II.8Инженерия данных и аналитика

LFM2.5-8B-A1B-UltraCoder-L3 — экспериментальная модель для генерации и анализа кода, разработанная Susant-Achary на основе семейства LiquidAI LFM2.5-8B-A1B. Модель дообучалась в два этапа: продолженное предварительное обучение на качественном исходном коде Python из набора openbmb/UltraData-Code и supervised fine-tuning на задачах, включающих условия, рассуждения и решения. Она предназначена для программирования на Python, алгоритмического решения задач, генерации кода и использования в качестве coding assistant. Это причинная языковая модель с разреженной архитектурой Mixture-of-Experts: около 8,3 млрд параметров, из которых примерно 1,5 млрд активируются для каждого токена. Модель содержит 24 слоя и 32 эксперта, при этом для обработки токена активируются 4 эксперта. Заявленная длина контекста составляет 8 192 токена, хотя исходная модель поддерживает до 131 072 токенов. Артефакты совместимы с Hugging Face Transformers и llama.cpp; для локального запуска предоставлен вариант квантования Q4_K_M в формате GGUF. Сильная сторона модели — специализация на задачах программирования и улучшение результатов относительно базовой LFM2.5-8B-A1B в указанных тестах EvalPlus, включая HumanEval, HumanEval+, MBPP и MBPP+. Ограничения включают экспериментальный статус, фокус преимущественно на Python и заявленный контекст 8 192 токена; универсальность за пределами задач кодирования отдельно не подтверждена. В метаданных указана лицензия other, без подробного описания условий использования.

Llama3.1-SuperDeepFuse — языковая модель на архитектуре Llama, созданная слиянием трёх моделей: Llama-3.1-SuperNova-Lite, DeepSeek-R1-Distill-Llama-8B и FuseChat-Llama-3.1-8B-Instruct. Автор README указывает базовую модель meta-llama/Llama-3.1-8B-Instruct и метод слияния model_stock. Модель содержит около 7,5 млрд параметров и поддерживает контекст до 131 072 токенов; опубликована в формате safetensors для Transformers. Модель предназначена для диалогов и генерации текста с упором на следование инструкциям, многошаговые рассуждения, математику и программирование. README заявляет многоязычную поддержку, однако в метаданных указан только английский язык. По карточке модель подходит для запуска на потребительских GPU, но её возможности уступают более крупным моделям. Модель всё ещё проходит оценку; результаты приведены лишь для части бенчмарков. Она может выдавать вводящие в заблуждение ответы, поэтому результаты следует проверять. Лицензия — условия использования Llama 3.1.

mrm8488/mamba-coder — языковая модель для генерации кода и ответов на инструкции, основанная на архитектуре Mamba, разработанной как альтернатива трансформерам на основе пространства состояний. Модель содержит 6 млрд параметров и распространяется в формате PyTorch; в метаданных указана библиотека Transformers. Модель дообучена на наборе CodeAlpaca_20K из 20 тысяч примеров инструкций для задач программирования. Она подходит для генерации фрагментов кода, помощи в написании и изменении программ, а также ответов на вопросы о коде. Карточка не приводит результатов оценки качества. Лицензия — WTFPL.

sileod/mdeberta-v3-base-tasksource-nli — многоязычная модель на архитектуре mDeBERTa-v3-base, разработанная для задач классификации текста и вывода по тексту. Она обучалась в течение 30 тысяч шагов на наборе задач mtasksource и подходит как основа для дальнейшего дообучения, а также для определения, следует ли гипотеза из текста, и классификации по заданным категориям без отдельного обучения на этих категориях. Для сотен задач можно подключать предоставляемые адаптеры через экосистему tasknet и tasksource. Модель содержит 306 млн параметров, принимает текст с контекстом до 512 токенов и доступна в форматах PyTorch и Safetensors. Карточка и метаданные указывают на многоязычное обучение; среди языков есть русский, английский, китайский, японский, арабский, немецкий, французский, испанский и другие. Лицензия — Apache-2.0. Это модель понимания и классификации текста, а не генеративная языковая модель; качество конкретной задачи зависит от выбранных меток или адаптера.

