II.6Документация и сопровождение разработки

Omerhan выпустил Sentence Transformers-модель для получения плотных текстовых эмбеддингов; она дообучена на базе intfloat/multilingual-e5-large-instruct. Модель использует XLM-RoBERTa с усреднением токенных представлений и нормализацией векторов, выдаёт эмбеддинги размерности 1024 и сравнивает их по косинусному сходству. Максимальная длина входа — 512 токенов; обучение проводилось на наборе json с парами и тройками текстов. Модель предназначена для семантического поиска, сравнения сходства предложений и абзацев, поиска перефразировок, кластеризации и подготовки признаков для классификации текста. В карточке указан турецкий язык. Лицензия — Apache-2.0.

Docling Layout Heron GGUF — конверсия модели docling-project/docling-layout-heron, созданной проектом Docling, в формат GGUF для graph runner LM-Kit.NET. Это детектор структуры документов на архитектуре RT-DETRv2, а не языковая модель. Он принимает RGB-изображение страницы размером 640 × 640 и находит области документа, возвращая их границы, классы и оценки уверенности. Модель распознаёт 17 классов, включая текст, заголовки, таблицы, изображения, формулы, подписи, списки, колонтитулы, код, флажки, формы и области «ключ–значение»; число параметров — 42,1 млн. Модель подходит для выделения структуры страниц перед извлечением текста, разбором таблиц и обработкой форм. GGUF-файл хранит веса в полной точности F32, имеет размер около 168,5 МБ и запускается через LM-Kit.NET на CPU или GPU. Карточка не сообщает языковые ограничения; детекция макета основана на изображении и не предполагает генерацию текста. Лицензия — Apache-2.0.

sultanbi/e5-base-kazakh — модель Sentence Transformer автора sultanbi, дообученная на переведённой на казахский язык версии набора SNLI. Она основана на intfloat/multilingual-e5-base и использует архитектуру XLM-RoBERTa с усреднением токенных представлений и нормализацией. Модель преобразует предложения и абзацы в плотные векторы размерности 768; близость текстов можно оценивать косинусным сходством. В README указана максимальная длина последовательности 128 токенов, а метаданные Hugging Face сообщают нативный контекст в 514 токенов. Модель предназначена прежде всего для сравнения смысловой близости казахских текстов и семантического поиска; также подходит для поиска перефразировок, кластеризации и классификации текста. В README приведены результаты retrieval на валидационной части казахского SNLI, превосходящие показатели базовой multilingual-e5-base на этом тесте. Метаданные указывают поддержку множества языков, хотя специальное дообучение выполнено для казахского. Лицензия — MIT.

Gemma-4 12B Coder — SFT v5 + abliterated (GGUF) — это локальная квантизированная версия кодовой модели семейства Gemma-4, разработанная на базе модели tpls/gemma-4-12B-coder-fable5-composer2.5-v1-sft-v5-abliterated и подготовленная triplezrobotics. Модель распространяется в формате GGUF для запуска через llama.cpp и Ollama; заявленный основной язык — английский. Модель предназначена для генерации кода, текстовых задач и агентских сценариев с использованием инструментов и function calling. Она сочетает дообучение SFT v5, abliteration и imatrix-квантизацию. Доступны варианты от IQ4_XS и Q3_K_M до Q8_0; Q4_K_M обозначен как сбалансированный вариант для примерно 12 ГБ видеопамяти. В README приведён пример запуска с контекстом 16 384 токена. Ключевое преимущество модели — поддержка вызова инструментов и локального развёртывания. В тесте на наборе из восьми случаев заявлен результат 8/8 при использовании recovery shim, преобразующего нативную разметку Gemma-4 в стандартные tool_calls; без shim-парсера llama.cpp показатель составил 0,125 из-за неполной обработки формата. Ответы могут содержать ошибки или вымышленные данные, поэтому аргументы инструментов необходимо проверять до выполнения. Вариант является uncensored: из весов удалено направление отказа, поэтому защитные ограничения существенно ослаблены. Это делает модель непригодной для сценариев, где обязательна встроенная политика отказа, и требует контроля со стороны пользователя. В README указана лицензия Gemma.

