II.6Документация и сопровождение разработки

hiieu дообучил Meta-Llama-3-8B-Instruct для вызова функций и генерации ответов в формате JSON. Модель построена на архитектуре Llama и содержит 7,5 млрд параметров; она принимает текст и генерирует текст. Контекст — до 8192 токенов. Карточка демонстрирует двухэтапный сценарий вызова функций, где модель сначала формирует вызов, а затем обрабатывает результат.

tinyopsec/minicpm5-2b-distilled-reasoning-GGUF — это квантизированная GGUF-версия модели jigs97022/minicpm5-2b-distilled-reasoning, разработанная на базе openbmb/MiniCPM5-2B. Модель создана для генерации текста и решения задач с рассуждением; она дистиллирована из Qwen3.8-Max, GLM-5.2 и Kimi K3 с использованием QLoRA на 10 000 отфильтрованных примеров по математике, программированию, логическим головоломкам и структурированному решению задач. Модель содержит около 2 млрд параметров, поддерживает английский и китайский языки и имеет максимальный контекст 4096 токенов. Доступны варианты с точностью от 16 до 2 бит и размером примерно от 5,0 до 0,8 ГБ; рекомендуемым указан вариант Q5_K_M, а Q4_K_M требует около 2 ГБ VRAM. Модель предназначена для локального запуска через llama.cpp, llama-cpp-python, LM Studio или Ollama и подходит для компактных приложений, где важны низкое потребление памяти и пошаговое решение задач. Сильными сторонами являются небольшой размер, несколько уровней квантизации и специализация на математическом, программном и логическом рассуждении. Ограничения включают ухудшение качества за пределами контекста в 4K токенов, возможную слабость на нестандартных случаях из-за обучения на подмножестве из 10 000 примеров, поддержку только английского и китайского языков и ориентировочную границу знаний около 2024 года. Модель распространяется по лицензии Apache-2.0.

jeffwan/mmarco-mMiniLMv2-L12-H384-v1 — многоязычный cross-encoder на базе multilingual MiniLMv2, дообученный на MMARCO: машинно переведённой версии MS MARCO. Модель сопоставляет запрос с каждым найденным фрагментом текста и оценивает их релевантность, чтобы ранжировать результаты информационного поиска. Её можно применять для повторного ранжирования кандидатов, предварительно найденных поисковой системой, например Elasticsearch, и для сортировки абзацев по соответствию запросу. В карточке указано, что обучение охватывает 14 языков и что модель показала хорошие результаты также на других языках. Архитектура — XLM-RoBERTa для классификации последовательностей, размер — 124,3 млн параметров, длина контекста — 514 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель оценивает пары «запрос — фрагмент», поэтому для большого корпуса обычно сначала требуется отдельный этап поиска кандидатов. Обучающие данные получены машинным переводом MS MARCO; качество на других языках не гарантируется указанными экспериментами.

Moonshine Tiny PT v08 — дообученная модель распознавания речи на базе aomocelin/moonshine_tiny_pt_v05. Она предназначена для преобразования аудио в текст; архитектура — MoonshineForConditionalGeneration, файлы модели представлены в формате safetensors. В README приведены результаты оценки: loss 0,4744 и WER 5,8564, однако описание набора данных и условий оценки отсутствует. Контекст модели составляет 194 токена. Модель распространяется по лицензии MIT.

Jeevesh8/multiberts_seed_0_ft_1 — модель BERT для классификации текста, опубликованная пользователем Jeevesh8 на Hugging Face и основанная на семействе MultiBERTs. Она предназначена для классификации последовательностей и последующего применения в задачах понимания английского текста. Модель имеет архитектуру BERT с 136,7 млн параметров и максимальной длиной контекста 512 токенов. Она работает с текстом и поддерживает pipeline text-classification; базовое семейство MultiBERTs обучалось на английских данных. Модель может применяться для отнесения текстов к заданным классам после соответствующей настройки или в рамках доступной классификационной конфигурации. К ограничениям относятся англоязычная специализация, ограниченный контекст в 512 токенов и отсутствие возможностей генерации текста. Предсказания могут зависеть от смещений обучающих данных и качества переноса на конкретную предметную область. Лицензия для данной карточки модели надёжно не установлена.

