II.8Инженерия данных и аналитика

Qwen3.6-27B-Claude-Opus-Reasoning-Distilled-GGUF — набор GGUF-квантизированных версий модели, разработанный rico03 на базе Qwen3.6-27B от команды Qwen. Модель дообучена примерно на 14 тысячах трасс рассуждений Claude 4.6 Opus и предназначена для генерации текста с акцентом на структурированное рассуждение. Модель ориентирована на сложные задачи, программирование и математику. Заявлены более компактный стиль рассуждений на простых запросах и глубокая пошаговая декомпозиция на трудных задачах, при сохранении возможностей базовой модели в кодинге и математике. Поддерживаются английский и мультиязычные сценарии. Архитектура основана на Qwen3.6-27B; точный размер контекста в README не указан, а пример запуска использует контекст 8192 токена. Модель доступна в вариантах квантизации от Q2_K до Q8_0 размером примерно от 10 до 28,6 ГБ, что позволяет выбирать между требованиями к памяти и качеством. Формат совместим с llama.cpp, Ollama, LM Studio и другими GGUF-совместимыми средами. Ограничения включают возможную потерю качества при сильной квантизации, а также отсутствие в README независимой оценки именно этих GGUF-вариантов; приведённые бенчмарки относятся к базовой Qwen3.6-27B. Указана лицензия Apache 2.0, при этом релиз также обозначен как предназначенный для исследований и личного использования.

YFC-112358 создал двухэтапную композиционную модель на основе Qwen3.6-27B. На первом этапе с помощью DELLA объединены модели разных происхождений, а на втором к полученному результату линейно добавлено приращение весов Qwopus3.6-27B-Fusion относительно общего предка Qwen/Qwen3.6-27B. Это плотная мультимодальная архитектура семейства Qwen3.5 с интерфейсом чата и вызова инструментов; в репозитории веса представлены в safetensors, а модель использует библиотеку Transformers. Модель предназначена для диалоговой генерации текста и может использоваться для программирования, агентных сценариев и работы с изображениями — такие возможности указаны для базовой Qwen3.6-27B. В README описаны способ слияния и рекомендации по сэмплированию, но нет отдельных результатов оценки качества именно этой версии. Лицензия — Apache-2.0.

Crucible Labs выпустила сжатую версию Qwen3.6-35B-A3B для локальной генерации кода и работы с инструментами. Модель основана на архитектуре mixture-of-experts: методом REAP удалено 48% маршрутизируемых экспертов, после чего веса квантизированы в GGUF по схеме Q3K-mixed с использованием importance matrix. Артефакт содержит 19,17 млрд параметров и занимает 9,4 ГБ; для запуска предназначен llama.cpp. В отличие от базовой модели, в этой версии нет визуального энкодера.

Карточка модели ArchiveStudio/Qwen3-Coder-Next 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.

OpenVINO/Qwen3-Embedding-0.6B-int8-ov — модель эмбеддингов, разработанная Qwen и преобразованная в формат OpenVINO IR. Она основана на Qwen3-Embedding-0.6B, а веса сжаты до INT8 с использованием NNCF в режиме INT8_ASYM. Модель предназначена для извлечения признаковых представлений текста и совместима с библиотеками Transformers и Optimum Intel. Модель подходит для семантического поиска, сопоставления запросов с документами, построения систем retrieval-augmented generation и других задач, где требуется сравнивать тексты по смыслу. Для запросов рекомендуется добавлять однопредложную инструкцию, описывающую задачу, тогда как для документов инструкции не требуются. В README приведён пример поиска релевантных фрагментов по веб-запросу. Указана максимальная длина входа 8192 токена. Формат OpenVINO IR и INT8-сжатие ориентированы на эффективный запуск, в том числе через Optimum Intel; требуется OpenVINO версии 2026.0.0 или выше и Optimum Intel 1.27.0 или выше. Языки, точный размер эмбеддингов и сведения о модальностях в карточке не указаны. Ограничения следует уточнять в исходной карточке Qwen3-Embedding-0.6B. Модель распространяется по лицензии Apache License 2.0.

Qwen3-Embedding-0.6B-mxfp8 — текстовая модель эмбеддингов семейства Qwen3, опубликованная mlx-community. README сообщает, что она преобразована в формат MLX из Qwen/Qwen3-Embedding-0.6B с помощью mlx-embeddings 0.0.3. Метаданные указывают 507,6 млн параметров, контекст до 32 768 токенов и лицензию Apache-2.0. Модель предназначена для получения векторных представлений текста, поиска семантически близких фрагментов и сравнения предложений. В каталоге для неё также отмечены генерация текста и сходство предложений, однако карточка описывает её именно как модель эмбеддингов. Доступные материалы не раскрывают языковую специализацию и сравнительные показатели качества.

