II.6Документация и сопровождение разработки

Карточка модели MyRayy/Huihui-gemma-4-12B-coder-fable5-composer2.5-v1-abliterated на Hugging Face совпадает с карточкой huihui-ai/Huihui-gemma-4-12B-coder-fable5-composer2.5-v1-abliterated, поэтому описание составлено по ней. Huihui-gemma-4-12B-coder-fable5-composer2.5-v1-abliterated — версия Gemma 4 12B coder-fable5-composer2.5-v1 от huihui-ai, у которой методом abliteration снижено число отказов на запросы. Это экспериментальная, грубая реализация с открытым описанием метода; модель предназначена для генерации кода и диалоговых ответов на основе текста. Модель использует плотную архитектуру Gemma4Unified и распространяется в формате safetensors для Transformers. Базовая модель дообучена для алгоритмических задач и генерации кода на Python, проверенного тестами. Карточка не описывает отдельное обучение этой версии для новых задач и не сообщает длину контекста или список естественных языков. Уменьшение защитных отказов может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Модель доступна по лицензии Apache 2.0.

hotchpotch/japanese-reranker-base-v2は、hotchpotchが開発した日本語テキスト向けのリランカーモデルです。ModernBERT系の系列分類アーキテクチャを使い、約132.1Mパラメータを持つsentence-transformersモデルとして提供されています。最大コンテキスト長は8192 токеновです。 モデルは запрос и документы или другие текстовые пары оценивает по релевантности, чтобы переупорядочить результаты поиска. Предназначен для повышения качества поиска и RAG, включая сценарии с ограниченными вычислительными ресурсами и низкой задержкой. В основе лежит cl-nagoya/ruri-v3-pt-130m; для обучения использовались японские наборы данных, включая hard negatives и MS MARCO. README сообщает о применимости на CPU и Apple Silicon, а также об ускорении на совместимых GPU с Flash Attention 2. Модель рассчитана на японский язык. Доступна по лицензии MIT; для работы README требует transformers версии 4.48 или новее. Приведённые в карточке таблицы содержат результаты серии моделей, однако часть строк скрыта, поэтому численные показатели именно base-v2 здесь не приводятся.

masahiroid/japanese-reranker-small-v2-mlx — это неофициальная общественная конверсия модели hotchpotch/japanese-reranker-small-v2 в формат MLX. Модель представляет собой компактный кросс-энкодер на базе ModernBERT с 70 млн параметров и контекстом до 8192 токенов. Она оценивает релевантность пары «запрос — документ» и помогает переупорядочивать результаты поиска. Модель предназначена для японского и английского текста, в том числе для повышения качества поиска и выдачи в RAG-системах. Для использования README указывает библиотеку mlx-embeddings. Формат репозитория — safetensors; конверсия предназначена для MLX. Лицензия — MIT. Это не официальный выпуск автора исходной модели.

hotchpotch разработала японскую модель поиска japanese-splade-v2 на архитектуре BERT. Это SPLADE v2 — модель, которая преобразует текст в разреженные лексические векторы, расширяя исходные слова терминами, полезными для поиска. Размер модели — 138,4 млн параметров, максимальная длина входа — 512 токенов; доступны веса в формате Safetensors. Модель предназначена для поиска и извлечения релевантных документов по японским запросам, в том числе в системах семантического поиска и retrieval-augmented generation. В README приведены результаты оценки на японских наборах JMTEB; авторы сообщают об улучшении среднего результата относительно базовой версии japanese-splade-base-v1. Обучение использовало японские наборы данных для поиска и вопросов-ответов, включая MSMARCO-ja. Модель дообучена на hotchpotch/japanese-splade-base-v1_5 и распространяется по лицензии MIT. В карточке Hugging Face указан pipeline-тег fill-mask, однако заявленное назначение модели — разреженное представление текста для поиска; тег не описывает этот сценарий напрямую. README ограничивает контекст тестирования длиной до 512 токенов.

