C-MTEB и отдельная оценка длинных текстов. Она возвращает векторы, поэтому для выдачи результатов поиска требуется внешняя система индексации и сравнения. Условия лицензии в предоставленных данных не описаны.

SurvAIv Ettin 32M — дообученный англоязычный кросс-энкодер на базе cross-encoder/ettin-reranker-32m-v1, выпущенный SurvAIv. Модель содержит около 31,9 млн параметров и предназначена для повторного ранжирования результатов поиска и других наборов текстовых фрагментов по релевантности запросу. Она построена на ModernBERT и оформлена как полный модульный чекпойнт Sentence Transformers CrossEncoder с обученной скоринговой головой. Модель обучали методом LambdaLoss@10 на 2 098 группах запросов и 23 657 размеченных фрагментах. Для развёртывания в локальной RAG-системе автор использует экспорт ONNX с INT8-квантизацией и ограничением входной последовательности до 512 токенов; метаданные указывают нативный контекст длиной до 7 999 токенов. Выдаваемые оценки отражают релевантность для ранжирования, а не калиброванную вероятность правильности ответа. Модель подходит для улучшения порядка выдачи в поиске и RAG. Это компонент поиска, а не клинически проверенная система первой помощи. Лицензия модели — Apache-2.0; датасет обучения приватный, а цитаты в архивных примерах карточки имеют отдельные ограничения и не являются свободно распространяемыми обучающими данными.

tevatron-elastic-qwen3-0.6b-reranker-depth — модель для повторного ранжирования текстовых документов, обученная с помощью Tevatron-Elastic на базе Qwen/Qwen3-0.6B-Base. Она поддерживает эластичное сокращение по глубине: один чекпойнт позволяет выбирать число используемых слоёв и тем самым менять баланс между скоростью и качеством. Для настройки рабочей точки используются параметры `prune_to` и `encode_at` в фреймворке Tevatron-Elastic. Модель содержит около 508 млн параметров, принимает текстовые запросы и фрагменты документов с префиксами `query:` и `passage:`; максимальная длина при обучении составляла 512 токенов. На полной конфигурации авторы сообщают nDCG@10 0,555 на BEIR-15. Чекпойнт выпущен как ресурс для воспроизводимости результатов статьи, а не как заявка на лучшие показатели. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт модели Qwen3-Coder-30B-A3B-Instruct, дообученный командой TaskTrove методом GRPO в эксперименте X10b. Обучение проводилось на датасете DCAgent/exp_rpt_multifile с использованием SkyRL и Terminus-2; конфигурация включала FSDP2 и FlashAttention 2. Из заявленных характеристик базовой модели следует поддержка контекста до 262 144 токенов. Чекпойнт предназначен для генерации текста в диалоговом формате, прежде всего для задач программирования и агентных сценариев, унаследованных от базовой модели. Обучение остановили на шаге 131 из 400 после выхода награды на плато; авторы отмечают исчерпание исследования и отсутствие дальнейшего роста метрик. Репозиторий распространяется под лицензией Apache 2.0.

Vela Halu — разработанная llm-semantic-router модель для проверки ответов на соответствие предоставленным свидетельствам: она выделяет в ответе фрагменты, не подтверждённые контекстом. Это дообученный энкодер ModernBERT с 306,9 млн параметров, предназначенный для разметки токенов; метки означают «подтверждено» и «галлюцинация», а позиции фрагментов задаются смещениями символов Unicode. Модель принимает ответ вместе с доказательствами, поддерживает до 8 192 токенов по README; метаданные указывают нативный контекст до 32 768 токенов. Использование предусмотрено через Transformers, веса доступны в формате safetensors. Модель подходит для проверки ответов RAG-систем и анализа галлюцинаций в текстах и коде. В опубликованной оценке на 10 698 примерах она показывает F1 по фрагментам 64,7 и F1 по ответам 87,5; результаты зависят от набора данных и протокола оценки. Проверка касается поддержки ответа заданными свидетельствами, а не истинности утверждений в реальном мире: отсутствие отмеченных фрагментов не гарантирует правильность ответа. Арифметические задачи и многошаговые выводы, которые не изложены явно в контексте, могут ошибочно отмечаться как галлюцинации. Лицензия — Apache-2.0.

