II.6Документация и сопровождение разработки

SPEED-embedding-7b-instruct — текстовая модель эмбеддингов от Haonan Chen и соавторов, представленная в работе «Little Giants: Synthesizing High-Quality Embedding Data at Scale» (2024). Она предназначена для преобразования запросов и документов в векторы, пригодные для семантического поиска и ранжирования. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров, имеет 32 слоя и размер эмбеддинга 4096. Метаданные указывают контекст до 32 768 токенов, однако авторы не рекомендуют подавать входы длиннее 4096 токенов. Для запросов следует задавать краткую инструкцию на естественном языке, описывающую задачу; документы можно кодировать без инструкции. Это позволяет настраивать представления для разных сценариев. В README указана оценка на наборах BEIR и MTEB. Модель ориентирована на английский язык. Распространяется по лицензии MIT.

Table Transformer (TATR) — модель обнаружения объектов на основе Transformer, эквивалентная DETR. Она обучена на наборах PubTables1M и FinTabNet.c для распознавания структуры таблиц в документах. Вариант structure-recognition-v1.1-all предназначен для выявления элементов таблиц на изображениях документов. Модель можно применять для анализа структуры таблиц и обнаружения их компонентов в документе. В архитектуре используется нормализация до вычисления self-attention и cross-attention. Размер модели — 6,3 млн параметров; веса доступны в формате safetensors. Модель выпущена Microsoft под лицензией MIT. README описывает обнаружение таблиц и распознавание их структуры, но не приводит подробностей о поддерживаемых языках или предельных размерах изображений. Для извлечения текста из ячеек потребуется отдельный этап OCR.

rohit-vt/tink-reranker-phase4_minilm_real — текстовая Cross-Encoder-модель на базе cross-encoder/ms-marco-MiniLM-L6-v2, дообученная с помощью библиотеки Sentence Transformers. Архитектура BERT обрабатывает пару текстов совместно и выдаёт оценку релевантности; модель содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для переранжирования результатов поиска и семантического сопоставления запроса с текстами-кандидатами. Её можно применять на втором этапе поиска, чтобы упорядочить документы, навыки или другие короткие текстовые записи по соответствию запросу. Обучение описано на парах текстов с бинарными метками релевантности; отдельные примеры относятся к сопоставлению профессиональных навыков. Указана лицензия Apache 2.0 для базовой модели, но лицензия этой модели в предоставленных данных не приведена.

rohit-vt/tink-reranker-phase5_minilm_multikind — текстовый Cross-Encoder на архитектуре BERT, дообученный на базе cross-encoder/ms-marco-MiniLM-L6-v2 с использованием Sentence Transformers. Модель совместно обрабатывает пару текстов и выдаёт оценку их соответствия, которую можно использовать для переранжирования результатов поиска и семантического поиска. Модель содержит 25,9 млн параметров, поддерживает последовательности длиной до 512 токенов и выдаёт один числовой скор. Для обучения указаны 93 031 пример и функция BinaryCrossEntropyLoss; в карточке приведены примеры пар, связанные с навыками и профессиями. Лицензия в предоставленных данных не указана.

laion/tt-x2_clip-hi0p05-10-30B — это исследовательский контрольный чекпойнт модели Qwen3-Coder-30B-A3B-Instruct, дообученной командой TaskTrove с помощью GRPO на наборе DCAgent/exp_rpt_multifile. Модель семейства Qwen3 MoE предназначена для генерации текста в диалоговом режиме, включая программирование и многофайловые агентные задачи. По метаданным, контекст достигает 262 144 токенов; репозиторий содержит веса Safetensors, библиотека запуска — Transformers. Выбран шаг 10 по скользящей EMA награды; README приводит pass@8 0,4516 для этого чекпойнта. Обучение остановили на шаге 76 из 80 после роста энтропии политики и снижения награды, поэтому выбранный чекпойнт не является результатом полного горизонта обучения. Лицензия — Apache-2.0.

