II.6Документация и сопровождение разработки

Модель dice-research/amharic-property-retriever-afro-xlmr-base — Sentence Transformer, дообученный исследовательской группой DICE Research на базе Davlan/afro-xlmr-large-76L для сопоставления амхарских обозначений полей и свойств с соответствующими названиями на английском языке. Она преобразует предложения и короткие фрагменты текста в плотные векторы размерности 1024; близость векторов оценивается косинусным сходством. Модель построена на XLM-RoBERTa и предназначена для семантического поиска и ранжирования соответствий, в том числе для поиска названий свойств в схемах данных. Обучение проводилось на 1 224 парах примеров из набора amharic-property-mapping с функцией потерь MultipleNegativesRankingLoss. В README указана максимальная длина последовательности 64 токена; метаданные каталога приводят контекст 514 токенов. Для практического использования стоит ориентироваться на ограничение 64 токена, описанное в карточке Sentence Transformers. На тестовой выборке из 186 пар приведены метрики поиска, однако они не гарантируют качество на других данных. Модель распространяется по лицензии MIT.

NAMAA-Space/AraModernBert-Base-STS — дообученная на базе NAMAA-Space/AraModernBert-Base-V1.0 модель Sentence Transformers для получения плотных векторных представлений арабского текста. Она использует архитектуру ModernBERT с mean pooling и выдаёт 768-мерные эмбеддинги; метаданные указывают контекст до 8 192 токенов, хотя в архитектуре из README задана максимальная длина последовательности 512 токенов. Модель предназначена для оценки семантического сходства предложений, поиска и кластеризации текстов, выявления перефразирований и классификации на основе эмбеддингов. В README приведены результаты оценки сходства на STS17 и STS22.v2. Модель работает с арабским языком и распространяется по лицензии Apache-2.0. Результаты могут зависеть от данных и сценария применения; приведённые метрики относятся к указанным наборам оценки.

Armenian-Text-Embeddings-2-large — модель Metric-AI для создания плотных векторных представлений армянских текстов. Она дообучена на базе intfloat/multilingual-e5-large, использует архитектуру XLM-RoBERTa и содержит около 658,7 млн параметров. Модель принимает текст и выдаёт эмбеддинги размерностью 1024; максимальная длина последовательности — 514 токенов. Модель предназначена для семантического поиска на армянском языке, задач RAG, сравнения документов, информационного поиска, классификации и кластеризации текстов. В карточке также заявлена обработка транслитерированных запросов и поддержка межъязыкового понимания. Репозиторий содержит веса в формате safetensors и использует лицензию MIT. Качество может снижаться на узкоспециализированной терминологии; модель может недостаточно учитывать культурный контекст армянского языка. На результаты также могут влиять качество обучающих данных и предвзятость текстов Reddit.

emrecan/bert-base-turkish-cased-mean-nli-stsb-tr — модель для получения векторных представлений предложений и абзацев, опубликованная автором emrecan. Она основана на BERT с 137,8 млн параметров и формирует плотные эмбеддинги размерности 768; модель обучалась на машинно переведённых на турецкий язык данных NLI и STS-B с использованием Sentence-Transformers. Контекст ограничен 512 токенами. Модель подходит для семантического поиска, сравнения сходства текстов и кластеризации турецкоязычных предложений. В README приведены результаты оценки на тестовой выборке: корреляция Пирсона 0,834 и Спирмена 0,830 для косинусного сходства. Доступна по лицензии Apache-2.0. Результаты зависят от домена и качества текстов; обучение на машинных переводах может влиять на качество.

swardiantara/bert-tiny-yelp-k3-adaptive-euclidean — компактная модель Sentence Transformers, дообученная разработчиком на базе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные векторы размерности 128 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура включает BERT с двумя слоями и mean pooling; модель содержит 4,4 млн параметров, принимает текст длиной до 512 токенов по метаданным Hugging Face, а README указывает максимум 128 токенов. Модель обучалась на 7 605 030 парах текстов с метками и поддерживает получение эмбеддингов и оценку сходства предложений. Примеры и базовая модель указывают на английский язык; специализация набора данных связана с отзывами Yelp. Репозиторий распространяет веса в формате safetensors. Лицензия в предоставленных данных не указана.

