II.6Документация и сопровождение разработки

Карточка модели avsolatorio/00-000-10-1-0-1-0-0-u_GIST_BAAI_bge-base-en-v1.5-20240127115244-best 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.

leliuga/all-MiniLM-L12-v2-GGUF — это квантованные файлы модели all-MiniLM-L12-v2 в формате GGUF. Исходную модель разработала команда Sentence Transformers, а данный вариант подготовлен пользователем Leliuga на основе sentence-transformers/all-MiniLM-L12-v2. Модель предназначена для получения эмбеддингов предложений и задач сравнения семантического сходства текста, включая sentence similarity, поиск и извлечение признаков. Она относится к семейству BERT и использует архитектуру MiniLM; в README указано, что поддерживается английский язык. Формат GGUF ориентирован на использование в совместимых локальных инструментах инференса, однако конкретные параметры квантования и требования к ресурсам не указаны. Сильными сторонами модели являются компактный формат распространения и специализация на семантическом представлении предложений. В качестве ограничений следует учитывать англоязычную направленность, отсутствие сведений о размере модели, длине контекста, точных вариантах квантования и готовых характеристиках производительности. Модель распространяется по лицензии Apache-2.0.

leliuga/all-MiniLM-L6-v2-GGUF — это квантизированные файлы модели all-MiniLM-L6-v2 в формате GGUF. Исходную модель разработала команда Sentence Transformers, а репозиторий с GGUF-файлами подготовлен пользователем Leliuga. Модель предназначена для получения векторных представлений предложений и оценки семантического сходства текста, а также может применяться в задачах поиска, сопоставления и извлечения признаков. Модель основана на архитектуре BERT и относится к семейству Sentence Transformers; её название указывает на использование компактного варианта MiniLM с шестью слоями. Поддерживаемый язык — английский. В README не указаны точный размер модели, доступные уровни квантования, длина контекста и перечень модальностей; по представленным данным модель является текстовой. К сильным сторонам относятся компактность архитектуры и формат GGUF, удобный для локального инференса в совместимых инструментах. Ограничениями являются англоязычная специализация и отсутствие в README подробностей о производительности, точности, контексте и конкретных вариантах квантования. Исходная модель распространяется по лицензии Apache-2.0; для GGUF-репозитория также указана лицензия Apache-2.0.

zeromodels/bart_base — реализация базового чекпойнта BART в формате Keras 3 от проекта zeromodels, перенесённая с facebook/bart-base. Это трансформер encoder-decoder для извлечения признаков и дообучения на задачах понимания и генерации текста; веса доступны в формате TensorFlow, а реализация рассчитана на работу с TensorFlow, Torch и JAX. Модель обучена восстанавливать искажённый текст: двунаправленный энкодер сочетается с авторегрессионным декодером, используется токенизатор byte-level BPE, общий с RoBERTa. Чекпойнт предназначен прежде всего как языковой backbone: его можно применять для получения признаков или дообучать для суммаризации, перевода, классификации последовательностей и других задач text-to-text. Головы задач, отсутствующие в репозитории, инициализируются случайно и требуют дообучения; готовые специализированные веса можно загружать отдельно. Лицензия — Apache-2.0.

shimogerald/bert-finetuned-ner — модель на базе BERT, дообученная для классификации токенов и распознавания именованных сущностей. Она содержит 136,7 млн параметров, использует архитектуру BertForTokenClassification и принимает текстовые последовательности длиной до 512 токенов. Модель основана на google-bert/bert-base-uncased и распространяется в формате Safetensors. На указанном в карточке наборе для оценки модель достигла F1 0,9463, точности 0,9421, полноты 0,9505 и accuracy 0,9892. Датасет и набор меток не описаны, поэтому неизвестно, какие именно типы сущностей она распознаёт и насколько результаты применимы к другим данным. Лицензия — Apache-2.0.

