II.8Инженерия данных и аналитика

Stable-DiffCoder-8B-Base — базовая модель для генерации кода, разработанная ByteDance на архитектуре Seed-Coder. Это языковая модель с диффузионным обучением по блокам, представленная в формате safetensors и рассчитанная на запуск через Transformers. По карточке, при обучении использовано 1,3 трлн токенов кода из GitHub и веб-источников; размер модели — 7,6 млрд параметров, длина контекста — 8192 токена. Модель предназначена для генерации и дополнения кода, включая заполнение пропусков между заданными префиксом и суффиксом (Fill-in-the-Middle), а также для рассуждений о коде. Обучение с диффузионным предсказанием в произвольном порядке ориентировано на структурированные задачи редактирования; авторы также отмечают преимущества для языков программирования с малым объёмом обучающих данных. В README сообщается о результатах на тестах генерации кода, дополнения и рассуждений, но они не гарантируют качества в конкретном проекте. Это предварительно обученная базовая модель, а не версия, настроенная на выполнение пользовательских инструкций; для такого сценария авторы отдельно предлагают Stable-DiffCoder-8B-Instruct. Лицензия репозитория — MIT. Модель может выдавать ошибочный или небезопасный код, поэтому результат нужно проверять перед использованием.

NVIDIA FastConformer-CTC Large — модель распознавания английской речи, разработанная NVIDIA и предназначенная для работы в наборе инструментов NeMo. Она преобразует аудиозапись в текст и может использоваться как готовый чекпойнт для транскрибации или как основа для дообучения на другом наборе данных. Модель построена на архитектуре FastConformer, оптимизированной версии Conformer с восьмикратным свёрточным понижением частоты дискретизации; размер версии Large составляет около 115 млн параметров. На вход подаётся монофоническое аудио WAV с частотой 16 кГц, результатом является строка с распознанной речью в нижнем регистре. Модель обучалась на составном наборе англоязычных речевых данных, охватывающем несколько доменов. Модель рассчитана на транскрибацию английской речи в аудиофайлах и может применяться для пакетной обработки записей. Качество может снижаться на технической терминологии, разговорных вариантах речи и речи с акцентом. Лицензия — CC BY 4.0.

Kyurem — компактная модель эмбеддингов на основе архитектуры BERT, созданная слиянием предварительно обученных моделей методом Model Stock с помощью mergekit. В слияние вошли Mihaiii/Wartortle, TaylorAI/bge-micro-v2 и TaylorAI/bge-micro; последняя указана как базовая модель. Модель предназначена для преобразования предложений и коротких текстов в векторные представления, семантического поиска и сравнения сходства. Она содержит 18,8 млн параметров, работает с контекстом до 512 токенов и доступна в форматах safetensors и ONNX через библиотеку sentence-transformers. По сведениям о базовой модели, основное назначение — англоязычные тексты. Модель распространяется по лицензии MIT. Её компактный размер удобен для поиска и сопоставления текстов с ограниченными вычислительными ресурсами; ограничения включают контекст в 512 токенов и англоязычную специализацию базовой модели.

TiRex — предварительно обученная модель прогнозирования временных рядов от NX-AI, основанная на архитектуре xLSTM и содержащая 35 млн параметров. Она предназначена для прогнозирования без дообучения на пользовательских данных: модель принимает временной ряд и выдаёт точечные и квантильные оценки для коротких и длинных горизонтов. В README указаны результаты на бенчмарках GiftEval и ChronosZS. Репозиторий содержит модель в формате ONNX; для работы предусмотрена библиотека tirex. README также описывает CUDA-ядра для sLSTM, которым требуется GPU с Compute Capability 8.0 или выше. В метаданных указана лицензия other, поэтому условия использования следует уточнять в материалах проекта.

Trinity-33B-v1.0 — языковая модель общего назначения для генерации кода от WhiteRabbitNeo. В карточке заявлен результат 70 баллов на HumanEval. По метаданным это плотная decoder-only модель семейства Llama с архитектурой LlamaForCausalLM и 33,1 млрд параметров; она принимает текст и генерирует текст. Нативная длина контекста — 16 384 токена. Модель предназначена прежде всего для генерации кода и помощи в задачах программирования. Лицензия в метаданных обозначена как other; README содержит условия использования, отказ от гарантий и требование к пользователю нести ответственность за результаты применения модели. Карточка не уточняет поддерживаемые языки программирования и ограничения качества за пределами заявленного результата HumanEval.

