II.8Инженерия данных и аналитика

Это Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, дообученный для сопоставления предложений и абзацев. Модель разработана автором репозитория easonanalytica и преобразует текст в плотные векторы размерности 384; сходство можно оценивать косинусной мерой. Архитектура включает BertModel и усреднение токеновых представлений. README указывает максимальную длину последовательности 128 токенов, а метаданные — контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и классификации текста. Она дообучена с ContrastiveLoss на 55 205 парных примерах. Поддерживает многоязычное представление текста благодаря базовой модели. Репозиторий содержит веса в формате safetensors и использует библиотеку Sentence Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Codestral-22B-v0.1 — плотная авторегрессионная модель семейства Mistral на 22 млрд параметров, разработанная командой Mistral AI и обученная на разнообразном наборе данных, включающем более 80 языков программирования. Она предназначена для генерации и анализа кода: модель отвечает на вопросы о фрагментах программ, пишет документацию, объясняет и рефакторит код, а также создаёт программы по инструкциям. Режим Fill in the Middle позволяет дополнять код между заданными префиксом и суффиксом, в том числе в инструментах разработки. Поддерживается контекст длиной до 32 768 токенов. Модель принимает текстовые запросы и выдаёт текст, включая программный код. README приводит Python, Java, C, C++, JavaScript и Bash как примеры языков обучения; полный перечень заявлен в сопутствующей публикации. Контроль модерации в модели отсутствует, поэтому её ответы могут требовать проверки и внешних ограничений. Репозиторий использует формат safetensors; лицензия в метаданных указана как other, конкретные условия следует сверять с карточкой модели.

DeepSeek-R1-0528 — обновлённая версия reasoning-модели DeepSeek R1, разработанная командой DeepSeek AI. Модель ориентирована на задачи, требующие глубокого рассуждения: математику, программирование, общую логику и решение сложных аналитических задач. Также заявлены улучшения в function calling, снижении частоты галлюцинаций и сценариях vibe coding. По сравнению с предыдущей версией модель использует более глубокий процесс рассуждения и увеличенные вычислительные ресурсы на этапе постобучения. Максимальная длина генерации составляет 64K токенов. В README не указаны архитектура, общее число параметров, поддерживаемые языки и мультимодальные возможности; приведённые оценки относятся преимущественно к текстовым запросам. Сильными сторонами являются заметный рост результатов на математических, кодовых и логических бенчмарках, включая AIME, LiveCodeBench, SWE Verified и Codeforces. При этом результаты зависят от конкретной задачи: например, показатель SimpleQA у новой версии ниже, чем у предыдущей. Модель распространяется по лицензии MIT.

Dolphin 3.0 R1 Mistral 24B — инструктивная языковая модель, созданная Eric Hartford, Ben Gitter, BlouseJury и Cognitive Computations на базе Mistral Small 24B Base. Это плотная модель с 23,4 млрд параметров, дообученная на трёх эпохах с использованием 800 тысяч трасс рассуждений из набора Dolphin-R1. Она предназначена для локального применения как универсальный помощник: отвечает на вопросы, помогает с программированием и математикой, поддерживает агентные сценарии и вызов функций. Модель работает с текстом, использует шаблон диалога ChatML и имеет контекст длиной 32 768 токенов; в метаданных указан английский язык. Dolphin ориентирована на управляемое применение: владелец задаёт системный промпт и правила поведения. Авторы рекомендуют низкую температуру генерации 0,05–0,1, поскольку более высокие значения могут ухудшать рассуждения. Модель распространяется в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

EmbeddingGemma — компактная модель эмбеддингов Google DeepMind на 302,8 млн параметров, построенная на Gemma 3 с инициализацией T5Gemma. Она принимает текст и преобразует его в векторы размерностью 768, которые можно сократить до 512, 256 или 128 измерений с помощью Matryoshka Representation Learning. Максимальная длина входа — 2048 токенов; модель предназначена для работы с Sentence Transformers и ориентирована на запуск на мобильных устройствах и компьютерах с ограниченными ресурсами. Модель подходит для семантического поиска и извлечения документов, оценки сходства текстов, классификации и кластеризации, а также для поиска фрагментов кода по текстовым запросам и подбора источников для систем ответов на вопросы. Обучение охватывало более 100 языков и включало веб-тексты, код, техническую документацию и данные для задач поиска и классификации. Модель выдаёт векторы, а не готовые ответы на вопросы. Качество зависит от охвата обучающих данных; возможны трудности с нюансами, сарказмом и переносными смыслами, а обучающие данные могут содержать смещения. Лицензия — Gemma; использование регулируется условиями Google и политикой запрещённого использования Gemma.

