II.8Инженерия данных и аналитика

omniamnaeem/semantic_sim_ner_with_ContrastiveLossV5 — модель на базе BERT, опубликованная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 256 для поиска семантически близких текстов и кластеризации. В README указано обучение с ContrastiveLoss и косинусной метрикой расстояния; модель рассчитана на текстовый ввод и выдаёт эмбеддинги. Размер модели — 12,4 млн параметров, контекст — до 512 токенов. Для запуска подходят Sentence Transformers или Transformers с соответствующей операцией pooling. Язык обучения и применения, лицензия и специализированные области использования в доступных данных не указаны.

BahaArfaoui/setfit_industry — модель на базе MPNet, разработанная для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства и кластеризации текстов. Модель содержит 136,7 млн параметров и принимает до 514 токенов контекста. Модель обучалась с функцией потерь CosineSimilarityLoss и доступна в формате PyTorch для использования с библиотекой Sentence-Transformers. Карточка описывает применение к предложениям и абзацам, но не уточняет языки обучающих данных и специализацию названия «industry». Лицензия в предоставленных данных не указана.

Карточка модели Avshalom/setfit-minilm-distilled на Hugging Face совпадает с карточкой chiragme/setfit-minilm-distilled-ledgar, поэтому описание составлено по ней. chiragme/setfit-minilm-distilled-ledgar — модель семейства BERT на базе Sentence-Transformers, преобразующая предложения и абзацы в плотные векторы размерности 384. Её можно применять для семантического поиска, кластеризации и сравнения текстов по смыслу. В метаданных указаны 18,8 млн параметров, контекст до 512 токенов и формат PyTorch; README описывает обучение с CosineSimilarityLoss. Название репозитория указывает на связь с SetFit, MiniLM и Ledgar, однако README и метаданные не уточняют базовую модель, набор данных или специализацию обучения, поэтому эти детали нельзя подтвердить. Модель принимает текст и выдаёт векторы; лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

Карточка модели Chadeh/setfit-minilm-distilled на Hugging Face совпадает с карточкой chiragme/setfit-minilm-distilled-ledgar, поэтому описание составлено по ней. chiragme/setfit-minilm-distilled-ledgar — модель семейства BERT на базе Sentence-Transformers, преобразующая предложения и абзацы в плотные векторы размерности 384. Её можно применять для семантического поиска, кластеризации и сравнения текстов по смыслу. В метаданных указаны 18,8 млн параметров, контекст до 512 токенов и формат PyTorch; README описывает обучение с CosineSimilarityLoss. Название репозитория указывает на связь с SetFit, MiniLM и Ledgar, однако README и метаданные не уточняют базовую модель, набор данных или специализацию обучения, поэтому эти детали нельзя подтвердить. Модель принимает текст и выдаёт векторы; лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

Карточка модели rsilveira79/setfit-minilm-distilled на Hugging Face совпадает с карточкой chiragme/setfit-minilm-distilled-ledgar, поэтому описание составлено по ней. chiragme/setfit-minilm-distilled-ledgar — модель семейства BERT на базе Sentence-Transformers, преобразующая предложения и абзацы в плотные векторы размерности 384. Её можно применять для семантического поиска, кластеризации и сравнения текстов по смыслу. В метаданных указаны 18,8 млн параметров, контекст до 512 токенов и формат PyTorch; README описывает обучение с CosineSimilarityLoss. Название репозитория указывает на связь с SetFit, MiniLM и Ledgar, однако README и метаданные не уточняют базовую модель, набор данных или специализацию обучения, поэтому эти детали нельзя подтвердить. Модель принимает текст и выдаёт векторы; лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

mitra-mir/setfit_model_Ireland_binary_label1_epochs2 — модель на базе MPNet, разработанная mitra-mir для преобразования предложений и абзацев в плотные векторы размерности 768. Она рассчитана на поиск семантически близких текстов и кластеризацию; также может использоваться для сравнения сходства предложений. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель подходит для семантического поиска по коллекциям текстов, группировки похожих предложений и построения эмбеддингов для последующей обработки. В карточке указано обучение с CosineSimilarityLoss; сведений о языковой специализации и лицензии в предоставленных данных нет.

Это модель на базе MPNet, опубликованная пользователем aammari в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768; число параметров — 136,7 млн, максимальная длина контекста — 514 токенов. Модель предназначена для сравнения смысловой близости текстов, семантического поиска и кластеризации. Векторные представления можно использовать для поиска похожих фраз и группировки текстов по смыслу. Модель обучалась с CosineSimilarityLoss; в README приведены сведения о тренировочном процессе, но не названы языки обучения или результаты оценки. Репозиторий содержит веса PyTorch и имеет признаки дообученной Sentence-Transformers модели на основе MPNet. Лицензия в предоставленных данных не указана.

