II.6Документация и сопровождение разработки

sudomoniker/all-MiniLM-L6-v2-Q8_0-GGUF — это квантованное представление в формате GGUF модели sentence-transformers/all-MiniLM-L6-v2, преобразованное с помощью llama.cpp через GGUF-my-repo. Модель разработана на базе Sentence Transformers и предназначена для задач семантического сходства и извлечения признаков из текстов. В карточке указано, что она обучалась на англоязычных данных из различных источников, включая S2ORC, Stack Exchange, MS MARCO, SNLI, MultiNLI, Natural Questions и другие наборы данных. Модель рассчитана на сравнение предложений, поиск похожих текстов, семантический поиск, кластеризацию и построение текстовых эмбеддингов. Она поддерживает работу локально через llama.cpp, включая CLI и серверный режим. Суффикс Q8_0 указывает на 8-битное квантование, которое обычно позволяет уменьшить требования к ресурсам, однако в README не приведены точные размер модели, длина контекста, архитектурные параметры и численные результаты оценки. Модель ориентирована на английский язык, поэтому её пригодность для других языков не подтверждена. Лицензия — Apache-2.0.

AREX-2 — мультимодальная модель на 27 млрд параметров, разработанная Пекинской академией искусственного интеллекта (BAAI) на основе Qwen/Qwen3.8-27B. Это плотная архитектура, совместимая с Qwen3.8; модель принимает текст и изображения и рассчитана на контекст до 262 144 токенов. Она предназначена для длительного итеративного решения задач: предлагает решение, анализирует оценки, логи, ошибки и время выполнения, а затем пересматривает результат. Обучение охватывает задачи машинного обучения и алгоритмического программирования с проверяемой обратной связью, а также данные для глубоких исследований; заявлен перенос навыка самоулучшения на сценарии deep research. Модель применима для программирования, инженерии машинного обучения, многошаговых рассуждений и агентных сценариев с инструментами. Лицензия — Apache 2.0. Карточка предназначает модель для исследований и не приводит количественных результатов оценки в доступном тексте; для работы требуется актуальная версия Transformers с поддержкой Qwen3.8.

ASTRA-14B-Thinking-v1 — дообученная командой проекта ASTRA модель на базе Qwen/Qwen3-14B, предназначенная для многошаговых задач с использованием инструментов. Это плотная авторегрессионная языковая модель семейства Qwen3 на 14 млрд параметров; она поддерживает диалог и интерфейс вызова инструментов. Для обучения применялись supervised fine-tuning на траекториях работы с инструментами и многошаговое обучение с подкреплением по проверяемым наградам. Контекстное окно составляет 133 120 токенов. Модель рассчитана на планирование действий, построение цепочек вызовов инструментов и структурированные рассуждения в агентных сценариях. В README сообщается о высоком результате на многоходовой подзадаче BFCL-V3 среди моделей сопоставимого размера. Поддерживаемые языки в карточке не перечислены; модель предназначена для работы с текстом и выдаёт текст, включая вызовы инструментов. Лицензия — Apache-2.0. README указывает исследовательское и образовательное назначение; это ограничение само по себе не определяет зрелость модели.

Модель swardiantara/bert-tiny-snli-k1-adaptive-cosine — компактный Sentence Transformer, дообученный на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерностью 128 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура состоит из BERT с усреднением токенных представлений; в метаданных указано 4,4 млн параметров и поддержка контекстного окна до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Модель принимает текст и выдаёт эмбеддинги. В README описано обучение на 549 370 примерах пар предложений с использованием OrdinalProxyContrastiveLoss; примеры данных и базовая модель указывают на английский язык. Подходит для компактных систем семантического поиска и ранжирования по сходству. Лицензия в предоставленных данных не указана.

petedavis/bmk-models — квантизированная версия KAT-Coder-V2.5-Dev, подготовленная для bare-metal движка инференса bmk. Модель основана на MoE-архитектуре Qwen3.5: около 34,7 млрд параметров всего и примерно 3 млрд активных; в ней 40 слоёв, 256 маршрутизируемых экспертов с выбором top-8 и один общий эксперт. Используется гибридное внимание GDN/SSM, заявленный контекст — 262 144 токена. Веса представлены в формате GGUF с асимметричной квантизацией: экспертные gate/up слои — IQ2_XXS, down слои — Q2_K, а внимание, общий эксперт, эмбеддинги и выходная голова — Q8_0. Квантизация откалибрована importance matrix. Модель рассчитана на генерацию кода и агентные сценарии программирования; потоковая загрузка экспертов предназначена для запуска на видеокартах с 8, 12 или 16 ГБ VRAM. Лицензия — Apache-2.0.