Модель vietnamese-bi-encoder-for-SoICT-2024 разработана на базе bkai-foundation-models/vietnamese-bi-encoder и дообучена как Sentence Transformer на парах предложений из набора данных json. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов на вьетнамском языке, сравнения сходства, поиска перефразирований, кластеризации и классификации текстов. Для сравнения векторов используется косинусное сходство. Модель основана на RoBERTa с усреднением токенных представлений; максимальная длина входа составляет 256 токенов. Лицензия Apache-2.0. В карточке приведены результаты оценки информационного поиска, однако они не характеризуют качество на всех прикладных данных; тексты длиннее лимита последовательности требуют обработки с учётом ограничения длины.

wavecoder-ultra-6.7b-GGUF — это GGUF-квантизация модели wavecoder-ultra-6.7b, разработанной Microsoft и опубликованной в исходном виде на Hugging Face. Квантизации подготовлены пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации и обработки программного кода; в метаданных указаны задачи text-generation, набор данных HumanEval и метрика code_eval. Модель содержит 6,7 млрд параметров и поставляется в нескольких вариантах квантования от Q8_0 до IQ1_S, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Рекомендуемыми названы варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, IQ4_NL и IQ4_XS; их размер составляет примерно от 3,62 до 5,52 ГБ. Для работы используется формат GGUF и llama.cpp. Ожидаемый формат запроса близок к DeepSeek Coder или Alpaca: системная инструкция, блок «Instruction» и блок «Response». Сильной стороной модели является возможность локального запуска на широком диапазоне оборудования благодаря множеству уровней квантования, включая варианты для систем с ограниченным объёмом RAM. Более агрессивное квантование уменьшает размер и требования к памяти, но снижает качество генерации. README не содержит сведений об архитектуре, поддерживаемых языках программирования и естественных языках, размере контекстного окна, результатах сравнительных тестов или ограничениях безопасности. Указана лицензия other с license_name deepseek; точные условия лицензии следует уточнять в исходной карточке модели.

bwang0911/word-order-jina — англоязычная модель Sentence Transformers, дообученная на базе jinaai/jina-embeddings-v2-base-en. Архитектура JinaBertModel преобразует предложения и абзацы в нормализованные плотные векторы размерностью 768; для сравнения используется косинусное сходство. В README указана максимальная длина последовательности 128 токенов, а метаданные базовой модели приводят контекст до 8192 токенов. Модель обучалась на примерах порядка слов и отрицаний. Она предназначена для семантического сравнения текстов, поиска похожих фраз, поиска с учётом смысла, кластеризации и классификации; обучение на контрастных примерах нацелено на различение утверждений с разным порядком слов и отрицанием. Лицензия в предоставленных данных не указана.

360VL-70B — мультимодальная чат-модель компании 360, дообученная на основе Meta Llama 3 70B Instruct для работы с изображениями и текстом. Она использует авторегрессионную трансформерную архитектуру и глобально ориентированный многоветвевой проектор для обработки изображений; число параметров — 69,5 млрд, контекст — 8192 токена. Модель принимает текст и изображения и генерирует текстовые ответы. Она поддерживает многоходовые диалоги с одним изображением, визуальные вопросы и ответы, распознавание текста на изображениях, извлечение, упорядочивание и краткое изложение визуальной информации. Заявлена поддержка китайского и английского языков; изображения обрабатываются с разрешением до 672×672. Модель распространяется под лицензией Apache 2.0. Качество ответов может зависеть от содержания и разрешения изображения; заявленный режим визуального диалога рассчитан на одно изображение.

qilowoq/bge-reranker-v2-m3-en-ru — уменьшенная версия переранжировщика BAAI/bge-reranker-v2-m3, подготовленная автором репозитория qilowoq. В словаре оставлены токены английского и русского языков; по заявлению карточки, модель примерно в 1,5 раза меньше исходной и при этом сохраняет те же оценки релевантности.

