II.8Инженерия данных и аналитика

Granite-20b-code-instruct-GGUF — квантизированная версия модели granite-20b-code-instruct, разработанной IBM и опубликованной в формате GGUF пользователем bartowski. Модель предназначена для генерации и анализа программного кода, выполнения инструкций, решения математических задач, работы с SQL-контекстами и сценариев, связанных с function calling и ассистентами для разработки. Модель содержит около 20 миллиардов параметров и относится к текстовым моделям генерации. В карточке указаны датасеты для обучения и дообучения, включая Code Прикладные наборы, MathInstruct, MetaMathQA, наборы для SQL и function calling. Доступны варианты от F16 до квантизаций Q3–Q8 в формате GGUF, совместимые с llama.cpp и рекомендованные для запуска, в частности, через LM Studio. Размер файлов варьируется примерно от 11,5 до 40,2 ГБ. Сильными сторонами являются специализация на программировании, поддержка инструкционного режима и наличие вариантов квантизации для различного объёма оперативной памяти; для оценки HumanEvalSynthesis(Python) в README приведены значения pass@1 до 60,4%. Ограничения включают высокие требования к памяти для полноразмерной версии, возможное снижение качества у более сильных квантизаций и отсутствие в карточке сведений о поддерживаемых языках, размере контекста и мультимодальности. Базовая модель распространяется по лицензии Apache-2.0.

nlplabtdtu/gte-small — модель для получения векторных представлений предложений и абзацев. В README она описана как модель Sentence Transformers, отображающая текст в плотное пространство эмбеддингов размерностью 384; метаданные указывают архитектуру BERT и около 40 млн параметров. Модель предназначена для семантического поиска, сравнения смысловой близости текстов и кластеризации. Она принимает текст и выдаёт векторы, которые можно сопоставлять по косинусному сходству. Контекст модели — до 512 токенов. В README указано обучение с MultipleNegativesRankingLoss и косинусной функцией сходства. Карточка не сообщает, для каких языков модель обучена, поэтому языковую специализацию определить нельзя. Модель опубликована в формате PyTorch; отдельная лицензия в предоставленных данных не приведена.

CISCai — модель Model2Vec, дистиллированная из jinaai/jina-embeddings-v3 с применением LoRA-адаптера для задачи separation. Она создаёт статические текстовые эмбеддинги: при выводе усредняет векторы токенов, что позволяет выполнять кодирование значительно быстрее на CPU и GPU, чем у исходного Sentence Transformer. Модель предназначена для поиска по смыслу, сопоставления предложений и других сценариев, где важны низкие задержки или ограниченные вычислительные ресурсы. Модель использует подход Model2Vec: векторы словаря получают из Sentence Transformer, уменьшают их размерность с помощью PCA и взвешивают с помощью Zipf weighting. В метаданных заявлена поддержка контекста до 1 000 000 токенов, мультиязычность и формат safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

LLaDA2.0-mini — диффузионная языковая модель с архитектурой Mixture-of-Experts (MoE), разработанная InclusionAI и дообученная для следования инструкциям. Она предназначена для диалогов, генерации кода, математических рассуждений и сценариев с вызовом инструментов. По карточке модели, в ней 16 млрд параметров, из которых около 1,4 млрд активируются при инференсе; архитектура включает 20 слоёв, использует RoPE и словарь из 157 184 токенов. Контекст составляет 32 768 токенов. Модель поставляется в формате Safetensors и поддерживается библиотекой Transformers. В README заявлены сильные результаты в генерации кода и сложных рассуждениях; автор рекомендует температуру 0,0, длину блока 32 и 32 шага, отмечая, что повышенная температура может вызывать смешение языков и снижать качество. Лицензия — Apache-2.0.

