II.6Документация и сопровождение разработки

tomaarsen/multivector-ModernBERT-base-msmarco-cached-contrastive — англоязычный многовекторный энкодер, дообученный автором на базе answerdotai/ModernBERT-base на 99 000 примерах MS MARCO с помощью Sentence Transformers. Модель кодирует текст в последовательность 128-мерных векторов токенов и оценивает пары запросов и документов по позднему взаимодействию MaxSim; максимальная длина последовательности — 8192 токена. Архитектура основана на ModernBERT, число параметров — 149 млн. Модель предназначена для семантического поиска и информационного поиска, где важна детализация на уровне токенов. Её можно использовать для поиска документов по запросам и ранжирования найденных текстов; README приводит оценки на наборах NanoMSMARCO и NanoBEIR. Модель принимает текст и выдаёт векторы признаков, а не готовые ответы на вопросы. Лицензия — Apache-2.0. Модель обучена на англоязычных данных и рассчитана прежде всего на поиск на английском языке; качество на других языках не подтверждено. Векторное представление токенов и вычисление MaxSim требуют соответствующей логики индексирования и поиска.

Nemotron-3-Nano-30B-A3B-AgentCoder — дообученная Bruno Pistone модель NVIDIA Nemotron-3-Nano-30B-A3B для многошаговых диалогов с инструментами. Она обучена методом GRPO с оценкой по обратной связи от ИИ и предназначена для выбора между ответом, вызовом инструмента и реакцией на его результат в цикле работы агента. Модель использует гибридную архитектуру NemotronHForCausalLM с Mamba-2 и MoE-компонентами; заявленный контекст составляет 262 144 токена. Обучение затронуло около 0,14 % параметров исходной модели с помощью LoRA. Она рассчитана на текстовый ввод и генерацию текста, включая ответы, рассуждения и вызовы инструментов; в метаданных указан английский язык. Подходящие сценарии включают агентные циклы для программирования, управления данными и выполнения команд, а также общие вопросы и ответы, унаследованные от базовой модели. README сообщает о снижении доли чрезмерно длинных ответов в ходе обучения, но не приводит независимой оценки качества. Модель не предназначена для высокочувствительных данных, задач, требующих экспертной сертификации или полной объяснимости, и автономного выполнения необратимых действий без проверки человеком. Для корректной работы требуются доверенная загрузка кода модели и зависимости Mamba-2; лицензия — NVIDIA Open Model License, унаследованная от базовой модели.

Ornith-1.0-35B-GGUF — открытая языковая модель семейства Ornith-1.0, разработанная командой проекта Ornith и ориентированная на агентное программирование. Модель предназначена для генерации кода, автономного выполнения задач разработки и работы в инструментах командной строки, включая сценарии, оцениваемые в Terminal-Bench и SWE-bench. Версия 35B позиционируется как облегчённый вариант семейства для эффективного развёртывания на одной GPU. Модель относится к текстовым моделям генерации; точная архитектура, размер контекстного окна и перечень поддерживаемых языков в карточке не указаны. В описании семейства упоминается обучение с подкреплением, в ходе которого оптимизируются как траектории решения, так и управляющие их scaffolds, что должно улучшать поиск решений и качество результатов. Для Ornith-1.0-35B заявлены результаты 64,2 в Terminal-Bench 2.1 (Terminus-2), 62,8 в Terminal-Bench 2.1 (Claude Code), 75,6 в SWE-bench Verified и 50,4 в SWE-bench Pro. Сильными сторонами модели являются специализация на агентных задачах программирования, открытый исходный доступ и заявленная эффективность развёртывания. Ограничения включают отсутствие в карточке подробностей о языках, контексте, точной архитектуре и возможностях за пределами текстового программирования; приведённые показатели зависят от используемого агента и методики оценки. Модель распространяется по лицензии MIT без региональных ограничений.

