II.8Инженерия данных и аналитика

jlvdoorn/whisper-large-v3-atco2-asr — дообученная модель распознавания речи на базе Whisper large-v3 от OpenAI. Она предназначена для преобразования аудио в текст; README сообщает результат оценки WER 17,0374 и loss 0,7695, но не описывает набор оценки и условия измерения. Модель содержит 905,2 млн параметров, использует архитектуру WhisperForConditionalGeneration и опубликована в формате safetensors. Лицензия — Apache-2.0.

zephyr-7b-sft-math_code — дообученная модель для генерации текста и диалогов, созданная на базе Mistral-7B-v0.1. Она предназначена для ответов на вопросы по математике и помощи с программированием; обучение также включало диалоговый датасет UltraChat 200k. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Модель дообучена на UltraChat 200k, Glaive Code Assistant и форматированном наборе MetaMathQA. В карточке приведено значение loss 0,9659 на оценочном наборе, но подробности методики оценки отсутствуют. Лицензия — Apache-2.0. The model card provides little detail about intended uses and limitations.

Карточка модели avsolatorio/00-000-10-1-0-1-0-0-u_GIST_BAAI_bge-base-en-v1.5-20240127115244-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/00-000-11-1-0-1-0-0-u_GIST_BAAI_bge-base-en-v1.5-20240127164623-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130184711-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130210931-latest на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/01-000-10-1-0-1-0-0-u_GIST_BAAI_bge-small-en-v1.5-20240126235053-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели Nhat1904/16-shot-twitter-2classes на Hugging Face совпадает с карточкой Nhat1904/16-shot-twitter-2classes-new, поэтому описание составлено по ней. Nhat1904/16-shot-twitter-2classes-new — модель Sentence Transformers на базе MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений по сходству. Модель содержит 136,7 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и распространяется в формате PyTorch. Название указывает на обучение на небольшом количестве примеров из набора Twitter с двумя классами; в карточке также указан CosineSimilarityLoss. Такие векторы можно использовать в семантическом поиске и других системах сравнения текстов. Язык обучения явно не указан. Лицензия в предоставленных данных не указана.

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

Agnuxo/Agente-GPT-Qwen-2.5-7B_GGUF_16bit — локальная чат-модель на базе семейства Qwen 2.5, представленная Francisco Angulo de Lafuente в экосистеме P2PCLAW. По README, модель рассчитана на работу в роли автономного агента и может запускаться локально через Ollama; в карточке указаны 7 млрд параметров и архитектура Qwen2. Формат весов — GGUF F16, лицензия — Apache-2.0. Модель предназначена для генерации текста и кода, декомпозиции задач и взаимодействия с агентными системами через MCP и A2A. README описывает навыки для Python, JavaScript, TypeScript, Rust, Go и C++, а также научных вычислений и машинного обучения. При запросе на подготовку научной статьи README предписывает перенаправлять задачу в P2PCLAW; это ограничивает её самостоятельное использование для генерации таких текстов. Языки карточки — английский и испанский; сведения о контекстном окне и независимых оценках качества не приведены.

MutazYoune/Arabic-NER-PII2 — модель распознавания именованных сущностей для арабского текста, разработанная на основе BERT и дообученная на базе MutazYoune/ARAB_BERT. Она выполняет классификацию токенов и выделяет категории CONTACT, IDENTIFIER, NETWORK, NUMERIC_ID и PII, поэтому подходит для поиска контактных данных и других идентификаторов в арабских текстах. Модель использует архитектуру BERT, содержит 136,3 млн параметров и обрабатывает до 512 токенов за контекст. Модель обучена на пользовательском наборе данных augmented_pattern2; README сообщает, что для финального обучения объединяли обучающую и тестовую части без отдельной валидационной выборки. Это ограничивает возможность оценить обобщающую способность и не позволяет судить о качестве по независимой валидации. Репозиторий содержит веса safetensors, лицензия — Apache-2.0.

AutoCoder_QW_7B — разговорная модель для генерации кода, основанная на CodeQwen1.5-7b. Разработчик сообщает, что в этой версии исправлено поведение запуска интерпретатора кода: модель должна запускать его не только по просьбе проверить код. Для простого создания кода без интерпретатора README предлагает отдельный сценарий использования. Модель построена на архитектуре Qwen2 и содержит 6,9 млрд параметров; заявленное максимальное окно контекста — 65 536 токенов. Она принимает текст и выдаёт текст, поддерживает чат и распространяется в формате Safetensors. Лицензия — Apache-2.0. README не уточняет поддерживаемые языки программирования и языки общения, а также не приводит результатов оценки качества.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240125221415-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240126151540-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240126151540-latest на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

