II.6Документация и сопровождение разработки

bge-base-en-v1.5-gguf — англоязычная модель для создания векторных представлений текста (embeddings), основанная на модели BAAI/bge-base-en-v1.5 и представленная в формате GGUF компанией Compendium Labs. Она предназначена для семантического поиска, сопоставления текстов, кластеризации, построения retrieval-систем и других задач, где требуется сравнивать тексты по смыслу. Модель не предназначена для генерации текста. Работает через llama.cpp, llama-cpp-python и интеграцию LangChain. В репозитории доступны варианты F32 размером 417 МБ, F16 размером 209 МБ, Q8_0 размером 113 МБ и Q4_K_M размером 66 МБ. Точные сведения об архитектуре, размере контекста, размерности embedding-векторов и поддерживаемых языках в README не указаны; из названия и описания следует, что модель ориентирована на английский язык. Квантованные версии занимают меньше места и, по данным авторов, могут ускорять работу на CPU до 30% при минимальной потере точности, тогда как выигрыш на GPU обычно скромнее и зависит от приложения. Модель удобна для локального запуска и ресурсоёмких сценариев на CPU, однако качество и скорость зависят от выбранного формата квантования и оборудования. Для текстов на языках, кроме английского, применимость README не подтверждает. Репозиторий распространяется по лицензии MIT.

Карточка модели jackhsuster/bge-large-zh-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-large-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-large-zh-v1.5 — модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI). Она преобразует китайский текст в плотные векторные представления для поиска и сравнения текстов; версия v1.5 улучшает распределение оценок сходства и позволяет выполнять поиск без инструкции к запросу. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска по документам, поиска ответов для RAG-систем и сопоставления запросов с текстами. Эмбеддинги можно использовать для получения первичного списка кандидатов, а затем уточнять ранжирование отдельной моделью BGE Reranker. В README семейство BGE описано для китайского и английского языков, однако эта конкретная модель рассчитана прежде всего на китайский. Сходство между эмбеддингами не следует трактовать как универсальную вероятность: в README отмечено, что оценки несхожих предложений могут быть выше 0,5. Репозиторий использует формат PyTorch и лицензию MIT.

Карточка модели jameshan5040/cs598-adv-nlp-hw1-jameshan5040 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

m3hrdadfi/distilbert-zwnj-wnli-mean-tokens — модель на базе DistilBERT для получения векторных представлений предложений и оценки их сходства. Карточка рекомендует использовать её с библиотекой Sentence-Transformers либо применять pooling к контекстным представлениям токенов при работе через Transformers. Модель подходит для сравнения предложений и поиска текстов, близких по смыслу. Она принимает текст и выдаёт эмбеддинги; заявленная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch. Лицензия и языки модели в предоставленных данных не указаны.

E5-Mistral-7B-Instruct-Embedding-GGUF — модель для создания текстовых эмбеддингов, основанная на intfloat/e5-mistral-7b-instruct. Модель разработана intfloat, а GGUF-квантизация выполнена Second State Inc. Она предназначена для задач семантического поиска, сопоставления текстов, кластеризации и построения retrieval-систем. В README указана поддержка английского языка и текстовая модальность. Модель доступна в нескольких вариантах квантизации GGUF с разрядностью от 2 до 8 бит, а также в формате f16; размер файлов составляет примерно от 2,72 до 14,5 ГБ. Рекомендуемыми названы варианты Q4_K_M, Q5_K_M и Q5_K_S, обеспечивающие баланс между размером и потерей качества. Контекстное окно — 4096 токенов. Для запуска через LlamaEdge требуется версия 0.8.2 или новее и шаблон prompt типа embedding. Более сильная квантизация уменьшает размер и требования к ресурсам, но может заметно снижать качество эмбеддингов; для малых вариантов в README отмечены существенные потери качества. Лицензия — MIT.

