II.8Инженерия данных и аналитика

IDiom-20M — авторегрессионная языковая модель белков с 20 млн параметров для генерации и изучения внутренне неупорядоченных областей белков (IDR). Модель предназначена для работы с белковыми последовательностями и связана с датасетом IDiom-DB. Модель подходит для генерации вариантов IDR и изучения закономерностей в таких последовательностях в задачах вычислительной биологии и дизайна белков. В README приведена ссылка на карточку IDiom-300M с дополнительными сведениями, однако архитектура и детали обучения для версии 20M здесь не раскрыты. Модель распространяется по лицензии MIT.

PlasmidGPT-319M — условная языковая модель ДНК от разработчика McClain, созданная для генерации последовательностей плазмид по заданным биологическим свойствам. Это дообученная модель на базе GPT-2: архитектура GPT2LMHeadModel с 319 млн параметров, 24 слоями, 16 головами внимания и размерностью эмбеддингов 1024. Модель работает с токенами A, C, G и T и специальными токенами условий; длина контекста составляет 16 384 токена. Модель предназначена для генерации последовательностей плазмид с условиями, такими как организм-хозяин, устойчивость к антибиотикам и содержание GC. Обучение проводилось на 13 260 уникальных парах «условия — последовательность» из дедуплицированных плазмид Addgene. Карточка приводит значение perplexity на валидации 1,88. Лицензия — MIT. Модель специализирована на синтезе последовательностей, а не на естественно-языковом диалоге или анализе биологических данных. Качество и биологическая пригодность сгенерированных последовательностей требуют отдельной проверки; карточка не описывает такие процедуры проверки.

PlasmidLM-kmer6-MoE — авторегрессионная языковая модель семейства PlasmidLM для генерации последовательностей плазмидной ДНК. Она обучена на примерно 100 тысячах последовательностей Addgene, представленных перекрывающимися k-mer-токенами длины 6 со сдвигом 3, и генерирует ДНК по функциональным аннотациям в промпте, например маркерам устойчивости к антибиотикам и точкам начала репликации. Модель использует декодер Transformer с MoE-слоями: в каждом из них маршрутизатор выбирает двух экспертов из шести. В README указаны 78,3 млн параметров всего и 31,1 млн активных; метаданные указывают 25,2 млн параметров. Для модели заявлен контекст 16 384 токена. Данные описывают генерацию биологических последовательностей, а не обычного текста; язык английский указан в метаданных карточки. Модель предназначена для исследовательского и экспериментального проектирования плазмидных последовательностей по заданным функциональным признакам. README сообщает eval loss 0,190 и точность токенов 98,4%, но эти показатели сами по себе не подтверждают функциональность или безопасность сгенерированных последовательностей. Лицензия — Apache-2.0.

RaDaR (Rare Disease navigatoR) — языковая модель на 32 млрд параметров, разработанная для дифференциальной диагностики редких заболеваний по текстовым клиническим описаниям. Она основана на DeepSeek-R1-Distill-Qwen-32B и дообучена на реальных клинических случаях редких заболеваний и синтетических случаях с привязкой к фенотипам, с применением supervised fine-tuning и direct preference optimization. Модель принимает свободный текст медицинской записи, включая симптомы, анамнез, результаты обследований и генетические данные, и формирует диагностические рассуждения и список возможных редких заболеваний. В исследовании оценивался сценарий ранжирования пяти вероятных диагнозов для последующей проверки врачом. Контекст — до 131 072 токенов; архитектура — плотная Qwen2, веса доступны в формате BF16 и занимают около 65,5 ГБ. Модель предназначена для локального запуска, в том числе в медицинской организации. RaDaR может помочь клиницистам приоритизировать гипотезы, однако её выводы могут быть ошибочными, неполными или чрезмерно уверенными. Она не заменяет специалиста и не предназначена для автономной постановки диагноза или выбора лечения. Модель распространяется по лицензии Apache-2.0.