Xenova/bge-base-zh-v1.5 — это версия модели BAAI/bge-base-zh-v1.5, подготовленная с ONNX-весами для совместимости с библиотекой Transformers.js. Разработчик исходной модели — BAAI; данный репозиторий предназначен для использования модели в JavaScript- и web-сценариях. Модель предназначена прежде всего для извлечения признаков (feature extraction), например для преобразования текстов в числовые представления, которые могут использоваться в задачах семантического поиска, сравнения текстов и построения систем на основе эмбеддингов. В README приведён пример запуска через pipeline Transformers.js. Ключевая характеристика этой версии — формат ONNX и совместимость с Transformers.js. Точная архитектура, число параметров, размер контекста, перечень поддерживаемых языков, модальности и результаты оценки в README не указаны. Также не приведена информация о лицензии, поэтому условия распространения следует уточнять в карточке исходной модели BAAI/bge-base-zh-v1.5. Ограничением является неполнота опубликованной информации о характеристиках и качестве модели.

hyunseop/bge-m3-ko — корейская модель текстовых эмбеддингов, разработанная дообучением dragonkue/BGE-m3-ko. Она основана на XLM-RoBERTa и содержит 658,7 млн параметров; модель предназначена для извлечения векторных представлений, семантического поиска и сравнения предложений. Контекст составляет до 8194 токенов. Модель дообучена с контрастивной функцией потерь на парах запрос–документ, составленных на основе синтетических корейских персон из NVIDIA Nemotron Personas Korea. В описанных тестах она показала хорошие результаты на локальном корпусе AutoRAG, но уступила некоторым другим моделям в публичном корейском поисковом бенчмарке MIRACL. Репозиторий содержит веса Safetensors; условия лицензии в предоставленных данных не описаны.

Dialog2Flow joint target model — англоязычная модель на базе BERT-base, представленная Sergio Burdisso и соавторами в работе Dialog2Flow на конференции EMNLP 2024. Это модель Sentence-Transformers, дообученная для получения плотных векторных представлений предложений и абзацев: она отображает текст в пространство размерности 768 и предназначена для извлечения структуры потока диалога. Модель можно применять для поиска и кластеризации реплик, а также для извлечения потока диалога по смысловому сходству. Она основана на google-bert/bert-base-uncased, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. Обучение проводилось на данных DialogStudio и dialog2flow-dataset с контрастивной функцией потерь. Веса опубликованы в формате safetensors. Лицензия MIT разрешает использование, изменение и распространение модели при соблюдении её условий. Модель предназначена для английского языка; качество на других языках в карточке не подтверждено.

Модель rv2307/electra-small-ner — англоязычная модель для распознавания именованных сущностей, разработанная Vipin. Она основана на небольшом дискриминаторе Google ELECTRA и дообучена для классификации токенов; выделяет имена людей, названия организаций и географические объекты. Модель содержит 20,4 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и предназначена для использования через Transformers. Модель подходит для извлечения сущностей из англоязычных текстов, например для последующей индексации или структурирования документов. В карточке указаны датасеты CoNLL-2003 и ai4privacy/pii-masking-200k. Для объединения меток частей слов автор рекомендует в pipeline Transformers использовать aggregation_strategy="max". На длинных предложениях качество может снижаться; токенизатор distilbert может приводить к ошибочным меткам для частей одного слова. Лицензия — Apache 2.0.