Kimi-K2.7-Code-MLX-4bit-hiprec — конверсия модели moonshotai/Kimi-K2.7-Code для MLX на Apple Silicon, опубликованная pipenetwork. Это текстовая модель генерации кода без визуального модуля, основанная на архитектуре DeepSeek-V3-style MoE. Исходная модель содержит около 1 трлн параметров, из которых примерно 32 млрд активируются при обработке запроса. Модель предназначена для генерации и обработки программного кода, например написания Python-кода. Эксперты MoE сохранены в исходном формате int4 с размером группы 32, а attention, shared/dense MLP и lm_head квантизированы до 6 бит с размером группы 64. Средний размер составляет около 5 бит на вес, объём файлов — примерно 600 ГБ. Для запуска требуется около 768 ГБ или более unified memory; на компьютерах с 512 ГБ памяти модель не помещается. Используется через mlx-lm с поддержкой remote code. Преимущество сборки — более высокая точность attention, router, dense-слоёв и lm_head по сравнению с равномерной 4-битной квантизацией при умеренной прибавке к размеру. Ограничения включают отсутствие vision-возможностей, чрезвычайно высокие требования к памяти и отсутствие полноценного тестового запуска издателем: выполнена только проверка целостности файлов, индекса весов, шардов, конфигурации и tokenizer. Модель распространяется по лицензии Kimi K2; подробные условия приведены в файле LICENSE.

Kimi-K3-W4A8-K512-GPTQ-Mixed-Cal72-Seq1024 — производная версия мультимодальной модели Kimi K3 от Moonshot AI, подготовленная проектом open-inference. В ней квантованы только маршрутизируемые экспертные блоки: используются знаковые INT4-значения с группировкой K512 и масштабами FP32; остальные исходные тензоры сохранены без изменений. Файлы представлены в формате safetensors и compressed-tensors. Артефакт рассчитан на извлечение признаков и, согласно каталожным метаданным, может использоваться для генерации текста. README указывает, что сборка предназначена для специального runtime W4A8 и не гарантирует совместимость с произвольными загрузчиками. Базовая модель — moonshotai/Kimi-K3; лицензия указана как other.

KURE-Reranker-nano — компактная двуязычная модель-переранжировщик корейских и английских текстов, разработанная nlpai-lab на базе SKT A.X-Encoder-base. Это cross-encoder на архитектуре ModernBERT примерно со 148,7 млн параметров: модель совместно обрабатывает запрос и кандидатный документ и выдаёт оценку их релевантности. Контекст составляет до 16 384 токенов. Модель предназначена для повторного ранжирования результатов поиска, в том числе длинных документов. В README приведены результаты на девяти корейских поисковых бенчмарках: средний nDCG@10 — 87,57, а на MultiLongDocRetrieval — 79,66; также сообщается о высокой пропускной способности в условиях описанного теста на NVIDIA RTX A6000. Эти показатели относятся к указанным бенчмаркам и условиям измерения и не гарантируют аналогичных результатов на других данных или оборудовании. Модель выпущена под лицензией Apache-2.0.

LayerSkip Code Llama 7B — модель Meta, представленная Facebook Research, полученная дальнейшим предобучением Code Llama 7B с применением LayerSkip. Она предназначена для генерации и автодополнения программного кода, а также для ускоренного вывода с помощью self-speculative decoding: ранние слои предлагают токены, а оставшиеся слои проверяют их. Модель работает с текстовым вводом и выдаёт текст, в том числе код; карточка указывает английский язык. В README приведён пример измерения на одной GPU NVIDIA A100: self-speculative decoding показал 50,38 токена в секунду против 38,67 при авторегрессионной генерации в указанной конфигурации. Эти результаты зависят от реализации и оборудования. Оптимизированные реализации повторно используют веса и KV-кэш ранних слоёв; вариант через стандартный Transformers описан как менее оптимальный по памяти. Обучающая реализация помечена как находящаяся в разработке. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

LettuceDetect — модель KRLabsOrg для поиска галлюцинаций в ответах, сопоставляя их с предоставленным контекстом в RAG-сценариях. Она возвращает токенные метки для неподтверждённых фрагментов, которые можно объединить в более крупные spans и показать пользователю, какие части ответа не подкреплены источником. Модель построена на mmBERT-base с архитектурой ModernBERT и дообучена для token classification на датасете RagTruth-HU, переведённом на венгерский язык. Контекстное окно составляет до 8192 токенов, размер — около 306,9 млн параметров. Лицензия — MIT.