Это конвертированная в формат Vokra GGUF версия модели Silero VAD v6.2.1 от upstream-разработчика snakers4. Она предназначена для определения участков речи в аудиозаписи и запускается в среде инференса Vokra, которая поддерживает отображение весов в память. Для работы модели требуется монофонический WAV с частотой дискретизации 16 кГц; результатом являются обнаруженные речевые сегменты. Файл весит 2,1 МБ, архитектура обозначена как silero-vad. Конверсия сохраняет исходные веса и не является новым дообучением. Лицензия — MIT.

vitthalbhandari/simcse_retrain_edos_10k — модель эмбеддингов предложений на архитектуре RoBERTa, представленная в формате PyTorch. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Обучение с MultipleNegativesRankingLoss и косинусным сходством ориентирует модель на получение векторов, отражающих семантическую близость текстов. Модель содержит около 151,8 млн параметров и принимает текст с контекстом до 514 токенов. Её можно использовать через Sentence-Transformers или Transformers с соответствующей операцией pooling. Карточка не сообщает о специализированной области применения или поддерживаемых языках. Лицензия в предоставленных данных не указана.

SLANeXt_wireless — модель PaddlePaddle для распознавания структуры таблиц на изображениях. Она определяет строки, столбцы и ячейки и формирует HTML-представление таблицы, которое можно передать в последующий конвейер распознавания для извлечения содержимого. Модель предназначена для оцифровки таблиц, в том числе в составе систем обработки документов на базе PaddleOCR. Модель решает задачу image-to-text; карточка связывает её с распознаванием структуры таблиц и указывает английский и китайский языки. README отмечает, что приведённая точность получена при совместном тестировании с SLANeXt_wired, поэтому её нельзя считать отдельной оценкой этой модели. Для полного распознавания таблиц документация рекомендует многошаговый конвейер, объединяющий анализ структуры с обнаружением и распознаванием текста. Модель распространяется по лицензии Apache-2.0.

Это 4-битная конверсия для MLX модели StarCoder2-15B-Instruct-v0.1, подготовленная сообществом mlx-community из bigcode/starcoder2-15b-instruct-v0.1 с помощью mlx-lm 0.10.0. Модель предназначена для генерации кода и диалоговой работы с инструкциями; её можно использовать для написания и дополнения программного кода. Основа семейства StarCoder2 также поддерживает заполнение пропусков внутри кода. В метаданных указаны архитектура Starcoder2ForCausalLM, 21,7 млрд параметров и контекст до 16 384 токенов. Репозиторий описывает вариант MLX с 4-битными весами; каталог связывает модель с bigcode/starcoder2-15b и набором инструкционных примеров self-oss-instruct-sc2-exec-filter-50k. Лицензия — BigCode OpenRAIL-M. Языки программирования в карточке не перечислены.

BlueAvenir/sti_workplace_new_prompting_0_1 — модель семейства XLM-RoBERTa на базе Sentence-Transformers, разработчик в карточке не раскрыт. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель содержит 305,2 млн параметров, принимает текст и имеет контекстное окно 514 токенов. В README указано обучение с CosineSimilarityLoss; доступны веса PyTorch и использование через Sentence-Transformers или Transformers с соответствующим pooling. Модель подходит для поиска семантически близких текстов и группировки текстовых данных. Карточка не сообщает языковой охват и лицензию, поэтому их нельзя уточнить.

The-Trinity-Coder-7B — языковая модель для генерации кода, созданная слиянием трёх моделей: CodeNinja-1.0-OpenChat-7B, NeuralExperiment-7b-MagicCoder-v7.5 и Speechless-Zephyr-Code-Functionary-7B. Слияние выполнено методом TIES; модель использует плотную архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации и дополнения кода, помощи в программировании, логических рассуждений и решения математических задач. В карточке заявлена поддержка языков программирования, включая Python, C, C++, Rust, Java и JavaScript. Модель работает с текстовыми запросами и выдаёт текст, в том числе код. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результаты сравнительной оценки качества; практическая точность и качество кода могут зависеть от задачи и формулировки запроса.