SaProt_650M_AF2_inverse_folding — дообученная модель семейства ESM, созданная на базе SaProt_650M_AF2 и адаптированная для обратного фолдинга белков. Она обучена на наборе CATH и предназначена для подбора аминокислотной последовательности по структуре белка; по данным авторов, модель превосходит исходную SaProt_650M_AF2 и конкурентоспособна с ProteinMPNN, требуя при этом меньше времени на инференс. Модель содержит 865,6 млн параметров, принимает до 1026 токенов и распространяется в формате PyTorch. Для использования указанного назначения требуется задавать структурное представление белка; карточка описывает обучение на CATH, но не уточняет языки интерфейса, подробные ограничения по длине последовательности или результаты на других наборах данных. Лицензия — MIT.

IvanHU/esmc-ar-848m-ple-5b — авторегрессионная белковая языковая модель, разработанная автором репозитория и обученная с нуля на 5 млрд токенов аминокислотных последовательностей. Это не исходная ESMC-300M и модель не использует её предобученные веса. В метаданных указано 335,6 млн параметров, тогда как README заявляет 848 446 464 параметра; размер модели в источниках расходится. Архитектура на основе блоков ESMC адаптирована для причинного предсказания следующего токена и дополнена PLE — обучаемыми n-граммными эмбеддингами в 32 слоях. Модель принимает аминокислотные последовательности и генерирует продолжения; контекст обучения составляет 2048 токенов. Она предназначена для экспериментов с генерацией белковых последовательностей, однако качество генерации и биологическая функциональность не оценивались. Для генерации нужен непустой аминокислотный префикс, а суммарная длина префикса и продолжения должна укладываться в 2048 токенов. KV-кэширование не реализовано, поэтому при генерации контекст пересчитывается; настройки по умолчанию подавляют все выходные токены, кроме 20 стандартных аминокислот, включая EOS, поэтому необходимо явно задать max_new_tokens. Для текстов со строками аминокислот следует использовать встроенный токенизатор; сырые ID токенов ProGen3 напрямую несовместимы. README описывает проверку согласованности экспорта, но не биологическую валидацию. Репозиторий содержит веса safetensors и файлы для инференса; сведения о лицензии в предоставленных данных отсутствуют.

PromoGen2 — специализированная авторегрессионная языковая модель на архитектуре GPT-2 для генерации и оценки последовательностей прокариотических промоторов. Модель предназначена для биологических сценариев, в том числе для видов, по которым доступно мало экспериментально проверенных данных. На вход подают последовательность ДНК и, при необходимости, метку контекста; модель генерирует варианты промоторных последовательностей. Их также можно оценивать по правдоподобию под моделью с помощью описанной в карточке функции оценки. Контекст модели составляет 256 токенов. Модель опубликована в формате safetensors и работает через Transformers. Карточка не приводит численный размер модели и подробные результаты оценки качества, поэтому пригодность сгенерированных последовательностей следует проверять экспериментально. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Cogito v2 preview 405B — инструкция-донастроенная плотная языковая модель семейства Llama, разработанная Deep Cogito на базе Meta Llama 3.1 405B. Она поддерживает обычный режим ответа и режим рассуждения с самопроверкой; для включения расширенного мышления требуется соответствующая настройка шаблона чата или системная инструкция. Модель оптимизирована для программирования, STEM-задач, следования инструкциям и диалоговой помощи, а также поддерживает вызов инструментов. Модель содержит 403,7 млрд параметров, работает с текстом и имеет контекст до 131 072 токенов. По заявлению разработчиков, обучение охватывало более 30 языков. Для весов используется формат Safetensors, а запуск описан через Transformers. Модель распространяется по лицензии Llama 3.1, которая допускает коммерческое использование на её условиях.

Карточка модели zenosai/MonkeyOCRv2-B-Parsing-DFlash на Hugging Face совпадает с карточкой zenosai/MonkeyOCRv2-B-Parsing, поэтому описание составлено по ней. MonkeyOCRv2-B-Parsing — мультимодальная модель для разбора документов, разработанная командой MonkeyOCRv2. Она принимает изображения документов и предназначена для извлечения и структурирования их содержимого; модель также поддерживается как парсер PDF в RAGFlow. В README указана оценка на документах 17 языков, включая цифровые и сфотографированные документы, однако конкретные языки не перечислены. Модель использует плотную архитектуру MonkeyOCRv2ForCausalLM и содержит 507,9 млн параметров. Метаданные указывают контекст до 40 960 токенов, библиотеку Transformers и формат весов Safetensors. В README описаны запуск через Transformers и vLLM, а также возможность дообучения на собственных данных. Лицензия — Apache-2.0. Подходит для разбора PDF и изображений документов с выдачей текстового представления, в том числе для последующей работы с содержимым в RAG-системах. Ограничение: README не приводит перечень поддерживаемых языков и подробностей о формате или точности результатов для отдельных типов документов.