Multilingual Anonymiser OpenPII — модель Ai4Privacy для обнаружения, классификации и редактирования персональных данных в тексте. Это дообученная на наборе open-pii-masking-500k-ai4privacy модель ModernBERT-base с архитектурой ModernBertForTokenClassification и 149 млн параметров. Репозиторий содержит веса Safetensors и формат ONNX; максимальная длина контекста — 8192 токена. Модель размечает фрагменты текста категориями PII, например именами и фамилиями, адресами электронной почты, датами и временем, чтобы их можно было скрыть или заменить. Она предназначена для анонимизации и категоризации PII в многоязычных документах. Карточка приводит результаты оценки на тестовой части обучающего набора: F1 составляет 91,50% в целом и 84,91% при макроусреднении; качество в реальных текстах может отличаться. Заявлена поддержка французского, английского, немецкого, телугу, хинди, итальянского, испанского и нидерландского языков. В карточке отмечены более низкая точность для некоторых категорий, включая номера паспортов и водительских удостоверений, и необходимость проверять качество на собственных данных. Модель распространяется по лицензии MIT.

Карточка модели Ank0X0/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели Bigg-Iron/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели txchmechanicus/LocateAnything-3B на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

Карточка модели ashpika13/LocateAnything-3B-cascade на Hugging Face совпадает с карточкой nvidia/LocateAnything-3B, поэтому описание составлено по ней. LocateAnything-3B — разработанная NVIDIA в рамках семейства Eagle vision-language модель для визуальной локализации по изображениям и текстовым запросам. Она предназначена для разработчиков и исследователей, которым нужны обнаружение объектов, поиск областей по описанию и другие задачи пространственного понимания в приложениях Enterprise Intelligence и Physical AI. Модель основана на трансформерной VLM с визуальным энкодером MoonViT, языковой частью Qwen2.5-3B-Instruct и MLP-проектором; содержит около 3 млрд параметров. Принимает RGB-изображения исходного разрешения до 2,5K и текстовые запросы; заявлена поддержка промптов до 24K токенов. Модель выполняет поиск одного или нескольких объектов, плотное обнаружение в сложных сценах, привязку выражений к областям, локализацию элементов GUI и текста, а также выдаёт рамки и точки. Механизм Parallel Box Decoding предсказывает координаты блоками параллельно, что, по данным карточки, обеспечивает до 2,5 раза более высокую пропускную способность по сравнению с предшествующими подходами. Обучение охватывает природные сцены, робототехнику, вождение, GUI и документы; заявленный масштаб обучающих данных — 12 млн изображений и более 138 млн запросов. Карточка позиционирует релиз для исследований и разработки. Лицензия указана как other, поэтому конкретные права использования следует сверять с условиями репозитория.

LUKE — предварительно обученная контекстная модель понимания языка, разработанная для представления слов и сущностей. Она основана на трансформере и использует механизм entity-aware self-attention, учитывающий, является ли токен словом или сущностью. Версия luke-base содержит 12 слоёв со скрытым размером 768; в метаданных указано 151,9 млн параметров, контекст — до 514 токенов. README приводит другое число параметров — 253 млн. Модель обучена на версии Википедии за декабрь 2018 года. Её представления применимы в задачах заполнения масок, распознавания именованных сущностей, типизации сущностей, классификации отношений и извлечения ответов на вопросы. В README приведены результаты LUKE на нескольких языковых бенчмарках, но не все результаты относятся именно к luke-base. Модель рассчитана на английский язык и распространяется по лицензии Apache 2.0.

omai-research/milco-300m — плотная модель семейства MILCO для извлечения разреженных представлений текста и многоязычного поиска. Она разработана исследовательской группой OMAI и описана в работе для ICLR 2026. Модель переводит запросы и документы на разных языках в общее лексическое пространство английского языка, сохраняя возможность одноязычного и межъязыкового поиска. Архитектура сочетает многоязычный трансформерный энкодер, линейный multilingual connector и LexEcho head. Голова формирует разреженное представление по английскому словарю и дополнительный исходно-языковой вид, который помогает сохранить имена, редкие термины и элементы смешанной речи. В README для конфигурации указаны naver/splade-v3 и Alibaba-NLP/gte-multilingual-base. Репозиторий содержит веса PyTorch и использует библиотеку Transformers; загрузка описана через AutoModel с trust_remote_code=True. Модель предназначена для построения поисковых представлений запросов и документов и заявлена как эффективная для многоязычного и межъязыкового поиска. В README приведены результаты оценки на более чем 39 языках и сравнительные результаты для варианта MILCO 560M, но они не являются отдельной оценкой именно версии 300M. Доступна по лицензии Apache-2.0.

