II.8Инженерия данных и аналитика

aapot/bge-m3-onnx — это ONNX-конверсия модели BGE-M3, первоначально разработанной BAAI, подготовленная с использованием HF Optimum для запуска через ONNX Runtime. Модель основана на архитектуре XLM-RoBERTa, содержит около 658,7 млн параметров и поддерживает контекст до 8194 токенов. Модель предназначена для построения векторных представлений текста в задачах семантического поиска и сопоставления текстов. Она одновременно формирует плотные embedding-векторы, разреженные лексические представления и ColBERT-представления для много-векторного взаимодействия. Плотные и ColBERT-представления нормализованы аналогично стандартному поведению библиотеки FlagEmbedding. Граф модели оптимизирован на уровне O2, что рассчитано на эффективное выполнение в ONNX Runtime. Модель подходит для семантического поиска, гибридного поиска, ранжирования документов и поиска похожих текстов. Для токенизации можно использовать Transformers, а для инференса — ONNX Runtime. Модель распространяется по лицензии MIT. Она генерирует embedding-представления, а не готовый текст, поэтому не предназначена для диалоговой генерации или прямого ответа на вопросы.

BidirLM-Omni-2.5B — мультимодальная модель семейства BidirLM, представленная разработчиком BidirLM. Это двунаправленный энкодер на 2,5 млрд параметров, который кодирует текст, изображения и аудио в общее пространство эмбеддингов размерностью 2048. Модель предназначена для поиска между разными модальностями, оценки семантического сходства, кластеризации и классификации. Для текстовых задач её также можно дообучать для классификации последовательностей, разметки токенов и регрессии. Модель поддерживает более 119 языков; контекст для текста — до 32 тысяч токенов. Для работы с аудио принимаются массивы отсчётов с разной частотой дискретизации, которые приводятся к 16 кГц. В README отмечены среднее пулингование и необходимость загружать пользовательский код репозитория. Для ускорения обучения и инференса требуется cuDNN версии выше 9.20.0: более ранние версии могут существенно замедлять работу из-за ошибки NVIDIA Conv3D. Распространяется по лицензии Apache-2.0.

EIDORA/CLIP_VITB32 — лёгкая модель для получения векторных представлений изображений. Пакет разработан EIDORA на основе оригинальной модели OpenAI CLIP ViT-B/32 и экспортирован в формат ONNX для выполнения через ONNX Runtime. Модель предназначена для быстрого визуального группирования, поиска, извлечения похожих изображений, построения карт обнаружения и других embedding-сценариев, особенно на ноутбуках и в крупных проектах с первичной обработкой коллекций. Модель принимает изображение и возвращает нормализованный float32-вектор размерности 512, предназначенный для сравнения по cosine similarity. Используется центральное кадрирование, масштабирование значений на 1/255 и нормализация внутри ONNX-графа. К сильным сторонам относятся небольшой размер загрузки, низкое потребление памяти и высокая скорость работы на CPU. Ограничения включают меньшую пригодность для тонкого визуального сходства и специализированных предметных областей, а также возможное отражение смещений веб-данных, на которых обучалась исходная CLIP. Результаты сходства не следует использовать как единственное доказательство идентичности, авторства, намерений или чувствительных атрибутов. Пакет распространяется по лицензии MIT; EIDORA является разработчиком ONNX-конвертации, а не исходной модели.

CodeLlama 7B Instruct — языковая модель для генерации и объяснения программного кода, разработанная Meta. Данный репозиторий TheBloke содержит её файлы в формате GGUF, предназначенные для локального запуска и инференса через llama.cpp и совместимые интерфейсы. Модель относится к семейству Llama и имеет около 7 миллиардов параметров. Модель ориентирована на решение задач программирования по текстовому описанию, включая генерацию кода с учётом ограничений и примеров тестов. Указана модальность работы с кодом; конкретный перечень поддерживаемых языков программирования и размер контекстного окна в README не приведены. Доступны варианты квантования от 2 до 8 бит, что позволяет выбирать баланс между требованиями к памяти, скоростью и сохранением качества, однако более агрессивное квантование может снижать точность результатов. Файлы совместимы с llama.cpp и рядом сторонних приложений и библиотек, включая text-generation-webui, LM Studio, KoboldCpp, ctransformers и llama-cpp-python. Модель распространяется по лицензии Llama 2. Для использования требуется программное окружение, поддерживающее GGUF; характеристики конкретного запуска зависят от выбранного варианта квантования и аппаратной конфигурации.

