II.6Документация и сопровождение разработки

Qwenseek-3.8-27B-CyberLite-GGUF — специализированная кибербезопасностная модель, разработанная trjxter на основе unsloth/Qwen3.8-27B. Это первый этап линейки Qwenseek для задач кибербезопасности; данная публикация распространяется в формате GGUF для локального запуска через llama.cpp. Модель дообучалась методом supervised fine-tuning с использованием 4-битного QLoRA на данных, охватывающих программирование, программную инженерию, рассуждения, tool calling и кибербезопасность. Модель предназначена для защитного анализа уязвимостей, аудита и исправления кода, планирования обнаружения, локализации и устранения инцидентов, технического решения задач, агентных сценариев и структурированного использования инструментов. Также поддерживается контролируемое Cyber Red-рассуждение, но только в авторизованных, локальных, изолированных, образовательных или защитных сценариях. Основные характеристики: около 27,8 млрд параметров, архитектурное семейство Qwen3.8, валидированный контекст до 32 768 токенов, сохранённый MTP/NextN и преимущественно английский язык. CyberLite ориентирована на сочетание киберзащитных навыков с сильными возможностями программирования, технического рассуждения и работы с инструментами. Дообучение было текстовым: параметры зрения были заморожены, поэтому модель следует рассматривать как текстовую специализированную версию, а не как улучшенную мультимодальную модель. GGUF-релиз включает варианты квантования от Q2_K до Q8_0; рекомендуемый компромисс между размером и качеством — Q4_K_M, однако фактические требования к памяти и производительность зависят от среды запуска, длины контекста и настроек offload. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Qwopus3.5-27B-v3 — мультимодальная модель на 27 млрд параметров, разработанная Jackrong на базе unsloth/Qwen3.5-27B. Она дообучена с помощью SFT и LoRA с дистилляцией структурированного рассуждения и дополнительным обучением вызову инструментов; поддерживает диалоги и обработку изображений. Модель предназначена для задач программирования, математики, логических рассуждений и многошаговых сценариев с инструментами, включая агентные фреймворки вроде OpenClaw. Автор заявляет о более коротких и устойчивых цепочках рассуждений и высокой эффективности генерации токенов, однако приведённые оценки ограничены и не подтверждают качество во всех областях. Модель может галлюцинировать, зацикливаться или отклоняться в рассуждениях; автор обозначает её как тестовую версию для обучения, демонстраций и технического исследования. Лицензия — Apache-2.0.

Qwopus3.8-27B-Flash-NVFP4 — это конверсия базовой модели Jackrong/Qwopus3.8-27B-Flash в формате NVIDIA ModelOpt NVFP4, предназначенная для запуска на GPU NVIDIA Blackwell. Репозиторий содержит логическую модель объёмом 27,78 млрд параметров и использует формат safetensors. В README также указано, что исходную модель создал Kyle Hessling, а конверсия выполнена сообществом. Модель предназначена для диалоговых, мультимодальных и агентных сценариев: обработки текста и изображений, следования инструкциям, генерации структурированных ответов, вызова инструментов и работы в coding-agent циклах. Сохранены визуальный энкодер и проектор, а также встроенная MTP/NextN-голова для speculative decoding. Трансформерные веса используют NVFP4, тогда как lm_head, визуальная часть и MTP-голова сохранены в BF16 для повышения качества. Рекомендуемый сценарий обслуживания — SGLang с FlashInfer, поддержкой ModelOpt FP4 и совместимой моделью-черновиком Qwen3.8 27B DFlash2 NVFP4. В тестовом профиле заявлен контекст до 262 144 токенов, однако для этого требуются Blackwell GPU с достаточным объёмом памяти под основную и черновую модели, KV-кэш и накладные расходы. README не указывает поддерживаемые языки и результаты бенчмарков; для мультимодальной работы необходимо использовать поставляемый chat template, а для вызова функций — парсер инструментов Qwen. Лицензия указана как Apache-2.0, при этом пользователю рекомендуется соблюдать лицензионные условия базовой модели. Ограничениями являются зависимость от совместимого оборудования и программного стека NVIDIA Blackwell, необходимость специальной DFlash2-модели для рекомендованной спекулятивной генерации и возможное снижение доступного контекста на менее мощных GPU.

i1j/reranker — текстовый Cross-Encoder, дообученный на базе BAAI/bge-reranker-v2-m3 с использованием библиотеки sentence-transformers. Модель разработана как переранжировщик: она совместно обрабатывает пары текстов и выдаёт оценку их релевантности, которую можно использовать для изменения порядка результатов поиска и семантического поиска. Архитектура основана на XLM-RoBERTa и реализована как XLMRobertaForSequenceClassification с одним выходным значением. Максимальная длина последовательности составляет 8192 токена; модель принимает текст и выдаёт оценку. Лицензия в предоставленных данных не указана.