UltraLink-LM — мультиязычная авторегрессионная языковая модель на архитектуре Transformer, разработанная OpenBMB. Это дообученная модель семейства Llama-2 размером около 13 млрд параметров, предназначенная для генерации текста по инструкциям и многораундового диалога на английском, французском, русском, испанском и китайском языках. Модель ориентирована на ответы в чате, написание кода и решение математических задач. При дообучении использовались UltraLink, UltraChat, наборы Magicoder, MetaMathQA и англоязычная часть ShareGPT; карточка сообщает о сравнительных оценках на мультиязычных бенчмарках кода, математики и диалога. Контекст модели — 4096 токенов. Веса опубликованы в формате safetensors под лицензией MIT. Заявленные возможности и качество основаны на оценках из карточки; бенчмарки для части языков были переведены с помощью GPT-3.5, а сама карточка отмечает возможную предвзятость оценок. Модель имеет 12,9 млрд параметров, поэтому для запуска требуется соответствующая вычислительная память.

UTC-DeBERTa-base — модель универсальной классификации токенов от Knowledgator, основанная на DeBERTaV3-base и дообученная на нескольких задачах классификации токенов, включая задачи, которые можно представить в таком формате. Архитектура — DeBERTa-v2 для классификации токенов; модель содержит 211,6 млн параметров и обрабатывает до 512 токенов за контекст. Она работает с текстом на английском языке. Модель предназначена для извлечения сущностей и другой информации из текста. Карточка описывает сценарии распознавания именованных сущностей с нулевым обучением, ответов на вопросы, извлечения отношений, разрешения кореференции, очистки и суммаризации текста. Авторы приводят результаты оценки на CrossNER для областей ИИ, литературы, музыки, политики и науки. Модель доступна в формате PyTorch через библиотеку Transformers, а для распознавания сущностей авторы рекомендуют pipeline `ner`. Лицензия — Apache-2.0. README не уточняет ограничения сверх длины контекста и английского языка, указанных в метаданных.

UTC-T5-large — универсальная модель классификации токенов от Knowledgator, основанная на flan-T5-large и дообученная на нескольких задачах разметки токенов и задачах, которые можно представить в таком виде. Это prompt-tuned модель с архитектурой T5EncoderForTokenClassification, примерно 385,2 млн параметров и контекстом до 512 токенов. Модель предназначена прежде всего для извлечения информации: распознавания именованных сущностей, ответов на вопросы по тексту, извлечения отношений и разрешения кореференции. README также упоминает очистку и суммаризацию текста. Многоцелевое дообучение нацелено на обобщение и zero-shot NER; авторы рекомендуют запускать модель через pipeline ner библиотеки Transformers. Модель принимает текст и выдаёт классификацию токенов. В метаданных указан английский язык. Лицензия Apache-2.0 разрешает использование, изменение и распространение с соблюдением её условий. Карточка не приводит оценок качества на конкретных наборах данных; контекст в 512 токенов ограничивает длину входного текста.

KFST/XLMRoberta-en-da-sv-nb — модель эмбеддингов предложений на базе XLM-RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 и подходит для семантического поиска и кластеризации. Модель содержит 305,2 млн параметров и принимает текстовые последовательности с контекстом до 514 токенов. Модель предназначена для поиска смысловой близости между текстами и организации текстовых коллекций по смыслу. В названии указаны английский, датский, шведский и норвежский языки; это согласуется с использованием модели для многоязычных текстовых представлений в этих языках. Для применения можно использовать Sentence-Transformers либо Transformers с соответствующей операцией pooling. В карточке приведено обучение с MSELoss, но подробные результаты оценки и сведения о тренировочных данных не представлены. Лицензия в доступных данных не указана.

Карточка модели 01-ai/Yi-Coder-1.5B на Hugging Face совпадает с карточкой 01-ai/Yi-Coder-9B-Chat, поэтому описание составлено по ней. Yi-Coder-9B-Chat — диалоговая модель для генерации кода, выпущенная командой 01.AI как часть серии Yi-Coder. Она дообучена на базе 01-ai/Yi-Coder-9B и построена на плотной архитектуре семейства Llama с 8,6 млрд параметров. Модель предназначена для программирования в формате чата: она может писать код по запросу и работать с длинным контекстом до 131 072 токенов. Серия Yi-Coder заявляет поддержку 52 распространённых языков программирования и сильные результаты в задачах кодирования при размере менее 10 млрд параметров. Модель загружается через Transformers и использует формат safetensors. Лицензия — Apache-2.0. Карточка не приводит ограничений на качество или конкретных рекомендаций по использованию, поэтому ответы сгенерированного кода следует проверять перед применением.