CodeLlama-13B-Instruct-GGUF — квантизированная GGUF-версия CodeLlama 13B Instruct, разработанная Meta и подготовленная для квантизации компанией Second State Inc. Модель основана на codellama/CodeLlama-13b-Instruct-hf и предназначена для генерации кода по инструкциям. Модель ориентирована на решение задач программирования: написание кода с учётом заданных ограничений, подготовку решений, соответствующих примерам тестов, и работу через текстовый интерфейс генерации. Указан контекст размером 5120 токенов. Это текстовая модель для работы с кодом; сведения о поддерживаемых естественных языках и мультимодальности в README отсутствуют. Модель доступна в нескольких вариантах GGUF с квантизацией от Q2_K до Q8_0 и размером файлов примерно от 5,43 до 13,8 ГБ. Варианты с более высокой точностью обычно обеспечивают меньшее снижение качества, но требуют больше дискового пространства и ресурсов; для большинства сценариев в README рекомендуются Q4_K_M, Q5_K_M и Q5_K_S. Ограничения включают возможную потерю качества при низкобитной квантизации, а также отсутствие в README данных о производительности, аппаратных требованиях и качестве на конкретных языках программирования. Лицензия указана как Llama 2.

dapack-code — это специализированная на программировании версия Qwen3.5-35B-A3B, представленная в формате GGUF с градуированной точностью экспертов: файл весит 10,7 ГБ вместо 21,2 ГБ у полной модели. По данным карточки, эксперты, востребованные для кода, сохранены с точностью q2_K, остальные — с IQ2_XXS под матрицей важности; эксперты не удалены. Модель предназначена для генерации кода и задач разработки ПО. README сообщает о сохранённом качестве генерации кода по внутренним поведенческим измерениям и успешных пробах вызова инструментов; также заявлена поддержка итальянского языка. Для запуска требуется специальная версия dapack runtime: обычные сборки llama.cpp, Ollama и LM Studio этот формат не загружают. Модель основана на мультимодальной Qwen3.5-35B-A3B, но README описывает этот пак как кодовый текстовый генератор. Лицензия — MIT. Карточка указывает на существенное снижение качества перевода; вне программирования точность может деградировать из-за низкой точности части экспертов.

DeepSeek-Coder-V2-Lite-Base — базовая модель для генерации кода от DeepSeek. Она создана продолжением предобучения промежуточного чекпойнта DeepSeek-V2 на дополнительных 6 триллионах токенов. Модель использует архитектуру Mixture-of-Experts семейства DeepSeek-V2: в репозитории каталога указано 2,5 млрд параметров, а карточка семейства указывает для Lite-версии 16 млрд общих и 2,4 млрд активных параметров. Контекст модели по метаданным — 163 840 токенов. Модель предназначена для генерации и продолжения кода, вставки фрагментов кода, а также задач программирования и математических рассуждений. Семейство поддерживает 338 языков программирования; естественные языки в карточке не перечислены. К сильным сторонам относятся большой контекст и специализация на коде при сравнительно небольшом числе активных параметров. Это базовая, а не instruct-версия, поэтому её поведение в диалоге и следование инструкциям могут быть ограничены. Для локального инференса в BF16 README приводит требование 8 GPU по 80 ГБ. Лицензия в метаданных обозначена как other; конкретные условия следует сверять с лицензией в репозитории.

Felix92/doctr-torch-crnn-mobilenet-v3-large-french — модель распознавания текста на изображениях, основанная на CRNN с энкодером MobileNetV3-Large и предназначенная для использования с библиотекой docTR. Карточка позиционирует её как OCR-модель; метаданные указывают форматы PyTorch и задачу image-to-text. Модель подходит для извлечения текста из изображений и документов. В названии указана специализация на французском языке, а метаданные также отмечают английский и многоязычную поддержку. Сведений о размере, длине контекста и лицензии в предоставленных источниках нет.

E5-base-trm-nl — модель эмбеддингов предложений на базе XLM-RoBERTa, дообученная clips на нидерландских данных для поиска и сопоставления текстов. Она предназначена для кодирования запросов и документов в векторы, чтобы находить релевантные фрагменты и сравнивать смысл предложений. Модель содержит 151,6 млн параметров, использует библиотеку sentence-transformers и принимает последовательности длиной до 514 токенов. Дообучение выполнено на наборах данных для нидерландского поиска, включая BEIR-NL mMARCO, HotpotQA и FEVER. Репозиторий распространяет веса в формате safetensors по лицензии MIT. В карточке приведены результаты оценки на MTEB-NL, однако извлечённые данные не содержат полных значений для этой модели, поэтому количественно оценить её качество по ним нельзя.