soichisumi публикует версию BAAI/bge-reranker-v2-m3, преобразованную для MLX и квантованную до 8 бит методом affine с размером группы 64. Модель основана на XLM-RoBERTa с архитектурой классификатора последовательностей и содержит 658,7 млн параметров; указанный в карточке объём файлов — 607 МБ. Она оценивает релевантность пары «запрос — фрагмент» и подходит для переранжирования результатов поиска. Модель многоязычная, с контекстом до 8194 токенов. В README приведена проверка на 30 запросах и 897 парах из набора mteb/scidocs-reranking: Kendall τ составила 0,9797, а изменение nDCG@10 — −0,0002; автор характеризует результат как практически без потерь. Это ограниченная оценка на одном наборе данных, поэтому она не гарантирует аналогичное качество на других доменах и языках. Лицензия — Apache-2.0.

BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

ChimpGPT-Coder-Elite — дообученная модель aaravriyer193 для генерации программного кода на основе GLM-4.7-Flash от Z.ai. Она предназначена для запросов по программированию, написания кода и рефакторинга нескольких файлов; README особо выделяет Python, Rust, TypeScript и C++. Модель использует архитектуру GLM-4 MoE Lite и доступна в формате safetensors; метаданные указывают 4,1 млрд параметров и контекст до 202 752 токенов. README описывает обучение LoRA на наборе из 12 000 примеров и последующее слияние весов, тогда как метаданные классифицируют модель как дообучение базовой модели. Для запуска README указывает минимум 20 ГБ видеопамяти при 4-битной загрузке и предупреждает, что загрузка в float32 может привести к нехватке памяти. Модель распространяется по лицензии MIT. Указанные в README характеристики контекста и размера базовой модели расходятся с метаданными, поэтому приведены значения из метаданных каталога.

ml6team разработала эту модель как дообученный cross-encoder на базе distilbert-base-multilingual-cased. Она оценивает пары «запрос — абзац» и подходит для переранжирования результатов поиска: каждому кандидату модель присваивает оценку релевантности. Модель обучалась один проход на MMARCO — машинно переведённой версии MS MARCO; для оценки использовали 2000 абзацев.

Карточка модели TechxGenus/CursorCore-QW2.5-7B на Hugging Face совпадает с карточкой TechxGenus/CursorCore-DS-1.3B, поэтому описание составлено по ней. CursorCore-DS-1.3B — модель из серии CursorCore, разработанной Hao Jiang, Qi Liu, Rui Li, Shengyu Ye и Shijin Wang для помощи в программировании. Она дообучена на базе deepseek-ai/deepseek-coder-1.3b-base и предназначена для генерации кода и диалоговой поддержки в сценариях AI-помощника программиста, включая редактирование кода, встроенный чат и автодополнение. Модель использует плотную архитектуру семейства LLaMA с причинно-следственной языковой моделью на 1,3 млрд параметров. Она принимает текстовые запросы и контекст с кодом и генерирует текст, включая программный код; заявленная длина контекста — 16 384 токена. README показывает сценарии обычного чата и взаимодействия с кодом, но примеры для конкретной модели частично используют другие модели CursorCore. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели.

sileod/deberta-v3-base-tasksource-nli — модель на базе DeBERTa-v3-base, дообученная разработчиком sileod методом многозадачного обучения на более чем 600 задачах коллекции Tasksource. Она предназначена прежде всего для классификации без примеров: модель сопоставляет текст с произвольными кандидатными метками через вывод о следовании. Также её можно применять для вывода на естественном языке (NLI), выполнять поддерживаемые задачи Tasksource с адаптерами и дообучать для классификации, разметки токенов и задач с выбором ответа. Модель имеет архитектуру DeBERTaV2ForSequenceClassification, содержит 211,6 млн параметров и принимает контекст длиной до 512 токенов. Обучение охватывает разнообразные датасеты для NLI и классификации; указанный в карточке основной язык — английский. В README сообщается о сильных результатах zero-shot-проверок на ряде задач и первом месте среди моделей той же архитектуры в оценке IBM model recycling. Модель устарела: автор рекомендует заменить её другой моделью с более длинным контекстом и лучшей точностью. Лицензия — Apache-2.0.