gte-multilingual-reranker-base — мультиязычная модель переранжирования из семейства GTE, разработанная Alibaba. Это версия для Transformers с неизменёнными весами исходной Alibaba-NLP/gte-multilingual-reranker-base и преобразованным config.json, благодаря чему модель загружается без trust_remote_code. Архитектура — encoder-only Transformer для классификации последовательностей, размер — около 305 млн параметров; модель принимает текстовые запросы и документы и оценивает их релевантность, поддерживая входную длину до 8192 токенов. Модель предназначена для повторной сортировки результатов поиска и улучшения мультиязычного извлечения информации. По данным карточки, она поддерживает более 70 языков и показывает высокие результаты в мультиязычных задачах retrieval; encoder-only архитектура снижает требования к оборудованию и, по README, обеспечивает до десятикратного увеличения скорости вывода по сравнению с некоторыми reranker-моделями на decode-only LLM. Веса доступны в формате safetensors, лицензия — Apache-2.0.

Aashraf995/KaLM-embedding-multilingual-mini-instruct-v2.5-Q8_0-GGUF — это версия мультиязычной instruct-модели для создания эмбеддингов, преобразованная из KaLM-Embedding/KaLM-embedding-multilingual-mini-instruct-v2.5 в формат GGUF. Конвертацию выполнил автор репозитория с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для задач извлечения признаков, семантического поиска и retrieval, оценки семантического сходства текстов (STS), классификации, кластеризации и reranking. В README указана поддержка английского и китайского языков, а также интеграция с библиотекой Sentence Transformers, llama.cpp и vLLM. Точный размер модели, архитектура исходной модели, размерность эмбеддингов и максимальная длина контекста в карточке не приведены; параметр контекста 2048 указан только в примере запуска llama.cpp. Квантование Q8_0 в формате GGUF ориентировано на локальный запуск и совместимость с экосистемой llama.cpp, однако README не содержит результатов бенчмарков или подробных сведений о преимуществах и ограничениях качества. Модель распространяется по лицензии Apache-2.0. Для использования доступны llama.cpp CLI и серверный режим; также приведены ссылки на инструкции исходной модели и llama.cpp.

shangrilar/klue-roberta-base-klue-sts-mrc — модель Sentence-Transformers на базе RoBERTa, разработанная автором репозитория для получения векторных представлений предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 137,8 млн параметров и принимает последовательности длиной до 514 токенов. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Веса доступны в формате safetensors; для применения подходят Sentence-Transformers или Transformers с соответствующей операцией pooling. Карточка не сообщает лицензию и не приводит результатов оценки качества. Название базовой модели указывает на ориентацию на корейский язык, однако README и метаданные не перечисляют поддерживаемые языки.

Laguna-S-2.1-Uncensored-APEX-GGUF — квантизированная GGUF-версия модели Laguna S 2.1, опубликованная SC117 на основе официальной модели poolside. Это модель Mixture-of-Experts для агентного программирования, долгосрочных задач и сценариев с использованием инструментов. Версия дополнительно обработана с помощью abliterix Trial 16 для существенного снижения частоты отказов и затем квантизирована в смешанной точности APEX с использованием imatrix. Модель имеет около 118 млрд параметров в общей сложности и около 8 млрд активных параметров на токен. Архитектура включает 256 маршрутизируемых экспертов и одного общего эксперта с выбором top-10, GQA, а также чередование глобального и скользящего оконного внимания: 48 слоёв, из которых 12 используют глобальное внимание, а 36 — локальное с окном 512 токенов. Заявлена поддержка контекста примерно до 1 млн токенов и опционального встроенного рассуждения с использованием инструментов. В README явно указан английский язык; сведения о других языках и мультимодальности не приведены. К сильным сторонам относятся высокая ёмкость MoE при сравнительно небольшом числе активных параметров, ориентация на программирование и длинные рабочие процессы, а также уменьшенная склонность к отказам. Ограничения связаны с тем, что это uncensored-редакция: её поведение может существенно отличаться от официальной Laguna-S-2.1, поэтому необходимы оценка безопасности, контроль доступа и аудит. Модель распространяется по лицензии OpenMDW-1.1; также следует учитывать условия poolside.