CodeShell-7B — базовая языковая модель для программирования, разработанная Лабораторией знаний и вычислений Пекинского университета совместно с командой ИИ Сычуаньского Тяньфу Банка. Модель содержит 7 млрд параметров и обучена с нуля на 500 млрд токенов. В основе — архитектура GPT-2 с Grouped-Query Attention и позиционным кодированием RoPE; окно контекста составляет около 8 тыс. токенов. Репозиторий содержит веса в формате Safetensors. Модель предназначена для генерации и продолжения кода, в том числе с заполнением пропусков в середине фрагмента (Fill-in-the-Middle). Она ориентирована на помощь при разработке ПО: карточка также описывает сценарии поиска дефектов, их исправления и генерации тестов. Авторы сообщают о результатах на HumanEval и MBPP и указывают поддержку многоязычного кода; сопутствующие плагины для VS Code и IntelliJ доступны отдельно. Карточка не содержит сведений о лицензии, поэтому условия использования по ней определить нельзя. Авторы предупреждают о необходимости соблюдать требования безопасности и законодательства и не применять модель в интернет-сервисах без надлежащей проверки и регистрации. Как и другие генеративные модели кода, она может выдавать неверный или небезопасный код; результаты следует проверять.

Codestral-22B-v0.1-IMat-GGUF — GGUF-квантизированная версия Codestral-22B-v0.1, разработанного Mistral AI и подготовленная legraphista. Модель предназначена для генерации и работы с программным кодом, включая сценарии автодополнения и Fill In the Middle (FIM); в этой сборке исправлены отсутствующие FIM-токены. Указанный pipeline относится к генерации текста, а заявленный язык — code. Модель основана на версии размером 22B параметров с исходным форматом BF16 и преобразована с использованием llama.cpp. Доступны варианты GGUF от BF16 и FP16 до Q2_K, включая Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и IQ-квантизации. Для ряда вариантов применена IMatrix-квантизация, призванная улучшить сохранение качества при уменьшении размера; размеры файлов варьируются примерно от 8,27 до 44,5 ГБ. Формат GGUF подходит для запуска в совместимом программном обеспечении, включая llama.cpp. Сильными сторонами являются специализация на коде, поддержка FIM и широкий выбор уровней квантизации для компромисса между качеством и требованиями к памяти. Ограничения включают отсутствие в предоставленных данных сведений о конкретной архитектуре, размере контекста, перечне естественных языков, результатах бенчмарков и характеристиках производительности; качество также зависит от выбранного варианта квантизации и оборудования. Лицензия указана как MNPL-0.1; условия следует уточнять в тексте лицензии Mistral AI.

Карточка модели TouchNight/cognitivecomputations_dolphin-2.9.2-qwen2-7b на Hugging Face совпадает с карточкой dphn/dolphin-2.9.2-qwen2-7b, поэтому описание составлено по ней. Dolphin 2.9.2 Qwen2 7B — разговорная языковая модель, созданная Eric Hartford, Lucas Atkins, Fernando Fernandes и командой Cognitive Computations на основе Qwen2-7B. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, дообученная на инструктивных, диалоговых и программных данных. В карточке заявлены навыки ответов на инструкции, ведения беседы, программирования, начальные агентные возможности и вызов функций. Модель предназначена для генерации текста в формате чата, помощи с кодом и выполнения запросов к функциям. Базовая модель поддерживает контекст до 128 тысяч токенов, однако полновесное дообучение Dolphin проводилось на последовательностях длиной 16 тысяч токенов. Репозиторий использует формат safetensors; метаданные указывают библиотеку Transformers. Модель описана авторами как uncensored и более склонная выполнять запросы, включая небезопасные. Для публичного сервиса рекомендуется самостоятельно добавить слой выравнивания поведения. Лицензия — Tongyi Qianwen; README допускает коммерческое использование при соблюдении её условий.