Llama 3.1 Pro Coder v1 — дообученная HemanthKari модель на базе Meta Llama 3.1 8B Instruct, предназначенная для генерации и помощи с кодом. Это плотная авторегрессионная модель семейства Llama с примерно 7,5 млрд параметров, рассчитанная на контекст до 131 072 токенов. Карточка сообщает о поддержке Python, Java, JavaScript, SQL и других языков программирования, а также о результате 68,3% pass@1 на HumanEval в описанной авторами оценке. Модель подходит для автодополнения и генерации кода, реализации функций по описанию, исправления ошибок, обзора и объяснения кода, документирования, реализации алгоритмов и создания модульных тестов. Авторы отмечают улучшенную обработку граничных случаев и возможность локального запуска; заявленная лицензия — Llama 3.1, с условиями атрибуции «Built with Llama» и другими ограничениями, изложенными в лицензии. Для сложного проектирования систем, нишевых библиотек и многошаговых рассуждений авторы указывают на преимущество более крупных моделей; перед внедрением и использованием сгенерированного кода нужна проверка человеком.

Agnuxo публикует эту инструктивную модель для генерации кода и локального использования. По метаданным это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; README называет её версией Meta Llama 3.1 8B Instruct и описывает запуск через Ollama или Transformers. Указан контекст до 131 072 токенов, а файлы представлены в формате safetensors. Модель предназначена для диалога о программировании и генерации кода: в README перечислены Python, JavaScript, TypeScript, Rust, Go и C++, а также научные вычисления с NumPy, SciPy и Pandas и машинное обучение с PyTorch, TensorFlow и JAX. Метаданные указывают английский и испанский языки, а также интерфейс для вызова инструментов. README заявляет о локальной работе и перенаправлении запросов на написание научных статей в экосистему P2PCLAW; такие заявления не подтверждены приведёнными метаданными. Лицензия — Apache-2.0.

SeanLee97/mxbai-embed-large-v1-nli-matryoshka — модель на базе BERT, созданная для преобразования предложений и абзацев в плотные векторные представления. Её можно применять для семантического поиска и кластеризации текстов; метаданные также указывают поддержку оценки сходства предложений. Модель содержит около 433,9 млн параметров и принимает последовательности длиной до 512 токенов. Обучение использует MatryoshkaLoss с MultipleNegativesRankingLoss и размерами представлений от 64 до 3072 измерений, что позволяет выбирать векторы разной размерности. Модель распространяется в форматах PyTorch и Safetensors. В README не указаны языки обучения или лицензия.

NerGuard-0.3B — многоязычная модель классификации токенов для обнаружения персональных данных (PII), разработанная на базе mDeBERTa-v3-base и дообученная на более чем 500 тыс. примеров AI4Privacy. Модель размечает токены в формате BIO и распознаёт 20 типов сущностей, включая имена, адреса, государственные идентификаторы, финансовые и контактные данные. Модель предназначена для поиска персональных данных в тексте, например перед маскированием или проверкой документов на соответствие требованиям приватности. Поддерживаются английский, немецкий, французский, итальянский, испанский, португальский, нидерландский и польский языки. Архитектура — DeBERTa V2 для классификации токенов; размер — 306 млн параметров, контекст — до 512 токенов. Карточка сообщает F1-macro 99,63% на валидационном разбиении AI4Privacy; на отдельном тесте NVIDIA Nemotron-PII базовая модель без LLM заняла 4-е место из 7 по F1-macro. Модель доступна под лицензией OpenRAIL. Её метки соответствуют исходной схеме AI4Privacy, поэтому для сопоставления с другими схемами разметки может потребоваться преобразование. Результаты на валидации AI4Privacy не гарантируют такую же точность на других данных; карточка показывает более скромные результаты на внешнем тесте.

Карточка модели luganoquant/Nex-N2.5-mini на Hugging Face совпадает с карточкой nex-agi/Nex-N2.5-mini, поэтому описание составлено по ней. Nex-N2.5-mini — разговорная модель семейства агентных моделей Nex-N2.5 от Nex-AGI, основанная на архитектуре Qwen3.5 MoE. Она предназначена для длительных многошаговых задач: работы с компьютером и браузером, выполнения и проверки программ, а также научной и офисной работы. Модель использует визуальную обратную связь для восприятия интерфейсов, проверки результатов и продолжения действий; поддерживает режимы рассуждения и вызов функций. Для запуска автор приводит конфигурацию на двух ускорителях H100 и рекомендует параметры генерации temperature 0.7, top_p 0.95 и top_k 40. В метаданных указаны Transformers и формат safetensors; лицензия — Apache-2.0. README описывает мультимодальные возможности семейства и отдельно позиционирует Nex-N2.5-Max как текстовую модель, поэтому точные размер, контекст и перечень входов и выходов именно mini по этим данным установить нельзя.

