II.6Документация и сопровождение разработки

pierreinalco/distilbert-base-uncased-sts — англоязычная модель Sentence Transformers, дообученная на наборе sentence-transformers/stsb на основе distilbert/distilbert-base-uncased. Она кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения используется косинусное сходство. Архитектура состоит из DistilBERT и среднего пулинга токенов, максимальная длина входа — 512 токенов. Модель предназначена для оценки семантического сходства текстов, семантического поиска и поиска перефразировок. Полученные эмбеддинги также можно использовать для кластеризации и классификации текста. В README приведены оценки корреляции с человеческими оценками сходства на STS-dev и STS-test. Модель рассчитана на английский язык и текстовый ввод; на выходе выдаёт векторы эмбеддингов. Лицензия в предоставленных данных не указана.

Карточка модели hsikchi/dump на Hugging Face совпадает с карточкой BAAI/bge-base-en-v1.5, поэтому описание составлено по ней. BAAI/bge-base-en-v1.5 — англоязычная плотная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует текст в векторы для поиска по смыслу и сравнения сходства предложений, в том числе в системах retrieval-augmented generation (RAG). Модель относится к архитектуре BERT и содержит 136,7 млн параметров; максимальный контекст — 512 токенов. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Оценки сходства не следует интерпретировать по универсальному порогу: из-за способа обучения даже несходные предложения могут получать значения выше 0,5. Модель поддерживает английский язык; доступны веса PyTorch и Safetensors, а также формат ONNX. Лицензия — MIT.

EmbeddingGemma 300M — открытая модель для получения векторных представлений текста, разработанная Google DeepMind. Она построена на основе Gemma 3 с инициализацией T5Gemma и предназначена для задач семантического поиска и извлечения информации, классификации, кластеризации и вычисления семантического сходства. Модель содержит около 300 млн параметров и ориентирована на локальное использование на мобильных устройствах, ноутбуках и настольных компьютерах. Она принимает текстовые строки длиной до 2048 токенов и возвращает эмбеддинги размерностью 768. Благодаря Matryoshka Representation Learning размерность можно сократить до 512, 256 или 128 с последующей нормализацией. Модель обучалась на данных объёмом около 320 млрд токенов, включая более 100 языков, веб-документы, код, технические материалы и синтетические данные для задач поиска, классификации и анализа тональности. К сильным сторонам относятся небольшой размер, мультиязычность, поддержка широкого спектра сценариев работы с текстовыми эмбеддингами и возможность эффективного развёртывания на устройствах с ограниченными ресурсами. Ограничением является максимальная длина входа 2048 токенов; активации модели не поддерживают float16, поэтому рекомендуется использовать float32 или bfloat16. Веса рассчитаны на применение с Sentence Transformers и реализацией Gemma 3 в Hugging Face Transformers. Модель распространяется по лицензии Gemma; условия использования определяются соответствующими Terms of Use Google.

relik-ie/encoder-e5-base-v2-wikipedia — модель-энкодер для получения векторных представлений текста. Модель опубликована в пространстве relik-ie и доступна через библиотеку Transformers; в метаданных она классифицирована как feature-extraction и относится к семейству BERT-подобных моделей. Объём модели составляет 136,7 млн параметров, максимальная длина входа — 512 токенов. Модель предназначена для преобразования текстов в эмбеддинги, которые можно использовать для семантического поиска, сравнения текстов, кластеризации, дедупликации и построения retrieval-компонентов. Название указывает на вариант E5 base v2, адаптированный для корпуса или сценариев, связанных с Wikipedia, однако README не содержит подробностей о разработчике, обучающих данных, методике обучения, оценивании или лицензии. Модель не является генеративной и не предназначена для создания ответов или продолжения текста. При работе необходимо учитывать ограничение контекста в 512 токенов; характеристики качества для конкретных языков и предметных областей в доступных материалах не приведены.