Это объединённая языковая модель на базе семейства Llama 3.2, созданная методом TIES с помощью mergekit. В качестве базовой использована huihui-ai/Llama-3.2-3B-Instruct-abliterated; в объединение также вошли модели для рассуждений, программирования и математики, соблюдения инструкций и ответов на медицинские вопросы. Модель предназначена для диалоговой генерации текста, включая ответы на вопросы, рассуждения и помощь с кодом. Она содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст, выдавая текст. Заявленная длина контекста — 131 072 токена. В метаданных указана библиотека Transformers и формат весов safetensors. Лицензия и отдельные результаты оценки качества в предоставленных данных не указаны. Поскольку объединены модели с разными специализациями, пригодность для конкретных задач следует проверять на собственных примерах.

Meta-Llama-3.1-8B-Instruct_CODE_Python_English_Asistant-16bit-v2-GGUF — GGUF-квантизированная версия модели Agnuxo, подготовленная mradermacher. Модель основана на Meta Llama 3.1 с 8 млрд параметров и предназначена для генерации текста и кода, прежде всего для задач программирования на Python, работы в роли ассистента разработчика и локального использования. В обучении или дообучении указаны наборы данных jtatman/python-code-dataset-500k и Vezora/Tested-143k-Python-Alpaca. Заявлены английский и испанский языки; модальность — текстовая. Размер контекста и дополнительные архитектурные характеристики в README не указаны. Репозиторий предоставляет варианты GGUF-квантизации от Q2_K до Q8_0, а также f16, с размером файлов примерно от 3,3 до 16,2 ГБ. Более компактные варианты требуют меньше памяти, но могут уступать по качеству; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q8_0 — как вариант высокого качества. Модель подходит для локального запуска при наличии совместимого ПО для GGUF, однако README не содержит результатов бенчмарков, подробной оценки качества, ограничений по безопасности или описания точности генерации. Лицензия указана как Apache-2.0. В README не приведены сведения о специальных требованиях к аппаратному обеспечению, поддерживаемых языках программирования помимо Python или точном происхождении базовой архитектуры за пределами ссылки на Meta Llama 3.1.

Карточка модели NostraEmpire/mirror-deepseek-r1-distill-qwen-7b 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.

cambridgeltl/mirror-roberta-base-sentence-drophead — несупервизируемый энкодер предложений, разработанный Liu et al. (2021). Он основан на RoBERTa-base и обучен на неразмеченных предложениях; для получения представления текста рекомендуется брать вектор токена [CLS] до слоя pooler. В качестве аугментации пространства признаков используется drophead вместо dropout. Модель предназначена для извлечения векторных представлений предложений и задач сравнения их семантического сходства. Она содержит около 151,8 млн параметров, принимает текст и поддерживает контекст длиной до 514 токенов. Карточка указывает английский язык. Доступны веса PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

MoAI-Privacy-Filter — модель распознавания сущностей, связанных с конфиденциальностью, разработанная BCCard путём полного дообучения openai/privacy-filter. Она размечает фрагменты текста на корейском и английском языках 29 типами сущностей, используя 117 классов BIOES для границ токенов. Модель предназначена для поиска персональных и других чувствительных данных в клиентских обращениях, документах, письмах и журналах до передачи текста внешним сервисам, а также для построения типизированных фрагментов, которые приложения могут маскировать, сохранять или направлять на проверку по собственным правилам. В карточке указаны результаты строгой micro F1: 0,9824 для корейского и 0,9708 для английского на отложенной валидации; на независимом Golden Set — 0,9732 и 0,9650 соответственно. Архитектура — смесь экспертов, модель рассчитана на контекст до 131 072 токенов, однако обучающие примеры ограничены 1024 токенами. Для корректного восстановления сущностей требуется декодирование BIOES с ограничениями переходов и сопоставление смещений токенов с исходным текстом. Модель только находит и классифицирует фрагменты, но не определяет, как их обрабатывать; метки PORT и ORGANIZATION также не являются персональными данными. Оценка проводилась на синтетических данных, поэтому качество на реальных текстах, OCR-ошибках, сленге и неизвестных форматах не установлено; другие языки и области не проверялись. Лицензия — Apache-2.0.