Florence-2-base-ft — конвертированный для Transformers чекпойнт модели Florence от Microsoft, дообученный на наборе задач компьютерного зрения. Это плотная encoder-decoder модель семейства Florence-2 с архитектурой последовательность-в-последовательность и размером 0,23 млрд параметров. Она принимает изображения и текстовые запросы, позволяя одной моделью выполнять описание изображений, обнаружение объектов, генерацию описаний областей, локализацию фраз, OCR и визуальные вопросы и ответы. Модель предназначена для универсального анализа изображений через prompt-запросы, включая сценарии, где нужно получить текстовое описание, распознать надписи или найти и описать объекты и области. В карточке для этого чекпойнта указано продолжение предобучения Florence-2-large с контекстом 4K, но также отмечено, что использовалось лишь 0,1 млрд примеров и модель могла быть обучена недостаточно хорошо; для OCR изменён разделитель строк. Эти сведения расходятся с таблицей README, где Florence-2-base-ft указан как дообученный вариант размером 0,23 млрд параметров, поэтому характеристики обучения именно этого репозитория описаны в карточке неоднозначно. Файлы доступны в формате safetensors, библиотека — Transformers; лицензия MIT.

Это совместимая с новыми версиями библиотеки transformers редакция модели Florence-2-base-ft от Microsoft. В репозитории изменён код modeling_florence2.py, чтобы исправить загрузку модели и генерацию текста при работе с версиями transformers от 4.42.0 до 4.57.x; веса и базовая архитектура принадлежат Microsoft. Модель предназначена для задач анализа изображений, включая создание описаний, распознавание текста и обнаружение объектов по текстовым запросам. Архитектура Florence-2 принимает изображения и текстовые запросы и выдаёт текстовые ответы или результаты визуального анализа. В метаданных указана лицензия Apache-2.0; README отсылает к исходной карточке Microsoft за условиями использования.

GLM-5.3-Flash-W4A16-NVFP4-K32-Experts-FP8-WO — это смешанно-квантизированная версия модели GLM-5.3-Flash-BF16, разработанной Z.ai и опубликованной пользователем ormandj. Модель предназначена для задач генерации текста и обработки изображений, включая мультимодальные сценарии с vision input, а также для серверного инференса с несколькими одновременными запросами и speculative decoding. Модель поддерживает контекст до 499 712 токенов и рассчитана на работу на двух GPU RTX PRO 6000 Blackwell с 96 ГБ памяти каждый. Маршрутизируемые эксперты в слоях 3–45 квантизированы в ModelOpt W4A16 NVFP4, а часть attention- и shared-expert-проекций — в weight-only FP8; vision tower, проектор, эмбеддинги, LM head, маршрутизаторы, нормализации и ряд других компонентов сохранены в исходной точности. Тензорные данные занимают около 178 ГБ в 90 safetensors-шардах. В README указано качество 96,9% на GSM8K в zero-shot greedy-режиме, сопоставимое с исходной BF16-моделью в аналогичных условиях. Основные ограничения связаны с узкой аппаратной и программной совместимостью: требуется Linux x86_64, две GPU с архитектурой SM120, Docker и NVIDIA Container Toolkit. Чекпойнт использует специальный контракт modelopt_mixed и на данный момент корректно загружается только через закреплённый образ SGLang/FlashInfer; стандартные версии Transformers, vLLM и SGLang не поддерживаются. Это не официальный релиз Z.ai, ModelOpt или SGLang. Исходный чекпойнт распространяется по лицензии MIT; рекомендации по применению и ограничениям следует уточнять в карточке исходной модели.

quarkss/indobert-base-stsb — модель Sentence Transformers, дообученная автором quarkss на indobenchmark/indobert-base-p2 для оценки семантического сходства предложений на индонезийском языке. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать по косинусной мере. Архитектура включает BERT и усредняющий пулинг токенов, максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска, поиска перефразирований, кластеризации и классификации текстов. В README приведены результаты оценки сходства на STSB, но их переносимость на другие наборы данных и сценарии не гарантируется. Для работы с моделью используется библиотека Sentence Transformers. Веса доступны в формате safetensors; условия лицензии в предоставленных данных не описаны.