Это порт модели DPR question encoder в формат Sentence Transformers, опубликованный под именем sentence-transformers. Модель на основе BERT преобразует предложения и абзацы в плотные векторы размерности 768; всего в ней 136,7 млн параметров, а максимальная длина входа — 512 токенов. Модель предназначена для получения эмбеддингов, семантического поиска и кластеризации текстов. Векторные представления можно использовать для поиска фрагментов, близких по смыслу к вопросу, в системах поиска и обработки коллекций документов. Репозиторий содержит варианты в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Это энкодер, а не генеративная модель: он возвращает векторные представления текста. README не сообщает о специальных ограничениях качества или доменной специализации.

Карточка модели AlisherAmirbek/fine-tuned-bge-small на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. 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.

joshuapb/fine-tuned-matryoshka-1500 — англоязычная модель Sentence Transformers, дообученная на основе BAAI/bge-base-en-v1.5 для получения плотных эмбеддингов предложений и абзацев. Архитектура включает BERT, пулинг по CLS-токену и нормализацию векторов; размерность эмбеддинга составляет 768, а максимальная длина входа — 512 токенов. Для сравнения векторов используется косинусное сходство. Модель предназначена для семантического поиска и оценки сходства текстов; эмбеддинги также можно применять для поиска перефразировок, кластеризации и классификации текста. Обучение с MatryoshkaLoss позволяет использовать укороченные представления размерностью 64, 128, 256 или 512 наряду с полным вектором. В README приведены результаты оценки поиска на наборах dim_64–dim_768, однако они не гарантируют аналогичное качество на других данных. Модель распространяется по лицензии Apache-2.0.

HarshalBhg/gte-large-finetuned-ep10-test2 — модель эмбеддингов на архитектуре BERT, опубликованная пользователем HarshalBhg. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и кластеризации. Модель обучалась с использованием BatchAllTripletLoss на датасете embedding-data/sentence-compression; заявленный контекст составляет 512 токенов, число параметров — около 433,9 млн. Модель подходит для построения поисковых индексов и группировки текстов по смыслу. Репозиторий содержит веса в формате safetensors и предназначен для использования через Sentence Transformers. Карточка не указывает лицензию или поддерживаемые естественные языки; качество и ограничения для конкретных языков и предметных областей по имеющимся сведениям оценить нельзя.

HunyuanOCR-1.5 — лёгкая специализированная зрительно-языковая модель Tencent для распознавания и анализа текста на изображениях. Она объединяет разбор документов, поиск и распознавание текста на изображении, извлечение информации и перевод текста с изображений в одной модели семейства Hunyuan-VL. Репозиторий также содержит архивную версию HunyuanOCR-1.0 и черновую модель DFlash для ускорения декодирования. Модель предназначена для OCR-сценариев, включая обработку документов, таблиц и формул, распознавание малоресурсных и древних письменностей, а также ответы на вопросы по нескольким изображениям. Контекстное окно расширено до 128K токенов, а максимальное разрешение изображений — до 4K. DFlash использует спекулятивное декодирование для ускорения генерации длинных структурированных результатов с сохранением распределения выходов целевой модели. Для инференса предусмотрены Transformers, vLLM и llama.cpp; README указывает поддержку серверных GPU и развёртывания на CPU, потребительских GPU и ноутбуках через llama.cpp с преобразованными весами GGUF. Метаданные указывают формат Safetensors и библиотеку Transformers. Карточка заявляет мультиязычную поддержку, в частности английского и китайского. Лицензия обозначена как other, без уточнения условий в предоставленных данных.

Карточка модели mdizak/infoxlm-large-sentence-embeddings-rust на Hugging Face совпадает с карточкой KnutJaegersberg/infoxlm-large-sentence-embeddings, поэтому описание составлено по ней. KnutJaegersberg/infoxlm-large-sentence-embeddings — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерностью 1024. Она основана на XLM-RoBERTa и предназначена для поиска семантически близких текстов, кластеризации и семантического поиска. В обучении использовалась функция TripletLoss с евклидовой метрикой расстояния. Модель содержит 658,7 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. В карточке указаны форматы PyTorch и safetensors. Лицензия в предоставленных данных не приведена.