Parable-Granite-4.1-8B-Claude-Fable-5 — плотная языковая модель на 8,4 млрд параметров, созданная AnkitAI дообучением IBM Granite 4.1 8B. Она рассчитана на многошаговые задачи агентного типа: планирование, работу с инструментами, программирование, терминал и отладку. Модель принимает текст и генерирует текст, включая структурированные вызовы инструментов. Поддерживает английский язык и наследует от базовой модели контекст до 131 072 токенов. Для дообучения использовались трассы сессий Claude Fable 5 и GPT-5.5, в том числе примеры работы кодирующего агента и решения задач в терминале. Автор сообщает о снижении потерь на отложенной выборке и приводит результаты качественной оценки на задачах программирования и отладки; результаты сравнения с другими репозиториями автор считает ориентировочными. Поведение, настроенное на агентные задачи, может приводить к выдаче JSON вызова инструмента вместо обычного ответа. Дообучение велось на последовательностях длиной 1 024 токена, поэтому именно на начальных ходах ожидается наиболее выраженное влияние дообучения. Веса распространяются по лицензии Apache-2.0. В обучающих данных есть набор с лицензией AGPL-3.0 и набор с лицензией MIT; условия использования исходных трасс третьих сторон могут применяться к последующему обучению и дистилляции. Сгенерированные команды и код следует проверять перед выполнением.

Parakeet TDT 0.6B v3 INT8 — модель распознавания речи, подготовленная Sonic Speech на основе модели NVIDIA Parakeet TDT v3 и предназначенная для запуска через MLX, в том числе на компьютерах Apple Silicon. Она преобразует аудио в текст и подходит для транскрибации записей и речи.

google/pix2struct-docvqa-large — крупная модель Pix2Struct от Google для ответов на вопросы по изображениям документов. Она использует архитектуру «кодировщик изображений — декодер текста» и принимает изображение вместе с вопросом, выдавая текстовый ответ. Модель дообучена для визуального ответа на вопросы; Pix2Struct предварительно обучалась преобразовывать замаскированные снимки веб-страниц в упрощённый HTML, что поддерживает понимание визуально представленной информации. Модель предназначена для извлечения сведений из документов по запросу пользователя, например, поиска значений в формах, таблицах и сканах. В метаданных указаны языки en, fr, ro и de, а также многоязычная поддержка. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка описывает семейство Pix2Struct и задачу визуального ответа на вопросы, но не сообщает точное число параметров и длину контекста.

Qwen3-8B TMax AENV v39b, итерация 179 — чекпойнт модели Qwen3-8B, дообученной командой willamazon1 методом обучения с подкреплением на асинхронных многоходовых взаимодействиях в агентной среде. Он инициализирован из willamazon1/qwen3-8b-tmax-sft-v3-iter353, который ранее был дообучен на Qwen/Qwen3-8B. Архитектура — плотная Qwen3ForCausalLM на 7,6 млрд параметров; модель принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Контекст — до 40 960 токенов. Чекпойнт предназначен для диалоговых и агентных сценариев, где модель ведёт многоходовое взаимодействие и использует инструменты. Это одна из итераций обучения v39b; соседние итерации опубликованы для сравнения динамики обучения. Веса преобразованы из формата Megatron-LM torch_dist в safetensors для Hugging Face, хранятся в bfloat16; состояние оптимизатора не включено. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-Flash-Next-GSQ-RCO-GGUF — сторонняя community-воспроизводимая GGUF-квантизация модели Qwen/Qwen3.8-Flash-Next, разработанной командой Qwen. Файлы созданы независимым автором с применением методов GSQ и RCO, разработанных Deep Algorithms and Systems Lab (DASLab) при Institute of Science and Technology Austria. Это не официальный релиз DASLab и не содержит его endorsement. Модель предназначена для локального инференса больших языковых и мультимодальных моделей в формате GGUF, включая обработку изображений через отдельный BF16 vision projector. Основные веса имеют целевой уровень 3,5 бита на параметр и занимают 47,94 ГБ; отдельно требуется один из вариантов shard с token и n-gram embeddings: BF16 на 103,68 ГБ либо более компактный вариант с Q4_0/Q8_0 на 29,49 ГБ. Vision encoder и projector занимают 0,91 ГБ. README позиционирует модель как вариант для запуска приблизительно 180B-модели на двух RTX 3090 с размещением embeddings на диске и KV-кэша в оперативной памяти. GSQ выполняет посттренировочную скалярную квантизацию с распределением точности по координатам и группам, а RCO назначает тип квантизации отдельным тензорам в рамках точного ограничения размера. В предоставленных тестах на MMLU-Pro при контексте 2 048 токенов квантизированная версия получила 58,25% против 55,40% у BF16 reference; perplexity составила 3,1058 против 3,0533. На IFEval результат составил 13/16 по строгому критерию, на GSM8K — 8/8. Ограничения включают очень высокие требования к дисковому пространству и памяти, необходимость совместимого runtime llama.cpp с поддержкой Qwen4Exp и Q2_0, а также небольшое ухудшение perplexity относительно BF16 reference. Языки и максимальная длина контекста в README не указаны. Лицензия обозначена как Qwen Community 1.0; точные условия следует проверять в файле LICENSE.

