II.6Документация и сопровождение разработки

Карточка модели hemanthdegapudi/LFM2.5-1.2B-Instruct на Hugging Face совпадает с карточкой LiquidAI/LFM2.5-1.2B-Instruct, поэтому описание составлено по ней. LFM2.5-1.2B-Instruct — плотная гибридная языковая модель Liquid AI для локального и периферийного развертывания. Это версия общего назначения, дообученная следовать инструкциям на базе LiquidAI/LFM2.5-1.2B-Base. В карточке указано 1,17 млрд параметров, 16 слоёв (10 блоков double-gated convolution и 6 блоков GQA), а метаданные Hugging Face указывают 1,5 млрд параметров. Модель принимает текст и генерирует текст; поддерживает контекст до 32 768 токенов по README, тогда как метаданные каталога указывают нативный контекст 128 000 токенов. Модель рассчитана на агентные сценарии, извлечение данных, ответы по документам в RAG и вызов функций. Liquid AI заявляет высокую скорость локального вывода и возможность работы с ограниченной памятью. Поддерживаемые языки: английский, арабский, китайский, французский, немецкий, японский, корейский и испанский. Модель не рекомендуется для задач, требующих обширных знаний, и программирования. Лицензия обозначена в метаданных как other; конкретные условия следует сверить с лицензией репозитория.

NVIDIA Nemotron ColEmbed V2 — мультимодальная модель векторного поиска с поздним взаимодействием, дообученная для сопоставления текстовых запросов с документами в виде изображений. Она объединяет визуальную часть на основе google/siglip2-giant-opt-patch16-384 и языковую часть на основе meta-llama/Llama-3.2-3B; заявленный размер — около 4,4 млрд параметров. Модель принимает текст и изображения страниц, а для каждого входного токена формирует 3072-мерный вектор, пригодный для ColBERT-подобного поиска. Модель предназначена для мультимодального RAG, поиска по страницам документов, графикам, таблицам и инфографике, а также для межъязыкового поиска. В README указана оценённая длина контекста до 10 240 токенов; изображения разбиваются на плитки, рекомендованная конфигурация использует до восьми плиток и миниатюру. Обучение включало публичные наборы данных и мультиязычные синтетические запросы; модель оценивали на бенчмарках ViDoRe. Карточка заявляет улучшенную точность поиска по сравнению с предыдущей версией. Модель рассчитана на запуск с Transformers и Flash Attention, оптимизирована для GPU NVIDIA и протестирована на A100 и H100 под Linux. Лицензия обозначена как other; README ограничивает использование некоммерческими и исследовательскими целями. Качество зависит от языка, структуры документа и сценария поиска; максимальный контекст и настройки разбиения изображений отражают испытанную конфигурацию, а не универсальную гарантию.

Mamba-Codestral-7B-v0.1 — открытая модель для генерации кода, разработанная командой Mistral AI. Она построена на архитектуре Mamba2 и предназначена для написания и дополнения программного кода в диалоговом и других сценариях генерации. В карточке модель сравнивается с кодовыми моделями Transformer сопоставимого размера на стандартных бенчмарках. Репозиторий содержит веса в формате safetensors, а для запуска рекомендуется библиотека mistral-inference; в метаданных также указана поддержка vLLM. Модель распространяется по лицензии Apache-2.0. Подтверждены возможности работы с кодом, но список поддерживаемых языков программирования и длина контекста в предоставленных данных не приведены.

Модель tomaarsen/mpnet-base-all-nli-triplet — англоязычная Sentence Transformer-модель, созданная дообучением microsoft/mpnet-base на триплетах датасета sentence-transformers/all-nli. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости текстов с помощью косинусного сходства, семантического поиска, поиска перефразирований, кластеризации и классификации текстов. Архитектура состоит из MPNet и mean pooling; максимальная длина входа — 512 токенов. Модель содержит 136,7 млн параметров и распространяется в формате safetensors. Карточка приводит результаты TripletEvaluator на наборах all-nli-dev и all-nli-test: точность по косинусному сходству составляет 0,9004 и 0,915 соответственно. Модель рассчитана на английский язык, её лицензия — Apache-2.0. Она выдаёт векторы, а не готовые ответы; для задач поиска обычно нужны отдельное хранилище и механизм ранжирования. Результаты карточки получены на данных AllNLI и не гарантируют качество на других языках или предметных областях.

