II.6Документация и сопровождение разработки

onnx-community/bge-reranker-v2-m3-ONNX — это ONNX-версия модели BAAI/bge-reranker-v2-m3, автоматически преобразованная и опубликованная сообществом onnx-community. Модель предназначена для переранжирования текстов: она может оценивать релевантность текстового фрагмента заданному запросу и использоваться в задачах поиска, семантического сопоставления и построения систем retrieval-augmented generation (RAG). Модель доступна для запуска через библиотеку Transformers.js и представлена в формате ONNX, что делает её подходящей для JavaScript-приложений и сред, поддерживающих ONNX. README не содержит сведений о точной архитектуре, размере, поддерживаемых языках, максимальной длине контекста, модальностях, показателях качества или ограничениях. Лицензия также не указана, поэтому условия использования по предоставленным данным определить нельзя.

CodeGemma 1.1 7B IT — это инструкционно дообученная языковая модель для генерации и работы с программным кодом, разработанная Google. Данная версия опубликована в формате GGUF и квантизирована bartowski с использованием llama.cpp и метода imatrix. Размер исходной модели — 7 миллиардов параметров. Модель предназначена для сценариев, связанных с программированием, включая генерацию кода по описанию задачи; в README приведён пример создания функции на Python для вычисления числа Фибоначчи. Для работы требуется специальный формат prompt с маркерами ролей CodeGemma. Модель не поддерживает system prompt. Сведения о поддерживаемых языках программирования, естественных языках и размере контекстного окна в предоставленных данных отсутствуют. Доступно множество вариантов квантизации с разным соотношением качества и требований к памяти: от Q8_0 размером 9,07 ГБ до компактных вариантов семейства IQ и Q2. В README наиболее рекомендуемыми названы Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и некоторые IQ-квантизации; варианты с более низкой разрядностью экономят память, но могут заметно уступать по качеству. Модель распространяется по лицензии Gemma, условия которой указаны по ссылке Google.

danieleff/hubert-base-cc-sentence-transformer — модель на базе BERT, представленная как sentence-transformers-модель для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, семантического поиска и кластеризации. В метаданных указаны 137,8 млн параметров и контекст до 512 токенов; модель использует PyTorch и поддерживает венгерский язык. Модель обучалась с функцией потерь CosineSimilarityLoss. Её можно применять через библиотеку Sentence-Transformers либо через Transformers с подходящей операцией pooling для получения представления текста. Лицензия в предоставленных данных не указана.

Italian-ModernBERT-base-embed-mmarco-mnrl — модель Sentence Transformers, дообученная автором репозитория на mmarco на базе DeepMount00/Italian-ModernBERT-base. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения текстов по косинусному сходству, семантического поиска и поиска перефразировок. Также в README указаны применение для кластеризации и классификации текстов. Модель использует архитектуру ModernBERT с усреднением токенных представлений и поддерживает последовательности длиной до 8192 токенов. Обучающие примеры mmarco включают запросы и релевантные и нерелевантные тексты на итальянском языке. В README приведены показатели cosine_accuracy 0,9255 на mmarco_dev и 0,913 на mmarco_test. Модель принимает текст и выдаёт векторы; основное назначение — италоязычные задачи поиска и сопоставления текстов. В метаданных указана библиотека sentence-transformers, а файлы представлены в safetensors. Условия лицензирования в доступной карточке не приведены.

Это пользовательская квантованная версия KAT-Coder-V2.5-Dev, опубликованная автором репозитория IsValorum в формате GGUF. Она предназначена для генерации кода, рассуждений и работы в агентных сценариях с использованием чата и инструментов. В карточке указано, что это разреженная MoE-модель; для варианта APEX-I-MiniPlus V2.1 заявлены файл размером около 14,75 ГБ, средняя точность 3,40 бита на вес и окно контекста 256 тысяч токенов. README также описывает запуск с использованием системной памяти и заявляет возможность полного контекста на видеокарте с 24 ГБ памяти. К сильным сторонам автор относит качество квантования, сохранение точности маршрутизации экспертов и пригодность для локального вывода. В README приведены собственные оценки perplexity и скорости, которые не следует считать независимым сравнением. Модель поддерживает несколько языков, включая русский, английский и китайский. Лицензия — Apache-2.0.

