II.8Инженерия данных и аналитика

Darwin-28B-Opus — языковая модель для рассуждений, созданная командой Darwin путем эволюционного слияния Qwen/Qwen3.6-27B и модели rico03/Qwen3.6-27B-Claude-Opus-Reasoning-Distilled. Она сохраняет плотную архитектуру Qwen3.6 с гибридным линейным и полным вниманием и наследует стиль рассуждений, полученный дистилляцией поведения Claude Opus. Модель содержит 27,6 млрд параметров, представлена в формате BF16 и рассчитана на генерацию текста в режиме диалога и многошаговые рассуждения. Модель предназначена для решения сложных научных и математических задач, генерации и отладки кода, а также ответов на вопросы, требующие последовательного анализа. В README приведен результат 88,89% на GPQA Diamond при трехэтапной адаптивной оценке; он зависит от описанного протокола сэмплирования и уточнения ответов. Основной язык — английский; также заявлена поддержка корейского, китайского и японского языков. Полный вывод требует около 55 ГБ видеопамяти. Лицензия — Apache 2.0.

Карточка модели Gabbana/Deobfuscation_SBERT на Hugging Face совпадает с карточкой harsh-wk/long-seq-paraphrase-MiniLM-L6-v2, поэтому описание составлено по ней. harsh-wk/long-seq-paraphrase-MiniLM-L6-v2 — модель Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерности 384. Она подходит для семантического поиска, сравнения сходства текстов и кластеризации. По метаданным, модель основана на архитектуре BERT, содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена Sentence Transformers и распространяется по лицензии Apache-2.0. В репозитории доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. README описывает семантический поиск и кластеризацию как основные сценарии; язык текстов, поддерживаемых моделью, в предоставленных данных не установлен.

Felix92/doctr-torch-crnn-mobilenet-v3-large-french — модель распознавания текста на изображениях, основанная на CRNN с энкодером MobileNetV3-Large и предназначенная для использования с библиотекой docTR. Карточка позиционирует её как OCR-модель; метаданные указывают форматы PyTorch и задачу image-to-text. Модель подходит для извлечения текста из изображений и документов. В названии указана специализация на французском языке, а метаданные также отмечают английский и многоязычную поддержку. Сведений о размере, длине контекста и лицензии в предоставленных источниках нет.

DolphinCoder StarCoder2 7B — дообученная разработчиком модель для программирования на основе StarCoder2-7b. Она предназначена для генерации и объяснения кода, а также для диалоговой помощи с задачами разработки. Модель использует архитектуру StarCoder2 с 9,9 млрд параметров, поддерживает контекст до 16 384 токенов и формат диалога ChatML. При обучении применялись qLoRA и Axolotl; в карточке перечислены наборы данных по программированию, инструкциям и математическим задачам. Основной заявленный язык — английский. Автор характеризует модель как сильную в задачах кодирования и отмечает, что она обучена без фильтрации, связанной с выравниванием и смещениями, поэтому может охотно выполнять небезопасные запросы. Перед предоставлением модели пользователям автор рекомендует добавить собственный слой ограничений. Веса опубликованы под лицензией bigcode-openrail-m.

Nhat1904/Final-32shots-Twitter-Skhead-Train — модель Sentence Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Обучение использовало CosineSimilarityLoss. Модель принимает текст и выдаёт векторные представления, которые можно использовать для семантического поиска и оценки сходства. Контекст ограничен 514 токенами. Репозиторий содержит веса PyTorch; сведения о лицензии и целевых языках в предоставленных данных отсутствуют.