Qwen3-Embedding-4B-i1-GGUF — квантованная версия модели Qwen3-Embedding-4B, разработанной командой Qwen и подготовленной в формате GGUF пользователем mradermacher. Это модель для создания текстовых эмбеддингов и извлечения признаков, предназначенная для семантического сравнения текстов, поиска, классификации и других задач, где требуется представление текста в виде векторов. В метаданных указана поддержка английского языка. Модель основана на архитектуре Qwen3 и имеет размер около 4 млрд параметров. Репозиторий содержит варианты квантизации i1 с разными типами и размерами файлов — примерно от 1,2 до 3,4 ГБ, а также файл imatrix для самостоятельного создания квантов. Варианты различаются компромиссом между размером, скоростью и качеством: например, Q4_K_M обозначен как быстрый и рекомендуемый, а Q5_K и Q6_K должны обеспечивать более высокое качество при большем размере. Точная длина контекста, размер выходного вектора, поддерживаемые дополнительные языки и результаты тестирования в README не указаны. Главное преимущество модели — возможность локального запуска в компактном формате GGUF и выбор подходящего уровня квантизации под доступные ресурсы. Ограничения связаны с потерями качества при низкобитной квантизации; сам README предупреждает о низком качестве некоторых вариантов. Модель распространяется по лицензии Apache-2.0.

arthurcollet/Qwen3-Embedding-4B-mlx-nvfp4 — текстовая модель для создания эмбеддингов, преобразующая текст в векторы для сравнения смысла и поиска по сходству. Репозиторий содержит конверсию модели Qwen/Qwen3-Embedding-4B в формат MLX; в метаданных указана связь с Qwen/Qwen3-4B-Base и дообучение этой базовой модели. Архитектура — плотная Qwen3ForCausalLM, размер — 3,7 млрд параметров, нативный контекст — 40 960 токенов. Модель предназначена для получения текстовых представлений, поиска семантически близких фрагментов и оценки сходства предложений. Метаданные указывают возможности embeddings и задачи feature-extraction, text-generation и sentence-similarity. Для использования через MLX в README предлагается пакет mlx-embeddings. Лицензия — Apache-2.0. README описывает конверсию из Qwen/Qwen3-Embedding-4B в MLX, тогда как метаданные указывают базовую модель Qwen/Qwen3-4B-Base и дообучение; точное соотношение этих этапов из доступных данных установить нельзя. Поддерживаемые языки и ограничения качества отдельно не описаны.

Qwen3-Embedding-8B-i1-GGUF — квантизированная GGUF-версия модели Qwen3-Embedding-8B, разработанной командой Qwen и подготовленной пользователем mradermacher. Модель предназначена для создания текстовых эмбеддингов и задач извлечения признаков, семантического сравнения предложений, поиска и построения систем на основе близости текстов. В метаданных указана поддержка английского языка. Модель основана на архитектуре Qwen3-Embedding-8B с заявленным размером 8 млрд параметров, однако подробности об архитектуре, максимальной длине контекста и поддерживаемых модальностях в README не приведены. Репозиторий содержит imatrix-файл и множество вариантов квантизации от i1-IQ1_S до i1-Q6_K размером примерно от 2,0 до 6,3 ГБ. Вариант i1-Q4_K_M отмечен как быстрый и рекомендуемый, а i1-Q4_K_S — как компромисс между размером, скоростью и качеством. Основное преимущество модели — возможность запускать эмбеддинги в формате GGUF с различными требованиями к памяти и производительности. Ограничения связаны с потерями качества у низкобитных вариантов квантизации; README отдельно отмечает низкое качество некоторых конфигураций. Лицензия модели — Apache-2.0.

yrrhall/qwen3-student-qwen3_compressed_distilled — компактный мультиязычный энкодер предложений на архитектуре Qwen3, созданный сжатием и двухэтапной дистилляцией Qwen/Qwen3-0.6B. Модель предназначена для получения векторных представлений текстов, сравнения сходства предложений, классификации и кластеризации. В README указаны сжатие в 48 раз, 4 слоя, размер скрытого состояния 448 и словарь из 7 341 токена; метаданные указывают 12,3 млн параметров и контекст до 40 960 токенов. Модель поддерживает 18 языков: корейский, английский, японский, китайский, испанский, французский, немецкий, португальский, итальянский, русский, арабский, хинди, тайский, вьетнамский, индонезийский, турецкий, нидерландский и польский. В оценке MTEB приведено среднее значение 32,29%; результаты различаются по задачам, поэтому качество следует проверять на целевых данных. Для загрузки README показывает библиотеку Sentence Transformers и параметр trust_remote_code=True. Лицензия — Apache-2.0.