Модель Виноградова Дмитрия предназначена для оценки семантического сходства двух запросов. Она построена на архитектуре BERT и доступна через SentenceTransformers; для получения представлений использует токенизатор, CLS-пулинг, полносвязный слой с активацией tanh и нормализацию. README указывает построение в 384-мерном векторном пространстве, а конфигурация архитектуры содержит выход Dense размерности 768; это расхождение не позволяет однозначно определить размер выходного вектора. Модель подходит для сравнения запросов и поиска семантически близких формулировок. В метаданных указаны 498,1 млн параметров, максимальная длина контекста 512 токенов и лицензия Apache-2.0. Метаданные помечают модель как многоязычную, однако README не уточняет языки обучения или оценки качества.

Карточка модели RedHatAI/whisper-tiny на Hugging Face совпадает с карточкой openai/whisper-tiny, поэтому описание составлено по ней. Whisper Tiny — компактная предварительно обученная модель распознавания речи семейства Whisper, разработанная OpenAI. Это трансформерная архитектура «энкодер—декодер» с 29,4 млн параметров, обученная на больших массивах размеченной речи с масштабным слабым контролем. Модель принимает аудио и генерирует его текстовую расшифровку; семейство Whisper также поддерживает перевод речи, но метаданные этой модели указывают только задачу распознавания речи. Модель подходит для транскрибации речи на множестве языков, включая русский, а также для распознавания аудио с акцентами, фоновым шумом и технической лексикой. Базовая длительность входного аудиофрагмента — до 30 секунд; длинные записи можно обрабатывать с разбиением на фрагменты. Модель может выдумывать слова, которых нет в аудио, повторять текст, а качество распознавания неодинаково для разных языков, акцентов и диалектов. Распространяется по лицензии Apache-2.0.

XLM-RoBERTa-XL (xxlarge) — крупная многоязычная модель семейства RoBERTa, разработанная командой Facebook/Meta и впервые опубликованная в репозитории Facebook. Модель с 13,9 млрд параметров предварительно обучена на 2,5 ТБ отфильтрованных данных CommonCrawl на 100 языках; её архитектура — XLM-RoBERTa-XL с двунаправленным кодировщиком и контекстом до 514 токенов. Репозиторий содержит веса PyTorch, лицензия — MIT. Основная задача модели — предсказание замаскированных токенов в тексте. Полученные представления также подходят как основа для дообучения классификаторов последовательностей и токенов, а также систем ответов на вопросы. Модель рассчитана на работу с многоязычным текстом и извлечение контекстных признаков; для генерации связного текста авторы рекомендуют использовать авторегрессионные модели. Для практических задач классификации и разметки потребуется дообучение на целевых данных.

ZDTaichu5.0-9B — мультимодальная модель общего назначения от TaichuAI для визуального понимания, пространственных рассуждений и агентных задач. Она сочетает языковую основу Qwen3.5-9B с визуальным энкодером C-RADIOv4-H; модель относится к семейству ZDTaichu5.0 и имеет плотную архитектуру. В метаданных указан формат safetensors. Модель принимает текст, изображения и видео, включая изображения высокого разрешения, и поддерживает контекст до 128 тысяч токенов. Модель предназначена для ответов на вопросы по изображениям и видео, чтения документов и графиков, визуальной математики, анализа пространственных отношений и сцен, а также многошагового использования инструментов. Она также рассчитана на исследования и адаптацию для embodied AI и VLA-сценариев. В README заявлены сильные результаты среди сравниваемых моделей масштаба около 10 млрд параметров, включая пространственное понимание и агентные задачи; это утверждения авторов для описанных ими условий оценки. Самостоятельно инструменты модель не выполняет: их запуск и проверка должны обеспечиваться приложением. Лицензия в предоставленных данных не указана.

Agentic-R — англоязычный энкодер запросов для агентного поиска, разработанный авторами работы Agentic-R: Learning to Retrieve for Agentic Search. Модель дообучена на базе intfloat/e5-base-v2 и предназначена для кодирования поисковых запросов в сценариях, где агент ищет сведения в коллекции текстовых фрагментов. Для запросов используется формат с префиксом «query:» и разделителем [SEP], а для документов — префикс «passage:» в стиле E5. Модель построена на архитектуре BERT, содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления для семантического поиска и сравнения запросов с фрагментами. Распространяется в формате safetensors по лицензии MIT. Карточка указывает назначение для агентного поиска, но не приводит количественных оценок качества или сведений о поддержке других языков.

swardiantara/bert-tiny-yelp-k3-fixed-euclidean — компактная модель Sentence Transformers, созданная дообучением google/bert_uncased_L-2_H-128_A-2. Она преобразует тексты и абзацы в плотные векторы размерностью 128 для поиска и сравнения по смыслу; сходство можно оценивать косинусной мерой. Модель обучалась на парах текстов с метками, сформированных на основе набора данных Yelp, и подходит для семантического поиска и извлечения похожих текстов. Модель принимает текст. Метаданные указывают контекст до 512 токенов, а карточка — максимальную длину последовательности 128 токенов; практический предел обработки следует считать 128 токенов. Число параметров — 4,4 млн. Базовая модель — компактный англоязычный BERT, поэтому модель ориентирована прежде всего на английский язык. Лицензия в предоставленных данных не указана.

