II.8Инженерия данных и аналитика

NextCoder-7B-GGUF — это квантизированное представление NextCoder-7B, языковой модели для генерации и редактирования программного кода, разработанной Microsoft. Модель создана на основе Qwen2.5-Coder Instruct с использованием метода дообучения Selective Knowledge Transfer (SeleKT) и предназначена прежде всего для исправления, преобразования и дополнения кода, а также для диалоговых сценариев, связанных с разработкой программного обеспечения. Модель относится к авторегрессионным causal language models и поддерживает контекст до 32K токенов. Она использует архитектуру Transformers с RoPE, SwiGLU, RMSNorm и смещениями в QKV-внимании, содержит 7,61 млрд параметров, 28 слоёв и схему GQA с 28 головами для Q и 4 для KV. В README указан английский язык. По приведённым оценкам NextCoder-7B показывает улучшения по сравнению с базовой QwenCoder-2.5-7B на бенчмарках исправления и редактирования кода, включая HumanEvalFix, CanItEdit и Aider. Сильными сторонами модели являются специализация на редактировании кода, длинный контекст и сохранение общей применимости после дообучения. Ограничения включают риск генерации небезопасного или вредоносного кода и необходимость ручной проверки и запуска результатов в изолированной среде. Модель распространяется по лицензии MIT; для работы рекомендуется актуальная версия библиотеки Transformers.

CaoHaiNam/obito-v1 — модель эмбеддингов предложений на базе RoBERTa, опубликованная пользователем CaoHaiNam. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, кластеризации и сравнения текстов. Модель обучалась с MultipleNegativesRankingLoss и косинусной функцией сходства; доступна в формате safetensors и рассчитана на контекст до 258 токенов. Модель подходит для поиска похожих фрагментов и группировки текстов по смыслу. README не сообщает поддерживаемые естественные языки, поэтому языковую специализацию определить нельзя. Указана библиотека sentence-transformers. Лицензия в предоставленных данных не указана.

feecha/ObjLlama-7b-hf — 7-миллиардная instruct-версия Code Llama, разработанной Meta и сохранённой в формате Hugging Face Transformers. Это авторегрессионная плотная модель на архитектуре Transformer для генерации и понимания кода: она поддерживает автодополнение, заполнение пропусков в коде и выполнение инструкций, в том числе в сценариях чат-ассистента. Модель принимает и выдаёт текст; размер по метаданным — 6,6 млрд параметров, контекст — до 16 384 токенов. README указывает английский язык и языки программирования. Модель подходит для генерации фрагментов кода, редактирования существующего кода и ответов на запросы кода на естественном языке. Она не является специализированной Python-версией. Возможны неточные или нежелательные ответы; перед внедрением рекомендуется тестирование и настройка под конкретное применение. Использование регулируется лицензией Meta Llama 2, а README указывает на коммерческое и исследовательское применение при соблюдении лицензионных условий и правил допустимого использования.

Olmo 3 7B Think SFT — англоязычная авторегрессионная Transformer-модель для генерации текста, разработанная Allen Institute for AI (Ai2). Она предназначена для диалогов и задач рассуждения, особенно математических задач и программирования; обучение с учителем на Dolci-Think-SFT-7B включало также запросы по общим знаниям и чату. Модель имеет плотную архитектуру Olmo3 и 6,9 млрд параметров, принимает текст и поддерживает контекст до 65 536 токенов. Доступна в формате Safetensors для Transformers. Модель дообучена на основе allenai/Olmo-3-1025-7B. Лицензия Apache 2.0; Ai2 указывает исследовательское и образовательное применение в соответствии со своими правилами ответственного использования. Модель может выдавать неточные сведения и без дополнительной фильтрации генерировать вредный или чувствительный контент; результаты следует проверять.