BagOClownCoders-ties-7B — объединённая языковая модель на архитектуре Mistral, созданная автором репозитория методом TIES с помощью mergekit. В качестве базовой использована beowolx/MistralHermes-CodePro-7B-v1; в объединение также вошли beowolx/CodeNinja-1.0-OpenChat-7B и teknium/OpenHermes-2.5-Mistral-7B. Модель предназначена для генерации текста в диалоговом формате и задач программирования, включая написание и дополнение кода. Она содержит 7,1 млрд параметров, использует плотную архитектуру Mistral, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. В метаданных указана возможность чата. Языки в предоставленных данных не перечислены. Качество и ограничения модели отдельно не описаны. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformers, разработанная на базе tintnguyen/bert-base-vi-uncased и дообученная для сопоставления предложений. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать по косинусной близости. Модель построена на BERT с усреднением токенных представлений, принимает последовательности длиной до 512 токенов и предназначена прежде всего для вьетнамского текста. Модель подходит для семантического поиска, поиска перефразировок и тематической кластеризации текста. В README также указаны задачи классификации текста и семантического сходства. Обучающие примеры состоят из пар anchor-positive; указан размер обучающего набора — 631 587 примеров. Модель выдаёт эмбеддинги, а не готовые ответы на вопросы или метки классов. Репозиторий содержит веса в формате safetensors и использует библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

CrisperWhisper 2.0 medium — модель распознавания речи от Nyra Labs на архитектуре Whisper, содержащая 455,8 млн параметров. Она преобразует аудио в текст и позволяет выбирать режим транскрипции: verbatim сохраняет произнесённые заполнители пауз, повторы, обрывы слов и вокальные события, а intended выдаёт отредактированный текст с привычным форматированием чисел и дат. Модель также поддерживает временные метки для отдельных слов и транскрипцию длинных записей с продолжением между аудиофрагментами. Модель предназначена для подготовки точных расшифровок разговорной и дикторской речи, анализа речевых особенностей и создания текстовых данных для обучения. В README заявлена многоязычная работа для большинства языков, поддерживаемых Whisper; метаданные карточки отдельно отмечают английский и немецкий. Для запуска предусмотрена библиотека crisperwhisper, включая варианты исполнения на PyTorch и CTranslate2. В README для стандартных моделей указана лицензия на некоммерческие исследования с возможностью получить коммерческую лицензию. Заявленные показатели точности и таймингов приведены разработчиком на его бенчмарках и тестовых наборах; результаты могут отличаться на других аудиозаписях и языках.

Cronformer — компактная модель impalasys для преобразования коротких запросов на английском языке о расписании в пятикомпонентные выражения cron. Она предназначена для интерфейсов настройки расписаний, инструментов разработчика и локальных автоматизаций, которым нужно предложить cron-выражение по текстовому описанию. Модель использует дообученный BERT-энкодер google/bert_uncased_L-2_H-128_A-2 с архитектурой encoder-only и структурированный декодер: он предсказывает поля минут, часов, дня месяца, месяца и дня недели напрямую, а не генерирует выражение как текст. В модели 6 334 826 параметров, максимальная длина входа — 128 токенов. Выход представлен структурой CronOutput, которую вспомогательный код преобразует в строку cron в стиле Vixie. Для загрузки пользовательского кода Transformers требуется включить trust_remote_code=True. Модель может быть полезна для подсказок cron в интерфейсах и автономной генерации вариантов, но неоднозначные формулировки могут привести к синтаксически правильному, но неверному расписанию; рекомендуется показывать кандидаты или запрашивать подтверждение. Модель обучалась и оценивалась только на английском языке, поддерживает только пятикомпонентный cron и не учитывает секунды, годы, часовые пояса, праздники, переходы на летнее время и внешнее состояние. Оценка основана на внутренних наборах примеров проекта. Лицензия — AGPL-3.0.

Карточка модели TechxGenus/CursorCore-QW2.5-7B на Hugging Face совпадает с карточкой TechxGenus/CursorCore-DS-1.3B, поэтому описание составлено по ней. CursorCore-DS-1.3B — модель из серии CursorCore, разработанной Hao Jiang, Qi Liu, Rui Li, Shengyu Ye и Shijin Wang для помощи в программировании. Она дообучена на базе deepseek-ai/deepseek-coder-1.3b-base и предназначена для генерации кода и диалоговой поддержки в сценариях AI-помощника программиста, включая редактирование кода, встроенный чат и автодополнение. Модель использует плотную архитектуру семейства LLaMA с причинно-следственной языковой моделью на 1,3 млрд параметров. Она принимает текстовые запросы и контекст с кодом и генерирует текст, включая программный код; заявленная длина контекста — 16 384 токена. README показывает сценарии обычного чата и взаимодействия с кодом, но примеры для конкретной модели частично используют другие модели CursorCore. Лицензия указана как other, поэтому условия использования следует сверять с карточкой модели.