Byrne-Embed — компактная модель для построения эмбеддингов предложений, разработанная автором репозитория Quazim0t0. Она преобразует текст в нормированные векторы размерности 768, пригодные для сравнения косинусного сходства, поиска, кластеризации и ранжирования. Модель содержит 85 млн параметров и использует декодер SpikeWhale с усреднением последнего скрытого состояния и обучаемой проекционной головой. Модель предназначена для семантического поиска и анализа сходства английских текстов. В README приведены результаты оценки на англоязычном наборе MTEB и сравнение геометрии эмбеддингов с EmbeddingGemma-300M. Для загрузки используется Transformers с пользовательской архитектурой; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Оценка сосредоточена на английском языке, а качество для других языков не проверено. В README также отмечена слабая сторона в поиске перефразировок по финансам и экономике; для загрузки требуется код пользовательской архитектуры.

uzairnaeem/finetuned_sentence_similarity_spanish_es — модель Sentence-Transformers на базе архитектуры BERT, дообученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и предназначена для поиска семантически похожих текстов, семантического поиска и кластеризации. Модель содержит 137,1 млн параметров, принимает текст и имеет контекстное окно 512 токенов. При обучении использовалась функция потерь MultipleNegativesRankingLoss с косинусным сходством. Название модели указывает на испанский язык, но README не уточняет языковое покрытие и результаты оценки.

iMiW/Giga-Embeddings-instruct-4bit-nf4 — это 4-битная квантованная версия модели ai-sage/Giga-Embeddings-instruct. README не указывает явно разработчика исходной модели; в её основе лежит decoder-only LLM GigaChat-3b. Квантование выполнено с использованием bitsandbytes в формате NF4, с двойным квантованием и вычислениями в bfloat16. Модель не дообучалась, а была загружена в 4-битной точности. Модель предназначена для построения векторных представлений текстов и задач семантического поиска, включая retrieval по запросам и документам. Для каждого поискового запроса рекомендуется добавлять однопредложную инструкцию, описывающую задачу, тогда как для документов инструкция не требуется. Полученные эмбеддинги можно сравнивать, например, скалярным произведением. Ключевые характеристики: pooling Latent-Attention, размерность эмбеддингов 2048, поддерживаемая длина входа в примере использования — до 4096 токенов. README не содержит сведений о перечне языков и других модальностях, поэтому модель следует рассматривать как текстовую. Квантирование снижает требования к памяти, однако требует совместимых окружений с transformers, bitsandbytes и accelerate; для запуска также предполагается использование вычислений на GPU. Модель распространяется по лицензии Apache-2.0.

GLiNER2-base-v1-Redocred — модель извлечения информации на базе GLiNER2, дообученная на Re-DocRED. Она предназначена для извлечения сущностей и отношений между ними в англоязычных документах; карточка также относит к задачам модели извлечение событий и классификацию. Обучающий набор содержит 3 053 записи, а для проверки использовались отдельные валидационная и тестовая выборки по 500 записей; в Re-DocRED представлены 96 типов отношений и 6 типов сущностей. В тестировании F1 для сущностей составил 0,842 при строгом и 0,893 при более мягком сопоставлении. Для отношений показатели ниже: F1 0,263 и 0,321 соответственно, при низкой полноте. Модель распространяется в формате safetensors и использует библиотеку gliner2. Лицензия указана как other; условия следует уточнить на странице модели и датасета.