DeepSeek Coder 7B Instruct v1.5 GGUF — это набор GGUF-квантованных версий модели DeepSeek Coder 7B Instruct v1.5, разработанной DeepSeek и преобразованной для локального запуска в репозитории Edmon02. Модель предназначена прежде всего для генерации и редактирования кода, работы локальных ассистентов в IDE и CLI, автономных агентов и офлайн-разработки без API-ключей. Для запуска подходят llama.cpp, LM Studio, KoboldCPP, llamafile и другие GGUF-совместимые среды. Модель относится к семейству архитектур LLaMA, имеет размер 7B параметров и поддерживает контекст до 4096 токенов. Это текстовая instruct-модель с шаблоном общения через секции «### Instruction» и «### Response». В репозитории представлены 14 вариантов квантования IQ и K, включая Q2_K, Q4_K_M, Q6_K и Q8_0, с размером примерно от 2,5 до 7,35 ГБ. Q4_K_M позиционируется как оптимальный баланс качества и размера, а Q8_0 — как вариант с наивысшим качеством среди доступных. Сильными сторонами являются возможность автономного запуска, широкий выбор квантований под разные объёмы VRAM и специализация на задачах программирования. Ограничения включают контекст 4096 токенов, возможное снижение точности синтаксиса у низкобитных квантований на длинном коде, небольшие различия между версиями квантования и отсутствие гарантированного соответствия облачным API DeepSeek. Модель не предназначена для тонкой настройки непосредственно в формате GGUF и может отказываться от запросов, не связанных с кодом. Лицензия указана как other с названием deepseek; подробные условия приведены в лицензии DeepSeek.

DeepSeek-Coder-V2-Instruct-FP8 — квантизированная версия DeepSeek-Coder-V2-Instruct, разработанная Neural Magic. Это текстовая causal language model с текстовым вводом и выводом, предназначенная для коммерческого и исследовательского использования, прежде всего в сценариях ассистентского чата на английском языке. Модель ориентирована на задачи генерации и обработки кода; в README также приведён результат 88,98 на бенчмарке HumanEval+. В модели применена FP8-квантизация весов и активаций линейных операторов внутри transformer-блоков. Используется симметричная поканальная для всего тензора квантизация с единым линейным масштабированием; экспертные gate-модули сохранены в исходной точности. Переход с 16 на 8 бит примерно вдвое уменьшает размер на диске и требования к памяти GPU: модель может загружаться на 4 GPU H100 вместо 8. Версия подготовлена для инференса через vLLM версии 0.5.2 и новее; в примере конфигурации указана максимальная длина контекста 4096 токенов. К сильным сторонам относятся снижение потребления памяти и возможность более доступного развертывания при сохранении сопоставимого качества с исходной моделью. Ограничения включают заявленную поддержку только английского языка, необходимость совместимого окружения vLLM и GPU-инфраструктуры, а также отсутствие в README сведений о точном числе параметров и полной мультиязычной поддержке. Модель распространяется по лицензии deepseek-license; условия следует уточнять в тексте лицензии DeepSeek.

mrm8488 разработал англоязычную модель Sentence Transformer на основе distilbert/distilroberta-base, дообучив её на наборе sentence-transformers/all-nli. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и сравнивает их по косинусному сходству; архитектура включает RoBERTa и усреднение токенных представлений. Модель содержит 95,2 млн параметров и обрабатывает последовательности длиной до 514 токенов по метаданным Hugging Face. Модель предназначена для оценки семантической близости текстов, семантического поиска, поиска перефразирований, кластеризации и подготовки векторов для классификации текста. Обучение с MatryoshkaLoss позволяет использовать укороченные представления; в README приведены результаты оценки сходства для размерностей от 16 до 768. Модель ориентирована на английский язык и выдаёт векторы, а не готовые текстовые ответы. Лицензия в предоставленных данных не указана.