MoritzLaurer/MiniLM-L6-mnli — англоязычная модель классификации последовательностей на базе MiniLM-L6 от Microsoft, дообученная на датасете MultiNLI для распознавания отношений между посылкой и гипотезой. Она подходит для классификации текста по заданным категориям методом zero-shot: категории можно задавать естественно-языковыми описаниями без отдельного обучения на этих метках. Модель построена на архитектуре BERT, содержит 25,9 млн параметров и обрабатывает входы длиной до 512 токенов. В README указана точность 0,814 на тестовой выборке MultiNLI matched. Компактность обеспечивает высокую скорость, но точность несколько ниже, чем у более крупных моделей. Для развёртывания доступна версия в формате PyTorch; лицензия в предоставленных данных не указана.

Xenova/ms-marco-MiniLM-L-6-v2 — это версия модели cross-encoder/ms-marco-MiniLM-L-6-v2 с весами в формате ONNX, подготовленная для работы с библиотекой Transformers.js. В карточке не указано, кто разработал исходную модель; Xenova предоставляет совместимую с веб-средой упаковку весов. Модель предназначена для задач информационного поиска и оценки релевантности пар текстов. Она принимает запрос и кандидатный текст, после чего вычисляет оценку их соответствия, поэтому подходит для ранжирования результатов поиска и переранжирования документов. В качестве архитектуры указана MiniLM-L-6-v2, используемая в режиме cross-encoder с задачей sequence classification. В README не приведены точные размеры модели, поддерживаемые языки и максимальная длина контекста. Для модели доступны квантованные и неквантованные ONNX-веса; пример показывает различающиеся числовые оценки для одной и той же пары текстов. Основное преимущество — возможность запуска через Transformers.js, включая веб-сценарии. Ограничения и условия лицензирования в README не указаны; также отсутствуют сведения о гарантиях качества, доменной специализации и производительности.

mxbai-rerank-large-v1 — крупная модель-реранкер семейства mxbai-rerank от Mixedbread AI. Она оценивает релевантность пары «запрос — документ» и помогает переставить результаты поиска так, чтобы наиболее подходящие оказались выше. Модель рассчитана на улучшение информационного поиска, в том числе в сочетании с поиском по ключевым словам. Модель построена на архитектуре DeBERTa-v2 и содержит 533,8 млн параметров. Она принимает текст и выдаёт оценку релевантности; максимальная длина контекста — 512 токенов. В карточке заявлена поддержка английского языка. README рекомендует использовать актуальную версию sentence-transformers. Лицензия — Apache-2.0.

MyAwesomeModel — модель на базе Transformers, предназначенная для извлечения признаков из текста. В метаданных она отнесена к архитектуре BERT и задаче feature extraction; библиотека реализации — Transformers, фреймворк — PyTorch. В README заявлены улучшения рассуждений, логического вывода, понимания языка, генерации кода, суммаризации, классификации и ответов на вопросы, однако эти заявления не согласуются с указанным pipeline-тегом и не подтверждают полноценную генерацию текста.

Карточка модели jeiku/noushermesvisionalphaconfigedit на Hugging Face совпадает с карточкой NousResearch/Nous-Hermes-2-Vision-Alpha, поэтому описание составлено по ней. Nous-Hermes-2-Vision-Alpha — мультимодальная модель для диалога и следования инструкциям, разработанная qnguyen3 и teknium. Она построена на архитектуре LLaVA-Mistral и дообучена на базе Mistral-7B-v0.1; в README также указано использование OpenHermes-2.5-Mistral-7B и визуального энкодера SigLIP-400M. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы, включая структурированные результаты для сценариев вызова функций. Модель предназначена для вопросов по изображениям, визуального описания и автоматизаций, связывающих визуальный ввод с вызовом функций. В обучающие данные вошли наборы LVIS-INSTRUCT4V, ShareGPT4V, частный набор данных для вызова функций и диалоги OpenHermes-2.5. Контекст составляет 32 768 токенов, размер — 7,1 млрд параметров; в метаданных указан английский язык. Модель выпущена под лицензией Apache-2.0.