MyAwesomeModel — модель на базе BERT для извлечения признаков из текста, опубликованная в библиотеке Transformers и распространяемая по лицензии MIT. Метаданные Hugging Face указывают задачу feature extraction, а также использование PyTorch и Transformers. Модель предназначена для преобразования текстовых данных в векторные представления, которые можно использовать в поиске по смыслу, кластеризации, классификации, оценке сходства текстов и других задачах обработки естественного языка. README также заявляет о возможностях рассуждения, генерации текста, ответов на вопросы, программирования и работы с функциями, однако эти сведения не согласуются с основным pipeline-тегом feature-extraction и не подтверждают генеративное применение модели. Языки, число параметров, размер контекста и точная архитектура базовой модели в предоставленных данных не определены; тег BERT указывает на семейство архитектур. Ограничения включают отсутствие подтверждённых сведений о языковой поддержке и специализированных результатах именно для извлечения признаков. Использование разрешено на условиях лицензии MIT.

Nenque-MoT-0.6B-Elite14 — компактная языковая модель для генерации текста, дообученная PrithivMLmods на базе Qwen3-0.6B на наборе Mixture-of-Thoughts с акцентом на математические рассуждения, программирование и структурированные технические задачи. Модель содержит 507,9 млн параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Она предназначена для пошагового решения математических задач, генерации и отладки кода, технического обучения и выдачи структурированных ответов в форматах вроде JSON, LaTeX и Markdown. Карточка заявляет поддержку более 20 языков для технических задач; в метаданных указан английский. Модель рассчитана на компактный инференс, включая устройства с ограниченными ресурсами. Ограничения: модель может уступать в свободном творческом письме, естественности общего диалога и задачах вне технических областей; качество на длинных многошаговых рассуждениях может снижаться. Лицензия — Apache-2.0.

Это преобразованная в формат Hugging Face версия модели omniASR-CTC-300M-v2 на архитектуре Wav2Vec2, созданная из чекпойнта OmniLingual fairseq2. Модель предназначена для автоматического распознавания речи: она принимает аудио и выдаёт CTC-логиты по словарю SentencePiece, которые используются для получения текстовой расшифровки. В конфигурации указаны 24 слоя энкодера и размер скрытого представления 1024; в репозитории заявлено 413,2 млн параметров. Модель поддерживает распознавание речи на нескольких языках. Автор сообщает о совпадении выходов с исходным чекпойнтом fairseq2 на проверенном аудиофрагменте с точностью до atol=1e-4. Это конверсия чекпойнта, а не отдельное дообучение; файлы весов опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели openchat/openchat_8192 на Hugging Face совпадает с карточкой openchat/opencoderplus, поэтому описание составлено по ней. OpenCoderPlus — языковая модель для генерации кода из серии OpenChat, разработанной командой OpenChat. Она дообучена на базе StarCoderPlus и предназначена для продолжения и генерации кода, а также для диалога в формате User/Assistant. Модель использует архитектуру GPTBigCodeForCausalLM, принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Карточка сообщает об оценках на Vicuna GPT-4 и AlpacaEval, однако не приводит подробностей методики для задач программирования. Для диалогов используется шаблон с маркерами User, Assistant и специальным токеном конца хода. Репозиторий содержит веса PyTorch. README рекомендует загружать модель в формате bfloat16. Лицензия в предоставленных данных не указана.