OPENER-ZS — модель эмбеддингов для распознавания и типизации именованных сущностей в режиме zero-shot open-world NER. Её разработчик дообучил Nomic Embed Text v1.5 контрастивным обучением: сначала на фрагментах CoNLL-2003, затем с подбором сложных отрицательных примеров для типов сущностей, которые модель часто путает. Модель использует архитектуру NomicBert и создаёт векторы упоминаний в контексте, выделенных маркерами [ENT] и [/ENT], и названий типов с префиксом classification:. Контекст — до 2048 токенов. В составе конвейера OPENER детектор GLiNER-L находит упоминания, после чего OPENER-ZS сопоставляет их с прототипами названий типов по косинусному сходству. Система не требует целевых размеченных примеров: пользователь задаёт текст и возможные типы сущностей. Предусмотрены уточнение результатов по неразмеченным входным данным и объединение оценок с предсказаниями детектора. В карточке сообщается результат 39,4 end-to-end AMI на бенчмарке из 13 наборов данных и скорость около 180 мс на предложение. Модель предназначена для zero-shot извлечения и типизации сущностей с пользовательскими категориями. Это дообучение nomic-ai/nomic-embed-text-v1.5; для запуска полного конвейера требуется GLiNER-L, а для удобного использования автор предлагает пакет opener-ner. Репозиторий распространяется по лицензии MIT; базовая модель указана в README как Apache-2.0.

Parable-Qwen3-8B-Claude-Fable-5 — плотная языковая модель Qwen3-8B с 7,6 млрд параметров, дообученная AnkitAI на трассах многошаговой работы агентов Claude Fable 5 и GPT-5.5. Она предназначена для генерации текста, рассуждений, планирования, написания и отладки кода, решения задач в терминале и работы с инструментами. Модель принимает текст и выдаёт текст, в том числе структурированные вызовы инструментов. Основной язык в карточке — английский; заявлена работа с контекстом до 40 960 токенов. В README сообщаются снижение тестовой функции потерь на 67% относительно базовой модели и 23 полностью правильных ответа из 34 в качественной оценке задач по коду и терминалу. В тесте BFCL V3 качество вызова функций оказалось немного ниже, чем у исходной Qwen3-8B. Модель обучалась на последовательностях длиной 1 024 токена, поэтому усиленное поведение агента может быть заметнее в начале длинного диалога; в некоторых операционных сценариях она выдаёт JSON вызова инструмента вместо обычного текста. Веса распространяются по Apache-2.0, но обучающие наборы имеют лицензии AGPL-3.0 и MIT, а для их происхождения из сторонних ассистентов могут действовать дополнительные условия.

Это модель Sentence Transformers на базе RoBERTa, дообученная автором репозитория dfsandovalp01 на модели somosnlp-hackathon-2022/paraphrase-spanish-distilroberta. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 для сравнения семантической близости, поиска похожих текстов, выявления перефразирований, кластеризации и классификации. В README указана максимальная длина последовательности 256 токенов и сравнение по косинусному сходству; метаданные указывают контекст модели до 514 токенов. Модель предназначена для работы с испанскими и английскими текстами, как и её базовая модель. Её можно применять для семантического поиска по коллекциям, группировки похожих предложений и подготовки признаков для классификаторов. В репозитории указаны 44 147 обучающих примеров и функция потерь SoftmaxLoss. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

iambestfeed/phobert_retrieval — модель на базе RoBERTa, опубликованная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства текстов и кластеризации. В репозитории указано 162,4 млн параметров; модель принимает текст и выдаёт эмбеддинги. Контекст ограничен 258 токенами. Модель подходит для поиска текстов по смыслу и группировки похожих предложений или абзацев. Карточка не сообщает сведения о лицензии и не приводит результаты оценки, поэтому качество на конкретных данных следует проверять отдельно.

google/pix2struct-docvqa-large — крупная модель Pix2Struct от Google для ответов на вопросы по изображениям документов. Она использует архитектуру «кодировщик изображений — декодер текста» и принимает изображение вместе с вопросом, выдавая текстовый ответ. Модель дообучена для визуального ответа на вопросы; Pix2Struct предварительно обучалась преобразовывать замаскированные снимки веб-страниц в упрощённый HTML, что поддерживает понимание визуально представленной информации. Модель предназначена для извлечения сведений из документов по запросу пользователя, например, поиска значений в формах, таблицах и сканах. В метаданных указаны языки en, fr, ro и de, а также многоязычная поддержка. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Карточка описывает семейство Pix2Struct и задачу визуального ответа на вопросы, но не сообщает точное число параметров и длину контекста.