Yi-Coder-9B — открытая языковая модель для программирования от 01.AI. Это плотная авторегрессионная модель семейства Llama с 8,6 млрд параметров; она предназначена для генерации кода и работы с длинными контекстами до 128K токенов. В карточке показан сценарий общения через чат-шаблон и пример генерации алгоритма быстрой сортировки. Модель подходит для написания и дополнения кода, решения задач программирования и анализа длинных фрагментов исходного кода. Серия Yi-Coder поддерживает 52 распространённых языка программирования; сведения о конкретных естественных языках в карточке не приведены. Репозиторий содержит веса Safetensors и рассчитан на использование через Transformers. Лицензия — Apache 2.0.

Oblix/yolov10m-doclaynet_ONNX_document-layout-analysis — модель обнаружения объектов на базе YOLOv10m, предоставленная в формате ONNX для использования через Transformers.js. Она предназначена для анализа макета документа: находит и размечает текстовые блоки, заголовки, списки, таблицы, изображения, формулы, подписи, сноски и элементы колонтитулов. Модель принимает изображение страницы и выдаёт рамки обнаруженных областей с классами из набора DocLayNet. Карточка не сообщает размер модели или поддерживаемые языки. Репозиторий содержит ONNX-веса; сведения о лицензии в доступных данных отсутствуют.

keremberke/yolov8s-table-extraction — модель компьютерного зрения на архитектуре YOLOv8, опубликованная Keremberke. Она предназначена для обнаружения таблиц на изображениях документов и различает два типа: с границами и без границ. Модель доступна в формате PyTorch и рассчитана на запуск с библиотекой Ultralytics. Модель подходит для автоматического поиска таблиц при разборе сканов и изображений документов. Карточка указывает метки классов, но не приводит сведений о размере модели, контекстном окне, поддерживаемых языках или точности. Лицензия в предоставленных данных не указана.

AIGCodeGeek-DS-6.7B — языковая модель для генерации кода, разработанная Leon Li. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 6,6 млрд параметров; она дообучена со всеми параметрами на основе deepseek-ai/deepseek-coder-6.7b-base. Модель предназначена для диалоговой помощи в программировании и генерации кода, обучалась на смеси открытых и частных наборов данных, включая WizardLM Evol-Instruct, Code-Feedback, UltraInteract, Magicoder Evol-Instruct и набор примеров Python. Контекст составляет 16 384 токена. Модель распространяется в формате safetensors и рассчитана на работу через Transformers. В карточке заявлена лицензия DeepSeek, однако результаты оценки качества ещё не приведены. Языки естественного текста явно не перечислены; модель ориентирована на код, включая примеры Python. Перед использованием следует проверить условия лицензии DeepSeek и качество на целевых задачах.

ronanki/all_mpnet_128_20_MNR_base — модель Sentence-Transformers на базе MPNet, разработчик — пользователь Hugging Face ronanki. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 136,7 млн параметров, принимает текст, выдаёт эмбеддинги и рассчитана на контекст до 514 токенов. Модель обучена с функцией Multiple Negatives Ranking Loss и косинусным сходством. Она подходит для построения поиска по смыслу и группировки похожих текстов; карточка не приводит результатов оценки, поэтому качество на конкретных данных оценивать по ней нельзя. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных данных.

SeanLee97/angle-bert-base-uncased-nli-en-v1 — модель текстовых эмбеддингов AnglE на архитектуре BERT-base-uncased, разработанная авторами AnglE. Она преобразует отдельные тексты или их списки в векторы для измерения семантической близости и поиска похожих фрагментов. В README приведены результаты на наборах задач семантического сходства STS12–STS16, STSBenchmark и SICKRelatedness; модель обучена на данных MultiNLI и SNLI. Модель содержит 136,7 млн параметров, принимает текст на английском языке и поддерживает контекст до 512 токенов. В примере использования применяется стратегия pooling cls_avg. Репозиторий содержит веса PyTorch для Transformers; лицензия — MIT. Карточка демонстрирует применение для семантического сходства и эмбеддингов, но не описывает генерацию текста или поддержку других языков.