Это предварительно квантованная версия Qwen/Qwen3-Omni-30B-A3B-Instruct, подготовленная с помощью NVIDIA ModelOpt и предназначенная для запуска на графических процессорах NVIDIA Blackwell, включая RTX 5090, B100 и B200. Модель семейства Qwen3-Omni с архитектурой MoE принимает текст, изображения, аудио и видео, а выдаёт текст и речь. Размер исходной модели — 30 млрд параметров, из которых около 3 млрд активируются на токен; NVFP4 W4A8 уменьшает размер чекпойнта примерно до 27 ГБ с примерно 60 ГБ у версии BF16. Квантированы веса экспертов и attention в Thinker; lm_head, маршрутизаторы MoE и остальные этапы оставлены без квантования. Для калибровки использовались английские и китайские запросы. Чекпойнт рассчитан на инференс с аппаратной поддержкой FP4 и не подходит для RTX 4090, A100 и H100; для этих ускорителей автор рекомендует вариант FP8. Модель распространяется по лицензии Apache-2.0.

Это пакет слоёв GGUF для запуска Qwen3-VL-235B-A22B-Instruct-UD-Q4_K_XL через Mesh LLM. Его подготовил проект Mesh LLM на основе unsloth/Qwen3-VL-235B-A22B-Instruct-GGUF: веса распределены по отдельным артефактам для распределённого инференса на локальном кластере. Модель относится к семейству Qwen3 и предназначена для диалогового взаимодействия и генерации текста; пакет поддерживает запуск на нескольких машинах и локальный OpenAI-совместимый интерфейс чата. Квантованный вариант UD-Q4_K_XL поставляется в формате GGUF и рассчитан на сценарии, когда полную модель неудобно размещать на одном хосте. Карточка этого пакета не приводит параметры мультимодального ввода, размер контекста, языки или условия лицензии; за этими сведениями README направляет к карточке исходной модели.

Qwopus3.5-9B-Coder-MTP — это набор квантованных вариантов модели Jackrong/Qwopus3.5-9B-Coder, опубликованный пользователем noctrex. В модель добавлен слой MTP (Multi-Token Prediction), предназначенный для ускорения генерации. По тегам модель относится к семейству Qwen и архитектуре Qwen3.5 MoE; базовая модель имеет размер 9B параметров. README также указывает специализацию imatrix на задачах программирования. Модель предназначена прежде всего для генерации и обработки кода, включая локальный запуск через llama.cpp. По заявлению автора, на видеокарте AMD 7900 XTX с Vulkan backend скорость выросла примерно с 80 до 120 токенов в секунду, однако это результат конкретного теста и может отличаться в других условиях. Данные о поддерживаемых языках, размере контекста, точных модальностях, качестве, ограничениях и лицензии в README не указаны. Для использования требуется актуальная версия llama.cpp и загрузка выбранного варианта квантования.

ARGA100/ru-reranker-modernbert-small — компактная модель-реранкер для русского языка, разработанная ARGA100. Это cross-encoder на базе deepvk/RuModernBERT-small с архитектурой ModernBertForSequenceClassification и 34,4 млн параметров; она оценивает пару «запрос — документ» и помогает упорядочить найденные документы по релевантности. Для обучения использовалась выборка из 3,2 млн русскоязычных пар запросов и документов ARGA100/ru-reranker-mega. Модель предназначена для улучшения результатов поиска и ранжирования кандидатов в системах ответа на вопросы и RAG. В README заявлены NDCG@10 0,74444 на MTEB RuBQReranking и скорость инференса примерно втрое выше указанной модели сравнения BCE-reranker-base_v1; эти показатели приведены автором карточки. Метаданные указывают контекст до 8192 токенов, тогда как README задаёт максимальную длину последовательности 2048 токенов. Модель принимает текстовые пары и выдаёт оценки релевантности для ранжирования. Она дообучена на русскоязычных данных, но базовая модель поддерживает русский и английский. Распространяется по лицензии MIT.