General-Reasoner-Qwen3-14B — языковая модель TIGER-Lab, дообученная на базе Qwen/Qwen3-14B-Base для развития рассуждений в широком круге областей. Она предназначена для ответов на вопросы и решения задач, требующих анализа, включая математику, программирование, физику, химию, финансы и гуманитарные дисциплины. Для обучения использованы более 230 тысяч проверяемых вопросов из веб-источников и модельный верификатор; README описывает подход как обучение без промежуточного этапа supervised fine-tuning. Модель имеет плотную архитектуру Qwen3ForCausalLM, 14 млрд параметров и контекст до 32 768 токенов; репозиторий содержит веса в формате safetensors. Поддерживаются чат и интерфейс вызова инструментов. Лицензия — Apache-2.0. Карточка сообщает о результатах на разнообразных бенчмарках рассуждений, но не приводит здесь подробных численных оценок.

SanctumAI/granite-3b-code-instruct-GGUF — это квантованная версия Granite-3B-Code-Instruct в формате GGUF. Исходную модель разработали IBM Research и команда ibm-granite; она дообучена на базе Granite-3B-Code-Base с использованием набора данных для программирования, математических задач, инструкций, SQL, вызова функций и оценки качества ответов. Квантование выполнено SanctumAI. Модель предназначена для генерации, объяснения и исправления кода, решения задач программирования и математического рассуждения, работы с SQL, следования инструкциям и потенциальных сценариев, связанных с function calling. Заявленный размер исходной модели — около 3 млрд параметров. Указаны результаты HumanEvalPack для Python, JavaScript, Java, Go, C++, Rust в задачах генерации, объяснения и исправления кода, однако соответствующие значения помечены как непроверенные. Модель ориентирована на задачи кодинга и выигрывает от небольшого размера, что может облегчать локальное развертывание в формате GGUF. README не сообщает точный вариант квантования, длину контекста, поддерживаемые языки естественного языка, набор модальностей и требования к аппаратному обеспечению. Поэтому качество за пределами перечисленных сценариев и языков программирования следует проверять отдельно. Для модели указана лицензия Apache-2.0.

gte-large-zh — модель текстовых эмбеддингов General Text Embeddings (GTE), разработанная Alibaba DAMO Academy на основе архитектуры BERT и обученная контрастивным обучением на больших наборах пар текстов, связанных по релевантности. Она предназначена для китайских текстов и преобразует их в векторы размерности 1024 для поиска и сравнения по смыслу. Модель подходит для информационного поиска, оценки семантического сходства и ранжирования текстов, а также может использоваться в классификации и кластеризации. Максимальная длина входной последовательности — 512 токенов; более длинные тексты обрезаются. В тестировании на китайском бенчмарке CMTEB модель показала средний результат 66,72 по 35 наборам данных. Репозиторий содержит веса PyTorch и Safetensors, лицензия — MIT.

HindSBERT — модель семейства BERT от L3Cube-Pune, дообученная на наборе данных NLI на основе l3cube-pune/hindi-bert-v2. Она преобразует предложения и абзацы на хинди в плотные векторы размерности 768 для оценки семантического сходства, поиска и кластеризации текстов. Модель использует архитектуру BERT, имеет 264,8 млн параметров и поддерживает контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения предложений и группировки похожих текстов на хинди. Доступна в формате PyTorch и лицензирована по CC BY 4.0. Для получения эмбеддингов через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов.

ivila-row-layoutlm-finetuned-s2vl-v2 — модель Allen Institute for AI на архитектуре LayoutLM, предназначенная для классификации токенов в документах. Она принимает текстовые токены вместе с их расположением на странице и помогает извлекать структурированную информацию из форм, чеков и других документов. Модель содержит 136,7 млн параметров и имеет контекст длиной до 512 токенов; заявленный язык — английский. Модель подходит для понимания изображений документов и извлечения информации с учётом текста и макета страницы. Карточка не приводит результатов оценки, подробностей обучающего набора данных или явных условий лицензии, поэтому качество на конкретных типах документов и права использования следует проверять отдельно.