Twitter4SSE — модель для вычисления семантического сходства текстов, разработанная авторами исследования об использовании Twitter для создания корпусов слабосвязанных пар предложений. Она преобразует текст в плотные эмбеддинги размерностью 768 и обучена на данных Twitter с функцией потерь Multiple Negatives Ranking Loss (MNRL). Модель основана на BERTweet и обучена с помощью Sentence-Transformers. Архитектура — RoBERTa; размер составляет 162,4 млн параметров, максимальный контекст — 130 токенов. Модель предназначена для сравнения предложений и поиска семантически близких текстов; метаданные указывают английский язык. Лицензия — Apache 2.0.

vectorizer.hazelnut — модель-векторизатор компании Sinequa для поиска релевантных фрагментов текста. Она кодирует запросы и passages в векторы размерностью 256: векторы документов сохраняются в векторном индексе, а вектор запроса используется для поиска подходящих фрагментов. Модель основана на mMiniLMv2-L6-H384-distilled-from-XLMR-Large и использует архитектуру XLM-RoBERTa; в метаданных указано 110,2 млн параметров, а в карточке — 107 млн. Контекст составляет до 514 токенов. Модель обучалась и проверялась на английском, французском, немецком, испанском, итальянском, нидерландском, японском, португальском, китайском и польском языках. Она нечувствительна к регистру и диакритическим знакам. Карточка приводит показатели Recall@100 для нескольких наборов поиска, включая среднее 0,590 для английских данных BEIR и 0,543 для польских данных; результаты зависят от языка и набора данных. Также заявлена базовая поддержка других языков предобучения XLM-R. Для работы указаны Sinequa версии 11.10.0 или новее и CUDA с compute capability выше 7.5. Лицензия в предоставленных данных не описана.

coderavi/VibeThinker-3B-mlx-fp16 — преобразованная в формат MLX версия модели WeiboAI/VibeThinker-3B, подготовленная автором репозитория coderavi с помощью mlx-lm 0.31.2. Это плотная причинная языковая модель семейства Qwen2 на 3,1 млрд параметров для генерации текста в диалоговом режиме, следования инструкциям, программирования и STEM-рассуждений. Она принимает текст и генерирует текст; заявленная длина контекста составляет 131 072 токена. Метаданные указывают английский язык и лицензию MIT. Карточка подтверждает преобразование формата, но не приводит отдельные результаты оценки качества этой копии.

jonatasgrosman/wav2vec2-large-xlsr-53-english — англоязычная модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной выборках Common Voice 6.1. Это архитектура Wav2Vec2 с CTC-выходом, содержащая 402,7 млн параметров; модель принимает аудио и выдаёт распознанный текст. Для работы входную речь нужно подавать с частотой дискретизации 16 кГц. Модель предназначена для транскрибации английской речи, в том числе записей, подобных материалам Common Voice. В README описана оценка на тестовой выборке Common Voice 6.0 и на speech-recognition-community-v2/dev_data. Указанная лицензия — Apache-2.0.

WeVisDoc-2B-GGUF — GGUF-сборка компактной мультимодальной модели WeVisDoc-2B, разработанной Tencent и дообученной на базе Qwen3-VL-2B-Instruct. Модель предназначена для сквозного разбора документов: по изображению страницы она формирует структурированный вывод в Markdown, включая формулы в формате LaTeX и таблицы в HTML. Поддерживаются английский и китайский языки, а основной сценарий применения — извлечение и структурирование содержимого документов, а не универсальные задачи компьютерного зрения и языка. Модель содержит около 2 млрд параметров и ориентирована на развёртывание в условиях ограниченных ресурсов. Репозиторий предоставляет варианты GGUF-квантизации от Q3_K до Q8_0, а также мультимодальные проекционные файлы; размеры основных файлов составляют примерно от 1,07 до 4,07 ГБ. Согласно README, WeVisDoc-2B показывает высокие результаты на OmniDocBench v1.6 и PureDocBench, в отдельных настройках превосходя более крупные модели. При этом конкретное значение контекстного окна в карточке не указано, а устойчивость на реально деградировавших документах ниже, чем на чистых и цифрово деградировавших данных. Модель распространяется по лицензии Apache 2.0. Для запуска доступны llama.cpp и Transformers; серверное развёртывание через vLLM требует версии не ниже 0.11.1. Ключевые ограничения — специализация на разборе документов, поддержка только английского и китайского языков, а также возможная потеря качества при использовании более агрессивных вариантов квантизации.

Карточка модели avsolatorio/00-100-11-1-0-1-0-0-cls-normed-768-512-hard_GIST_BAAI_bge-base-en-v1.5-20240128213417-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-v1.5-20240130211808-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/01-000-11-0-0-1-0-0_GIST_BAAI_bge-small-en-v1.5-20240126215547-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.