Seed-Coder-8B-Reasoning — причинная языковая модель для кода от ByteDance-Seed, созданная на основе Seed-Coder-8B-Base. Модель прошла предварительное обучение и последующее обучение с применением reinforcement learning для усиления рассуждений. Это плотная архитектура семейства Llama с 7,6 млрд параметров; заявленная длина контекста — 65 536 токенов. Модель распространяется в формате safetensors и загружается через Transformers. Модель предназначена для генерации кода и решения сложных задач программирования, включая задачи соревновательного программирования, требующие пошагового анализа. В README заявлены результаты на IOI 2024 и Codeforces, однако подробные методика и показатели приведены во внешнем техническом отчёте. Модель ориентирована на код; README указывает на общедоступные обучающие данные и описывает подход к их отбору. Лицензия — MIT.

Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.

Это компактная англоязычная модель на архитектуре BERT, созданная дообучением Snowflake/snowflake-arctic-embed-xs на первых 300 000 примерах датасета Zyphra/Zyda-2. Модель содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и использует цель обучения Masked Language Modeling. Модель предназначена для построения текстовых эмбеддингов, классификации текста и заполнения пропусков в английских предложениях. В карточке приведены результаты оценки: loss 3,0689 и accuracy 0,4676. Лицензия — MIT.

stella_en_1.5B_v5_bf16 — англоязычная модель представлений текста, опубликованная под идентификатором it-just-works/stella_en_1.5B_v5_bf16. По названию и карточке можно установить размер около 1,5 млрд параметров и формат чисел bfloat16 (bf16). Сведения о конкретном разработчике, базовой архитектуре и методе обучения в представленном README не указаны. Модель предназначена для задач анализа и сопоставления англоязычных текстов, включая классификацию, семантический поиск и ранжирование. В карточке приведены результаты на наборах MTEB: например, accuracy составляет 97,16 на AmazonPolarityClassification, 92,87 на AmazonCounterfactualClassification и 59,36 на AmazonReviewsClassification; для ArguAna указан основной показатель 65,27. Эти результаты показывают применимость модели к оценке тональности, классификации отзывов и поиску релевантных аргументов. Ограничения также существенны: поддержка заявлена или предполагается только для английского языка, а сведения о контекстном окне, входных и выходных модальностях, точном назначении эмбеддингов и требованиях к оборудованию отсутствуют. Лицензия и условия коммерческого или иного использования в предоставленных данных не указаны, поэтому их необходимо уточнить в полном репозитории модели.

Tinytron-ORCA-3B-TinyLlama-Instruct_CODE_Python-extra_small_quantization_GGUF_3bit — локальная разговорная модель для генерации кода, опубликованная Francisco Angulo de Lafuente под именем Agnuxo. В README указана специализация на Python и научных вычислениях, а также заявлена работа с JavaScript, TypeScript, Rust, Go, C++, NumPy, SciPy, Pandas, PyTorch, TensorFlow и JAX. Метаданные указывают на плотную архитектуру семейства Llama с классом LlamaForCausalLM, 1 млрд параметров и контекст 2048 токенов; README заявляет 3 млрд параметров, поэтому размер модели описан противоречиво. Модель предназначена для диалоговой генерации кода и помощи при решении задач программирования. Карточка рекомендует запускать её локально через Ollama и упоминает интеграции с MCP и A2A. Метаданные указывают языки en и es, но README не уточняет языковую поддержку. Идентификатор и README описывают вариант TinyLlama Instruct с 3-битной квантизацией GGUF, то есть производную модель. В метаданных базовая модель не указана, поэтому её идентификатор нельзя надёжно установить. Лицензия — Apache-2.0. Практические ограничения: контекст 2048 токенов, а заявленный размер расходится с метаданными; качество генерации не подтверждено приведёнными сведениями.