DavidAU/Qwen3-Zero-Coder-Reasoning-0.8B-NEO-EX-GGUF — англоязычная текстовая generative-модель для программирования, разработанная DavidAU на базе DavidAU/Qwen3-Zero-Coder-Reasoning-0.8B и распространяемая в формате GGUF. Модель ориентирована на генерацию и анализ кода, мозговой штурм, решение задач и пошаговое рассуждение при разработке. Она может формировать блоки рассуждений перед ответом и подходит для интерактивной работы с подробными инструкциями и итеративным улучшением кода. Заявлены архитектура на платформе Qwen3, 42 слоя и 464 тензора; модель описана как объединение двух моделей размером 0,6B. Максимальный контекст составляет 40 000 токенов, рекомендуемый — от 8 000 до 16 000. Поддерживаются шаблоны Jinja или ChatML. Репозиторий содержит варианты GGUF с разными уровнями квантования и модификациями NEO Imatrix; в README отмечается, что некоторые более компактные кванты могут лучше подходить для отдельных сценариев, тогда как старшие кванты способны давать более качественные решения на сложных задачах. Сильными сторонами являются высокая скорость работы, компактный размер, специализация на коде и способность решать многоэтапные задачи. Ограничения включают возможные повторы блоков кода, чрезмерно длинные рассуждения и зависимость качества от уровня квантования и настроек генерации; для сложных запросов рекомендуется несколько генераций и тщательная формулировка требований. Модель распространяется по лицензии Apache-2.0.

Qwopus3.5-9B-Coder-GGUF — экспериментальная community-модель, основанная на Jackrong/Qwopus3.5-9B-v3.5 и предназначенная для локального запуска в формате GGUF. Она дообучена с использованием Trace Inversion, агентских трасс и данных для reasoning, включая наборы lambda/hermes-agent-reasoning-traces и материалы TraceInversion от Jackrong. Модель ориентирована прежде всего на agentic coding, логическое рассуждение, сложный tool calling и function calling. Модель имеет плотную архитектуру размером 9B параметров и поддерживает текстовые и визуальные сценарии. Заявлены возможности работы с изображениями, программированием, отладкой, задачами на уровне репозитория, терминальными командами, файловыми операциями и браузерами. Поддерживаемые языки включают английский, китайский, испанский, русский и японский. Для включения vision требуется отдельный файл mmproj.gguf из репозитория GGUF. README не указывает размер контекстного окна. К сильным сторонам относятся компактность, пригодность для запуска на устройствах с 16 ГБ RAM при 8-битной точности, улучшенная структурированность рассуждений и ориентация на агентские рабочие процессы. При этом модель выпущена как экспериментальная версия для исследований и изучения, не проходила комплексную оценку общих возможностей, поэтому в непрофильных и не связанных с программированием задачах возможна деградация качества. Модель распространяется по лицензии Apache-2.0.

Qwopus3.6-35B-A3B-Coder-vram13-GGUF — квантизированная GGUF-сборка кодовой версии Qwopus3.6-35B-A3B-Coder от автора репозитория xero0000. Она предназначена для генерации и редактирования кода, отладки и агентных сценариев программирования. Основа — дообученная Jackrong/Qwopus3.6-35B-A3B-Coder, созданная на базе Qwen3.6-35B-A3B; архитектура MoE, а для ускорения генерации сохранена обученная голова multi-token prediction (MTP). Вес файла составляет 13,53 ГБ, заявленный контекст — до 128 тыс. токенов. Модель упакована в GGUF с imatrix-квантизацией: экспертные слои используют преимущественно 2-битное представление, а важные для каждого токена компоненты — 5–6-битное. README сообщает о высокой скорости на двух видеокартах с суммарно 18 ГБ VRAM при использовании ik_llama.cpp и MTP; эти результаты относятся к описанной конфигурации оборудования. Карточка предупреждает, что 2-битные эксперты могут несколько ухудшить рассуждения в нетипичных случаях; для максимального качества предлагается более крупная смешанная квантизация с выгрузкой части модели в CPU. Лицензия — Apache-2.0.

