II.8Инженерия данных и аналитика

LongLLaMA-Code-7B — языковая модель для генерации кода, разработанная командой LongLLaMA во главе с Шимоном Творковским. Это плотная авторегрессионная модель LongLLaMAForCausalLM на 6,6 млрд параметров, построенная на основе Code Llama и дообученная методом Focused Transformer (FoT) для работы с длинным контекстом. Репозиторий содержит веса PyTorch; модель выпущена как исследовательский предварительный релиз. Модель предназначена для генерации и продолжения кода, а также для рассуждений над длинными текстовыми и программными входами. В README указано, что обучение FoT проводилось на контекстах до 32 тысяч токенов, а механизм памяти позволяет расширять эффективный контекст; для LongLLaMA-Code приведён пример извлечения данных из последовательностей до 256 тысяч токенов. Метаданные каталога указывают нативный контекст в 4096 токенов. Метод обрабатывает длинные входы окнами и использует кэш памяти в выбранных слоях. В README отмечено улучшение результата на GSM8K с 13% до 17,4% после продолжения предобучения без дообучения на данных этой задачи. Модель ориентирована на код, однако количественные характеристики контекстного извлечения не гарантируют такое же качество на всех задачах и длинах. Лицензия указана как Llama 2; перед использованием следует проверить её условия и применимость к конкретному сценарию.

M3E-Large — текстовая модель эмбеддингов, разработанная MokaAI на базе архитектуры RoBERTa из серии моделей лаборатории HFL и распространяемая в формате PyTorch. Модель содержит 424,3 млн параметров, формирует плотные векторы размерности 768 и обрабатывает последовательности длиной до 512 токенов. Модель предназначена прежде всего для китайского текста и поддерживает ограниченные сценарии с английским. Она обучалась контрастивным методом с внутрипакетными отрицательными примерами на китайских парах предложений и английских триплетах; при кодировании может учитывать инструкции. Её применяют для оценки сходства текстов, поиска релевантных фрагментов по запросу и построения текстовых классификаторов на эмбеддингах. Модель совместима с Sentence Transformers и может использоваться в системах семантического поиска и RAG. В карточке приведены результаты сравнительных тестов сходства, классификации и поиска; качество зависит от данных и сценария, а для кода модель не предназначена. Контекст ограничен 512 токенами. Лицензия в доступных сведениях не указана.

marianodo/MegaBatchMarginLoss-10 — модель на базе MPNet, подготовленная в формате Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерностью 768. Она предназначена для семантического поиска, сравнения сходства текстов и кластеризации. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель работает с текстом и выдаёт эмбеддинги. При обучении использовалась функция потерь MegaBatchMarginLoss. Модель подходит для получения векторных представлений отдельных текстов, которые можно сравнивать или использовать в поисковых и кластеризационных системах. README не сообщает, на каких языках и данных она обучалась, поэтому языковую специализацию определить нельзя. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

Muzian/minimind-embedding-moe — компактная модель для получения текстовых эмбеддингов, разработанная на базе MiniMind-3-MoE. Это причинный декодер с четырьмя экспертами и маршрутизацией top-1: всего 198 млн параметров, из которых для каждого токена активны около 64 млн. Обучение использует рецепт Qwen3-Embedding: pooling по последнему токену, контрастивную функцию InfoNCE с маскированием ложных негативов и MRL для получения эмбеддингов разной размерности. Модель предназначена для сравнения семантической близости текстов и поиска по смыслу; заявленный контекст — 32 768 токенов. В README приведены результаты на китайском бенчмарке C-MTEB STS, где MoE-версия уступает плотной MiniMind-Embedding на 0,056 в среднем. Метаданные указывают китайский и английский языки. Модель опубликована в формате safetensors, для использования предлагается библиотека Sentence Transformers. Лицензия — Apache-2.0.

mMiniLMv2-L6-H384 — повторная публикация Microsoft Multilingual MiniLM v2 пользователем hotchpotch для более удобного использования через библиотеку Transformers. Это плотная модель семейства XLM-RoBERTa с 110,2 млн параметров, предназначенная для извлечения признаков из текста. Максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса в формате safetensors. Модель можно использовать как основу для получения текстовых представлений в мультиязычных сценариях. README указывает на предварительно обученную Multilingual MiniLM v2; языки отдельно не перечислены. Модель распространяется по лицензии MIT. Авторы просят указывать авторство оригинальной модели.

