II.6Документация и сопровождение разработки

Parakeet TDT-CTC 1.1B — модель автоматического распознавания речи, совместно разработанная командами NVIDIA NeMo и Suno.ai. Она преобразует англоязычную речь в текст с пунктуацией и заглавными буквами. Модель принимает монофонические аудиозаписи WAV с частотой 16 кГц и возвращает текстовую расшифровку. В основе лежит гибридная архитектура FastConformer-TDT-CTC примерно с 1,1 млрд параметров. Модель дообучена на базе parakeet-tdt-1.1 и обучалась на 36 тысячах часов английской речи из частных и открытых наборов данных. Благодаря локальному вниманию и глобальным токенам она может обрабатывать до 11 часов аудио за один проход. Модель предназначена для транскрибации речи в разных акустических и тематических условиях; в карточке приведены оценки WER на нескольких наборах, включая LibriSpeech, GigaSpeech и Common Voice. Ограничения: заявлена поддержка английского языка, а работа с другими языками не подтверждена; модель не поддерживается NVIDIA Riva согласно карточке. Лицензия — CC-BY-4.0.

PP-DocBlockLayout — модель PaddlePaddle для локализации областей контента в документах. Она обучена на собственном наборе данных с китайскими и английскими научными статьями, презентациями, журналами с разными макетами, договорами, книгами, экзаменами, старинными книгами и исследовательскими отчётами. В основе архитектуры лежит RT-DETR-L; модель определяет один класс объектов — Region. Модель предназначена для обнаружения блоков в изображениях документов как этапа анализа макета и обработки документов. В карточке указана mAP@0.5 95,9% на собственной тестовой выборке из изображений статей, журналов, газет, отчётов, презентаций, экзаменационных работ и учебников. Модель распространяется по лицензии Apache-2.0.

PP-DocLayoutV3 — модель обнаружения структуры документов от команды PaddlePaddle для фреймворка PaddleOCR. Она предназначена для анализа изображений документов, в том числе снятых под углом и с изогнутой поверхностью: модель предсказывает многоугольные границы элементов макета и определяет логический порядок чтения за один проход. Это помогает извлекать структуру сложных реальных документов и служит компонентом PaddleOCR-VL 1.5/1.6, GLM-OCR и Xiaomi-OCR-0. Модель распространяется в весах для PaddlePaddle; в карточке указана лицензия Apache-2.0. Метаданные относят её к сегментации изображений, а описание подчёркивает обнаружение макета документа. Карточка указывает поддержку английского и китайского языков, но не приводит ограничений по классам документов или точности.

Это пакет слоёв GGUF модели Qwen3.6-35B-A3B-UD-Q4_K_XL, подготовленный Mesh LLM для распределённого запуска на локальном кластере. Пакет получен из unsloth/Qwen3.6-35B-A3B-MTP-GGUF и разбивает модель на артефакты по слоям, чтобы распределять вычисления и память между несколькими машинами. Модель предназначена для локального приватного диалогового инференса и генерации текста через Mesh LLM; её можно подключать к локальному API, совместимому с OpenAI Chat Completions. Репозиторий содержит вариант квантования Q4_K_XL в формате GGUF и вспомогательные артефакты, включая эмбеддинги. Сведения об архитектуре, размере и контекстном окне в предоставленных данных отсутствуют. Лицензионные условия следует смотреть в карточке исходной модели unsloth/Qwen3.6-35B-A3B-MTP-GGUF.

Qwen3.8-27B-Uncensored-Cyber — GGUF — это квантизированная версия модели philbert440/Qwen3.8-27B-Uncensored-Cyber, опубликованная paubau. Репозиторий содержит только GGUF-квантизацию и калибровочную матрицу imatrix, построенную на реальном трафике агентного программирования; дообучение, слияние моделей и изменение поведения не выполнялись. Модель ориентирована на агентные сценарии, связанные с написанием кода, вызовом инструментов и задачами в области кибербезопасности, включая offensive security. Это de-refusal-модель без стандартных ограничений на отказы, унаследованных от базовой модели. Модель имеет размер 27B параметров и распространяется в формате GGUF с квантизацией IQ4_XS. Доступны вариант без MTP-тензоров размером около 14,96 ГиБ и вариант с совместимой MTP speculative-decoding head размером около 15,38 ГиБ; последний требует поддержки со стороны используемого runtime. В базовой модели сохранены vision tower и MTP-голова, поэтому поддерживаются мультимодальный путь и ускоренное декодирование при совместимом загрузчике. Заявлен контекст до 262K токенов. Калибровка специально учитывает tool-call JSON, специальные токены шаблона чата, длинные точные литералы, пути, имена пакетов, хэши и смешанный китайско-английский текст, что должно быть полезно для агентного кодинга и точного воспроизведения строк. Ограничения модели связаны с потерями, неизбежными при квантизации, причём веса были получены повторной квантизацией из Q8_0, а не напрямую из BF16. Показатели сравнения в README имеют узкую область применимости и основаны на агентном корпусе. Для обычной загрузки рекомендуется файл без MTP, если поддержка MTP не проверена. Модель лицензирована по Apache-2.0; исходный корпус калибровки не опубликован и содержит приватные данные рабочих сессий.