Это модель sentence-transformers, разработанная Netherlands Forensic Institute на основе RobBERT от KU Leuven и дообученная на переведённом на нидерландский языке наборе Paraphrase, включающем пары похожих текстов. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантического сходства. Модель предназначена для семантического поиска, кластеризации текстов и поиска похожих предложений или вопросов. Архитектура — RobertaModel, основанная на RobBERT; модель содержит 146,1 млн параметров и поддерживает контекст до 514 токенов. Для обучения использованы датасеты с парами похожих текстов, включая дубликаты вопросов и текстовые пары из разных областей. Модель рассчитана на нидерландский язык. Перевод обучающих данных выполнялся машинным способом, что может влиять на качество представлений. Распространяется по лицензии Apache-2.0.

Карточка модели ceggian/sbert_pt_reddit_mnr_128 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_512 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.

dlicari/sentence-ita-eurlex-bert-base — модель Sentence-Transformers на базе BERT, разработчик — dlicari. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 137,1 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Название указывает на связь с итальянским и корпусом EUR-Lex, однако README и метаданные не подтверждают конкретный состав обучающих данных или языковую специализацию. В README указано обучение с DenoisingAutoEncoderLoss. Лицензия в предоставленных данных не указана.

lewtun/setfit-ethos-multilabel-example — модель Sentence-Transformers на базе MPNet, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 136,7 млн параметров и поддерживает контекст длиной до 514 токенов. Модель подходит для поиска похожих фрагментов текста и группировки текстов по смыслу. В README указано обучение с CosineSimilarityLoss. Репозиторий также содержит в названии указание на пример многометочной классификации ETHOS, но приведённая карточка описывает именно получение эмбеддингов. Для использования требуются Sentence-Transformers либо Transformers с подходящей операцией pooling. Доступные данные не содержат сведений о лицензии, поэтому условия использования по ним определить нельзя.

TechxGenus starcoder2-7b-instruct — дообученная для следования инструкциям модель генерации кода на архитектуре StarCoder2. В README указано, что StarCoder2-7B обучили ещё на 0,7 млрд токенов, связанных с кодом, в течение трёх эпох; размер модели в метаданных — 9,9 млрд параметров. Модель использует формат инструкций Alpaca без системного промпта и рассчитана на контекст до 16 384 токенов. Модель предназначена для генерации и дополнения кода по инструкциям, а также решения задач программирования. Авторы сообщают результат 73,2 pass@1 на HumanEval-Python. В README отмечены ограниченное тестирование, возможные ошибки и вводящие в заблуждение ответы, а также трудности с задачами вне программирования. Лицензия — BigCode OpenRAIL-M.

kowshik/upsc-classification-model-v1 — модель Sentence-Transformers на базе MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска, сравнения сходства текстов и кластеризации; метаданные указывают 136,7 млн параметров и контекст до 514 токенов. Модель работает с текстом и выдаёт эмбеддинги. В README описано обучение с CosineSimilarityLoss; доступны веса PyTorch и использование через Sentence-Transformers или Transformers с соответствующим pooling. Лицензия и целевые естественные языки в предоставленных данных не указаны.

mlx-community/all-MiniLM-L6-v2-bf16 — компактная модель для получения векторных представлений предложений, созданная сообществом mlx-community путём конвертации sentence-transformers/all-MiniLM-L6-v2 в формат MLX. Модель основана на архитектуре MiniLM и содержит 25,9 млн параметров. Она предназначена для оценки семантического сходства текстов, поиска похожих предложений и построения систем семантического поиска, кластеризации и retrieval-компонентов. Модель принимает англоязычные тексты и возвращает нормализованные embeddings, между которыми можно вычислять сходство через скалярное произведение. Поддерживается контекст длиной до 512 токенов и использование через библиотеку sentence-transformers и инструменты MLX. Сильные стороны модели — небольшой размер, специализированность на sentence embeddings и удобство применения на устройствах и в окружениях, совместимых с MLX. Модель не предназначена для генерации текста, плохо подходит для текстов за пределами английского языка, а входы длиннее 512 токенов требуют усечения или предварительной обработки. Лицензия — Apache-2.0.