GeorgeCU/Giga-Embeddings-instruct-480M-0826-ft — дообученная модель текстовых эмбеддингов, созданная на основе ai-sage/Giga-Embeddings-instruct-480M-0826. Она предназначена для преобразования текстов в векторы, которые можно применять для семантического поиска, сравнения сходства предложений, классификации и кластеризации. Модель использует плотную двунаправленную архитектуру Qwen3 и библиотеку Sentence Transformers. В ней около 483,7 млн параметров, она принимает текст с контекстом до 8192 токенов и выдаёт эмбеддинги. В карточке указан русский язык; базовая модель описана как двуязычная, но второй язык для этой версии отдельно не подтверждён. Для загрузки в Sentence Transformers README показывает параметр trust_remote_code=True и нормализацию эмбеддингов. Модель распространяется по лицензии other; конкретные условия лицензии в предоставленных данных не раскрыты.

GPT-5.1-Codex Mini — языковая модель OpenAI, облегчённая и более экономичная версия GPT-5.1-Codex с меньшими возможностями. Она предназначена для задач программирования и длительных агентных рабочих процессов, например написания и изменения кода с использованием инструментов. Модель поддерживает текст на входе и выходе, а также изображения на входе; контекстное окно составляет 400 000 токенов, максимальный объём ответа — 128 000 токенов. Поддерживаются рассуждения, вызов функций и структурированный вывод. Данные о конкретной архитектуре и списке поддерживаемых языков в использованных источниках не приводятся. Модель доступна через API OpenAI; условия доступа и использования определяются условиями сервиса OpenAI.

HunyuanOCR-1.5 — лёгкая специализированная зрительно-языковая модель Tencent для распознавания и анализа текста на изображениях. Она объединяет разбор документов, поиск и распознавание текста на изображении, извлечение информации и перевод текста с изображений в одной модели семейства Hunyuan-VL. Репозиторий также содержит архивную версию HunyuanOCR-1.0 и черновую модель DFlash для ускорения декодирования. Модель предназначена для OCR-сценариев, включая обработку документов, таблиц и формул, распознавание малоресурсных и древних письменностей, а также ответы на вопросы по нескольким изображениям. Контекстное окно расширено до 128K токенов, а максимальное разрешение изображений — до 4K. DFlash использует спекулятивное декодирование для ускорения генерации длинных структурированных результатов с сохранением распределения выходов целевой модели. Для инференса предусмотрены Transformers, vLLM и llama.cpp; README указывает поддержку серверных GPU и развёртывания на CPU, потребительских GPU и ноутбуках через llama.cpp с преобразованными весами GGUF. Метаданные указывают формат Safetensors и библиотеку Transformers. Карточка заявляет мультиязычную поддержку, в частности английского и китайского. Лицензия обозначена как other, без уточнения условий в предоставленных данных.

jina-embeddings-v3-hf — мультиязычная модель эмбеддингов текста от Jina AI на архитектуре Jina-XLM-RoBERTa. Она преобразует текст в векторы для поиска по смыслу, сопоставления текстов, кластеризации и классификации. Для разных сценариев предусмотрены пять адаптеров LoRA: retrieval_query, retrieval_passage, separation, classification и text_matching. Модель содержит 658,7 млн параметров и принимает последовательности длиной до 8192 токенов. Matryoshka-эмбеддинги позволяют выбирать размер вектора от 32 до 1024 измерений. Модель ориентирована на 30 языков, включая русский, английский, китайский, арабский и хинди; исходная архитектура поддерживает более широкий набор языков. Доступны веса в форматах Safetensors и ONNX, а карточка описывает использование через Transformers и Sentence Transformers. Модель подходит для семантического поиска, извлечения документов, сравнения текстов и подготовки векторных признаков для последующей классификации или кластеризации. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

