II.8Инженерия данных и аналитика

CodeGen2 — авторегрессионная языковая модель Salesforce для синтеза программного кода. Эта версия содержит 3,7 млрд параметров, построена на плотной архитектуре CodeGenForCausalLM и работает с контекстом до 2048 токенов. Модель принимает текстовые подсказки на естественном языке и фрагменты кода, продолжает код и умеет заполнять пропуски внутри него. Модель обучена на очищенном наборе Stack v1.1 и рассчитана на генерацию исполняемого кода по подсказкам на английском языке, а также на дополнение существующих фрагментов. В карточке перечислены C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, Shell, SQL, Swift, TypeScript и Vue. Веса доступны в формате PyTorch; лицензия — Apache 2.0. Результаты генерации следует проверять: модель может выдавать ошибочный или небезопасный код, а авторы рекомендуют оценивать точность и риски перед внедрением. Карточка указывает исследовательское назначение выпуска; это само по себе не означает, что чекпойнт является промежуточным исследовательским экспериментом.

CodeGen2-7B_P — авторегрессионная языковая модель семейства CodeGen2, разработанная Salesforce для генерации программного кода. Модель с плотной архитектурой CodeGenForCausalLM содержит 7 млрд параметров, работает с контекстом до 2048 токенов и распространяется в формате PyTorch по лицензии Apache-2.0. Модель генерирует код по текстовым подсказкам, продолжает незавершённые фрагменты и поддерживает заполнение пропусков внутри кода. В обучении использовался очищенный набор Stack v1.1; заявлена поддержка языков C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, Shell, SQL, Swift, TypeScript и Vue. В первую очередь она предназначена для синтеза программ по англоязычным комментариям и завершения кода. Качество и безопасность сгенерированного кода требуют проверки: модель не оценивалась для всех сценариев применения и может допускать ошибки. Авторы рекомендуют оценивать риски перед внедрением; карточка указывает исследовательскую направленность релиза.

code-nothink-q8b-20260908 — модель для генерации кода, созданная на основе Qwen/Qwen3-8B-Base. Это плотная авторегрессионная модель семейства Qwen3 с 7,6 млрд параметров; LoRA-дообучение на парных данных NoThink code SFT слито с основными весами bf16. Репозиторий содержит веса в формате safetensors и специальный комплект токенизатора для оценки; контекст модели по метаданным — 32 768 токенов. Модель предназначена для генерации кода без режима рассуждений и решения задач программирования. В оценке LiveCodeBench DEV256 в режиме NoThink она показала средний pass@1 30,1% по двум запускам против 22,7% у базовой модели; авторы отмечают заметные колебания результата между seed и описывают данные как исследовательские, а не подтверждающие. Для инференса README рекомендует использовать токенизатор и chat template из этого репозитория. Лицензия — Apache-2.0.

Coding Monkey Gemma GGUF — модель, разработанная TheOneWhoWill на базе Gemma 4 12B. Это дообученная версия, ориентированная на генерацию кода и надёжное использование инструментов в агентских сценариях, включая вызовы функций, работу с базами данных, knowledge graph, shell-командами и терминальными действиями. Модель предназначена для локальной разработки и запуска на системах с ограниченным объёмом VRAM. Дообучение выполнено методом QLoRA на 5 211 примерах, преимущественно связанных с function calling и агентскими задачами. По данным README, на отложенном наборе из 102 запросов точность корректного вызова инструментов составила 70,6% против 26,5% у базовой модели, а валидность формата достигла 98%. Доступны варианты в формате GGUF с квантованием fp16, Q8_0, Q6_K, Q5_K_M и Q4_K_M; в примере использования указан контекст до 32 768 токенов. Сильная сторона модели — улучшенная генерация структурированных вызовов инструментов и пригодность для локальных coding-agent систем. Ограничения включают специализацию на tool calling и кодировании, возможное снижение качества при сильном квантовании, а также отсутствие в README подробных сведений о поддерживаемых языках, мультимодальности и комплексных результатах бенчмарков. Модель распространяется по лицензии Apache-2.0.