Это модель Sentence Transformers на архитектуре MPNet, дообученная Mert Cobanov на наборе all-nli-triplets-turkish. Она кодирует предложения и абзацы в плотные векторы размерностью 768, которые можно сравнивать с помощью косинусного сходства. Модель предназначена для оценки семантической близости, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Обучающий набор содержит турецкие примеры AllNLI в формате троек: опорный текст, семантически близкий текст и отрицательный пример. Несмотря на это, карточка указывает английский как язык модели; фактическое качество для турецкого и других языков следует проверять на целевых данных. Максимальная длина последовательности — 512 токенов. Лицензия — Apache-2.0.

waynedsouza/only_names — модель Sentence-Transformers на архитектуре RoBERTa, разработанная Wayned Souza. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для поиска семантически близких текстов и кластеризации. Модель содержит 454,1 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для семантического поиска и группировки текстов по смыслу. Обучалась с использованием CosineSimilarityLoss; в репозитории указаны веса PyTorch. В метаданных Hugging Face основная задача обозначена как sentence-similarity, а каталог также относит модель к feature-extraction. Лицензия в предоставленных данных не указана. Результаты оценки и подробные сведения о составе обучающих данных не приведены.

Карточка модели hotchpotch/open-provence-reranker-v1-gte-modernbert-base на Hugging Face совпадает с карточкой hotchpotch/open-provence-reranker-xsmall-v1, поэтому описание составлено по ней. OpenProvence reranker xsmall v1 — компактная двуязычная модель переранжирования и отбора предложений для подготовки контекста в системах поиска и RAG. Модель разработана hotchpotch и содержит 30 млн параметров; архитектура — OpenProvence для классификации последовательностей, веса представлены в формате safetensors. Модель принимает вопрос и текстовый контекст, оценивает релевантность предложений и удаляет фрагменты, не относящиеся к запросу. Она предназначена для ускорения поиска нужной информации и сокращения контекста перед передачей его генеративной модели. Поддерживаются английский и японский языки; согласно карточке, xsmall рассчитана на низкую задержку и может работать на CPU. В опубликованных оценках модель сокращала объём контекста, сохраняя ответы на контрольных примерах, но результаты зависят от языка, порога отсечения и набора данных. Модель опубликована под лицензией MIT.

OpenProvence reranker xsmall v1 — компактная двуязычная модель переранжирования и отбора предложений для подготовки контекста в системах поиска и RAG. Модель разработана hotchpotch и содержит 30 млн параметров; архитектура — OpenProvence для классификации последовательностей, веса представлены в формате safetensors. Модель принимает вопрос и текстовый контекст, оценивает релевантность предложений и удаляет фрагменты, не относящиеся к запросу. Она предназначена для ускорения поиска нужной информации и сокращения контекста перед передачей его генеративной модели. Поддерживаются английский и японский языки; согласно карточке, xsmall рассчитана на низкую задержку и может работать на CPU. В опубликованных оценках модель сокращала объём контекста, сохраняя ответы на контрольных примерах, но результаты зависят от языка, порога отсечения и набора данных. Модель опубликована под лицензией MIT.

Ornith-1.5-35B-A3B — языковая модель семейства Ornith-1.5, разработанная командой Ornith. Это среднеразмерная sparse Mixture-of-Experts модель с 35 млрд параметров, из которых при обработке каждого токена активируется около 3 млрд. Представленная версия предназначена для запуска через библиотеку MLX в 4-битном формате квантования и поддерживает генерацию текста. Модель ориентирована прежде всего на программирование, работу с терминалом и агентские сценарии, включая автономное решение задач разработки и взаимодействие с инструментами. Согласно карточке модели, она обучалась с использованием цикла самоулучшения: модель совместно оптимизировала генерацию задач, построение scaffolding и последовательности решений с помощью reinforcement learning. Заявлены высокие результаты на Terminal-Bench 2.1 и SWE-bench Verified; однако приведённые показатели зависят от конкретного окружения и конфигурации агентского harness. К сильным сторонам относятся высокая эффективность инференса за счёт активации небольшой части параметров, специализация на кодировании и агентской работе, а также 4-битное представление для запуска в экосистеме MLX. В доступных данных не указаны максимальная длина контекста, полный список поддерживаемых языков, мультимодальные возможности, требования к оборудованию и лицензия, поэтому эти характеристики и условия использования требуют дополнительной проверки.