Карточка модели Openintelligent123/DeepSeek-R1-Distill-Llama-70B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

EUBERT Embedding v1 — модель scampion для получения векторных представлений предложений и документов. Это дообученная на AllNLI версия EUBERT с архитектурой RoBERTa, содержащая 107 млн параметров и формирующая эмбеддинги размерности 768. Модель принимает текст и предназначена для работы с документами ЕС на 24 языках. Эмбеддинги можно использовать для поиска похожих документов и фрагментов, кластеризации и классификации текстов, а также как векторное представление в системах семантического поиска и RAG. Заявленная длина контекста — 514 токенов. В карточке приведены результаты оценок на наборах MTEB, включая классификацию и кластеризацию; авторы приглашают к дальнейшей оценке и сравнению модели. Модель распространяется под лицензией EUPL-1.1. Ограничения: README помечен как находящийся в разработке; приведённые оценки не подтверждают качество на всех 24 языках, а контекст в 514 токенов ограничивает обработку длинных документов без разбиения на фрагменты.

sixtyoneeighty/FNCARL9000 — языковая модель с архитектурой Mixtral и смесью экспертов (MoE), созданная на основе четырёх моделей с помощью LazyMergekit: Open-Orca/Mistral-7B-OpenOrca, NeuralNovel/Mistral-7B-Instruct-v0.2-Neural-Story, S-miguel/The-Trinity-Coder-7B и chihoonlee10/T3Q-Mistral-Orca-Math-DPO. Модель предназначена для генерации текста и диалогов; объединение исходных моделей ориентировано на инструкции, рассказы, код и математические задачи. Модель содержит 7,1 млрд параметров, использует формат safetensors и имеет контекст до 32 768 токенов. Карточка указывает лицензию Apache-2.0. Язык и качество ответов отдельно не описаны; составные модели включают англоязычную инструкционную модель. Практические результаты могут различаться по задачам, представленным в исходных моделях.

fuse-1 Lite — языковая модель для генерации текста с усиленными возможностями программирования, разработанная Akahsizrr. Она объединяет базовую модель LiquidAI/LFM2.5-2.6B с перенесёнными экспертами для кода из Qwen/Qwen3.6-35B-A3B и обучаемым маршрутизатором, который выбирает экспертов для токенов, связанных с программированием. В метаданных указано 2,6 млрд параметров, а в README — 5,72 млрд; README описывает архитектуру Fuse3 с экспертными дополнениями, тогда как в метаданных архитектура обозначена как dense. Контекст — до 131 072 токенов; модель доступна в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для генерации кода, помощи при программировании и агентных сценариев. README сообщает, что базовые веса и эксперты заморожены, а обучались только маршрутизатор и масштабы экспертных слоёв на 55 примерах, поэтому качество маршрутизации может быть нестабильным на разнообразных задачах. Для загрузки требуется доверенное выполнение пользовательского кода модели (`trust_remote_code=True`); README также отмечает ограничения совместимости с vLLM и необходимость специальной поддержки для вариантов GGUF. Лицензия — Apache-2.0.

Fuse-1 Lite v2 — чат-модель для генерации текста и помощи с программированием, разработанная auryn-macmillan. Это дообученное продолжение Akahisrr/fuse-1-Lite: к базовой модели добавлен экспертный путь для кода с мостовыми слоями, маршрутизатором, масштабированием экспертов и кодовым вентилем. В карточке указаны архитектура Fuse3V2ForCausalLM, около 2,6 млрд параметров и контекст до 131 072 токенов. Модель генерирует ответы в диалоге и код; при необходимости кодовый путь можно отключить и использовать основной путь LFM2.5-2.6B. Для загрузки требуется Transformers с выполнением пользовательского кода из репозитория через trust_remote_code=True. Модель обучалась 550 шагов, в том числе с KL-дистилляцией к LiquidAI/LFM2.5-2.6B; сведения о тренировочных данных и оценках качества не приведены. Лицензия — Apache-2.0.

HelixLM — языковая модель из серии открытых моделей Helix, разработанная Helix Lab. Это плотная авторегрессионная модель семейства Llama для генерации текста; карточка описывает её как релиз-кандидат, дообученный с чередованием этапов рассуждения. Модель ориентирована на математические задачи, понимание кода и многошаговые логические задачи, а также поддерживает диалог и интерфейс вызова функций. HelixLM рассчитана на решение сложных задач с более продолжительным внутренним рассуждением перед ответом. Разработчик сообщает о конкурентных результатах на внутренних наборах проверки, но не приводит размер модели или длину контекста. Для запуска рекомендуется температура 0,6; модель также предлагается через игровую площадку и API. Модель распространяется по лицензии Apache-2.0. Это релиз-кандидат; заявленные показатели основаны на внутренних тестах и в README не приведены подробные сведения о методике оценки. Увеличенный бюджет рассуждений может повышать расход токенов и задержку ответа.