ZuzeTt/LFM2.5-1.2B-Instruct-imatrix-GGUF — квантованный вариант текстовой instruct-модели LFM2.5-1.2B-Instruct, разработанной Liquid AI; репозиторий ZuzeTt основан на базовой модели LiquidAI/LFM2.5-1.2B-Base. Модель предназначена для локального и периферийного развертывания, включая agentic-задачи, извлечение данных, RAG и общее следование инструкциям. Формат GGUF ориентирован на llama.cpp и совместимые инструменты, CPU-инференс и снижение потребления памяти. Модель содержит 1,17 млрд параметров, 16 слоёв: 10 double-gated LIV convolution blocks и 6 GQA blocks. Она поддерживает только текстовые данные, контекст до 32 768 токенов и языки: английский, арабский, китайский, французский, немецкий, японский, корейский и испанский. Заявлены скорость декодирования до 239 токенов в секунду на AMD CPU и 82 токенов в секунду на мобильном NPU, а также работа менее чем с 1 ГБ памяти; эти показатели зависят от оборудования и конфигурации. Сильные стороны модели — малый размер, высокая скорость локального инференса, многоязычность, поддержка ChatML-подобного шаблона и function calling. Модель не рекомендуется для задач, требующих обширных фоновых знаний, и программирования; дата отсечения знаний — середина 2024 года. Указана лицензия lfm1.0; дополнительные условия следует уточнять в файле LICENSE.

LLäMmlein2Vec 120M — немецкоязычная модель-энкодер, созданная командой LSX-UniWue на основе собственной авторегрессионной модели LLäMmlein 120M с преобразованием по методу LLM2Vec. Она предназначена для получения векторных представлений немецких текстов, например для семантического поиска, сравнения текстов и построения систем поиска по документам. Модель построена на архитектуре LLaMA с двунаправленным энкодером LlamaBiModel, содержит около 100,1 млн параметров и обрабатывает контекст до 8192 токенов. Для запуска авторы рекомендуют библиотеку llm2vec. Модель обучалась с использованием данных RedPajama-Data-V2. В метаданных указана лицензия other, поэтому условия использования следует уточнить в карточке модели и связанных материалах. Карточка ссылается на препринт, но не приводит здесь результаты оценки качества.

Карточка модели avsolatorio/MixEmbed-base-20240110225225-latest на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. 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.

Mollel/MultiLinguSwahili-mxbai-embed-large-v1-nli-matryoshka — модель Sentence Transformer, дообученная автором на базе mixedbread-ai/mxbai-embed-large-v1 на наборе Mollel/swahili-n_li-triplet-swh-eng. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического сравнения текстов, поиска, поиска перефразировок, классификации и кластеризации. Архитектура состоит из BERT-трансформера с пулингом CLS-токена; длина последовательности — до 512 токенов, сходство оценивается косинусной мерой. Обучающие данные содержат суахилийские и английские примеры, включая соответствующие по смыслу пары на обоих языках. Модель подходит для семантического поиска и сопоставления текстов на суахили и английском, в том числе в многоязычных сценариях. В README приведены результаты оценки сходства предложений на нескольких размерностях эмбеддингов, но качество на иных языках и прикладных наборах данных не описано. Доступна в формате safetensors; лицензия в предоставленных данных не указана.

multi-sentence-BERTino V5 — италоязычная модель Sentence Transformers на архитектуре DistilBERT, разработанная автором репозитория nickprock и дообученная для поиска и сравнения предложений. Она преобразует предложения и абзацы в плотные векторы размерностью до 768 и предназначена для семантического поиска, информационного поиска, подбора контекста для RAG и оценки семантического сходства. Обучение использует Matryoshka Representation Learning: векторы можно усекать до 512, 256 или 128 измерений, сохраняя полезность для поиска; README приводит результаты на итальянских наборах для retrieval и STS. Для retrieval применялись синтетические запросы к абзацам итальянской Википедии с трудными отрицательными примерами, а для сходства — итальянская часть STS-B. Максимальная длина контекста — 512 токенов. Репозиторий содержит форматы ONNX и safetensors и распространяется по лицензии Apache-2.0. Модель рассчитана на итальянский язык и возвращает эмбеддинги, а не готовые текстовые ответы. Метрики приведены для hold-out оценки автора; качество на других доменах и типах данных может отличаться.