Ornith-1.5-9B-MLX-6bit — компактная языковая модель семейства Ornith-1.5, представленная проектом Ornith. Это плотная модель на 9 млрд параметров, адаптированная для запуска с использованием MLX и 6-битного квантования. Модель предназначена прежде всего для генерации текста и эффективного локального развертывания на одной GPU; семейство также ориентировано на запуск на периферийных и мобильных устройствах в квантованном варианте Ornith-1.5-9B-Mobile. Ornith-1.5 развивает Ornith-1.0, созданную на основе Qwen3.5 и Gemma4 с дополнительным continued pretraining, mid-training и post-training. Ключевая особенность новой версии — цикл самоулучшения, в котором совместно оптимизируются генерация задач, построение scaffold и rollout решений с применением reinforcement learning. Такой подход рассчитан на задачи программирования, работу с терминалом и автономное решение инженерных задач. В README приведены результаты на Terminal-Bench 2.1, SWE-bench Verified, SWE-bench Pro и других тестах; для Ornith-1.5-9B указаны результаты 46,2 и 47 на двух конфигурациях Terminal-Bench 2.1, 70,6 на SWE-bench Verified и 47,5 на SWE-bench Pro. Сильными сторонами модели являются небольшой для современных reasoning- и coding-моделей размер, возможность эффективного single-GPU deployment и ориентация на программирование и агентные сценарии. Ограничения заключаются в том, что предоставленные данные не содержат сведений о размере контекстного окна, поддерживаемых языках, мультимодальности, точной базовой архитектуре и лицензии; эти характеристики нельзя достоверно определить по карточке.

Qwable-9B-Claude-Fable-5-GGUF — семейство GGUF-квантизованных версий модели Qwable-9B-Claude-Fable-5, разработанной Empero. Модель создана на базе Qwen3.5-9B с полным дообучением параметров на трассах агентного программирования и рассуждений, дистиллированных из Claude Fable 5 и GPT-5.5 terminal agent. Распространяется для запуска через llama.cpp, Ollama, LM Studio и другие GGUF-совместимые среды. Модель предназначена прежде всего для программирования, терминальных и агентных сценариев, технического рассуждения и работы с инструментами. Она мультимодальная: поддерживает текст и изображения, однако для обработки изображений требуется отдельный vision projector mmproj с CLIP vision encoder. Основной язык — английский. Архитектура унаследована от Qwen3.5-9B и включает гибридный стек внимания с чередованием Gated DeltaNet linear attention и Gated full attention; заявлен длинный нативный контекст и словарь примерно из 152 тысяч токенов. Доступны варианты от BF16 до Q4_K_M размером примерно от 17 до 5,3 ГБ. Сильные стороны модели — готовое поведение для coding и agentic-задач, включая работу с терминалом и отдельные проявления security-aware подхода. По заявленной качественной проверке 27 из 34 ответов были признаны корректными и чистыми, однако полноценный набор бенчмарков ещё не опубликован. Ограничения включают меньшую надёжность в общих знаниях и длинных фактологических ответах, возможное снижение качества в низких квантизациях и отсутствие дополнительной safety-настройки. Ответы начинаются с блока <think>, который рекомендуется удалять перед показом пользователю. Модель распространяется по лицензии Apache-2.0; при использовании следует учитывать происхождение обучающих данных и организовать собственную проверку безопасности.

Qwen3.6-27B-MTPLX-Optimized-Speed-V2 — квантизированная версия модели Qwen3.6-27B, разработанная на базе Qwen/Qwen3.6-27B и адаптированная Youssofal для инференса через движок MTPLX на компьютерах Apple Silicon. Модель предназначена прежде всего для локальной генерации кода, использования инструментов и длительных агентских сессий на macOS, включая работу в OpenCode, Claude Code, Cline и других coding agents через OpenAI- и Anthropic-совместимые API. Модель использует архитектуру qwen3-next-mtp с нативной multi-token prediction глубиной до 3 токенов и гибридную квантизацию примерно до 5,8 бит на вес. Большинство весов представлены в 4-битном формате, чувствительные компоненты — в 8-битном или bf16. Размер модели составляет 19,9 ГБ. В комплект входит sidecar с весами MTP, поэтому отдельная draft-модель не требуется. Проверка проводилась на Apple M5 Max с 128 ГБ unified memory; MTPLX рекомендует модель для Mac с 32 ГБ unified memory и более. Заявлены скорость декодирования до 45,7 токена в секунду при контексте 17 тысяч токенов и пиковый speculative multiplier 2,86x, однако эти показатели зависят от оборудования и сценария. Сильные стороны модели — сниженная потеря качества квантизации относительно исходной версии, высокая эффективность speculative decoding в длинном контексте, ускоренная работа в агентских сценариях и сохранение качества обычного декодирования благодаря проверке токенов по точному соотношению вероятностей. Ограничения включают больший размер файла по сравнению с предыдущей версией, что может ухудшать скорость коротких холодных сессий и повышать требования к памяти. README не указывает максимальную длину контекста и список поддерживаемых языков. Модель и инструменты MTPLX распространяются по лицензии Apache-2.0.

