II.8Инженерия данных и аналитика

Nemotron-3-Embed-1B-Q4_K_M-GGUF — независимо сконвертированная и квантованная версия NVIDIA Nemotron-3-Embed-1B-BF16, подготовленная zenmagnets для локального получения текстовых эмбеддингов в LM Studio и совместимых с llama.cpp средах. Репозиторий не является официальным релизом NVIDIA и не связан с её поддержкой. Модель предназначена для семантического поиска, retrieval, RAG, извлечения признаков и reranking, но не для диалогов или генерации текста. Модель распространяется в формате GGUF с квантованием Q4_K_M и занимает около 714,6 МиБ. Она формирует L2-нормализованные эмбеддинги размерностью 2048 и поддерживает заявленный максимальный контекст 262 144 токена, однако функционально проверялась только на контексте 4096 токенов; большие контексты требуют значительно больше памяти и не валидировались. Для retrieval рекомендуется использовать префиксы «query:» для запросов и «passage:» для документов. В README указана поддержка multilingual-сценариев, включая английский, русский, китайский, японский, корейский, арабский, немецкий, французский и другие языки. К преимуществам относятся компактный размер, локальный запуск, нормализованные векторы, совместимость косинусного сходства и скалярного произведения, а также проверенная работа на Apple M3 Max с производительностью до 32,82 текста в секунду для пакетной обработки. Q4_K_M является lossy-квантованием и может менять оценки и ранжирование относительно BF16-версии; для этой квантованной модели не проводилась оценка качества MTEB/MMTEB. Модель распространяется по лицензии OpenMDW License Agreement 1.1; материалы исходной модели также включают компоненты под Apache 2.0.

NousCoder-14B-GGUF — это квантизированные версии языковой модели NousCoder-14B, разработанной NousResearch и подготовленные bartowski в формате GGUF с использованием llama.cpp. Модель предназначена прежде всего для генерации и анализа программного кода, решения задач программирования и работы в локальных средах запуска, включая llama.cpp, LM Studio, koboldcpp, Jan AI и другие совместимые инструменты. В README также указаны наборы данных, связанные с генерацией кода и задачами LiveCodeBench, использованные для базовой модели или её подготовки. Модель имеет размер 14 миллиардов параметров; точные сведения об архитектуре, поддерживаемых языках программирования и длине контекста в README не указаны. Доступны варианты от BF16 до различных уровней квантования Q8, Q6, Q5, Q4, Q3 и Q2, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Рекомендуемыми названы многие варианты Q4–Q6; Q4_K_M обозначен как стандартный вариант для большинства сценариев, а менее точные Q3 и Q2 подходят главным образом при ограниченных ресурсах. Сильными сторонами являются возможность локального запуска, широкий выбор квантований и совместимость с популярными инструментами инференса. Ограничения связаны с компромиссом между размером и качеством при использовании квантованных версий, а также с тем, что некоторые форматы могут требовать обновления программного обеспечения. Модель и представленные квантизации распространяются по лицензии Apache-2.0.

Locutusque/Orca-2-13b-SFT_v5 — плотная языковая модель на архитектуре Llama, созданная полным дообучением Microsoft Orca-2-13b на наборах No Robots, EverythingLM, Guanaco, OpenAssistant и Open-Platypus. Модель содержит 12,9 млрд параметров и рассчитана на генерацию текста; карточка отмечает поддержку кода и языки английский, французский, испанский, хинди и китайский. Контекст составляет 4096 токенов, для запросов используется шаблон ChatML. Модель подходит для диалоговых ответов, следования инструкциям, решения задач и генерации кода. В README сообщается о тестовом loss 0,38 на Open-Platypus, но сравнительные оценки качества не приведены. Репозиторий содержит веса в формате safetensors. Для использования необходимо соблюдать исследовательскую лицензию Microsoft Orca-2; метаданные обозначают лицензию как other.