Nemotron-3-Embed-1B-Q4_K_M-GGUF — независимо сконвертированная и квантованная версия NVIDIA Nemotron-3-Embed-1B-BF16, подготовленная zenmagnets для локального получения текстовых эмбеддингов в LM Studio и совместимых с llama.cpp средах. Репозиторий не является официальным релизом NVIDIA и не связан с её поддержкой. Модель предназначена для семантического поиска, retrieval, RAG, извлечения признаков и reranking, но не для диалогов или генерации текста. Модель распространяется в формате GGUF с квантованием Q4_K_M и занимает около 714,6 МиБ. Она формирует L2-нормализованные эмбеддинги размерностью 2048 и поддерживает заявленный максимальный контекст 262 144 токена, однако функционально проверялась только на контексте 4096 токенов; большие контексты требуют значительно больше памяти и не валидировались. Для retrieval рекомендуется использовать префиксы «query:» для запросов и «passage:» для документов. В README указана поддержка multilingual-сценариев, включая английский, русский, китайский, японский, корейский, арабский, немецкий, французский и другие языки. К преимуществам относятся компактный размер, локальный запуск, нормализованные векторы, совместимость косинусного сходства и скалярного произведения, а также проверенная работа на Apple M3 Max с производительностью до 32,82 текста в секунду для пакетной обработки. Q4_K_M является lossy-квантованием и может менять оценки и ранжирование относительно BF16-версии; для этой квантованной модели не проводилась оценка качества MTEB/MMTEB. Модель распространяется по лицензии OpenMDW License Agreement 1.1; материалы исходной модели также включают компоненты под Apache 2.0.

NuExtract-v1.5-GGUF — квантованная в формате GGUF версия модели NuExtract-v1.5, разработанной Numind. Квантование предоставлено bartowski на основе llama.cpp. Модель представляет собой дообученную версию Phi-3.5 mini, предназначенную для извлечения структурированной информации из текста на основе заданного JSON-шаблона. Модель ориентирована на задачи NLP, где требуется преобразовать неструктурированный текст в данные фиксированной структуры: например, извлекать сущности, атрибуты и другие сведения по заранее описанной схеме. Заявлена поддержка английского, французского, испанского, немецкого, португальского и итальянского языков, а также работа с длинным контекстом. Точный размер контекстного окна, параметры модели, варианты квантования и результаты бенчмарков в README не указаны. Качество и полнота извлечения зависят от корректности JSON-шаблона; количественные ограничения и известные типичные ошибки не описаны. Модель распространяется по лицензии MIT.

Ovis2-8B — мультимодальная модель семейства Ovis для диалога и анализа визуальных данных. Она сочетает визуальный энкодер ViT с языковой моделью; в карточке указаны архитектура Ovis и размер 8B. Модель разработана авторами серии Ovis, а веса опубликованы организацией ATH-MaaS. Использует библиотеку Transformers и распространяется в формате safetensors по лицензии Apache-2.0. Модель отвечает на вопросы по изображениям, обрабатывает несколько изображений и видео, выполняет OCR и извлекает структурированные данные из таблиц и графиков. Обучение также усилило рассуждения по визуальным данным. Заявлена многоязычная поддержка; метаданные карточки перечисляют английский и китайский языки. В README рекомендуется более новая версия Ovis2.5. В описании не приведены длина контекста и подробная оценка ошибок; авторы также предупреждают, что не могут гарантировать отсутствие проблемного или защищённого авторским правом контента.