KEmbed-naija-v1 — текстовая Sentence Transformer-модель, дообученная matt-wisdom на базе BAAI/bge-m3 для поиска релевантных текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 и позволяет сравнивать их с помощью косинусного сходства. Архитектура включает XLM-RoBERTa, пулинг CLS и нормализацию; модель принимает только текст. Максимальная длина последовательности в карточке — 256 токенов, а метаданные указывают родной контекст 8194 токена. Модель ориентирована на retrieval и семантическое сопоставление запросов с документами. В карточке приведена оценка cosine accuracy 0,7925 на наборе nigerian-val. Метаданные указывают 658,7 млн параметров и лицензию не сообщают, поэтому условия лицензирования по доступным данным определить нельзя.

Kwai-Coder-DS-V2-Lite-Base — базовая языковая модель для кода, разработанная Kwai и построенная на DeepSeek-V2-Lite-Base. Модель прошла дополнительное предобучение на 800 млрд токенов: 70% обучающих данных составлял код, 20% — математика и 10% — текст, включая материалы о программировании. Архитектура DeepSeek-V2 имеет 16 млрд параметров и 2,4 млрд активируемых параметров по README; метаданные репозитория указывают 2,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает английский и китайский языки. Метаданные указывают контекстное окно 163 840 токенов и совместимость с Transformers и PyTorch; веса доступны в формате Safetensors. Модель предназначена для генерации и дополнения кода, вставки фрагментов кода, а также задач по математике и программированию. В README приведены результаты на HumanEval, HumanEval+, MBPP, MBPP+, BigCodeBench, MATH и GSM8K, но они не гарантируют аналогичное качество на пользовательских задачах. Это базовая модель, поэтому готовое поведение чат-ассистента или следование инструкциям не следует считать подтверждённым. Лицензия — MIT.

Laguna M.1 — языковая модель Poolside для агентного программирования и выполнения длительных задач с помощью инструментов. Это текстовая модель типа Mixture-of-Experts: по карточке README, в ней 225 млрд параметров, из которых активируются 23 млрд на токен; архитектура включает 70 слоёв, 256 экспертов и глобальное внимание. Метаданные Hugging Face указывают 17,1 млрд параметров, поэтому сведения о размере расходятся; контекстное окно составляет 262 144 токена. Модель предназначена для работы в цикле агента: анализа кода и репозиториев, внесения изменений и выполнения задач в терминале. README сообщает о поддержке рассуждений между вызовами инструментов и приводит результаты на SWE-bench Verified, SWE-bench Multilingual, SWE-bench Pro и Terminal-Bench 2.0. Она принимает и выдаёт текст; сведения о конкретных поддерживаемых естественных языках не приведены. Для запуска указана поддержка vLLM, SGLang и Transformers. Лицензия — Apache 2.0, допускающая коммерческое и некоммерческое использование и модификацию.

McGill-NLP/LLM2Vec-Mistral-7B-Instruct-v2-mntp — модель для преобразования decoder-only языковой модели Mistral 7B Instruct v2 в текстовый энкодер. Подход LLM2Vec использует двунаправленное внимание, masked next token prediction (MNTP) и, при необходимости, последующее контрастивное дообучение. В данном варианте указана загрузка MNTP-адаптера через PEFT. Модель предназначена для получения векторных представлений текста и задач семантического поиска, сопоставления запросов и документов, reranking, классификации, кластеризации и оценки семантического сходства. В README приведён сценарий поиска релевантных passages по веб-запросу с вычислением cosine similarity; для запросов могут использоваться инструкции, а для документов инструкции не требуются. Указан английский язык. Архитектурной основой является Mistral 7B Instruct v2; точный размер контекста в карточке не указан, однако в примере кодирования используется max_length=512. Сильной стороной является применение крупной instruction-tuned LLM для построения эмбеддингов и поддержка широкого спектра задач обработки текста. Ограничения включают ориентацию на английский язык, необходимость загрузки специализированного кода и MNTP-адаптера, а также значительные вычислительные требования, связанные с моделью класса 7B. Лицензия — MIT.