Jeevesh8/multiberts_seed_1_ft_4 — модель классификации текста на базе BERT/MultiBERTs, опубликованная пользователем Jeevesh8 и представленная на Hugging Face. Она предназначена для присвоения тексту одного или нескольких классов в прикладных NLP-конвейерах. Модель содержит около 136,7 млн параметров и поддерживает контекст до 512 токенов. В метаданных указаны Transformers, JAX и BERT; связанный с MultiBERTs первоисточник Google описывает семейство как набор BERT-моделей для английского языка, предназначенных для исследований устойчивости и последующей адаптации к задачам классификации. Основное преимущество — готовая адаптация BERT-представлений к классификационному сценарию и совместимость с экосистемой Hugging Face. Ограничения включают максимальную длину контекста 512 токенов и зависимость качества от данных и классов, использованных при дообучении; точная схема меток для этого варианта из доступных источников не установлена.

Jeevesh8/multiberts_seed_2_ft_0 — дообученная модель семейства MultiBERTs на архитектуре BERT для классификации текста. MultiBERTs разработана Google как набор воспроизводимых BERT-base чекпойнтов для анализа устойчивости результатов при различной инициализации и перемешивании обучающих данных; данный вариант опубликован пользователем Jeevesh8 и предназначен для задач текстовой классификации.

bhavikardeshna/multilingual-bert-base-cased-vietnamese — модель семейства BERT, представленная в формате PyTorch и предназначенная для ответов на вопросы. По метаданным, она содержит 205,1 млн параметров и поддерживает контекст длиной до 512 токенов. Карточка README не содержит дополнительного описания назначения или обучения модели. Модель подходит для сценариев извлечения ответа из текста в формате вопроса и контекста. Метаданные не подтверждают конкретные языки, лицензию или происхождение чекпойнта, поэтому эти характеристики не уточняются.

OpenCodeInterpreter-DS-1.3B — языковая модель для генерации кода, разработанная в рамках проекта OpenCodeInterpreter. Она предназначена для диалогового написания кода и итеративного улучшения решений с использованием обратной связи от выполнения. Модель основана на DeepSeek Coder 1.3B и использует плотную архитектуру Llama с 1,3 млрд параметров; заявленный контекст — 16 384 токена. В README приведены результаты на HumanEval и MBPP, а также показано улучшение отдельных показателей при добавлении обратной связи от выполнения. Это указывает на пригодность модели для генерации и доработки программного кода, но сами результаты бенчмарков не гарантируют качество для конкретного проекта. Модель принимает текстовые запросы и выдаёт текст, включая код. Лицензия — Apache-2.0.

OpenHands LM v0.1 — языковая модель для разработки программного обеспечения, выпущенная командой OpenHands. Версия на 7,1 млрд параметров дообучена на основе Qwen/Qwen2.5-Coder-7B-Instruct с использованием рецепта OpenHands LM 32B и данных SWE-Gym/SWE-Gym. Модель предназначена для работы в агентных сценариях: анализа задач разработки и генерации кода для их решения. Архитектура — плотная Qwen2, поддерживаются чат и интерфейс вызова инструментов; контекстное окно составляет 32 768 токенов. Лицензия — MIT. Модель рассчитана прежде всего на задачи программной инженерии, в том числе решение задач и ошибок из GitHub. Карточка базовой модели указывает английский язык. Известные ограничения версии OpenHands LM включают возможное повторение шагов и более слабую работу на задачах, отличающихся от решения GitHub issues; производительность также чувствительна к низким уровням квантизации.