unsloth/Qwen2.5-Coder-1.5B-bnb-4bit — 4-битная версия базовой языковой модели Qwen2.5-Coder, разработанной командой Qwen. Модель предназначена прежде всего для генерации, анализа и исправления исходного кода, задач code completion и fill-in-the-middle, а также для построения кодовых агентов. Это базовая модель после предварительного обучения, поэтому она не рекомендуется для непосредственного использования в диалогах без дополнительного дообучения или постобучения. Модель относится к causal language models и использует архитектуру на базе transformers с RoPE, SwiGLU, RMSNorm, смещениями в QKV-слоях внимания и связанными эмбеддингами слов. Она содержит около 1,54 млрд параметров, включая 1,31 млрд параметров без учёта эмбеддингов, 28 слоёв и групповое запросное внимание с 12 головами Q и 2 головами KV. Заявлена поддержка контекста до 131 072 токенов, однако исходная конфигурация рассчитана на 32 768 токенов; для более длинных входов требуется настройка YaRN. В README указан английский язык и библиотека Transformers. К сильным сторонам относятся компактный размер, сниженные требования к памяти благодаря 4-битному представлению и специализация на программном коде при сохранении математических и общих языковых способностей базовой серии Qwen2.5-Coder. Ограничения включают отсутствие instruction tuning, потенциально менее стабильное диалоговое поведение и возможное ухудшение производительности на коротких текстах при включении статического масштабирования YaRN. Модель распространяется по лицензии Apache-2.0.

Qwen3-Embedding-4B-i1-GGUF — квантованная версия модели Qwen3-Embedding-4B, разработанной командой Qwen и подготовленной в формате GGUF пользователем mradermacher. Это модель для создания текстовых эмбеддингов и извлечения признаков, предназначенная для семантического сравнения текстов, поиска, классификации и других задач, где требуется представление текста в виде векторов. В метаданных указана поддержка английского языка. Модель основана на архитектуре Qwen3 и имеет размер около 4 млрд параметров. Репозиторий содержит варианты квантизации i1 с разными типами и размерами файлов — примерно от 1,2 до 3,4 ГБ, а также файл imatrix для самостоятельного создания квантов. Варианты различаются компромиссом между размером, скоростью и качеством: например, Q4_K_M обозначен как быстрый и рекомендуемый, а Q5_K и Q6_K должны обеспечивать более высокое качество при большем размере. Точная длина контекста, размер выходного вектора, поддерживаемые дополнительные языки и результаты тестирования в README не указаны. Главное преимущество модели — возможность локального запуска в компактном формате GGUF и выбор подходящего уровня квантизации под доступные ресурсы. Ограничения связаны с потерями качества при низкобитной квантизации; сам README предупреждает о низком качестве некоторых вариантов. Модель распространяется по лицензии Apache-2.0.

Это кросс-энкодер treprepr, дообученный на базе BAAI/bge-reranker-v2-m3 с помощью библиотеки sentence-transformers. Модель принимает пару текстов и вычисляет оценку их релевантности, которую можно использовать для переранжирования результатов поиска и семантического поиска. В каталоге её основная задача — text-ranking; также указана поддержка text-classification. Модель основана на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и возвращает одну оценку для пары текстов. Метаданные указывают контекст до 8194 токенов, а README — максимальную длину последовательности 2048 токенов. Обучающая выборка содержит 92 768 пар с метками. Базовая модель многоязычная, однако конкретный список поддерживаемых языков для этой версии не приведён. Модель подходит для сортировки найденных документов по соответствию запросу и оценки смыслового сходства текстовых пар. Для работы с ней требуется текстовый ввод; она выдаёт оценку релевантности, а не готовый ответ или эмбеддинги. Лицензия в предоставленных данных не указана.

cointegrated/rubert-tiny2 — компактный русскоязычный BERT-энкодер, обновлённая версия ruBERT-tiny. Модель разработана для получения векторных представлений предложений; её также можно дообучать для прикладных задач. Она содержит около 29 млн параметров, использует словарь из 83 828 токенов и поддерживает последовательности длиной до 2048 токенов. Эмбеддинги предложений приближены к представлениям LaBSE; сегментные эмбеддинги настроены на задаче NLI. Векторы можно применять, например, для классификации коротких текстов методом ближайших соседей и оценки сходства предложений. Модель ориентирована на русский язык; карточка распространяет её по лицензии MIT.