Карточка модели tomaarsen/jina-embeddings-v3-hf на Hugging Face совпадает с карточкой jinaai/jina-embeddings-v3-hf, поэтому описание составлено по ней. jina-embeddings-v3-hf — мультиязычная модель эмбеддингов текста от Jina AI на архитектуре Jina-XLM-RoBERTa. Она преобразует текст в векторы для поиска по смыслу, сопоставления текстов, кластеризации и классификации. Для разных сценариев предусмотрены пять адаптеров LoRA: retrieval_query, retrieval_passage, separation, classification и text_matching. Модель содержит 658,7 млн параметров и принимает последовательности длиной до 8192 токенов. Matryoshka-эмбеддинги позволяют выбирать размер вектора от 32 до 1024 измерений. Модель ориентирована на 30 языков, включая русский, английский, китайский, арабский и хинди; исходная архитектура поддерживает более широкий набор языков. Доступны веса в форматах Safetensors и ONNX, а карточка описывает использование через Transformers и Sentence Transformers. Модель подходит для семантического поиска, извлечения документов, сравнения текстов и подготовки векторных признаков для последующей классификации или кластеризации. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

KaLM-Embedding-Gemma3-12B-2511 — модель эмбеддингов от Tencent, дообученная на базе google/gemma-3-12b-pt. Она преобразует текст в векторы для поиска и сравнения смысловой близости; также подходит для классификации, кластеризации и ранжирования. Модель имеет плотную архитектуру Gemma 3 Text, содержит 11,6 млрд параметров, использует pooling по последнему токену и формирует эмбеддинги размерностью 3840 с поддержкой сокращения размерности до 64. Метаданные указывают контекст до 131 072 токенов, тогда как README заявляет максимум входа 32 тыс. токенов. В тесте MMTEB, приведённом в README, модель заняла первое место по сводному показателю; этот результат относится к оценке на момент публикации карточки и не гарантирует превосходства на других данных. Для работы доступны Sentence Transformers и vLLM с отдельной ревизией CausalLM. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

eewwann/me5-ruhnp — модель Sentence Transformers, дообученная автором на базе intfloat/multilingual-e5-large для представления предложений и абзацев в виде плотных текстовых эмбеддингов. В основе лежит XLM-RoBERTa; модель формирует векторы размерности 1024, применяет mean pooling и нормализацию, а сходство текстов можно оценивать косинусной мерой. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. README приводит оценку cosine accuracy 0,993 на TripletEvaluator для набора vk_e5, а также описывает обучение на наборе из 100 000 примеров. Поддерживает многоязычные текстовые входы; максимальная длина последовательности — 512 токенов (514 токенов в метаданных). Это производная модель с весами в формате safetensors. Лицензия в предоставленных данных не указана. Как и другие модели эмбеддингов, она выдаёт векторы, а не готовые ответы; качество зависит от языка, домена и соответствия запроса обучающим данным.

nreimers/MiniLM-L3-H384-uncased — компактная текстовая модель семейства MiniLM, созданная Нильсом Реймерсом на основе microsoft/MiniLM-L12-H384-uncased. Это версия с тремя слоями: в ней сохранены слои 3, 7 и 11 исходной 12-слойной модели. Модель имеет архитектуру BERT и содержит 18,8 млн параметров. Модель предназначена для извлечения признаковых представлений текста, которые можно использовать в прикладных системах поиска и анализа текста. Она принимает текст, выдаёт векторные представления и рассчитана на контекст до 512 токенов. Веса доступны в формате PyTorch; лицензия — MIT.

gomyk/minilm-student-L6_uniform_distilled — компактный многоязычный кодировщик предложений, созданный автором на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Модель использует архитектуру MiniLM с сокращением числа слоёв с 12 до 6 и уменьшенным словарём; в README указана размерность скрытого представления 384, а метаданные указывают 28,9 млн параметров и контекст до 512 токенов. Для дистилляции применялись потери MSE и косинусного сходства на данных задач классификации, кластеризации и семантического сходства. Модель предназначена для получения векторных представлений предложений, оценки их семантического сходства, кластеризации и классификации текстов. Она поддерживает 18 языков, включая русский и английский. В опубликованных результатах MTEB указаны средние показатели 56,93% в целом и 71,48% для STS; результаты зависят от языка и задачи. Модель выпущена под лицензией Apache-2.0.