SeanLee97/angle-bert-base-uncased-nli-en-v1 — модель текстовых эмбеддингов AnglE на архитектуре BERT-base-uncased, разработанная авторами AnglE. Она преобразует отдельные тексты или их списки в векторы для измерения семантической близости и поиска похожих фрагментов. В README приведены результаты на наборах задач семантического сходства STS12–STS16, STSBenchmark и SICKRelatedness; модель обучена на данных MultiNLI и SNLI. Модель содержит 136,7 млн параметров, принимает текст на английском языке и поддерживает контекст до 512 токенов. В примере использования применяется стратегия pooling cls_avg. Репозиторий содержит веса PyTorch для Transformers; лицензия — MIT. Карточка демонстрирует применение для семантического сходства и эмбеддингов, но не описывает генерацию текста или поддержку других языков.

swardiantara/bert-tiny-yelp-k5-fixed-cosine — компактная модель Sentence Transformers, дообученная разработчиком на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы на английском языке в плотные векторы размерности 128 и предназначена для поиска по смыслу, извлечения текстовых признаков и сравнения предложений по косинусному сходству. Архитектура включает BERT с усреднением токенных представлений; модель содержит 4,4 млн параметров. Метаданные указывают контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Малый размер делает модель подходящей для поиска и сравнения текстов при ограниченных вычислительных ресурсах. В README указано обучение на наборе из 585 350 пар текстов с метками. Модель принимает только текст и возвращает векторы; она не генерирует ответы. Лицензия в предоставленных данных не указана.

CompendiumLabs/bge-m3-gguf — это GGUF-версия модели BGE-M3, опубликованная Compendium Labs и основанная на исходной модели BAAI/bge-m3 от Beijing Academy of Artificial Intelligence (BAAI). Это не генеративная языковая модель, а многоязычная модель текстовых представлений для семантического поиска, поиска по сходству, гибридного retrieval и RAG-систем. Модель построена на архитектуре XLM-RoBERTa, содержит около 568–569 млн параметров, формирует векторы размерности 1024 и поддерживает контекст до 8192 токенов. Она рассчитана более чем на 100 языков и объединяет три режима поиска: dense retrieval, sparse retrieval и multi-vector retrieval в стиле ColBERT. Репозиторий CompendiumLabs содержит файлы GGUF в форматах F16 и F32; размер F16-файла составляет около 1,16 ГБ, F32-файла — около 2,27 ГБ. Сильные стороны модели — многоязычность, обработка длинных документов и возможность получать несколько типов retrieval-представлений из одной модели, что удобно для гибридного поиска. Ограничение состоит в том, что модель предназначена для эмбеддингов и извлечения признаков, а не для генерации текста; для максимальной точности поиска рекомендуется дополнительно применять отдельный reranker. Качество может различаться между языками, поскольку объём и баланс обучающих данных неодинаковы. В карточке CompendiumLabs указана лицензия MIT.

Модель seongil-dn/bge-m3-kor-retrieval-bs1024-checkpoint-295 — дообученная версия BAAI/bge-m3 на базе Sentence Transformers, созданная для получения плотных векторных представлений предложений и абзацев. Архитектура XLM-RoBERTa с пулингом CLS-токена и нормализацией; размерность эмбеддингов — 1024. В метаданных указан размер модели 658,7 млн параметров, библиотека Sentence Transformers и нативный контекст до 8194 токенов; карточка модели заявляет максимальную длину последовательности 1024 токена. Эмбеддинги можно использовать для семантического поиска и сравнения текстов по косинусному сходству, поиска перефразировок, кластеризации и классификации текстов. Модель дообучена с CachedMultipleNegativesRankingLoss; название и описание репозитория указывают на корейский retrieval-сценарий, однако конкретные данные обучения и оценки качества не приведены. Лицензия в предоставленных данных не указана.