Модель potsawee/longformer-large-4096-answerable-squad2 — дообученная Potsawee на Longformer Large для оценки того, можно ли ответить на вопрос по заданному контексту. На вход подаются вопрос и контекст, объединённые в одну последовательность; модель выдаёт вероятность от 0 до 1, где значения ближе к 1 означают, что ответ содержится в контексте, а ближе к 0 — что вопрос неразрешим по нему. Модель дообучена на SQuAD 2.0 с балансировкой обучающих примеров до соотношения 50/50 между ответимыми и неответимыми вопросами. Архитектура — LongformerForSequenceClassification на базе Longformer Large, около 454,1 млн параметров; максимальный контекст — 4098 токенов. Подходит для предварительной фильтрации вопросов в системах ответов по контексту и поиска по документам. Лицензия — Apache-2.0.

NeoMME-800M — мультиязычный мультимодальный энкодер, разработанный Hcompany и обученный с нуля. Текстовые токены и патчи изображений обрабатываются одним общим Transformer-энкодером без отдельного предварительно обученного vision-энкодера и авторегрессионной языковой модели. Модель содержит 1,1 млрд параметров, принимает текст и изображения и имеет контекст 16 384 токена. Это базовая энкодерная модель, которая возвращает контекстные представления токенов. Для поиска, классификации, извлечения информации и других прикладных задач её необходимо дообучить с подходящей целевой головой; для поиска по документам авторы рекомендуют NeoMME-800M-Retriever. Предварительное обучение проводилось на многоязычных текстах и визуально-текстовых данных, включая веб-тексты, код, математику, страницы документов, подписи к изображениям и синтетические OCR-данные. Модель доступна в формате Safetensors через Transformers по лицензии Apache-2.0. Комплексная оценка безопасности, смещений и конфиденциальности не проводилась.

Nex-N2-Pro — открытая агентная языковая модель компании Nex-AGI, предназначенная для сложных задач разработки ПО и рабочих процессов с длительным планированием. Она дообучена на основе Qwen3.5-397B-A17B и использует архитектуру семейства Qwen3.5 MoE; в README указана поддержка рассуждений, вызова инструментов и выполнения задач в среде с обратной связью. Модель подходит для агентного программирования, поиска информации и выполнения команд в терминале. Модель выдаёт текст и может формировать вызовы инструментов; карточка также описывает сценарии генерации веб- и мультимедийного контента, но подробные входные мультимодальности для этого репозитория не подтверждены. В метаданных указаны Transformers, формат safetensors и лицензия Apache-2.0. README приводит результаты на агентных и программных бенчмарках, включая 75,3 на Terminal-Bench 2.1 и 1585 на GDPval. Для развёртывания авторы рекомендуют собственную версию sglang; крупный размер базовой модели требует мощного оборудования. Языки и длина контекста не подтверждены доступными данными.

North-Mini-Code-1.0 — модель с открытыми весами от Cohere и Cohere Labs для генерации кода, агентной разработки программного обеспечения и выполнения задач в терминале. Это decoder-only Transformer с разреженной архитектурой Mixture-of-Experts: всего 30 млрд параметров, из которых активны 3 млрд; применяются 128 экспертов, 8 из которых выбираются для каждого токена. Модель дообучена в два этапа: supervised fine-tuning и обучение с подкреплением на проверяемых наградах. Контекст модели рассчитан на 256 тысяч токенов, максимальная длина генерации — 64 тысячи токенов. Модель принимает текст и генерирует текст. Она обучена использовать инструменты в агентных сценариях программирования и поддерживает соответствующий интерфейс через шаблоны чата Transformers. В карточке также описана чередующаяся схема внимания: скользящее окно с RoPE и глобальное внимание. Для запуска README рекомендует актуальные исходные версии Transformers либо vLLM и приводит параметры генерации temperature=1.0 и top_p=0.95. Модель предназначена для программирования и работы с терминалом; её оценивали на бенчмарках агентного кодирования и генерации кода. Лицензия — Apache 2.0. Метаданные каталога указывают размер 1,2 млрд параметров, однако README указывает 30 млрд параметров всего и 3 млрд активных; эти сведения о размере расходятся.

chentong00/propositionizer-wiki-flan-t5-large — модель сегментации текста на отдельные пропозиции, опубликованная как часть работы «Dense X Retrieval: What Retrieval Granularity Should We Use?» Chen et al. (2023). Она основана на архитектуре T5 и содержит 385,2 млн параметров. На вход подаётся текст с заголовком, разделом и содержимым; модель возвращает список пропозиций в формате JSON. Модель предназначена для разбиения документов на более мелкие смысловые утверждения, например при подготовке данных для поиска и извлечения информации. Максимальная длина контекста — 512 токенов. Весы доступны в формате safetensors, лицензия — Apache-2.0.