Qwen3.8-Flash-Coder-85GB-BF16 — производная модель Jab1718 на базе Qwen/Qwen3.8-Flash-Next, предназначенная для генерации кода и задач программирования. По README, это выделенная с помощью moe-slice разреженная MoE-подсеть: сохранены 48 трансформерных слоёв и 160 экспертов на слой; веса представлены в BF16, размер чекпойнта — около 85,24 ГБ. В карточке Hugging Face указаны 5,1 млрд параметров и контекст до 262 144 токенов. Модель рассчитана на диалоговое использование для написания, отладки и изменения кода, включая агентные сценарии. README сообщает о проверках на программных задачах на нескольких языках, но эти результаты относятся к описанной авторами тестовой подборке и не гарантируют аналогичного качества в других условиях. Метаданные указывают английский, вьетнамский и китайский языки; отдельная поддержка русского не заявлена. Лицензия — Apache-2.0.

Qwen3-Reranker-8B-GGUF-llama_cpp — это GGUF-версия модели Qwen3-Reranker-8B, разработанной командой Qwen и конвертированной пользователем Voodisss для запуска через llama.cpp. Модель предназначена для переранжирования текстов: она оценивает релевантность документов поисковому запросу и помогает сортировать результаты в системах поиска, Retrieval-Augmented Generation и других сценариях работы с текстовыми коллекциями. Модель относится к классу text-ranking и использует специализированный классификатор с метками yes/no для вычисления оценки релевантности. Доступны варианты F16 размером около 14,10 ГБ и Q8_0 размером около 7,49 ГБ; квантованный вариант требует меньше памяти, но может иметь небольшие потери качества. В README языки и точный встроенный размер контекста не указаны; в примере конфигурации llama-server используется ctx-size 32768. Сильная сторона этой сборки — корректная поддержка специфичных для reranker тензоров, метаданных pooling типа RANK и шаблона rerank-чата, благодаря чему она работает с llama.cpp и возвращает содержательные оценки релевантности. Модель следует использовать через endpoint /v1/rerank, а не /v1/embeddings: endpoint эмбеддингов для reranker-моделей возвращает нулевые значения. Для запуска требуется llama.cpp с настройками reranking, pooling rank и embedding. Модель распространяется по лицензии Apache 2.0.

mlx-community/Qwen3-VL-Reranker-2B-bf16 — преобразованная в формат MLX модель переранжирования, основанная на Qwen3-VL-Reranker-2B и созданная сообществом mlx-community. Она предназначена для оценки релевантности и упорядочивания текстовых результатов поиска; метаданные также указывают на мультимодальную архитектуру Qwen3-VL. Модель представлена в формате safetensors и распространяется по лицензии Apache-2.0. README указывает на использование пакета mlx-embeddings для работы с MLX.

sbert-jsnli-luke-japanese-base-lite — модель Sentence-Transformers на архитектуре LUKE, дообученная на один проход по датасету shunk031/jsnli на базе studio-ousia/luke-japanese-base-lite. Она преобразует предложения и абзацы на японском языке в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и оценки сходства. Контекст модели составляет до 514 токенов, число параметров — 138,4 млн; доступен формат PyTorch. Модель предназначена для семантического поиска и сравнения японских текстов. Лицензия — Apache-2.0. Карточка также указывает результаты оценки на JSTS и JSICK, но не приводит их числовые значения.

linhphanff/semantic-base-vi — модель на архитектуре RoBERTa с 162,4 млн параметров, опубликованная пользователем linhphanff. Она предназначена для оценки сходства предложений и может применяться для поиска семантически близких фраз и сравнения текстовых запросов. Метаданные указывают поддержку вьетнамского и английского языков, библиотеку Transformers и контекст до 258 токенов. Карточка содержит лишь краткую инструкцию по установке Transformers, поэтому подробности обучения и использования не описаны. Лицензия указана как other, без уточнения условий.