MarcoAland/Indonesian-bge-m3 — Sentence Transformer на базе BAAI/bge-m3, дообученный автором репозитория для работы с индонезийскими текстами. Модель использует архитектуру XLM-RoBERTa с плотным представлением: преобразует предложения и абзацы в нормализованные векторы размерности 1024, а сходство между ними оценивается косинусной мерой. Заявленная максимальная длина последовательности — 8192 токена; число параметров — 658,7 млн. Модель подходит для семантического поиска, сравнения предложений, поиска перефразировок, кластеризации и классификации текста. Обучение проводилось на 45 000 примерах с парами положительных и отрицательных соответствий и функцией потерь MultipleNegativesRankingLoss. Примеры в карточке — на индонезийском языке; метаданные также указывают на многоязычную базовую модель, но для этой версии основной целевой язык — индонезийский. Модель выдаёт текстовые эмбеддинги, а не готовые ответы или метки; для поиска и классификации потребуется подходящий downstream-процесс. В карточке приведены результаты оценки, но они не позволяют судить о качестве на всех прикладных наборах данных. Условия лицензирования в предоставленных данных не указаны.

jina-code-embeddings-0.5b — модель эмбеддингов для поиска по коду, разработанная Jina AI и дообученная на базе Qwen/Qwen2.5-Coder-0.5B. Она предназначена для поиска по запросу на естественном языке в коде, поиска похожих фрагментов кода, поиска описания по коду и подбора продолжения кода. Модель также поддерживает ответы на технические вопросы, связанные с программированием. Архитектура — плотная Qwen2, около 494 млн параметров; модель использует библиотеку Transformers и принимает контекст до 32 768 токенов. Для пяти типов задач предусмотрены отдельные префиксы инструкций, выбираемые при инференсе. Эмбеддинги имеют размерность 896 по умолчанию; её можно уменьшить до 64 с небольшим снижением качества. Заявлена поддержка более 15 языков программирования и сценариев разработки, машинного обучения, анализа данных и обучения программированию. Модель подходит для построения поиска и извлечения релевантного кода, однако README не приводит численных результатов оценки качества. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Kimi-K2-Base — базовая языковая модель, разработанная Moonshot AI. Это фундаментальная версия семейства Kimi K2, предназначенная для исследователей и разработчиков, которым нужен контроль над дообучением и созданием специализированных решений. Модель ориентирована на задачи работы с текстом, рассуждения, программирования, использования инструментов и построения автономных агентных систем. Модель использует архитектуру Mixture-of-Experts (MoE) с 1 трлн общих параметров и 32 млрд активируемых параметров. Она содержит 61 слой, включая один плотный слой, 384 эксперта, из которых для каждого токена выбираются 8, один общий эксперт, 64 attention-головы, скрытую размерность внимания 7168, размерность MoE-эксперта 2048 и словарь из 160 тысяч токенов. Используются механизм внимания MLA и функция активации SwiGLU; длина контекста составляет 128K токенов. Модель предварительно обучена на 15,5 трлн токенов с использованием оптимизатора MuonClip. README не указывает поддерживаемые языки и мультимодальные возможности, поэтому модель следует рассматривать как текстовую без подтверждённой мультимодальности. В отличие от готовой инструкционной версии, Base требует дополнительной настройки под конкретные сценарии и не предназначена прежде всего для непосредственного использования в чат-интерфейсе. Лицензия указана как modified MIT.

LCO-Embedding-Omni-7B — мультимодальная модель эмбеддингов семейства LCO-Embedding, разработанная авторами работы «Scaling Language-Centric Omnimodal Representation Learning». Она использует компонент thinker архитектуры Qwen2.5 Omni без talker и предназначена для представления текста, изображений, аудио и видео в виде векторов для поиска и сравнения. Модель работает через Sentence Transformers или Transformers; README отмечает высокие результаты на бенчмарках мультимодального поиска, включая MIEB, и поддержку аудио и видео. Модель подходит для поиска по текстам, изображениям, аудиозаписям, видео и смешанным мультимодальным документам. В README заявлена оценка на задаче поиска визуальных документов на языках Юго-Восточной Азии, однако полный список поддерживаемых языков не приведён. Репозиторий использует формат safetensors и распространяется по лицензии Apache-2.0. Метаданные указывают библиотеку Sentence Transformers и задачи извлечения признаков и сравнения предложений.