Dolphin 2.9.2 Phi 3 Medium (Abliterated) — разговорная языковая модель, подготовленная Eric Hartford, Lucas Atkins, Fernando Fernandes и сообществом Cognitive Computations; подавление отказов выполнено FailSpy. Модель дообучена методом qLoRA на базе unsloth/Phi-3-mini-4k-instruct, а затем изменена для снижения частоты отказов. В метаданных указаны плотная архитектура MistralForCausalLM, 13,8 млрд параметров и контекст 4096 токенов; модель распространяется в формате safetensors. Модель предназначена для диалогов и выполнения инструкций, в том числе задач программирования и математики. В README также заявлены начальные агентные возможности и поддержка вызова функций; используется шаблон ChatML. В карточке указаны английский язык и наборы данных для инструкций, диалогов, кода и математики. MIT-лицензия. Модель специально настроена на более высокую готовность отвечать и может давать нежелательные ответы; авторы рекомендуют добавить собственный слой выравнивания перед предоставлением модели как сервиса. README предупреждает, что после изменения модели часть отказов базовой модели могла сохраниться.

nthakur/dragon-roberta-context-encoder — порт модели facebook/dragon-roberta-context-encoder в формат Sentence-Transformers. Это плотный энкодер на архитектуре RoBERTa с 151,8 млн параметров, который преобразует предложения и абзацы в векторы размерности 768. Модель предназначена для семантического поиска, сравнения текстов и кластеризации; для корректного получения представлений при использовании Transformers требуется подходящая операция pooling. Модель принимает текст и выдаёт векторные представления. Максимальная длина контекста составляет 514 токенов. В метаданных указан датасет MS MARCO, а карточка описывает модель как порт DRAGON. Лицензия в предоставленных данных не указана.

Dream-Coder-v0-Instruct-7B — диффузионная языковая модель для генерации кода, разработанная Dream-org. Модель на 7,1 млрд параметров обучалась на открытых данных в несколько этапов: адаптация, обучение по инструкциям и обучение с подкреплением. Она предназначена для диалогового взаимодействия и решения задач программирования; заявленный результат на LiveCodeBench (2410–2505) составляет 21,4% pass@1. Модель использует плотную архитектуру семейства Dream и принимает текст, выдавая текст. Контекстное окно — 32 768 токенов. В README приведён пример запуска через Transformers; метаданные также указывают интерфейс для вызова инструментов. Модель доступна по лицензии Apache-2.0. Заявленный результат LiveCodeBench не гарантирует аналогичного качества на других задачах или наборах данных.

droplychee/droplychee-code-big — дообученная модель разработчика droplychee на базе Qwen/Qwen3-Coder-Next. Это языковая MoE-модель с архитектурой Qwen3-Next, предназначенная для генерации кода и работы в составе кодирующих агентов; поддерживает диалоговый режим и интерфейс вызова инструментов. Модель содержит 2,3 млрд параметров и поддерживает контекст до 262 144 токенов. README указывает, что обучение проводилось с использованием Unsloth и библиотеки TRL для ускорения процесса. Модель принимает текст и генерирует текст, в том числе код; в метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Данных о специальных ограничениях качества или области применения в карточке нет.

hxssgaa/dstc_setfit — модель эмбеддингов предложений на базе MPNet, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации. Веса содержат около 136,7 млн параметров, модель принимает текст и рассчитана на контекст до 514 токенов. Модель можно применять для поиска похожих фраз и документов, оценки семантического сходства и группировки текстов по смыслу. Она обучалась с CosineSimilarityLoss; репозиторий содержит веса PyTorch. В README не указаны языки обучения или лицензия, поэтому нельзя определить языковую специализацию и условия использования.