SpanBERT/spanbert-base-cased — англоязычная предварительно обученная модель-кодировщик семейства BERT, разработанная исследователями, опубликовавшими проект SpanBERT. Она использует конфигурацию BERT base: 12 слоёв, скрытый размер 768 и 12 голов внимания; карточка указывает 135,5 млн параметров и контекст до 512 токенов. Особенность предобучения — маскирование и обучение на уровне текстовых фрагментов, чтобы лучше представлять и предсказывать spans. Модель предназначена для дообучения под задачи понимания текста, включая извлечение ответов из контекста, разрешение кореференции, извлечение отношений и классификацию. Она принимает текст и выдаёт контекстные представления токенов, а конкретные ответы или метки обычно формируются дообученной task-specific моделью. Доступны веса PyTorch и Flax. Авторы сообщают о результатах на SQuAD, кореференции и TACRED; эти результаты относятся к их оценкам и не гарантируют качество на других данных. Для предварительно обученных весов указана лицензия CC-BY-NC 4.0, которая ограничивает коммерческое использование. Архив проекта также отмечает, что лицензия распространяется на предобученные модели.

SRBedding-base-v1 — модель Smartcat для семантического поиска и извлечения информации на сербском языке. Это Sentence Transformer на архитектуре XLM-RoBERTa, дообученный на базе e5-multilingual-base. Модель преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения сходства и ранжирования результатов поиска. Модель рассчитана на поиск релевантных документов по запросу, в том числе в коллекциях сербской Википедии, новостей и других текстов. В README указана максимальная длина входа 512 токенов; метаданные сообщают о 305,2 млн параметров и контекстном окне в 514 токенов. Для использования нужен текстовый запрос или документ; результатом служат векторные представления. README описывает оценку на сербских версиях MS MARCO, Natural Questions и SQuAD, но результаты относятся к указанным наборам и не гарантируют такое же качество на других данных. Модель выпущена по лицензии MIT.

Карточка модели ChenZ95/text2vec-base-chinese на Hugging Face совпадает с карточкой shibing624/text2vec-base-chinese, поэтому описание составлено по ней. text2vec-base-chinese — модель эмбеддингов предложений, обученная проектом text2vec на базе hfl/chinese-macbert-base с методом CoSENT. Она кодирует китайские предложения и короткие абзацы в плотные векторы размерности 768 для семантического поиска, сопоставления текстов, кластеризации и оценки сходства. Модель построена на архитектуре BERT, содержит около 129,5 млн параметров и принимает последовательности длиной до 512 токенов по метаданным; README указывает усечение входа длиннее 256 WordPiece-токенов. Модель предназначена прежде всего для китайских текстов. В README описана настройка на китайских данных STS-B с контрастивной функцией потерь и приведены результаты на китайских наборах для сопоставления предложений. Доступны веса в форматах PyTorch, Safetensors, ONNX и OpenVINO; автор также сообщает об ускоренных вариантах ONNX и OpenVINO. Лицензия — Apache-2.0. Модель выдаёт векторы, а не готовые ответы или текст; для поиска и сравнения требуется последующая обработка эмбеддингов. Её специализация на китайском языке и усечение длинных входов ограничивают применение к другим языкам и длинным документам.

rohit-vt/tink-reranker-minilm — текстовая cross-encoder-модель на основе cross-encoder/ms-marco-MiniLM-L6-v2, дообученная автором с помощью Sentence Transformers. Она принимает пары текстов и вычисляет оценку их релевантности для переранжирования результатов поиска и семантического поиска. Модель построена на архитектуре BERT с классификационной головой и выдаёт один числовой балл на пару; размер — 25,9 млн параметров, максимальная длина последовательности — 512 токенов. README описывает обучение на 11 010 примерах и оценку на 1 505 примерах с бинарными метками. Модель предназначена для включения в поисковые конвейеры, где нужно пересортировать кандидатов по соответствию запросу или сравнить семантическую близость двух текстов. Она обрабатывает только текст; карточка не сообщает о поддерживаемых естественных языках, а базовая модель предназначена для английского. Вес опубликован в формате safetensors. Лицензия в предоставленных данных не указана.