opensearch-project/opensearch-neural-sparse-encoding-doc-v2-mini — компактная модель OpenSearch для нейронного разреженного поиска по документам. Она основана на BERT и содержит 25,9 млн параметров; модель принимает текст и формирует разреженные векторы размерностью 30 522. Для запросов используются токенизатор и таблица весов, а релевантность вычисляется как скалярное произведение векторов запроса и документа. Модель предназначена для применения с инвертированным индексом Lucene в OpenSearch и может запускаться через Sentence Transformers или API Hugging Face. Модель подходит для поиска документов и passages, семантического поиска и расширения документов при подготовке к поиску. В README приведены результаты оценки серии моделей на подмножестве BEIR; показатели различаются между наборами данных. Контекст ограничен 512 токенами, основной язык в метаданных — английский. Распространяется по лицензии Apache-2.0.

leo009/paligemma-3b-mix-224 — версия мультимодальной модели PaliGemma с открытыми весами, разработанной Google и размещённой пользователем leo009. Модель построена на архитектуре PaliGemma, объединяющей зрительный энкодер SigLIP и языковую модель Gemma; принимает изображение размером 224 × 224 пикселя и текстовые последовательности до 256 токенов, а генерирует текст. В карточке указана настройка на смесь задач переноса, а метаданные обозначают формат safetensors и библиотеку Transformers. Модель предназначена для одношаговых сценариев «изображение и запрос — текстовый ответ»: описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображении, обнаружения и сегментации объектов. Лучше подходит как основа для дообучения под конкретную задачу, чем как готовый универсальный помощник; диалог из нескольких ходов не поддерживает. Заявлена поддержка нескольких языков, но конкретный список в предоставленных данных отсутствует. Лицензия — Gemma.

Parakeet TDT+CTC 1.1B GGUF — это модель автоматического распознавания речи для транскрибации английской речи, разработанная NVIDIA NeMo и преобразованная в формат GGUF с поддержкой ggml проектом CrispStrobe/CrispASR. Модель предназначена для локальной обработки аудио через CrispASR, включая получение текста с регистром букв, пунктуацией и временными метками слов. Она принимает монофоническое аудио 16 кГц. Модель содержит около 1,1 млрд параметров и использует 42-слойный энкодер FastConformer, 2-слойный LSTM-предиктор, гибридные TDT- и CTC-головы, а также словарь из 1024 SentencePiece-токенов для английского языка. TDT является режимом декодирования по умолчанию и обеспечивает временные метки слов; CTC доступен как альтернативный режим, в частности для shallow-fusion и смещения распознавания по ключевым словам. Доступны варианты F16, Q8_0 и Q4_K, причём Q4_K рекомендуется как вариант по умолчанию благодаря меньшему размеру около 810 МБ, а F16 обеспечивает наивысшую скорость среди указанных вариантов. Сильные стороны модели — крупный энкодер, гибридное декодирование, корректный регистр и пунктуация, а также возможность локального запуска в компактных квантизованных форматах. Ограничение — поддерживается только английский язык; по сравнению с чистой TDT-версией некоторые квантизованные варианты работают медленнее из-за совместной поддержки TDT и CTC. Модель распространяется по лицензии CC-BY-4.0, унаследованной от исходной модели NVIDIA; репозиторий содержит только конвертацию и квантизацию весов.

PreFLMR_ViT-G — мультимодальная модель поиска документов семейства PreFLMR, разработанная LinWeizheDragon. Она принимает текстовый запрос, изображение или их сочетание и извлекает релевантные документы из предварительно индексированного корпуса; модель также подходит как поисковый компонент для систем retrieval-augmented generation и визуальных вопросно-ответных систем с опорой на знания. Архитектура — FLMRModelForRetrieval с визуальным энкодером ViT-G и текстовым энкодером Base-v2; в README для этого варианта указано 2,1 млрд параметров. Модель обучалась на задачах поиска «изображение—текст», «вопрос—текст» и «изображение и вопрос—текст», включая наборы WIT, MSMARCO, OKVQA и другие. Модель рассчитана на англоязычные запросы и мультимодальный поиск, а в карточке приведены результаты оценки на WIT, LLaVA, OVEN, KVQA, IGLUE, Infoseek, E-VQA, OKVQA и MSMARCO. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — MIT. Для работы требуется подготовленный корпус и индекс, а сама модель извлекает документы, но не генерирует итоговые ответы; приведённые результаты относятся к указанным тестовым наборам.