Карточка модели jfarray/Model_dccuchile_bert-base-spanish-wwm-uncased_100_Epochs на Hugging Face совпадает с карточкой jfarray/Model_bert-base-multilingual-uncased_100_Epochs, поэтому описание составлено по ней. jfarray/Model_bert-base-multilingual-uncased_100_Epochs — модель на базе BERT, обученная библиотекой Sentence-Transformers для преобразования предложений и абзацев в плотные векторы размерностью 256. Она предназначена для семантического поиска и кластеризации текстов; оценки сходства предложений также входят в задачи модели. Архитектура содержит около 194,6 млн параметров, модель принимает текст и выдаёт эмбеддинги. Максимальная длина контекста — 512 токенов. Модель можно применять для поиска похожих фрагментов, группировки текстов и сравнения смысловой близости предложений. В карточке указано обучение с CosineSimilarityLoss. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

nickprock/ModernBERT-base-sts — англоязычная модель Sentence Transformer, дообученная автором на answerdotai/ModernBERT-base с использованием датасета STSB и функции потерь CoSENTLoss. Она кодирует предложения и абзацы в плотные векторы размерности 768, а сходство между ними оценивается косинусной мерой. Модель построена на ModernBERT и принимает последовательности длиной до 8192 токенов. Модель предназначена прежде всего для оценки семантического сходства предложений; её также можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В README приведены результаты на STS-dev и STS-test: Spearman по косинусному сходству составляет 0,8877 и 0,8684 соответственно. Обучение и оценка описаны для английского языка, поэтому качество на других языках не подтверждено. Лицензия в предоставленных данных не указана.

nickprock/ModernBERT-large-sts — англоязычная Sentence Transformer-модель, созданная авторами репозитория дообучением answerdotai/ModernBERT-large на датасете STS Benchmark (STSB). Она кодирует предложения и абзацы в плотные векторы размерностью 1024 и предназначена для оценки семантической близости по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из энкодера ModernBERT-large и слоя mean pooling; максимальная длина последовательности — 8192 токена. В README приведены значения Spearman для STS: 0,8877 на sts-dev и 0,8678 на sts-test. Модель принимает текст и выдаёт векторные представления. Обучение на STSB ориентирует её на англоязычные задачи семантического сходства; качество на других языках и специализированных доменах в предоставленных данных не охарактеризовано. Для использования доступны веса в формате Safetensors; лицензия в предоставленных сведениях не указана.

Карточка модели sangmini/msmarco-cocondensor-MiniLM-L12_en-ko-ja на Hugging Face совпадает с карточкой sangmini/msmarco-cotmae-MiniLM-L12_en-ko-ja, поэтому описание составлено по ней. sangmini/msmarco-cotmae-MiniLM-L12_en-ko-ja — модель Sentence-Transformers для преобразования предложений и абзацев в плотные векторные представления размерности 1536. Её можно применять для семантического поиска и кластеризации текстов. Модель построена на архитектуре BERT и содержит 124,3 млн параметров; максимальная длина контекста составляет 512 токенов. В карточке указано обучение с функцией потерь MSELoss. Репозиторий содержит веса в формате PyTorch. Лицензия в доступных данных не указана. Оценка на конкретных наборах или ограничения качества в карточке не описаны.

MyAwesomeModel — модель из репозитория safaf45252/MyAwesomeModel-TestRepo, опубликованная для работы с библиотекой Transformers. В метаданных Hugging Face она классифицирована как feature-extraction и помечена тегами BERT, PyTorch и Transformers, поэтому её основное назначение — преобразование текста в информативные векторные представления для последующего анализа и машинного обучения. Такие представления можно использовать для семантического поиска, сравнения текстов, классификации, кластеризации и построения систем, работающих с текстовыми признаками. README также заявляет улучшения в рассуждениях, программировании, математике, диалогах и других генеративных сценариях, однако эти характеристики не согласуются с указанным pipeline_tag и не подтверждают совместимость модели с задачей text-generation. Модель распространяется по лицензии MIT. Размер, длина контекста, поддерживаемые естественные языки и точная архитектура в доступных данных не определены; тег BERT указывает на семейство или совместимость, но не позволяет установить конкретную конфигурацию.