EUBERT Embedding v1 — модель scampion для получения векторных представлений предложений и документов. Это дообученная на AllNLI версия EUBERT с архитектурой RoBERTa, содержащая 107 млн параметров и формирующая эмбеддинги размерности 768. Модель принимает текст и предназначена для работы с документами ЕС на 24 языках. Эмбеддинги можно использовать для поиска похожих документов и фрагментов, кластеризации и классификации текстов, а также как векторное представление в системах семантического поиска и RAG. Заявленная длина контекста — 514 токенов. В карточке приведены результаты оценок на наборах MTEB, включая классификацию и кластеризацию; авторы приглашают к дальнейшей оценке и сравнению модели. Модель распространяется под лицензией EUPL-1.1. Ограничения: README помечен как находящийся в разработке; приведённые оценки не подтверждают качество на всех 24 языках, а контекст в 514 токенов ограничивает обработку длинных документов без разбиения на фрагменты.

German_Semantic_STS_V2 — модель эмбеддингов предложений на базе gBERT-large, дообученная Aaron Chibb для семантических задач на немецком языке. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и подходит для семантического поиска, сравнения сходства и кластеризации текстов. В качестве обучающих данных использован немецкий вариант STS Benchmark; при дообучении применялась ContrastiveLoss. Модель имеет архитектуру BERT, содержит 434,5 млн параметров и принимает контекст до 512 токенов. По результатам, приведённым в карточке, модель показала наилучший Spearman среди перечисленных там моделей сравнения. Она предназначена прежде всего для немецких текстов; автор карточки также рекомендует более новые версии V3 и V3b. Репозиторий содержит веса PyTorch и safetensors. Лицензия в предоставленных данных не указана.

urchade/gliner_multi-v2.1 — многоязычная модель распознавания именованных сущностей (NER), разработанная Urchade Zaratiana, Nadi Tomeh, Pierre Holat и Thierry Charnois. Она использует двунаправленный трансформерный энкодер архитектуры BERT и позволяет задавать типы сущностей для извлечения, поэтому подходит для сценариев, где заранее фиксированный набор меток недостаточен. Модель предназначена для извлечения сущностей из текста, например имён людей, организаций или пользовательских категорий. Размер этой версии — 209 млн параметров; для работы используется библиотека GLiNER. В карточке указана поддержка нескольких языков, но конкретные языки не перечислены. По сравнению с крупными языковыми моделями GLiNER рассчитана на более лёгкое и практичное распознавание сущностей в условиях ограниченных ресурсов. Лицензия — Apache-2.0.

Mungert/Jan-v2-VL-high-GGUF — это GGUF-квантизированная версия мультимодальной модели Jan-v2-VL-high, разработанной командой Jan на базе Qwen/Qwen3-VL-8B-Thinking. Модель содержит около 8 млрд параметров, обрабатывает текст и изображения и предназначена прежде всего для многошаговых задач в реальных программных средах, включая управление браузерами и настольными приложениями. Она может использовать скриншоты, вызовы инструментов и промежуточное состояние для выполнения длинных последовательностей действий с минимальным накоплением ошибок. Вариант high ориентирован на более глубокое рассуждение и допускает большее время обработки по сравнению с вариантами low и med. GGUF-файлы подготовлены с использованием llama.cpp; автор применяет избирательное повышение точности отдельных важных слоёв сверх стандартной конфигурации IMatrix, что должно улучшать точность при заданном уровне квантования, но увеличивает размер файла. Модель поддерживает сценарии локального запуска через Jan App и llama.cpp; для исходной модели также указана интеграция с vLLM. В качестве сильных сторон заявлены стабильное выполнение длинных цепочек действий, визуальное заземление и сохранение качества на стандартных текстовых и визуальных задачах относительно базовой Qwen3-VL-8B-Thinking. Ограничениями являются повышенные требования к задержке и размеру файла у варианта high, а также отсутствие в карточке точных сведений о размере контекста, конкретных поддерживаемых языках помимо заявленного английского и системных требованиях. Указана лицензия Apache 2.0.