MixEmbedMean-base-20240116021758-best — модель эмбеддингов avsolatorio на базе BERT, представленная как модель Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, кластеризации и других задач сравнения текста. Модель дистиллирована из BAAI/bge-small-en-v1.5 и содержит 18,8 млн параметров; README сообщает, что у неё в четыре раза меньше параметров без учёта эмбеддингов, чем у исходной модели, и примерно вдвое меньше параметров, чем у all-MiniLM-L6-v2, при сопоставимом качестве.

jfarray/Model_paraphrase-multilingual-mpnet-base-v2_5_Epochs — модель Sentence-Transformers на архитектуре XLM-RoBERTa, дообученная для создания плотных векторных представлений предложений и абзацев. Она преобразует текст в векторы размерностью 768 и предназначена для сравнения смысловой близости, семантического поиска и кластеризации текстов. Модель подходит для поиска похожих фраз и документов, группировки текстов по смыслу и построения компонентов поиска на эмбеддингах. В README указано обучение с CosineSimilarityLoss. Размер модели — 305,2 млн параметров, максимальная длина контекста — 514 токенов. Метаданные указывают на поддержку sentence similarity и извлечения признаков; языковая специализация не обозначена. Модель распространяется в формате PyTorch. Лицензия в предоставленных данных не указана, поэтому условия использования следует сверить на странице репозитория Hugging Face. Эмбеддинги сами по себе не генерируют ответы и качество поиска зависит от данных и выбранной схемы индексации.

MoD-Embedding — текстовая модель эмбеддингов, созданная путём дообучения Qwen/Qwen3-Embedding-4B разработчиком bflhc. Она преобразует тексты в векторы для семантического поиска, извлечения информации, сравнения и кластеризации документов, межъязыкового поиска и классификации с использованием эмбеддингов. Модель имеет плотную архитектуру Qwen3, около 3,7 млрд параметров и размерность эмбеддингов 2560; для запуска указана библиотека Sentence Transformers. Метаданные указывают контекст до 40 960 токенов, README — максимальную длину последовательности 32 768 токенов. Поддерживаются английский, китайский и другие языки. Модель ориентирована на задачи поиска и сопоставления текстов и выдаёт эмбеддинги; она не предназначена для генерации текста. README отмечает, что качество может различаться в зависимости от предметной области и языка, а для очень длинных документов может потребоваться усечение. Лицензия — Apache-2.0.

sentence-transformers/msmarco-distilbert-base-v2 — модель Sentence-Transformers, обученная командой Sentence Transformers на базе DistilBERT. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства, кластеризации и других задач с текстовыми эмбеддингами. Модель принимает текст, использует архитектуру DistilBERT и рассчитана на контекст до 512 токенов. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0.

Teradata выпустила ONNX-версию модели multilingual-e5-base для получения векторных представлений предложений и абзацев. Модель основана на XLM-RoBERTa, содержит около 305 млн параметров, принимает до 514 токенов и формирует векторы размерности 768. Репозиторий включает варианты fp32, int8 и uint8; модель подготовлена для запуска в Teradata Vantage, в том числе через встроенную функцию ONNXEmbeddings. Векторы подходят для измерения семантического сходства, кластеризации текстов и поиска релевантных фрагментов в RAG-системах. Модель многоязычная; метаданные перечисляют языки от африкаанс до хинди и индонезийского, а README указывает на исходную multilingual-e5-base. Лицензия MIT разрешает коммерческое использование. Это преобразование исходной модели в ONNX; качество и охват языков зависят от исходной модели и конкретной задачи.

richardyoung/mythos-9b-merged-heretic — модель для генерации текста и диалогов, созданная Richard Young на основе Qwen3-9B. Это декензурированная версия Mythos-9B, полученная с помощью Heretic v1.4.0; исходная Mythos-9B дообучалась на 47 824 примерах с трассами использования инструментов, командами оболочки, генерацией кода и многошаговыми рассуждениями. Модель поддерживает режим thinking и рассчитана на агентные сценарии с вызовом инструментов. Репозиторий содержит веса в формате safetensors. Контекст модели составляет 40 960 токенов, размер — 7,6 млрд параметров; в карточке указан английский язык. В сравнении с исходной Mythos-9B автор приводит 7 отказов из 100 проверок против 79 из 100 у исходной модели, а также низкую KL-дивергенцию 0,0211. Эти результаты описывают приведённые автором проверки и не гарантируют качество в других задачах. Модель распространяется по лицензии Apache 2.0.