jina-embeddings-v5-omni-small-clustering — мультимодальная модель эмбеддингов от Jina AI, созданная на базе jinaai/jina-embeddings-v5-omni-small. Она принимает текст, изображения, видео и аудио и преобразует их в векторы общего пространства, согласованного с текстовой моделью jinaai/jina-embeddings-v5-text-small-clustering. Вариант настроен для кластеризации; размер модели — около 1,56 млрд параметров, размерность эмбеддинга — 1024. Модель подходит для группировки и сравнения мультимодальных данных, а также для поиска, где документы индексируются текстом, а запросы поступают в виде текста, изображения, видео или аудио. Видео представляется последовательностью кадров; звуковая дорожка видео автоматически не обрабатывается и для совместного кодирования должна передаваться отдельно. Для текстовых документов README рекомендует добавлять префикс «Document: ». Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

KazEmbed-V5 — это дообученная Nurlykhan модель эмбеддингов на базе intfloat/multilingual-e5-base, предназначенная прежде всего для поиска по текстам на казахском языке и построения RAG-систем. Модель использует архитектуру XLM-RoBERTa и содержит около 305 млн параметров по метаданным; README указывает 278 млн. Она преобразует запросы и фрагменты текста в векторы для поиска релевантных материалов и сопоставления предложений. Для наилучших результатов при поиске README рекомендует добавлять к запросам префикс «query:», а к документам — «passage:».

hyuk2010/klue-roberta-base-klue-sts — модель Sentence Transformers, дообученная на базе klue/roberta-base для сравнения смысла корейских предложений. Она преобразует предложения и абзацы в плотные векторы размерности 768; архитектура включает RoBERTa и mean pooling, а близость векторов оценивается косинусным сходством. Модель содержит 137,8 млн параметров. Максимальная длина последовательности указана как 512 токенов в README и 514 токенов в метаданных. Модель предназначена для семантического поиска, поиска перефразировок, кластеризации и сравнения текстов по смыслу. Для обучения использовались 10 501 пара корейских текстов с оценками сходства. В README приведены оценки на двух таблицах, но они заметно различаются, поэтому качество на целевых данных следует проверять отдельно. Модель принимает текст и выдаёт эмбеддинги; опубликована в формате safetensors и рассчитана на использование с библиотекой Sentence Transformers. Лицензия в предоставленных данных отсутствует.

ddobokki/klue-roberta-base-nli-sts — модель эмбеддингов предложений на базе архитектуры RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантического сходства, семантического поиска и кластеризации текстов. Модель содержит 137,8 млн параметров и принимает текстовые последовательности длиной до 514 токенов. В карточке описано обучение с функцией потерь CosineSimilarityLoss. Файлы доступны в форматах PyTorch и Safetensors; для использования подходят Sentence-Transformers или Transformers с соответствующим pooling. Это производная модель на основе KLUE-RoBERTa-base, дообученная для задач сходства предложений и семантического представления текста. Основной язык — корейский, что следует из KLUE в названии базовой модели. Условия лицензирования в предоставленных данных не указаны.

daekeun-ml/KoSimCSE-unsupervised-roberta-base — корейская модель для получения эмбеддингов предложений, основанная на RoBERTa base и методе SimCSE с контрастивным обучением без разметки. Её можно использовать для сравнения смысловой близости корейских текстов и поиска похожих предложений. В README приведены результаты оценки на KLUE-STS и Kor-STS: для версии RoBERTa base без учителя средние показатели составляют 81,17 и 81,20 соответственно. Репозиторий также описывает обучение SimCSE, включая распределённое обучение и supervised-вариант, но данный чекпойнт обозначен как unsupervised. Размер модели и длина контекста в предоставленных данных не указаны. Лицензия — MIT.