NuNerZero ONNX — конвертированная в ONNX версия модели NuNER_Zero, размещённая пользователем deepanwa. Это модель распознавания именованных сущностей с нулевым обучением на архитектуре GLiNER: она находит в тексте сущности заданных пользователем типов. Репозиторий предоставляет веса ONNX и файлы токенизатора; запуск предусмотрен через GLiNER и ONNX Runtime. Модель подходит для извлечения заданных типов сущностей и обезличивания текста, в том числе в составе проекта Zink. ONNX-формат рассчитан на эффективный инференс; исходная карточка указывает размер файла модели около 1,85 ГБ. Модель распространяется по лицензии MIT. Карточка не уточняет поддерживаемые языки и длину контекста.

OpenThinker-Agent-v1 — открытая агентная языковая модель проекта OpenThoughts-Agent, разработанная для выполнения задач с использованием терминала и решения задач программной инженерии. Модель построена на Qwen/Qwen3-8B и последовательно дообучена методом supervised fine-tuning на OpenThoughts-Agent-v1-SFT, а затем методом reinforcement learning на OpenThoughts-Agent-v1-RL. Архитектура — плотная Qwen3ForCausalLM, размер — 7,6 млрд параметров, формат весов — safetensors, контекст — до 40 960 токенов. Модель предназначена для агентных сценариев, включая формирование команд оболочки и исправление ошибок в коде; в README приведены результаты на Terminal-Bench 2.0 и SWE-Bench Verified. Метаданные также отмечают поддержку диалога, кода и интерфейса вызова инструментов. Это текстовая модель генерации, обученная на английских кодовых и инженерных данных; заявлена лицензия Apache-2.0. Показатели в README относятся к бенчмаркам и сами по себе не гарантируют успешное выполнение произвольных задач.

OpenThinker-Agent-v1-SFT — модель baerquants, созданная в рамках открытого проекта OpenThoughts-Agent для выполнения агентных задач. Это этап supervised fine-tuning модели Qwen/Qwen3-8B: обучение проводилось на трассах OpenThoughts-Agent-v1-SFT, а последующее RL-дообучение есть в отдельной версии OpenThinker-Agent-v1. Модель с плотной архитектурой Qwen3ForCausalLM содержит 7,6 млрд параметров, принимает текст и генерирует текст; максимальная длина контекста — 40 960 токенов. Модель ориентирована на агентные сценарии разработки и работы в терминале: формирование shell-команд, выполнение задач Terminal-Bench и исправление программных ошибок, включая задачи по C# и Java из набора InferredBugs. В карточке проекта сообщаются результаты бенчмарков для версии после SFT и RL, а не этой SFT-версии отдельно. Репозиторий использует формат Safetensors, библиотеку Transformers и лицензию Apache-2.0.

Ornith-1.0-35B — открытая модель семейства Ornith от Ornith AI, дообученная с применением обучения с подкреплением на базе Qwen 3.5. Это вариант на 35 млрд параметров с архитектурой Qwen3.5 MoE, предназначенный для генерации кода и работы в агентных сценариях, в том числе через инструменты и терминальные интерфейсы. Разработчики сообщают о высоких результатах на бенчмарках кодирования и позиционируют модель для эффективного развёртывания; примеры запуска рассчитаны на узел с восемью GPU по 80 ГБ. Модель принимает текстовые запросы и выдаёт текст, включая код и структурированные вызовы инструментов. В README приведены оценки с контекстом до 400 тыс. токенов в отдельных бенчмарках, а конфигурация сервера задаёт максимум 262 144 токена. Модель доступна под лицензией MIT. Указанные результаты зависят от тестового окружения и настроек, а примеры развёртывания требуют значительных GPU-ресурсов.

mlx-community/parakeet-tdt_ctc-110m — конверсия модели NVIDIA Parakeet TDT-CTC 110M в формат MLX для запуска на устройствах Apple. Она предназначена для автоматического распознавания речи и преобразования аудио в текст. Базовая модель описана как англоязычная и формирует текст с пунктуацией и заглавными буквами. В основе лежит архитектура FastConformer/Conformer; репозиторий содержит веса safetensors и рассчитан на работу с библиотекой MLX. Модель распространяется по лицензии CC BY 4.0.