Uraion-Agent-Small — компактная языковая модель компании Uraion Labs, дообученная на базе Qwen/Qwen3.5-2B. Она предназначена прежде всего для агентных сценариев, вызова инструментов и функций, многошагового взаимодействия с API и построения локальных циклов автоматизации. Модель обучалась методом QLoRA на наборах данных для function calling и instruction following, включая NousResearch/hermes-function-calling-v1, Salesforce/APIGen-MT-5k и mlabonne/FineTome-100k. Модель содержит около 1,9 млрд параметров, из которых при обучении через LoRA использовалось 21,8 млн обучаемых параметров. Она основана на гибридной архитектуре Qwen3.5: 24 слоя включают 18 слоёв Gated DeltaNet с линейным вниманием и 6 слоёв полного внимания. Нативная длина контекста составляет 262 144 токена. Доступны веса в формате GGUF и Transformers NF4; заявлены 4-битное NF4-квантование и поддержка английского языка. Для структурированных вызовов инструментов используется парсер qwen3_coder. Сильными сторонами модели являются небольшой размер, возможность локального развертывания и специализация на структурированном tool calling, что делает её подходящей для локальных агентов, API-композиции и запуска на потребительском оборудовании. При этом GGUF-файлы в репозитории имеют известную проблему с формами некоторых тензоров и могут не загружаться в llama.cpp без дополнительной конвертации. Для архитектуры qwen35 требуется свежая версия llama.cpp, а NF4-веса медленно работают на CPU, поэтому для них предпочтительно GPU-развертывание. Модель распространяется по лицензии Apache 2.0, унаследованной от Qwen3.5.

WizardCoder-Python-7B-V1.0 — языковая модель для генерации кода на Python, опубликованная как реплика официального репозитория WizardCoder. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров и контекстом до 16 384 токенов; для работы используется библиотека Transformers и формат PyTorch. Модель предназначена для генерации и дополнения кода по инструкциям на естественном языке, а также для решения задач программирования на Python. README приводит формат инструкционного запроса, но не содержит отдельных результатов именно для версии 7B. Карточка указывает, что реплика создана для воспроизведения результатов и исследований. Лицензия — Llama 2. Оценки из README относятся к другим размерам семейства WizardCoder и не позволяют судить о качестве этой версии; фактическая поддержка языков общения отдельно не описана.

Moritz Laurer разработал эту модель на базе xtremedistil-l6-h256-uncased от Microsoft для классификации текста без заранее заданного набора классов. Она сопоставляет текст-посылку с гипотезой-кандидатом и предсказывает, следует ли гипотеза из посылки: «следует» или «не следует». Такой бинарный формат подходит для zero-shot-классификации, где различие между нейтральным отношением и противоречием несущественно. Модель использует архитектуру BERT и содержит 14,1 млн параметров; максимальная длина контекста — 512 токенов. Она обучена на 782 357 парах из MultiNLI, Fever-NLI, LingNLI и ANLI. В README приведены результаты оценки на этих наборах; точность заметно ниже на ANLI, чем на MultiNLI. Метаданные указывают английский язык. Лицензия в предоставленных данных не указана. README также предупреждает о возможных смещениях, связанных с данными NLI, и проблемах совместимости со старыми версиями Transformers и токенизатора; автор советует Transformers 4.13 как возможное решение.

Athene-V2-Agent-GGUF — это набор квантованных GGUF-версий модели Athene-V2-Agent, разработанной Nexusflow и подготовленной пользователем bartowski для запуска через llama.cpp. Модель относится к классу text-generation и предназначена для англоязычной генерации текста, агентских сценариев, function calling, извлечения информации и задач, связанных с RLHF. README не указывает точную архитектуру, число параметров и максимальную длину контекста. Модель ориентирована на использование в локальных приложениях и совместима, в частности, с LM Studio. Доступны варианты квантования от Q8_0 до Q2_K и IQ-серий, различающиеся размером файлов и качеством: старшие варианты обеспечивают качество, близкое к исходной модели, а младшие требуют меньше оперативной памяти, но заметно уступают по качеству. Для взаимодействия используется формат промпта с маркерами ролей system, user и assistant. Версия Q4_0_8_8 оптимизирована для ARM и требует поддержки SVE, при этом в README не рекомендуется для Mac и Windows. Сильные стороны модели — специализация на агентских задачах, function calling и extraction, а также широкий выбор квантований для локального запуска. Ограничения включают заявленную поддержку только английского языка, отсутствие сведений о мультимодальности, архитектуре, размере и контекстном окне, а также неизбежную потерю качества в низкобитных вариантах. Лицензия указана как other; конкретные условия использования в README не приведены.