Qwen2.5-Coder-32B-GGUF — квантованная в формате GGUF версия базовой модели Qwen2.5-Coder-32B, разработанной командой Qwen. Квантование подготовил bartowski на основе llama.cpp. Модель предназначена прежде всего для генерации и автодополнения исходного кода, а также других сценариев текстовой генерации, связанных с программированием; это базовая модель, поэтому она не ориентирована на диалоговый режим и instruct-задачи. Модель имеет 32 миллиарда параметров и обучена на 5,5 триллиона токенов. Заявлена поддержка контекста до 128 тысяч токенов с настройками RoPE и коэффициентом YaRN 4.0 при исходной длине контекста 32 тысячи токенов. В метаданных указан английский язык. Формат GGUF и использование llama.cpp упрощают применение совместимых локальных средств инференса, однако конкретные требования к памяти и производительность зависят от выбранного уровня квантования и оборудования. К сильным сторонам относятся специализация на коде, большой размер модели и расширенный контекст. Ограничения включают базовый, а не инструкционно настроенный характер, возможное снижение точности из-за квантования и риск генерации ошибочного или небезопасного кода. Модель распространяется по лицензии Apache 2.0.

Qwen2.5-Coder-7B-Instruct-heretic — модификация Qwen2.5-Coder-7B-Instruct, опубликованная пользователем saidutta69 и созданная с помощью Heretic 1.4.0. Это генеративная текстовая модель для программирования, основанная на модели Qwen с нативным размером около 7,6 млрд параметров. Указанный язык — английский; модель предназначена для текстового взаимодействия и генерации кода. Модель ориентирована на локальные coding agents, парное программирование и помощь на уровне репозитория. В ней применена directional ablation, или abliteration: целевые изменения весов в выходных проекциях attention и down-projections MLP подавляют поведение, связанное с отказами, без дообучения. По данным README, это сохраняет знания и следование инструкциям базовой модели; доступны полноточные BF16-веса и GGUF-квантизации Q4_K_M, Q5_K_M, Q6_K и Q8_0 для запуска через llama.cpp, Ollama и другие совместимые инструменты. Главное отличие модели — существенно более редкие отказы на выбранных adversarial-запросах: 3 из 100 против 100 из 100 у базовой модели, при заявленном KL divergence 0,0196. При этом она не является улучшением базовых возможностей и наследует фактические ограничения и предубеждения Qwen2.5-Coder-7B-Instruct. В модели отсутствует дополнительная фильтрация безопасности, поэтому её не рекомендуется размещать за незащищённым публичным интерфейсом. Лицензия унаследована от базовой модели и обозначена как qwen-research; для коммерческого использования необходимо ознакомиться с условиями исходной лицензии.

coder3101/Qwen2.5-VL-72B-Instruct-heretic — модифицированная версия мультимодальной модели Qwen2.5-VL-72B-Instruct от Qwen, размещённая пользователем coder3101. Это плотная instruction-tuned модель класса Qwen2_5_VLForConditionalGeneration на 71,5 млрд параметров; в репозитории веса в формате safetensors, для работы используется Transformers. Модель принимает изображения и текст и формирует текстовые ответы; базовый чекпойнт поддерживает анализ видео, однако карточка этой модификации отдельно описывает главным образом результаты ablation для отказов. Модель предназначена для диалогового анализа изображений: распознавания объектов и текста, интерпретации диаграмм и макетов, локализации объектов с координатами, а также структурированного извлечения данных из счетов, форм и таблиц. Базовое семейство также заявляет понимание длинных видео, выделение событий и визуальное управление инструментами. Контекст составляет 128 000 токенов. В приведённом сравнении показатель отказов снижен с 100 из 100 у исходной модели до 8 из 100; это указывает на ослабленное поведение отказа и требует осторожности при применении. Лицензия обозначена как other, без уточнения условий в предоставленных данных.