Qwen3-Embedding-0.6B-mlx-bf16 — текстовая модель эмбеддингов на базе Qwen3-Embedding-0.6B, преобразованная в формат MLX для запуска на устройствах Apple. В репозитории около 507,6 млн параметров; веса сохранены в исходной точности bfloat16 без дополнительной квантизации. Модель принимает текст и выдаёт векторные представления, подходящие для семантического поиска и сравнения сходства предложений. Конверсию выполнил chrisyuan с помощью mlx-embeddings. В README проверено сходство выходных эмбеддингов с исходной моделью PyTorch: косинусное сходство на небольшом наборе предложений составило 0,9998–0,9999, а относительное ранжирование пар предложений совпало. Контекст модели — до 32 768 токенов; базовая модель многоязычная, однако конкретный перечень поддерживаемых языков в предоставленных данных не приведён. Модель подходит для поиска по смыслу, сопоставления предложений и построения текстовых эмбеддингов в приложениях на MLX. Лицензия — Apache-2.0. Проверка в README охватывала небольшой набор тестовых предложений; точность bfloat16 может давать небольшие численные отличия от исходных весов.

Это англоязычный CrossEncoder, дообученный командой tomaarsen на answerdotai/ModernBERT-base с библиотекой Sentence Transformers. Модель совместно обрабатывает пару текстов и выдаёт оценку их соответствия; её основное применение — ранжирование найденных документов по запросу, а также оценка семантического сходства и классификация текстовых пар. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и принимает последовательности длиной до 8192 токенов. Она обучалась на данных Natural Questions и оценивалась на задачах переранжирования, включая NQ и наборы NanoBEIR; карточка приводит метрики MAP, MRR@10 и NDCG@10. Модель рассчитана на английский язык. Лицензия в предоставленных сведениях не указана.

hivaze/ru-e5-base — компактная версия multilingual-e5-base, созданная Сергеем Братчиковым на основе XLM-RoBERTa. Из словаря исходной модели оставлены 69 382 токена, преимущественно для кириллических языков и английского; соответствующие эмбеддинги перенесены на новые идентификаторы токенов. Параметры модели не дообучались, поэтому автор заявляет о сохранении качества исходной модели для кириллических текстов и английского. Модель предназначена для извлечения признаковых представлений текста и может применяться для построения текстовых эмбеддингов, поиска по смыслу и других задач, использующих векторные представления. Уменьшенный словарь сокращает объём модели и расход памяти при обучении. Модель содержит 166,5 млн параметров, принимает последовательности длиной до 514 токенов и доступна в формате safetensors. Лицензия в предоставленных данных не указана.

ruRoPEBert-classic-base-2k — русскоязычная модель-энкодер от Tochka AI на архитектуре RoPEBert. Она основана на ai-forever/ruBert-base и обучена на датасете CulturaX методом клонирования, описанным авторами в статье на Habr. В модели около 205,5 млн параметров, а обученная длина контекста составляет 2048 токенов; авторы также описывают масштабирование контекста с помощью RoPE scaling. Модель предназначена для получения векторных представлений текстов и их сравнения, а также может служить основой для классификации текста и предсказания пропущенных токенов. В архитектуру встроен mean pooling с учётом маски внимания; доступен и вариант pooling по первому токену с обучаемым преобразованием. В бенчмарке encodechka модель показывает результаты выше ruBert-base по среднему баллу без NE, согласно таблице в карточке. Для загрузки пользовательской архитектуры рекомендуется Transformers версии 4.37.2 или новее и параметр trust_remote_code=True. Карточка не указывает лицензию. В репозитории доступны веса Safetensors.