Jina AI обучила jina-code-embeddings-1.5b на базе Qwen/Qwen2.5-Coder-1.5B для поиска по коду и технических вопросов. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель формирует векторные представления для поиска по естественно-языковым запросам и коду: поддерживаются сценарии text-to-code, code-to-code, code-to-text и code-to-completion. Для разных задач можно выбирать инструкционные префиксы; размер эмбеддинга по умолчанию — 1536 измерений, его можно сократить до 128. Заявлена поддержка более 15 языков программирования и технических вопросов в областях веб-разработки, разработки ПО, машинного обучения, анализа данных и учебных задач по программированию. Модель дообучена на Qwen/Qwen2.5-Coder-1.5B и распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Для ускорения вывода рекомендуется flash-attention; также доступна интеграция с sentence-transformers и vLLM.

Это дообученная модель Sentence Transformers на базе cointegrated/LaBSE-en-ru, разработанная автором репозитория whitemouse84. Она кодирует предложения и абзацы на русском и английском языках в плотные векторы размерностью 768 для сравнения семантического сходства по косинусной близости. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста по эмбеддингам. Модель основана на архитектуре BERT, содержит 89,5 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены оценки на наборах STS и оценка дистилляции; они дают ориентир для проверки сходства, но не гарантируют качество для конкретного корпуса. Для работы с эмбеддингами требуется совместимый механизм сравнения или поиска.

srinidhireddy1604/layoutlm-funsd — модель Microsoft LayoutLM, дообученная на наборе FUNSD для классификации токенов в документах и извлечения информации из форм. Она обрабатывает текст вместе с его расположением на странице и изображением документа; число параметров — 136,7 млн, контекст — до 512 токенов. Модель размечает поля категориями Answer, Header и Question и рассчитана на анализ англоязычных форм. В оценке на FUNSD общая точность составила 0,8047, а F1 — 0,7549; для категории Header F1 заметно ниже и равен 0,2467. Модель опубликована в формате safetensors и распространяется по лицензии MIT. Результаты относятся к оценке на FUNSD, поэтому качество на других типах документов может отличаться.

LLaDA2.0-mini-preview — диффузионная языковая модель с архитектурой Mixture-of-Experts от InclusionAI. Это предварительная instruction-tuned версия семейства LLaDA, предназначенная для диалогов и практических задач генерации текста. README указывает 16 млрд параметров всего и около 1,4 млрд активных при инференсе; в метаданных Hugging Face указан размер 1,2 млрд параметров. Модель содержит 20 слоёв, использует RoPE и поддерживает контекст до 8192 токенов согласно метаданным; README указывает 4096 токенов. Модель подходит для генерации кода, математических рассуждений, ответов на вопросы и сценариев с вызовом инструментов. В README заявлено обучение на серии Ling2.0 примерно на 20 трлн токенов и приведены результаты бенчмарков, но их детализация в доступном фрагменте неполная. Репозиторий содержит веса safetensors и рассчитан на работу через Transformers. Лицензия — Apache-2.0. README обозначает модель как preview, поэтому её качество и поведение следует оценивать для конкретных задач; при повышении температуры авторы предупреждают о возможном смешении языков и снижении качества.

MadWizard-SFT-v4-Mistral-7b-v0.3 — разговорная модель на архитектуре Mistral, дообученная Lumpen1 методом QLoRA на протяжении двух эпох на наборе Lumpen1/MadWizardSFT-v0.3-with-coding-chatml42 с шаблоном ChatML. Она предназначена для генерации ответов в диалогах и задач с кодом. Модель содержит 7,1 млрд параметров, принимает текст и выдаёт текст; заявленный контекст — до 32 768 токенов. Опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Magicoder-DS-6.7B — языковая модель для генерации кода, разработанная Юсяном Вэем, Чжэ Вангом, Цзяьвэем Лю, Ифэном Дином и Линмином Чжаном. Это плотная авторегрессионная модель семейства Llama, дообученная на базе deepseek-ai/deepseek-coder-6.7b-base с использованием набора Magicoder-OSS-Instruct-75K, созданного методом OSS-Instruct на основе фрагментов открытого исходного кода. Модель предназначена прежде всего для задач программирования: генерации кода по инструкциям и помощи в диалоговых сценариях разработки. Использует текстовый ввод и выдаёт текст, включая код; поддерживает контекст до 16 384 токенов. Размер — около 6,6 млрд параметров, формат весов — Safetensors, для работы применяется Transformers. Модель может ошибаться и создавать вводящий в заблуждение код, а также хуже справляться с задачами вне программирования. В карточке указана лицензия DeepSeek; README рекомендует учитывать условия OpenAI для синтетических данных и обучающего набора.