Denilah/CoMA-7B — дообученная языковая модель для генерации кода и выполнения инструкций. По карточке, модель обучена в июне 2023 года на наборе из 77 тысяч примеров для восьми задач. В метаданных указаны архитектура Llama с плотной causal language model, 6,6 млрд параметров, контекст до 16 384 токенов и формат PyTorch. Модель предназначена для генерации кода и выполнения разнообразных инструкций. Данных недостаточно, чтобы перечислить все восемь задач или указать конкретные языки программирования и естественные языки. Лицензия в предоставленных источниках не указана.

Darwin-28B-REASON — самостоятельная языковая модель VIDRAFT, полученная дистилляцией цепочек рассуждений на основе Darwin-28B-Opus. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, 27,6 млрд параметров и весами BF16. Веса модели можно использовать без отдельного адаптера; интерфейс рассчитан на диалог и поддерживает вызов инструментов. Модель предназначена для научных и математических задач с многошаговым рассуждением, а также для генерации и отладки кода. В README заявлена поддержка английского, корейского, китайского и японского языков, с приоритетом английского. Результат 89,39% на GPQA Diamond получен с дополнительным движком Darwin-DELPHI, который выполняет проверку нескольких ответов и самоанализ на этапе вывода; этот движок не входит в веса модели, а методика оценки и рецепт обучения раскрыты не полностью. Для запуска в BF16 требуется около 55 ГБ видеопамяти. Модель распространяется по лицензии Apache-2.0. Ее ответы могут содержать многословные рассуждения; заявленные показатели с Darwin-DELPHI нельзя напрямую считать результатом автономной модели без этого движка.

DeBERTinha PT-BR XSmall — предварительно обученная языковая модель семейства DeBERTa-V3, разработанная командой sagui-nlp для бразильского португальского. В репозитории указано около 40 млн параметров; метаданные каталога содержат оценку 47,6 млн. Модель рассчитана на извлечение признаков из текста и получение текстовых представлений, которые можно использовать в качестве эмбеддингов. Модель подходит для построения эмбеддингов и как основа для задач анализа текста на бразильском португальском. В карточке названы обучающие корпуса BrWaC и Corpus Carolina. Длина контекста составляет 512 токенов; модель доступна для Transformers в форматах PyTorch и safetensors. В README отмечено, что на несбалансированных наборах данных результаты могут быть слабыми; для улучшения обучения авторы рекомендуют, среди прочего, масштабирование функции потерь и weight decay. Лицензия модели — MIT.

Карточка модели Openintelligent123/DeepSeek-R1-Distill-Llama-8B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели Ishowbackup/DeepSeek-R1-Distill-Qwen-14B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели BrushStone/DeepSeek-R1-Distill-Qwen-1.5B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели HBkira/DeepSeek-R1-Distill-Qwen-1.5B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели Lord1337iuu/DeepSeek-R1-Distill-Qwen-1.5B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели densafaradenza/DeepSeek-R1-Distill-Qwen-32B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

DMax-Coder-16B — модель генерации кода на основе диффузионной языковой модели LLaDA-2.0-mini, разработанная авторами проекта DMax. Она дообучена на траекториях генерации кода и предназначена для создания программного кода с параллельным декодированием. В README описаны механизм самопересмотра ошибочных предсказаний и мягкое параллельное декодирование; заявлены показатели 6,6 TPF на задачах кода при сохранении точности. Модель использует MoE-архитектуру LLaDA2 и принимает текстовые запросы, выдавая текст, включая код. Размер по метаданным — 1,2 млрд параметров, контекст — до 16 384 токенов. Доступна в формате safetensors для Transformers. Лицензия — Apache-2.0.