Это разреженный SPLADE-энкодер, дообученный на датасете STS-B от базовой модели naver/splade-cocondenser-ensembledistil с использованием библиотеки Sentence Transformers. Он преобразует предложения и абзацы на английском языке в разреженные векторы размерности 30 522 для семантического поиска, извлечения документов и оценки сходства по косинусной мере. Архитектура включает BERT-модель BertForMaskedLM и max-пулинг SPLADE; длина последовательности в метаданных составляет до 512 токенов, а карточка модели указывает максимум 256 токенов. Модель содержит 136,7 млн параметров. На наборах STS-dev и STS-test указаны значения Spearman cosine 0,8704 и 0,8292 соответственно. Модель рассчитана на английский язык и не является генеративной. Лицензия — Apache-2.0.

fuse-1 Lite — языковая модель для генерации текста с усиленными возможностями программирования, разработанная Akahsizrr. Она объединяет базовую модель LiquidAI/LFM2.5-2.6B с перенесёнными экспертами для кода из Qwen/Qwen3.6-35B-A3B и обучаемым маршрутизатором, который выбирает экспертов для токенов, связанных с программированием. В метаданных указано 2,6 млрд параметров, а в README — 5,72 млрд; README описывает архитектуру Fuse3 с экспертными дополнениями, тогда как в метаданных архитектура обозначена как dense. Контекст — до 131 072 токенов; модель доступна в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для генерации кода, помощи при программировании и агентных сценариев. README сообщает, что базовые веса и эксперты заморожены, а обучались только маршрутизатор и масштабы экспертных слоёв на 55 примерах, поэтому качество маршрутизации может быть нестабильным на разнообразных задачах. Для загрузки требуется доверенное выполнение пользовательского кода модели (`trust_remote_code=True`); README также отмечает ограничения совместимости с vLLM и необходимость специальной поддержки для вариантов GGUF. Лицензия — Apache-2.0.

T-Systems-onsite/german-roberta-sentence-transformer-v2 — модель T-Systems для получения векторных представлений предложений. Она основана на XLM-RoBERTa и предназначена для извлечения признаков, семантического поиска и сопоставления предложений, в частности на немецком языке. В карточке указан STSbenchmark; размер модели — 305,2 млн параметров, максимальный контекст — 514 токенов. Модель выдаёт эмбеддинги текста и распространяется под лицензией MIT. Автор карточки рекомендует более новую модель cross-en-de-roberta-sentence-transformer для немецкого и английского языков.

GLiClass-small-v1.0 — компактная модель классификации последовательностей от разработчиков семейства GLiClass, вдохновлённого GLiNER. Она выполняет классификацию текста без предварительного обучения на конкретных целевых наборах данных: пользователь задаёт категории, а модель оценивает, к каким из них относится текст. Модель содержит 144 млн параметров и использует архитектуру GLiClassModel; доступны форматы Safetensors и ONNX. Модель предназначена для тематической классификации, анализа тональности и переоценки релевантности текстов в RAG-сценариях. По описанию авторов, классификация выполняется за один прямой проход, что делает модель вычислительно эффективнее cross-encoder. В карточке приведены результаты zero-shot-тестирования на нескольких наборах данных, но они не гарантируют аналогичного качества для любых категорий и языков. Указан английский язык; сведения о длине контекста не приводятся. Модель обучена на синтетических данных и распространяется под лицензией Apache-2.0; авторы отмечают возможность коммерческого применения. Для специализированных задач качество может потребовать проверки на собственных данных.

GLiFormer Large v1 — модель Knowledgator с 575,6 млн параметров, использующая общий layout-aware энкодер DeBERTa и специализированные головы задач. Она предназначена для извлечения именованных сущностей и отношений, классификации текста, формирования структурированных записей по заданной схеме и получения текстовых эмбеддингов. Метки и схема извлечения задаются при инференсе; можно выполнять несколько задач за один вызов. Несмотря на поддержку разметки макета документов в архитектуре, приведённые примеры и оценки относятся к текстовым задачам. Карточка приводит результаты оценки на англоязычных данных: средний строгий F1 для NER на 26 наборах — 50,91, средний macro-F1 классификации на 13 наборах — 75,03; показатели извлечения отношений существенно различаются между наборами. Качество зависит от меток, формулировки схемы, длины входа и порогов. Модель может пропускать сведения, ошибаться в границах сущностей и отношениях между записями; результаты для других языков, макетов документов и эмбеддингов в карточке не подтверждены. Лицензия — Apache-2.0.

gte-multilingual-reranker-base — мультиязычная модель ранжирования текстов из семейства GTE, разработанная Alibaba NLP. Она предназначена для повторной сортировки найденных документов или фрагментов по релевантности запросу, например, в поисковых системах и конвейерах RAG. Модель использует encoder-only архитектуру трансформера и содержит около 305,3 млн параметров; максимальная длина входа — 8192 токена. По README, она показывает высокие результаты в мультиязычном поиске и при сопоставлении с моделями-реранкерами близкого размера, а её скорость инференса примерно в десять раз выше, чем у упомянутых decoder-only моделей, при меньших требованиях к оборудованию. Поддерживает более 70 языков; метаданные карточки перечисляют языки от арабского до польского, включая английский и русский. Модель принимает текстовые пары «запрос — документ» и оценивает их релевантность, чтобы упорядочить кандидатов. Распространяется под лицензией Apache-2.0. Результаты зависят от качества исходного набора кандидатов: реранжирование само по себе не находит документы, отсутствующие среди входных вариантов. README не приводит подробностей об оценках для каждого языка или домена.