CISCai — модель Model2Vec, дистиллированная из jinaai/jina-embeddings-v3 с применением LoRA-адаптера для задачи separation. Она создаёт статические текстовые эмбеддинги: при выводе усредняет векторы токенов, что позволяет выполнять кодирование значительно быстрее на CPU и GPU, чем у исходного Sentence Transformer. Модель предназначена для поиска по смыслу, сопоставления предложений и других сценариев, где важны низкие задержки или ограниченные вычислительные ресурсы. Модель использует подход Model2Vec: векторы словаря получают из Sentence Transformer, уменьшают их размерность с помощью PCA и взвешивают с помощью Zipf weighting. В метаданных заявлена поддержка контекста до 1 000 000 токенов, мультиязычность и формат safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

KaLM-Embedding-V2.5 — компактная мультиязычная модель эмбеддингов семейства KaLM, разработанная командой HITsz-TMG. Она предназначена для преобразования текстов в векторы и поддерживает поиск и извлечение документов, ранжирование, классификацию, кластеризацию, оценку семантического сходства и классификацию пар текстов. Для асимметричного поиска предусмотрены инструкции для запросов и документов; в sentence-transformers доступны encode_query и encode_document с шаблоном запроса по умолчанию. Модель построена на плотной архитектуре Qwen2 с двунаправленным вниманием и mean pooling. Размер — 494 млн параметров, размерность эмбеддингов — 896; поддерживаются сокращённые размерности 512, 256, 128 и 64. README указывает максимум 32 тыс. входных токенов, а метаданные — контекстное окно 131 072 токена. Обучение включало слабоконтролируемое предобучение, контролируемое дообучение и контрастивную дистилляцию. Указаны английский и китайский языки. Лицензия — Apache-2.0. Модель ориентирована на построение компактных векторных представлений и заявлена авторами как конкурентоспособная с более крупными моделями сопоставимого назначения. Метаданные связывают её с базовыми репозиториями HIT-TMG/KaLM-embedding-multilingual-mini-instruct-v2 и Qwen/Qwen2.5-0.5B. Для использования с Transformers требуется версия 4.37.0 или новее; README также описывает поддержку sentence-transformers и vLLM.

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.

Saxo, специалист по данным компании Linkbricks, дообучил эту плотную 70-миллиардную языковую модель семейства Llama на базе Saxo/Linkbricks-Horizon-AI-Japanese-Superb-V2-70B с помощью SFT и DPO. Модель ориентирована прежде всего на японский язык и обучалась на японских новостях и корпусе Википедии, а также на многоязычных данных для японского, корейского, китайского и английского языков. Модель предназначена для генерации текста, письма, программирования, математических и логических задач, анализа отзывов клиентов и публикаций в социальных сетях, а также вызова функций и инструментов. Она поддерживает контекст до 128 тысяч токенов. В метаданных указаны Transformers, формат safetensors и лицензия Apache-2.0. README сообщает об усилении японских возможностей и о поддержке function calling, однако результат зависит от задачи и качества запроса. Обучающие данные и заявленные возможности не гарантируют точность ответов; для критически важных решений результаты следует проверять.

Luck-Qwen3-4b-Code-FineTune — модель Ahmetggg на основе Qwen3-4B-Instruct-2507, дообученная методом QLoRA для агентного программирования, многошаговых рассуждений, работы с инструментами и более точной оценки границ собственных знаний. Это плотная языковая модель архитектуры Qwen3 с 3,7 млрд параметров; в репозитории представлены веса LoRA-адаптера и объединённые веса FP16. Модель принимает текстовые запросы и генерирует текст, включая код и структурированные вызовы инструментов. В метаданных заявлен контекст до 262 144 токенов. Модель предназначена для навигации по репозиториям, генерации и исправления кода, решения задач по математике и естественным наукам, а также многошагового взаимодействия с инструментами. Обучение использовало трассы агентного программирования, примеры рассуждений и траектории вызова инструментов; README отмечает улучшение форматирования, взаимодействия с инструментами и ответов «не знаю», не заявляя о повышении предельных возможностей базовой модели. Карточка указывает английский язык. Лицензия — Apache-2.0. Это недавняя QLoRA-настройка, поэтому заявленные улучшения следует оценивать на конкретных рабочих задачах; README не приводит сравнительных бенчмарков. Для использования адаптера нужна базовая модель unsloth/Qwen3-4B-Instruct-2507.