Карточка модели whilework/rubert-tiny2 на Hugging Face совпадает с карточкой cointegrated/rubert-tiny2, поэтому описание составлено по ней. cointegrated/rubert-tiny2 — компактный русскоязычный BERT-энкодер, обновлённая версия ruBERT-tiny. Модель разработана для получения векторных представлений предложений; её также можно дообучать для прикладных задач. Она содержит около 29 млн параметров, использует словарь из 83 828 токенов и поддерживает последовательности длиной до 2048 токенов. Эмбеддинги предложений приближены к представлениям LaBSE; сегментные эмбеддинги настроены на задаче NLI. Векторы можно применять, например, для классификации коротких текстов методом ближайших соседей и оценки сходства предложений. Модель ориентирована на русский язык; карточка распространяет её по лицензии MIT.

inkoziev/sbert_synonymy — русскоязычная модель Sentence-Transformers от inkoziev для оценки синонимичности коротких фраз и предложений. Она основана на cointegrated/rubert-tiny2 и содержит около 29 млн параметров; модель использует архитектуру BERT и принимает текстовые фразы для получения векторов размерностью 312. Косинусное сходство между векторами служит оценкой близости по смыслу. Модель подходит для поиска перефразировок и семантически близких высказываний, например в диалоговых системах и при сопоставлении фактов. Она рассчитана преимущественно на короткие фразы длиной до 10–15 слов, быстро работает даже на CPU и поддерживает контекст до 2048 токенов. Обучающие данные частично доступны в датасете inkoziev/paraphrases. Лицензия — Unlicense.

RoyRud1902/yolo11n-text — дообученная модель детекции текстовых областей на изображениях на базе YOLO11n от Ultralytics. Компактная архитектура YOLO11n nano содержит около 2,59 млн параметров и предсказывает ограничивающие рамки одного класса — текста. Модель рассчитана на документы, снимки экрана, интерфейсы и фотографии с текстом; библиотека для работы — Ultralytics, формат весов в репозитории — PyTorch. Модель можно использовать для поиска областей текста перед OCR, анализа документов, обработки PDF и нахождения текстовых элементов в интерфейсах. В README приведены результаты обучения на наборе DonkeySmall/Yolo-Text-Detection: precision 95,7%, recall 93,6% и mAP@50 97,6%. Лицензия — Apache-2.0. Модель лучше подходит для горизонтального текста; точность на повёрнутом тексте может снижаться. Она обучалась преимущественно на документах и изображениях интерфейсов, не различает типы текста и показывает лучшие результаты при размере входа около 640 пикселей.

MLX-версия модели all-MiniLM-L6-v2-4bit, созданная сообществом mlx-community на основе sentence-transformers/all-MiniLM-L6-v2. Модель предназначена для генерации текстовых эмбеддингов и задач сравнения предложений, включая оценку семантической схожести, поиск и извлечение признаков из текста. Модель использует архитектуру MiniLM с шестью слоями и 4-битным квантованием, преобразована в формат MLX с помощью mlx-lm версии 0.0.3. Она работает с библиотекой mlx-embeddings, возвращает нормализованные эмбеддинги и поддерживает вычисление сходства между текстами через скалярное произведение. В карточке указано English как язык модели; сведения о размере эмбеддингов, максимальной длине контекста и других модальностях отсутствуют. К сильным сторонам относятся компактность, 4-битное представление и возможность эффективного использования в MLX-среде для семантического поиска и сопоставления текстов. Ограничения, результаты бенчмарков и подробные требования к ресурсам в README не указаны. Модель распространяется по лицензии Apache-2.0.