Open-MOPD-SmolLM3-3B-Final — англоязычная плотная языковая модель BytedTsinghua-SIA для генерации текста, дообученная методом онлайн-дистилляции с несколькими учителями. Модель основана на BytedTsinghua-SIA/Open-MOPD-SmolLM3-3B-MixSFT и имеет около 3,1 млрд параметров; архитектура — SmolLM3ForCausalLM. Репозиторий содержит веса safetensors, а карточка указывает лицензию Apache-2.0. Модель предназначена для решения математических задач, генерации кода и выполнения инструкций в диалоговом формате. Обучение использовало отдельных RL-учителей для этих трёх областей и маршрутизацию запросов к соответствующему учителю. Указанная длина контекста — 65 536 токенов; в оценивании использовалось до 32 768 токенов. В карточке приведены результаты на наборах AIME24/25, LiveCodeBench v5/v6, IFEval и IFBench_test. Модель поддерживает английский язык. Бенчмарк-карточка отмечает, что одиночная генерация с жадным декодированием не сопоставима с опубликованными результатами: для их воспроизведения требуется описанный протокол семплирования. Приведённые оценки отражают тестовые наборы и протокол карточки, а не гарантируют качество на других задачах.

Sara121/Ornith-1.0-9B-Engineering — плотная языковая модель семейства Qwen3.5, дообученная для ответов на инженерные вопросы. Она создана слиянием QLoRA-адаптера Epoch 2 с базовой моделью ornith-ai/Ornith-1.0-9B и опубликована как самостоятельная модель Transformers в формате Safetensors. Модель содержит 7,2 млрд параметров и поддерживает контекст до 262 144 токенов. Модель предназначена для ответов на вопросы по инженерным темам и решения задач разработки. В оценке на фиксированной выборке из 902 примеров адаптер Epoch 2 превзошёл базовую модель по token F1; точное совпадение ответов оставалось низким. Лицензия — MIT. Результаты оценки основаны на лексических метриках и не подтверждают фактическую или нормативную корректность ответов. README рекомендует проверять модель перед применением в производстве и процессах, чувствительных к соблюдению требований.

POINTS-Reader — модель компьютерного зрения и языка из семейства WePOINTS для преобразования изображений документов в текст. Она построена по структуре POINTS1.5: использует визуальный энкодер NaViT на 600 млн параметров и Qwen2.5-3B-Instruct вместо Qwen2.5-7B-Instruct. Модель принимает изображение документа с фиксированным запросом и выдаёт извлечённый текст без дополнительной постобработки. Модель предназначена для сквозного извлечения текста из англоязычных и китайских документов. Авторы сообщают результаты на OmniDocBench: 0,133 для английских и 0,212 для китайских документов. Для инференса описана поддержка Transformers и SGLang; авторы отмечают, что увеличение разрешения изображения может помочь при повторяющемся выводе. Модель с трудом обрабатывает сложную вёрстку, например газетные полосы, и рукописные документы: возможны пропуски, повторы и ошибки распознавания. Другие языки, кроме английского и китайского, не поддерживаются. Лицензия — Apache-2.0.

Модель niltonseixas/portuguese-embed-model — дообученная Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанная для получения плотных векторных представлений предложений и абзацев. Архитектура основана на BERT с усреднением токенных представлений; векторы имеют размерность 384, для сравнения используется косинусное сходство. Модель содержит 124,3 млн параметров и принимает последовательности длиной до 512 токенов согласно метаданным; в README указано ограничение 128 токенов. Основное назначение — семантический поиск и оценка сходства текстов на португальском языке. Также модель подходит для поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Обучение проводилось на 1 404 парах предложений с функцией MultipleNegativesRankingLoss. Базовая модель многоязычная, но карточка этой версии ориентирована на португальские тексты. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