Модель use-token-shuffle-pt разработана Victormuryn как часть коллекции украинских эмбеддингов предложений. Это дообученная с контрастивной целью модель Sentence Transformers на базе paraphrase-multilingual-mpnet-base-v2, архитектура XLM-RoBERTa, около 305,2 млн параметров. При обучении использовался корпус UberText 2.0 и аугментация перемешиванием токенов с целями для pooling. Модель преобразует предложения и абзацы в векторы для семантического сравнения, поиска и кластеризации. Она ориентирована на получение эмбеддингов украинского текста; метаданные также указывают поддержку множества других языков. Контекст составляет 514 токенов. Распространяется по лицензии Apache-2.0.

mlx-community/whisper-large-v3-turbo-8bit — конверсия мультиязычной модели распознавания речи OpenAI Whisper Large V3 Turbo в формат MLX; преобразование выполнено с помощью mlx-audio-plus версии 0.1.4. Модель предназначена для преобразования аудиозаписей в текст и запуска на совместимых с MLX устройствах. Модель относится к семейству Whisper и использует плотную архитектуру. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. В метаданных указана задача автоматического распознавания речи; исходная модель также поддерживает перевод аудио в текст. Качество распознавания зависит от языка, записи и фонового шума.

Карточка модели avsolatorio/00-000-11-1-0-1-0-0-cls-unnormed-768-512_GIST_BAAI_bge-base-en-v1.5-20240128072140-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.

Карточка модели avsolatorio/01-000-11-0-0-1-0-0_GIST_BAAI_bge-small-en-v1.5-20240126215547-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.

Карточка модели 360ZhiNao/360VL-70B на Hugging Face совпадает с карточкой qihoo360/360VL-70B, поэтому описание составлено по ней. 360VL-70B — мультимодальная чат-модель компании 360, дообученная на основе Meta Llama 3 70B Instruct для работы с изображениями и текстом. Она использует авторегрессионную трансформерную архитектуру и глобально ориентированный многоветвевой проектор для обработки изображений; число параметров — 69,5 млрд, контекст — 8192 токена. Модель принимает текст и изображения и генерирует текстовые ответы. Она поддерживает многоходовые диалоги с одним изображением, визуальные вопросы и ответы, распознавание текста на изображениях, извлечение, упорядочивание и краткое изложение визуальной информации. Заявлена поддержка китайского и английского языков; изображения обрабатываются с разрешением до 672×672. Модель распространяется под лицензией Apache 2.0. Качество ответов может зависеть от содержания и разрешения изображения; заявленный режим визуального диалога рассчитан на одно изображение.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240125211517-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.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240125221415-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.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240125221415-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.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240125233651-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.

CamemBERTa-L8 — обрезанная версия предварительно обученной модели CamemBERTa, опубликованная Antoine Louis. Из исходного чекпойнта удалены верхние слои энкодера; модель содержит 100,1 млн параметров и использует архитектуру DeBERTa-v2. Она принимает текст и выдаёт контекстные признаки; максимальная длина контекста — 512 токенов. Модель предназначена прежде всего для дообучения под задачи, где решение зависит от всего предложения: классификации текста, извлечения ответа на вопрос и семантического поиска. Также её можно использовать для masked language modeling. Для генерации текста автор рекомендует авторегрессионные модели. Модель распространяется по лицензии MIT. Удаление верхних слоёв уменьшает модель, но может ограничивать её пригодность для задач, которым нужны полные представления исходной модели; качество на конкретных задачах зависит от дообучения.

CrossEncoder-camembert-large — модель-кросс-энкодер для оценки семантического сходства двух предложений, созданная на базе CamemBERT и обученная с помощью класса CrossEncoder библиотеки Sentence Transformers. Она принимает пару текстов и выдаёт оценку сходства от 0 до 1; модель предназначена для ранжирования и сравнения предложений, например при поиске похожих формулировок или проверке релевантности пары фраз. Модель обучена на STS Benchmark, а карточка приводит результаты оценки на французской тестовой выборке: корреляция Пирсона 88,16 и Спирмена 87,57. Архитектура — CamemBERT для классификации последовательности, размер около 435,4 млн параметров, длина контекста — 514 токенов. Основной язык модели — французский. Вес опубликован в форматах PyTorch и Safetensors. Модель хорошо подходит для сопоставления коротких текстов на французском языке, но её оценки сходства не следует трактовать как универсальную меру истинной эквивалентности. Для пары текстов модель запускается совместно, поэтому при масштабном поиске по большому корпусу вычисления могут быть затратными. Лицензия — Apache-2.0.