AMALIA-VL-SFT — открытая мультимодальная модель, разработанная консорциумом португальских университетов и исследовательских центров при поддержке правительства Португалии. Это дообученная версия AMALIA-9B-1225-DPO на архитектуре Llava Next: модель принимает изображения и текст, а отвечает текстом. Она предназначена прежде всего для европейского португальского языка и поддерживает также английский. Модель подходит для визуальных вопросов и инструкций, кратких ответов, пересказа и составления текста по изображениям, извлечения текста из изображений и вопросов по документам. Её также можно использовать для исследований португальского языка и как основу для дальнейшей адаптации. Лицензия — Apache-2.0. AMALIA-VL-SFT может выдавать фактически неверные или предвзятые ответы, а меры безопасности не гарантируют отсутствия вредного вывода. Для фактических задач рекомендуется использовать поиск по источникам и проверять ответы; перед применением в производственной системе модель следует оценить для конкретной задачи. Она оптимизирована для европейского португальского, поэтому качество для других языков и вариантов португальского может отличаться.

swardiantara разработал Sentence Transformer на основе google/bert_uncased_L-2_H-128_A-2, дообученный на 8 894 парах текстов с использованием OrdinalProxyContrastiveLoss. Модель кодирует предложения и абзацы в плотные векторы размерности 128; косинусное сходство между ними подходит для поиска семантически близких текстов и retrieval-сценариев. Архитектура включает BERT с усреднением токенных представлений. Модель принимает текст, поддерживает последовательности длиной до 128 токенов по README и до 512 токенов по метаданным; для практического использования ориентируйтесь на ограничение 128 токенов, указанное в карточке. Базовая модель англоязычная, а примеры обучающих данных и карточка указывают на английский язык. Вес модели — около 4,4 млн параметров. Модель предназначена для извлечения эмбеддингов и сравнения предложений, а не для генерации текста. Лицензия в предоставленных данных не указана.

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

Карточка модели deven96/clip-ViT-B-32-text на Hugging Face совпадает с карточкой Qdrant/clip-ViT-B-32-text, поэтому описание составлено по ней. Qdrant подготовила ONNX-версию текстового энкодера sentence-transformers/clip-ViT-B-32 для классификации текста и поиска сходства. Модель преобразует текст в векторные представления, которые можно использовать для сравнения запросов и текстовых описаний; в карточке приведён пример запуска через FastEmbed. Модель относится к текстовой части CLIP ViT-B/32, содержит 75,6 млн параметров и рассчитана на контекст длиной до 77 токенов. Репозиторий распространяется в формате ONNX по лицензии MIT. Карточка не описывает поддерживаемые языки или ограничения точности; короткое контекстное окно ограничивает работу с длинными текстами.

CoT-MAE base uncased — англоязычная модель предварительного обучения на основе BERT, разработанная авторами CoT-MAE для задач плотного поиска пассажей. Модель обучена без учителя на корпусе MS MARCO и предназначена для получения представлений предложений и поиска семантически близких фрагментов текста. В репозитории указана архитектура BertForMaskedLM, формат PyTorch, размер около 136,7 млн параметров и контекст до 512 токенов. Модель подходит как основа для семантического поиска и сравнения предложений, в том числе для retrieval-систем. Метаданные также указывают на поддержку заполнения пропусков в тексте. Карточка не приводит лицензию и подробные ограничения применения; модель описана как предварительно обученная, а не как готовый диалоговый ассистент.

mradermacher/e5-base-v2-i1-GGUF — набор квантизированных файлов модели intfloat/e5-base-v2, подготовленный пользователем mradermacher. Модель предназначена для получения векторных представлений предложений и оценки их семантического сходства, а также может применяться в задачах семантического поиска, кластеризации и других сценариях, где используются sentence embeddings. В README указана поддержка английского языка. Модель распространяется в формате GGUF и доступна в вариантах квантизации i1-IQ и i1-Q с размером файлов примерно от 0,1 до 0,2 ГБ. В набор входят варианты с различным компромиссом между размером, скоростью и качеством; для некоторых низкобитных вариантов прямо отмечено пониженное качество, а i1-Q4_K_S и i1-Q4_K_M обозначены как удачные варианты по соотношению характеристик. Архитектура, число параметров, модальности и размер контекста в README не указаны. Лицензия модели — MIT. Квантизация уменьшает требования к хранению и вычислительным ресурсам, но может снижать качество представлений по сравнению с исходной моделью; степень снижения зависит от выбранного варианта GGUF.