NuExtract-2-8B-experimental — экспериментальная мультимодальная модель NuMind для извлечения структурированных данных. Она дообучена на InternVL2_5-8B и предназначена для извлечения сведений из текста и изображений по JSON-шаблону с заданными полями и типами значений. Шаблон может запрашивать дословные или обобщённые строки, числа, даты, варианты из списка и массивы; если подходящей информации нет, модель возвращает null или пустой массив. Модель поддерживает несколько языков и принимает текстовые и графические входные данные. Для извлечения рекомендуется использовать температуру, близкую к нулю. Версия обозначена авторами как экспериментальная и должна быть заменена NuExtract 2.0. Распространяется по лицензии MIT.

NuMarkdown-8B-Thinking — мультимодальная vision-language модель для OCR и преобразования документов в структурированный Markdown. Модель разработана NuMind (Numind) на основе Qwen2.5-VL-7B, а данная версия представлена в формате GGUF. Она обучалась на синтетических примерах преобразования документов через рассуждение в Markdown с последующим обучением методом GRPO, использующим награду за корректное понимание компоновки. Модель предназначена для извлечения текста и структуры из изображений документов, включая документы со сложной компоновкой, таблицами, объединёнными ячейками, заголовками и списками. Она ориентирована на document-to-Markdown и сценарии подготовки данных для RAG. Перед формированием результата модель генерирует внутренние рассуждения для анализа макета; объём этих рассуждений может существенно зависеть от сложности задачи. Ключевые характеристики: около 8 миллиардов параметров, мультимодальный ввод с изображениями, поддержка OCR и понимания документов, базовая архитектура Qwen2.5-VL-7B, вывод в Markdown и распространение в формате GGUF для запуска средствами llama.cpp. Для GGUF-версий используется избирательное повышение точности отдельных слоёв при квантовании, что может улучшать качество при соответствующем увеличении размера файла. Языки, максимальный контекст и точные требования к аппаратному обеспечению в карточке не указаны. Сильными сторонами заявлены обработка нестандартных макетов и сложных таблиц, а также ориентация на структурированный результат для последующего поиска и генерации. К ограничениям относятся зависимость качества от сложности и качества изображения, дополнительные вычисления на рассуждения и отсутствие в карточке подробных сведений о языковом покрытии и количественных воспроизводимых тестах. Модель распространяется по лицензии MIT.

BellaniAyoub/Octen-Embedding-4b-Finetuned — дообученная модель Sentence Transformers на базе Octen/Octen-Embedding-4B, основанной на архитектуре Qwen3. Она преобразует предложения и абзацы в плотные векторы размерностью 2560; для сравнения используется косинусное сходство. Максимальная длина входной последовательности — 40 960 токенов. Модель предназначена для семантического поиска, сравнения текстов и поиска перефразировок. Векторы также можно использовать для кластеризации и классификации текстов. Репозиторий содержит веса в формате safetensors и предназначен для работы с библиотекой Sentence Transformers. Лицензия в предоставленных данных не указана.

ganser4566/paraphrase-multilingual-MiniLM-L12-v2 — многоязычная модель Sentence-Transformers на архитектуре BERT, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена для сравнения семантической близости текстов, семантического поиска и кластеризации. Модель содержит 124,3 млн параметров, принимает текст и формирует векторные представления. Её контекстное окно — 512 токенов; в метаданных указана поддержка русского и ряда других языков, включая английский. Для использования доступны библиотека sentence-transformers и формат safetensors. Лицензия Apache-2.0 разрешает свободное использование на её условиях. Векторы подходят для поиска и группировки текстов, но качество зависит от языка, формулировок и выбранной схемы сравнения; модель сама по себе не генерирует ответы и не выполняет поиск по коллекции без дополнительной системы.