t-firefly/qwen3.5-4b-rknn3-rk1828 — производная версия Qwen3.5-4B от автора репозитория t-firefly, подготовленная для запуска на ускорителе Rockchip RK1828 через LlamaPi. Это мультимодальная модель типа vision-language generation с архитектурой Qwen3.5 и плотной структурой; репозиторий содержит веса в формате GGUF. Исходную модель разработала команда Qwen. Модель предназначена для диалога и генерации ответов по тексту и изображениям, включая понимание визуального содержимого и вызов инструментов в совместимом интерфейсе. Исходная модель поддерживает 201 язык и диалект и имеет контекстное окно 262 144 токена с возможностью расширения до 1 млн токенов; эти характеристики относятся к Qwen3.5-4B и не подтверждены отдельно для сборки RKNN. Сборка ориентирована на запуск на RK1828 с помощью LlamaPi. Лицензия — Apache-2.0. Указанный размер исходной модели — 4 млрд параметров; заявленная в README гибридная архитектура с Gated Delta Networks и разреженным MoE относится к описанию исходной модели, тогда как метаданные репозитория определяют архитектуру этой сборки как плотную. Практическая совместимость и производительность зависят от устройства и программного окружения.

Это пакет Mesh LLM с разделёнными по слоям GGUF-артефактами модели Qwen3-VL-32B-Instruct в варианте UD-Q4_K_XL. Он подготовлен для распределённого инференса на локальном кластере из нескольких машин и основан на unsloth/Qwen3-VL-32B-Instruct-GGUF. Пакет предназначен для локального приватного запуска чата и API-совместимых сценариев с endpoint `/v1/chat/completions`, в том числе когда полная модель слишком велика для одного узла. Метаданные указывают задачу text-generation и возможность чата; семейство Qwen3-VL предполагает мультимодальную основу, однако этот README описывает именно способ упаковки и запуска, а не входы изображений или характеристики исходной модели. Модель распространяется в формате GGUF с квантованием Q4_K_XL, упакованном по слоям. Лицензионные условия, размер модели и длина контекста в предоставленных материалах не приведены; README отсылает за ними к карточке исходной модели.

Карточка модели Gen-Verse/ReasonFlux-Coder-4B на Hugging Face совпадает с карточкой Gen-Verse/ReasonFlux-Coder-7B, поэтому описание составлено по ней. ReasonFlux-Coder-7B — языковая модель для генерации кода, представленная разработчиками семейства ReasonFlux-Coders. В README указано, что модели семейства обучены с помощью алгоритма CURE, который совместно развивает способности к написанию кода и генерации модульных тестов; отдельные численные результаты для версии 7B не приведены. Модель предназначена для генерации кода и тестов, а также для использования в агентных сценариях программирования и подходах с масштабированием вычислений на этапе вывода. Это плотная причинная модель архитектуры Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Метаданные указывают на поддержку чата и интерфейса вызова инструментов. Репозиторий содержит веса Safetensors. Лицензия MIT. README не сообщает об ограничениях качества или поддерживаемых естественных языках; заявленное сравнение с другими моделями относится к семейству в целом и не позволяет установить результаты именно версии 7B.

kwondw/reranker-ModernBERT-base-gooaq-bce — англоязычный кросс-энкодер, дообученный автором на основе answerdotai/ModernBERT-base с помощью Sentence Transformers. Модель оценивает пары текстов одним числовым баллом релевантности и предназначена для переранжирования результатов поиска и семантического поиска, например ответов на вопросы. Модель использует архитектуру ModernBertForSequenceClassification и содержит около 149 млн параметров. Она принимает только текст, поддерживает последовательности длиной до 8192 токенов и обучена на 292 161 примере GooAQ с вопросами, ответами и метками. В README приведены результаты оценки на GooAQ и нескольких наборах для поиска; метрики различаются между наборами. Лицензия — Apache-2.0. Модель рассчитана на английский язык; качество на других языках не подтверждено. Как кросс-энкодер, она оценивает пары текстов и подходит для повторной сортировки кандидатов, а не для самостоятельного поиска по большой коллекции без предварительного этапа извлечения.