II.8Инженерия данных и аналитика

Карточка модели laowang11111/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

Карточка модели Nil626yhh/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

Карточка модели ogustpazjuniorgmailcom/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

Карточка модели Saim-11/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

Карточка модели ShaunGves/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

Карточка модели Zhaoxingbing/all-MiniLM-L6-v2 на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

KhaledReda разработал англоязычную модель Sentence Transformers, дообученную на sentence-transformers/all-MiniLM-L6-v2 на парах текстов с оценками сходства. Она кодирует предложения и абзацы в плотные векторы размерности 384, нормализует их и сравнивает по косинусному сходству. Модель подходит для семантического поиска, оценки сходства и перефразирования, а также кластеризации и классификации текста на основе эмбеддингов. Архитектура включает энкодер BERT, mean pooling и нормализацию; размер модели — 25,9 млн параметров. README указывает максимальную длину последовательности 256 токенов, а метаданные — контекст до 512 токенов. Модель принимает текст и выдаёт векторы; она рассчитана на английский язык. Лицензия — Apache-2.0.

KhaledReda/all-MiniLM-L6-v66-pair_score — англоязычный энкодер предложений на базе Sentence Transformers, дообученный KhaledReda на наборе pairs_with_scores_v53. Модель преобразует предложения и абзацы в плотные векторы размерности 384 и нормализует их; для сравнения используется косинусное сходство. Архитектура включает Transformer на базе BertModel и mean pooling. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов; в README максимальная длина последовательности указана как 256 токенов. Модель предназначена для оценки семантического сходства текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Обучающий набор содержит пары текстов с оценками сходства, а функция потерь — CoSENTLoss. Векторы можно использовать в системах поиска и других задачах сравнения текстов. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Указанные в карточке сценарии описывают возможности эмбеддинговой модели, но качество для конкретного домена следует проверять отдельно.

all-MiniLM-L6-v68-pairscore — англоязычная модель Sentence Transformers, дообученная KhaledReda на базе KhaledReda/all-MiniLM-L6-v67-pair_score на наборе pairs_with_scores_v55. Она преобразует предложения и абзацы в плотные векторы размерности 384 и предназначена прежде всего для оценки семантического сходства и семантического поиска; также подходит для поиска перефразирований, кластеризации и классификации текста. Архитектура основана на BERT с усреднением токенных представлений и нормализацией векторов; сходство рассчитывается косинусной мерой. README указывает максимальную длину последовательности 256 токенов, а метаданные — контекст до 512 токенов. Модель принимает текст и выдаёт векторы, которые можно сравнивать для ранжирования по смысловой близости. Обучающие данные содержат пары текстов с оценками сходства. Лицензия — Apache-2.0. Модель рассчитана на английский язык; качество на других языках не подтверждено. При использовании следует учитывать ограничение длины входа и проверять качество на целевых данных.

KhaledReda/all-MiniLM-L6-v71-pair_score — англоязычная модель Sentence Transformers, дообученная автором на модели KhaledReda/all-MiniLM-L6-v69-pair_score с использованием набора пар текстов со степенями сходства pairs_with_scores_v57. Это компактный плотный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и абзацы в нормализованные векторы размерности 384 и сравнивает их косинусным сходством. Для входной последовательности в метаданных указан контекст до 512 токенов; карточка модели задаёт ограничение в 256 токенов. Модель предназначена для оценки семантического сходства текстов, семантического поиска, поиска перефразировок, кластеризации и получения признаков для классификации. Обучение проводилось с CoSENTLoss на парах с оценками сходства. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Для языков и текстов, отличающихся от английского, качество не подтверждено карточкой.

KhaledReda разработал англоязычную модель Sentence Transformer, дообученную на sentence-transformers/all-MiniLM-L6-v2 на парах текстов с оценками сходства. Энкодер на архитектуре BERT преобразует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. В README указан максимальный размер последовательности 256 токенов, а метаданные задают нативный контекст в 512 токенов. Модель предназначена для семантического сравнения текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Её можно применять для получения эмбеддингов документов и вычисления релевантности пар предложений. Модель работает с английским языком; данные описаны как пары предложений с оценками, а обучение проводилось с CoSENTLoss. Модель распространяется под лицензией Apache-2.0. Это компактный энкодер с 25,9 млн параметров; фактические результаты зависят от текста и области применения, а вход длиннее ограничения последовательности может быть усечён.

guidecare/all-mpnet-base-v2-feature-extraction — копия модели all-mpnet-base-v2 для получения эмбеддингов предложений и коротких абзацев. Модель разработана командой Hugging Face в рамках Community Week и обучена дообучением microsoft/mpnet-base на более чем миллиарде пар предложений с контрастивной целью. Архитектура MPNet содержит 136,7 млн параметров и выдаёт плотный вектор размерности 768 для входного текста. Модель подходит для семантического поиска, сравнения сходства предложений и кластеризации текстов. Метаданные указывают поддержку английского языка; входы длиннее 384 токенов WordPiece обрезаются. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. README отмечает, что отличие этой копии от официальной модели заключается в изменённом теге pipeline.