PaddlePaddle/PP-OCRv6_tiny_rec_onnx — компактная модель распознавания текста на изображениях из семейства PaddleOCR, разработанная PaddlePaddle. Она предназначена для задач OCR: преобразования изображений с текстом в текстовый результат, включая сценарии автоматического извлечения текста из документов и других визуальных материалов. Модель ориентирована на английский и китайский языки и распространяется в формате ONNX, что может упростить её использование в совместимых средах инференса. В README заявлено семейство PP-OCRv6 с диапазоном размеров от 1,5 до 34,5 млн параметров, однако точный размер именно варианта tiny_rec_onnx, архитектура, максимальный контекст и поддерживаемые типы входных изображений не указаны. К сильным сторонам относятся компактность варианта tiny, специализация на распознавании текста и возможность применения через ONNX. Ограничениями являются отсутствие в предоставленных данных подробных метрик качества, характеристик производительности и информации о поддержке языков помимо английского и китайского. Модель распространяется по лицензии Apache 2.0.

chentong00/propositionizer-wiki-flan-t5-large — модель сегментации текста на отдельные пропозиции, опубликованная как часть работы «Dense X Retrieval: What Retrieval Granularity Should We Use?» Chen et al. (2023). Она основана на архитектуре T5 и содержит 385,2 млн параметров. На вход подаётся текст с заголовком, разделом и содержимым; модель возвращает список пропозиций в формате JSON. Модель предназначена для разбиения документов на более мелкие смысловые утверждения, например при подготовке данных для поиска и извлечения информации. Максимальная длина контекста — 512 токенов. Весы доступны в формате safetensors, лицензия — Apache-2.0.

Карточка модели tbhrc/qwen2_5_coder_7b_instruct_4bit на Hugging Face совпадает с карточкой mlx-community/Qwen2.5-Coder-7B-Instruct-4bit, поэтому описание составлено по ней. Qwen2.5-Coder-7B-Instruct-4bit — 4-битная версия модели для генерации кода из семейства Qwen2.5-Coder, подготовленная mlx-community. README указывает, что модель преобразована в формат MLX из Qwen/Qwen2.5-Coder-7B-Instruct с помощью mlx-lm 0.18.1; в метаданных базовой моделью указана Qwen/Qwen2.5-Coder-7B. Это плотная причинная языковая модель архитектуры Qwen2 с 7,1 млрд параметров и контекстом 32 768 токенов. Модель предназначена для генерации кода в диалоговом формате и подходит для помощи при написании и анализе программ. Репозиторий распространяется по лицензии Apache-2.0. README описывает конвертацию в MLX, а метаданные указывают на дообучение базовой модели для кода; представленных сведений недостаточно, чтобы точно описать качество по языкам программирования или результаты оценок.

Это финальная модель, подготовленная для инференса и предназначенная для генерации кода после supervised fine-tuning. Она основана на Qwen3-1.7B-Base и содержит 1,7 млрд параметров; архитектура — плотная авторегрессионная Qwen3ForCausalLM. Обучение включало данные для кодирования и равномерное воспроизведение обучающих примеров; указан шаг оптимизатора 102. Модель принимает текст и генерирует текст, в том числе код, а контекст составляет до 32 768 токенов. Модель подходит для генерации фрагментов кода и ответов на запросы по программированию. В карточке указаны Transformers и формат Safetensors. Условия лицензии в предоставленных данных не описаны.

Jackrong/Qwen3.5-4B-Neo-GGUF — reasoning-ориентированная дообученная версия Qwen3.5-4B, разработанная Jackrong с использованием Unsloth, SFT и LoRA. Модель обучалась на данных Step-3.5-Flash-SFT и специализированной смеси наборов для рассуждений, программирования и следования инструкциям. Заявленные языки — английский, китайский и корейский; лицензия — Apache-2.0. Формат GGUF предназначен для локального и офлайн-запуска, однако конкретный размер файла и требования к памяти в README не указаны. Модель рассчитана на аналитические задачи, программирование, соревновательное программирование на Python, математику и задачи, требующие последовательного логического рассуждения. Она обучена формировать рассуждения в тегах <think>...</think> перед итоговым ответом. По заявленным результатам на сбалансированной выборке из 250 вопросов MMLU-Pro модель получила 82,00% pass@1 против 80,40% у базовой версии, одновременно сократив среднюю длину цепочки рассуждений с 6962 до 3955 символов, а медианную — с 4600 до 1951 символа. Сильной стороной модели является сочетание конкурентной точности и более компактного стиля рассуждений, что может снизить расход токенов в задачах с интенсивным анализом. Ограничения включают риск галлюцинаций, возможные усечения при чрезмерно сложных задачах и отставание от базовой модели в категории физики. Приведённые показатели получены на подвыборке MMLU-Pro и не обязательно отражают результаты на полном тесте. Модель позиционируется как тестовая версия для обучения, демонстраций, академических исследований и технических экспериментов.