pplx-embed-v1-late-0.6b — мультиязычная модель эмбеддингов Perplexity AI для поиска документов с поздним взаимодействием. Это дообученная версия pplx-embed-v1-0.6b с архитектурой PPLXQwen3Model; она создаёт векторы размерности 128 для каждого токена, а запросы и документы сопоставляет с помощью оценки MaxSim, не сводя текст к одному вектору. Модель подходит для семантического поиска и извлечения документов, в том числе для многоязычных корпусов. В README приведены результаты nDCG@10: 56,61 в среднем по 15 англоязычным задачам BEIR и 66,62 в среднем по 18 языкам MIRACL. Контекст составляет до 32 768 токенов. Модель принимает текст и выдаёт последовательности векторов токенов; доступный формат весов — safetensors. Лицензия MIT.

QaptaanLM-0.75B — компактная текстовая причинно-языковая модель для генерации кода, технических рассуждений и анализа длинных фрагментов кода. Её разработали в проекте Kaptaan на основе Qwen/Qwen3.5-0.8B-Base: визуальную часть исходной архитектуры удалили, а модель дообучили на корпусе KapCode-1B. В README указано 752 млн параметров; метаданные каталога указывают 581,4 млн. Модель использует гибридное внимание с линейными рекуррентными слоями и плотным вниманием, поддерживает заполнение пропусков в коде (Fill-in-the-Middle) и контекст до 262 144 токенов. Она предназначена для локального дополнения и генерации кода, вставки кода в заданный контекст и работы с техническими документами и материалами по STEM. Данные обучения включают исходный код, документацию, веб-тексты и математические материалы; метаданные отмечают английский язык. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0. Карточка также перечисляет отдельные варианты для инструкционного чата и GGUF, но это не форматы данного репозитория.

Карточка модели OzodovSanjar/Qwe-2.5-3b-coder на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Coder-3B, поэтому описание составлено по ней. Qwen2.5-Coder-3B — базовая кодовая языковая модель, разработанная командой Qwen. Это предварительно обученная причинная трансформерная модель семейства Qwen2 с 3,09 млрд параметров, предназначенная для генерации и анализа кода, рассуждений о коде и исправления ошибок. Она также сохраняет общие языковые и математические способности базовой Qwen2.5. Модель обучалась на корпусе из исходного кода, текстово-кодовых данных и синтетических данных. Архитектура использует RoPE, SwiGLU, RMSNorm, смещение в проекциях QKV и связанные эмбеддинги слов; в ней 36 слоёв, 16 голов Q и 2 головы KV. Контекст составляет 32 768 токенов. Модель предназначена для задач продолжения кода и заполнения пропусков в коде; авторы не рекомендуют использовать базовую версию для диалогов без дополнительного постобучения. Для работы с Transformers требуется версия 4.37.0 или новее. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

DreamFast/Qwen-2.5-7b-apostate — разговорная языковая модель на базе Qwen2.5-7B-Instruct, изменённая сообществом с помощью Apostate. Веса представлены в формате safetensors с точностью bfloat16; модель содержит около 7,1 млрд параметров и использует плотную архитектуру Qwen2. Контекстная длина этой версии — 32 768 токенов. Модель предназначена для диалогов и генерации текста, в том числе ответов на инструкции, кода и структурированных данных. Её ключевое отличие — ослабленное поведение отказа: по описанию авторов, направление отказа удалено ортогональной проекцией в большинстве слоёв. README сообщает о высокой доле выполнения запросов из HarmBench и сохранении результатов на ряде тестов базовой модели; эти показатели получены в оценке авторов и не гарантируют такое же поведение в других сценариях. Поддерживаются английский и, согласно описанию семейства Qwen2.5, многоязычные сценарии, включая русский. Модель распространяется по лицензии Apache-2.0. Она может выдавать ответы на вредоносные запросы, поэтому требует контроля применения и выходных данных.

sci4ai/Qwen2.5-Coder-14B-Abliterated — доработанная sci4ai версия Qwen/Qwen2.5-Coder-14B-Instruct, созданная удалением поведения отказа с помощью направленной на активации модификации весов. Это плотная авторегрессионная модель семейства Qwen2 с 14 млрд параметров, доступная в формате Safetensors; она принимает текст и поддерживает диалоговую генерацию кода на английском языке. Контекст — до 32 768 токенов. Модель предназначена для написания, анализа и исправления кода в диалогах. Изменение затрагивает 47 из 48 слоёв и ослабляет отказы, в том числе на запросы о разработке эксплойтов, вредоносного ПО и сетевых атаках; это не отдельная специализация, гарантирующая качество или безопасность таких ответов. Лицензия — Apache-2.0.