SQAI разработала BGE base Financial Matryoshka — англоязычную sentence-transformers-модель, дообученную на базе SQAI/bge-embedding-model. Она использует архитектуру BERT с пулингом CLS-токена и нормализацией выходного вектора. Модель преобразует предложения и абзацы в плотные эмбеддинги размерности 384; максимальная длина входа — 512 токенов. Для сравнения векторов можно использовать косинусное сходство. Модель предназначена для семантического поиска и оценки сходства текстов, а также может применяться для поиска перефразировок, кластеризации и классификации текста. В README приведён набор из 1 865 обучающих пар, связанных с атрибутами объектов уличного освещения; название указывает на финансовую направленность, однако описание и примеры датасета этого не подтверждают. В таблицах оценки retrieval для размерностей 768, 512, 256, 128 и 64 указаны нулевые значения accuracy@1, @3 и @5, поэтому заявленные возможности не следует считать подтверждёнными этими результатами. Модель распространяется по лицензии Apache-2.0.

BAAI/bge-reranker-v2-gemma — мультиязычная модель-переранжировщик от BAAI, созданная на основе Google Gemma 2B и обученная на смеси мультиязычных наборов данных. Она принимает запрос вместе с текстом-кандидатом и выдаёт оценку их релевантности; более высокие значения означают лучшее соответствие, а оценку можно преобразовать функцией sigmoid в диапазон от 0 до 1. Модель предназначена для повторной сортировки результатов поиска, например первых 100 документов, найденных системой извлечения. Архитектура — плотная GemmaForCausalLM, размер — 2,5 млрд параметров, формат весов — safetensors. Модель поддерживает мультиязычные сценарии, имеет контекст длиной до 8192 токенов и может использоваться через FlagEmbedding. В README отмечены сильные мультиязычные возможности и высокая эффективность ранжирования; конкретные языки помимо общего указания на мультиязычность не перечислены. Лицензия — Apache-2.0. Как и другие ранжировщики, модель оценивает пары «запрос — текст» и не заменяет генератор ответов; качество сортировки зависит от исходных кандидатов и соответствия данных целевой области.

Claude Fable 5.1 — модель Anthropic, представленная как улучшенная версия Claude Fable 5. По карточке, она ориентирована на агентное программирование, длительные агентные процессы и интеллектуальную работу, включая крупные рефакторинги кода и задачи с визуальным интерфейсом. Карточка отмечает улучшения по сравнению с предыдущей версией, особенно в агентном кодировании и продолжительных рабочих сценариях. Данных об архитектуре, размере, поддерживаемых языках, контексте и лицензии в доступных материалах нет.

Карточка модели TechxGenus/CursorCore-Yi-9B 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.

sebastian-hofstaetter/distilbert-dot-tas_b-b256-msmarco — модель плотного поиска и ранжирования текстовых фрагментов, разработанная Sebastian Hofstätter. Это двухэнкодерная архитектура BERT_Dot на основе DistilBERT: одни и те же 6 слоёв кодируют запрос и passage, а представление каждого текста формируется по вектору CLS; релевантность оценивается скалярным произведением векторов. Модель обучена на MSMARCO-Passage с методом Balanced Topic Aware Sampling и размером пакета 256. Модель подходит для поиска кандидатов по запросу в плотном векторном индексе и для повторного ранжирования уже найденного набора текстов. В README приведены результаты на MSMARCO, TREC-DL’19 и TREC-DL’20. Она принимает текст, выдаёт векторные представления и оценки релевантности, поддерживает английский язык и контекст до 512 токенов. Доступна в формате PyTorch; конкретная лицензия в предоставленных данных не установлена.