Qwen3-ASR-0.6B-hf — компактная модель распознавания речи и определения языка из семейства Qwen3-ASR, разработанного командой Qwen. Это плотная модель на 0,6 млрд параметров для Transformers, принимающая аудио и выдающая текстовую расшифровку с указанием языка. Она поддерживает офлайн- и потоковую обработку, длинные аудиозаписи, пакетную транскрибацию и подсказки с контекстом или специализированной лексикой. Модель распознаёт речь на 30 языках и диалектах, включая русский, английский, китайский и кантонский, а также заявлена для пения и песен с фоновой музыкой. В README для версии 0.6B отмечена высокая пропускная способность при параллельной обработке; приведённая оценка на наборе тестов Open ASR Leaderboard показывает средний WER 6,31. Лицензия Apache-2.0 допускает использование на её условиях. Для временных меток слов требуется отдельная модель Qwen3-ForcedAligner; качество распознавания может зависеть от языка и акустических условий.

Qwen3-Zero-Coder-Reasoning-V2-0.8B-NEO-EX-GGUF — компактная кодовая и рассуждающая модель, разработанная DavidAU на платформе Qwen3. Это GGUF-сборка, созданная на основе объединения двух моделей размером 0,6B; заявлены 42 слоя и 464 тензора. Модель предназначена для генерации текста и кода, использует режимы reasoning и chat и ориентирована прежде всего на английский язык. Модель подходит для написания фрагментов и черновиков кода, мозгового штурма, решения технических задач, многоэтапного программирования и общего problem solving. Она рассчитана на контекст до 40 тысяч токенов; рекомендуется использовать контекст от 8–16 тысяч токенов. Автор заявляет высокую скорость работы — свыше 150 токенов в секунду на подходящем оборудовании и более 50 токенов в секунду на CPU, однако фактическая производительность зависит от аппаратной конфигурации и выбранного кванта. К сильным сторонам относятся небольшие требования к ресурсам, высокая скорость, возможность пошагового рассуждения и улучшенная стабильность по сравнению с первой версией. Доступны варианты с разными уровнями квантизации и модификациями NEO Imatrix; для отдельных сценариев автор рекомендует сравнивать несколько квантов, поскольку более низкие варианты иногда дают более короткие рассуждения и неожиданные рабочие решения, а более высокие могут обеспечивать лучшие результаты на сложных задачах. Ограничения включают возможные повторы кода, чрезмерно длинные блоки рассуждений и необходимость точных подробных инструкций; результаты могут зависеть от настроек sampling и выбранного кванта. Для работы требуется шаблон Jinja или CHATML. Модель распространяется по лицензии Apache-2.0.

schift-io/schift-ko-pii-v5 — модель для обнаружения персональных данных в корейском тексте. По карточке модели, разработчик schift.io; она предназначена для извлечения имён людей и адресов, а пакет schift-ko-pii дополняет её регулярными выражениями для распознавания структурированных данных, включая телефоны, идентификаторы и даты. Модель можно использовать для поиска и маскирования чувствительных фрагментов в тексте и файлах. Это компактный двунаправленный токен-классификатор семейства LFM2 с гибридной архитектурой свёрточных и attention-слоёв: 6 слоёв, скрытый размер 512, линейная голова на 33 метки и разметка BIES. В репозитории указаны 32,9 млн параметров в метаданных и 34 млн в README; веса safetensors занимают 136 МБ. Используется токенизатор klue/roberta-base. Метаданные указывают контекст 8192 токена, тогда как README задаёт предел обработки 512 токенов. Модель ориентирована на корейский язык; также в примерах карточки есть имена на ханча и иностранных языках. В бенчмарке README для модели приведены F1=0,578, точность 0,847 и полнота 0,439 без постобработки; показатели гибридного варианта с SDK включают regex-постобработку и не характеризуют одни только веса. Для использования непосредственно через Transformers README требует trust_remote_code=True. Лицензия в метаданных обозначена как other, без уточнения условий.