sequelbox/gpt-oss-20b-DAG-Reasoning — экспериментальная специализированная языковая модель Sequelbox, дообученная на openai/gpt-oss-20b. Она предназначена для причинно-следственного анализа: по запросу модель выделяет связи между факторами, оценивает уверенность и формирует ориентированный ациклический граф в структурированном JSON-формате. Для получения такого результата нужно явно попросить граф или анализ; в остальных случаях модель может отвечать в обычном стиле gpt-oss-20b. Архитектура — MoE для генерации текста, указанное в метаданных число параметров — 1,6 млрд, контекст — 131 072 токена; модель работает с текстом на английском языке и поддерживает чат и выполнение инструкций. Разработчик описывает применение в программировании, науке, бизнесе, экономике, финансах, праве, логистике и управлении. Релиз экспериментальный; для использования результатов рекомендуется проверять структуру JSON. Лицензия — Apache-2.0.

gte-large-zh-i1-GGUF — это GGUF-квантизации модели thenlper/gte-large-zh, подготовленные mradermacher. Модель предназначена для задач семантического сравнения предложений и создания текстовых эмбеддингов; соответствующие сценарии включают поиск по смыслу, сопоставление текстов и другие задачи, поддерживаемые библиотеками Sentence Transformers и MTEB. В репозитории представлены варианты квантизации i1-IQ и Q различных уровней, размером примерно от 0,2 до 0,4 ГБ. Квантизация позволяет уменьшить требования к хранению и потенциально упростить локальный запуск, однако чрезмерно компактные варианты могут заметно уступать по качеству. В README указано, что модель относится к Transformers и заявлена для английского языка; сведения о точной архитектуре, числе параметров, размере контекста и поддержке других модальностей отсутствуют. Модель распространяется по лицензии MIT. Репозиторий содержит именно квантизированные GGUF-файлы, поэтому для использования требуется совместимое программное обеспечение; конкретные ограничения совместимости и рекомендуемый вариант зависят от выбранного типа квантизации.

InternVL3-14B-Instruct-GGUF — мультимодальная языковая модель в формате GGUF, подготовленная Unsloth на основе OpenGVLab/InternVL3-14B-Instruct. Исходную модель разработала команда OpenGVLab; она построена по схеме ViT-MLP-LLM и сочетает визуальный модуль InternViT-300M-448px-V2_5 с языковой частью Qwen2.5-14B. Это SFT-версия, прошедшая нативное мультимодальное предварительное обучение и supervised fine-tuning, но не прошедшая MPO. Модель предназначена для задач понимания изображений и текста, мультимодального восприятия и рассуждений. Заявленные сценарии включают использование инструментов, создание GUI-агентов, промышленный анализ изображений, восприятие 3D-сцен и другие мультимодальные приложения. В метаданных указана поддержка multilingual, а тип конвейера — image-text-to-text. Конкретный размер контекста в предоставленных данных не указан. К сильным сторонам относятся расширенные возможности мультимодального анализа и рассуждений, а также GGUF-квантизация, удобная для локального запуска при подходящей инфраструктуре. Ограничение версии заключается в отсутствии этапа MPO; авторы рекомендуют при сомнениях использовать базовую версию InternVL3-14B. Модель распространяется по лицензии Apache-2.0, при этом в карточке также указана ссылка на лицензию Qwen.

KAT-Coder-V2.5-Dev-MTP-APEX-GGUF — это GGUF-квантизированная версия модели Kwaipilot/KAT-Coder-V2.5-Dev, опубликованная пользователем ursb01. Модель предназначена для генерации кода и агентских сценариев программирования. В её основе лежит MoE-модель Qwen3.6-35B-A3B с 40 слоями, 256 маршрутизируемыми и одним общим экспертом, гибридной архитектурой GatedDeltaNet с периодическими слоями полного внимания. Для исходной KAT-Coder заявлен результат 69,40 на SWE-bench Verified против 64,40 у базовой Qwen3.6-35B-A3B. Главное отличие сборки — добавленная MTP-голова для speculative decoding. Она перенесена из исходной Qwen3.6-35B-A3B без дополнительного дообучения на распределении скрытых состояний KAT-Coder. В README указано ускорение до 2,03 раза на наборе агентских задач программирования без изменения корректности; рекомендуемая глубина чернового предсказания — n-max 3. При слишком большой глубине эффективность снижается, и на n-max 8 модель может работать медленнее базового режима. Доступны варианты с разным размером и распределением точности, включая рекомендуемый MTP-APEX-i-quality-v2 размером 19,24 GiB и более компактный APEX-dynamic-v2 размером 11,91 GiB. Для запуска требуется совместимое программное обеспечение, например llama.cpp. Модель распространяется по лицензии Apache-2.0. Языки, размер контекста и точный перечень поддерживаемых модальностей в предоставленных данных не указаны; по описанию это текстовая модель генерации кода.