mlx-community/bge-m3-mlx-4bit — неофициальная версия BAAI/bge-m3, преобразованная для MLX и квантованная до 4 бит для работы на Apple Silicon. Модель основана на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и формирует 1024-мерные представления текста; максимальная длина контекста — 8194 токена. Модель предназначена для получения эмбеддингов и семантического поиска. Исходная BGE-M3 поддерживает плотный, разреженный и многовекторный (ColBERT) поиск, однако README этой версии описывает генерацию эмбеддингов через MLX. Квантование уменьшает требования к памяти и подходит для массового формирования эмбеддингов, когда приемлемо некоторое снижение качества. Модель поддерживает многоязычный текст, включая русский, английский, китайский, немецкий, испанский, французский, итальянский, японский, корейский и португальский. Для использования нужны MLX и совместимая система Apple Silicon. Лицензия — MIT; это неофициальная конверсия, за исходной моделью и официальными реализациями следует обращаться к BAAI/bge-m3.

aapot/bge-m3-onnx — это ONNX-конверсия модели BGE-M3, первоначально разработанной BAAI, подготовленная с использованием HF Optimum для запуска через ONNX Runtime. Модель основана на архитектуре XLM-RoBERTa, содержит около 658,7 млн параметров и поддерживает контекст до 8194 токенов. Модель предназначена для построения векторных представлений текста в задачах семантического поиска и сопоставления текстов. Она одновременно формирует плотные embedding-векторы, разреженные лексические представления и ColBERT-представления для много-векторного взаимодействия. Плотные и ColBERT-представления нормализованы аналогично стандартному поведению библиотеки FlagEmbedding. Граф модели оптимизирован на уровне O2, что рассчитано на эффективное выполнение в ONNX Runtime. Модель подходит для семантического поиска, гибридного поиска, ранжирования документов и поиска похожих текстов. Для токенизации можно использовать Transformers, а для инференса — ONNX Runtime. Модель распространяется по лицензии MIT. Она генерирует embedding-представления, а не готовый текст, поэтому не предназначена для диалоговой генерации или прямого ответа на вопросы.

CodeLlama 13B Python — языковая модель Meta, специализированная на генерации программного кода, представленная в формате GGUF и квантованная TheBloke. В основе лежит архитектура Llama с 13 миллиардами параметров; исходная версия доступна как CodeLlama 13B Python в формате Hugging Face. Модель предназначена для решения задач программирования по текстовому описанию: генерации кода с учётом ограничений, прохождения примеров тестов и помощи в разработке. В README приведён шаблон запроса для таких задач. Модель работает с текстом и кодом, однако конкретный набор естественных языков, максимальный размер контекста и другие параметры не указаны. Формат GGUF поддерживает метаданные и специальные токены и совместим с llama.cpp, а также рядом пользовательских интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, LM Studio, ctransformers и llama-cpp-python. Доступны варианты квантования от 2 до 8 бит для инференса на CPU и GPU; конкретные характеристики качества, скорости и требований к памяти зависят от выбранного варианта. Квантование может сопровождаться компромиссом между эффективностью и точностью, а README не содержит подробной оценки ограничений модели. Лицензия указана как llama2.

teven/cross_all_bs320_vanilla_finetuned_WebNLG2020_metric_average — модель эмбеддингов предложений на архитектуре MPNet, опубликованная на Hugging Face в формате PyTorch. Она преобразует предложения и абзацы в плотные векторы размерности 768; модель содержит 136,7 млн параметров и рассчитана на входную последовательность до 514 токенов. Модель подходит для семантического поиска и кластеризации текстов. Её можно использовать через библиотеку Sentence Transformers или через Transformers с подходящей операцией pooling. По названию репозитория модель дообучена на WebNLG 2020, однако README не уточняет точную схему обучения. Карточка не сообщает поддерживаемые естественные языки и лицензию, поэтому их нельзя надёжно указать.

