II.6Документация и сопровождение разработки

jamiehudson/600-STmodel-brand-rem — модель Sentence-Transformers на базе MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства текстов и кластеризации. Модель содержит 136,7 млн параметров и принимает текстовые входные данные; для работы доступны Sentence-Transformers и Hugging Face Transformers. Модель обучалась с функцией потерь CosineSimilarityLoss. В карточке не указаны специализированная предметная область или поддерживаемые естественные языки. Репозиторий содержит веса PyTorch; лицензия не приведена в доступных сведениях.

KnightsAnalytics/all-MiniLM-L6-v2 — англоязычная модель sentence-transformers, основанная на nreimers/MiniLM-L6-H384-uncased. Модель разработана в рамках инициативы Hugging Face Community Week по созданию эффективной модели эмбеддингов предложений с использованием JAX и Flax; в README также указано участие команд Google Flax, JAX и Cloud. Она преобразует предложения и короткие абзацы в плотные векторы размерностью 384. Модель предназначена для семантического поиска, сравнения похожести предложений, кластеризации и других задач извлечения признаков текста. Она обучалась с помощью контрастивного обучения на наборе свыше 1 миллиарда пар предложений, сформированном из множества датасетов, включая MS MARCO, SNLI, MultiNLI, Natural Questions, SQuAD-подобные и другие коллекции. Для получения итогового эмбеддинга используется mean pooling с учетом attention mask и L2-нормализация. По умолчанию входы длиннее 256 word pieces обрезаются. Ключевыми сильными сторонами являются компактная архитектура MiniLM, относительно небольшая размерность эмбеддингов и специализация на семантическом представлении предложений, что делает модель подходящей для эффективного поиска и кластеризации. Ограничения включают поддержку только английского языка согласно карточке модели и ограничение на длину входа; модель предназначена прежде всего для предложений и коротких абзацев, а не для генерации текста или обработки длинных документов без предварительного разбиения. Модель распространяется по лицензии Apache-2.0.

KhaledReda/all-MiniLM-L6-v46-pair_score — англоязычная модель Sentence Transformers, дообученная на sentence-transformers/all-MiniLM-L6-v2 для сопоставления пар текстов. Она кодирует предложения и абзацы в плотные векторы размерности 384, нормализует их и позволяет сравнивать косинусное сходство. Архитектура включает энкодер BERT и усреднение токенных представлений; метаданные указывают 25,9 млн параметров и контекст до 512 токенов, а README задаёт максимальную длину последовательности 256 токенов. Модель предназначена для оценки семантической близости текстов, семантического поиска, поиска перефразировок и кластеризации. Её обучали с CoSENTLoss на парах текстов со score из KhaledReda/pairs_with_scores_v39; README также указывает возможное применение для классификации текста. Она рассчитана на английский язык. Лицензия — Apache-2.0.

gart-labor/all-mpnet-base-v2-eclass — модель Sentence Transformers на базе MPNet, дообученная разработчиком на датасете eclass. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и имеет контекст до 514 токенов; в карточке указан английский язык. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

jiahaohou/all-mpnet-base-v2-sts — англоязычная Sentence Transformer-модель, дообученная на датасете STSB на основе sentence-transformers/all-mpnet-base-v2. Архитектура MPNet преобразует предложения и короткие абзацы в нормализованные плотные векторы размерности 768; сходство между текстами оценивается косинусной близостью. В метаданных указано 136,7 млн параметров и контекст до 514 токенов, а карточка модели указывает максимальную длину последовательности 384 токена. Модель предназначена для семантического сравнения предложений и абзацев, поиска похожих текстов, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В README приведены результаты на STS-B: Spearman 0,9105 на dev и 0,8786 на test. Модель принимает текст и выдаёт векторы; для прикладных задач её обычно используют как компонент поиска или анализа, а не как генератор текста. Лицензия в предоставленных данных не указана.