Это модель на базе MPNet, опубликованная авторами luiz-and-robert-thesis и предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. Такие эмбеддинги подходят для семантического поиска, сравнения сходства текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 514 токенов и распространяется в формате safetensors; для работы с ней предусмотрена библиотека Sentence Transformers. Модель обучали с TripletLoss, используя косинусную метрику и margin 1. README не сообщает языки обучения, результаты оценки или лицензию, поэтому качество для конкретных языков и условия использования по этим источникам определить нельзя.

Artemis Embed v1 — англоязычная плотная модель эмбеддингов на базе answerdotai/ModernBERT-base, разработанная Omarbm52. Она кодирует текст в L2-нормированный вектор размерности 768; поддерживаются усечённые Matryoshka-варианты размерности 512, 256 и 128. Архитектура использует ModernBERT, masked mean pooling и обучение с LoRA, контрастивной целью, hard negatives и Matryoshka learning. В метаданных указаны 149 млн параметров и контекст до 8192 токенов, однако в README для текущей версии протестирована длина последовательности до 128 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска документов, кластеризации и получения признаков для последующей классификации. В README приведены внутренние результаты разработки, а итоговая оценка на MTEB English v2 ещё не завершена, поэтому эти результаты не следует считать независимой итоговой оценкой. Версия поддерживает только английский язык. Лицензия в предоставленных данных не указана.

andreyunic23/beds_step4 — дообученная модель Sentence Transformers на основе sentence-transformers/all-mpnet-base-v2. Она кодирует предложения и короткие абзацы в плотные векторы размерностью 768 для семантического сравнения текстов; сходство оценивается косинусной мерой. Архитектура включает MPNet, усреднение токенных представлений и нормализацию; в README указана максимальная длина последовательности 384 токена, а метаданные приводят контекст 514 токенов. Модель подходит для семантического поиска, сопоставления похожих формулировок, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. README описывает обучение на наборе из 1 084 пар предложений с ContrastiveTensionLossInBatchNegatives. Базовая модель многоязычная, однако языковая специализация этого дообучения в доступных сведениях явно не обозначена. Модель содержит 136,7 млн параметров и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

biggy-smiley/bert-base-uncased-fibe-ST — модель Sentence Transformers, дообученная на основе pilotj/bert-base-uncased-fibe-final. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для вычисления семантического сходства по косинусной близости, семантического поиска, поиска перефразировок, классификации текста и кластеризации. В основе — BERT с усреднением токенных представлений; максимальная длина входа составляет 512 токенов. Модель предназначена для получения текстовых эмбеддингов и сравнения фрагментов текста. Карточка описывает использование через библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

Suva/bge-base-finetune-v2 — модель эмбеддингов предложений и абзацев на базе архитектуры BERT, опубликованная в формате Sentence-Transformers. Она преобразует текст в плотные векторы размерностью 768 и подходит для семантического поиска, сравнения смысловой близости и кластеризации. Обучение использовало MultipleNegativesRankingLoss с косинусной мерой сходства; размер модели — 136,7 млн параметров, контекст — до 512 токенов. Модель предназначена для систем поиска по смыслу, группировки текстов и вычисления сходства между фрагментами. README не указывает языки обучения или датасеты, поэтому языковую специализацию определить нельзя. Модель опубликована в форматах PyTorch и Safetensors; сведения о лицензии в доступных данных отсутствуют.

himanshu23099/bge_embedding_finetune1 — англоязычная модель Sentence Transformer, дообученная на базе BAAI/bge-small-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 384 для семантического поиска, сравнения текстов, поиска перефразировок, классификации и кластеризации. Модель использует архитектуру BERT с пуллингом CLS-токена и нормализацией векторов; сходство оценивается косинусной мерой. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для поиска похожих текстов и ранжирования кандидатов по семантической близости. В README приведены результаты оценки поиска по косинусному сходству: точность составляет 0,358 при k=1, 0,7092 при k=5 и 0,7993 при k=10. Модель ориентирована на английский язык и предназначена для работы с текстовыми данными; лицензия в предоставленных данных не указана.