danfeg/IF-E5-L-M_Finetuned-FR-1000 — модель эмбеддингов предложений на архитектуре XLM-RoBERTa, опубликованная в формате Sentence-Transformers. Она кодирует предложения и абзацы в плотные векторы размерности 1024 для поиска по смыслу, кластеризации и сравнения текстов. В метаданных указано около 658,7 млн параметров и контекст длиной 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss; название репозитория указывает на дообучение для французского языка, но README не уточняет состав обучающих данных или результаты оценки. Она принимает текст и возвращает векторы, которые можно использовать для семантического поиска и группировки похожих фрагментов. Лицензия в предоставленных данных не указана.

Карточка модели devix1/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Карточка модели zorks1233/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

LFM2.5-350M — компактная языковая модель Liquid AI для локального запуска на устройствах и instruction-following сценариев. Это дообученная на основе LiquidAI/LFM2.5-350M-Base плотная гибридная модель семейства LFM2 с 350 млн параметров по README и 444,6 млн параметров по метаданным. Архитектура сочетает 10 блоков double-gated convolution и 6 блоков GQA; модель принимает текст и генерирует текст, поддерживает контекст до 128 000 токенов по метаданным, тогда как README указывает 32 768 токенов. Модель общего назначения рассчитана на извлечение данных, структурированные ответы и вызов инструментов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки. Разработчик заявляет скорость до 313 токенов/с на CPU AMD и 188 токенов/с на Snapdragon Gen 4, а также возможность работы менее чем с 1 ГБ памяти. README не рекомендует использовать её для задач, требующих обширных знаний, и программирования. Лицензия в метаданных обозначена как other; конкретные условия следует сверять с карточкой модели.

MihaiPopa опубликовал дообученную версию LiquidAI/LFM2.5-350M-Base с применением abliteration — изменения весов, снижающего частоту отказов. Это компактная плотная языковая модель семейства LFM2, предназначенная для диалоговой генерации текста и локального запуска. В модели 444,6 млн параметров по метаданным; README описывает базовую версию семейства как модель на 350 млн параметров с 16 слоями и контекстом 32 768 токенов. Метаданные указывают контекст до 128 000 токенов, поэтому сведения о длине контекста расходятся. Модель рассчитана на извлечение данных, формирование структурированных ответов и вызов инструментов; в сравнении с исходной моделью в README указано меньше отказов. Поддерживаемые языки по карточке: английский, арабский, китайский, французский, немецкий, японский, корейский, испанский и португальский. README не рекомендует её для задач, требующих обширных знаний, и программирования. Лицензия в метаданных обозначена как other; конкретные условия следует сверить на странице модели.

BAAI/LLARA-beir — текстовая модель семейства LLaMA, разработанная BAAI для получения эмбеддингов и оценки смыслового сходства предложений. В проекте LLARA представлены подходы EBAE (Embedding-Based Auto-Encoding) и EBAR (Embedding-Based Auto-Regression); репозиторий ссылается на статью и GitHub проекта. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст до 4096 токенов. Модель подходит для поиска по смыслу, сопоставления предложений и других задач, где нужны текстовые эмбеддинги. Доступны веса в формате safetensors; лицензия — MIT. В карточке не приведены сведения о поддерживаемых естественных языках и специализированных областях применения.