Это англоязычная модель Sentence Transformers, разработанная tomaarsen и дообученная на парах вопросов и ответов из набора Natural Questions на базе google-bert/bert-base-uncased. Модель кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Максимальная длина входной последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации. Она может использоваться, например, для сопоставления вопроса с релевантным ответом или документом. Лицензия — Apache-2.0. Результаты в README приведены на небольших тестовых наборах; качество для конкретного корпуса следует оценивать отдельно.

BorisTM/bge-m3_en_ru — компактная версия модели эмбеддингов BAAI/bge-m3, подготовленная для английского и русского языков. В модели оставлены токены этих двух языков: размер словаря сокращён до 21% от исходного, а общее число параметров составляет 449,9 млн, или 63,3% от исходного размера. Архитектура — XLM-RoBERTa; модель доступна в формате safetensors и рассчитана на контекст до 8194 токенов. Модель предназначена для получения текстовых эмбеддингов и сравнения сходства предложений, например для семантического поиска и подбора похожих текстов. Её можно использовать с Sentence-Transformers или Transformers, применяя подходящую операцию pooling к контекстным представлениям токенов. Автор README сообщает, что сокращение словаря не ухудшило качество эмбеддингов на английском и русском языках. Это производная версия BAAI/bge-m3, созданная сокращением словаря токенизатора. Лицензия в предоставленных данных не указана.

BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

CALE-XLM-R — модель Sentence-Transformers на базе FacebookAI/xlm-roberta-large, дообученная для преобразования текста в плотные векторы размерности 1024. Она предназначена для поиска семантически близких текстов, кластеризации и вычисления сходства предложений. Модель принимает текст и формирует эмбеддинги; мультиязычная базовая XLM-RoBERTa поддерживает 100 языков. Контекст модели составляет 514 токенов. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели j0h4nnes/decoy-ify_llama3.1_8B_v2 на Hugging Face совпадает с карточкой sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, поэтому описание составлено по ней. paraphrase-multilingual-MiniLM-L12-v2 — модель Sentence-Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384, предназначенные для сравнения смысловой близости. Модель построена на архитектуре BERT с 12 слоями MiniLM; объём составляет 124,3 млн параметров, а максимальная длина контекста — 512 токенов. Модель подходит для семантического поиска, поиска похожих формулировок и кластеризации текстов. Она поддерживает много языков, включая русский, и может сопоставлять предложения на разных языках. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Векторы фиксированной размерности и лимит в 512 токенов ограничивают представление длинных документов; для абзацев и документов обычно требуется разбиение на фрагменты.

intfloat/e5-base-unsupervised — англоязычная модель эмбеддингов текста из семейства E5, разработанная авторами работы Text Embeddings by Weakly-Supervised Contrastive Pre-training. Это вариант E5-base без последующего обучения на размеченных данных. Модель построена на архитектуре BERT: 12 слоёв, размер эмбеддинга 768, около 136,7 млн параметров; принимает текст и выдаёт векторные представления. Максимальная длина входа — 512 токенов. Модель предназначена для семантического сравнения текстов и поиска по смыслу, в том числе для извлечения фрагментов из коллекции по запросу, поиска перефразировок, кластеризации и использования эмбеддингов как признаков для классификации. Для задач поиска рекомендуется добавлять префиксы «query: » к запросам и «passage: » к текстам коллекции; для симметричного сравнения и других сценариев применяется префикс «query: ». Модель работает только с английскими текстами, а более длинные последовательности обрезаются до 512 токенов. Карточка предупреждает о возможном снижении качества без соответствующих префиксов и о небольших различиях результатов между версиями PyTorch и Transformers. Лицензия — MIT.