E5-base-v2-t2t — адаптированная для нидерландского языка модель эмбеддингов на основе intfloat/e5-base-v2. Разработчики создали её с помощью transtokenizer: токенизатор взят из BERTje, а эмбеддинги токенов целевого языка инициализированы взвешенным усреднением семантически близких эмбеддингов исходной модели. Модель содержит 136,3 млн параметров, использует архитектуру BERT и библиотеку sentence-transformers; максимальная длина контекста — 512 токенов. Модель предназначена для получения векторных представлений нидерландских текстов и их семантического сравнения. Её можно применять для поиска документов по смыслу, сопоставления запросов и фрагментов текста, ранжирования passage-кандидатов и задач классификации или кластеризации текста. В README приведены результаты оценки на нидерландском бенчмарке MTEB-NL, но численные результаты для этой версии модели не указаны. Лицензия — MIT. Карточка описывает адаптацию токенизатора и эмбеддингов для нидерландского языка; она не заявляет о генерации связных ответов, поэтому тег text-generation в метаданных не следует трактовать как подтверждённую генеративную функцию.

embedder-100p — двуязычная модель эмбеддингов от автора @bayang, созданная на основе bi-encoder из семейства XLM-RoBERTa и Sentence-Transformers. Модель содержит 305,2 млн параметров и преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости. Модель предназначена для семантического поиска и кластеризации текстов на английском и немецком языках. Она обучалась на более чем 20 ГБ немецких текстовых данных с применением дистилляции, чтобы получить двуязычные эмбеддинги; заявленный контекст — 514 токенов. Доступны веса PyTorch и Safetensors. Для получения векторов можно использовать Sentence-Transformers либо Transformers с соответствующей операцией pooling. Карточка не сообщает результатов оценки MTEB, поэтому качество на конкретных наборах данных по ней оценить нельзя. Лицензия в предоставленных данных не указана.

jangedoo/embeddinggemma-300m-pruned — версия Google DeepMind embeddinggemma-300m с сокращённой таблицей токенов, представленная автором репозитория как модель с pruning токенов. Она создаёт текстовые эмбеддинги для семантического поиска, сравнения предложений и других задач, основанных на близости векторов; применять её можно через Sentence Transformers. Архитектура — плотная Gemma 3 Text, размер — около 246 млн параметров по метаданным, контекст — 2048 токенов. Репозиторий содержит веса Safetensors. По README, размер словаря сокращён примерно на 28%, а общее число параметров — примерно на 18% относительно базовой модели. В приведённых оценках STS-B и NanoBEIR pruned-версия уступает базовой по указанным метрикам. Базовая модель описана как многоязычная, но конкретный перечень языков в данных не приведён. Лицензия в доступных сведениях не указана.

spacemanidol/esci-mpnet-crossencoder — модель на базе MPNet, выпущенная сообществом spacemanidol и предназначенная для преобразования предложений и абзацев в плотные векторы размерностью 768. Модель содержит 136,7 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и доступна в формате PyTorch. Векторы можно применять для семантического поиска и кластеризации текстов. README указывает на обучение с функцией потерь CosineSimilarityLoss; метаданные также отмечают поддержку извлечения признаков и сходства предложений. Лицензия в предоставленных данных не указана.

Eurus-7B-SFT — языковая модель с открытыми весами, разработанная OpenBMB и дообученная на базе Mistral-7B. Она предназначена для генерации ответов с упором на рассуждения, в том числе для задач программирования и математики; также поддерживает диалог. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и имеет контекст длиной до 32 768 токенов. Для дообучения использованы корректные действия из UltraInteract-SFT и небольшая доля примеров UltraChat, ShareGPT и OpenOrca. В карточке авторы сообщают о высоких результатах среди открытых моделей сопоставимого размера; это заявление основано на их оценке и не гарантирует качество на конкретных задачах. Для программирования и математики рекомендуется формат промптов из UltraInteract. Модель распространяется в формате safetensors по лицензии Apache-2.0. Как и другие генеративные языковые модели, она может ошибаться в рассуждениях, вычислениях и коде; результаты следует проверять.