Kazakh-E5-RAG-Embedding — модель эмбеддингов текста для поиска и извлечения документов на казахском языке, опубликованная shyngys879. Это плотный двунаправленный кодировщик на архитектуре XLM-RoBERTa, основанный на multilingual-e5-base и KazEmbed-V5; в метаданных указано 305,2 млн параметров, а README описывает базовый размер в 278 млн. Модель преобразует текст в 768-мерные векторы и использует формат E5 с префиксами «query:» для запросов и «passage:» для документов; контекст составляет до 514 токенов. Модель предназначена для семантического поиска, поиска ответов на вопросы и документов, а также извлечения контекста для RAG. Она оптимизирована для сопоставления казахских запросов и фрагментов, включая различение похожих нерелевантных вариантов; README сообщает об оценке на трёх казахских наборах поиска. Поддерживаются казахский и также русский и английский языки по тегам карточки. Для поиска по корпусу Wikipedia в описанных тестах multilingual-e5-base и multilingual-e5-large показали лучшие результаты. Лицензия обозначена как other, поэтому перед использованием следует проверить условия в карточке модели.

MiniCPM-o 4.5 — мультимодальная модель с 7,6 млрд параметров от OpenBMB. Она объединяет языковую модель Qwen3-8B с компонентами для зрения и речи в сквозной архитектуре MiniCPMO и предназначена для диалога с изображениями, аудио и видео, включая обработку потоков в реальном времени. Модель принимает изображения высокого разрешения, аудио и видео, а также может одновременно обрабатывать непрерывные аудио- и видеопотоки и выдавать текст и речь. Поддерживает распознавание документов, двуязычный речевой диалог на английском и китайском языках, настройку голоса, клонирование голоса по образцу и проактивные комментарии к происходящему. Контекст — до 40 960 токенов; заявлена поддержка более 30 языков. В README описаны режимы instruct и thinking, обработка изображений до 1,8 млн пикселей и видео до 10 кадров в секунду. Модель подходит для мультимодальных помощников, анализа изображений и видео, OCR и голосового взаимодействия в реальном времени. Возможности и скорость зависят от способа запуска и оборудования; README рекомендует для базового вывода PyTorch на GPU NVIDIA и предупреждает о возможной несовместимости версий Transformers. Лицензия — Apache-2.0.

nreimers/MiniLM-L6-H384-uncased — компактная модель семейства MiniLM, представленная Nils Reimers. Это версия Microsoft MiniLM-L12-H384-uncased, полученная удалением каждого второго слоя; архитектура — BERT с шестью слоями и примерно 25,9 млн параметров. Модель извлекает контекстные признаки из текста и подходит для построения текстовых представлений в NLP-системах. Она поддерживает последовательности длиной до 512 токенов и распространяется в форматах PyTorch и Flax. Модель можно использовать как основу для извлечения признаков в поиске, кластеризации и последующей классификации текста. Уменьшенная глубина делает её компактнее исходной 12-слойной версии, но сама карточка не приводит сравнительных оценок качества. Поддерживаемый язык в карточке не указан. Лицензия — MIT.

MyAwesomeModel — модель на базе Transformers для извлечения признаков из входных данных. В метаданных Hugging Face она отмечена как feature-extraction и связана с экосистемой PyTorch и семейством BERT. README также описывает улучшения рассуждений, понимания языка, генерации кода и текста, однако основным подтверждённым сценарием применения остаётся получение векторных представлений.