ramdane/jurimodel — модель семейства XLM-RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, кластеризации и сравнения текстов по смыслу. В метаданных указаны 305,2 млн параметров и контекст длиной 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss. Она выдаёт текстовые эмбеддинги, которые можно использовать для поиска близких по смыслу фрагментов и группировки документов. Название предполагает юридическую направленность, однако README не подтверждает специализацию на правовых текстах, поэтому её не следует считать установленной. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

LCO-Embedding-Omni-3B — мультимодальная модель эмбеддингов из семейства LCO-Embedding, разработанная авторами работы «Scaling Language-Centric Omnimodal Representation Learning», принятой на NeurIPS 2025. Она использует компонент thinker модели Qwen2.5 Omni без компонента talker и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для получения векторных представлений текста, изображений, аудио, видео и документов, сочетающих несколько модальностей. Эмбеддинги подходят для поиска и сопоставления материалов по смыслу; в README приведены сценарии текстового, визуального, аудио- и видеопоиска. Авторы сообщают о результатах уровня state of the art на MIEB и MAEB; аудиоданные при этом не использовались для обучения модели. В карточке описаны мультимодальная архитектура и возможности эмбеддингов, но не приведены точное число параметров и длина контекста. Модель выдаёт векторные представления, а не аудио или видео. README не уточняет ограничения применимости и языковой охват; среди заявленных сценариев есть поиск по визуальным документам на языках Юго-Восточной Азии.

MiniCPM-o-2_6-GGUF — квантованная в формате GGUF версия мультимодальной модели MiniCPM-o-2_6, разработанной командой OpenBMB. Квантизацию выполнил bartowski на основе llama.cpp версии b4585. Модель предназначена для мультимодального взаимодействия, включая анализ изображений, оптическое распознавание текста, работу с несколькими изображениями и видео, а также задачи, связанные с речью и аудио: распознавание речи, синтез речи, клонирование голоса и потоковые голосовые диалоги в реальном времени. Модель поддерживает изображения с произвольным соотношением сторон объёмом до 1,8 млн пикселей, например 1344×1344. Она заявлена как end-to-end omni-модальная и мультиязычная; README также указывает поддержку vision, audio и speech, но не перечисляет конкретные языки, размер модели, точную архитектуру или максимальную длину текстового контекста. Формат GGUF и совместимость с llama.cpp делают модель ориентированной на локальный запуск, включая сценарии на мобильных устройствах, однако требования к памяти и производительность зависят от варианта квантизации и оборудования. Сильными сторонами являются сочетание обработки изображений, видео, аудио и речи, поддержка потокового мультимодального взаимодействия и работа с изображениями высокого разрешения. Возможные ограничения — зависимость качества и скорости от квантизации и локальной инфраструктуры, а также риск неточных или неподходящих ответов, характерный для мультимодальных моделей. В README не указана лицензия модели, поэтому условия её использования следует уточнять в документации оригинальной модели MiniCPM-o-2_6 и соответствующего GGUF-файла.

KennethTM/MiniLM-L6-danish-encoder — компактная модель Sentence-Transformers для семантического представления датских предложений и абзацев. Она построена на архитектуре BERT, содержит 25,9 млн параметров и преобразует текст в плотные векторы размерностью 384. Максимальная длина входной последовательности — 512 токенов. Модель адаптирована от sentence-transformers/all-MiniLM-L6-v2 с датским токенизатором и обучена на наборах ELI5 и SQuAD, переведённых с английского на датский. Её можно применять для семантического поиска, сравнения сходства предложений и кластеризации текстов на датском языке. Для использования доступны веса PyTorch и safetensors; библиотека модели — Sentence-Transformers. Лицензия — MIT. Автор README указывает, что доступна более новая версия KennethTM/MiniLM-L6-danish-encoder-v2, обученная на большем объёме данных.