lucaswychan опубликовал дообученную модель эмбеддингов на основе плотной decoder-only архитектуры Qwen3.0-0.6B. Она предназначена для преобразования текстов в векторные представления и сравнения их семантической близости; в исследовании модель используется для изучения того, как обучение с подкреплением влияет на качество эмбеддингов. README сообщает, что такое начальное обучение не даёт устойчивого преимущества перед базовой моделью после одинакового контрастивного дообучения. Модель содержит 507,9 млн параметров, поддерживает контекст до 32 768 токенов и рассчитана на многоязычные тексты. Для использования доступны форматы Sentence Transformers и Transformers; README рекомендует включить trust_remote_code=True. Лицензия — Apache-2.0. В README описаны результаты исследований на MTEB и BRIGHT, но конкретные численные оценки этой модели не приведены.

sskimtop/Qwen3-0.6B-JSON-SFT — компактная модель генерации текста на базе семейства Qwen3, дообученная в формате supervised fine-tuning для задач, связанных с формированием JSON. Модель содержит около 507,9 млн параметров и предназначена для запуска через библиотеку Transformers.

Это пакет слоёв GGUF для модели Qwen3-235B-A22B-UD-Q4_K_XL, подготовленный Mesh LLM для распределённого запуска на локальном кластере. Он получен из unsloth/Qwen3-235B-A22B-GGUF и сохраняет исходное распределение весов, разбитое на артефакты по слоям. Вариант UD-Q4_K_XL использует квантизованный формат GGUF; исходная модель относится к семейству Qwen3 и содержит 235 млрд параметров общей ёмкости с архитектурой MoE на 22 млрд активных параметров. Пакет предназначен для локального приватного чата и генерации текста, когда веса нужно распределить между несколькими машинами. Mesh LLM предоставляет OpenAI-совместимый интерфейс для запросов chat/completions. В метаданных указана библиотека mesh-llm и лицензия Apache-2.0. Языки и длина контекста в предоставленных данных не установлены; подробности архитектуры и поведения следует сверять с карточкой исходной модели.

Qwen3.5-9B-Kimi-k3-Distilled — дообученная модель семейства Qwen3.5, созданная KhazarAI на базе unsloth/Qwen3.5-9B с дистилляцией поведения Kimi K3. Она ориентирована на агентные задачи, программирование и отладку: выбирает вызовы инструментов для проверки файлов и состояния среды, поддерживает многошаговое планирование, отслеживание состояния и циклы сборки, проверки и исправления. Архитектура плотная, мультимодальная, с 9 млрд параметров; карточка описывает поддержку работы с изображениями и интерфейса вызова инструментов. В датасете представлены англоязычные инструкции, код на нескольких языках программирования и сценарии Bash. Модель подходит для агентов, которые исследуют репозитории, автоматизируют работу в командной строке, исправляют ошибки и диагностируют сбои CI. В README также указано применение в качестве базовой модели или контрольного варианта для SFT и дистилляции. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Для сценариев выполнения команд рекомендуется изолированная среда; модель не предназначена для творческой генерации без обратной связи от среды.

Qwen3-Coder-30B-A3B-Instruct-FP8 — кодовая версия серии Qwen3-Coder, разработанная Qwen и адаптированная FuriosaAI для запуска на аппаратной платформе FuriosaAI RNGD с использованием Furiosa-LLM. Модель предназначена для генерации кода, понимания репозиториев масштабом до проекта, агентских сценариев программирования и вызова инструментов. Она работает в режиме без рассуждений и принимает текстовые данные, возвращая текст. Это авторегрессионный трансформер архитектуры Qwen3-MoE с 30,5 млрд общих параметров, из которых около 3,3 млрд активируются для каждого токена. Веса используют статическое квантование FP8, активации динамически квантуются в FP8 во время выполнения, а KV-кэш сохраняется в 16-битной точности. Поддерживается вызов функций через парсер hermes. Для запуска на RNGD используется тензорный параллелизм на 32 PE, соответствующий четырём картам RNGD. Языки и размер контекста в README не указаны. Сильными сторонами модели являются специализация на задачах программирования, поддержка понимания репозиториев, инструментов и эффективного MoE-инференса в формате FP8. Ограничения включают работу только в режиме без рассуждений, зависимость описанной оптимизированной конфигурации от FuriosaAI RNGD и Furiosa-LLM, а также отсутствие в предоставленных данных сведений о языковом охвате, контексте и результатах бенчмарков. Модель распространяется по лицензии Apache 2.0.