wjunwei/ecommerce_text_embedding — дообученная модель Sentence Transformers на базе avsolatorio/GIST-Embedding-v0 для представления предложений и абзацев в виде плотных текстовых эмбеддингов. Она использует BERT с пуллингом CLS-токена и нормализацией векторов; размерность эмбеддинга — 768, максимальная длина входа — 512 токенов. Для сравнения векторов подходит косинусное сходство. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Название и обучающий набор указывают на связь с электронной коммерцией, но карточка не уточняет конкретные товарные сценарии или языковую специализацию. Доступна в формате safetensors через библиотеку sentence-transformers; размер модели — 136,7 млн параметров. Лицензия в предоставленных данных не указана.

facebook/fasttext-tr-vectors — предварительно обученная модель векторных представлений слов fastText для турецкого языка. fastText разработана Facebook как открытая лёгкая библиотека для обучения векторов слов и классификаторов текста; эта модель предназначена для получения векторов, которые можно использовать в классификации текста, определении языка и сравнении семантической близости слов. Векторы обучены методом CBOW с позиционными весами на корпусах Common Crawl и Википедии. Размерность векторов — 300, используются символьные n-граммы длиной 5, окно контекста 5 и 10 отрицательных примеров. Модель принимает текст и выдаёт векторные представления слов. Символьные n-граммы помогают получать векторы для словоформ, в том числе редких. Модель можно применять на обычном оборудовании, в том числе в прототипах и производственных системах. Векторы отражают статистику обучающих корпусов и могут содержать смещения; они не предназначены сами по себе для генерации текста. Лицензия — CC-BY-SA-3.0.

HiNER-original-muril-base-cased — модель разметки последовательностей на архитектуре BERT, обученная с нуля на наборе данных cfilt/HiNER-original. Она предназначена для присвоения меток отдельным токенам, однако README не уточняет типы сущностей или другие категории разметки. Модель содержит 264,8 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Карточка не сообщает условия лицензии и оценку качества.

IndicBERT-v3-1B — многоязычная двунаправленная языковая модель AI4Bharat на архитектуре Gemma-3, дообученная на основе google/gemma-3-1b-it. Она предназначена для задач с архитектурой энкодера, в частности для классификации токенов. Модель обучена методом Masked Next Token Prediction (MNTP), при котором целевой токен предсказывается по состоянию предыдущей позиции; при дообучении важно учитывать этот сдвиг в подготовке данных. Обучение продолжалось на примерно 35 млрд токенов с последовательностями длиной до 4096. Модель адаптирована к английскому и индийским языкам, включая хинди, тамильский, телугу, бенгальский, урду и ряд низкоресурсных языков. Веса доступны в формате safetensors, лицензия — MIT. Карточка описывает сильные результаты во внутренних тестах, но не приводит подробных оценок; версии для эмбеддингов и поиска в README обозначены как планируемые.

SpeechBrain lang-id-voxlingua107-ecapa — модель распознавания языка устной речи, обученная на наборе VoxLingua107. Она использует архитектуру ECAPA-TDNN, первоначально применявшуюся для распознавания говорящего; дополнительные полносвязные слои после слоя эмбеддингов и обучение с функцией потерь cross-entropy адаптируют её к классификации языка. Модель принимает аудио и относит речевой фрагмент к одному из 107 языков. Также её можно применять для извлечения эмбеддингов высказываний и обучения собственного классификатора языка. Модель обучалась на одноканальных записях с частотой 16 кГц; при вызове classify_file аудио автоматически приводится к нужному формату. Обучающие данные — короткие сегменты из YouTube, автоматически размеченные по языку видео; средняя продолжительность данных на язык составляет около 62 часов, но объём сильно различается. Ошибка на проверочном наборе VoxLingua107 составляет 6,7%. Модель распространяется по лицензии Apache-2.0. Качество может быть ниже для языков с малым объёмом обучающих данных, женской и детской речи, речи с иностранным акцентом, а также речи людей с нарушениями речи. Разметка обучающих сегментов получена автоматически, поэтому возможны ошибки в данных.