Это модель Sentence Transformer от snunlp для получения векторных представлений корейских предложений и абзацев. Она основана на BERT с 144,3 млн параметров и формирует плотные эмбеддинги размерности 768; вектор предложения строится усреднением токенных представлений. Максимальная длина входа — 512 токенов, сходство векторов можно оценивать косинусной мерой. Модель обучена на корейском наборе klue/klue и предназначена для оценки семантической близости текстов, семантического поиска, поиска перефразировок, кластеризации и получения признаков для классификации. В README приведён результат Spearman 0,8765 на sts-dev. Она принимает текст на корейском языке и выдаёт векторы; классификацию и кластеризацию следует выполнять отдельным алгоритмом поверх эмбеддингов. Лицензия в предоставленных данных не указана.

KennethTM/MiniLM-L6-danish-encoder-v2 — компактная модель Sentence Transformers на архитектуре BERT для представления датских предложений и абзацев в виде плотных векторов размерности 384. По карточке это обновлённая версия MiniLM-L6-danish-encoder, обученная на дополнительных данных GooAQ, переведённых на датский язык; модель адаптирована от англоязычной sentence-transformers/all-MiniLM-L6-v2 с датским токенизатором, а не обучена с нуля. Модель содержит 25,9 млн параметров и обрабатывает последовательности длиной до 512 токенов. Векторы подходят для семантического поиска, сравнения сходства предложений и кластеризации датских текстов. При обучении использовались переведённые на датский данные ELI5 и SQuAD, а также датские пары GooAQ. Лицензия — MIT. Описание не сообщает результатов сравнительной оценки качества; при использовании следует учитывать, что назначение и обучающие данные ориентированы на датский язык.

osiria разработала MiniLM L6 H384 Italian Cross Encoder — компактную модель на базе MiniLMv2, предназначенную для ранжирования текстовых пар на итальянском языке. Она получена на основе mmarco-mMiniLMv2-L6-H384-v1 с адаптацией embedding-слоя к итальянскому языку с использованием частот слов из Википедии. Архитектура в метаданных указана как XLM-RoBERTa для классификации последовательностей; размер — 25,9 млн параметров, контекст — до 514 токенов. Модель поддерживает ранжирование и классификацию текста. Выпущена по лицензии MIT.

Карточка модели PierrunoYT/moondream3-preview на Hugging Face совпадает с карточкой moondream/moondream3-preview, поэтому описание составлено по ней. Moondream 3 (Preview) — мультимодальная модель Moondream для анализа изображений и работы с текстом. Она принимает изображение и текстовый запрос, а также может использоваться как универсальная текстовая модель. Архитектура — Mixture of Experts: 9 млрд параметров всего, из них 2 млрд активны; визуальный энкодер основан на SigLIP. Модель имеет 24 слоя и контекстное окно до 32 тысяч токенов. Модель предназначена для ответов на вопросы об изображениях, создания подписей, поиска точек объектов и обнаружения объектов с ограничивающими рамками. Режим рассуждений включён по умолчанию; его можно отключить для простых запросов. Для локального запуска предлагается Transformers с FlexAttention, а также доступен облачный API. Moondream 3 выпущена как Preview, поэтому качество и поведение могут измениться. Веса распространяются по Business Source License 1.1 с Additional Use Grant: разрешены личное и исследовательское применение, внутреннее производственное использование и большинство коммерческих сценариев, но платные сервисы, конкурирующие с предложениями M87 Labs, требуют отдельного соглашения.