Qwen-encoder-1.5B-i1-GGUF — квантованная версия текстовой encoder-модели knowledgator/Qwen-encoder-1.5B, подготовленная mradermacher в формате GGUF. Модель основана на архитектуре Qwen и имеет около 1,5 млрд параметров. В карточке указаны английский язык и обучение на данных Wikimedia Wikipedia. Модель предназначена для задач, где нужны представления текста и анализ содержимого, включая классификацию, извлечение именованных сущностей (NER) и question answering. Как encoder она ориентирована на обработку входного текста, а не на генерацию диалоговых ответов. Максимальный размер контекста, поддерживаемые дополнительные модальности и подробные результаты оценки в README не указаны. Основное преимущество — доступность в большом наборе квантованных вариантов GGUF размером примерно от 0,5 до 1,4 ГБ, что упрощает запуск на устройствах с ограниченной памятью. При этом степень квантования влияет на качество: наиболее компактные варианты отмечены как имеющие низкое качество, а для баланса скорости, размера и качества рекомендуются i1-Q4_K_S и i1-Q4_K_M. Лицензия модели — Apache-2.0.

Модель tomaarsen/reranker-ModernBERT-large-gooaq-bce разработана на базе answerdotai/ModernBERT-large и дообучена автором tomaarsen как Cross Encoder с библиотекой Sentence Transformers. Она оценивает пары текстов одним числовым баллом релевантности и предназначена для переранжирования результатов поиска и семантического поиска, например, для выбора наиболее подходящих ответов на вопрос. Модель содержит 394,7 млн параметров, принимает последовательности длиной до 8192 токенов и обучена для английского языка на 578 402 примерах с вопросами, ответами и бинарными метками. В README приведены результаты оценки на GooAQ и наборах NanoBEIR; качество зависит от данных и сценария применения. Лицензия — Apache-2.0.

Rombos-Coder-V2.5-Qwen-14b-GGUF — это квантизированная версия модели Rombos-Coder-V2.5-Qwen-14b, подготовленная bartowski в формате GGUF для запуска через llama.cpp и совместимые приложения, включая LM Studio. Исходная модель размещена автором rombodawg и основана на Qwen2.5-Coder-14B. Модель предназначена прежде всего для генерации и обработки программного кода, включая написание, дополнение и преобразование кода в сценариях локального инференса. Модель относится к классу текстовых генеративных моделей, имеет около 14 млрд параметров и поддерживает английский язык. README не содержит сведений о точной архитектуре, размере контекстного окна, дополнительных языках или мультимодальных возможностях. Доступны варианты от F16 до Q3 и IQ-квантизаций с размером файлов примерно от 6,92 до 29,55 ГБ. Более высокие разрядности обеспечивают лучшее сохранение качества, а варианты Q4 и ниже требуют меньше оперативной памяти; отдельные варианты оптимизированы для ARM и имеют специальные требования к аппаратной поддержке. К сильным сторонам относятся специализация на задачах программирования, широкий выбор уровней квантизации и возможность локального запуска. Ограничения связаны с потерей качества в низкоразрядных вариантах, значительными требованиями к памяти для старших вариантов и отсутствием в README подробных данных о качестве на бенчмарках, контекстном окне и поддерживаемых языках программирования. Распространение указано по лицензии Apache-2.0.

SLIM-EXTRACT-TINY — специализированная модель компании llmware для извлечения из текста элементов, соответствующих заданному пользователем ключу. Она принимает контекстный фрагмент и ключ, например «company», и генерирует словарь Python, где этому ключу соответствует список найденных значений. Модель предназначена для структурирования сведений из текстов и вызова функции extract через библиотеку llmware или Transformers. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, содержащая 1 млрд параметров. По README, она дообучена на базе TinyLlama 1B. Модель работает с текстом, использует контекст до 2048 токенов и распространяется в формате PyTorch под лицензией Apache-2.0. Модель подходит для извлечения заданных сущностей и фактов в структурированный вид. Она рассчитана на конкретный формат запроса и не заявлена как универсальный чат-бот; корректность вывода словаря и полноту извлечения следует проверять на целевых данных. README рекомендует для быстрого инференса отдельную квантованную версию.