mlx-community/QwQ-32B-Preview-bf16 — конвертированная в формат MLX версия QwQ-32B-Preview, подготовленная сообществом mlx-community из модели Qwen/QwQ-32B-Preview с помощью mlx-lm 0.20.1. Это плотная авторегрессионная модель семейства Qwen2 на 32 млрд параметров для генерации текста в диалоговом режиме; заявленная длина контекста — 32 768 токенов. Модель подходит для диалоговых ответов, математических рассуждений и программирования. В карточке заявлен интерфейс для вызова инструментов; английский указан среди языков. Репозиторий распространяется по лицензии Apache-2.0. Это конверсия в MLX, поэтому для запуска требуется совместимая среда MLX.

Это модель Sentence-Transformers на базе MPNet, разработанная автором shrinivasbjoshi. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и оценки сходства. Модель содержит 136,7 млн параметров и принимает текст; для работы с ней используется библиотека sentence-transformers. Модель обучалась с функцией потерь CosineSimilarityLoss. Её можно применять для семантического поиска по коллекциям текстов, группировки похожих высказываний и построения систем сравнения предложений. Окно контекста составляет 514 токенов. В README не указаны языки обучения или отдельная специализированная область применения; лицензия в предоставленных данных отсутствует.

sobamchan/roberta-base-no-mrl — англоязычная модель Sentence Transformers, дообученная автором на наборе all-nli на основе FacebookAI/roberta-base. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения смысловой близости текстов, семантического поиска, поиска перефразирований, кластеризации и классификации текстов. Архитектура состоит из трансформера RoBERTa с усреднением токенных представлений; для сравнения векторов используется косинусное сходство. Максимальная длина входной последовательности — 512 токенов (514 токенов в метаданных). Модель обучалась с MatryoshkaLoss и MultipleNegativesRankingLoss на англоязычных данных all-nli. Модель подходит для получения векторных представлений текста и задач поиска или группировки похожих фраз. Она рассчитана на английский язык; качество для других языков не подтверждено. Лицензия в предоставленных данных не указана.

sergeyzh/rubert-tiny-sts — компактный русскоязычный BERT-энкодер, дообученный на основе cointegrated/rubert-tiny2 для оценки семантического сходства предложений и получения эмбеддингов. Модель содержит 29 млн параметров, поддерживает контекст до 2048 токенов и формирует эмбеддинги размерностью 312. Её можно использовать через Sentence Transformers; модель ориентирована на быстрые вычисления, в том числе на CPU. Помимо поиска похожих предложений, автор указывает задачи идентификации перефразирований, вывода по естественному языку, анализа тональности и выявления токсичности. Лицензия — MIT. Результаты и скорость зависят от данных и оборудования; приведённые в README бенчмарки не содержат отдельной строки с оценками этой модели.

ruElectra-small — небольшая предварительно обученная модель семейства ELECTRA для работы с русским языком, разработанная командой SaluteDevices RnD. Её архитектура, предобучение и оценка описаны в препринте «A Family of Pretrained Transformer Language Models for Russian». Модель содержит 78,1 млн параметров и принимает последовательности длиной до 512 токенов. Карточка предлагает использовать модель для получения эмбеддингов предложений; для лучшего качества рекомендуется усреднять эмбеддинги токенов. Это подходит для представления русскоязычных текстов векторными признаками и последующего поиска или сравнения по смыслу. Модель опубликована в формате PyTorch, лицензия — MIT.

mondk/Safetensors.Claude-Qwen3.5-4B-Reasoning — дообученная модель семейства Qwen3.5, созданная на основе TeichAI/Qwen3.5-4B-Claude-Opus-Reasoning-Distill. Это плотная модель с архитектурой Qwen3_5ForConditionalGeneration, опубликованная в формате Safetensors и лицензированная по Apache-2.0. Поддерживает диалог, интерфейс вызова инструментов и работу с изображениями; в карточке указаны английский, китайский и вьетнамский языки. Модель ориентирована прежде всего на рассуждения и помощь в программировании. Для дообучения использованы наборы трасс Claude Code и примеры рассуждений Claude Sonnet и Claude Opus. В описанном автором небольшом тесте модель прошла 5 из 5 простых, 8 из 8 средних и 5 из 7 сложных задач; это результаты конкретного набора вопросов, а не независимая оценка качества. Автор также сообщает об улучшении результата для задач программирования на 23%, не уточняя методику сравнения.