multilingual-e5-small-int8 — это ONNX-модель для построения текстовых эмбеддингов, разработанная на основе Xenova/multilingual-e5-small и подготовленная как неизменяемый пакет для ZimaOS Photos с автоматическим эмбеддингом в Manticore. Модель распространяется под лицензией MIT и предназначена для семантического поиска и сопоставления текстов, в частности двуязычных описаний и подробных сводок, создаваемых VLM для фотографий. Модель использует архитектуру и параметры исходной multilingual-e5-small, но точный размер исходной модели в README не указан. Опубликованный артефакт — ONNX-модель с INT8-квантизацией для выполнения через ONNX Runtime. Размер выходного вектора составляет 384 значения, применяется mean pooling с учётом attention mask и последующая L2-нормализация. Максимальная длина входа — 512 токенов. Для запросов используется префикс «query: », а для индексируемых текстов — «passage: »; соблюдение этих префиксов является частью фиксированного контракта эмбеддингов. Поддерживается многоязычный текст, однако конкретный перечень языков не указан. Сильные стороны модели — компактное 384-мерное представление, INT8-формат, совместимость с ONNX Runtime и пригодность для эффективного семантического поиска по многоязычным описаниям. Ограничения включают максимальную длину контекста в 512 токенов, необходимость корректно использовать разные префиксы для запросов и passages, а также отсутствие в README сведений о точной архитектуре, числе параметров и результатах бенчмарков. В репозитории опубликованы config.json, tokenizer.json и единственный файл model.onnx; альтернативные форматы весов не предоставляются.

MyAwesomeModel — модель из репозитория yfeng123456/MyAwesomeModel-TestRepo, опубликованная для использования с библиотекой Transformers и PyTorch. По метаданным Hugging Face она относится к семейству BERT и предназначена прежде всего для извлечения признаков из текста.

AhmadAfles/NeoAraBERT-STS-Genre — дообученная модель Sentence Transformer на базе U4RASD/NeoAraBERT-STS, предназначенная для преобразования предложений и абзацев в эмбеддинги и поиска по смыслу. Она использует архитектуру NeoBERT с усредняющим pooling, выдаёт плотные векторы размерностью 768 и сравнивает их косинусным сходством. Модель принимает текст, поддерживает последовательности длиной до 512 токенов и подходит для семантического поиска и извлечения релевантных текстов. Модель обучена на 465 парах предложений с MultipleNegativesRankingLoss. Примеры обучающих данных содержат арабский литературный и разговорный текст. В метаданных указано 314,2 млн параметров и формат safetensors. Лицензия в предоставленных данных не указана.

OpenReasoning-Nemotron-14B — языковая модель NVIDIA для генерации решений и рассуждений в задачах математики, программирования и естественных наук. Это дообученная методом supervised fine-tuning плотная decoder-only Transformer-модель семейства Qwen2.5 с 14 млрд параметров. Модель принимает и выдаёт текст, поддерживает диалоговый режим и предназначена для разработчиков и исследователей, работающих со сложными задачами, включая соревновательную математику, написание кода и научные вопросы. В README указана оценка генерации до 64 тысяч выходных токенов; метаданные указывают контекст до 131 072 токенов. Для режима GenSelect можно объединять несколько параллельных генераций и выбирать лучшее решение. Модель обучена на математических, программных и научных данных, включая синтетические ответы DeepSeek-R1-0528; README приводит результаты на наборах тестов по рассуждениям, математике и коду. Карточка указывает готовность к коммерческому и некоммерческому исследовательскому применению. Лицензия — CC BY 4.0. Модель оптимизирована для GPU-систем NVIDIA; результаты могут зависеть от сценария и режима вывода.

Это преобразованная для обслуживания через vLLM версия модели Perplexity AI pplx-pii-masking. Она использует плотную архитектуру Qwen3ForTokenClassification с 507,9 млн параметров и принимает текст, присваивая токенам BIOES-метки для обнаружения имён людей, адресов электронной почты и телефонов, адресов, URL, дат, номеров счетов, секретов и других персональных данных. Дополнительный выход оценивает чувствительность последовательности. Модель поддерживает английский и демонстрирует работу на немецком; контекст по метаданным — 32 768 токенов. Веса перенесены без переобучения и квантизации: изменены формат упаковки и структура голов для совместимости с vLLM. Проверки в карточке показывают совпадение меток с исходной моделью на приведённых примерах. Для декодирования меток и оценки чувствительности нужны сырые логиты без активации. Токенизатор обрезает входы длиннее 4096 токенов, поэтому длинный текст следует обрабатывать частями; границы найденных фрагментов могут не точно совпадать с границами символов, а оценку чувствительности рекомендуется калибровать перед использованием как порога. У репозитория указана лицензия other; карточка сообщает, что модель приватна и ожидает синхронизации с официальным выпуском.