Qwen2.5-Coder-32B — плотная авторегрессионная языковая модель семейства Qwen2, разработанная командой Qwen и дообученная на основе Qwen/Qwen2.5-32B для задач программирования. Это базовая модель на стадии предварительного обучения, рассчитанная на генерацию и анализ кода, его исправление, а также применение в кодовых агентах; разработчики отдельно отмечают сохранение математических и общих языковых способностей. Веса содержат около 32 млрд параметров, архитектура использует RoPE, SwiGLU, RMSNorm и grouped-query attention. Модель принимает текст и генерирует текст. В карточке указана поддержка английского языка; обучающие данные включают исходный код и текстово-кодовые данные. Метаданные задают контекст 32 768 токенов. README описывает расширение обработки длинных последовательностей до 131 072 токенов с помощью YaRN; для этого требуется соответствующая настройка, а статическое масштабирование YaRN в vLLM может ухудшать работу на коротких текстах. Модель предназначена для разработчиков, которым нужны продолжение кода, рассуждение о коде и поиск исправлений. README не рекомендует использовать базовую версию для диалогов без последующего обучения или настройки. Лицензия — Apache-2.0.

Это GGUF-версия модели Qwen2.5-Coder-32B-Instruct, подготовленная TensorBlock на основе mlx-community/Qwen2.5-Coder-32B-Instruct-bf16. Репозиторий содержит файлы в формате GGUF с разными вариантами квантования; они совместимы с llama.cpp начиная с указанного в карточке коммита. Размер исходной модели — 32 млрд параметров. Модель предназначена для генерации кода в диалоговом формате, а также для анализа и исправления кода. В README приведён шаблон сообщений system/user/assistant. Для некоторых вариантов квантования указана заметная потеря качества; автор не рекомендует Q2_K для большинства сценариев, а Q3_K_S и Q3_K_M характеризуются как варианты с высокой потерей качества. Лицензия — Apache-2.0.

mlx-community/Qwen2.5-Coder-7B-4bit — версия модели Qwen2.5-Coder-7B, преобразованная сообществом mlx-community в формат MLX с 4-битной квантизацией. Модель представляет собой плотную авторегрессионную языковую модель семейства Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и кода, диалогового взаимодействия и работы с интерфейсом вызова инструментов. Её можно использовать для написания и продолжения кода, объяснения фрагментов программ и помощи в разработке. Квантизация сокращает требования к памяти; README указывает на использование через mlx-lm. В метаданных указана лицензия Apache-2.0. Карточка модели не сообщает отдельные результаты оценки качества или специфические ограничения; как квантизированная версия, она может отличаться по качеству от исходной модели.

Qwen3-1.5B-Instruct — компактная языковая модель на 1,5 млрд параметров, созданная сообществом с помощью mergekit. Это слияние методом TIES инструктивной модели Qwen2.5-1.5B-Instruct с Qwen2.5-Coder-1.5B-Instruct и Qwen2.5-Math-1.5B-Instruct. Модель использует архитектуру Qwen2 для генерации текста и диалогов; заявленный контекст — до 32 768 токенов. Модель подходит для ответов на вопросы, инструктивных диалогов, генерации кода и решения математических задач. Метаданные также отмечают интерфейс для вызова инструментов. Модель распространяется в формате Safetensors; README указывает, что при слиянии использовалась точность float16. Лицензия в предоставленных материалах не указана.