Это пакет слоёв GGUF для Mistral Medium 3.5 128B UD-Q4_K_XL, подготовленный Mesh LLM для распределённого вывода. Он создан на основе unsloth/Mistral-Medium-3.5-128B-GGUF и разбивает исходное распределение GGUF на артефакты по слоям для запуска модели на локальном кластере Mesh LLM. Пакет предназначен для приватного локального чата и генерации текста, в том числе на нескольких машинах, когда модель целиком не помещается на одном узле. Mesh LLM поддерживает OpenAI-совместимый интерфейс чата и дополнений. Вариант квантования — UD-Q4_K_XL; архитектурные подробности, контекст и языки следует уточнять по карточке исходной модели.

MMLW-retrieval-e5-small — польскоязычный плотный текстовый энкодер семейства BERT, разработанный для поиска информации. Он преобразует запросы и фрагменты текста в векторы размерности 384 и рассчитан на сопоставление их релевантности. Для запросов требуется префикс «query: », для документов — «passage: ». Модель содержит 124,3 млн параметров и поддерживает контекст длиной до 512 токенов. Модель инициализирована мультиязычным чекпойнтом E5, дистиллирована на 60 млн польско-английских пар текстов с использованием английских FlagEmbeddings (BGE) как учителей, а затем дообучена с contrastive loss на польском разделении MS MARCO. На польском бенчмарке поиска информации PIRB указано значение NDCG@10 52,34. Модель подходит для семантического поиска и retrieval-систем по польским текстам. Она распространяется по лицензии Apache-2.0. Требует корректных префиксов; контекст ограничен 512 токенами, а заявленные результаты относятся к польскому бенчмарку.

MMLW-retrieval-roberta-large-v2 — польский текстовый энкодер семейства RoBERTa, разработанный для поиска информации и оценки семантического сходства. Модель основана на polish-roberta-large-v2 и содержит 533,7 млн параметров; она преобразует запросы и фрагменты текста в векторы размерностью 1024. Контекст составляет до 514 токенов. Модель обучали в два этапа: сначала применили дистилляцию знаний от stella_en_1.5B_v5 на 20 млн польско-английских пар текстов, затем дообучили с contrastive loss на более чем 4 млн запросов. Для поиска к запросам добавляют префикс «[query]: », а для симметричного сравнения текстов — «[sts]: ». В README указана оценка NDCG@10 60,71 на польском бенчмарке PIRB. Модель предназначена для польскоязычного семантического поиска, извлечения релевантных документов и сравнения текстов; доступна в формате safetensors. Лицензия в метаданных указана как Gemma, поэтому перед применением следует учитывать её условия. Данные об обучении поддерживают польский и английский языки, но карточка характеризует модель прежде всего как польский энкодер.

MyAwesomeModel — модель на базе BERT для извлечения признаков из текста, опубликованная в библиотеке Transformers и распространяемая по лицензии MIT. Метаданные Hugging Face указывают задачу feature extraction, а также использование PyTorch и Transformers. Модель предназначена для преобразования текстовых данных в векторные представления, которые можно использовать в поиске по смыслу, кластеризации, классификации, оценке сходства текстов и других задачах обработки естественного языка. README также заявляет о возможностях рассуждения, генерации текста, ответов на вопросы, программирования и работы с функциями, однако эти сведения не согласуются с основным pipeline-тегом feature-extraction и не подтверждают генеративное применение модели. Языки, число параметров, размер контекста и точная архитектура базовой модели в предоставленных данных не определены; тег BERT указывает на семейство архитектур. Ограничения включают отсутствие подтверждённых сведений о языковой поддержке и специализированных результатах именно для извлечения признаков. Использование разрешено на условиях лицензии MIT.