md-reheader — созданная Джоэлом Барметтлером в Souverana модель на базе Qwen3, дообученная для восстановления уровней заголовков в Markdown-документах. Она анализирует структуру текста и предсказывает для каждого заголовка уровень H1–H6; модель рассчитана на обработку Markdown, полученного, например, при конвертации PDF, и на запуск локально через CLI, Python API или сервер vLLM. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит 507,9 млн параметров. Она принимает текст и генерирует текст с восстановленной иерархией заголовков; основной язык обучения — английский. Контекстное окно составляет 40 960 токенов, однако README указывает, что после предварительного удаления основного текста документы длиннее 8 000 токенов обрезаются: заголовки за пределами этого предела сохраняют исходный уровень. Модель специализируется на одной задаче, поэтому подходит для автоматизации подготовки Markdown перед навигацией и разбиением документов на фрагменты для RAG. Лицензия — Apache-2.0.

K00B404/Merged_Beowolx-CodePro_Medusa2-7B-Mistral-I-v0-2 — объединённая языковая модель на архитектуре Mistral, созданная методом SLERP с помощью mergekit из beowolx/MistralHermes-CodePro-7B-v1 и EmbeddedLLM/Medusa2-Mistral-7B-Instruct-v0.2. Модель содержит 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Модель предназначена для диалогового текстового общения и генерации кода, сочетая возможности базовых моделей для программирования и инструкционного диалога. Её можно использовать для написания и объяснения кода, а также ответов на текстовые запросы. Карточка не указывает отдельные языки программирования или естественные языки. Модель распространяется в формате safetensors для библиотеки Transformers. Условия лицензии в предоставленных данных не указаны.

MiMo-7B-RL-0530 — языковая модель Xiaomi из семейства MiMo, дообученная с подкреплением для математических и программных рассуждений. Это плотная авторегрессионная модель на 7 млрд параметров с контекстом до 65 536 токенов; репозиторий содержит веса в формате safetensors, а метаданные указывают совместимость с Transformers и диалоговый режим с интерфейсом вызова инструментов. Модель предназначена для решения математических задач, генерации и анализа кода, а также диалоговых сценариев, где требуется пошаговое рассуждение. В README описано обучение с подкреплением на задачах математики и программирования с проверкой ответов по правилам. Заявлены результаты, сопоставимые с OpenAI o1-mini, однако они относятся к оценкам разработчиков и конкретным бенчмаркам. Модель принимает и генерирует текст. Метаданные не перечисляют языки, поэтому описание не приписывает ей конкретный набор языков. Лицензия — MIT. Практическое качество может зависеть от формулировки запроса и задачи; результаты рассуждений и сгенерированный код требуют проверки.