Qwen3.5-DeltaCoder-9B-GGUF — семейство GGUF-квантизированных вариантов модели danielcherubini/Qwen3.5-DeltaCoder-9B, разработанное Daniel Cherubini на базе Qwen3.5-9B. Модель ориентирована на генерацию и анализ кода, использование инструментов и агентские сценарии. В версии v1.1-DPO применено дообучение методом DPO на 4519 предпочтительных парах из AceCode-V2-122K, направленное на повышение корректности кода и способности модели обнаруживать и исправлять собственные ошибки. Модель поддерживает текстовые задачи и заявлена для английского языка. Размер базовой модели — 9 млрд параметров. Доступны варианты квантования от Q2_K до Q8_0, а также BF16; рекомендуемым указан Q4_K_M. Модель предназначена для запуска через llama.cpp, Ollama, LM Studio и другие совместимые с GGUF движки. В README приведены конфигурации для контекста до 131072 токенов, однако требуемый объём памяти зависит от выбранного варианта квантования и параметров KV-кэша. Сильные стороны модели — специализация на программировании, надёжность вызовов инструментов, ориентация на прохождение тестов и улучшенное самокорректирующее поведение после DPO-обучения. Ограничения включают зависимость качества от степени квантования, необходимость соблюдать рекомендованные параметры генерации и склонность к детерминированным циклам при temperature ниже 0,5. Для версии v1.1-DPO часть заявленных benchmark-результатов ещё не определена; в Terminal-Bench указано 2 из 4 выполненных задач при наличии тайм-аутов. Распространяется по лицензии Apache-2.0.

Qwen3.8-27B-AWQ-5.0bpw-Sharp — мультимодальная плотная модель на базе Qwen/Qwen3.8-27B, подготовленная mrKola для запуска на Apple Silicon через oMLX. Это вариант с квантизацией AWQ 5,00 бита на параметр и группами размера 64; модель занимает около 17,36 ГБ. Архитектура сочетает GatedDeltaNet и полнослойное внимание, включает визуальный модуль и встроенную голову MTP. Базовая модель имеет контекст до 256 тысяч токенов. Модель предназначена для диалогов, анализа изображений, программирования, рассуждений и многошаговых задач; интерфейс также предусматривает вызов инструментов. Калибровка учитывала текст и изображения, включая диаграммы и фотографии. В README приведены результаты HumanEval, GSM8K и MMLU, однако они сравнивают две квантизованные сборки, а не дают независимую оценку качества. Указанные скорости измерены на M5 Max с oMLX и не гарантируют такую же производительность на другом оборудовании. Модель распространяется по лицензии Apache-2.0. Качество на длинном контексте с ускорением SpecPrefill и моделью-черновиком с несовпадающим токенизатором не измерено; README рекомендует проверять такие сценарии на собственных данных.

unsloth/Qwen3-Coder-Next — версия Qwen3-Coder-Next от Unsloth для кодирующих агентов и локальной разработки. Это причинная языковая модель с архитектурой MoE семейства Qwen3-Next; репозиторий содержит веса Safetensors и рассчитан на использование с Transformers. README описывает исходную модель как систему с 80 млрд параметров, из которых активируются 3 млрд; метаданные этого репозитория указывают 2,3 млрд параметров. Нативный контекст — 262 144 токена. Модель предназначена для генерации и изменения кода, многошаговых задач разработки, работы с инструментами и восстановления после ошибок выполнения. Заявлена интеграция с CLI- и IDE-агентами; в метаданных также отмечен интерфейс вызова инструментов. README указывает, что поддерживается только режим без рассуждений (non-thinking). Основной язык взаимодействия — текст, а лицензия репозитория — Apache-2.0. Ключевые преимущества — длинный контекст и возможности для агентной разработки. Для запуска README рекомендует актуальные версии Transformers, SGLang или vLLM; для SGLang требуется версия не ниже 0.5.8, для vLLM — не ниже 0.15.0. При сбое запуска из-за большого контекста предлагается уменьшить его. Указанные в README 80 млрд общих и 3 млрд активируемых параметров расходятся с числом 2,3 млрд в метаданных, поэтому размер этой версии по доступным источникам неоднозначен.