Negentropy-claude-opus-4.7-9B — экспериментальная модель рассуждений на 9 млрд параметров от Jackrong, созданная при участии Kyle Hessling. Она основана на Qwen3.5-9B, дообученной с помощью Unsloth на реконструированных цепочках рассуждений: авторы описывают метод Trace Inversion, который восстанавливает промежуточные шаги из кратких сводок рассуждений Claude Opus 4.7. Модель предназначена для сложных логических задач, математики, программирования, многошагового следования инструкциям и генерации данных с цепочками рассуждений для более компактных моделей. В метаданных указаны возможности чата и анализа изображений; README преимущественно описывает текстовые сценарии. Поддерживаемые языки по метаданным — английский, китайский, корейский, японский и русский. Модель распространяется под лицензией Apache-2.0. README предупреждает о более низкой скорости по сравнению с версией 4B, потребности примерно в 8–12 ГБ видеопамяти в зависимости от квантизации и возможности фактических ошибок при убедительно выглядящих рассуждениях.

Nemotron-3-Embed-8B-GGUF — набор GGUF-квантизаций модели Nemotron-3-Embed-8B-BF16, разработанной NVIDIA. Модель предназначена для создания текстовых эмбеддингов, семантического сходства и задач информационного поиска, включая retrieval и сценарии на базе sentence-transformers. Это текстовая embedding-модель с размером исходной модели 8B; точные сведения об архитектуре, поддерживаемых языках и длине контекста в README не указаны. Квантизация выполнена с использованием llama.cpp и публичной матрицы важности Wikitext-2. Для корректной работы к запросам требуется добавлять префикс «query: », а к документам — «passage: ». Эмбеддинги формируются посредством mean pooling и нормализуются по L2, что удобно для сравнения векторов. Сильные стороны модели — наличие GGUF-формата и ориентация на семантический поиск и сопоставление текстов. Ограничения включают необходимость соблюдать специальные префиксы и отсутствие в предоставленных данных подробностей о качестве, конкретных вариантах квантизации, языковом покрытии и контекстном окне. Модель распространяется по лицензии OpenMDW 1.1; README также указывает, что данный репозиторий не связан с NVIDIA, Mistral или другими компаниями и не одобрен ими.

Ornith-1.0-9B — плотная языковая модель примерно на 9 млрд параметров от команды Ornith, разработанная для агентного программирования. Она дообучена на базе Qwen 3.5 с применением обучения с подкреплением: модель учится планировать траектории поиска и генерировать решения для задач разработки. Версия 9B предназначена для эффективного запуска на одной GPU и хранится в формате safetensors; для обслуживания авторы приводят рецепты на vLLM, SGLang и Transformers. Модель подходит для программирования через терминальные агентные интерфейсы, работы с кодовыми базами, автоматизации задач разработки и вызова инструментов. В README заявлены результаты на Terminal-Bench 2.1, SWE-Bench, NL2Repo и других бенчмарках, однако численные результаты в предоставленном тексте опущены. Примеры конфигурации используют контекст до 262 144 токенов; это значение указано как параметр запуска, а не как подтверждённая нативная длина контекста. Лицензия — MIT. README не сообщает поддерживаемые естественные языки.

Otter-cross-mmbert — мультиязычная модель для распознавания именованных сущностей, разработанная автором whoisjones. Она принимает текст и список типов сущностей на естественном языке, например «person» или «chemical compound», и возвращает символьные диапазоны найденных фрагментов. Фиксированный набор меток и отдельное дообучение под новые типы не требуются. Модель использует архитектуру cross-encoder на базе энкодера jhu-clsp/mmBERT-base с добавленным токеном [LABEL]. Типы сущностей добавляются к тексту в префиксе и обрабатываются вместе с ним. Максимальная длина последовательности — 1024 токена, максимальная длина фрагмента — 30 токенов. Порог обнаружения по умолчанию равен 0,5; его можно менять для баланса точности и полноты. Подходит для извлечения сущностей с задаваемыми пользователем категориями в многоязычных текстах, в том числе при работе с типами из конкретной предметной области. Cross-encoder повторно кодирует текст для каждого набора меток, поэтому он может быть дороже bi-encoder при обработке больших корпусов. Длинный список меток уменьшает доступную длину текста; для предметной области может понадобиться калибровка порога. Модель распространяется по лицензии Apache-2.0.