SakalFusion-7B-Beta — объединённая языковая модель на архитектуре Qwen2, созданная методом TIES с помощью mergekit. В слиянии использованы Qwen2.5-Coder-7B-Instruct, Qwen2.5-Math-7B-Instruct и Sakalti/model-3; базовая модель слияния — bunnycore/Qwen2.5-7B-RRP-1M. Модель содержит 7,1 млрд параметров и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для генерации текста в диалоговом формате, в том числе для задач программирования и математики, унаследованных от входящих в слияние моделей. Метаданные указывают контекст до 1 010 000 токенов и интерфейс для вызова инструментов. Карточка не приводит результатов оценивания, поэтому качество на конкретных задачах и практическая эффективность такого длинного контекста не подтверждены. Лицензия в предоставленных данных не указана. Модель создана на основе нескольких чекпойнтов, поэтому условия использования следует сверить с лицензиями исходных моделей.

Карточка модели ceggian/sbert_pt_reddit_softmax_256 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_softmax_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_softmax_32 — модель Sentence-Transformers на архитектуре BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Обучение использовало SoftmaxLoss и данные Reddit, что указывает на настройку для задач сходства предложений. Модель подходит для семантического поиска и группировки похожих текстов; её векторные представления можно использовать в системах поиска и анализа текстов. README не уточняет поддерживаемые естественные языки и лицензию, поэтому область применения и условия использования по этим параметрам определить нельзя.

Карточка модели ceggian/sbert_pt_reddit_softmax_512 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_softmax_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_softmax_32 — модель Sentence-Transformers на архитектуре BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Обучение использовало SoftmaxLoss и данные Reddit, что указывает на настройку для задач сходства предложений. Модель подходит для семантического поиска и группировки похожих текстов; её векторные представления можно использовать в системах поиска и анализа текстов. README не уточняет поддерживаемые естественные языки и лицензию, поэтому область применения и условия использования по этим параметрам определить нельзя.

Seed-Coder-8B-Instruct-GGUF — GGUF-квантизированная версия инструкционной модели Seed-Coder-8B-Instruct, разработанной ByteDance Seed и опубликованной в формате Unsloth. Это открытая модель для генерации и обработки программного кода, включая генерацию, рассуждение по коду, редактирование и задачи программной инженерии. Версия Instruct дообучена для лучшего следования пользовательским инструкциям. Модель представляет собой каузальную языковую модель примерно на 8 млрд параметров, прошедшую предобучение и постобучение на публичных и синтетических данных. Она поддерживает контекст длиной до 32 768 токенов и работает в текстовой модальности; конкретные языки программирования и перечень естественных языков в README не указаны. GGUF-формат предназначен для более удобного локального запуска с совместимыми средствами инференса, однако точные параметры квантования для этой карточки не приведены. К сильным сторонам относятся высокая эффективность среди открытых моделей сопоставимого размера, ориентация на широкий спектр задач программирования и подход к подготовке данных, основанный преимущественно на использовании LLM вместо большого числа ручных правил. Ограничения — отсутствие в предоставленных данных подробностей о поддерживаемых языках, требованиях к оборудованию, конкретном варианте квантования и результатах полной таблицы оценки. Лицензия MIT.

sentence-transformers/sentence-t5-base — модель Sentence Transformers для кодирования предложений и абзацев в плотные векторы размерностью 768. Она построена на энкодере T5-base и предназначена прежде всего для оценки сходства между предложениями; для семантического поиска в README отмечено более низкое качество. Модель создана преобразованием TensorFlow-модели st5-base-1 в PyTorch. Используются только веса энкодера T5-base; размер модели — 123,8 млн параметров, контекст — до 512 токенов. Доступны форматы PyTorch и Safetensors, веса сохранены в FP16. Карточка ссылается на публикацию Sentence-T5: Scalable sentence encoders from pre-trained text-to-text models. Модель принимает текст и выдаёт векторные представления, пригодные для сравнения семантической близости. Метаданные указывают английский язык. Лицензия — Apache-2.0.