BlueAvenir/model_operations_V_0_2 — модель на базе XLM-RoBERTa, разработанная с использованием Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения сходства текстов. В качестве функции обучения указана CosineSimilarityLoss; модель доступна в формате PyTorch, число параметров — 305,2 млн, длина контекста — 514 токенов. Модель подходит для построения текстового поиска по смыслу, группировки похожих текстов и вычисления семантического сходства пар предложений или абзацев. Языковая поддержка соответствует многоязычной основе XLM-RoBERTa; конкретные языки для этой модели в карточке не перечислены. Лицензия в предоставленных данных не указана.

jamescalam/mpnet-snli-negatives — англоязычная модель Sentence Transformers на базе MPNet, разработанная James Briggs и дообученная на датасете Stanford Natural Language Inference (SNLI) с отрицательными примерами. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантической близости, семантического поиска и кластеризации текстов. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текстовые последовательности длиной до 514 токенов. В README приведены значения MRR@10 и MAP около 0,95 на тестовом наборе SNLI; эти результаты относятся к указанной оценке и не гарантируют такое же качество на других данных. Доступна под лицензией MIT.

MyAwesomeModel — модель из репозитория dfdfhhj7/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и распространяемая по лицензии MIT. В метаданных Hugging Face она классифицирована как модель для извлечения признаков; среди тегов также указаны PyTorch и BERT, поэтому её можно использовать для получения векторных представлений текста и последующей обработки в задачах машинного обучения.

MyAwesomeModel — модель семейства BERT из репозитория toolathlon3/MyAwesomeModel-TestRepo, предназначенная для извлечения признаков из текста. Согласно метаданным, она реализована на PyTorch и библиотеке Transformers, а её основной тип задачи Hugging Face — feature-extraction. Модель может использоваться для получения векторных представлений текста, семантического поиска, кластеризации, сравнения текстов и как компонент систем классификации или других downstream-задач. README также заявляет о возможностях рассуждения, генерации кода, ответов на вопросы и работы с функциями, однако эти сведения не согласуются с указанным pipeline-тегом feature-extraction и не подтверждают архитектуру генеративной модели. Модель распространяется по лицензии MIT. Размер, длина контекста, поддерживаемые естественные языки и точные характеристики архитектуры в доступных данных не указаны.

leerobert/my-awesome-setfit-model — модель Sentence-Transformers на базе MPNet, которая преобразует предложения и абзацы в плотные векторы размерности 768. Её можно использовать для семантического поиска, кластеризации и сравнения сходства текстов. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги. В карточке указано обучение с CosineSimilarityLoss; модель рассчитана на применение через Sentence-Transformers или Transformers с подходящей операцией pooling. Лицензия в доступных данных не указана.

api19750904/newspainclass-opt — модель Sentence-Transformers на архитектуре RoBERTa, разработчик которой не назван в карточке. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель содержит около 151,8 млн параметров и принимает текст с контекстным окном 514 токенов. Карточка указывает, что модель обучалась с CosineSimilarityLoss. В репозитории представлены веса PyTorch; метаданные отмечают поддержку эмбеддингов. Лицензия в предоставленных данных не указана.

Omega AI 450B — вариант модели, представленный под брендом Omega AI и основанный на Qwen3-Coder-480B-A35B-Instruct. Это языковая MoE-модель для генерации кода и диалогов; карточка указывает 480 млрд общих параметров и около 35 млрд активных параметров. Название «450B» обозначает уровень семейства Omega, а не фактическое число параметров. Модель предназначена для генерации кода и сценариев агентного программирования; в метаданных также заявлен интерфейс вызова инструментов. Контекст составляет до 262 144 токенов. Указано, что архитектура и исходные предобученные веса происходят от Qwen, а не были изначально обучены Omega AI. Сведения о лицензии и ограничениях качества в предоставленных источниках отсутствуют.

OpenCerebrum-1.0-7B-DPO — открытая языковая модель Locutusque, дообученная методом DPO на базе alpindale/Mistral-7B-v0.2-hf. Это плотная Mistral-модель с 7,1 млрд параметров и контекстом до 32 768 токенов; для обучения использовался формат ChatML. Модель предназначена для генерации текста, ответов на вопросы и следования инструкциям, в том числе для задач программирования, математики, естественных наук и рассуждений. Обучение примерно на 21 тысяче примеров из шести публичных наборов данных было направлено на воспроизведение возможностей Cerebrum; модель работает на английском языке. Модель распространяется по лицензии Apache 2.0. Авторы предупреждают, что она может уступать оригинальной Cerebrum, отражать смещения обучающих данных и требовать заметных вычислительных ресурсов из-за размера 7B.