Это готовая к инференсу модель для генерации кода, дообученная методом supervised fine-tuning на базе meta-llama/Llama-3.2-3B-Instruct. В карточке указаны обучение на наборе llama3b_code_sft_data, упорядоченная подача данных и стратегия replay hard с коэффициентом 1,0; представлена контрольная точка на шаге оптимизатора 65. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 3,2 млрд параметров и рассчитана на контекст до 131 072 токенов. Она принимает текстовые запросы и генерирует текст, в том числе код; библиотека запуска — Transformers, веса опубликованы в формате safetensors. Языковая специализация в карточке не уточнена. Карточка называет модель готовой к инференсу, но не приводит оценок качества или подробностей о поддерживаемых языках программирования. Лицензия в предоставленных данных не указана.

TroyDoesAI/Mermaid-Flow-MoE-Expert2 — текстовая модель генерации на архитектуре Llama с 10,6 млрд параметров. Она создана слиянием методом SLERP моделей TroyDoesAI/Mermaid-Solar и TroyDoesAI/Mermaid_PythonCoder; в конфигурации указана базовая модель TroyDoesAI/Mermaid-Solar. Модель предназначена для генерации текста по запросу и объединяет возможности исходных моделей, одна из которых ориентирована на код Python и Mermaid. Модель принимает текст и выдаёт текст. Нативное окно контекста составляет 4096 токенов. Репозиторий содержит веса Safetensors, для работы указана библиотека Transformers. Данных о конкретном качестве, поддерживаемых языках и лицензии в доступных источниках нет.

MiMo-7B-RL — языковая модель XiaomiMiMo на 7 млрд параметров, обученная с нуля как часть семейства MiMo-7B, а затем дообученная с подкреплением на основе SFT-модели. Она предназначена прежде всего для пошаговых рассуждений в математике и программировании. По карточке, при обучении использовались проверяемые математические и кодовые задачи с оценкой по правилам; модель поддерживает чат и интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Архитектура — плотная причинная модель MiMoForCausalLM; контекстное окно по метаданным — 32 768 токенов. В README описана поддержка спекулятивного декодирования с одним MTP-слоем. Карточка приводит результаты на математических и кодовых бенчмарках, но они не гарантируют аналогичного качества на произвольных запросах. README не сообщает языки обучения или подробные ограничения в использовании. Лицензия — MIT.

jigs97022 разработал MiniCPM5-2B Distilled Reasoning — компактную языковую модель на 2,2 млрд параметров для генерации текста и задач с рассуждением. Она основана на архитектуре MiniCPM5-2B и дообучена методом дистилляции на примерах рассуждений, созданных с участием Qwen3.8-Max, GLM-5.2 и Kimi K3. Модель предназначена для решения математических задач, написания кода, логических головоломок, структурированного анализа и рассуждений при использовании инструментов. Поддерживает диалоговый шаблон MiniCPM5 и интерфейс вызова инструментов; метаданные указывают английский и китайский языки, а контекст — до 131 072 токенов. В README отмечено, что качество рассуждений снижается за пределами 4 096 токенов, модель обучалась на 10 тысячах примеров и может отвечать излишне подробно. Доступна по лицензии Apache-2.0.

Карточка модели NostraEmpire/mirror-deepseek-r1-distill-qwen-32b на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Moirai-1.0-R-Small — модель временных рядов от Salesforce, построенная на архитектуре Transformer с маскированным энкодером и предварительно обученная на наборе LOTSA. Версия Small содержит 12,4 млн параметров по метаданным Hugging Face; в README размер округлён до 14 млн. Модель предназначена для прогнозирования временных рядов, в том числе многомерных: она может учитывать целевые переменные и динамические ковариаты, значения которых известны на горизонте прогноза. В архитектуре используются патчи временного ряда и смесь распределений для представления прогнозов. Для запуска инференса README рекомендует библиотеку uni2ts. Модель распространяется по лицензии CC BY-NC 4.0. Авторы публикуют её для поддержки академической статьи и отмечают, что точность и пригодность для конкретных сценариев требуют оценки; модель не оценивалась для всех вариантов применения, особенно для высокорисковых задач.