kimquynh/finetuned_sbert — дообученная модель Sentence Transformers на базе BAAI/bge-base-en-v1.5, разработанная автором репозитория kimquynh. Она преобразует предложения и абзацы на английском языке в плотные текстовые векторы размерности 768 для семантического поиска, извлечения документов и сравнения сходства. Архитектура состоит из BERT, объединения представлений по CLS-токену и нормализации векторов; сходство оценивается косинусной мерой. Максимальная длина входа — 512 токенов. Модель обучалась на парах предложений с оценками сходства; в README приведены результаты оценки на наборе resume-job-valid и данные о 9 398 обучающих примерах. Она подходит для поиска и ранжирования текстов по смыслу, в том числе для подбора резюме к вакансиям и извлечения контекста для RAG. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

gte-Qwen2-7B-instruct — мультиязычная модель текстовых эмбеддингов из семейства GTE, разработанная Alibaba-NLP с использованием базовой Qwen2-7B от команды Qwen. Это дообученная плотная модель архитектуры Qwen2 с двунаправленным механизмом внимания и инструкционной настройкой запросов. Она преобразует текст в векторы размерностью 3584 и предназначена для поиска по смыслу, сравнения предложений и других задач семантического сопоставления. Модель обучена на большом мультиязычном корпусе из разных областей с использованием слабой и контролируемой разметки. README сообщает о высоких результатах на английском и китайском наборах MTEB на июнь 2024 года. Карточка указывает максимум 32 тыс. входных токенов, тогда как метаданные каталога дают нативный контекст 131072 токена. Лицензия — Apache-2.0. Для работы требуются Transformers версии 4.39.2 или новее и flash_attn версии 2.5.6 или новее. Модель ориентирована на получение эмбеддингов, хотя метаданные также отмечают генерацию текста и классификацию как поддерживаемые задачи. Заявления о лидерстве в бенчмарках относятся к указанным оценкам и дате; коммерческие облачные API GTE, согласно README, не полностью идентичны открытой модели.

Bheri/ithasa-mmbert — модель Sentence Transformers, дообученная на базе jhu-clsp/mmBERT-base для получения эмбеддингов предложений и абзацев. Она кодирует текст в плотные векторы размерностью 768 и сравнивает их косинусным сходством; архитектура включает ModernBERT и усредняющий пулинг токенов. Максимальная длина последовательности — 8192 токена. Модель предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текста. В карточке приведён обучающий набор из 256 886 триплетов anchor-positive-negative. Примеры включают английский и санскритский текст; базовая модель описана как многоязычная. Файлы весов представлены в формате Safetensors. Лицензия в предоставленных данных не указана.

jina-embeddings-v2-base-es-GGUF — это модель для создания векторных представлений текста (эмбеддингов), разработанная Jina AI на основе jinaai/jina-embeddings-v2-base-es и преобразованная в формат GGUF компанией Second State Inc. Она предназначена для семантического поиска, сопоставления текстов, кластеризации, классификации и других задач, где требуется сравнивать смысловое сходство документов или запросов. Модель поддерживает испанский и английский языки, использует контекст размером до 8192 токенов и формирует эмбеддинги размерности 768. В README не указаны точные архитектурные характеристики базовой модели или поддержка дополнительных модальностей, поэтому модель следует рассматривать как текстовую. Доступны варианты квантования Q2_K–Q8_0, а также f16, с размером файлов примерно от 82,7 МБ до 323 МБ. Основное преимущество GGUF-вариантов — возможность выбрать баланс между размером, скоростью и качеством: Q4_K_M, Q5_K_M и Q5_K_S обозначены как рекомендуемые, тогда как низкобитные варианты дают заметные потери качества. Более высокие разрядности лучше сохраняют качество, но требуют больше памяти; некоторые варианты отмечены как нежелательные из-за невыгодного соотношения характеристик. Модель распространяется по лицензии Apache 2.0.