Это порт модели Facebook DPR question encoder в формат Sentence-Transformers. Модель на архитектуре BERT с 136,7 млн параметров преобразует предложения и абзацы в плотные векторы размерности 768; максимальная длина контекста — 512 токенов. Модель предназначена для получения эмбеддингов текста, которые можно использовать для семантического поиска и кластеризации. Она принимает текст и выдаёт векторное представление; для корректной работы через Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Лицензия — Apache-2.0.

ingeol/facets2_abl_num2_5 — модель на базе MPNet, представленная как sentence-transformers-модель. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 136,7 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста составляет 514 токенов. В README указано обучение с функцией потерь BPRLoss из BEIR. Доступен формат safetensors. Язык обучения или целевой язык не указан, поэтому языковую специализацию установить нельзя. Лицензия в предоставленных данных не указана.

FlowVec-v1 — мультиязычная модель текстовых эмбеддингов от LingoIITGN, дообученная на базе Qwen/Qwen3-Embedding-8B с помощью трёхэтапного рецепта LoRA и дистилляции относительно замороженной базовой модели. Она предназначена для семантического поиска, ранжирования, кластеризации и сопоставления текстов на индийских языках. Модель использует архитектуру Qwen3 с 7,6 млрд параметров, извлекает векторы размерности 4096 посредством пулинга последнего токена и L2-нормализации. В README указана максимальная длина последовательности 512 токенов; метаданные базовой модели указывают контекст 40960 токенов. Обучение охватывает retrieval, bitext, классификацию, NLI и кластеризацию; модель оценивалась на MTEB(Indic, v1). В README приведены сильные результаты для поиска и ранжирования, но оценки следует трактовать с учётом пересечения обучающих данных с двумя задачами и подбора инструкций на самом бенчмарке. Для подходящих задач важно передавать prompt_name; при поиске и ранжировании запросы кодируются с инструкцией, а документы — без неё. Модель принимает текст и выдаёт эмбеддинги. Лицензия — Apache 2.0.

Карточка модели DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_60000 на Hugging Face совпадает с карточкой DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_90000, поэтому описание составлено по ней. FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_90000 — модель на базе RoBERTa, разработанная DragosGorduza. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, кластеризации и сравнения семантической близости. Обучение использовало MarginDistillationLoss из gpl.toolkit; модель распространяется в формате safetensors и рассчитана на работу с библиотекой Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 151,8 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Карточка не сообщает конкретные поддерживаемые языки, поэтому языковую специализацию определить нельзя. Лицензия в предоставленных данных не указана.

TIGER-Lab разработала General-Reasoner-Qwen2.5-14B — дообученную причинно-следственную языковую модель семейства Qwen2.5 с 14 млрд параметров. Она предназначена для диалоговой генерации текста и решения задач, требующих рассуждений в разных областях: математике, программировании, физике, химии, финансах и гуманитарных дисциплинах. Модель обучена на наборе из более чем 230 тысяч проверяемых вопросов; подход General-Reasoner использует проверку ответов компактной генеративной моделью-верификатором и не включает отдельный этап RL-обучения. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов и рассчитана прежде всего на английский язык. Репозиторий использует формат safetensors и библиотеку Transformers; метаданные указывают интерфейс для диалога и вызова инструментов. Лицензия — Apache-2.0. Карточка сообщает о результатах на нескольких бенчмарках, но не приводит конкретных значений в предоставленном фрагменте; ответы модели могут требовать проверки.