xipho/bert-finetuned-ner — модель на базе BERT, дообученная для распознавания именованных сущностей и другой токенной классификации. Она принимает текст и присваивает метки его токенам; размер модели — 135,5 млн параметров, максимальный контекст — 512 токенов. Модель распространяется в формате Safetensors и использует библиотеку Transformers. В карточке указаны результаты на тестовой выборке: F1 — 0,9427, точность — 0,9351, полнота — 0,9504 и accuracy — 0,9865. Датасет и набор меток не описаны, поэтому эти показатели нельзя напрямую переносить на другие данные или задачи. Базовая модель — google-bert/bert-base-cased; лицензия — Apache-2.0.

Xenova/bge-reranker-base — модель переранжирования текстов, представляющая ONNX-версию BAAI/bge-reranker-base. Модель подготовлена для работы с библиотекой Transformers.js и предназначена для запуска в JavaScript-средах, включая сценарии, где требуется совместимость с WebML. Основное назначение модели — оценивать и ранжировать текстовые варианты, например результаты поиска или документы относительно запроса. В README указана поддержка задачи text-ranking и совместимость с Transformers.js; модель можно использовать через pipeline с типом text-classification. Архитектура, количество параметров, поддерживаемые языки, модальности и размер контекстного окна не указаны. К сильным сторонам относятся формат ONNX, интеграция с Transformers.js и возможность применения в веб-ориентированных сценариях. Ограничения и точные характеристики качества в предоставленных данных не описаны. Лицензия модели в README не указана.

luluw/bge-reranker-v2-m3-eng-nep-16k-trimmed — версия переранжировщика BAAI/bge-reranker-v2-m3 с сокращённым словарём, созданная luluw. Модель использует архитектуру XLM-RoBERTa и принимает пару «запрос — фрагмент текста», совместно оценивая их и выдавая один логит релевантности. Её применяют после первичного поиска, например BM25 или векторного поиска, чтобы переупорядочить найденные результаты; эмбеддинги для векторного индекса она не создаёт. Словарь сокращён с 250 002 до 16 384 токенов с упором на английский и непальский языки. Строки эмбеддингов сохранённых токенов скопированы из исходной модели, классификационная голова не изменялась, дополнительного дообучения не проводилось. Для подготовки входа требуется предоставленное соответствие старых и новых ID токенов; редкие специализированные токены могут теряться или отображаться в пустой токен. Лицензия — MIT.

BAAI/bge-reranker-v2-minicpm-layerwise — многоязычная модель ранжирования релевантности от BAAI на базе MiniCPM. Она принимает запрос и текстовый фрагмент и оценивает их соответствие; оценку можно преобразовать функцией sigmoid в значение от 0 до 1. Модель имеет 2,7 млрд параметров, архитектуру LayerWiseMiniCPMForCausalLM и контекст длиной 2048 токенов. Модель предназначена для повторного ранжирования результатов поиска, например кандидатов, полученных из векторного поиска или первичного поискового ранжировщика. Послойный вариант позволяет выбирать более ранние слои для повышения эффективности; в README он также рекомендован для высокой точности. Указаны китайский и английский языки, а метаданные характеризуют модель как многоязычную. Модель обучена на базе openbmb/MiniCPM-2B-dpo-bf16 на смеси наборов данных, включающей bge-m3-data, Quora и FEVER. Распространяется по лицензии Apache-2.0. Карточка описывает применение для ранжирования запросов и документов, но не приводит количественных результатов качества; контекст ограничен 2048 токенами.

Carnice-9b — текстовая генеративная модель от kai-os, созданная на базе Qwen/Qwen3.5-9B и настроенная для работы с Hermes Agent. Это самостоятельный объединённый чекпойнт, который загружается без отдельного PEFT-адаптера; модель имеет плотную архитектуру Qwen3_5ForCausalLM и содержит 7,2 млрд параметров. Заявленная длина контекста — 262 144 токена. Модель предназначена для агентных сценариев в среде Hermes: вызова инструментов, выполнения команд в терминале, работы с файлами, использования браузера и многошагового выполнения задач. Обучение включало этап коррекции рассуждений и этап настройки на формат действий и трассы Hermes. Основной упор сделан на качество выполнения задач в этой среде, а не на общие чат-бенчмарки. Модель принимает текст и генерирует текст, включая структурированные вызовы инструментов для совместимого рантайма. Данные карточки не подтверждают поддержку русского или других конкретных естественных языков, поэтому языковая специализация не заявляется. Распространяется по лицензии Apache-2.0. Оценивание в основном проводится внутри Hermes Agent; карточка отмечает, что оценка качества ещё продолжается.