SDLM-3B-D8 — диффузионная языковая модель семейства SDLM, разработанная OpenGVLab на основе Qwen2.5-3B. Это дообученная модель с плотной архитектурой Qwen2, примерно 3,1 млрд параметров и контекстом до 32 768 токенов; она доступна в формате Safetensors и рассчитана на генерацию текста и диалоговое использование на английском языке. Модель применяет последовательное блочное маскирование и декодирование по самому длинному уверенному префиксу, чтобы предсказывать несколько токенов за шаг. В отчёте авторов заявлены примерно двукратное ускорение относительно сопоставимых авторегрессионных моделей при близком качестве и до пятикратного ускорения относительно других диффузионных языковых моделей; скорость можно настраивать порогом уверенности. Обучение включает математические, кодовые, научные, табличные и общие диалоговые данные, что делает модель пригодной для генерации ответов, решения задач и написания кода. Лицензия — Apache-2.0.

Serafim 335m Portuguese PT Sentence Encoder tuned for Information Retrieval — модель семейства Serafim PT*, представленная Luís Gomes, António Branco, João Silva, João Rodrigues и Rodrigo Santos в работе 2024 года. Это плотный sentence-transformers энкодер на архитектуре BERT с 433,2 млн параметров; он преобразует предложения и абзацы на португальском языке в плотные векторы размерностью 1024. Для получения векторов используется mean pooling контекстных представлений. Максимальная длина контекста по метаданным — 512 токенов. Модель предназначена для семантического поиска и задач информационного поиска; векторы также подходят для кластеризации текстов. Она рассчитана на португальский язык и доступна под лицензией MIT. В README параметры обучения указывают на настройку энкодера для IR, но базовая модель явно не названа.

Kuaaangwen/Setfit-few-shot-classifier — модель эмбеддингов предложений на базе MPNet, опубликованная пользователем Kuaaangwen. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для поиска семантически близких текстов, кластеризации и сравнения сходства. Модель содержит 136,7 млн параметров и рассчитана на контекст до 514 токенов; доступен формат PyTorch. Модель можно применять для семантического поиска по коллекции текстов, группировки похожих высказываний и вычисления сходства между парами предложений. README указывает обучение с CosineSimilarityLoss, но не сообщает языки обучающих данных или результаты оценки. Лицензия в предоставленных данных не указана.

Silero VAD MLX — модель обнаружения речевой активности, преобразованная сообществом mlx-community из onnx-community/silero-vad в формат MLX. Она принимает аудиофайл и возвращает временные отметки речевых фрагментов, в том числе в секундах. Модель предназначена для выделения речи в аудиозаписях и может использоваться как этап предварительной обработки аудио.

SLIM-TOPICS — компактная специализированная языковая модель из серии SLIM от llmware, дообученная для вызовов функций анализа тем. Модель построена на архитектуре Llama с плотной decoder-only трансформерной архитектурой, содержит 1 млрд параметров и работает с контекстом до 2048 токенов. Модель принимает текст и формирует структурированный текстовый результат — словарь Python с темами, например в поле topics. Она предназначена для извлечения тем из текста и включения результата в автоматизированные рабочие процессы на основе нескольких LLM. В README показаны запуск через Transformers и вызов функции через llmware. Модель распространяется под лицензией Apache-2.0. Карточка описывает узкую специализацию на анализе тем; качество на других задачах не заявлено.