PyThagorean-10B — текстовая авторегрессионная модель на архитектуре Llama, разработанная prithivMLmods и дообученная на 1,5 млн примеров. Модель содержит 9,9 млрд параметров, работает с контекстом до 32 768 токенов и предназначена прежде всего для решения математических задач с помощью Python-кода и библиотек, а также для генерации кода, пошаговых объяснений и инструкционного диалога. Модель подходит для учебных помощников по алгебре, математическому анализу и тригонометрии, создания вычислительных скриптов, объяснения решений и подготовки учебных материалов. В карточке заявлены многоязычные диалоги, поиск и суммаризация знаний; метаданные указывают английский язык. Модель принимает текст и генерирует текст, включая код. Лицензия — Llama 3.1.

Tuwhy/Qwen3-4B-OPSA-Code — дообученная языковая модель для генерации кода, созданная на основе Qwen/Qwen3-4B с применением метода On-Policy Self-Adaptation (OPSA). Это плотная causal language model семейства Qwen3 с 3,7 млрд параметров; репозиторий содержит полные веса BF16 в Safetensors, конфигурацию и токенизатор. Модель предназначена для генерации кода в диалоговом формате и может использоваться через Transformers; заявленное окно контекста — 40 960 токенов. Контрольная точка соответствует шагу 259, после 260 обновлений оптимизатора, поэтому это ранний чекпойнт, а не свидетельство зрелого качества для практического развертывания. Базовая модель поддерживает многоязычные задачи, но карточка этого варианта указывает только кодовую специализацию, не уточняя языки программирования или конкретные языки запросов. Лицензия — Apache 2.0, как у базовой модели.

mlx-community/Qwen3.5-2B-4bit — квантизированная 4-битная версия мультимодальной модели Qwen3.5-2B, преобразованная сообществом mlx-community в формат MLX из Qwen/Qwen3.5-2B с использованием mlx-vlm 0.3.12. Модель предназначена для задач преобразования изображений и текста, в частности для генерации текстовых ответов по изображениям; запуск предусмотрен через библиотеку mlx-vlm на совместимом оборудовании Apple MLX. Из доступных данных известны размер 2B и поддержка сценариев image-text-to-text. Точные сведения об архитектуре, поддерживаемых языках, размере контекста, наборе обучающих данных и результатах тестирования в этой карточке не указаны. 4-битное представление снижает требования к памяти и может быть удобным для локального запуска, но потенциально ограничивает точность по сравнению с полноразмерной версией. Модель распространяется по лицензии Apache-2.0; дополнительные условия и характеристики следует уточнять в оригинальной карточке Qwen/Qwen3.5-2B.

Felldude разработал Felldude/Qwen3.5-9B-Uncensored как дообученную версию Qwen/Qwen3.5-9B-Base. Это мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, предназначенная для диалога и понимания изображений. Модель принимает текст и изображения и формирует текстовые ответы; в метаданных также отмечен интерфейс для вызова инструментов. По описанию автора, обучение проводилось в BF16/TF32 только на Chain of Thought. Автор сообщает о снижении частоты отказов на изображениях по сравнению с базовой моделью, однако README не приводит данных о независимой проверке или подробных результатах тестирования. Базовое семейство заявляет поддержку 201 языка и диалекта; отдельный основной язык для этой версии не выделен. Модель распространяется в формате safetensors по лицензии Apache-2.0. Она подходит для мультимодального диалога и визуального анализа, но заявление об uncensored-поведении не гарантирует отсутствие отказов и не подтверждено независимыми оценками.