Модель tner/deberta-v3-large-ontonotes5 — дообученная T-NER версия Microsoft DeBERTa-v3-large для распознавания именованных сущностей. Она обучена на наборе tner/ontonotes5 и предназначена для выделения в тексте сущностей и их типов, включая имена людей, организации, географические объекты, даты, числа, суммы, события и произведения искусства. Архитектура — DeBERTa-v2 для классификации токенов; модель содержит 533,8 млн параметров и обрабатывает контекст длиной до 512 токенов. На тестовой части OntoNotes5 модель показала micro-F1 около 0,907. Результаты различаются по классам: например, F1 для персон составляет около 0,961, а для права и времени — около 0,676. Карточка рекомендует запускать модель через библиотеку T-NER; использование через Transformers не рекомендуется, поскольку CRF-слой там не поддерживается. Язык обучения в карточке не указан, поэтому языковую поддержку нельзя надёжно определить. Лицензия в предоставленных данных не указана.

Decision-2.0-Eos-0.8B — компактная плотная модель семейства Decision 2.0 от vLLM Semantic Router, дообученная на базе vllm-sr/Decision-1.0-Eos-0.8B. Принимает текст или JSON с контекстом и вопросами о кандидатах и за один проход оценивает варианты выбора, ответы «да/нет» и баллы, возвращая вероятности для ответов без генерации текста. Размер модели — 0,75 млрд параметров, длина контекста — 16 384 токена. Модель предназначена для классификации и ранжирования вариантов в сценариях принятия решений, когда по одному контексту нужно получить ответы на несколько вопросов. В README приведены результаты сравнительной оценки и медианное время 6 мс на один вопрос на одном GPU; эти показатели относятся к описанным условиям оценки. Репозиторий содержит веса safetensors и использует Transformers. Лицензия — Apache-2.0.

ettin-reranker-400m-v1 — это англоязычный cross-encoder, разработанный авторами семейства Ettin и дообученный на базе jhu-clsp/ettin-encoder-400m с использованием Sentence Transformers. Модель получает пару текстов и вычисляет для неё оценку релевантности; такие оценки подходят для повторного ранжирования результатов поиска и семантического поиска. Модель основана на архитектуре ModernBERT, содержит 394,7 млн параметров и поддерживает последовательности длиной до 7 999 токенов. Она принимает и обрабатывает текст на английском языке. В репозитории доступны форматы safetensors, ONNX и OpenVINO. Лицензия — Apache-2.0. Модель предназначена для этапа reranking в поисковых системах и конвейерах ответов на вопросы: сначала система извлекает кандидатов, затем cross-encoder оценивает пары «запрос — документ» и помогает упорядочить результаты. Оценки в README показывают улучшение ранжирования на большинстве перечисленных наборов данных, хотя на одном тесте результат снизился; качество следует проверять на данных целевого применения.

urchade/gliner_medium-v2.1 — англоязычная модель распознавания именованных сущностей из семейства GLiNER, разработанного Уршаде Заратианой, Нади Томе, Пьером Ола и Тьерри Шарнуа. Она использует двунаправленный энкодер-трансформер типа BERT и содержит 209 млн параметров. Модель извлекает из текста сущности заданных пользователем типов, поэтому подходит для сценариев, где нужны гибкие категории разметки без отдельного классификатора для каждого типа. Она предназначена для распознавания сущностей в англоязычном тексте и может служить более компактной альтернативой крупным языковым моделям для извлечения сущностей. Для работы авторы рекомендуют библиотеку GLiNER: модель загружается через `GLiNER.from_pretrained`, а сущности извлекаются функцией `predict_entities`. Репозиторий предоставляет веса PyTorch в формате Safetensors. Лицензия — Apache-2.0. В карточке не приведены результаты бенчмарков или конкретные ограничения качества; поддержка других языков для этой версии не заявлена.

gliner-community/gliner_small-v2.5 — мультиязычная модель распознавания именованных сущностей GLiNER от сообщества GLiNER. Она использует двунаправленный трансформерный энкодер BERT-типа и позволяет задавать типы сущностей для извлечения, поэтому подходит для сценариев, где заранее заданный фиксированный набор меток неудобен. Модель работает с текстом через библиотеку GLiNER и возвращает найденные сущности с их типами и позициями. Модель предназначена для извлечения имен, организаций, мест и других заданных пользователем сущностей из документов и текстовых потоков. В README приведены результаты оценки на нескольких наборах данных NER, включая ACE 2004, ACE 2005 и AnatEM. Репозиторий содержит веса PyTorch и safetensors; лицензия Apache-2.0 разрешает использование в соответствии с её условиями. По сравнению с более крупными LLM, GLiNER ориентирована на практичное распознавание сущностей при ограниченных вычислительных ресурсах.