erickrribeiro/my-embedding-gemma — модель Sentence Transformer, дообученная на базе google/embeddinggemma-300m. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству. Модель содержит 302,8 млн параметров, принимает текстовые последовательности длиной до 2048 токенов и рассчитана на работу через библиотеку Sentence Transformers. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, классификации и кластеризации. В README описан обучающий набор из трёх примеров на португальском языке; этого мало, чтобы судить о широте языкового покрытия или обобщающей способности именно этой дообученной версии. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Nanbeige/Nanbeige4.2-3B-DSpark — веса DSpark для модели Nanbeige4.2-3B, разработанной Nanbeige на основе Nanbeige4.2-3B-Base. Репозиторий предназначен для использования вместе с Nanbeige4.2-3B и заявлен как способ ускорить инференс. Модель относится к семейству Qwen3, использует плотную архитектуру; класс реализации — Qwen3DSparkModel. В метаданных указаны 1,1 млрд параметров, контекст 262 144 токена и формат safetensors. Модель ориентирована на генерацию текста, рассуждения, работу с инструментами и многошаговые сценарии: общие агентные задачи, программирование, офисные процессы и персональный помощник. В README также описаны математические и научные рассуждения. Заявленная разработчиком поддержка английского и китайского языков; README отмечает, что для агентных и инструментальных сценариев применяются соответствующие шаблон чата и внешняя среда-исполнитель. Модель дообучена от Nanbeige/Nanbeige4.2-3B-Base и распространяется по лицензии Apache-2.0. README предупреждает о возможных неточных, предвзятых, дискриминационных или иных вредных ответах. Утверждения о скорости и результатах бенчмарков приведены разработчиком; фактическая производительность зависит от среды запуска и интеграции.

Nemotron-3-Embed-1B GGUF — это модель для создания текстовых эмбеддингов, основанная на Nemotron-3-Embed-1B-BF16 от NVIDIA и преобразованная в формат GGUF для использования с llama.cpp. Она предназначена для семантического поиска, построения retrieval-систем, сопоставления текстов, кластеризации и других задач, где требуется сравнивать смысловое сходство текстовых фрагментов. Модель использует архитектуру mistral3 (Ministral3): 16 слоёв, скрытое представление размером 2048, 24 Q-heads и 8 KV-heads. Заявлен контекст до 262 тысяч токенов с поддержкой YaRN. Для получения эмбеддингов применяются mean pooling и L2-нормализация. Доступны варианты BF16 размером около 2,2 ГБ и Q8_0 размером около 1,2 ГБ. Поддерживаемые языки и другие модальности в README не указаны. Сильной стороной модели является совместимость с llama.cpp и возможность локального запуска в формате GGUF, включая экономичный вариант Q8_0. Для полного совпадения исходных векторов с реализацией Hugging Face необходимо отключить автоматическое добавление BOS-токена; при стандартной настройке качество поиска, согласно README, не меняется, хотя сами векторы немного отличаются. Лицензия — openmdw-1.1.

NLLB-LLM2Vec — мультиязычная модель для получения векторных представлений текста, разработанная как расширение LLM2Vec с помощью самосупервизируемой дистилляции. Она использует энкодер NLLB-600M и основана на LLM2Vec-Meta-Llama-31-8B-Instruct-mntp-unsup-simcse; при обучении подгонялись проекция и LoRA-адаптеры, а целевые представления получали из исходной LLM2Vec. Репозиторий распространяет вариант, который ещё не дообучали на прикладных задачах. Модель предназначена для мультиязычных задач понимания естественного языка, включая поиск по смыслу и извлечение информации; её можно дообучать для классификации последовательностей и токенов. Для неруководимого поиска авторы допускают применение без дообучения, а для других задач рекомендуют обучение на размеченных данных. При работе необходимо передавать правильный код языка NLLB в параметре src_lang. Поддерживается более 200 языков. Модель доступна под лицензией MIT.