KholodovAV разработал дообученную модель Sentence-Transformers на основе paraphrase-multilingual-MiniLM-L12-v2. Она преобразует предложения и абзацы в плотные векторы размерности 384 для поиска по смыслу, сравнения текстов и кластеризации. Модель использует архитектуру BERT, содержит 124,3 млн параметров и принимает текст с контекстом до 512 токенов. Обучение проводилось с CachedMultipleNegativesRankingLoss и косинусным сходством. Модель подходит для построения семантического поиска, группировки похожих текстов и получения эмбеддингов для downstream-систем. В метаданных указана задача sentence-similarity, а формат весов — safetensors. Карточка не сообщает лицензию и языковой состав дообучения; название базовой модели указывает на мультиязычное назначение, но конкретные поддерживаемые языки следует проверять отдельно.

sskimtop/Qwen3-0.6B-JSON-SFT — компактная модель генерации текста на базе семейства Qwen3, дообученная в формате supervised fine-tuning для задач, связанных с формированием JSON. Модель содержит около 507,9 млн параметров и предназначена для запуска через библиотеку Transformers.

TeichAI/Qwen3-14B-Claude-4.5-Opus-High-Reasoning-Distill — плотная языковая модель на 14 млрд параметров, дообученная TeichAI на наборе примеров рассуждений Claude Opus 4.5 с высоким уровнем reasoning. Она основана на unsloth/Qwen3-14B и предназначена для генерации текста в диалогах, задач программирования, науки и общего назначения. Модель принимает текст и генерирует текст; заявленный контекст составляет 40 960 токенов. В карточке не указаны поддерживаемые естественные языки. Модель опубликована в формате safetensors, поддерживает чат и интерфейс вызова инструментов. Лицензия — Apache-2.0.

YashasviMantha/Qwen3-4B-Instruct-2507-heretic — версия Qwen3-4B-Instruct-2507, созданная с помощью Heretic v1.4.0. Это плотная причинно-языковая модель примерно на 3,7 млрд параметров для генерации текста в диалоговом и инструктивном режиме. Она принимает текст и генерирует текст; поддерживает многоязычные запросы, работу с кодом и инструментами, а также контекст до 262 144 токенов. Модель использует только режим без рассуждений (non-thinking). Модель предназначена для ответов на вопросы, следования инструкциям, логических и математических задач, написания и разбора кода, а также работы с длинными документами и инструментами. Это декensored-версия исходной модели: в приведённом сравнении она отказала в 16 из 100 запросов, тогда как исходная — в 100 из 100; это может означать ослабленные ограничения на ответы. Доступны веса в формате safetensors, библиотека Transformers и лицензия Apache-2.0.

Qwen3.8-9B — плотная языковая модель на 9 млрд параметров от Empero, полученная дистилляцией рассуждений модели-учителя Qwen3.8 2.4T A95B в архитектуру Qwen3.5-9B. Это полное дообучение всех параметров базовой модели на SFT-примерах: примерно 70 тысяч отобранных трасс учителя по математике, программированию, общим рассуждениям, следованию инструкциям и работе с инструментами. Модель использует архитектуру Qwen3.5 и формат весов Safetensors; нативный контекст составляет 262 144 токена. Она предназначена для генерации ответов с пошаговыми рассуждениями, решения математических задач, написания кода и вызова инструментов. В карточке приведены результаты тестирования на GSM8K и MMLU; на MMLU модель заметно превзошла базовую Qwen3.5-9B, тогда как на GSM8K показала немного более низкий результат. Интерфейс вызова функций поддерживается без дополнительной обёртки. Лицензия — Apache-2.0. Тонкая настройка проводилась только для текста; визуальные возможности унаследованы от мультимодальной базы, но в карточке не оценивались.

RolmOCR — мультимодальная модель Reducto AI для распознавания и разбора документов по изображениям. Это дообученная на наборе allenai/olmOCR-mix-0225 модель Qwen/Qwen2.5-VL-7B-Instruct с архитектурой Qwen2.5-VL, 7,1 млрд параметров и контекстом до 128 000 токенов. Она принимает изображения документов и текстовые инструкции, а в ответ формирует текстовое содержимое документа. Модель задумана как более быстрая и экономичная по памяти замена olmOCR для обработки PDF и других сложных документов. В отличие от исходного подхода, RolmOCR не использует извлечённые из PDF метаданные, что сокращает запрос и снижает требования к VRAM; около 15% обучающих данных были повёрнуты для повышения устойчивости к наклонённым документам. Модель поддерживает визуальный диалог и распространяется по лицензии Apache 2.0. Модель может галлюцинировать или пропускать содержимое. Она не выдаёт ограничивающие рамки элементов макета; качество квантованных версий не оценивалось.