Nemotron OCR v2 — мультиязычная модель распознавания текста на изображениях из коллекции NVIDIA NeMo Retriever. Она объединяет детектор текстовых областей на базе RegNetX-8GF, трансформерный распознаватель и модуль анализа связей между областями, который определяет группировку элементов, порядок чтения и структуру макета. Доступны варианты для английского языка и для нескольких языков; мультиязычный вариант поддерживает английский, китайский, японский, корейский и русский. Модель предназначена для OCR документов и изображений реальных сцен, включая многострочный и многоблочный текст, таблицы, графики и инфографику. На вход принимает RGB-изображения, на выходе формирует распознанный текст, рамки областей и оценки уверенности. Её можно использовать для извлечения текста в поисковых и RAG-системах и приложениях, которым нужен анализ содержимого изображений. По описанию NVIDIA, модель рассчитана на производственное и коммерческое применение. Лицензия NVIDIA Open Model License Agreement; в README также упоминается Apache 2.0.

Viper-Coder-Hybrid-v1.3 — дообученная модель для генерации кода и технических текстов, созданная на базе Viper-Coder-v1.1. В карточке указано, что она использует архитектуру Qwen 2.5 с 14 млрд параметров; метаданные относят её к семейству Qwen2 и указывают контекст до 131 072 токенов. Модель работает с текстом и поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Модель предназначена для написания, анализа и отладки кода, решения алгоритмических и логических задач, математических рассуждений, обработки структурированных данных и подготовки технической документации. README заявляет поддержку программирования на Python, JavaScript, C++, Java, SQL и других языках, а также документации на более чем 29 естественных языках; метаданные карточки указывают английский и китайский. Заявленная длина генерации — до 8 000 токенов. Модель может требовать мощных вычислительных ресурсов. README предупреждает о возможных ошибках в длинных ответах, разнице качества между языками программирования, зависимости результата от формулировки запроса и отсутствии доступа к актуальной информации из интернета. Лицензия — Apache-2.0.

Apodex-1.1-mini — reasoning-first модель для сложных исследовательских и агентских задач, разработанная Apodex AI на базе Qwen/Qwen3.5-35B-A3B. Модель предназначена для долгих многоэтапных сценариев: работы с научными статьями, наборами данных, таблицами, изображениями и кодом, выполнения анализа, использования инструментов и подготовки проверяемых результатов. Она поддерживает английский и китайский языки и относится к моделям генерации текста. Модель рассчитана на агентское использование с нативным вызовом функций, планированием, координацией параллельных подагентов и сохранением состояния задачи. В экосистеме Apodex предусмотрены проверка утверждений по источникам, данным и вычислениям, а также корректировка результатов при обнаружении недостаточных или противоречивых доказательств. Заявленный контекст составляет до 262144 токенов, рекомендуемый лимит генерации — до 32768 токенов. Сильные стороны модели — выполнение комплексных задач от исходных материалов до итоговых артефактов, работа с инструментами и встроенная проверка результатов. Ограничения связаны с тем, что качество зависит от настроек серверного развёртывания, доступных инструментов и корректности внешних данных; точные сведения о числе параметров и внутренней архитектуре в карточке не указаны. Модель распространяется по лицензии Apache 2.0.