North Mini Code — открытая модель весов для генерации кода, агентной разработки программного обеспечения и выполнения задач в терминале, разработанная Cohere и Cohere Labs. Репозиторий unsloth/North-Mini-Code-1.0 содержит производную версию базовой модели CohereLabs/North-Mini-Code-1.0; метаданные указывают 1,2 млрд параметров, тогда как README базовой модели описывает конфигурацию на 30 млрд параметров, из которых активны 3 млрд. Это расхождение в размере может отражать различия между репозиториями, поэтому размер самой версии Unsloth следует трактовать по метаданным. Модель построена на декодерном Transformer с разреженной архитектурой Mixture-of-Experts и предназначена для текстового ввода и генерации текста. Она поддерживает контекст до 500 тыс. токенов согласно метаданным; README базовой модели приводит 256 тыс. токенов контекста и до 64 тыс. токенов вывода. Модель обучалась для агентного программирования и поддерживает интерфейс вызова инструментов, включая сценарии работы с терминалом. Карточка базовой модели сообщает о двухэтапном дообучении SFT и RLVR. Модель подходит для генерации кода, решения задач разработки с использованием инструментов и выполнения терминальных заданий. Она распространяется по лицензии Apache 2.0. Для запуска README рекомендует актуальные исходные версии Transformers или vLLM; точные результаты могут зависеть от среды и настроек генерации.

ENOSYS/Octen-Embedding-0.6B-750-v1-GGUF — экспериментальная GGUF-квантизация модели Octen/Octen-Embedding-0.6B, опубликованная ENOSYS. Репозиторий описывает квантизацию с целевым числом бит на вес, созданную с использованием нестандартной ветки LLaMA.cpp и калибровочных данных на английском и русском языках; для тензоров использован формат F16, совместимый с архитектурой Nvidia Pascal, включая P100. Модель предназначена для получения текстовых эмбеддингов и задач семантического сходства, включая поиск и извлечение информации. Метаданные указывают на поддержку английского, русского и других языков, а также на библиотеку Sentence Transformers. README приводит сравнение вариантов квантизации по показателям perplexity и KLD, но не описывает конкретную конфигурацию этого репозитория среди приведённых результатов. Лицензия — Apache-2.0. Это производная квантованная версия базовой модели Octen/Octen-Embedding-0.6B. Нестандартная ветка инструментов и экспериментальный характер квантизации могут влиять на совместимость и воспроизводимость; метаданные указывают GGUF, а также возможности чата и эмбеддингов.

ENOSYS выпустил экспериментальную GGUF-версию Octen-Embedding-4B с квантизацией весов по глобальному целевому числу бит на вес. Модель предназначена для преобразования текстов в эмбеддинги и оценки семантического сходства; метаданные также отмечают применение для поиска и извлечения информации. Поддерживаются английский, русский и другие языки. Веса представлены в формате GGUF, а тензоры хранятся в F16 для совместимости с архитектурой Nvidia Pascal, включая P100. Квантизация выполнена с помощью изменённой ветки LLaMA.cpp и калибровочного набора текстов на английском и русском языках. В README приведены сравнения вариантов квантизации по perplexity и расхождению распределений; эти результаты показывают компромисс между размером представления и точностью. Модель основана на Octen/Octen-Embedding-4B, которая, согласно метаданным каталога, построена на Qwen3-Embedding-4B. Лицензия — Apache-2.0. README характеризует сборку как экспериментальную; для её использования нужен совместимый с этой версией GGUF-инструментарий.

duyntnet/OpenCodeReasoning-Nemotron-1.1-7B-imatrix-GGUF — это GGUF-квантизации языковой модели OpenCodeReasoning-Nemotron-1.1-7B, разработанной NVIDIA. Модель создана на основе Qwen2.5-7B-Instruct и дообучена для пошагового рассуждения и генерации кода. Она предназначена для текстовой генерации, прежде всего для решения задач программирования и кодинга. Модель поддерживает контекст длиной до 64 тысяч токенов, работает с текстом и заявлена для английского языка. Размер базовой модели — 7B параметров; конкретные характеристики, точность и требования к ресурсам зависят от выбранного варианта квантизации GGUF. Для запуска подходят llama.cpp, KoboldCPP, text-generation-webui, Jan и LM Studio. В тестах LiveCodeBench v5 модель показала Pass@1 55,5, превысив показатели ряда других дистиллированных моделей сопоставимого размера. Сильными сторонами являются специализация на рассуждении при генерации кода, большой контекст и возможность локального запуска через распространённые inference-инструменты. Ограничения включают ориентацию преимущественно на английский язык, зависимость качества и потребления ресурсов от квантизации, а также отсутствие в README подробностей о точных параметрах отдельных GGUF-файлов. В карточке указана лицензия other; исходная модель описана как доступная для коммерческого и некоммерческого использования, однако точные условия лицензии следует уточнять отдельно.