Apollo-VL-Edge-3B — компактная мультимодальная модель зрения и языка от Pluto AI Labs, дообученная на основе Qwen/Qwen2.5-VL-3B-Instruct. Модель использует архитектуру Qwen2.5-VL с 3 млрд параметров и принимает изображения вместе с текстовыми запросами, чтобы отвечать на вопросы и выполнять структурированный визуальный анализ. Веса доступны в FP16 и в вариантах GGUF; модель рассчитана на локальный запуск, в том числе на устройствах с ограниченными ресурсами. Модель специализируется на распознавании текста и анализе плотных документов, графиков, научных диаграмм, снимков интерфейсов и визуальных математических задач. Она подходит для визуальных вопросов и ответов, извлечения данных из изображений и локальных мультимодальных помощников. Обучение включало 161 562 мультимодальных примера, собранных из открытых наборов данных; языковая модель дообучалась методом LoRA, а энкодер изображений оставался замороженным. В карточке указан английский язык. Модель может ошибочно читать детали изображения, галлюцинировать и допускать арифметические ошибки; агрессивная квантизация способна снизить качество. Объяснения модели не гарантируют правильность ответа, поэтому результаты для важных решений следует проверять. Репозиторий распространяется по лицензии Apache-2.0.

BAAI/AquilaCode-multi — модель генерации текста из семейства Aquila, опубликованная BAAI. В карточке указаны версия v0.9 и файлы AquilaCode-mutil; README описывает Aquila как двуязычную китайско-английскую языковую модель, обученную с нуля, а семейство — как основанное на архитектурных решениях GPT-3 и LLaMA. По метаданным эта модель имеет плотную архитектуру Aquila, около 6,9 млрд параметров и контекст до 2048 токенов. Модель предназначена для генерации текста и задач с кодом в нескольких языках программирования. README не уточняет полный перечень языков программирования и не приводит отдельные показатели качества именно AquilaCode-multi. Метаданные указывают формат PyTorch и задачу text-generation. Для весов действует лицензия BAAI Aquila Model License Agreement; коммерческое использование допускается при соблюдении её ограничений.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240125233651-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.

headlesstech/bengali_dpr — модель на основе XLM-RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит около 305,2 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт векторные представления. Модель ориентирована на бенгальский язык, что следует из её названия; карточка не приводит отдельного перечня поддерживаемых языков. Для использования подходят Sentence Transformers или Transformers с соответствующей операцией pooling. В метаданных указана лицензия Apache 2.0.

rithwik-db/bert-base-cased_banking77_10000 — модель Sentence-Transformers на архитектуре BERT, обученная представлять предложения и абзацы в виде плотных векторов размерности 768. Она предназначена для семантического поиска и кластеризации текстов; обучение проводилось с TripletLoss и евклидовой метрикой расстояния. Модель содержит 135,5 млн параметров, принимает текст, а её контекст ограничен 512 токенами. Модель подходит для поиска похожих запросов и группировки текстов по смыслу. Карточка не сообщает, на каких языках обучена модель или для какой предметной области она предназначена, поэтому её название само по себе не подтверждает специализированную поддержку банковских запросов. Лицензия в предоставленных данных не указана.

Contrastive-Tension/BERT-Base-Swe-CT-STSb — шведская модель на архитектуре BERT Base, опубликованная проектом Contrastive-Tension. Она дообучена методом Contrastive Tension для получения векторных представлений предложений и оценки семантического текстового сходства, включая сценарии поиска похожих фраз и обнаружения перефразирований. Модель предназначена для извлечения признаков из текстов на шведском языке и поддерживает библиотеку Transformers, а также PyTorch, TensorFlow и JAX. По метаданным Hugging Face модель содержит около 151,9 млн параметров и обрабатывает последовательности длиной до 512 токенов. Метод Contrastive Tension обучает представления так, чтобы одинаковые предложения имели близкие векторы, а разные — более далёкие. Модель хорошо подходит для шведского semantic textual similarity, поиска похожих предложений, кластеризации и построения семантического поиска. Она не является генеративной моделью и не предназначена для диалога, генерации текста или непосредственной классификации без дополнительной модели и процедур обработки эмбеддингов.