LFM2-1.2B-Extract — компактная языковая модель Liquid AI на базе LFM2-1.2B, дообученная для извлечения значимой информации из неструктурированных документов и преобразования её в заданный формат: JSON, XML или YAML. Модель построена на плотной архитектуре LFM2 и имеет около 1,5 млрд параметров. Она принимает текст и выдаёт структурированный текст; контекст — до 128 000 токенов. Модель предназначена для обработки статей, расшифровок, отчётов, писем, нормативных документов и обращений в поддержку. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки. Для более точного соответствия формату и схеме рекомендуется задавать системную инструкцию; разработчик советует использовать жадное декодирование с temperature=0. По данным README, на внутренней оценке модель показала сильные результаты в формировании сложных структурированных объектов, однако качество зависит от документа и схемы. Модель рассчитана на однократные диалоги. Лицензия обозначена как other, поэтому перед использованием следует проверить условия в карточке модели.

Карточка модели ajmcclary/MinerU2.5-Pro-2605-1.2B на Hugging Face совпадает с карточкой opendatalab/MinerU2.5-Pro-2605-1.2B, поэтому описание составлено по ней. MinerU2.5-Pro-2605-1.2B — модель OpenDataLab для разбора документов и преобразования PDF в Markdown. Это визуально-языковая модель на архитектуре Qwen2-VL, принимающая изображения и текстовые запросы и выдающая структурированный текст. Метаданные указывают 494 млн параметров и контекст до 32 768 токенов; README описывает версию как модель архитектуры 1,2 млрд параметров, улучшенную за счёт данных и обучения. Модель предназначена для извлечения текста и структуры документов, включая таблицы, формулы, диаграммы, блок-схемы и печати. Она также поддерживает объединение продолжений абзацев и распознавание изображений внутри таблиц. README сообщает о высоких результатах на OmniDocBench, однако они приведены разработчиком и не гарантируют качество на конкретных документах. В README также отмечено, что объединение таблиц между страницами ещё интегрируется. Лицензия — Apache-2.0.

MinerU2.5-Pro-2605-1.2B — модель OpenDataLab для разбора документов и преобразования PDF в Markdown. Это визуально-языковая модель на архитектуре Qwen2-VL, принимающая изображения и текстовые запросы и выдающая структурированный текст. Метаданные указывают 494 млн параметров и контекст до 32 768 токенов; README описывает версию как модель архитектуры 1,2 млрд параметров, улучшенную за счёт данных и обучения. Модель предназначена для извлечения текста и структуры документов, включая таблицы, формулы, диаграммы, блок-схемы и печати. Она также поддерживает объединение продолжений абзацев и распознавание изображений внутри таблиц. README сообщает о высоких результатах на OmniDocBench, однако они приведены разработчиком и не гарантируют качество на конкретных документах. В README также отмечено, что объединение таблиц между страницами ещё интегрируется. Лицензия — Apache-2.0.

Карточка модели zenosai/MonkeyOCRv2-B на Hugging Face совпадает с карточкой zenosai/MonkeyOCRv2-B-Parsing, поэтому описание составлено по ней. MonkeyOCRv2-B-Parsing — мультимодальная модель для разбора документов, разработанная командой MonkeyOCRv2. Она принимает изображения документов и предназначена для извлечения и структурирования их содержимого; модель также поддерживается как парсер PDF в RAGFlow. В README указана оценка на документах 17 языков, включая цифровые и сфотографированные документы, однако конкретные языки не перечислены. Модель использует плотную архитектуру MonkeyOCRv2ForCausalLM и содержит 507,9 млн параметров. Метаданные указывают контекст до 40 960 токенов, библиотеку Transformers и формат весов Safetensors. В README описаны запуск через Transformers и vLLM, а также возможность дообучения на собственных данных. Лицензия — Apache-2.0. Подходит для разбора PDF и изображений документов с выдачей текстового представления, в том числе для последующей работы с содержимым в RAG-системах. Ограничение: README не приводит перечень поддерживаемых языков и подробностей о формате или точности результатов для отдельных типов документов.