Virtuoso-Small-v2 — языковая модель на 14 млрд параметров от Arcee AI, основанная на архитектуре Qwen2.5-14B. Модель дообучена с дистилляцией логитов DeepSeek-V3 на большом текстовом корпусе, затем дополнительно выровнена с помощью DPO. Для совместимости при переносе знаний применялась обработка токенизатора; итоговая модель использует токенизатор Qwen. Метаданные указывают контекст до 131 072 токенов и формат Safetensors. Модель предназначена для диалоговой генерации текста, ответов на технические и научные вопросы, решения математических задач и генерации кода. В карточке также заявлен интерфейс вызова инструментов. README описывает дистилляцию знаний DeepSeek-V3 и улучшение следования инструкциям, однако количественные сравнительные оценки не приведены. Модель распространяется по лицензии Apache-2.0. Среди ограничений указаны возможные пробелы в знаниях о событиях после июня 2024 года и риск генерации вредного или предвзятого текста; заявленная длина контекста в README округлена до 128k токенов.

xlm-v-base-language-id — модель классификации текста, разработанная Julien Simon и дообученная на базе facebook/xlm-v-base на датасете Google FLEURS. Она определяет язык по тексту и рассчитана на распознавание 102 языков. Модель построена на архитектуре XLM-RoBERTa и содержит около 805,7 млн параметров; максимальный контекст — 514 токенов. Модель подходит для автоматической сортировки и маршрутизации текстов по языку, а также для определения языка пользовательских сообщений и документов. В README указана точность 0,993 на оценочной выборке; обучение и оценка проводились на обучающей и валидационной выборках FLEURS. Доступны веса PyTorch, Safetensors и OpenVINO. Лицензия — MIT.

Карточка модели avsolatorio/01-600-11-1-2-2-0-0-cls-normed-384-512_ASYM_BAAI_bge-small-en-v1.5-20240415163943-best на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

KhaledReda/all-MiniLM-L6-v62-pair_score — англоязычная модель Sentence Transformers, дообученная автором на датасете пар текстов pairs_with_scores_v50. Она кодирует предложения и абзацы в плотные векторы размерности 384, нормализует их и позволяет сравнивать косинусное сходство. Модель основана на энкодере BERT all-MiniLM-L6-v2; метаданные указывают 25,9 млн параметров и контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и получения признаков для классификации. Вход — текст на английском языке, выход — векторные представления; модель не генерирует текст. Лицензия Apache-2.0.

Atlas-Flash — дообученная языковая модель семейства Atlas от aayanmishra-ml, созданная на базе DeepSeek-R1-Distill-Qwen-7B. Это плотная авторегрессионная модель Qwen2 с 7,1 млрд параметров и контекстом до 131 072 токенов; она предназначена для генерации текста и диалога, программирования, математических и других STEM-задач. В карточке заявлены генерация и объяснение кода, отладка, решение задач с рассуждениями, многоходовые беседы и помощь в обучении. Модель принимает текст и генерирует текст; метаданные также указывают интерфейс вызова инструментов. В карточке заявлена поддержка английского, китайского, русского и других языков. Для обучения указаны наборы BAAI/TACO, codeparrot/apps и GammaCorpus-v1-70k-UNFILTERED, а также синтетические данные. Репозиторий содержит веса в формате Safetensors, модель использует Transformers и распространяется по лицензии MIT. Карточка предупреждает о возможных смещениях, ошибках в узкоспециализированных областях и зависимости качества ответов от формулировки запроса; заявленный контекст ограничен 131 072 токенами.

Bagel 7B v0.1 — созданная jondurbin до DPO-этапа версия Mistral-7B, дообученная на смеси инструкционных диалогов и обычного текста. Модель предназначена для генерации ответов в чате и выполнения широкого круга инструкций: от вопросов и ответов, математики и программирования до SQL, пересказа и ролевых диалогов. В обучении использованы данные из нескольких источников, включая LMSYS Chat, Natural Instructions, MathInstruct, Apps и Cinematika. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка указывает, что обучение остановили примерно на половине запланированного объёма из-за ограничений бюджета; в сравнении с вариантом после DPO эта SFT-версия менее склонна к правдивым ответам и может быть предпочтительнее для ролевых сценариев. Модель распространяется под лицензией Apache-2.0.