Artigenz-Coder-DS-6.7B — языковая модель для генерации кода, выпущенная командой Artigenz. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров; в карточке указана оценка размера 6,7 млрд параметров и потребность в памяти около 13 ГБ. Модель дообучена на DeepSeek-Coder-6.7B-Base и предназначена для быстрого локального запуска на компьютерах. Модель принимает текстовые запросы и генерирует текст, в том числе код; также заявлен разговорный режим. Контекст составляет до 16 384 токенов. В метаданных указан английский язык. Данные и скрипты дообучения на момент публикации карточки планировалось открыть позднее. Лицензия обозначена как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

CodeCompass-Embed — дообученная модель Faisal Mumtaz для поиска и извлечения фрагментов кода по смыслу. Она основана на Qwen2.5-Coder-0.5B, содержит 494 млн параметров и формирует векторы размерности 896. В модели использована двунаправленная attention-механика; для получения эмбеддингов поддерживаются NL→Code, Code→Code, поиск ответов на технические вопросы и Text→SQL. Модель предназначена для семантического поиска по репозиториям, базам кода и техническим коллекциям. В README указана поддержка запросов на естественном языке и кода на Python, Java, JavaScript, Go, Ruby и PHP. Метаданные указывают контекст 32 768 токенов, а карточка описывает обучение на длине 512 токенов с экстраполяцией RoPE для более длинных входов. По результатам CoIR модель показывает сильные результаты, особенно на Python. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Среди ограничений — более слабые результаты на языках программирования, отличных от Python, ухудшение на задачах соревновательного программирования с длинными решениями и возможное слабое обобщение на редкие языки программирования.

Это вариант CodeLlama-13B-Instruct, созданный путём загрузки исходной модели Meta с 4-битной квантизацией NF4 через bitsandbytes и последующего преобразования слоёв linear4bit в FP16. Модель содержит 12,9 млрд параметров, построена на архитектуре Llama и рассчитана на генерацию текста; заявленная длина контекста — 16 384 токена. Модель предназначена для генерации кода и ответов на инструкции, связанных с программированием. Upscaling слоёв в FP16 призван убрать затраты на квантование и деквантование при каждом проходе во время инференса. Исходная NF4-квантизация была с потерями, поэтому автор предупреждает о возможном снижении качества по сравнению с официальной CodeLlama-13B-Instruct. Модель распространяется по лицензии Apache-2.0.

CodeLlama-7b-hf — базовая генеративная модель Meta для синтеза и понимания программного кода. Это версия семейства Code Llama с 7 млрд параметров в формате Transformers; архитектура — авторегрессионный оптимизированный трансформер семейства Llama. Модель принимает текст и генерирует текст, поддерживает контекст до 16 384 токенов. Модель предназначена для автодополнения кода и infilling — заполнения пропусков в коде. README отмечает, что эта базовая версия не предназначена для инструкционного диалога; для следования инструкциям в семействе есть отдельный вариант Instruct. Модель рассчитана на английский язык и языки программирования. Лицензия — пользовательская лицензия Meta для Llama 2, условия которой следует учитывать при использовании.

Locutusque/DareQwen-2.5-7B — объединённая языковая модель, созданная автором репозитория с помощью mergekit на основе Qwen2.5. В слиянии DARE TIES использованы Qwen2.5-7B, Qwen2.5-7B-Instruct, Qwen2.5-Coder-7B-Instruct и Qwen2.5-Math-7B-Instruct; параметры сохранены в формате bfloat16. Модель содержит 7,1 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, а объединение вариантов Instruct, Coder и Math ориентировано на сочетание общих инструкций, программирования и математических задач. В метаданных также отмечен интерфейс вызова инструментов. Указана поддержка китайского, английского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. README предупреждает, что объединённая модель требует дообучения, поэтому её готовность к практическому использованию без дополнительной настройки не подтверждена. Лицензия в предоставленных данных не указана.

Darwin-28B-Coder — специализированная на программировании языковая модель семейства Darwin, опубликованная VIDRAFT FINAL-Bench. Это плотная модель на 28 млрд параметров с архитектурой, совместимой с Qwen3.5; карточка сообщает о контекстном окне 32 тыс. токенов. Модель предназначена для генерации кода на уровне функций, работы со сложными библиотеками и вызова инструментов в агентных сценариях. README приводит результаты HumanEval, MBPP, BigCodeBench-Complete и теста вызова функций; часть оценок получена с выбором лучшего из нескольких генераций или голосованием ансамбля, поэтому их нельзя напрямую считать качеством одного случайного ответа. Модель принимает текстовые запросы и генерирует текст, включая код и структурированные вызовы функций. В метаданных указаны английский и корейский языки, набор данных CodeFeedback-Filtered-Instruction и возможности чата, программирования и интерфейса вызова инструментов. Модель распространяется под лицензией Apache-2.0. В метаданных базовой моделью указана VIDraft/Darwin-28B-Opus.