Карточка модели zenosai/MonkeyOCRv2-S-Parsing на Hugging Face совпадает с карточкой zenosai/MonkeyOCRv2-B-Parsing, поэтому описание составлено по ней. MonkeyOCRv2-B-Parsing — мультимодальная модель для разбора документов, разработанная командой MonkeyOCRv2. Она принимает изображения документов и предназначена для извлечения и структурирования их содержимого; модель также поддерживается как парсер PDF в RAGFlow. В README указана оценка на документах 17 языков, включая цифровые и сфотографированные документы, однако конкретные языки не перечислены. Модель использует плотную архитектуру MonkeyOCRv2ForCausalLM и содержит 507,9 млн параметров. Метаданные указывают контекст до 40 960 токенов, библиотеку Transformers и формат весов Safetensors. В README описаны запуск через Transformers и vLLM, а также возможность дообучения на собственных данных. Лицензия — Apache-2.0. Подходит для разбора PDF и изображений документов с выдачей текстового представления, в том числе для последующей работы с содержимым в RAG-системах. Ограничение: README не приводит перечень поддерживаемых языков и подробностей о формате или точности результатов для отдельных типов документов.

nomic-embed-text-v1.5 — текстовая модель эмбеддингов компании Nomic AI на архитектуре NomicBert, содержащая 136,7 млн параметров. Она преобразует тексты в векторы для семантического поиска, индексации документов для RAG, кластеризации, поиска дубликатов и подготовки признаков для классификации. Для выбора режима перед текстом требуется указать инструкционный префикс, например search_document или search_query. Модель использует Matryoshka Representation Learning: размерность вектора можно уменьшать, снижая потери качества; в карточке приведены результаты для размерностей 768 и 512. README сообщает о последовательностях до 8192 токенов, тогда как метаданные указывают базовый размер контекста 2048 токенов. Доступны форматы safetensors и ONNX, лицензия Apache-2.0. Для совместных мультимодальных эмбеддингов README указывает на отдельную модель nomic-embed-vision-v1.5; сама эта модель кодирует текст.

NeuralMetrics/Qwen3-Embedding-0.6B — размещённая Neural Metrics копия модели Qwen3-Embedding-0.6B, разработанной командой Qwen. Согласно карточке, веса и поведение совпадают с исходной моделью. Это плотная модель семейства Qwen3 с 507,6 млн параметров, предназначенная для преобразования текста в эмбеддинги; она поддерживает контекст до 32 768 токенов и выходные векторы размером от 32 до 1024 измерений. Модель подходит для семантического поиска по документам, пунктам договоров, строкам и полям, поиска по коду, выявления похожих текстов, классификации и кластеризации. Она поддерживает более 100 языков, включая возможности межъязыкового поиска, и принимает инструкции, позволяющие настроить эмбеддинги под задачу. Векторы можно использовать в системах поиска и маршрутизации документов. Ограничения: это модель эмбеддингов, поэтому для поиска нужен отдельный индекс векторов и компонент, который сопоставляет запросы с документами. Для использования с Transformers требуется версия 4.51.0 или новее; карточка рекомендует подбирать инструкции под сценарий, поскольку их отсутствие может снизить качество поиска. Лицензия — Apache-2.0.

aiAI Coder V2 — плотная причинная языковая модель на 3,4 млрд параметров, разработанная aiAI и дообученная методом LoRA SFT на базе Qwen/Qwen3.5-4B-Thinking. После обучения LoRA-адаптер объединён с базовой моделью, поэтому репозиторий содержит готовые веса для Transformers. Модель предназначена для генерации и дополнения кода, отладки, создания SQL-запросов и проектирования программных систем; в карточке описаны примеры на Python, JavaScript и SQL, а также многошаговые диалоги с блоками рассуждений.

AnyParse Models Hub — набор моделей проекта AnyParse для мультимодального разбора документов и изображений. Разработчики позиционируют его как компонент системы, которая преобразует файлы в структурированный Markdown или JSON и предназначена для использования в конвертации документов и последующей обработке данных, в том числе в приложениях на базе LLM. Заявлены извлечение текста с учётом порядка чтения и структуры документа, распознавание OCR и VLM, обработка таблиц, изображений, формул и сложной вёрстки. Поддерживаются изображения PNG и JPEG, а также PDF, офисные документы, электронные книги, HTML, таблицы, блокноты и письма; предусмотрены запуск на CPU и GPU и интерфейсы CLI и FastAPI. В метаданных указаны библиотека Transformers, формат safetensors и лицензия Apache-2.0. Размер модели, конкретные языки и длина контекста не указаны.