OpenASR/qwen3-asr-0.6b — компактная модель автоматического распознавания речи, разработанная командой Qwen при Alibaba и упакованная проектом OpenASR в нативный формат .oasr. Модель основана на Qwen3-ASR-0.6B и предназначена для преобразования аудио в текст с поддержкой офлайн- и потоковой транскрипции, включая обработку длинных аудиозаписей и встроенное определение языка речи. Модель поддерживает 30 языков и 22 китайских диалекта, всего 52 языка и диалекта. Она рассчитана на эффективное использование на CPU и GPU, работает в OpenASR без Python во время инференса и доступна в вариантах fp16, q8_0 и q4_k. Размер сборок составляет примерно от 631 МБ до 1,88 ГБ; q8_0 рекомендуется как компромисс между качеством и занимаемой памятью, q4_k — для устройств с ограниченными ресурсами, а fp16 — для максимальной точности. Для распознавания сложного аудио заявлена устойчивость к чистой речи, вокалу и песням с фоновой музыкой. Ограничения включают отсутствие заявленной поддержки распознавания лиц или других модальностей, а также отсутствие встроенных таймкодов уровня слов; для них рекомендуется использовать отдельную модель Qwen3-ForcedAligner-0.6B. Пакеты распространяются по лицензии Apache-2.0, унаследованной от исходной модели; OpenASR выполняет конвертацию формата и квантизацию.

Qwen3-Reranker-8B-AWQ-INT4 — это квантизированная версия модели Qwen3-Reranker-8B, опубликованная drawais и основанная на модели Qwen/Qwen3-Reranker-8B от оригинальных авторов Qwen. Модель предназначена для переранжирования текстовых результатов, например для выбора наиболее релевантных документов или фрагментов в поисковых и retrieval-системах. В README явно указан английский язык; другие языки не заявлены. Используется весовая квантизация INT4 в формате AWQ, что уменьшает размер модели примерно до 6,1 ГБ и позволяет запускать её на потребительском GPU с 8 ГБ видеопамяти при наличии запаса под KV-кэш. Заявлена поддержка запуска через Transformers и vLLM; пример конфигурации использует максимальную длину контекста 32 768 токенов. Сильными сторонами являются сниженные требования к памяти и сохранение назначения специализированного reranker, однако квантизация может влиять на качество по сравнению с исходной моделью, а сведения о точных характеристиках архитектуры, качестве на тестах и поддерживаемых модальностях в README отсутствуют. Модель распространяется по лицензии Apache License 2.0; это производная работа Qwen/Qwen3-Reranker-8B, для которой указаны требования к атрибуции.

mlx-community/Qwen3-VL-Reranker-2B-mxfp8 — мультимодальная модель ранжирования, преобразованная сообщество mlx-community в формат MLX из Qwen/Qwen3-VL-Reranker-2B. Она предназначена для оценки релевантности и упорядочивания кандидатов, в том числе в мультимодальных сценариях. Архитектура семейства Qwen3-VL; в метаданных указан размер базовой модели 2B по идентификатору, а файлы репозитория представлены в формате safetensors. Для использования в README предлагается пакет mlx-embeddings. Модель может применяться для переранжирования результатов поиска и выбора наиболее подходящих текстовых или визуальных кандидатов. Базовая модель Qwen3-VL-2B-Instruct поддерживает анализ изображений и видео, однако README этой версии не уточняет входной формат, поддерживаемые языки или длину контекста. Лицензия — Apache-2.0.