GLiClass Multilang Edge от Knowledgator — компактная модель семейства GLiClass для классификации последовательностей с произвольными метками в zero-shot и few-shot режимах. Модель насчитывает около 140 млн параметров и предназначена для эффективной классификации текста; карточка указывает архитектуру GLiClassModel и формат safetensors. Модель поддерживает тематическую и тональную классификацию, определение намерений, проверку следования правилам и безопасности LLM, выявление галлюцинаций, NLI и оценку релевантности текстовых фрагментов. Можно задавать описания меток, пользовательские инструкции и иерархии меток; текст и метки могут быть на разных языках. По карточке, модель обучена для 20 языков: шведского, норвежского, чешского, польского, литовского, эстонского, латышского, испанского, финского, немецкого, французского, румынского, итальянского, португальского, нидерландского, украинского, хинди, китайского, арабского и иврита. Английский также присутствует в метках языков карточки. Небольшой размер обеспечивает высокую скорость: в тесте автора средняя пропускная способность составила 553,6 примера в секунду при пакетной обработке на RTX PRO 6000 Blackwell. Качество зависит от языка и задачи; приведённые в карточке результаты показывают более низкие средние показатели Edge по сравнению с более крупными вариантами multilang-mini и multilang-ultra. Лицензия — Apache-2.0.

GLiClass X-Base — компактная мультиязычная модель классификации последовательностей от Knowledgator, построенная на основе mdeberta-v3-base. Она выполняет классификацию по заданным категориям в zero-shot режиме, используя один проход модели; разработчики отмечают вычислительную эффективность на уровне cross-encoder-подхода. Модель предназначена для классификации тем и тональности, а также для ранжирования текстов в RAG-системах. В README приведены результаты zero-shot оценки на общих и мультиязычных наборах данных. Обучение проводилось на синтетических и лицензированных данных, разрешающих коммерческое использование; лицензия репозитория — Apache-2.0. Модель принимает текст и возвращает оценки классов, поэтому качество зависит от формулировки категорий и языка входа. Показатели на приведённых наборах различаются; перед применением в конкретной предметной области их следует проверить на собственных данных.

Gonzo-Code-7B — объединённая языковая модель на базе Mistral-7B, созданная с помощью mergekit и метода DARE TIES. В объединение вошли Nondzu/Mistral-7B-Instruct-v0.2-code-ft, xingyaoww/CodeActAgent-Mistral-7b-v0.1 и beowolx/MistralHermes-CodePro-7B-v1; базовой моделью при слиянии указана eren23/ogno-monarch-jaskier-merge-7b-OH-PREF-DPO. Модель предназначена для генерации текста, включая ответы в диалоге и помощь с кодом. Архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. В метаданных указан английский язык; базовые модели включают варианты для программирования и выполнения действий через инструменты. Модель распространяется в формате safetensors под лицензией Apache-2.0. Карточка не приводит сравнительных оценок качества или подробных ограничений, поэтому пригодность для конкретного сценария следует проверять отдельно.

GPT-5.3-Codex — агентная модель OpenAI для программирования. В карточке она описана как сочетание возможностей GPT-5.2-Codex в разработке ПО с более широкими способностями к рассуждению и профессиональными знаниями GPT-5.2. Модель предназначена для задач разработки программного обеспечения и сценариев, где агент должен применять рассуждение при работе с кодом. README заявляет передовые результаты, но не приводит в предоставленном фрагменте конкретных оценок или технических характеристик. Сведения о лицензии, размерах модели, длине контекста и ограничениях применения в доступных материалах отсутствуют.

Granite-embedding-english-r2 — плотная двунаправленная модель-биэнкодер из семейства Granite Embeddings, разработанная командой Granite Embedding Team компании IBM. Она преобразует английские запросы, фрагменты и документы в векторы размером 768 для поиска, извлечения информации и сравнения текстов по косинусному сходству. Модель построена на архитектуре ModernBERT, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. Модель обучалась на открытых наборах пар релевантности с разрешительными лицензиями, а также на данных, собранных и созданных IBM. В обучении использовались retrieval-ориентированное предварительное обучение, контрастивное дообучение, дистилляция и объединение моделей. В README заявлены результаты на тестах поиска по текстам, коду, длинным документам, диалогам и таблицам. Репозиторий предоставляет форматы PyTorch, Safetensors, ONNX, OpenVINO и TensorFlow. Модель предназначена для применения в системах поиска и извлечения информации, включая подбор релевантных документов и построение векторных представлений для последующего сравнения. Она рассчитана только на английский язык; тексты длиннее 8192 токенов будут усечены. Распространяется по лицензии Apache 2.0.