OpenHermes-2.5-Code-290k-13B — полноразмерная дообученная модель ajibawa-2023 на базе Llama 2 от Meta. Она обучена на смеси OpenHermes-2.5 и набора Code-290k-ShareGPT, включающей синтетические диалоги и инструкции; карточка сообщает примерно о 1,29 млн разговоров в объединённом наборе. Модель предназначена для генерации кода и ответов в формате диалога, а также для написания историй, блогов и ответов на вопросы. Модель использует плотную архитектуру Llama с 12,9 млрд параметров и контекстом 4096 токенов. В метаданных указан английский язык; заявленная лицензия — Apache-2.0. Карточка описывает её как улучшенную для программирования, но не приводит примеров выходов, а результаты оценки в README представлены лишь частично, поэтому качество для конкретных задач следует проверять отдельно.

PaddleOCR-VL-1.6-MLX-8bit — 8-битная MLX-квантизация мультимодальной модели PaddleOCR-VL-1.6, разработанной командой PaddlePaddle. Модель предназначена для локального разбора документов на устройствах Apple Silicon, включая OCR полноформатных страниц, анализ структуры и компоновки, распознавание таблиц, формул, графиков, печатей, а также обнаружение и распознавание текста. Она принимает изображения и генерирует результаты в форматах Markdown и JSON; текстовые входы без изображения не поддерживаются. Модель содержит около 0,9 млрд параметров и использует архитектуру PaddleOCRVLForConditionalGeneration на базе ERNIE-4.5 с пользовательским типом модели paddleocr_vl. Контекст составляет до 131 072 токенов, поддерживаются английский, китайский и другие языки; заявлена мультиязычность. Версия адаптирована для MLX и занимает около 1,09 ГБ на диске. Повышенный предел разрешения до 4 064 256 пикселей оптимизирован для распознавания мелкого текста на полноразмерных страницах, но увеличивает время обработки примерно в пять раз по сравнению с исходным ограничением. Работает через mlx-vlm и требует Apple Silicon, а также trust_remote_code=True. Сильные стороны модели — локальная обработка данных без отправки документов во внешние сервисы, поддержка сложных элементов документов и высокая заявленная точность базовой модели: 96,3% на OmniDocBench v1.6. 8-битная квантизация может немного снизить точность по сравнению с версиями bf16/fp16. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

unsloth/Phi-4-reasoning-GGUF — GGUF-версия модели Phi-4-reasoning, разработанной Microsoft Research и подготовленной для распространения Unsloth. Это открытая модель с весами, дообученная на базе Phi-4 с использованием supervised fine-tuning на наборах трасс рассуждений и reinforcement learning. Обучающие данные были ориентированы на математику, естественные науки, программирование, безопасность и Responsible AI. Модель представляет собой плотный decoder-only Transformer с 14 млрд параметров и поддерживает текстовые входы, предпочтительно в формате чата. Длина контекста составляет 32k токенов, заявленный язык — английский. Модель генерирует ответы, включающие блок рассуждений и последующее резюме, поэтому подходит для задач, требующих пошагового анализа, решения математических и научных задач, а также написания и анализа кода. К сильным сторонам относятся специализация на reasoning-задачах и сочетание сравнительно компактного размера с возможностями Phi-4. Ограничения включают поддержку только текстовой модальности, ориентацию на английский язык и необходимость корректного шаблона запуска: для включения рассуждений в llama.cpp требуется параметр --jinja. README не содержит полной информации о характеристиках конкретного квантования GGUF, включая его вариант и требования к памяти. Модель распространяется по лицензии MIT.