Карточка модели cfli/LLARA-beir на Hugging Face совпадает с карточкой BAAI/LLARA-beir, поэтому описание составлено по ней. BAAI/LLARA-beir — текстовая модель семейства LLaMA, разработанная BAAI для получения эмбеддингов и оценки смыслового сходства предложений. В проекте LLARA представлены подходы EBAE (Embedding-Based Auto-Encoding) и EBAR (Embedding-Based Auto-Regression); репозиторий ссылается на статью и GitHub проекта. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст до 4096 токенов. Модель подходит для поиска по смыслу, сопоставления предложений и других задач, где нужны текстовые эмбеддинги. Доступны веса в формате safetensors; лицензия — MIT. В карточке не приведены сведения о поддерживаемых естественных языках и специализированных областях применения.

mmBERT-32K-YaRN — многоязычная модель семейства ModernBERT, разработанная для семейства vLLM Semantic Router Mixture-of-Models на основе jhu-clsp/mmBERT-base. Контекстное окно расширено с 8 192 до 32 768 токенов с помощью масштабирования RoPE методом YaRN. Модель содержит около 307 млн параметров и предназначена для заполнения масок в тексте; её также можно применять для понимания длинных документов, семантической маршрутизации запросов, классификации документов и поиска информации в длинных текстах. Модель обучалась на многоязычном корпусе CC-100. В карточке указана поддержка более 1 800 языков базовой модели, а метаданные перечисляют английский, немецкий, французский, испанский, китайский, японский, русский, арабский, корейский и португальский. Доступны веса Safetensors и экспорт ONNX; лицензия — MIT. По данным карточки, точность извлечения существенно снижается для удалённых фрагментов дальше 2 048 токенов, несмотря на окно в 32 768 токенов. Для полного контекста требуется значительный объём видеопамяти — около 180 ГБ на один пример. Данные CC-100 могут наследовать смещения веб-краула.

tasksource/ModernBERT-large-nli — англоязычная модель tasksource, дообученная на задачах естественного логического вывода (NLI) на основе answerdotai/ModernBERT-large. Это плотный двунаправленный энкодер ModernBERT с 394,7 млн параметров, контекстом до 2048 токенов и классификационной головой; модель доступна в формате Safetensors и работает через Transformers. Модель предназначена для zero-shot-классификации по пользовательским меткам, определения отношений между посылкой и гипотезой (следование, противоречие, нейтральность), анализа тональности и рассуждений по текстам, включая длинные документы. В карточке приведены результаты на нескольких задачах GLUE и отмечены обучающие данные MNLI, ANLI и специализированные NLI-датасеты. Её можно использовать как основу для дальнейшего дообучения под конкретную задачу. Модель лучше всего подходит для английского языка. Она не генерирует свободный текст: результатом служат оценки или классы. Лицензия — Apache-2.0.

NuNER Zero — компактная модель для распознавания именованных сущностей без примеров, разработанная NuMind. Она использует архитектуру GLiNER и решает задачу token classification: на вход подаются текст и перечень типов сущностей, а модель находит в тексте соответствующие фрагменты. По сравнению с GLiNER модель позиционируется как способная обнаруживать сущности произвольной длины. Модель обучена на NuNER v2.0 — наборе данных, объединяющем размеченные с помощью LLM подмножества Pile и C4. Для работы с метками README требует использовать названия типов сущностей в нижнем регистре. В описании релиза сообщается о преимуществе в 3,1 процентного пункта по token-level F1 над GLiNER-large-v2.1 на бенчмарке GLiNER; это утверждение относится к оценке авторов на указанном бенчмарке. NuNER Zero предназначена для извлечения сущностей по заданным пользователем категориям, в том числе для категорий без обучающих примеров. Метаданные указывают английский язык, библиотеку GLiNER и форматы PyTorch и Safetensors. Модель распространяется по лицензии MIT.

Octen-Embedding-8B W4A16 — квантизированный чекпойнт модели Octen-Embedding-8B, опубликованный пользователем groxaxo. Модель предназначена для получения векторных представлений текста и задач feature extraction, включая семантический поиск, retrieval и сопоставление запросов с документами, при локальном или размещённом на сервере инференсе. Модель использует формат AWQ/AutoRound с квантизацией W4A16: веса представлены в 4-битном формате, а активации — в 16-битном. Квантизировано 252 из 253 слоёв, размерность эмбеддингов составляет 4096, модель занимает около 8,1 ГБ в двух шардах против 15 ГБ у базовой версии. Валидация проводилась с last-token pooling и L2-нормализацией; среднее косинусное сходство с базовой моделью превысило 0,98, а на небольшом наборе из пяти пар запрос—документ ухудшения Recall не наблюдалось. На RTX 3060 с 12 ГБ VRAM модель успешно запускалась, потребляя около 4,53 ГБ памяти. Сильными сторонами являются заметное сокращение размера и требований к памяти при сохранении близкого к исходной модели поведения. Ограничения связаны с зависимостью от runtime, совместимого с данным форматом и архитектурой, а также с тем, что опубликованная проверка выполнена на небольшом наборе данных; качество на конкретном распределении текстов необходимо оценивать отдельно. Языки и максимальная длина контекста в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