Camelidae-8x34B — языковая модель семейства Camelidae, разработанная авторами проекта Camelidae с применением метода Parameter-Efficient Sparsity Crafting. Это разреженная Mixture-of-Experts-модель с архитектурой на основе LLaMA; в репозитории указано 33,9 млрд параметров. Модель прошла инструкционное дообучение и предназначена для генерации текста и ответов на общие запросы. Модель ориентирована в том числе на задачи по математике и программированию. В описании проекта приведены результаты тестирования по общим знаниям, математике и генерации кода; модель загружается через Transformers как причинная языковая модель. Контекст составляет 4096 токенов, основной указанный язык — английский. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0. Результаты бенчмарков зависят от настройки и не гарантируют качество для конкретных запросов; карточка не описывает отдельные ограничения или защитные механизмы модели.

Карточка модели xingyaoww/CodeActAgent-Llama-2-7b на Hugging Face совпадает с карточкой xingyaoww/CodeActAgent-Mistral-7b-v0.1, поэтому описание составлено по ней. CodeActAgent-Mistral-7b-v0.1 — языковая модель-агент, разработанная авторами CodeAct на базе Mistral-7b-v0.1. Это плотная авторегрессионная модель класса MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов; она обучена на CodeActInstruct и обычных диалогах. Модель формирует ответы и исполняемые действия на Python, которые агент может передавать интерпретатору, получать результаты выполнения и учитывать их в следующих ходах. Модель предназначена для многошаговых агентных задач, особенно для работы с API и инструментами, где действия можно выражать кодом и корректировать после наблюдений. Авторы сообщают об улучшении успешности относительно действий в формате обычного текста или JSON на своих оценках, а также о сохранении общих диалоговых возможностей. Это исследовательская разработка, представленная как готовая модель для применения; в репозитории указана лицензия Apache-2.0.

Карточка модели TechxGenus/CursorCore-QW2.5-1.5B 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 TechxGenus/CursorCore-QW2.5-1.5B-LC 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 TechxGenus/CursorCore-QW2.5-1.5B-SR 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 TechxGenus/CursorCore-Yi-1.5B 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 TechxGenus/CursorCore-Yi-9B 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 OppokJr/DeepSeek-R1-Distill-Qwen-1.5B 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.

clips/e5-large-v2-t2t-nl — нидерландская модель для получения плотных текстовых эмбеддингов, созданная дообучением clips/e5-large-v2-t2t. Она предназначена для семантического поиска, сравнения предложений и ранжирования текстов, в том числе для поиска по запросам и документам и задач на основе нидерландских наборов BEIR. Модель построена на архитектуре BERT, содержит 433,4 млн параметров, принимает текст и формирует векторные представления. Максимальная длина контекста — 512 токенов. Модель поддерживает сценарии поиска и сопоставления текстов на нидерландском языке. В карточке приведена оценка на MTEB-NL, но она не описывает все возможные прикладные сценарии. Репозиторий распространяется по лицензии MIT.

Gallium-350M — компактная языковая модель для генерации кода и рассуждений о программировании, созданная на базе LiquidAI/LFM2.5-350M. Это плотная авторегрессионная модель семейства LFM2; метаданные указывают 443,4 млн параметров, формат safetensors и контекст до 128 000 токенов. Модель принимает текстовые запросы и выдаёт текстовые ответы в диалоговом формате. Модель дообучена на наборе Banaxi-Tech/Deepseek-V4-Reasoning-Code-2500 с помощью SFT, затем дополнительно обучена методом GRPO. Она предназначена для генерации фрагментов и длинных программ по описанию на естественном языке, выполнения инструкций, ответов на вопросы по программированию и рассуждений над кодом. Карточка заявляет поддержку основных языков программирования, но естественный язык в метаданных указан как английский. Разработчик характеризует модель как экспериментальную и предупреждает, что её следует использовать с учётом этого статуса. Заявления о повышении качества и снижении галлюцинаций исходят из карточки модели и не сопровождаются здесь независимыми оценками. Лицензия указана как other; конкретные условия использования следует сверить с лицензией репозитория.

GALPACA 6.7B — языковая модель на архитектуре OPT, созданная дообучением GALACTICA 6.7B на 52 тысячах пар инструкций и ответов из набора Alpaca. Модель разработана для ответов на запросы в формате инструкций и ориентирована на научные и технические задачи; её базовая модель обучалась на крупном корпусе научных текстов и данных. Размер модели по метаданным — 8,8 млрд параметров, максимальный контекст — 2048 токенов. Модель принимает текст и генерирует текст. Качественные оценки указывают на сильные стороны в технических знаниях и программировании по сравнению с некоторыми моделями Alpaca на базе LLaMA, но на обычной генерации прозы она уступает им. Ответы могут быть неточными, поэтому для практического применения нужны проверки и меры предосторожности. Лицензия — CC BY-NC 4.0; использование также связано с условиями OpenAI, поскольку набор Alpaca был создан с помощью text-davinci-003.