codersan/newfa_e5small_7 — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-small, разработанная автором репозитория codersan. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерностью 384 для сравнения семантической близости, семантического поиска, поиска перефразирований, классификации и кластеризации текста. Архитектура включает трансформер BERT, усреднение токенных представлений и нормализацию векторов; сходство можно оценивать косинусной мерой. Модель обучена на парах anchor-positive с помощью MultipleNegativesRankingLoss. Максимальная длина последовательности — 512 токенов. Базовая модель многоязычная, а примеры обучающих данных включают персидский и английский языки. Для работы с моделью используется библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

sentence-transformers/nli-mpnet-base-v2 — модель эмбеддингов, обученная командой Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 на основе архитектуры MPNet с 136,7 млн параметров. Модель предназначена для поиска по смыслу, сравнения предложений и кластеризации текстов; доступна через библиотеку Sentence-Transformers и поддерживает форматы PyTorch, TensorFlow, ONNX и OpenVINO. Модель принимает текст и выдаёт векторные представления. Её контекстное окно составляет 514 токенов. Лицензия Apache-2.0 разрешает свободное использование с соблюдением её условий.

SKT AI LABS представила SKT-NRS/NRS_QWEN_MYTHOS_1M — дообученную модель на архитектуре Qwen3.5-9B для диалогов, рассуждений и генерации текста. Карточка заявляет контекст до 1 048 576 токенов с масштабированием YaRN и настройку на примерах по программированию, математике и логике. Метаданные также указывают поддержку изображений в базовой мультимодальной архитектуре Qwen, хотя описание модели сосредоточено на текстовых сценариях. Модель предназначена для анализа длинных документов и кодовых баз, пошаговых рассуждений, программирования и вызова инструментов, включая Python и веб-поиск. Заявлены диалоговый режим и оптимизация инференса, однако сведения о скорости и стократном повышении качества являются утверждениями авторов без приведённых сравнительных результатов. Для обработки вывода могут потребоваться специальные меры из-за блоков <think>; критические ответы следует проверять из-за риска галлюцинаций. Лицензия в предоставленных данных не указана.

NVIDIA-Nemotron-Labs-Teacher-STEM — большая языковая модель NVIDIA из семейства Nemotron 3 Ultra, предназначенная для сложных рассуждений и использования как самостоятельная модель и учитель для генерации синтетических данных и дистилляции. Она дообучена на основе постобученной Nemotron 3 Ultra Student с дополнительной настройкой на рассуждения и обучением с подкреплением; в рецепте также применяется дистилляция с участием нескольких учителей. Модель использует гибридную архитектуру LatentMoE с чередованием слоёв Mamba-2 и Mixture-of-Experts, отдельными слоями внимания и Multi-Token Prediction. Она содержит 550 млрд параметров, из которых 55 млрд активны, и поддерживает генерацию текста с контекстом до 262 144 токенов по метаданным Hugging Face. Предназначена для математики, программирования, естественных наук, гуманитарных и общественных дисциплин, ответов на сложные вопросы и работы с инструментами, включая поиск и выполнение кода. Поддерживаются английский, французский, испанский, итальянский, немецкий, японский, корейский, хинди, арабский, китайский, иврит и бразильский вариант португальского. Карточка сообщает о возможности коммерческого и некоммерческого использования; лицензия в метаданных указана как other, поэтому конкретные лицензионные условия следует сверить с репозиторием. Для запуска требуются значительные вычислительные ресурсы и совместимое оборудование.

Ophiuchi-Qwen3-14B-Instruct — дообученная PrithivMLmods языковая модель на архитектуре Qwen3-14B с плотной архитектурой Qwen3ForCausalLM и 14 млрд параметров. Она предназначена для диалогов и выполнения инструкций, математических и логических рассуждений, генерации и объяснения кода, ответов на фактические вопросы и создания структурированных текстов. Метаданные указывают контекст до 40 960 токенов; README заявляет поддержку до 128 тысяч токенов, поэтому фактический предел в источниках расходится. Карточка описывает многоязычную работу, включая английский, китайский и русский; метаданные карточки подтверждают английский и китайский. Модель может помогать с задачами STEM, техническим письмом, обучением и переводом. Она распространяется под лицензией Apache-2.0. Для работы требуются значительные вычислительные ресурсы; модель может ошибаться в фактах, особенно при неоднозначных или сложных запросах, а ошибки могут накапливаться в длинных ответах.