open-ogma-micro — англоязычная модель для получения векторных представлений предложений, разработанная авторами семейства open-ogma. Она предназначена для создания компактных эмбеддингов текста и поиска по смыслу. Модель содержит 2,51 млн параметров: двухслойный трансформер с размерностью 128, mean pooling и токенами задач [QRY], [DOC] и [SYM]. По умолчанию используется проекционная голова proj_small с векторами размерности 384; proj_large выдаёт векторы размерности 1024 и показывает более высокие результаты в бенчмарке MTEB(eng, v2). Обе головы и основная часть обучались с матрёшечными потерями, поэтому выходные векторы можно укорачивать до 32, 64 или 128 измерений с последующей нормализацией. Модель дистиллирована от ансамбля BAAI/bge-small-en-v1.5 и BAAI/bge-large-en-v1.5 на корпусах C4 и FineWeb-Edu. Она подходит для семантического поиска и задач, где важны компактный размер и быстрый расчёт эмбеддингов. В бенчмарке MTEB(eng, v2) средний результат составляет 0,5104 для proj_small и 0,5202 для proj_large; показатели ниже, чем у моделей-учителей BGE. Модель распространяется под лицензией MIT; README также указывает на разрешительную лицензионную цепочку данных и учителей.

PolyKode Enterprise-Base — опубликованная ProCogia копия базовых весов Kimi-K2.7-Code от Moonshot AI. По README, веса побайтно идентичны исходной модели: PolyKode дообучивание, адаптеры и гарантии исполнения в этот выпуск не включены. Модель предназначена для генерации кода и агентных сценариев разработки, включая длительные многоэтапные задачи; её можно использовать для оценки базовых возможностей, прототипирования интеграций и экспериментов с переводом SAS, R и Python. В метаданных указаны архитектура Kimi K2.5 и класс KimiK25ForConditionalGeneration; карточка README характеризует архитектуру как Kimi K2 с Mixture of Experts. Репозиторий содержит safetensors, а README сообщает о сжатых тензорах и 64 шардах общим объёмом около 595 ГБ. Точные параметры и длина контекста здесь не приведены. Метаданные отмечают английский и китайский языки; возможности работы с изображениями и видео указаны только в описании базовой модели каталога, поэтому для этой копии они не включены во входные модальности. Модель ориентирована на программирование и сложные рабочие процессы разработки, но сама по себе не обеспечивает заявленные для отдельного продукта PolyKode Enterprise проверку паритета исполнения, аудиторские следы, сертификацию SAS или SLA. Для производственного перевода SAS в регулируемой среде README рекомендует продукт Enterprise и проверку в лицензированной среде SAS. Лицензия — Modified MIT; README сообщает о возможности коммерческого распространения и модификации и об условии атрибуции в интерфейсе при очень большом масштабе использования.

Карточка модели infgrad/puff-large-v1 на Hugging Face совпадает с карточкой infgrad/puff-base-v1, поэтому описание составлено по ней. infgrad выпустил модель на базе XLM-RoBERTa для поиска и семантического сопоставления текстов. Она формирует векторные представления предложений и поддерживает несколько выходных размерностей: 256, 768, 1024, 1563, 1792, 2048 и 4096. Модель рассчитана на поиск как внутри одного языка, так и между китайским и английским; автор отмечает, что английские представления слабее китайских. Контекстная длина составляет 514 токенов. Модель распространяется под лицензией MIT.

lucaswychan/Qwen2.5-1.5B-Reasoning-Embedding — мультиязычная модель эмбеддингов на базе плотной архитектуры Qwen2.5 с 1,5 млрд параметров, разработанная Lucas Wun Yu CHAN. Она дообучена контрастивным обучением для получения семантических представлений текста и оценки сходства предложений; поддерживает работу с длинным контекстом до 131 072 токенов. Модель предназначена для поиска семантически близких текстов, ранжирования кандидатов по сходству и использования в системах поиска и retrieval-augmented generation. В README описана работа о влиянии reasoning-обучения RLVR на качество эмбеддингов: в оценках MTEB и BRIGHT устойчивого преимущества над базовыми моделями не обнаружено. Для использования указаны библиотеки Sentence Transformers и Transformers; требуется включить trust_remote_code. Модель распространяется по лицензии Apache-2.0.