jina-embeddings-v3 — мультиязычная многозадачная модель текстовых эмбеддингов, разработанная Jina AI на основе архитектуры Jina-XLM-RoBERTa. Она преобразует текст в векторы для поиска, сопоставления и анализа сходства. Модель содержит пять LoRA-адаптеров для разных типов задач и поддерживает входные последовательности длиной до 8192 токенов благодаря Rotary Position Embeddings. Размер эмбеддинга можно выбирать из вариантов от 32 до 1024 измерений. Модель предназначена для векторизации запросов и документов в поисковых системах, кластеризации, классификации и оценки сходства текстов. Для асимметричного поиска предусмотрены отдельные режимы для запросов и документов; другие режимы ориентированы на разделение текстов, классификацию и сопоставление. Настройка модели охватывает 30 языков, включая русский, а базовая модель поддерживает 100 языков. Для получения векторов на уровне предложения или абзаца при прямой интеграции требуется усреднение представлений токенов. Модель доступна в форматах PyTorch, Safetensors и ONNX; для использования через Transformers указана библиотека Transformers. Лицензия CC-BY-NC-4.0 ограничивает коммерческое применение. В README также отмечено, что исправлена ошибка предыдущей версии кода, при которой усечение Matryoshka-векторов после нормализации давало ненормализованные векторы.

Карточка модели donkizm/klue-roberta-base-klue-sts на Hugging Face совпадает с карточкой dyryu/klue_roberta-base-klue-sts, поэтому описание составлено по ней. dyryu/klue_roberta-base-klue-sts — модель Sentence-Transformers на архитектуре RoBERTa, разработчик которой не уточнён в карточке. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 137,8 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Для работы доступны веса в формате safetensors и библиотека sentence-transformers. При обучении использовалась функция потерь CosineSimilarityLoss. Метаданные указывают задачи sentence-similarity и feature-extraction; основное назначение для пользователя — поиск семантически похожих предложений. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя.

Ling-3.0-flash-VL-int4 — мультимодальная модель семейства Ling-3.0, разработанная командой inclusionAI. Она предназначена для анализа изображений и видео, визуального понимания документов, графиков, сложных макетов и интерфейсов, а также для задач, где требуются рассуждение, планирование, проверка информации и выполнение действий на основе визуальных данных. Модель содержит 124 млрд параметров, из которых для каждого токена активируется 5,5 млрд, и поддерживает контекст до 256K токенов. Архитектура включает визуальный ViT-энкодер, двухслойный MLP-проектор, VideoRoPE для учёта пространственных и временных позиций, а также 42-слойный гибридный backbone с чередованием слоёв KDA и Gated MLA в соотношении 5:1. Используется разреженная MoE-архитектура, ориентированная на эффективность инференса при большой общей ёмкости модели. Поддерживаются текстовые, графические и видеовходы; режим рассуждений включён по умолчанию. Сильные стороны модели — объединение визуального восприятия с многошаговым рассуждением и агентными сценариями, поддержка длинного контекста, анализа длительных видео, локализации событий, вопросов по видео и взаимодействия с программными и веб-интерфейсами. В README не указаны поддерживаемые языки и подробные ограничения качества, поэтому языковое покрытие и надёжность в отдельных прикладных областях требуют дополнительной проверки. Модель распространяется по лицензии MIT.

Saxo (Джи Юнсон), специалист по данным компании Linkbricks Horizon-AI, дообучил эту плотную языковую модель семейства Llama на базе Saxo/Linkbricks-Horizon-AI-Japanese-Superb-V3-70B. Модель с 69,5 млрд параметров прошла японское SFT и DPO; заявленное окно контекста — 128 тыс. токенов. Для обучения использовались японские новости и Википедия, а также данные для задач на японском, корейском, китайском и английском языках. Модель предназначена для генерации текста, письма и программирования, математических и логических рассуждений, анализа отзывов и публикаций в социальных сетях. В карточке заявлена поддержка вызова функций и инструментов. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. Описание не приводит результатов независимой оценки качества или подробностей о безопасном применении модели.