axiotic/open-ogma-small — модель для создания векторных представлений английских предложений, разработанная авторами семейства open-ogma. Она предназначена для поиска по смыслу, оценки сходства и других задач, где текст нужно сопоставлять по семантическому содержанию. Модель содержит 8,96 млн параметров и использует 6-слойный трансформер с размерностью 256, mean pooling и токенами задач [QRY], [DOC] и [SYM]. По умолчанию выдаёт эмбеддинги размерности 384; дополнительная проекционная голова позволяет получать векторы размерности 1024. Обе головы и основная часть модели обучены с Matryoshka-представлениями, поэтому выходной вектор можно усечь до 32, 64, 128 или 256 измерений с последующей нормализацией. Модель обучена дистилляцией от BAAI/bge-small-en-v1.5 и BAAI/bge-large-en-v1.5 на корпусах C4 и FineWeb-Edu и оценена на англоязычном бенчмарке MTEB. Лицензия модели — MIT; README также описывает разрешительные лицензии учителей и обучающих корпусов. Модель ориентирована на английский язык. Компактный размер снижает вычислительные затраты по сравнению с учителями, однако показатели MTEB ниже, чем у них; результаты бенчмарка не гарантируют качество на каждом прикладном наборе данных.

Ornith-1.0-35B-NVFP4 — квантованная версия модели deepreinforce-ai/Ornith-1.0-35B, разработанной DeepReinforce. Это агентная модель для генерации кода с механизмом самостоятельного выстраивания рассуждений, основанная на архитектуре qwen3_5_moe: Mixture-of-Experts с 35 млрд параметров и визуальной башней Qwen3-VL. Модель поддерживает текстовые и визуальные входные данные, а заявленные языки включают английский, китайский, японский и французский. Модель предназначена для агентного программирования, генерации и решения задач на код. Доступны режимы с рассуждением и без него; при включённом рассуждении модель может формировать более качественные ответы, но требует увеличенного лимита вывода. В README приведены результаты pass@1: 93,9% на HumanEval+ и 80,6% на MBPP+ в режиме рассуждения, а без рассуждения — 87,1% и 78,1% соответственно. Контекст ограничен 8192 токенами в рекомендуемой конфигурации vLLM. Все линейные слои квантизированы в формате NVFP4 W4A4 с размером группы 16; визуальная башня, маршрутизаторы MoE и lm_head сохранены в bf16. Размер модели уменьшен с 70,3 до 21,9 ГБ, что позволяет запускать её на двух GPU по 16 ГБ через vLLM с автоматическим обнаружением квантования. Ограничениями являются требования к нескольким GPU, зависимость от совместимой инфраструктуры vLLM и необходимость корректно извлекать ответ после блока </think> при оценке режима рассуждения. Модель распространяется по лицензии MIT; производные веса и исходная модель атрибутированы DeepReinforce.

Ovis-VL-Embedding-2B — компактная модель эмбеддингов для текста и визуальных данных, разработанная командой ATH-MaaS на основе Qwen3.5-2B. Она кодирует текст, изображения, визуальные документы, видео и смешанные мультимодальные последовательности в общее пространство векторов для поиска и сопоставления. Модель принимает текст и визуальные данные, но не поддерживает аудио. Это биэнкодер на архитектуре Qwen3.5 с 24 языковыми слоями и размером скрытого состояния 2048. Для поиска используются нормализованные L2 эмбеддинги последнего непустого токена; отдельная проекционная голова не добавлена. Запросы и кандидаты кодируются независимо, а результаты ранжируются по косинусному сходству. Модель предназначена для мультимодального поиска, RAG, поиска по изображениям, документам и видео, рекомендаций и поиска ближайших соседей; генерацию текста или изображений она не выполняет. В описанных тестах модель сильна в поиске по изображениям и визуальным документам, но результаты зависят от задачи и качества инструкций и предобработки. Для видео отдельные сценарии уступают специализированным моделям. Веса опубликованы под лицензией Apache-2.0.