mlx-community/Qwen3.8-27B-mxfp4 — модель в формате MLX, созданная сообществом mlx-community на основе Qwen/Qwen3.8-27B, разработанной Qwen. Конвертация выполнена с использованием mlx-vlm версии 0.6.8. Модель предназначена для задач, объединяющих изображения и текст, включая генерацию текстовых описаний изображений и другие сценарии image-text-to-text на устройствах, совместимых с MLX. Из известных характеристик указаны размер базовой модели 27B параметров и формат mxfp4. Конкретные сведения об архитектуре, поддерживаемых языках, длине контекста и точных мультимодальных возможностях в README отсутствуют. Преимуществами являются MLX-совместимый формат и сниженная точность представления, потенциально уменьшающая требования к памяти; ограничения и фактическая производительность зависят от исходной модели и аппаратной платформы. Модель распространяется по лицензии Apache-2.0.

SeongryongJung/Qwen3-8B-ToolUse-SRPO-TR — дообученная версия Qwen3-8B для использования инструментов, обученная методом SRPO-TR с размером батча 32. В репозитории размещён лучший и одновременно финальный чекпойнт global_step_100, выбранный по валидационному показателю mean@16; для набора Tool use указано значение 66,45%. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 7,6 млрд параметров. Она принимает текст и генерирует текст; контекстное окно составляет 40 960 токенов. Карточка демонстрирует загрузку через Transformers. Базовая Qwen3-8B описана как многоязычная модель, но конкретные языки этой настройки отдельно не перечислены. Модель предназначена для сценариев, где языковая модель должна выбирать и вызывать инструменты. Результат в таблице относится к указанному набору и метрике, поэтому сам по себе не гарантирует аналогичного качества на других наборах задач. Лицензия — Apache-2.0.

FiditeNemini публикует 3-битную версию Qwen3-VL-235B-A22B-Instruct-Abliterated — мультимодальной модели семейства Qwen3-VL MoE для диалогов с изображениями и текстом. Архитектура — Qwen3VLMoeForConditionalGeneration; контекст составляет 262 144 токена. Репозиторий содержит веса Safetensors и предназначен для работы с библиотекой MLX. Модель принимает текст и изображения и выдаёт текст; в каталоге также отмечены чат и интерфейс вызова инструментов. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0. Модель подходит для вопросов об изображениях, визуального диалога и текстового разбора содержимого изображений. Это производная от Qwen/Qwen3-VL-235B-A22B-Instruct модель; автор карточки называет её Abliterated. README указывает 3-битное представление с размером группы 64, хотя поле Quantization в карточке сформулировано противоречиво («None (3-bit, group size 64)»), поэтому способ получения этой версии нельзя уточнить увереннее. Качество, ограничения и поведение Abliterated-варианта в README не описаны.

Карточка модели Gen-Verse/ReasonFlux-Coder-14B на Hugging Face совпадает с карточкой Gen-Verse/ReasonFlux-Coder-7B, поэтому описание составлено по ней. ReasonFlux-Coder-7B — языковая модель для генерации кода, представленная разработчиками семейства ReasonFlux-Coders. В README указано, что модели семейства обучены с помощью алгоритма CURE, который совместно развивает способности к написанию кода и генерации модульных тестов; отдельные численные результаты для версии 7B не приведены. Модель предназначена для генерации кода и тестов, а также для использования в агентных сценариях программирования и подходах с масштабированием вычислений на этапе вывода. Это плотная причинная модель архитектуры Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Метаданные указывают на поддержку чата и интерфейса вызова инструментов. Репозиторий содержит веса Safetensors. Лицензия MIT. README не сообщает об ограничениях качества или поддерживаемых естественных языках; заявленное сравнение с другими моделями относится к семейству в целом и не позволяет установить результаты именно версии 7B.