Qwen3-Coder-Next-REAM — сжатая версия Qwen/Qwen3-Coder-Next, подготовленная методом REAM. Модель разработана на базе семейства Qwen3-Next и использует архитектуру MoE; в каждом MoE-слое число экспертов уменьшено с 512 до 384. По README, объём сокращён с 80 млрд до 60 млрд параметров, что снижает требования к хранению и памяти GPU примерно на четверть. Метаданные каталога указывают 2,3 млрд параметров, поэтому оценка полного размера модели по источникам расходится. Модель предназначена для генерации кода и диалогового использования в сценариях разработки. При сжатии для калибровки использовали больше данных по коду; в README приведены результаты на тестах HumanEval и LiveCodeBench, близкие к показателям исходной модели. Модель принимает текстовые запросы и выдаёт текст, включая код. Указанное в метаданных контекстное окно составляет 262 144 токена. Файлы представлены в формате safetensors и рассчитаны на библиотеку Transformers. Лицензия — Apache-2.0. README отмечает, что к модели можно дополнительно применять оптимизации вроде квантизации; отдельные результаты и инструкции развёртывания здесь не приведены.

Карточка модели npario/Qwen3-Embedding-0.6B-8bit на Hugging Face совпадает с карточкой mlx-community/Qwen3-Embedding-0.6B-8bit, поэтому описание составлено по ней. Qwen3-Embedding-0.6B-8bit — 8-битная версия модели для создания текстовых эмбеддингов, подготовленная mlx-community в формате MLX из Qwen/Qwen3-Embedding-0.6B. Это плотная модель семейства Qwen3 примерно с 508 млн параметров, предназначенная для извлечения признаков текста и семантического поиска. Она подходит для построения векторных представлений запросов и документов, поиска похожих текстов и систем RAG. Модель поддерживает контекст до 32 768 токенов и распространяется по лицензии Apache-2.0. Карточка указывает на преобразование в MLX, а метаданные связывают репозиторий с базовой моделью Qwen/Qwen3-Embedding-0.6B. Хотя каталог также помечает архитектуру тегом text-generation, основное пользовательское назначение — получение эмбеддингов, что соответствует pipeline_tag feature-extraction. В README не приведены дополнительные сведения о качестве или ограничениях; применимость зависит от языка и предметной области входных текстов.

Qwen3-Jan-v1-256k-ctx-6B-Brainstorm20x — диалоговая модель генерации текста от DavidAU, созданная на основе Jan-v1-4B от Jan. В README указано, что к модели применён Brainstorm 20x адаптер, улучшающий генерацию кода и творческую генерацию; метаданные описывают её как дообучение Jan-v1-4B на архитектуре Qwen3. Модель содержит около 5,4 млрд параметров и поддерживает контекст до 262 144 токенов. Модель предназначена для чата, написания и доработки кода, многошагового решения задач, мозгового штурма и создания более подробной прозы. README описывает применение как готовой instruct-модели и как основы для дальнейшего дообучения. Она принимает текст и генерирует текст; в карточке заявлена поддержка английского языка. Указана лицензия Apache-2.0. Репозиторий содержит веса Safetensors; README также упоминает возможность использовать их для подготовки квантованных форматов, но сами описанные веса не следует считать квантованными.

Карточка модели luxuansang/Qwythos-9B-v2 на Hugging Face совпадает с карточкой empero-ai/Qwythos-9B-v2, поэтому описание составлено по ней. Qwythos-9B-v2 — модель генерации текста и рассуждений от Empero AI, дообученная на базе empero-ai/Qwythos-9B-Claude-Mythos-5-1M методом FTPO. Она предназначена для диалогов, многошаговых рассуждений, решения задач и генерации кода; разработчик сообщает, что в этой версии устранено зацикливание при генерации, восстановлена голова MTP и сохранены возможности предыдущей версии. Модель построена на гибридной архитектуре Qwen3.5-9B с чередованием линейного внимания Gated-DeltaNet и полного внимания. Контекст заявлен до 1 млн токенов с YaRN. Хотя базовый стек поддерживает мультимодальность, README описывает практическое использование как текстовое. Основной язык карточки — английский. Модель подходит для исследовательских и технических сценариев, включая программирование, кибербезопасность и анализ научных вопросов. По внутренним оценкам разработчика, знания и рассуждения в целом сохранены относительно предыдущей версии; это обновление направлено прежде всего на устойчивость генерации, а не на рост возможностей. Известное ограничение — результат HumanEval ниже, чем у исходной Qwen3.5-9B; показатели бенчмарков получены на внутреннем тестовом наборе. Модель намеренно не ограничивает ответы на чувствительные темы. Лицензия — Apache-2.0.