GLM-OCR — мультимодальная модель распознавания текста и понимания сложных документов, представленная в карточке maskbob/GLM-OCR. Она построена на архитектуре GLM-V encoder–decoder: использует визуальный энкодер CogViT, компактный межмодальный соединитель с уменьшением числа токенов и языковой декодер GLM-0.5B. Общий размер модели составляет около 0,9 млрд параметров. Для анализа документов применяется двухэтапный конвейер с разбором макета на основе PP-DocLayout-V3 и параллельным распознаванием. Модель предназначена для извлечения текста и структуры из изображений документов, включая таблицы, формулы, документы с кодом и печатями, а также для структурированного извлечения сведений по заданной JSON-схеме. Поддерживаются китайский, английский, французский, испанский, русский, немецкий, японский и корейский языки. В README заявлены результаты на тестах распознавания документов и варианты развёртывания через vLLM, SGLang и Ollama; для полного конвейера разбора документов рекомендуется SDK с PP-DocLayoutV3. Весовые файлы доступны в формате safetensors. Лицензия — MIT.

nomic-embed-text-v1 — текстовый энкодер эмбеддингов, разработанный Nomic AI на архитектуре NomicBert. Модель содержит 136,7 млн параметров, принимает до 8192 токенов и предназначена для преобразования текстов в векторы для поиска и сравнения по смыслу. Модель используют для построения RAG-индексов, поиска по запросам, группировки текстов, выявления тем и семантических дубликатов, а также получения признаков для классификации. Для разных задач в начале текста требуется соответствующий префикс-инструкция. В README заявлены результаты на MTEB, LoCo и тесте Jina Long Context; доступность открытых весов и кода обучения также отмечена в карточке. Модель работает с английским языком. Доступны форматы PyTorch, Safetensors и ONNX; библиотека карточки — Sentence Transformers. Лицензия — Apache-2.0. Несмотря на упоминание мультимодального пространства эмбеддингов в README, сама модель принимает текст; для изображений указан отдельный согласованный энкодер nomic-embed-vision-v1.

nomic-embed-text-v1.5 — текстовая модель эмбеддингов, разработанная Nomic AI на архитектуре NomicBert. Она преобразует тексты в векторы для семантического поиска, формирования RAG-индексов, кластеризации, удаления семантических дублей и подготовки признаков для классификации. Для разных сценариев перед текстом требуется указывать соответствующий префикс задачи, например search_document или search_query. Модель поддерживает контекст до 8192 токенов и создаёт векторы размерностью 768; благодаря Matryoshka Representation Learning размерность можно уменьшать с небольшим снижением качества. README описывает именно текстовую модель: отдельная nomic-embed-vision-v1.5 выровнена с её пространством эмбеддингов, но это не означает, что данный репозиторий принимает изображения. Модель распространяется по лицензии Apache-2.0.

Cogito v2 Preview 70B — диалоговая языковая модель с настройкой по инструкциям, разработанная командой DeepCogito на основе Meta Llama 3.1 70B. Это плотная авторегрессионная модель примерно на 69,5 млрд параметров для генерации текста; она работает в стандартном режиме или может включать расширенное рассуждение и самоанализ. Для включения режима рассуждения в Transformers предусмотрен параметр enable_thinking в шаблоне чата либо специальная системная инструкция. Модель предназначена для программирования, задач STEM, следования инструкциям и общих диалогов. В README заявлена поддержка инструментов, параллельных вызовов инструментов и более чем 30 языков. Контекст составляет до 128 тысяч токенов по README и 131 072 токена по метаданным. Модель опубликована в формате safetensors и использует библиотеку Transformers. Лицензия Llama 3.1 разрешает коммерческое использование на условиях лицензии Meta.