OpenSearch-AI/Ops-MoA-Conan-embedding-v1 — текстовая модель эмбеддингов от OpenSearch AI на архитектуре BERT. Она предназначена для преобразования текстов в векторы, которые можно использовать для поиска по смыслу и сравнения предложений. Модель поддерживает задачи feature-extraction и sentence-similarity, имеет 424,3 млн параметров и контекст до 512 токенов. Для работы подходит библиотека Sentence Transformers; веса доступны в формате PyTorch. В метаданных указан китайский язык. Карточка содержит пример кодирования текста, но не приводит оценки качества или подробностей обучения. Лицензия не указана в предоставленных данных.

OxCoder-9B GGUF — языковая модель для генерации кода, разработанная Pink Pixel на базе Qwen/Qwen3.5-9B. Она предназначена прежде всего для долгих агентных сценариев разработки программного обеспечения и работы в терминале: решения задач в репозиториях, генерации и изменения кода, устранения ошибок и автоматизации инженерных процессов. При обучении использовались траектории работы передовых coding-агентов, включая Fable-5.1 и GLM-5.3 в средах Claude Code, OpenCode и Codex. Модель содержит около 9 млрд параметров, поддерживает текстовую модальность и заявлена для английского языка. Архитектура — Qwen 3.5 с гибридными слоями linear attention и full self-attention, interleaved MRoPE и поддержкой контекста до 262 144 токенов. В репозитории доступны GGUF-квантизации от BF16 до Q2_K размером примерно от 16,69 до 3,56 ГБ; вариант Q4_K_M указан как рекомендуемый по умолчанию, а Q8_0 — как близкий к исходному качеству при достаточном объёме памяти. Для запуска требуются llama.cpp или совместимые среды с поддержкой Qwen 3.5, включая Ollama, LM Studio и Jan. Сильные стороны модели — ориентация на агентную разработку, работу с терминалом, восстановление после ошибок вызовов инструментов, предварительный просмотр файлов перед изменениями и формирование минимальных diff. В README приведены результаты бенчмарков Terminal-Bench 2.1, SWE-bench Verified, SWE-bench Pro, NL2Repo и GPQA Diamond, однако фактическое качество зависит от выбранной квантизации и среды запуска. Более компактные варианты экономят память, но могут заметно уступать по качеству; Q2_K прямо предназначен для тестирования при жёстких ограничениях памяти. Модель распространяется по лицензии Apache 2.0.

Phrase-BERT — модель эмбеддингов фраз из официального репозитория к статье EMNLP 2021 «Phrase-BERT: Improved Phrase Embeddings from BERT with an Application to Corpus Exploration». Она основана на архитектуре BERT и предназначена для получения векторных представлений фраз, сравнения их семантического сходства и исследования корпусов. Модель содержит 136,7 млн параметров, принимает текст и имеет контекстное окно до 512 токенов. Модель можно использовать через Sentence-Transformers. В статье её оценивают на задачах Turney, BiRD, PPDB, PPDB-filtered и PAWS-short; README также описывает обучение собственной версии на данных интересующей предметной области. Репозиторий содержит веса в формате PyTorch. Сведения о лицензии и поддерживаемых языках в предоставленных источниках отсутствуют.

MMOPD/Qwen3-4B-OT3-1ep — модель рассуждений, разработанная проектом MMOPD на основе Qwen3-4B-Base и дообученная один эпохой на наборе OpenThoughts3-1.2M. Это плотная авторегрессионная языковая модель с 3,7 млрд параметров; она использует библиотеку Transformers, формат safetensors и контекст до 32 768 токенов. Модель формирует ответы в формате Qwen3 с блоком рассуждений перед итоговым ответом. Модель предназначена для многошаговых рассуждений, особенно в математике, программировании и естественных науках. Её можно использовать как помощника для решения задач и генерации кода, а также как отправную точку для создания специализированных моделей и экспериментов по дистилляции. В README приведены результаты на математических и кодовых бенчмарках, но они относятся к конкретным настройкам генерации и не гарантируют аналогичного качества в других сценариях. Модель распространяется по лицензии Apache-2.0. Для получения ответов в заявленном формате README рекомендует шаблон чата Qwen3, включённый режим рассуждений и семплирование вместо жадного декодирования.