Etelis/Sentiment140_fewshot — модель на базе MPNet в формате PyTorch, созданная для преобразования предложений и абзацев в плотные векторы размерности 768. В карточке указано обучение с CosineSimilarityLoss; модель предназначена для сравнения смысловой близости текстов, семантического поиска и кластеризации. Она содержит 136,7 млн параметров и принимает последовательности длиной до 514 токенов. Модель можно использовать с библиотекой Sentence-Transformers или через Transformers с подходящей операцией pooling. Она выдаёт текстовые эмбеддинги, которые подходят для поиска похожих предложений и группировки текстов по смыслу. Название указывает на Sentiment140 и few-shot, однако README не уточняет языки, конкретную схему обучения или результаты оценки. Лицензия в предоставленных данных не указана.

seanfarrell/set_fit_experiment — модель на базе RoBERTa, обученная для преобразования предложений и абзацев в плотные векторы размерностью 1024. Её можно использовать для семантического поиска и кластеризации текстов, а также для сравнения сходства предложений. Модель обучена с функцией потерь CosineSimilarityLoss и рассчитана на работу через Sentence-Transformers. В метаданных указаны 454,1 млн параметров, контекст до 514 токенов и формат PyTorch. Поддерживаемые языки в доступных данных не обозначены. Лицензия в предоставленных данных не указана. Модель предназначена для получения текстовых эмбеддингов; качество для конкретных языков и задач следует оценивать на собственных данных.

lsanochkin/setfit-rubert-intent — модель эмбеддингов предложений на базе BERT, опубликованная пользователем lsanochkin. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель можно использовать через Sentence-Transformers или Transformers с соответствующей операцией pooling. В README указано обучение с SupConLoss в SetFit. Метаданные сообщают о 205,5 млн параметров, контекстном окне до 512 токенов и формате PyTorch. Модель принимает текст и выдаёт векторы; в карточке нет сведений о поддерживаемых естественных языках. Лицензия не указана в предоставленных данных.

cl-nagoya/shioriha-large-pt — модель на архитектуре BERT, опубликованная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, кластеризации и задач сравнения сходства. Модель содержит 436,2 млн параметров и обрабатывает вход длиной до 512 токенов. Модель предназначена для создания эмбеддингов текста. В Transformers для получения векторного представления поверх контекстных выходов трансформера требуется применить соответствующую операцию pooling. В карточке нет сведений о специальных предметных областях или поддерживаемых языках. Модель опубликована под лицензией, указанной в метаданных Hugging Face; доступные метаданные её не содержат.

Snowflake Arctic Embed M — плотная текстовая embedding-модель Snowflake для поиска по смыслу и извлечения релевантных документов. В карточке она описана как средняя модель семейства Arctic Embed, основанная на intfloat/e5-base-unsupervised и обученная в несколько этапов на парах запрос–документ и триплетах с трудными негативными примерами. Метаданные указывают архитектуру BERT, 136,7 млн параметров и контекст до 512 токенов. Модель предназначена для построения векторного поиска и retrieval-компонента в системах RAG. Для версии M README приводит размерность эмбеддингов 768 и оценку MTEB Retrieval 54,90 NDCG@10. Она принимает текст и выдаёт векторные представления, которые можно сравнивать для ранжирования по релевантности. Карточка позиционирует исходную модель как англоязычную; более новые версии семейства отдельно заявлены для многоязычных сценариев. Модель распространяется по лицензии Apache-2.0. Ограничение контекста — 512 токенов; заявленные характеристики retrieval относятся к оценке из карточки и могут различаться на конкретных данных и настройках поиска.

Карточка модели ITESM/st_demo_6 на Hugging Face совпадает с карточкой somosnlp-hackathon-2022/bertin-roberta-base-finetuning-esnli, поэтому описание составлено по ней. bertin-roberta-base-finetuning-esnli — модель Sentence-Transformers на архитектуре RoBERTa, разработанная Anibal Pérez, Emilio Tomás Ariza, Lautaro Gesuelli и Mauricio Mazuecos. Модель обучена на испанских задачах вывода по естественному языку, включая ESXNLI и автоматически переведённые SNLI и MultiNLI. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска семантически похожих текстов, кластеризации и оценки семантического сходства. Модель содержит 151,8 млн параметров, принимает текст и выдаёт эмбеддинги; максимальная длина контекста — 514 токенов. В оценке на испанском наборе SemEval-2015 STS она превзошла приведённый в карточке базовый результат BETO STS по корреляциям Пирсона и Спирмена. Для использования с Transformers требуется корректная операция pooling поверх контекстных представлений токенов. Сведения о лицензии в предоставленных данных отсутствуют.