PentaCoder-9B — объединённая модель для генерации кода и агентных задач, опубликованная pragmaticcs. В карточке она описана как слияние пяти специализированных чекпойнтов на общей основе Qwen3.5-9B с использованием метода GeoDELLA. Модель предназначена для написания и отладки программ, планирования многошаговых задач разработки и взаимодействия с инструментами, включая терминал и проверки компиляции. Это текстовая причинно-следственная модель семейства Qwen3.5 с гибридной архитектурой рекуррентного и полносвязного внимания. README заявляет контекст 256 тыс. токенов; метаданные указывают 7,2 млрд параметров, тогда как README приводит 8,8 млрд. Карточка ориентирует модель на код, рассуждения и агентные сценарии; в метаданных языки карточки — английский и китайский. Указанная лицензия — Apache-2.0. Слияние объединяет специализации доноров в алгоритмической корректности, планировании SWE-bench, работе с инструментами, выполнении команд и восстановлении после ошибок. Эти характеристики заявлены в карточке автора и сами по себе не подтверждают качество на независимых тестах. Модель описана как чисто текстовая, поэтому возможности анализа изображений из сводного описания базовой модели к ней не относятся.

Карточка модели Aidev2006/Pinto-Coder-v1 на Hugging Face совпадает с карточкой Qwen/Qwen3-Coder-Next, поэтому описание составлено по ней. Qwen3-Coder-Next — открытая модель семейства Qwen3 от команды Qwen, предназначенная для кодирующих агентов и локальной разработки. Это причинная языковая модель архитектуры MoE с гибридным сочетанием Gated DeltaNet и Gated Attention. В README указано 80 млрд параметров всего и 3 млрд активных; метаданные каталога указывают 2,3 млрд параметров, поэтому точный размер расходится между источниками. Модель рассчитана на генерацию и изменение кода, многошаговые задачи разработки, вызов инструментов и восстановление после ошибок выполнения. Контекстное окно — 262 144 токена; поддерживаются чат и интерфейс вызова инструментов. README описывает её как пригодную для интеграции с CLI и IDE, а также локального развёртывания. Модель работает только в режиме без reasoning и, согласно README, не генерирует блоки ````. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковые коды не включены. Лицензия — Apache-2.0.

potion-base-32M — компактная модель статических текстовых эмбеддингов от команды Minish Lab. Она создана с помощью Model2Vec и Tokenlearn как дистиллированная версия sentence-transformer baai/bge-base-en-v1.5. Модель формирует векторные представления текста без последовательного вычисления трансформера, что обеспечивает высокую скорость на CPU и GPU и подходит для систем с ограниченными ресурсами и сценариев реального времени. Модель предназначена для семантического поиска, оценки сходства и ранжирования текстов. В карточке приведены результаты на задачах MTEB: potion-base-32M показывает более высокие средние результаты, чем potion-base-8M, при этом уступает all-MiniLM-L6-v2 по общему среднему показателю. Версия 32M имеет более широкий словарь, чем potion-base-8M. Доступны форматы ONNX и safetensors; для работы используется библиотека model2vec. Лицензия — MIT. В датасете модели указан англоязычный корпус C4 с разметкой bge-base-en-v1.5, поэтому она ориентирована прежде всего на английский текст. Модель возвращает эмбеддинги, а не готовые текстовые ответы. Указанная длина контекста составляет 1 000 000 токенов; фактическую пригодность такого объёма для конкретного сценария следует проверять с используемой реализацией.

potion-base-8M — компактная модель статических текстовых эмбеддингов, разработанная командой Minish Lab. Она обучена с помощью Tokenlearn и представляет собой дистиллированную версию sentence-transformer модели baai/bge-base-en-v1.5. Размер модели — 8 млн параметров; доступны форматы ONNX и Safetensors, используется библиотека Model2Vec. Модель преобразует текст в векторы для семантического поиска, оценки сходства, ранжирования и других задач, где нужны текстовые эмбеддинги. Статические представления позволяют вычислять эмбеддинги значительно быстрее на CPU и GPU, поэтому модель подходит для систем с ограниченными ресурсами и сценариев реального времени. В тестах MTEB она набирает 51,08 среднего балла, что составляет 91,96% результата all-MiniLM-L6-v2 согласно карточке модели. Карточка указывает английскую базовую модель и англоязычный обучающий датасет. Заявленная длина контекста — до 1 000 000 токенов. Лицензия MIT. По сравнению с более крупными моделями качество может быть ниже; результаты карточки относятся к указанным тестам и не гарантируют качество на конкретных данных.