Карточка модели ceggian/sbert_pt_reddit_mnr_256 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_mnr_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_mnr_32 — модель Sentence-Transformers на базе BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель обучена с функцией потерь MultipleNegativesRankingLoss на данных Reddit; размер составляет 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт векторные представления, поэтому подходит для поиска похожих сообщений, группировки текстов и ранжирования кандидатов по семантической близости. В репозитории находятся веса PyTorch. Лицензия и сведения о поддерживаемых языках в предоставленных данных отсутствуют.

Карточка модели ceggian/sbert_pt_reddit_softmax_64 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_softmax_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_softmax_32 — модель Sentence-Transformers на архитектуре BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Обучение использовало SoftmaxLoss и данные Reddit, что указывает на настройку для задач сходства предложений. Модель подходит для семантического поиска и группировки похожих текстов; её векторные представления можно использовать в системах поиска и анализа текстов. README не уточняет поддерживаемые естественные языки и лицензию, поэтому область применения и условия использования по этим параметрам определить нельзя.

manu/sentence_croissant_alpha_v0.4 — модель эмбеддингов на базе архитектуры Llama, опубликованная под лицензией MIT. Она преобразует предложения и абзацы в плотные векторы размерности 2048 для семантического поиска, кластеризации и сравнения смысловой близости. Модель рассчитана на работу с французским и английским текстом; максимальная длина контекста — 2048 токенов, число параметров — около 1,3 млрд. Для загрузки и использования подходит библиотека Sentence-Transformers. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и может применяться для поиска текстов по смыслу и группировки семантически похожих фраз. Карточка не приводит численных результатов бенчмарков, поэтому качество на конкретных данных следует проверять отдельно.

seanfarrell/set_fit_experiment — модель на базе RoBERTa, обученная для преобразования предложений и абзацев в плотные векторы размерностью 1024. Её можно использовать для семантического поиска и кластеризации текстов, а также для сравнения сходства предложений. Модель обучена с функцией потерь CosineSimilarityLoss и рассчитана на работу через Sentence-Transformers. В метаданных указаны 454,1 млн параметров, контекст до 514 токенов и формат PyTorch. Поддерживаемые языки в доступных данных не обозначены. Лицензия в предоставленных данных не указана. Модель предназначена для получения текстовых эмбеддингов; качество для конкретных языков и задач следует оценивать на собственных данных.

Kuaaangwen/Setfit-few-shot-classifier — модель эмбеддингов предложений на базе MPNet, опубликованная пользователем Kuaaangwen. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для поиска семантически близких текстов, кластеризации и сравнения сходства. Модель содержит 136,7 млн параметров и рассчитана на контекст до 514 токенов; доступен формат PyTorch. Модель можно применять для семантического поиска по коллекции текстов, группировки похожих высказываний и вычисления сходства между парами предложений. README указывает обучение с CosineSimilarityLoss, но не сообщает языки обучающих данных или результаты оценки. Лицензия в предоставленных данных не указана.

mitra-mir/setfit_model_Ireland_binary_label1_epochs2 — модель на базе MPNet, разработанная mitra-mir для преобразования предложений и абзацев в плотные векторы размерности 768. Она рассчитана на поиск семантически близких текстов и кластеризацию; также может использоваться для сравнения сходства предложений. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель подходит для семантического поиска по коллекциям текстов, группировки похожих предложений и построения эмбеддингов для последующей обработки. В карточке указано обучение с CosineSimilarityLoss; сведений о языковой специализации и лицензии в предоставленных данных нет.

lsanochkin/setfit-rubert-intent — модель эмбеддингов предложений на базе BERT, опубликованная пользователем lsanochkin. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель можно использовать через Sentence-Transformers или Transformers с соответствующей операцией pooling. В README указано обучение с SupConLoss в SetFit. Метаданные сообщают о 205,5 млн параметров, контекстном окне до 512 токенов и формате PyTorch. Модель принимает текст и выдаёт векторы; в карточке нет сведений о поддерживаемых естественных языках. Лицензия не указана в предоставленных данных.