DreamReasoner-8B FineCode any-order CPT — это контрольная точка DreamReasoner-8B, которую zimplex получил продолжением предварительного обучения базовой модели Dream-org/DreamReasoner-8B на наборе FineCode B64. Модель относится к семейству Dream, использует плотную архитектуру DreamForCausalLM и содержит 7,6 млрд параметров; контекст — до 32 768 токенов. Модель предназначена для генерации кода и диалогового взаимодействия по задачам программирования. В README приведены результаты greedy confidence decoding на HumanEval — 85,98% Pass@1, MBPP sanitized — 83,27% и LiveCodeBench Pro — 15,01%; это снимок оценки с лимитом генерации 4096 токенов, а не гарантия качества в других условиях. Для загрузки используются Transformers и пользовательский код модели с параметром trust_remote_code=True. Лицензия — Apache-2.0. Это исследовательская контрольная точка без отдельной оценки безопасности и готовности к развёртыванию.

es_core_news_md — испаноязычный NLP-конвейер, разработанный компанией Explosion на базе spaCy 3.7.0. Модель оптимизирована для работы на CPU и предназначена для обработки текстов на испанском языке: токенизации, морфологического анализа, определения частей речи и грамматических признаков, лемматизации, синтаксического анализа зависимостей, выделения границ предложений и распознавания именованных сущностей. Она подходит для информационного поиска, анализа документов, подготовки текстовых данных и других задач классического NLP. В состав входят компоненты tok2vec, morphologizer, parser, senter, attribute_ruler, lemmatizer и ner. Модель использует 300-мерные векторы: заявлено 500 000 ключей и 20 000 уникальных векторов. Обучение опирается на UD Spanish AnCora, WikiNER, данные spaCy lookups и fastText-векторы Explosion. В README не указаны ограничения по длине контекста и перечень дополнительных модальностей, поэтому модель следует рассматривать как предназначенную для текстовых данных на испанском языке. Среди заявленных результатов — F1 0,894 для NER, точность 0,985 для UPOS, 0,980 для морфологических признаков, 0,965 для лемматизации, UAS 0,913, LAS 0,880 и F1 0,988 для определения предложений. Ограничениями являются специализация на испанском языке, CPU-ориентированная архитектура и то, что показатели зависят от домена и качества входного текста. Модель распространяется по лицензии GNU GPL 3.0, что необходимо учитывать при использовании и интеграции.

Nickrosh/Evol-Replit-v1 — языковая модель для генерации кода, созданная дообучением ReplitLM на наборе Evol-Instruct-Code-80k-v1. Инструкции в наборе основаны на Code Alpaca 20k и усложнены с помощью эволюционных промптов: они добавляют требования, меняют требования к временной и пространственной сложности и включают примеры с ошибочным кодом для повышения устойчивости ответов. Модель предназначена для генерации кода по инструкциям и решения задач программирования с более подробными и сложными требованиями. В метаданных указаны архитектура MPT и класс MPTForCausalLM; формат файлов — PyTorch. Модель опубликована под лицензией CC BY-SA 4.0. README не приводит численный размер модели, длину контекста или список поддерживаемых языков.

OS-Software/Gemma 4 12B IT QAT Q4_0 Unquantized Heretic JA v2 — экспериментальная производная модели Google Gemma 4 12B IT. Репозиторий описывает Gemma 4 как мультимодальную модель Google DeepMind для работы с текстом, изображениями, видео и аудио; эта версия дообучена на базе google/gemma-4-12B-it и помечена как uncensored/abliterated. Указаны гибридное внимание с локальными окнами и глобальными слоями, рассуждение, вызов инструментов, генерация и исправление кода, а также мультиязычная поддержка. Для семейства 12B заявлено контекстное окно до 256K токенов и поддержка распознавания речи и перевода аудио в текст; метаданные указывают Transformers, safetensors и лицензию Apache-2.0. Карточка позиционирует модель для исследований и экспериментов, включая исследования безопасности, выравнивания и red teaming, и просит не развёртывать её в публичных сервисах или пользовательских приложениях. Возможны предвзятые, неточные или устаревшие ответы, трудности со сложными инструкциями и языковыми нюансами; для этой версии отдельные измерения качества не приведены.

OsaurusAI подготовила пакет Google Gemma 4 E2B Instruct для запуска на Apple Silicon через MLX и совместимые среды vMLX. Это плотная мультимодальная модель класса Gemma4 с архитектурой Gemma4ForConditionalGeneration: 35 текстовых слоёв, из них 7 используют полное внимание, а 28 — скользящее. Линейные слои декодера квантизированы в MXFP4 с размером группы 32; эмбеддинги, нормализации и ранние медиаблоки сохранены в fp16. Модель принимает текст, изображения и аудио и выдаёт текст; поддерживаются диалоги и интерфейс вызова инструментов. Аудиокодировщик и конфигурация vision сохранены в пакете. Подтверждённого пути обработки видео нет. Для загрузки нужны MLX/vMLX с поддержкой Gemma 4 MXFP4; пакет не совместим с GGUF-рантаймами. Лицензия и ограничения использования соответствуют условиям Google Gemma.