M-E5-BASE — мультиязычная модель текстовых эмбеддингов от onelevelstudio, опубликованная как резервная копия intfloat/multilingual-e5-base. Это плотная 12-слойная архитектура XLM-RoBERTa с 305,2 млн параметров и размерностью эмбеддинга 768; модель принимает текст и выдаёт векторные представления для поиска и сравнения текстов. Она предназначена для семантического сходства, поиска фрагментов по запросу, поиска парафразов и кластеризации. README сообщает о поддержке 100 языков на основе XLM-RoBERTa, хотя качество может снижаться на языках с малым объёмом обучающих данных; в метаданных перечислено подмножество языковых тегов. Для задач поиска рекомендуется добавлять префиксы «query:» и «passage:» согласно роли текста; длинные входы обрезаются до 512 токенов. Модель доступна по лицензии MIT; README предупреждает, что её не следует использовать, но не объясняет причину.

Это модель Sentence Transformers, дообученная на базе mixedbread-ai/deepset-mxbai-embed-de-large-v1. Она использует трансформер XLM-RoBERTa и преобразует предложения и абзацы в плотные векторы размерностью 1024, нормализованные для сравнения по косинусному сходству. Максимальная длина входа — 512 токенов; библиотека модели — sentence-transformers. Модель предназначена для семантического поиска и сопоставления текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации. В карточке указаны результаты оценки на задаче поиска информации, однако данных недостаточно, чтобы обобщать эти показатели на другие наборы текстов. Лицензия в предоставленных источниках не указана.

YeonwooSung/ModernBERT-large-msmarco-v3-bpr — модель Sentence Transformers, дообученная разработчиком на базе answerdotai/ModernBERT-large с использованием BPRLoss на 498 970 примерах. Она кодирует предложения и абзацы в плотные векторы размерности 1024; сходство между ними можно оценивать косинусной мерой. Архитектура состоит из энкодера ModernBERT-large с усреднением токенных представлений, максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Подходит для построения эмбеддингов длинных текстов; базовый ModernBERT описан как англоязычный энкодер. Лицензия в предоставленных данных не указана.

onelevelstudio/MPNET-0.3B — многоязычная модель эмбеддингов предложений, основанная на архитектуре XLM-RoBERTa и библиотеке Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. В README указана модель sentence-transformers/paraphrase-multilingual-mpnet-base-v2 как описание и источник сведений о назначении; разработчиком базовой модели названа команда Sentence-Transformers. Модель содержит 305,2 млн параметров и принимает текстовые фрагменты с контекстом до 514 токенов. Доступны веса и реализации в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Поддерживаются многие языки, в том числе русский и английский. Лицензия — Apache-2.0. Подходит для семантического поиска, оценки сходства текстов и кластеризации предложений и абзацев. Как и другие модели эмбеддингов, она выдаёт векторы, а не готовые ответы или разметку; качество зависит от языка и предметной области, а предел контекста ограничивает длину обрабатываемого фрагмента.

Tool-COLT/msmarco-roberta-base-ance-firstp-v1-ToolBenchG3 — модель на базе RoBERTa, созданная для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в эмбеддинги размерности 768 и подходит для семантического поиска и кластеризации. Обучение с MultipleNegativesRankingLoss и косинусной мерой сходства ориентировано на сопоставление текстов по смыслу. Модель содержит 151,8 млн параметров, использует формат PyTorch и принимает последовательности длиной до 514 токенов. Её можно применять с Sentence-Transformers или Hugging Face Transformers, используя соответствующую операцию pooling. Лицензия в предоставленных данных не указана.

prakrati123/nli-distilroberta-base-v2 — дообученная модель Sentence Transformers на базе sentence-transformers/nli-distilroberta-base-v2. Она преобразует текстовые предложения в плотные 768-мерные векторы; архитектура включает RoBERTa и усредняющий pooling, а сходство векторов можно оценивать косинусной мерой. Модель предназначена для семантического сравнения предложений, поиска и кластеризации текстов, поиска перефразировок и извлечения признаков. README указывает максимальную длину последовательности 75 токенов; метаданные каталога приводят контекст до 514 токенов. Модель принимает текст и возвращает эмбеддинги. В карточке описано дообучение на 6 411 парах предложений с оценками сходства и функцией CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