Moirai-2.0-R-Small — компактная авторегрессионная модель трансформера для прогнозирования временных рядов, разработанная Salesforce. Она предварительно обучена на наборах GIFT-Eval и Chronos, синтетических рядах и внутренних операционных данных Salesforce; размер модели — 12,4 млн параметров. Для запуска вывода используется библиотека uni2ts. Модель предназначена для прогнозирования временных рядов. В версии 2.0 применяются функция потерь на квантилях, предсказание нескольких токенов за шаг, фильтрация рядов низкого качества при обучении, патчевые эмбеддинги с информацией о пропусках и случайное маскирование патчей для повышения устойчивости при выводе. Модель выпущена для исследовательского использования; Salesforce указывает, что исследовательская версия и связанные данные не разрабатывались и не оценивались для всех прикладных сценариев. Перед применением следует оценить точность, безопасность и справедливость результатов, особенно в сценариях с высокими последствиями ошибок. Лицензия — CC BY-NC 4.0.

Mtrini-27B-Tellus-Merged — объединённая модель CompiwerAI для запуска через Transformers. В README в качестве базовой модели указана Qwen3.8-27B; метаданные описывают архитектуру как плотную Qwen3.5 для авторегрессионной генерации текста. Размер по метаданным — 22,3 млрд параметров, нативный контекст — 262 144 токена, файлы представлены в формате safetensors. Модель предназначена для диалогов, генерации кода, математических задач и рассуждений. Для обучения использовалась смесь из 11 200 примеров, включающая данные по программированию и математике, а также марокканскую дариджу и арабский язык. В README сказано, что LoRA-адаптер CompiwerAI объединён с базовой моделью в самостоятельный чекпойнт. Модель распространяется по лицензии Apache-2.0. Результаты обучения и состав обучающей смеси приведены в карточке, но независимые оценки качества и подробные ограничения не описаны.

Jeevesh8/multiberts_seed_2_ft_0 — дообученная модель семейства MultiBERTs на архитектуре BERT для классификации текста. MultiBERTs разработана Google как набор воспроизводимых BERT-base чекпойнтов для анализа устойчивости результатов при различной инициализации и перемешивании обучающих данных; данный вариант опубликован пользователем Jeevesh8 и предназначен для задач текстовой классификации.

Модель Data-Lab/multilingual-e5-large-instruct-embedder-tg — дообученный разработчиком Data-Lab Sentence Transformer на базе intfloat/multilingual-e5-large-instruct. Она кодирует предложения и абзацы в плотные векторы размерности 1024 для семантического сравнения текстов. Архитектура включает XLM-RoBERTa, mean pooling и нормализацию; сходство оценивается косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель ориентирована на поиск похожих товаров по описаниям и другим текстовым запросам. Её можно применять для семантического поиска, поиска перефразировок, кластеризации, классификации текста и оценки сходства. В README приведён пример обучения на русскоязычных описаниях товаров; исходная multilingual E5 рассчитана на многоязычные тексты. В отчёте для набора Triplet указана точность cosine_accuracy 0,9285, но эти результаты не гарантируют такое же качество на других данных. Модель принимает текст и выдаёт векторные представления. Лицензия в предоставленных данных не указана.

MyAwesomeModel — модель на базе архитектуры BERT для извлечения признаков из текста, опубликованная в репозитории RHATH/MyAwesomeModel-TestRepo. Модель предназначена для преобразования текстовых данных в векторные представления, которые можно использовать в последующих задачах машинного обучения и анализа текста. Она поддерживает работу через библиотеку Transformers и реализована на PyTorch. В README также заявлены улучшения рассуждений, генерации кода, ответов на вопросы, суммаризации и других генеративных задач, однако эти утверждения не согласуются с pipeline-тегом feature-extraction и доступными метаданными. Поэтому для каталога модель следует классифицировать прежде всего как модель извлечения признаков на базе BERT. Языки, размер модели и длина контекста в предоставленных данных не подтверждены. Модель распространяется по лицензии MIT. Перед использованием в прикладных системах рекомендуется самостоятельно проверить фактическую архитектуру, качество эмбеддингов и соответствие заявленных в README возможностей конфигурации модели.