Эта модель представляет собой текстовый эмбеддер на базе decoder-only архитектуры Qwen2.5-Math-1.5B, дообученной для формирования семантических представлений. Она предназначена для поиска и сопоставления текстов по смыслу, включая оценку сходства предложений и извлечение признаков. Модель содержит 1,5 млрд параметров, работает с контекстом до 4096 токенов и распространяется в формате safetensors; для загрузки через Transformers или Sentence Transformers в README рекомендуется включить trust_remote_code. В README описана исследовательская работа по эмбеддингам, инициализированным моделями с RLVR-обучением: на MTEB и BRIGHT не обнаружено устойчивого преимущества над базовыми моделями при одинаковой процедуре обучения. Лицензия — Apache-2.0. Базовая Qwen2.5-Math-1.5B ориентирована на математические задачи на английском и китайском, а карточка этой модели заявляет многоязычную поддержку; конкретный набор языков для эмбеддера не перечислен.

Qwen 3 Code Reasoning — дообученная на базе Qwen/Qwen3-4B языковая модель, ориентированная на генерацию кода и логические рассуждения. В карточке указано обучение на OpenCodeReasoning; метаданные также связывают модель с набором creative-rubrics-gpt-4.5-o3-R1 и отмечают слияние с базовыми моделями Qwen/Qwen3-4B и unsloth/Qwen3-4B. Архитектура — плотная Qwen3ForCausalLM, размер — около 3,7 млрд параметров, контекст — 40 960 токенов. Модель предназначена для генерации кода и ответов на логические вопросы; для задач программирования автор рекомендует режим рассуждений. Поддерживается диалоговый интерфейс, а в метаданных отмечена возможность интерфейса вызова инструментов. README рекомендует запуск через vLLM или Transformers. Указанная лицензия — Apache-2.0. Среди ограничений автор отмечает склонность к избыточным рассуждениям и переполнению контекста. Языковая поддержка отдельно не перечислена; обучение на датасете кода не позволяет установить конкретные естественные языки.

trohrbaugh/Qwen3-Coder-Next-heretic — версия Qwen3-Coder-Next, созданная методом abliteration: в README приведено сравнение с исходной моделью и заметно снижение частоты отказов. Это причинная языковая модель семейства Qwen3-Next с архитектурой MoE, предназначенная для генерации кода и работы в агентных сценариях разработки. Модель поддерживает чат и интерфейс вызова инструментов; README описывает применение с CLI и IDE, а также работу в режиме без рассуждений. По метаданным, репозиторий содержит веса Safetensors и насчитывает 2,3 млрд параметров; нативное окно контекста — 262 144 токена. README приводит характеристики исходной Qwen3-Coder-Next: 80 млрд параметров всего и 3 млрд активируемых, поэтому эти размеры не следует считать подтверждёнными для данной версии. Лицензия — Apache-2.0. В таблице README частота отказов составляет 14 из 100 запросов против 99 из 100 у исходной модели, а KL-дивергенция указана как 0,0708. Эти результаты относятся к описанному в карточке сравнению и не гарантируют такое же поведение на других запросах. Модель может выдавать нежелательный контент и менее склонна отказывать; перед применением следует оценивать её ответы и учитывать соответствующие риски.

Qwen3-Coder-REAP-25B-A3B — сжатая версия инструктивной модели Qwen3-Coder-30B-A3B-Instruct, созданная Cerebras с помощью метода REAP (Router-weighted Expert Activation Pruning). Это разреженная причинно-языковая MoE-модель для генерации кода, агентного программирования и вызова функций; она также сохраняет понимание репозиториев и работу с длинным контекстом. В модели заявлено 25 млрд параметров, из которых около 3 млрд активируются на токен; в метаданных каталога указано 2,4 млрд параметров. Архитектура включает 48 слоёв и 103 эксперта, из которых активируются 8 на токен. REAP удаляет 20% экспертов без дополнительного дообучения. Нативный контекст — 262 144 токена; README также указывает возможность расширения до 1 млн токенов с YaRN. Модель принимает текст и генерирует текст, поддерживает английский язык и доступна в формате Safetensors для Transformers. Модель предназначена для локального развёртывания и сценариев с ограниченными ресурсами; README заявляет близкую к исходной модели производительность на задачах генерации кода, агентного программирования и вызова функций. Для развёртывания описана совместимость с vLLM. Лицензия — Apache 2.0. Заявления о качестве приведены в карточке модели; результаты и методика оценки требуют сверки с указанной там публикацией.