gabor-hosu/e5-mistral-7b-instruct-bnb-4bit — 4-битная версия модели эмбеддингов e5-mistral-7b-instruct, опубликованная пользователем gabor-hosu на базе модели intfloat. Она предназначена для преобразования текстов в векторные представления и использования в задачах семантического сходства, классификации и информационного поиска. Модель основана на архитектуре Mistral с 7 млрд параметров и рассчитана на работу через экосистемы Transformers и Sentence Transformers. В README указана поддержка оценивания в MTEB и приведены результаты на наборах данных для английского, немецкого, испанского, французского, японского и китайского языков. Максимальный размер контекста и полный перечень поддерживаемых языков не указаны. Ключевое преимущество модели — сниженное потребление памяти благодаря 4-битной квантизации BitsAndBytes, что может упростить локальный запуск по сравнению с полноразмерной версией. Ограничениями являются возможные потери качества из-за квантизации, а также отсутствие в README подробностей о процедуре квантизации, рекомендуемых параметрах использования, лицензии и результатах комплексного сравнения с другими моделями.

F2LLM-v2-8B-Preview — мультиязычная модель эмбеддингов от CodeFuse AI, дообученная на базе Qwen3-8B на корпусе из 27 миллионов примеров. Версия Preview обучена без инструкций и предназначена как основа для задач получения эмбеддингов и дальнейшей тонкой настройки. Модель имеет плотную архитектуру Qwen3, около 7,6 млрд параметров и принимает текст; метаданные указывают контекст до 40 960 токенов. Модель подходит для кодирования текстов в векторные представления в многоязычных сценариях. README заявляет поддержку более 100 естественных и программных языков, а метаданные карточки перечисляют языки, включая английский, русский, китайский, арабский, японский и другие. Репозиторий содержит веса Safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. Это предварительная версия без инструкционного обучения, поэтому её поведение в диалоговых задачах и качество на конкретных наборах данных могут требовать проверки.

Карточка модели ludx/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2 на Hugging Face совпадает с карточкой yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2, поэтому описание составлено по ней. Gemma4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2 — дообученная модель yuxinlu1 на базе Google Gemma 4 12B Instruct для генерации кода и выполнения многошаговых технических задач с использованием инструментов. Это плотная архитектура Gemma 4 Unified, опубликованная в формате safetensors с весами bf16; README ориентирует эту версию прежде всего на разработчиков, которые хотят запускать модель в Transformers, создавать квантизованные варианты или продолжать дообучение. Модель предназначена для написания и отладки кода, работы с командами и инструментами, а также циклов «диагностика — исправление — проверка». В README приведён результат около 55% на локальном тесте tau2-bench telecom из 20 задач против примерно 15% у базовой модели при одинаковой конфигурации. Это сравнение ограничено описанным автором тестовым стендом и не сопоставимо напрямую с опубликованными результатами бенчмарка. Автор также сообщает о небольшом снижении результата на MMLU-Pro относительно базы. Модель поддерживает диалог и использует встроенный протокол вызова инструментов Gemma 4; README также описывает режим рассуждения перед ответом. Лицензия — Apache-2.0. Карточка не приводит сведений о размере контекстного окна или языках обучения, поэтому они здесь не уточняются.