DeepSeek Coder 7B Instruct v1.5 GGUF — это набор GGUF-квантованных версий модели DeepSeek Coder 7B Instruct v1.5, разработанной DeepSeek и преобразованной для локального запуска в репозитории Edmon02. Модель предназначена прежде всего для генерации и редактирования кода, работы локальных ассистентов в IDE и CLI, автономных агентов и офлайн-разработки без API-ключей. Для запуска подходят llama.cpp, LM Studio, KoboldCPP, llamafile и другие GGUF-совместимые среды. Модель относится к семейству архитектур LLaMA, имеет размер 7B параметров и поддерживает контекст до 4096 токенов. Это текстовая instruct-модель с шаблоном общения через секции «### Instruction» и «### Response». В репозитории представлены 14 вариантов квантования IQ и K, включая Q2_K, Q4_K_M, Q6_K и Q8_0, с размером примерно от 2,5 до 7,35 ГБ. Q4_K_M позиционируется как оптимальный баланс качества и размера, а Q8_0 — как вариант с наивысшим качеством среди доступных. Сильными сторонами являются возможность автономного запуска, широкий выбор квантований под разные объёмы VRAM и специализация на задачах программирования. Ограничения включают контекст 4096 токенов, возможное снижение точности синтаксиса у низкобитных квантований на длинном коде, небольшие различия между версиями квантования и отсутствие гарантированного соответствия облачным API DeepSeek. Модель не предназначена для тонкой настройки непосредственно в формате GGUF и может отказываться от запросов, не связанных с кодом. Лицензия указана как other с названием deepseek; подробные условия приведены в лицензии DeepSeek.

Dicta-LM 3.0 Nemotron 12B Instruct — открытая весовая языковая модель, разработанная Dicta для работы на иврите и английском языках. Это instruct-версия с 12 млрд параметров, архитектурой Hybrid-SSM и точностью BF16; в качестве исходной модели использована NVIDIA-Nemotron-Nano-12B-v2-Base. Модель предназначена для диалогов и выполнения инструкций, а также поддерживает вызов инструментов для интеграции с внешними API и сервисами. Для работы следует использовать предусмотренный моделью chat template; в README рекомендованы vLLM и Transformers. Разработчик заявляет, что семейство Dicta-LM 3.0 достигает лучших результатов своего класса по ивриту. Модель распространяется с лицензией, обозначенной в метаданных как other; README заявляет о свободном использовании, но конкретные условия лицензии следует проверить отдельно.

DocumentFigureClassifier — модель классификации изображений из проекта Docling, дообученная на базе Google EfficientNet-B0. Она относит изображение к одной из 16 категорий: типы диаграмм и графиков, штрихкод, QR-код, химические структуры, блок-схема, значок, логотип, карта, снимок дистанционного зондирования, скриншот, подпись, печать или прочее. Модель предназначена для распознавания визуальных элементов в документах и может использоваться как этап предварительной обработки при разборе документов, чтобы определить тип изображения и направить его на дальнейшую обработку. Это компактная свёрточная архитектура для классификации изображений; модель принимает изображение и выдаёт метку класса. В репозитории указаны веса safetensors. Лицензия — MIT.

droplychee/droplychee-code-big — дообученная модель разработчика droplychee на базе Qwen/Qwen3-Coder-Next. Это языковая MoE-модель с архитектурой Qwen3-Next, предназначенная для генерации кода и работы в составе кодирующих агентов; поддерживает диалоговый режим и интерфейс вызова инструментов. Модель содержит 2,3 млрд параметров и поддерживает контекст до 262 144 токенов. README указывает, что обучение проводилось с использованием Unsloth и библиотеки TRL для ускорения процесса. Модель принимает текст и генерирует текст, в том числе код; в метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Данных о специальных ограничениях качества или области применения в карточке нет.

jangedoo/embeddinggemma-300m-ne-pruned — обрезанная версия модели эмбеддингов Google embeddinggemma-300m. Она преобразует текст в векторы для сравнения предложений и семантического поиска; использовать её можно через библиотеку Sentence Transformers. Модель построена на архитектуре Gemma 3 Text, содержит около 123,1 млн параметров и поддерживает контекст до 2048 токенов. Разработчик сократил словарь токенов с 262 144 до 28 195, что уменьшило общее число параметров примерно на 58% относительно базовой модели. На STS-B для непальского языка результаты близки к базовой модели, но на NanoClimateFEVER для непальского точность поиска первого совпадения заметно ниже. Модель предназначена для работы с текстом и выдаёт эмбеддинги; лицензия в предоставленных данных не указана.