Карточка модели miaosiyu-ai-2026/roberta-base на Hugging Face совпадает с карточкой FacebookAI/roberta-base, поэтому описание составлено по ней. RoBERTa base — предварительно обученная языковая модель FacebookAI на архитектуре Transformer-энкодера, содержащая 151,8 млн параметров. Она обучена на англоязычных текстах методом masked language modeling: восстанавливает скрытые токены в контексте, используя информацию как слева, так и справа. Модель чувствительна к регистру и принимает последовательности длиной до 514 токенов. Модель подходит для заполнения пропусков в английском тексте и как основа для дообучения под задачи классификации последовательностей и токенов, а также ответа на вопросы. Для свободной генерации текста она не предназначена. Обучающие данные включают BookCorpus, Wikipedia, CC-News, OpenWebText и Stories; их интернет-содержимое может приводить к предвзятым предсказаниям. Лицензия — MIT.

mrm8488/santacoder-finetuned-the-stack-bash-shell — модель генерации кода, дообученная на bash- и shell-скриптах на основе BigCode/SantaCoder. Базовая SantaCoder — плотная GPT-2-подобная модель на 1,1 млрд параметров с Multi Query Attention и обучением по Fill-in-the-Middle; в метаданных указаны библиотека Transformers и формат PyTorch. Контекст составляет 2048 токенов. Модель предназначена для генерации и продолжения фрагментов bash/shell-кода по текстовому или кодовому контексту. Предобучение SantaCoder использовало код на Python, Java и JavaScript, а дообучение этой версии — набор The Stack с bash/shell-скриптами; исходный код преимущественно на английском. На оценочном наборе указана функция потерь 1,2272. Сгенерированный код может содержать ошибки, быть неэффективным или небезопасным. Лицензия — OpenRAIL.

DMetaSoul/sbert-chinese-qmc-domain-v1 — модель векторных представлений предложений на архитектуре BERT, основанная на bert-base-chinese и дообученная на наборе вопросов LCQMC от Baidu Zhidao. Она предназначена для сопоставления вопросов в открытой предметной области: преобразует текст в эмбеддинги, которые можно сравнивать по сходству для поиска перефразировок и семантически близких запросов. Модель содержит 129,5 млн параметров, принимает китайский текст с контекстом до 512 токенов и распространяется в формате PyTorch; её можно использовать через Sentence-Transformers или Transformers. В README приведены результаты оценки на нескольких наборах данных семантического сопоставления. Качество зависит от набора данных, а обучение на LCQMC может ограничивать переносимость на другие языки и специализированные области. Лицензия в доступных сведениях не указана.

Spark-X2.5-4B-Heretic-jp-GGUF — японская адаптация модели XHToken/Spark-X2.5-4B, опубликованная пользователем soyaakinohara. Модель прошла ослабление отказов с помощью Heretic, продолжительное предобучение на японских данных, японскую настройку инструкций и дополнительное обучение для вызова инструментов. Она предназначена для генерации текста, диалоговых и инструкционных сценариев на японском языке, а также для локального использования и задач с tool calling. Модель построена на архитектуре Spark2_5, содержит около 4,1 млрд параметров и поставляется в формате GGUF с вариантами точности BF16, Q8_0, Q6_K, Q5_K_M и Q4_K_M. В метаданных указан контекст до 1 048 576 токенов, однако в примерах локального запуска используется контекст 8192 токена. Модель относится к thinking-моделям: перед итоговым ответом она формирует блок рассуждений, поэтому рекомендуется выделять не менее 1024 токенов на генерацию. Поддерживаются японский и мультиязычный сценарии, а корректность сложных вызовов инструментов проверялась на японском наборе данных. Сильными сторонами являются специализация на японском языке, компактный размер, несколько вариантов квантизации, высокая заявленная скорость локальной генерации и поддержка tool calling. Ограничения включают необходимость специальной ветки llama.cpp с поддержкой архитектуры Spark, зависимость качества и скорости от выбранной квантизации и оборудования, а также отсутствие надёжного встроенного защитного слоя: модель является uncensored и может генерировать опасный, незаконный или иной нежелательный контент. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