Qwen3.8-Flash-Coder-44GB-Selective-INT8 — разреженная MoE-модель для генерации и изменения программного кода, опубликованная Jab1718. Это вариант контрольной точки Jab1718/qwen3.8-flash-coder-85gb-bf16 с избирательной INT8-квантизацией экспертных слоёв; согласно карточке, роутеры, механизмы внимания и ряд общих модулей сохранены в BF16. В метаданных указаны 5,1 млрд параметров, архитектура Qwen4ExpForCausalLM и контекст до 262 144 токенов. Модель предназначена для написания, отладки и изменения кода, включая работу в сценариях coding agent. Карточка описывает размещение весов размером 44,29 ГБ и приводит результаты собственного тестирования на задачах программирования; эти результаты не гарантируют аналогичного качества на других задачах. Модель принимает текст и генерирует текст. В метаданных перечислены английский, вьетнамский и китайский языки. Репозиторий распространяется по лицензии Apache-2.0. Для запуска требуются значительные ресурсы GPU; README заявляет возможность размещения на двух GPU по 32 ГБ, однако совместимость зависит от программного обеспечения и конфигурации оборудования.

Карточка модели deadmouserr/Qwen3-Coder-Next на Hugging Face совпадает с карточкой Qwen/Qwen3-Coder-Next, поэтому описание составлено по ней. Qwen3-Coder-Next — открытая модель семейства Qwen3 от команды Qwen, предназначенная для кодирующих агентов и локальной разработки. Это причинная языковая модель архитектуры MoE с гибридным сочетанием Gated DeltaNet и Gated Attention. В README указано 80 млрд параметров всего и 3 млрд активных; метаданные каталога указывают 2,3 млрд параметров, поэтому точный размер расходится между источниками. Модель рассчитана на генерацию и изменение кода, многошаговые задачи разработки, вызов инструментов и восстановление после ошибок выполнения. Контекстное окно — 262 144 токена; поддерживаются чат и интерфейс вызова инструментов. README описывает её как пригодную для интеграции с CLI и IDE, а также локального развёртывания. Модель работает только в режиме без reasoning и, согласно README, не генерирует блоки ````. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковые коды не включены. Лицензия — Apache-2.0.

Мультимодальная модель эмбеддингов mlx-community, перенесённая в формат MLX из Qwen/Qwen3-VL-Embedding-2B с помощью mlx-lm. Она предназначена для преобразования текста и изображений в векторные представления, которые можно использовать для поиска и сопоставления по смыслу. В метаданных указаны архитектура семейства Qwen3-VL, 2 млрд параметров у базовой модели Qwen3-VL-2B-Instruct и библиотека Transformers; README подтверждает исходную модель Qwen3-VL-Embedding-2B и конвертацию в MLX. Модель опубликована mlx-community под лицензией Apache-2.0. Карточка не сообщает поддерживаемые языки, длину контекста или конкретные показатели качества.

Это модель Cross Encoder на базе prajjwal1/bert-tiny, дообученная с использованием библиотеки Sentence Transformers на данных GooAQ. Разработчик в README явно не указан; модель опубликована в пространстве cross-encoder-testing. Она принимает пары текстов и вычисляет оценку их смысловой взаимосвязи. Модель предназначена для ранжирования результатов поиска, оценки семантического сходства, поиска перефразирований, классификации текста и других задач, где требуется совместно анализировать два текстовых фрагмента. В частности, её можно применять как reranker: сначала получить кандидатов из поисковой системы, а затем упорядочить их по релевантности запросу. Поддерживается английский язык. Архитектурно это компактный Cross Encoder с одним выходным значением и максимальной длиной последовательности 512 токенов. Обучение выполнено с использованием BinaryCrossEntropyLoss на наборе размером 578 402 примера; заявленные метрики включают MAP, MRR@10 и nDCG@10. Компактность BERT-tiny может обеспечивать более быструю и менее ресурсоёмкую обработку по сравнению с крупными моделями, однако Cross Encoder требует отдельного вычисления для каждой пары текстов и поэтому может быть затратным при ранжировании больших коллекций. Лицензия — Apache-2.0.