DeepSeek-Coder-V2-Lite-Instruct — языковая модель для кода от DeepSeek, построенная на архитектуре Mixture-of-Experts семейства DeepSeek-V2. Модель содержит 16 млрд параметров, из которых при работе активны около 2,4 млрд; метаданные каталога указывают 2,5 млрд параметров. Это вариант Instruct для диалогового взаимодействия и выполнения инструкций, доступный в формате safetensors и поддерживаемый библиотекой Transformers. Модель предназначена для генерации и дополнения кода, вставки фрагментов в существующий код и ответов на запросы в формате чата. Семейство обучалось на дополнительных 6 трлн токенов и расширило поддержку до 338 языков программирования; README указывает контекст 128K токенов, а метаданные — 163 840 токенов. Также заявлено улучшение математических рассуждений при сохранении возможностей для общих языковых задач. Для локального инференса в BF16 README приводит требование 8 GPU по 80 ГБ, что делает такую конфигурацию требовательной к ресурсам. В метаданных лицензия обозначена как other; конкретные условия следует проверить в файлах лицензии репозитория.

distiluse-base-multilingual-cased-v2 — модель Sentence Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 512 на основе архитектуры DistilBERT и предназначена для сравнения семантической близости текстов, семантического поиска и кластеризации. Модель поддерживает множество языков, включая русский, и может применяться для поиска похожих фраз и документов в многоязычных коллекциях. Максимальная длина контекста — 512 токенов. Доступны форматы PyTorch, safetensors, TensorFlow, ONNX и OpenVINO; лицензия — Apache-2.0. Модель выдаёт эмбеддинги, а не готовые ответы или метки. Качество поиска зависит от языка, предметной области и выбранного способа сравнения векторов; тексты длиннее контекстного окна ограничиваются доступной длиной.

Gemini 2.5 Flash — мультимодальная модель Google, предназначенная для рассуждений, программирования, математики и научных задач. Карточка описывает её как универсальную рабочую модель со встроенным режимом «thinking» для более сложных ответов. Модель предназначена для диалоговых сценариев и решения сложных задач, в том числе связанных с кодом и наукой. В предоставленных данных не указаны размер, архитектура, поддерживаемые языки, длина контекста или условия лицензии.

GLiNER2.5 Base — англоязычная модель извлечения информации по заданной схеме от Fastino. Она предназначена для извлечения именованных сущностей, классификации текста, разбора структурированных записей, оценки атрибутов фрагментов и извлечения отношений между сущностями в одном конвейере. Модель построена на граничной архитектуре GLiNER2 с энкодером DeBERTa-v3-base и содержит 194 млн параметров; метаданные указывают формат весов safetensors. Для работы с длинными документами можно обрабатывать перекрывающиеся фрагменты и объединять смещения результатов. Модель поддерживает локальный запуск на CPU, CUDA и MPS, а также совместное извлечение сущностей, классификаций, отношений и структурированных записей. Её используют для разметки текста по пользовательским схемам, извлечения связей и формирования записей с сохранением принадлежности полей к отдельным объектам. Базовый энкодер — microsoft/deberta-v3-base. Лицензия — Apache-2.0. При обработке длинных документов обычный вызов extract обрезает текст по max_len; разбиение на фрагменты не сохраняет сущности и отношения, чьи части не попали в один фрагмент. Независимое извлечение отношений само по себе не гарантирует соответствие типов концов заданным ограничениям; для совместимых ограничений предназначен режим JointIE.

GLiNER2.5 Multi — мультиязычная модель извлечения информации компании Fastino на архитектуре GLiNER2 boundary. Она построена на энкодере mDeBERTa-v3-base, содержит 287 млн параметров и предназначена для извлечения сущностей, классификации текста, разбора структурированных записей, выделения атрибутов фрагментов и извлечения отношений в рамках заданной схемы. Модель принимает текст и возвращает текстовые фрагменты, метки, записи и связи; заявлена поддержка нескольких языков. Контекстное окно указано как max_len=4096 токенов. Разреженный поиск пар начала и конца позволяет извлекать фрагменты разной длины в пределах одного окна. Модель объединяет несколько задач извлечения в одном вызове и поддерживает ограниченное декодирование для согласованных меток и графов сущностей и отношений. Для длинных документов предусмотрена обработка перекрывающимися фрагментами, но сущность или отношение сохраняются только если их границы или оба конца связи попадают в один фрагмент; обычный вызов extract обрезает текст по max_len. Лицензия Apache-2.0.