PasteProof PII Detector — модель на базе ModernBERT, дообученная автором joneauxedgar для обнаружения и разметки персональных данных и секретов в тексте. Она выполняет NER с классификацией токенов и распознаёт 27 типов сущностей, включая платёжные данные, учётные данные и медицинские идентификаторы. Модель предназначена для предупреждений перед вставкой чувствительных данных в браузерные формы, чаты и публичные репозитории, а также для проверки кода, документов и потоков данных. В карточке заявлен F1 0,972 на отложенной выборке; обучение проводилось на 150 тысячах синтетических примеров. Метаданные указывают архитектуру ModernBERT, 149 млн параметров и контекст до 8192 токенов, тогда как README сообщает ограничение в 512 токенов — фактический рабочий предел следует проверять при использовании. Обучающие данные англоязычные; модель может пропускать обфусцированные значения, новые форматы ключей и чувствительные сущности, распознаваемые только по контексту, а также давать ложные срабатывания на случайных строках и тестовых данных. Это вспомогательный детектор, а не гарантия безопасности. Лицензия — Business Source License 1.0 (BSL-1.0).

Эта модель — дообученная версия Qwen2.5-0.5B, созданная Lucas Wun Yu CHAN для получения эмбеддингов предложений и сравнения их семантического сходства. В README описаны эксперименты с эмбеддингами, инициализированными моделями после обучения с RLVR, и метод анализа HRSA; карточка не приводит количественных результатов именно этого чекпойнта. Модель построена на плотной архитектуре Qwen2, содержит 494 млн параметров и имеет контекст до 32 768 токенов. Она принимает текст и предназначена для извлечения векторных представлений; для использования через Sentence Transformers или Transformers требуется включить trust_remote_code. В метаданных указаны поддержка многоязычных данных и лицензия Apache-2.0.

ssmits/Qwen2-7B-Instruct-embed-base — модель эмбеддингов на основе Qwen2, представленная автором репозитория ssmits. Это плотная Transformer-модель класса Qwen2Model с 7,1 млрд параметров; у неё удалён слой lm_head, поэтому она предназначена для получения векторных представлений текста. Модель распространяется в формате safetensors и использует библиотеку sentence-transformers. Её можно применять для извлечения признаков, сравнения сходства предложений и классификации текста. Контекст составляет до 32 768 токенов; в карточке указан английский язык, а серия Qwen2 описана как адаптированная к нескольким естественным языкам и языкам программирования. Лицензия — Apache-2.0. Автор предупреждает, что модель не показывает высокой эффективности без дополнительного дообучения, и отмечает потребление более 24 ГБ видеопамяти в собственных тестах. Для получения эмбеддингов требуется выбрать подходящую операцию pooling поверх контекстных представлений.

AMAImedia публикует Qwenseek-3.8-27B-CyberLite-NOESIS-BF16 как часть платформы автоматизации многоязычного дубляжа NOESIS; сама модель основана на Qwenseek-3.8-27B-CyberLite-BF16 от trjxter. Это дообученная методом SFT модель семейства Qwen3.5 с плотной архитектурой и 27,8 млрд параметров, выпущенная в формате BF16 Safetensors. Базовая модель указана в README как unsloth/Qwen3.8-27B, а каталог связывает репозиторий с trjxter/Qwenseek-3.8-27B-CyberLite-BF16. Модель предназначена для анализа уязвимостей и защищённого кода, планирования обнаружения и устранения угроз, технических рассуждений, разработки ПО и структурированного использования инструментов. Обучение сочетало данные по кибербезопасности, программированию, агентным сценариям и общим рассуждениям; автор описывает краснокомандные сценарии как контролируемые и предназначенные для локального, учебного или защитного применения. Несмотря на мультимодальные компоненты базовой архитектуры, README указывает, что параметры зрения оставались замороженными и улучшение визуальных возможностей не заявляется. Лицензия — Apache-2.0. Для работы требуется актуальная версия Transformers или Unsloth с поддержкой Qwen3.5; практическое качество может зависеть от сценария, а карточка не приводит количественной оценки. Для тестирования сторонних систем необходимо отдельное разрешение.