mcontriever-base-msmarco — модель для получения плотных векторных представлений предложений и абзацев, преобразованная в формат Sentence-Transformers из facebook/mcontriever-msmarco. Она основана на архитектуре BERT и содержит около 205,1 млн параметров; выход модели — векторы размерности 768. Модель предназначена для семантического поиска, сравнения текстов и кластеризации, а также может служить компонентом систем поиска информации. Модель принимает текст и выдаёт эмбеддинги. Её контекст ограничен 512 токенами. Для использования через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. В README указана публикация «Unsupervised Dense Information Retrieval with Contrastive Learning» как связанная работа. Лицензия в предоставленных данных не указана.

MixEmbedBert-base-20240115112530-latest — компактная модель эмбеддингов предложений на архитектуре BERT, опубликованная avsolatorio. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, кластеризации и сравнения текстов. Модель дистиллирована из avsolatorio/bge-small-en-v1.5; в ней примерно вчетверо меньше параметров без учёта эмбеддингов, чем в исходной модели. README сообщает о качестве, сопоставимом с all-MiniLM-L6-v2, при вдвое меньшем общем числе параметров, однако метаданные указывают 18,8 млн параметров. Модель принимает текст и выдаёт векторные представления; максимальная длина контекста — 512 токенов. Карточка описывает её как англоязычную модель. Для вывода эмбеддингов через Transformers нужно применить подходящую операцию pooling к контекстным представлениям токенов; также доступно использование через Sentence-Transformers. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели arnaultsta/MNLP_M3_document_encoder на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. 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.

Карточка модели nililba/MNLP_M3_document_encoder на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. 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.

jfarray/Model_all-distilroberta-v1_30_Epochs — модель эмбеддингов предложений на базе RoBERTa, опубликованная пользователем jfarray. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска по смыслу и кластеризации текстов. Модель можно использовать через библиотеку Sentence-Transformers; в метаданных указаны 95,2 млн параметров, контекст до 514 токенов и формат PyTorch. Обучение проводилось с функцией потерь CosineSimilarityLoss. Модель принимает текст и возвращает векторные представления, которые можно сравнивать для оценки смысловой близости. README не указывает поддерживаемые естественные языки или результаты бенчмарков. Лицензия в предоставленных данных не указана.

Xavarary/mpnet-base-all-medium-triplet — англоязычная модель Sentence Transformers, дообученная разработчиком на базе sentence-transformers/all-distilroberta-v1 на датасете all-nli. Архитектура включает энкодер RoBERTa, усреднение токенных представлений и нормализацию; модель содержит 95,2 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 768. Максимальная длина входа — 514 токенов по метаданным; в карточке указано ограничение в 512 токенов. Модель предназначена для семантического сравнения текстов, поиска, поиска перефразировок, кластеризации и извлечения признаков для классификации. Её можно использовать для построения векторного поиска и оценки близости английских фраз. Обучение на парах и тройках all-nli и нормализованные эмбеддинги поддерживают сравнение векторных представлений. Модель распространяется по лицензии Apache-2.0. Карточка приводит результаты TripletEvaluator на all-nli-dev, однако значения cosine_accuracy заметно ниже dot_accuracy, поэтому способ сравнения векторов следует выбирать по результатам собственной проверки; опубликованные показатели ограничены указанным датасетом.