jondurbin/bagel-jamba-v05 — экспериментальная дообученная модель автора jondurbin на базе AI21 Jamba-v0.1. Это языковая модель с гибридной архитектурой Mamba-Transformer и смесью экспертов (MoE), содержащая 7,2 млрд параметров и предназначенная для генерации текста в диалоговом формате. Модель обучалась на наборе BAGEL, включающем инструкции, диалоги, вопросы и ответы, задачи по математике, естественным наукам, программированию, суммаризации, ролевому письму и вызову функций. README указывает, что эта версия прошла этап SFT; улучшение гиперпараметров ещё рассматривается, а DPO-версия для неё могла быть выпущена позднее. Поддерживаются несколько шаблонов промптов, включая Vicuna, Llama 2, Alpaca и модифицированный ChatML; шаблон по умолчанию — Llama 2. Модель принимает и генерирует текст. Данные включают многоязычные задания, но конкретный список поддерживаемых языков не установлен. Карточка обозначает модель как экспериментальную. Лицензия — Apache-2.0. README предупреждает, что в обучающих источниках есть токсичный и потенциально незаконный контент; это не означает, что модель предназначена для сексуального контента.

pinialt/bert-tiny-pii-router — компактная модель классификации текста от pinialt, предназначенная для маршрутизации запросов в конвейерах обнаружения персональных данных. Она оценивает, какие специализированные обработчики следует запускать для текста: извлечение именованных сущностей, геокодирование адресов, разбор дат и времени или поиск шаблонных идентификаторов регулярными выражениями. Результат — вероятности для четырёх категорий маршрутизации; автор рекомендует порог 0,5. Модель основана на компактном BERT-энкодере google/bert_uncased_L-4-H-256-A-4 и обучена с дистилляцией знаний от XLM-RoBERTa. В карточке указаны 12 млн параметров, контекст до 512 токенов и поддержка английского языка. README сообщает о приросте скорости в 9,1 раза и сохранении 96% точности учителя, но не приводит подробностей методики оценки. Модель принимает текст и выдаёт метки с вероятностями. Лицензия — Apache-2.0.

CALE-MBERT-en — англоязычная модель эмбеддингов предложений на базе двунаправленного энкодера ModernBERT-large. Разработчик дообучил её с помощью ContrastiveLoss на датасете CALE-SPCD; модель преобразует слова и тексты в плотные векторы размерностью 1024 и рассчитана на контекст до 8192 токенов. Модель предназначена для поиска семантически близких текстов, кластеризации и задач сходства предложений. Её можно использовать для семантического поиска и группировки текстовых данных. Веса опубликованы в формате safetensors, лицензия — Apache-2.0.

danfeg/CAMeL_Finetuned-EN-500 — модель на базе BERT, дообученная как sentence-transformers для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для вычисления семантического сходства, семантического поиска и кластеризации текстов. Модель содержит 136,3 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт эмбеддинги. По названию и карточке она ориентирована на английский язык; лицензия в предоставленных данных не указана.

Chronos-Bolt Base — предварительно обученная модель прогнозирования временных рядов, разработанная AutoGluon. Она предназначена для прогнозирования без дообучения на целевом наборе данных: принимает исторические наблюдения и строит вероятностные прогнозы на несколько будущих шагов, в том числе с учётом ковариат. Модель основана на архитектуре T5 encoder-decoder, использует патчи из нескольких наблюдений и выдаёт прогнозы по квантилям. В карточке указаны 99,1 млн параметров и контекст до 512 токенов; обучение проводилось на почти 100 млрд наблюдений временных рядов. Модель ориентирована на быстрое пакетное прогнозирование и развёртывание в AutoGluon и Amazon SageMaker; поддерживаются CPU и GPU. README сообщает о более высокой точности, скорости до 250 раз выше и использовании памяти до 20 раз ниже по сравнению с моделями Chronos того же размера, а также о превосходстве Base над Chronos Large в бенчмарке. Эти сравнительные результаты относятся к описанным в карточке условиям оценки. Лицензия — Apache-2.0. Языковые свойства здесь не применимы к обычному тексту: входом и выходом служат временные ряды и их прогнозы.