jangedoo/embeddinggemma-300m-pruned — версия Google DeepMind embeddinggemma-300m с сокращённой таблицей токенов, представленная автором репозитория как модель с pruning токенов. Она создаёт текстовые эмбеддинги для семантического поиска, сравнения предложений и других задач, основанных на близости векторов; применять её можно через Sentence Transformers. Архитектура — плотная Gemma 3 Text, размер — около 246 млн параметров по метаданным, контекст — 2048 токенов. Репозиторий содержит веса Safetensors. По README, размер словаря сокращён примерно на 28%, а общее число параметров — примерно на 18% относительно базовой модели. В приведённых оценках STS-B и NanoBEIR pruned-версия уступает базовой по указанным метрикам. Базовая модель описана как многоязычная, но конкретный перечень языков в данных не приведён. Лицензия в доступных сведениях не указана.

FAE-v1 — модель для получения векторных представлений предложений, разработанная автором репозитория qinxianliu и основанная на e5-large-v2. Она использует архитектуру BERT и библиотеку Sentence Transformers: на вход подаются предложения, на выходе — эмбеддинги для сравнения смысловой близости и поиска похожих текстов. Модель содержит около 433,9 млн параметров, поддерживает английский язык и принимает последовательности длиной до 512 токенов. Её можно применять для семантического поиска, сопоставления предложений и построения признаков для текстовых систем. В README не приведены результаты оценки качества или специальные ограничения; веса опубликованы в формате Safetensors. Лицензия в предоставленных данных не указана.

Parallia разработала FMMB-BE-NL — одноязычную нидерландскую версию модели Sentence Transformers для получения эмбеддингов текста. Она основана на ModernBERT и содержит 148,7 млн параметров. Модель преобразует предложения и абзацы длиной до 8192 токенов в плотные векторы размерности 768; для сравнения векторов подходит косинусная близость. В README указано, что веса совпадают с исходной многоязычной моделью FMMB-BE, а эта версия использует нидерландский токенизатор и соответствующую таблицу эмбеддингов. Модель обучена на параллельных предложениях на английском, французском, нидерландском и немецком языках. Её можно применять для семантического поиска, сравнения сходства предложений, поиска перефразировок, кластеризации и классификации текста. Лицензия — Apache-2.0. Карточка рекомендует использовать актуальную версию библиотеки Transformers с поддержкой ModernBERT.

pszemraj/flan-ul2-text-encoder — текстовый энкодер, опубликованный pszemraj и полученный извлечением энкодера из google/flat-ul2. Модель предназначена для получения векторных представлений текста и, в частности, может использоваться для оценки семантического сходства через косинусное расстояние после взвешенного усреднения токеновых представлений. Это модель семейства T5 на 7,6 млрд параметров с архитектурой T5EncoderModel. Контекст составляет 512 токенов; веса представлены в PyTorch и Safetensors, в README указано использование точности bfloat16 и размер 17,44 ГБ. Лицензия — Apache-2.0. README демонстрирует получение эмбеддингов и сравнение текстов, но не сообщает о специализированной языковой или предметной настройке.

yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF — локальная модель для генерации текста, программирования и агентских сценариев. Она основана на google/gemma-4-12B-it и распространяется в формате GGUF. Модель создана независимым автором; его имя в README не указано. Модель предназначена для написания и отладки кода, выполнения многошаговых технических задач, работы с инструментами и терминалом, а также сценариев, где требуется цикл «изучить состояние — диагностировать проблему — внести исправление — проверить результат». По заявлению автора, она поддерживает нативный формат вызова инструментов Gemma 4 и может работать полностью локально, без облачных API. Заявленный размер — 12 млрд параметров; сведения о поддерживаемых языках, максимальном контекстном окне и дополнительных модальностях не приведены. В качестве ключевого результата указана оценка около 55% на 20 заданиях tau2-bench telecom в варианте Q8_0 против примерно 15% у базовой gemma-4-12B-it. Этот тест отражает агентские задачи технической диагностики, но не характеризует все возможности модели. Автор рекомендует Q4_K_M как оптимальный вариант и считает Q3_K_M минимальной надёжной квантизацией; заявлена возможность запуска примерно при 4,5 ГБ свободной VRAM или unified memory. Ограничения включают неполное тестирование tau2-bench, возможные проблемы при неправильной настройке клиента или сэмплера и отсутствие подробных данных о качестве в общих задачах. Лицензия — Apache-2.0.