StableCode-Completion-Alpha-3B — авторегрессионная модель для автодополнения кода, разработанная Stability AI. Она принимает контекст программы и генерирует продолжение: одну или несколько строк кода на разных языках программирования. Модель построена на архитектуре GPT-NeoX с декодером-трансформером и содержит около 3,5 млрд параметров. Контекстное окно составляет 16 384 токена. Обучение включало данные StarCoder из распространённых языков программирования и этап расширения контекста. Модель рассчитана на использование в инструментах разработки, например в редакторе кода. Она может воспроизводить фрагменты из обучающих данных, поэтому при использовании следует проверять совпадения и при необходимости указывать их происхождение. Веса распространяются по лицензии Apache 2.0.

SwarmDo-A2-merged — готовые объединённые веса модели SwarmDo-A2, созданные командой SwarmDo на базе Qwen/Qwen3.6-27B. Это плотная мультимодальная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; в объединённой версии сохранена визуальная часть модели. Репозиторий содержит веса safetensors, рассчитанные на запуск через Transformers и vLLM. Модель предназначена для диалоговой разработки программного обеспечения: она помогает находить и исправлять ошибки в коде, а также создавать код по изображениям, включая визуальные макеты и рендеры. В README заявлены проверка исправлений исполнением кода и проверка визуального результата рендерингом. Для визуального программирования можно передавать изображение вместе с запросом. Заявлены поддержка инструментального интерфейса и совместимый с OpenAI формат сервера vLLM. Базовая модель содержит 27 млрд параметров. Карточка описывает главным образом работу с кодом и изображениями на английском языке. Известное ограничение: веса не следует подключать как LoRA в vLLM из-за зависания JIT на модулях gated-DeltaNet; README также предупреждает, что текстовая конверсия в GGUF теряет визуальную часть. Модель распространяется по лицензии Apache-2.0.

Это точечный ранжировщик пассажей utahnlp, созданный на базе Qwen3-8B и обученный с помощью Tevatron 3.0. Модель оценивает релевантность пары «запрос — фрагмент текста», используя один регрессионный логит классификационной головы на последнем токене EOS. При обучении пара формировалась из запроса, заголовка и текста пассажa; обучение было контрастивным и выполнялось полным дообучением на RLHN-680K. Модель предназначена для повторного ранжирования результатов поиска и passage ranking. Она принимает текстовую пару запроса и фрагмента, а выдаёт числовую оценку релевантности. Это не генеративный reranker с оцениванием продолжений «yes» и «no»; для загрузки README рекомендует AutoModelForSequenceClassification. Используются архитектура Qwen3 с 7,6 млрд параметров, библиотека Transformers и контекст до 32 768 токенов. Лицензия — Apache-2.0.

Neo4j/text-to-cypher-Gemma-3-4B-Instruct-2025.04.0 — специализированная языковая модель от Neo4j, дообученная на базе google/gemma-3-4b-it с использованием набора данных neo4j/text2cypher-2025v1. Модель предназначена для генерации запросов Cypher по текстовому описанию задачи и структуре графовой базы данных Neo4j. Модель относится к семейству Gemma 3 и содержит около 4 миллиардов параметров согласно идентификатору базовой модели. Она работает в текстовом режиме и опубликована в формате SafeTensors. В метаданных для неё указан pipeline text-generation, а в README — text2text-generation. Модель подходит для преобразования пользовательских вопросов и описаний аналитических задач в Cypher-запросы, создания естественно-языковых интерфейсов к графовым базам данных и ускорения разработки запросов. Лицензия — Gemma; условия её использования необходимо проверять в официальных лицензионных документах Google.