Tinfield 1 — разработанная badtheorylabs дообученная агентная модель на базе Qwen3.8-Flash-Next для работы в терминале и длительных задач по разработке программного обеспечения. Она принимает текст и изображения и выдаёт текст; в метаданных указаны возможности диалога, работы с кодом, вызова инструментов и анализа изображений. Заявлены контекст 256 тыс. токенов и архитектура Qwen4ExpForConditionalGeneration; в README для основной версии указаны веса BF16 и 177 млрд параметров всего, из которых активно 6,6 млрд на токен. В README приведены результаты BF16-версии: 33,0 на Terminal-Bench 4.0 и 62 на DeepSWE v1.1. Также описаны компактные квантованные сборки для запуска на машине с 64 ГБ памяти, однако эти сборки не оценивались на указанных бенчмарках. Лицензия обозначена как other, поэтому конкретные условия следует сверить с карточкой модели.

google-bert/bert-base-multilingual-cased — предобученная многоязычная модель BERT, опубликованная командой BERT и представленная на Hugging Face. Это плотный трансформерный энкодер класса BertForMaskedLM с 205,1 млн параметров, общим словарём WordPiece на 110 000 единиц и контекстом до 512 токенов. Модель обучена на текстах Википедии для 104 языков с помощью masked language modeling и предсказания следующего предложения. Она чувствительна к регистру: например, различает «english» и «English». Несмотря на имя репозитория, токенизация в карточке описана как выполняющая приведение текста к нижнему регистру. Модель предназначена прежде всего для дообучения под задачи понимания текста, например классификации последовательностей и токенов или ответов на вопросы. В исходном виде её можно использовать для восстановления замаскированных слов и получения текстовых представлений; для генерации связного текста она не предназначена. Поддерживает множество языков, включая русский, однако приведённые метаданные содержат только часть языкового списка из карточки. Лицензия — Apache 2.0.

Xenova/bge-m3 — модель для создания векторных представлений текста, разработанная на основе BAAI/bge-m3 и адаптированная сообществом Xenova для работы с Transformers.js. Репозиторий содержит ONNX-веса, совместимые с JavaScript-библиотекой Transformers.js. Модель предназначена для получения sentence embeddings, семантического поиска и retrieval-сценариев. В README указана поддержка dense retrieval, lexical matching и multi-vector interaction; пример демонстрирует сравнение запросов и документов по косинусной близости. При использовании с Transformers.js модель формирует нормализованные embeddings размерности 1024 при pooling='cls'. Сильной стороной является возможность запуска в экосистеме JavaScript и использования ONNX-весов, в том числе для веб-ориентированных приложений. README не содержит сведений о точной архитектуре, числе параметров, поддерживаемых языках, максимальной длине контекста, модальностях, количественных результатах тестирования или ограничениях качества. Модель распространяется по лицензии MIT.

Карточка модели kranushealth/bge-reranker-v2-m3 на Hugging Face совпадает с карточкой BAAI/bge-reranker-v2-m3, поэтому описание составлено по ней. BAAI/bge-reranker-v2-m3 — многоязычная модель переранжирования от BAAI, построенная на базе bge-m3 и использующая архитектуру XLM-RoBERTa для классификации последовательностей. Она принимает запрос и текстовый фрагмент и выдаёт оценку их релевантности; более высокий балл означает более подходящий фрагмент. При необходимости оценку можно преобразовать сигмоидой в значение от 0 до 1. Модель предназначена для повторной сортировки результатов поиска, например, для уточнения порядка документов, найденных системой извлечения, и повышения качества выдачи в многоязычных сценариях. В README она описана как быстрая и удобная для развёртывания; метаданные указывают 658,7 млн параметров и контекст до 8194 токенов. Карточка характеризует её как многоязычную, но не перечисляет отдельные языки. Модель доступна по лицензии Apache-2.0. Релевантность оценивается для пары «запрос — фрагмент», поэтому для поиска по корпусу сначала нужны кандидаты, полученные отдельной системой извлечения; модель сама не выполняет полный поиск. Скорость и пригодность к развёртыванию заявлены в карточке, но конкретные показатели производительности не приведены.