granite-embedding-107m-multilingual-GGUF — мультиязычная embedding-модель семейства Granite, разработанная IBM (базовая модель ibm-granite/granite-embedding-107m-multilingual) и квантованная bartowski в формате GGUF. Она предназначена для преобразования текстов в векторные представления и решения задач семантического поиска, информационного поиска и retrieval-сценариев, включая многоязычные приложения и сопоставление запросов с документами. Модель имеет заявленный размер около 107 млн параметров и поддерживает английский, арабский, чешский, немецкий, испанский, французский, итальянский, японский, корейский, нидерландский, португальский и китайский языки. В README приведены результаты оценки на наборе Miracl для retrieval-задач, однако сведения о точной архитектуре энкодера, размерности эмбеддингов, максимальной длине контекста, способе квантования и системных требованиях не указаны. Поэтому эти характеристики нельзя надёжно определить по представленным данным. К сильным сторонам относятся компактный размер, поддержка нескольких языков и ориентация на семантический retrieval, что может упростить локальное развертывание и использование в поисковых системах, RAG-приложениях и классификации по сходству. Ограничения включают отсутствие подробных сведений о контексте, качестве на всех заявленных языках и особенностях квантования; приведённые метрики относятся к отдельным конфигурациям Miracl и не гарантируют аналогичные результаты в конкретном прикладном сценарии. Модель распространяется по лицензии Apache-2.0.

Grug v1.1 — диалоговая модель ProCreations на базе Qwen3.8-27B, дообученная на корпусе из 1 млн примеров и скорректированная LoRA-адаптером ранга 32, применённым с силой 0,5. Она предназначена для генерации текста с рассуждениями и работы в агентных сценариях, особенно для выбора подходящего инструмента. Автор сообщает о сокращении числа токенов рассуждения на некоторых тестах и высоких результатах выбора инструмента; для модели рекомендуется средний уровень reasoning_effort. README также описывает оценки на задачах программирования и математики и тесты на повторения. Модель использует плотную архитектуру семейства Qwen3.5 с 27 млрд параметров; в репозитории указаны веса SafeTensors и библиотека Transformers. Метаданные указывают английский язык карточки. Базовая модель мультимодальна, а README упоминает GGUF-вариант с mmproj для зрения, однако у этой модели в метаданных отмечена только генерация текста, поэтому мультимодальные возможности самого указанного репозитория не подтверждены. Среди ограничений автор указывает снижение результата на GSM8K относительно базовой модели, более слабое восстановление выбора инструмента после сбоя по сравнению с предыдущей версией и дополнительные затраты токенов на MBPP. Результаты в README получены на конкретных наборах и настройках, а агентные тесты проводились при температуре 0,6; они не гарантируют аналогичного качества в других сценариях. Лицензия — Apache-2.0.

Myric/KAT-Coder-V2.5-Dev-MTP-APEX-GGUF — это квантованная GGUF-сборка модели Kwaipilot/KAT-Coder-V2.5-Dev, разработанной на базе Qwen3.6-35B-A3B. Автор данной сборки в README не указан. Модель предназначена прежде всего для генерации программного кода и агентных сценариев разработки, включая работу с инструментами. В README для исходной модели указана оценка 69,40 на SWE-bench Verified против 64,40 у базовой Qwen3.6-35B-A3B. Архитектура представляет собой MoE-модель с 40 слоями, 256 маршрутизируемыми и одним общим экспертом, а также гибридной архитектурой GatedDeltaNet с периодическими слоями полноценного внимания. Сборка дополнена трансплантированной MTP-головой примерно на 850 млн параметров, взятой из Qwen3.6-35B-A3B, что позволяет использовать speculative decoding в llama.cpp. Рекомендуемая глубина чернового предсказания — n-max 3; в приведённом тесте ускорение достигало 2,03 раза на агентном наборе задач, а в зависимости от настроек и контекста — до 1,44 раза. Используются файлы размером около 19,24 GiB для рекомендуемой версии и около 11,91 GiB для более компактной динамической квантовки. Сильные стороны модели — специализация на программировании, поддержка агентных сценариев, MoE-архитектура и ускорение генерации посредством MTP без изменения проверяемой моделью корректности результата. Ограничения связаны с тем, что MTP-голова перенесена без дополнительного обучения на скрытых представлениях KAT-Coder, поэтому эффективность принятия черновых токенов снижается при чрезмерном увеличении глубины; при n-max 8 производительность может быть ниже, чем без speculative decoding. Точное число параметров, языки программирования и максимальный контекст в README не указаны; для тестов использовался контекст 32768 токенов. Распространение осуществляется по лицензии Apache-2.0. Для запуска требуется совместимое ПО, например llama.cpp, и достаточный объём памяти для выбранного GGUF-файла.