meichen91/review_multiclass_20230116 — модель sentence-transformers на основе MPNet, разработанная для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в векторы размерности 768 и подходит для семантического поиска, сравнения сходства и кластеризации текстов. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текст с контекстом до 514 токенов. В README указано обучение с CosineSimilarityLoss. Доступен формат PyTorch; применять модель можно через Sentence-Transformers или Transformers с подходящей операцией pooling. Лицензия в предоставленных данных не указана.

Карточка модели roskosmos19/Rhea-4B-Coding на Hugging Face совпадает с карточкой roskosmos19/Orca-2-4B-Coding-max, поэтому описание составлено по ней. Rhea-4B-Coding — дообученная Roskosmos19 модель для программирования на базе Aquiles-ai/Athenea-4B-Coding. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров; она работает через Transformers, принимает текст и генерирует текст. В карточке заявлено контекстное окно до 262 144 токенов. Модель предназначена для рассуждений о коде, его написания и дополнения, отладки, проектирования алгоритмов и понимания программ. Она обучена на программных данных с трассами рассуждений и ориентирована на многошаговый цикл: первоначальная реализация, самопроверка на ошибки и улучшение итогового решения. Также заявлена поддержка сценариев с агентными инструментами. Модель рассчитана на задачи разработки с несколькими языками программирования; метаданные указывают английский язык. Карточка описывает её как uncensored и предназначенную для исследований и экспериментов. Лицензия — Apache-2.0. Качество рассуждений и работы с инструментами зависит от запроса и настроек инференса; отдельные результаты оценки в карточке не приведены.

Карточка модели roskosmos19/Rhea-4B-Coding-max-1809 на Hugging Face совпадает с карточкой roskosmos19/Orca-2-4B-Coding-max, поэтому описание составлено по ней. Rhea-4B-Coding — дообученная Roskosmos19 модель для программирования на базе Aquiles-ai/Athenea-4B-Coding. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров; она работает через Transformers, принимает текст и генерирует текст. В карточке заявлено контекстное окно до 262 144 токенов. Модель предназначена для рассуждений о коде, его написания и дополнения, отладки, проектирования алгоритмов и понимания программ. Она обучена на программных данных с трассами рассуждений и ориентирована на многошаговый цикл: первоначальная реализация, самопроверка на ошибки и улучшение итогового решения. Также заявлена поддержка сценариев с агентными инструментами. Модель рассчитана на задачи разработки с несколькими языками программирования; метаданные указывают английский язык. Карточка описывает её как uncensored и предназначенную для исследований и экспериментов. Лицензия — Apache-2.0. Качество рассуждений и работы с инструментами зависит от запроса и настроек инференса; отдельные результаты оценки в карточке не приведены.

Карточка модели Rohit129/rohit-setfit-model на Hugging Face совпадает с карточкой lewtun/my-awesome-setfit-model, поэтому описание составлено по ней. lewtun/my-awesome-setfit-model — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения смысловой близости текстов. Модель подходит для семантического поиска и кластеризации текстов, а также для получения эмбеддингов, используемых в других системах. В README указано обучение с функцией потерь CosineSimilarityLoss. Для применения описана работа через Sentence-Transformers или Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Модель принимает текст и выдаёт векторы. В карточке нет сведений о лицензии или целевых языках, поэтому определить условия использования и языковую специализацию по доступным данным нельзя.

RoLASER-v2 — вторая версия модели Sentence Transformer от lydianish для преобразования предложений и абзацев в плотные векторные представления размерностью 1024. Модель основана на XLM-RoBERTa и дообучена на базе cardiffnlp/twitter-xlm-roberta-base; она использует косинусное сходство для сравнения текстов и принимает последовательности длиной до 514 токенов. Модель предназначена для семантического поиска и сравнения предложений, поиска перефразировок, классификации текстов и кластеризации. В метаданных указаны английский и французский языки, а также лицензия BSD 3-Clause. В README и метаданных не приведены результаты оценивания качества или специальные ограничения применения.