RedHatAI/bge-large-en-v1.5-quant — квантованная версия модели эмбеддингов BGE-Large-en-v1.5 от BAAI, подготовленная Red Hat AI. Модель основана на архитектуре BERT и распространяется в формате ONNX с квантованием INT8; для запуска README рекомендует DeepSparseSentenceTransformers, а ускорение inference обеспечивается DeepSparse. Модель преобразует английский текст в векторные представления для семантического поиска, сопоставления текстов и построения retrieval-систем. Контекст ограничен 512 токенами. По README, ускорение на 10-ядерном ноутбуке достигает 4,8 раза, а на 16-ядерном AWS-инстансе — 3,5 раза; эти показатели относятся к указанным конфигурациям. Модель выпущена под лицензией MIT. Квантование INT8 и формат ONNX ориентированы на более эффективный inference; поддерживаемый язык — английский.

optimum-intel-internal-testing/bge-small-en-v1.5 — это англоязычная модель векторного представления текста из семейства BGE, разработанного Beijing Academy of Artificial Intelligence (BAAI); репозиторий с указанным идентификатором является зеркалом BAAI/bge-small-en-v1.5. Модель предназначена для feature extraction и dense retrieval: построения эмбеддингов предложений и документов, семантического поиска, сравнения сходства текстов, кластеризации и использования в системах retrieval-augmented generation. Модель основана на BERT-подобной архитектуре, содержит около 33,4 млн параметров, формирует эмбеддинги размерности 384 и поддерживает последовательности длиной до 512 токенов. Она работает с английским текстом, поддерживает PyTorch, Transformers, Sentence-Transformers и ONNX. Версия v1.5 улучшает распределение оценок сходства и сохраняет эффективную работу без обязательной инструкции для запроса; для поиска коротких запросов по длинным документам разработчик рекомендует добавлять инструкцию к запросу, но не к документам. Сильные стороны модели — небольшой размер, сравнительно низкие требования к вычислительным ресурсам, удобство локального развертывания и конкурентные результаты для модели малого масштаба на MTEB. Ограничения — поддержка только английского языка, ограничение контекста 512 токенами и то, что модель создаёт эмбеддинги, а не генерирует текст; для наиболее точного переранжирования результатов разработчик рекомендует отдельную cross-encoder-модель BGE Reranker. Указана лицензия MIT, допускающая коммерческое использование без платы.

Blitzar-Coder-4B-F.1-GGUF — модель для генерации кода, разработанная prithivMLmods. Это GGUF-версия Blitzar-Coder-4B-F.1, дообученной на базе Qwen3-4B с использованием расширенных наборов трассировок программирования. Модель предназначена для генерации и отладки кода, а также решения задач, требующих рассуждений, особенно при ограниченных вычислительных ресурсах. Модель ориентирована на работу более чем с десятью языками программирования, включая Python, Java, C#, C++, C, Go, JavaScript, TypeScript и Rust. Точные сведения об архитектуре, размере контекста и поддерживаемых естественных языках, кроме английского, в карточке не указаны. Доступны варианты от Q2_K до Q8_0, а также F16, BF16 и F32; размер файлов составляет примерно от 1,67 до 16,1 ГБ. Q4_K_M и Q5_K_M рекомендуются как сбалансированные варианты, а Q6_K, Q8_0 и версии с плавающей точностью обеспечивают более высокое качество ценой большего потребления ресурсов. Сильными сторонами модели являются специализация на программировании, поддержка нескольких языков программирования и широкий выбор вариантов квантования для запуска на оборудовании с разными ограничениями. Более компактные варианты обеспечивают более быструю инференцию, но могут уступать в качестве; для F16, BF16 и особенно F32 требуется больше видеопамяти. Модель распространяется по лицензии Apache-2.0.

Blue-Rose-Coder-12.3B-Instruct — объединённая инструкционная языковая модель для работы с программным кодом. Она создана с помощью LazyMergekit на основе Qwen/Qwen2.5-Coder-7B-Instruct и WhiteRabbitNeo/WhiteRabbitNeo-2.5-Qwen-2.5-Coder-7B; в README исходные модели перечислены повторно. Архитектура — плотная Qwen2ForCausalLM, объём — 11,7 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации кода и диалоговых сценариев; в метаданных также отмечен интерфейс вызова инструментов. Репозиторий содержит веса в формате safetensors. Лицензия модели в предоставленных данных не указана. Базовая Qwen-модель описана как пригодная для генерации, анализа и исправления кода; отдельные результаты оценки Blue-Rose-Coder в карточке не приведены.