SMARTICT/multilingual-e5-large-wiki-tr-rag — модель Sentence Transformer, созданная дообучением intfloat/multilingual-e5-large. Она кодирует предложения и абзацы в нормализованные плотные векторы размерности 512; для сравнения используется косинусное сходство. Архитектура построена на XLM-RoBERTa с усреднением токенных представлений и нормализацией. Модель содержит 658,7 млн параметров, принимает последовательности длиной до 514 токенов по метаданным. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов, в том числе для сценариев RAG. Примеры обучающих данных содержат запросы и длинные фрагменты на турецком языке; название репозитория также указывает на турецкую Wikipedia, поэтому модель ориентирована на поиск по турецким текстам. Лицензия в предоставленных данных не указана.

marianodo/MultipleNegativesRankingLoss — модель Sentence Transformers на архитектуре MPNet, преобразующая предложения и абзацы в плотные векторы размерностью 768. Она обучалась с функцией потерь MultipleNegativesRankingLoss и косинусным сходством и предназначена для сравнения смысловой близости текстов. Модель подходит для семантического поиска, кластеризации и получения текстовых эмбеддингов. В метаданных указаны 136,7 млн параметров, контекст до 514 токенов и формат PyTorch. Лицензия в предоставленных данных не указана.

gavinqiangli/my-awesome-bi-encoder — дообученная модель Sentence Transformers на базе google-bert/bert-base-uncased. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для оценки семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Для сравнения векторов используется косинусное сходство; архитектура включает BERT и mean pooling. Метаданные указывают контекст до 512 токенов, тогда как в README максимальная длина последовательности указана как 128 токенов. Модель обучена на 103 663 примерах с MultipleNegativesRankingLoss. В README приведены результаты оценки бинарной классификации сходства, включая точность cosine_accuracy 0,7644 и F1 0,6959. Базовая модель англоязычная, а обучающие примеры также написаны на английском. Репозиторий содержит веса в формате safetensors. Условия лицензирования в предоставленных данных не описаны.

nomic-embed-text-v2-moe-unsupervised — мультиязычная модель эмбеддингов текста с архитектурой NomicBert и механизмом mixture of experts (MoE), разработанная Nomic AI. Это чекпойнт после контрастивного предварительного обучения, входящий в многоэтапный процесс обучения финальной модели; для извлечения эмбеддингов авторы рекомендуют итоговую модель nomic-embed-text-v2-moe. Модель предназначена для получения векторных представлений текста и вычисления сходства между предложениями. Она основана на nomic-xlm-2048, использует библиотеку Sentence Transformers и принимает текст с контекстом до 2048 токенов. Метаданные указывают на мультиязычность; конкретный перечень языков в доступных сведениях не раскрыт. Доступные файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели MoralHazard/NSFW-GIST-small на Hugging Face совпадает с карточкой MoralHazard/GISTsmall, поэтому описание составлено по ней. MoralHazard/GISTsmall — компактная модель Sentence Transformer на базе BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 384. Она была обучена на 1 244 примерах с anchor, positive и negative текстами; метаданные указывают на использование GISTEmbedLoss. Архитектура включает BERT, пулинг CLS-токена и нормализацию векторов, а сходство текстов оценивается косинусной мерой. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и получения признаков для классификации текста. Максимальная длина последовательности — 512 токенов; доступны файлы ONNX. Язык обучающих примеров в карточке не установлен, поэтому языковую поддержку определить нельзя. Лицензия в предоставленных данных не указана.

Карточка модели liddlefish/privacy_embedding_bge_small_synthetic на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. 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.

Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled — модель, разработанная Jackrong на базе Qwen/Qwen3.5-27B. Она дообучена методом SFT с применением LoRA на наборах данных с примерами рассуждений, включая материалы, заявленные как дистиллированные из взаимодействий с Claude-4.6 Opus. Модель ориентирована на задачи, требующие пошагового анализа, планирования, программирования и работы в средах coding agents, включая Claude Code и OpenCode. Модель относится к плотной архитектуре размером 27B параметров. В карточке указаны поддержка английского и китайского языков, а также совместимость с Transformers, llama.cpp и форматом GGUF. Метаданные описывают её как image-text-to-text и мультимодальную, однако в описании итоговая версия явно названа text-only, поэтому возможности обработки изображений следует считать не подтверждёнными. Заявлена поддержка роли developer в шаблоне диалога и сохранённого thinking mode с выводом рассуждений в тегах <think>. К сильным сторонам относятся структурированное рассуждение, улучшенная автономность и стабильность при работе инструментального агента, а также снижение избыточных повторов в рассуждениях на простых запросах. Согласно карточке, модель способна продолжать автономную работу более девяти минут без вмешательства пользователя, но приведённые результаты основаны на общественных тестах, а не на независимой систематической оценке. Размер 27B может предъявлять существенные требования к памяти и вычислительным ресурсам, особенно без квантования. Модель распространяется по лицензии Apache-2.0.

AlexAtomic/qwen3-coder-30b-a3b-GGUF — это квантизированная версия Qwen3-Coder-30B-A3B-Instruct, подготовленная AlexAtomic для Atomic Chat в формате GGUF. Модель предназначена прежде всего для агентного программирования, использования браузерных агентов и других задач генерации и анализа кода. Она поддерживает вызов инструментов через специальный формат, совместимый, в частности, с Qwen Code и CLINE, и может работать полностью локально и офлайн. В основе лежит причинная языковая модель с архитектурой Mixture-of-Experts и GQA: 30,5 млрд параметров всего, из которых 3,3 млрд активируются на каждом токене; используется 128 экспертов, 8 из них активны, всего 48 слоёв, 32 Q-head и 4 KV-head. Нативное окно контекста составляет 262 144 токена и может быть расширено примерно до 1 млн с помощью YaRN. Модель работает только в non-thinking режиме и не формирует блоки рассуждений <think></think>. Репозиторий содержит линейку квантов GGUF с importance matrix, что помогает сохранить качество низкобитных вариантов ближе к исходной модели. Доступны варианты от Q2_K до Q8_0; Q4_K_M рекомендован как сбалансированный вариант по размеру, скорости и качеству, а Q6_K и Q8_0 — для максимальной точности. Ограничения включают неизбежные потери качества при низкой битности, значительные требования к оперативной памяти или VRAM и необходимость применять chat template Qwen3 Coder с параметром --jinja. Лицензия — Apache-2.0.

AtomicChat/Qwen3-Coder-30B-A3B-GGUF — это GGUF-квантизованная версия инструкционной модели Qwen3-Coder-30B-A3B-Instruct, разработанной Qwen и самостоятельно преобразованной и откалиброванной командой Atomic Chat. Модель предназначена для генерации текста и прежде всего ориентирована на программирование, агентное написание кода, использование инструментов и сценарии агентского браузинга. Она может работать полностью локально и офлайн через llama.cpp, Ollama, LM Studio, Jan и другие совместимые среды. Модель использует текстовую модальность и архитектуру Mixture-of-Experts с 30,5 млрд параметров, 48 слоями и 128 экспертами, из которых для каждого токена маршрутизируются 8. Архитектура указана как Qwen3MoeForCausalLM; используется 32 attention heads и 4 KV heads. Максимальная длина контекста составляет 262 144 токена, размер словаря — 151 936. Репозиторий содержит варианты квантования от Q2_K до Q8_0, включая кванты с importance matrix; Q4_K_M обозначен как рекомендуемый баланс размера, скорости и качества, а Q8_0 — как вариант с практически эталонным качеством. Сильными сторонами являются специализация на задачах программирования, поддержка агентских сценариев и снижение требований к памяти благодаря квантованию с importance matrix. К ограничениям относятся неизбежная потеря качества на низких уровнях квантования, значительные требования к оперативной или видеопамяти даже для компактных вариантов и необходимость включать параметр --jinja для корректного применения шаблона чата Qwen3 Coder. Модель работает только с текстом; сведения о поддерживаемых естественных языках в README не указаны. Исходная модель и производные GGUF-файлы распространяются по лицензии Apache 2.0.