Lumian2-VLR-7B-Thinking — экспериментальная мультимодальная модель для визуального рассуждения, разработанная prithivMLmods на базе Qwen2.5-VL-7B-Instruct. Это плотная модель семейства Qwen2.5-VL с 7,1 млрд параметров, обученная методом SFT на визуально обоснованных цепочках рассуждений и дополнительно оптимизированная с помощью GRPO. Она принимает изображения и текст, поддерживает контекст до 128 000 токенов и рассчитана прежде всего на английский язык. Модель формирует текстовые ответы с пошаговыми рассуждениями, привязанными к областям изображения и структуре документов. Её сценарии включают описание изображений, вопросы и суммаризацию по видеокадрам, извлечение сведений из документов, анализ таблиц и диаграмм, а также визуальное обоснование решений. В карточке также заявлены многоязычное рассуждение и применение в робототехнике и мобильной автоматизации. Модель может ошибаться при низком разрешении или перекрытии объектов, иногда теряет точность визуальной привязки, а обработка длинных видео и больших пакетов документов требует много памяти; для устройств с ограниченными ресурсами она не оптимальна. Распространяется по лицензии Apache-2.0.

Moritz Laurer дообучил multilingual-MiniLM-L6 от Microsoft для распознавания логических отношений между текстами (NLI) и классификации без заранее заданного набора классов. Модель основана на XLM-RoBERTa и использует архитектуру XLMRobertaForSequenceClassification; в ней 6 слоёв и 110,2 млн параметров. Контекст — до 514 токенов. Доступны веса в форматах PyTorch, Safetensors и ONNX. Модель принимает пару текстов для оценки отношений между ними либо текст и список возможных меток для zero-shot-классификации. Она обучена на MNLI и переводах XNLI; карточка сообщает о поддержке NLI более чем на 100 языках и приводит результаты оценки на 15 языках. Компактность модели обеспечивает более быстрый вывод и меньшие требования к памяти по сравнению с XLM-RoBERTa-large, но качество ниже, чем у более крупной модели-учителя. Для языков вне набора оценки качество может быть ниже. Лицензия — MIT.

mxbai-rerank-base-v1 — базовая модель семейства реранкеров от Mixedbread, предназначенная для повышения качества поиска. Она оценивает релевантность пары «запрос — документ» и упорядочивает результаты, например, после поиска по ключевым словам. Модель построена на архитектуре DeBERTa-v2 и содержит 211,6 млн параметров; для работы с ней README рекомендует актуальную версию sentence-transformers. Модель рассчитана на английский язык и принимает текст, выдавая оценки релевантности, которые можно использовать для ранжирования документов. В README приведены результаты оценки на 11 наборах BEIR и указано, что реранкер хорошо дополняет поиск по ключевым словам. Длина контекста составляет 512 токенов. Модель распространяется по лицензии Apache-2.0.

North Mini Code — открытая модель весов для генерации кода, агентной разработки программного обеспечения и выполнения задач в терминале, разработанная Cohere и Cohere Labs. Репозиторий unsloth/North-Mini-Code-1.0 содержит производную версию базовой модели CohereLabs/North-Mini-Code-1.0; метаданные указывают 1,2 млрд параметров, тогда как README базовой модели описывает конфигурацию на 30 млрд параметров, из которых активны 3 млрд. Это расхождение в размере может отражать различия между репозиториями, поэтому размер самой версии Unsloth следует трактовать по метаданным. Модель построена на декодерном Transformer с разреженной архитектурой Mixture-of-Experts и предназначена для текстового ввода и генерации текста. Она поддерживает контекст до 500 тыс. токенов согласно метаданным; README базовой модели приводит 256 тыс. токенов контекста и до 64 тыс. токенов вывода. Модель обучалась для агентного программирования и поддерживает интерфейс вызова инструментов, включая сценарии работы с терминалом. Карточка базовой модели сообщает о двухэтапном дообучении SFT и RLVR. Модель подходит для генерации кода, решения задач разработки с использованием инструментов и выполнения терминальных заданий. Она распространяется по лицензии Apache 2.0. Для запуска README рекомендует актуальные исходные версии Transformers или vLLM; точные результаты могут зависеть от среды и настроек генерации.