PP-DocLayoutV3 — модель обнаружения структуры документов от команды PaddlePaddle для фреймворка PaddleOCR. Она предназначена для анализа изображений документов, в том числе снятых под углом и с изогнутой поверхностью: модель предсказывает многоугольные границы элементов макета и определяет логический порядок чтения за один проход. Это помогает извлекать структуру сложных реальных документов и служит компонентом PaddleOCR-VL 1.5/1.6, GLM-OCR и Xiaomi-OCR-0. Модель распространяется в весах для PaddlePaddle; в карточке указана лицензия Apache-2.0. Метаданные относят её к сегментации изображений, а описание подчёркивает обнаружение макета документа. Карточка указывает поддержку английского и китайского языков, но не приводит ограничений по классам документов или точности.

PP-OCRv4_server_det — серверная модель обнаружения текстовых областей из серии PP-OCRv4_det, разработанная командой PaddleOCR. Она находит строки текста на изображениях и предназначена для развёртывания на производительных серверах, где важна точность. Модель используется как модуль обнаружения в OCR-конвейере PP-OCRv4; для распознавания найденных строк конвейер дополнительно применяет отдельную модель распознавания текста. В README приведены метрики для рукописного и печатного китайского и английского текста, традиционного китайского, японского, исторических текстов, а также изображений с поворотом, искажением и художественным оформлением. Лицензия — Apache-2.0. В метаданных указана библиотека PaddleOCR и языки en и zh.

Карточка модели baidu/Qianfan-VL-3B на Hugging Face совпадает с карточкой coblack/Qianfan-VL-3B, поэтому описание составлено по ней. Qianfan-VL-3B — мультимодальная языковая модель команды Baidu AI Cloud Qianfan для работы с изображениями и текстом. Версия 3B основана на Qwen2.5-3B; визуальный энкодер построен на InternViT, а изображения обрабатываются с динамическим разбиением на патчи с поддержкой разрешения до 4K. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; заявленная длина контекста — 32k токенов. Модель предназначена для OCR в реальном времени и на устройствах с ограниченными ресурсами, распознавания рукописного текста, формул и содержимого документов, а также анализа структуры страниц, таблиц и диаграмм и ответов на вопросы по документам. В README заявлена поддержка многоязычных данных, а метаданные карточки указывают английский и китайский языки. Поддержка Chain-of-Thought в этой версии отсутствует; возможности рассуждений, указанные для вариантов 8B и 70B, к ней не относятся. Модель опубликована в формате safetensors и предназначена для использования с Transformers; README также описывает развертывание через vLLM. Лицензия в метаданных обозначена как other, а README не приводит её условий, поэтому перед использованием следует проверить лицензионную информацию карточки Hugging Face.

Это инструкционно дообученная модель Qwen2.5-Coder-1.5B, опубликованная Unsloth на основе Qwen/Qwen2.5-Coder-1.5B-Instruct. Она предназначена для генерации, анализа и исправления кода в диалоговом формате, а также может применяться для задач математики и общего общения. Модель содержит около 1,5 млрд параметров, использует архитектуру Qwen2 с причинной языковой моделью и работает через библиотеку Transformers. Метаданные указывают контекст до 32 768 токенов; в README описана поддержка длинного контекста до 131 072 токенов с настройкой YaRN. Модель принимает текст и генерирует текст. Её компактный размер подходит для локального прототипирования и кодовых помощников с ограниченными ресурсами, при этом она сохраняет навыки генерации и рассуждения о коде. Карточка описывает семейство Qwen2.5-Coder, но не приводит подробный перечень поддерживаемых языков программирования или языков общения; метаданные отмечают английский язык. Лицензия — Apache-2.0.

smorce/Qwen2.5-Coder-32B-Instruct-karakuri-thinking-slerp — слитая модель на основе karakuri-ai/karakuri-lm-32b-thinking-2501-exp и Qwen/Qwen2.5-Coder-32B-Instruct. Автор объединил их методом SLERP с помощью LazyMergekit, чтобы добавить навыки программирования к японской reasoning-модели. Это плотная авторегрессионная архитектура Qwen2, рассчитанная на генерацию текста и чат; размер составляет 32 млрд параметров, контекст — 32 768 токенов. Модель предназначена для генерации, анализа и исправления кода с возможностью рассуждений на японском языке. Метаданные также указывают английский и интерфейс вызова инструментов. Слияние наследует языковые и кодовые возможности базовых моделей, однако README не приводит результатов оценки именно этой сборки. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0.