DrSebastianK/ogyeibedding — модель на базе XLM-RoBERTa, обученная для преобразования предложений и абзацев в плотные эмбеддинги размерностью 1024. Её можно применять для семантического поиска и кластеризации текстов, а также сравнивать близость предложений по векторам. В карточке указано обучение с функцией потерь MultipleNegativesRankingLoss и косинусным сходством. Модель содержит около 658,7 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт векторы. Метаданные не уточняют поддерживаемые естественные языки. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Qdrant подготовила ONNX-порт модели sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 с квантизацией. Это плотная модель на архитектуре BERT с 124,3 млн параметров, предназначенная для получения эмбеддингов предложений, поиска семантически близких текстов и текстовой классификации. Репозиторий предлагает запуск через FastEmbed. Модель поддерживает многоязычные сценарии, включая поиск сходства между предложениями; максимальная длина контекста — 512 токенов. Лицензия — Apache-2.0. Квантизированный ONNX-формат предназначен для эффективного инференса, но качество на задачах классификации зависит от используемого метода и данных.

hroth/psais-all-mpnet-base-v2-8shot — модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория hroth. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт векторные представления. В README указано обучение с CosineSimilarityLoss; веса доступны в формате PyTorch. Сведения о лицензии и поддерживаемых языках в предоставленных данных отсутствуют.

Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-AWQ-MTP — это 4-битная AWQ-квантизованная версия модели HauhauCS/Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-MTP-GGUF, опубликованная twolven. Модель предназначена для генерации текста, рассуждений, работы с изображениями и вызова инструментов; поддерживает speculative decoding через встроенную NextN/MTP draft head при использовании vLLM. В карточке указан английский язык и мультимодальный режим image-text-to-text. Модель содержит около 27 млрд параметров и использует гибридную архитектуру Qwen3.5: 64 декодерных слоя, включая 48 слоёв с линейным вниманием Qwen3_5GatedDeltaNet и 16 слоёв с полным вниманием, а также 27-слойную vision tower. Основные линейные слои квантизованы в формате W4A16 с размером группы 128 и асимметричным квантованием; vision tower, lm_head, MTP head и отдельные компоненты сохранены в bf16. Размер модели на диске составляет около 19 ГБ. Проверки показали связное поведение, арифметическое рассуждение, распознавание форм и цветов на изображениях, работу tool calling и извлечение данных из контекстов до 229 200 токенов. К сильным сторонам относятся мультимодальность, сохранённая поддержка MTP для ускорения генерации, совместимость с vLLM, инструментами и длинным контекстом, а также отсутствие отказов в заявленных тестах uncensored-профиля. Главное ограничение — модель восстановлена из GGUF-квантизации Q8_K_P, а затем повторно квантизована до 4 бит, поэтому накопленная ошибка выше, чем у сборки, созданной непосредственно из исходных BF16-весов. Производительность MTP зависит от характера запроса и может различаться примерно на 30%; единое значение скорости генерации не приводится. Лицензия — Apache-2.0.

AlexWortega/qwen7k — модель Sentence Transformers, дообученная на базе Qwen/Qwen2.5-0.5B-Instruct. Она преобразует предложения и абзацы в плотные векторы размерностью 896; сходство текстов оценивается косинусной мерой. В архитектуру входят трансформер Qwen2 и mean pooling. Модель содержит 494 млн параметров и принимает текстовые последовательности длиной до 32 768 токенов согласно метаданным; в карточке модели указан лимит 1 024 токена. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. При обучении использовался MultipleNegativesRankingLoss; в карточке приведены результаты оценки на STS. Доступна в формате safetensors через библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.