o1-pro — модель из серии o1 от OpenAI, обученной с применением обучения с подкреплением для решения задач, требующих рассуждений перед ответом. Вариант o1-pro использует больше вычислительных ресурсов для более глубокого обдумывания ответа. Модель предназначена для сложных задач рассуждения и подготовки ответов на запросы пользователя. Доступный фрагмент карточки не описывает архитектуру, размер, поддерживаемые языки и длину контекста, поэтому эти характеристики не приводятся. Лицензия в предоставленных данных не указана.

OpenCoder-1.5B-Instruct — диалоговая модель для работы с кодом из семейства OpenCoder, разработанного командой OpenCoder. Она основана на плотной архитектуре Llama и дообучена методом supervised fine-tuning на двух этапах на примерах OpenCoder. Модель содержит 1,7 млрд параметров и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации кода по запросу на естественном языке, ответов на вопросы о программировании и помощи в решении задач на код. Семейство OpenCoder поддерживает английский и китайский языки; в карточке этой версии указаны те же языки. В README приведены результаты на HumanEval(+), MBPP(+) и BigCodeBench. Модель опубликована в формате safetensors для Transformers. Лицензия указана как «other», поэтому условия использования следует уточнить в файлах лицензии репозитория. README описывает открытые данные и процесс обучения семейства, но не приводит подробных ограничений конкретно этой версии.

Fastiraz/Ornith-1.5-9B-GGUF — квантованное представление модели Ornith-1.5-9B, разработанной командой Ornith AI. Это плотная языковая модель с 9 млрд параметров, предназначенная для эффективного развёртывания на одной GPU; мобильная квантованная версия также ориентирована на запуск на периферийных устройствах и смартфонах. Модель относится к классу генеративных текстовых моделей и предназначена прежде всего для программирования, решения инженерных задач и работы с инструментами командной строки. Ornith-1.5 развивает Ornith-1.0, созданную на основе Qwen3.5 и Gemma4 с дополнительным непрерывным предварительным обучением, промежуточным обучением и постобучением. В новой версии совместно оптимизируются генерация задач, построение scaffolding и rollouts решений с применением reinforcement learning и цикла самоулучшения. По заявленным результатам модель показывает сильные показатели в задачах разработки программного обеспечения: 70,6 на SWE-bench Verified, 47,5 на SWE-bench Pro и 46,2–47 на Terminal-Bench 2.1 в зависимости от используемого агента. Ключевыми преимуществами являются компактный размер, возможность локального запуска и специализация на агентных сценариях программирования. README не содержит сведений о поддерживаемых языках, длине контекста, точных параметрах квантования, мультимодальности, устойчивости к ошибкам или ограничениях качества вне приведённых тестов, поэтому эти характеристики требуют дополнительной проверки. Модель распространяется по лицензии MIT; карточка указывает pipeline для генерации текста.

PP-DocLayoutV2 — лёгкая модель PaddlePaddle для анализа структуры документов. Она обнаруживает и классифицирует элементы макета, а затем определяет порядок их чтения. Архитектура состоит из детектора на основе RT-DETR и следующей за ним pointer network, которая упорядочивает найденные рамки и метки классов. Модель предназначена для обработки страниц документов: выявления структурных элементов и восстановления последовательности чтения. В метаданных указаны английский и китайский языки, библиотека PaddleOCR и формат весов safetensors. Лицензия — Apache-2.0.