Sarashina-Embedding-v1-1B — японская модель для получения текстовых эмбеддингов, разработанная SB Intuitions на базе языковой модели Sarashina2.1-1B. Она преобразует предложения и абзацы в плотные векторы размерности 1792, пригодные для сравнения по косинусному сходству. Модель построена как Sentence Transformer на архитектуре Llama и поддерживает контекст до 8192 токенов. Модель обучена в два этапа: контрастное обучение на слабой разметке и дообучение на размеченных парах для сопоставления запросов и документов. Она предназначена для семантического поиска, оценки сходства текстов, поиска перефразировок, классификации и кластеризации. В README сообщается о высоком среднем результате на 16 наборах JMTEB; метаданные также указывают поддержку английского наряду с японским. Лицензия Sarashina Model NonCommercial License Agreement ограничивает коммерческое использование. Модель ориентирована прежде всего на японские тексты, поэтому качество для других языков и специализированных областей может отличаться.

princeton-nlp/sup-simcse-bert-large-uncased — модель извлечения признаков и получения эмбеддингов предложений, разработанная группой Princeton NLP. Это вариант BERT Large, обученный методом supervised SimCSE на объединённых наборах MNLI и SNLI (около 314 тысяч примеров); модель содержит 433,9 млн параметров и принимает последовательности длиной до 512 токенов. Её можно применять для представления предложений в виде векторов, в том числе для оценки семантического сходства и переноса признаков в последующие NLP-задачи. Модель предназначена для англоязычного текста. В README указаны риски предвзятых ассоциаций и стереотипов в представлениях; результаты следует оценивать с учётом контекста и возможного вреда. Форматы репозитория включают PyTorch и Flax. В карточке не приведены сведения о лицензии, поэтому условия использования следует уточнить у разработчика перед применением.

Surya Layout (fast) — компактная модель обнаружения областей документа, используемая в проекте Surya. Она анализирует изображение страницы и находит текстовые блоки, таблицы, иллюстрации, заголовки, подписи и формулы. Модель предназначена для ускоренного анализа структуры документов и работает на CPU и GPU. Это детектор объектов на PyTorch, выступающий компактной альтернативой модели анализа компоновки документов на основе VLM в Surya. Модель подходит для предварительной разметки страниц в OCR-конвейерах и извлечения структурированных элементов документа. Репозиторий распространяется по лицензии OpenRAIL.

Это дообученный cross-encoder на базе cross-encoder/ms-marco-MiniLM-L6-v2, созданный с помощью библиотеки Sentence Transformers. Модель оценивает пару текстов одним числовым баллом, который можно использовать для ранжирования по релевантности и семантического поиска. Модель построена на архитектуре BERT с классификационной головой BertForSequenceClassification, содержит 25,9 млн параметров и принимает текстовые пары с максимальной длиной последовательности 512 токенов. При обучении использовались пары предложений с бинарными метками и BinaryCrossEntropyLoss; README приводит примеры сопоставления описаний навыков. Модель ориентирована на английский язык, как и базовый чекпойнт. Её можно применять как второй этап поиска: оценивать соответствие найденных документов запросу и сортировать результаты, а также ранжировать семантически похожие тексты. Лицензия в предоставленных данных не указана.

UniNER-7B-type — модель извлечения именованных сущностей, разработанная авторами проекта UniNER и дообученная на базе LLaMA-7B. Для обучения использовались тексты Pile-NER-type с метками типов сущностей, автоматически созданными GPT-3.5-turbo-0301 без ручной разметки. Модель принимает текстовый фрагмент и возвращает найденные сущности с их типами в виде списка пар. Модель предназначена для распознавания сущностей по заданным типам и извлечения именованных сущностей из текстов. В README отмечено, что она лучше варианта UniNER-7B-definition справляется с тегами типов и показывает лучшие результаты на бенчмарке Universal NER, охватывающем 43 академических набора данных из 9 областей. Архитектура — плотная LLaMA для генерации текста, размер — 6,6 млрд параметров, контекст — 2048 токенов; в метаданных указан английский язык. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Поскольку разметка для обучения синтетическая, качество может зависеть от точности заданных типов и отличаться для текстов и категорий вне охвата обучения.