Atipico1/simcse-2000 — модель Sentence Transformers, созданная дообучением BM-K/KoSimCSE-bert-multitask. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смыслового сходства текстов, семантического поиска и других задач, основанных на эмбеддингах. В архитектуре используются BERT и усреднение токенных представлений; сходство рекомендуется оценивать косинусной мерой. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Базовая модель ориентирована на корейские предложения; в карточке приведена оценка cosine_accuracy 0,9314 на наборе TripletEvaluator. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

princeton-nlp/sup-simcse-roberta-base — модель эмбеддингов предложений, разработанная командой Princeton NLP в рамках SimCSE. Это вариант SimCSE с учителем: RoBERTa-base дообучена на наборах данных для вывода на естественном языке, чтобы получать векторы предложений, отражающие их смысловое сходство. Модель предназначена для построения эмбеддингов, сравнения семантической близости текстов и поиска похожих предложений. В опубликованном авторами сравнении она достигла среднего результата 82,52 на задачах семантического сходства предложений. Модель основана на RoBERTa, содержит около 151,8 млн параметров и принимает текст длиной до 514 токенов. Модель возвращает векторные представления, а не готовые ответы на вопросы или сгенерированный текст. Основная карточка и материалы проекта не подтверждают поддержку русского языка, поэтому не следует считать её русскоязычной без отдельной проверки. Файлы доступны в форматах PyTorch и Flax; лицензию по доступным источникам надёжно установить не удалось.

Tien09/tiny_bert_ft_sim_score — дообученная модель Sentence Transformers на базе prajjwal1/bert-tiny, созданная для сравнения сходства английских предложений и текстовых фрагментов. Она кодирует каждый текст в плотный вектор размерности 128; сходство векторов оценивается косинусной мерой. Модель обучена на наборе pair_similarity из 8 959 примеров и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации текстов, сравнения пар предложений и классификации на основе эмбеддингов. Архитектура объединяет BertModel и mean pooling. Репозиторий использует формат safetensors, библиотеку sentence-transformers и лицензию Apache-2.0. README содержит несоответствие в заголовке, где упомянут MPNet и AllNLI, тогда как основное описание и метаданные указывают на дообучение bert-tiny на pair_similarity.

V-ORC — дообученная GIGAParviz компактная мультимодальная модель на базе unsloth/PaddleOCR-VL. Она предназначена для распознавания текста и извлечения сведений из изображений документов, а также для диалогового взаимодействия с визуальным содержимым. Модель имеет архитектуру PaddleOCR-VL с 318,2 млн параметров, принимает изображения и текст и выдаёт текст. Заявленная длина контекста — 131 072 токена. Модель распространяется в формате safetensors по лицензии Apache-2.0. В карточке указано обучение с использованием Unsloth и Hugging Face TRL; отдельные показатели качества для этой версии не приведены.

Карточка модели binant/whisper-small на Hugging Face совпадает с карточкой openai/whisper-small, поэтому описание составлено по ней. Whisper Small — модель распознавания речи семейства Whisper, разработанная OpenAI. Это мультиязычная модель Transformer типа encoder-decoder с 153,1 млн параметров, обученная на размеченных аудиоданных. Она преобразует речь в текст на языке исходного аудио и может переводить речь с разных языков на английский. Для обработки аудио в Transformers используется вместе с WhisperProcessor. Модель подходит для транскрибирования записей, в том числе длинных: базовая обработка рассчитана на фрагменты до 30 секунд, а разбиение на фрагменты позволяет обрабатывать аудио произвольной длины и получать временные метки. Whisper демонстрирует устойчивость к акцентам, фоновому шуму и технической лексике, но точность различается между языками, диалектами и группами говорящих. Возможны галлюцинации, повторы и ошибки распознавания. Модель распространяется по лицензии Apache-2.0.

rithwik-db/bert-base-cased_banking77_10000 — модель Sentence-Transformers на архитектуре BERT, обученная представлять предложения и абзацы в виде плотных векторов размерности 768. Она предназначена для семантического поиска и кластеризации текстов; обучение проводилось с TripletLoss и евклидовой метрикой расстояния. Модель содержит 135,5 млн параметров, принимает текст, а её контекст ограничен 512 токенами. Модель подходит для поиска похожих запросов и группировки текстов по смыслу. Карточка не сообщает, на каких языках обучена модель или для какой предметной области она предназначена, поэтому её название само по себе не подтверждает специализированную поддержку банковских запросов. Лицензия в предоставленных данных не указана.

Gold-only BERT STSb — модель Sentence Transformers на базе BERT, разработанная для демонстрации в курсе NLP for Semantic Search. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации; также подходит для оценки сходства предложений. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт эмбеддинги. При работе через Transformers к выходам модели нужно применить подходящую операцию pooling. Модель обучена с функцией потерь CosineSimilarityLoss на STSb; README описывает её как пример для главы об аугментации данных BERT внутри домена. Данных о поддерживаемых естественных языках в карточке нет. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.