Chonky modernbert large v1 — англоязычная модель токеновой классификации, дообученная автором mirth на answerdotai/ModernBERT-large для разделения текста на смысловые фрагменты. Она размечает границы сегментов меткой separator и предназначена для подготовки документов к поиску и генерации с дополнением из найденных данных (RAG), а также для передачи фрагментов в системы эмбеддингов или языковые модели. Модель построена на архитектуре ModernBERT и содержит 394,7 млн параметров. Базовая архитектура поддерживает контекст до 8192 токенов, однако модель дообучалась на последовательностях длиной 1024 токена. В README приведены token-based F1 0,85 для minipile и 0,79 для BookCorpus. Модель распространяется в формате safetensors по лицензии MIT.

OpenMOSS-Team/claif-scaled-bert-base — англоязычная модель эмбеддингов на архитектуре BERT, опубликованная командой OpenMOSS. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, сравнения текстов и кластеризации. Модель обучена с использованием CosineSimilarityLoss и доступна в формате PyTorch; её можно применять через Sentence-Transformers или Transformers с подходящим pooling. Модель подходит для англоязычных систем семантического поиска и группировки текстов. Контекст ограничен 512 токенами. Лицензия Apache-2.0 разрешает использование на её условиях.

OpenMOSS-Team/claif-scaled-roberta-base — модель эмбеддингов предложений и абзацев на архитектуре RoBERTa, опубликованная OpenMOSS-Team. Она преобразует текст в плотные векторы размерности 768 и предназначена для сравнения смысловой близости, семантического поиска и кластеризации. Модель можно использовать через Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 151,8 млн параметров, принимает последовательности длиной до 514 токенов и работает с английским языком. Обучение с CosineSimilarityLoss ориентировано на получение векторов, пригодных для оценки сходства текстов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

Карточка модели AnkushRaut216/cl-finetuned-sentence-transformer-vectorstore на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

Code-Llama-3-8B-GGUF — это набор квантизованных версий языковой модели Code-Llama-3-8B в формате GGUF, подготовленный пользователем bartowski с использованием llama.cpp и метода imatrix. Исходная модель размещена на Hugging Face организацией или автором ajibawa-2023. Модель предназначена прежде всего для генерации, дополнения и объяснения программного кода, а также для решения задач по программированию и математических задачах в диалоговом формате. Модель содержит 8 миллиардов параметров и работает в текстовой модальности. В README указан английский язык, а среди целевых языков программирования перечислены Python, C++, PHP, JavaScript, Java, Rust, Ruby, SQL, MySQL, R и Julia. Доступно множество вариантов квантизации от Q8_0 до IQ1_M, что позволяет выбирать баланс между качеством и требованиями к памяти: рекомендуются, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и некоторые варианты IQ4. Более компактные варианты экономят память, но снижают качество и могут быть непригодны для требовательных задач. Сильными сторонами являются специализация на коде, широкий выбор размеров файлов и возможность локального запуска через совместимый стек llama.cpp. Ограничения включают потери качества при низкой разрядности квантизации; сведения о размере контекстного окна, точной архитектуре и поддержке других естественных языков в README не указаны. Модель распространяется по лицензии llama3.

tubyneto/crowdedflowertunedbert — модель Sentence-Transformers на архитектуре MPNet, обученная преобразовывать предложения и абзацы в плотные векторы размерности 768. Её можно использовать для семантического поиска, сравнения сходства текстов и кластеризации. Обучение проводилось с ContrastiveLoss на основе косинусного расстояния. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста составляет 514 токенов. Доступна в формате PyTorch. README не указывает языки обучающих данных или лицензию, поэтому область языкового применения и условия использования по имеющимся сведениям определить нельзя.

CrystalMistral_7b_v.02 — языковая модель, созданная Crystalcareai объединением Crystalcareai/Mistral-Evol-Coder и Crystalcareai/mistral-InstructGPT с помощью LazyMergekit и метода SLERP. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста, в том числе для сценариев, сочетающих инструкции и задачи, связанные с кодом. В репозитории указаны веса Safetensors; конфигурация слияния использует тип данных bfloat16. Лицензия в предоставленных данных не указана.

MohammadKhodadad/CTMEDGTE7_encoder — дообученная модель Sentence Transformers на базе skyfury/CTMEDGTE-cl7-step_6000. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения текстов по смыслу с помощью косинусного сходства. Архитектура основана на BERT с усреднением токенных представлений; модель рассчитана на последовательности длиной до 512 токенов по метаданным Hugging Face, а в конфигурации из README указано ограничение 256 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации текстов и подготовки признаков для классификации. В метаданных указан объём 136,7 млн параметров и формат safetensors. Сведения о поддерживаемых естественных языках и лицензии в доступных данных отсутствуют.