paraphrase-multilingual-mpnet-base-v2 — многоязычная модель Sentence Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для семантического поиска, сравнения сходства и кластеризации текстов. Архитектура основана на XLM-RoBERTa; модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для поиска семантически близких фрагментов и группировки текстов на разных языках. Она доступна в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Результат модели — векторное представление текста, поэтому для получения оценки сходства или поиска требуется сравнить векторы подходящим методом.

unsloth/Qwen2.5-Coder-14B — это 14-миллиардная плотная причинно-языковая модель семейства Qwen2, дообученная на основе Qwen/Qwen2.5-Coder-14B и опубликованная Unsloth. Она предназначена для генерации кода, рассуждений о коде и исправления ошибок; также подходит для сценариев с кодовыми агентами и задач с заполнением пропусков в коде. Модель принимает текст и генерирует текст, включая программный код. Контекст составляет до 32 768 токенов; репозиторий содержит веса в формате Safetensors для Transformers. Модель специализирована на программировании и сохраняет общие языковые и математические способности базовой серии Qwen2.5-Coder. README предупреждает, что базовые модели не рекомендуются для диалогового использования без дополнительного постобучения. Модель доступна по лицензии Apache 2.0.

Qwen2.5-Coder-14B-Instruct-bnb-4bit — 4-битная квантизированная версия инструкционной языковой модели Qwen2.5-Coder-14B-Instruct, разработанной командой Qwen. Модель предназначена для генерации, анализа и исправления программного кода, задач кодового рассуждения, текстово-кодового взаимодействия и создания приложений на основе code agents. Она также сохраняет возможности для математических и общих языковых задач. Модель относится к causal language models и использует архитектуру Qwen2.5-Coder с RoPE, SwiGLU, RMSNorm, смещениями в QKV внимания и связанными эмбеддингами слов. В названии указано 14 млрд параметров и 4-битное представление bnb, однако README не приводит подробные характеристики именно этой версии, включая точную длину контекста, число слоёв, модальности и список поддерживаемых языков. Указан английский язык. К сильным сторонам относятся специализация на программировании, улучшения в генерации, рассуждении и исправлении кода, а также сниженные требования к памяти благодаря квантизации. Ограничения и результаты конкретной версии в README подробно не описаны. Модель распространяется по лицензии Apache-2.0. Для работы рекомендуется использовать актуальную версию библиотеки transformers; версии ниже 4.37.0 могут вызывать ошибку, связанную с архитектурой qwen2.

unsloth/Qwen2.5-Coder-32B-Instruct — инструктивная 32-миллиардная языковая модель для программирования из семейства Qwen2.5-Coder, опубликованная Unsloth как дообученная версия Qwen/Qwen2.5-Coder-32B-Instruct. Это плотная авторегрессионная модель архитектуры Qwen2, рассчитанная на генерацию текста и диалоговое взаимодействие; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации, анализа и исправления кода, рассуждений о программном коде и создания кодовых агентов. Она также сохраняет возможности в математике и общих задачах. В метаданных указан английский язык; README описывает серию как ориентированную на код, но не приводит перечень поддерживаемых языков программирования. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache 2.0. README содержит противоречащие идентификатору модели сведения о модели 0,5B и её архитектурных характеристиках, поэтому эти детали здесь не приписываются версии 32B; оценка сходства с GPT-4o приведена в README как заявление авторов без описания результатов оценки.

Sg-at-srijan-us-kg выпустил instruction-tuned модель Qwen2.5-Coder-32B на 32 млрд параметров для генерации, анализа и исправления программного кода, а также создания кодовых агентов. Это причинная языковая модель семейства Qwen2 с архитектурой Qwen2ForCausalLM; она принимает текстовые инструкции и выдаёт текст и код. Карточка описывает поддержку контекста до 128K токенов с YaRN, тогда как конфигурация по умолчанию рассчитана на 32 768 токенов. Модель использует сильные стороны Qwen2.5-Coder в задачах программирования, сохраняя способности к математике и общим задачам. Метаданные указывают английский язык, библиотеку Transformers и формат safetensors. Для работы с длинным контекстом требуется включить YaRN; в vLLM статический коэффициент масштабирования может снижать качество или эффективность на коротких запросах. Лицензия Apache-2.0.