DiTy/cross-encoder-russian-msmarco — модель ранжирования текстовых пар, разработанная на основе DeepPavlov/rubert-base-cased и дообученная на русскоязычном наборе MS-MARCO для ранжирования passages. Она принимает запрос вместе с каждым найденным фрагментом текста и оценивает их релевантность, чтобы упорядочить результаты поиска по убыванию оценки. Модель основана на BERT, содержит 205,1 млн параметров, распространяется в формате safetensors и рассчитана на контекст до 512 токенов. Использовать её можно в конвейерах информационного поиска после первичного отбора документов, например, результатов ElasticSearch. Лицензия — MIT.

DASD-30B-A3B-Thinking-Preview — предварительная языковая модель Alibaba Apsara на архитектуре Qwen3 MoE, предназначенная для рассуждений с длинной цепочкой вывода, решения математических и научных задач и генерации кода. Модель дообучена на основе Qwen3-30B-A3B-Instruct-2507 и дистиллирована из gpt-oss-120b методом распределённо-согласованной последовательной дистилляции. В README указано обозначение 30B-A3B, тогда как метаданные каталога сообщают 2,6 млрд параметров. Модель принимает текст и генерирует текст; поддерживает контекст до 262 144 токенов. Карточка описывает её как специализированную на математике, программировании и научных рассуждениях, но не приводит список поддерживаемых естественных языков. Для работы авторы рекомендуют включать системный промпт, использованный при обучении, и задавать Temperature=1.0 и TopP=1.0. Это предварительный исследовательский артефакт, обученный только на первой стадии рецепта с примерно 105 тысячами примеров и без дополнительного RL. README указывает, что модель не интегрирована с инструментами и не может взаимодействовать с исполнителями кода или API; при этом метаданные каталога отмечают интерфейс вызова инструментов. Использовать следует с учётом этого расхождения. Лицензия — Apache-2.0.

Data2Vec-Text base — англоязычная предварительно обученная трансформерная модель от команды Facebook, обученная по self-supervised objective семейства data2vec. Она преобразует текст в контекстные векторные представления и предназначена прежде всего для дообучения под задачи, использующие целое предложение или его фрагменты, например классификацию последовательностей и токенов, а также ответы на вопросы. Для генерации текста карточка рекомендует использовать авторегрессионные модели. Модель содержит 151,8 млн параметров, принимает текст с учетом регистра и рассчитана на контекст до 514 токенов. В метаданных указаны английский язык и PyTorch; среди обучающих данных названы BookCorpus и Wikipedia. Лицензия — MIT. Data2Vec использует Transformer и предсказывает контекстные латентные представления замаскированного входа. Карточка указывает, что модель рассчитана на дообучение для конкретных задач, поэтому качество непосредственно в прикладных сценариях зависит от выбранного дообучения.

microsoft/deberta-large-mnli — модель Microsoft на базе DeBERTa Large, дообученная на задаче Multi-Genre Natural Language Inference (MNLI). Архитектура DeBERTa использует раздельное представление содержимого и относительных позиций токенов в механизме внимания и улучшенный декодер маскирования. Модель содержит около 454,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель предназначена для классификации текстовых пар по отношению между посылкой и гипотезой, например для определения логического следования, противоречия или нейтральной связи. Её также можно применять как основу для классификатора с нулевым обучением на новых наборах меток, формулируя метки как гипотезы. Карточка приводит результаты семейства DeBERTa на задачах NLU и бенчмарках GLUE, но конкретные метрики этого чекпойнта в предоставленном фрагменте не приведены. Модель рассчитана на английский язык. Лицензия MIT разрешает использование, изменение и распространение при соблюдении её условий. Ограничения включают контекст до 512 токенов и зависимость качества от соответствия новых задач обучению на английском MNLI; выводы модели не следует считать надёжной проверкой истинности или фактов.