karsar разработал эту модель на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, дообучив её для венгерских предложений и абзацев. Это Sentence Transformer на архитектуре BERT с 124,3 млн параметров; он преобразует текст в плотные векторы размерности 384, а сходство между ними можно оценивать косинусной мерой. Модель предназначена для семантического поиска, сравнения сходства предложений, поиска перефразировок, кластеризации и классификации текста. Она обучалась на наборе данных json из 1 207 229 примеров и рассчитана прежде всего на венгерский язык. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов. Модель принимает текст и выдаёт эмбеддинги; её векторы можно использовать в системах поиска и группировки текстов. В README приведены результаты оценки сходства на triplet-наборах, но для конкретного приложения качество следует проверять на собственных данных. Лицензия — Apache-2.0.

Phi-4-reasoning-plus — открытая языковая модель Microsoft Research для генерации ответов с развернутыми рассуждениями. Эта производная от microsoft/Phi-4-reasoning-plus модель содержит 14,1 млрд параметров и использует плотный декодерный Transformer семейства Phi-3. Она принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена прежде всего для англоязычных задач, где важны рассуждения и логика: решения задач по математике и науке, программирование, планирование и следование инструкциям. Её можно использовать как основу для генеративных функций в условиях ограниченных вычислительных ресурсов. Дообучение включало supervised fine-tuning на цепочках рассуждений и обучение с подкреплением; модель в среднем генерирует примерно на 50% больше токенов, что может повышать задержку. Карточка предупреждает, что модель проверялась прежде всего для математических рассуждений и не оценивалась специально для всех вариантов применения. Ответы требуют проверки, особенно в высокорисковых сценариях. Репозиторий распространяется по лицензии MIT.

PKCbert — модель на базе BERT, опубликованная пользователем rbnjade1 в формате PyTorch и оформленная для Sentence-Transformers. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, сравнения текстов и кластеризации. Модель обучалась с TripletLoss и евклидовым расстоянием; размер составляет 136,7 млн параметров, контекст — до 512 токенов. PKCbert подходит для построения семантического поиска и группировки текстов по близости значений. В README не указаны поддерживаемые естественные языки и лицензия, поэтому языковую специализацию и условия использования определить нельзя.

PP-OCRv5_mobile_det — модель обнаружения текста из семейства PP-OCRv5_det, разработанная командой PaddleOCR. Она предназначена для эффективного и точного определения текстовых областей на изображениях в системах OCR и анализа документов, включая распознавание текста на сценах и номерных знаках. Модель поддерживает различные сценарии и формы текста: рукописный, вертикальный, повернутый и изогнутый текст, сложные макеты, разные размеры символов и неоднородный фон. В README указана поддержка упрощённого и традиционного китайского, английского и японского языков. Для запуска доступен формат ONNX через движок ONNX Runtime; модель можно использовать из PaddleOCR через CLI или Python API. Размер модели и точная архитектура не указаны. Среднее значение приведённых метрик составляет 0,770; сильными сторонами являются универсальность для разнообразных текстовых сценариев и сочетание эффективности с точностью. Показатели различаются в зависимости от типа данных: наиболее высокие значения указаны для печатного английского и китайского текста, а более низкие — для художественного текста, пиньиня и древних текстов. Модель распространяется по лицензии Apache-2.0.

PP-OCRv6_medium_det — модель обнаружения текстовых областей из семейства PP-OCRv6, разработанного командой PaddleOCR. Она локализует текст на изображениях и предназначена для использования как модуль обнаружения в OCR-конвейере, где распознавание текста выполняет отдельный модуль. Модель использует лёгкую архитектуру с LCNetV4 в качестве backbone и RepLKFPN в качестве шеи детектора, построенную на блоках в стиле MetaFormer со структурной репараметризацией. В ней 15,5 млн параметров. Она рассчитана на печатный и рукописный текст, в том числе повёрнутый, изогнутый и декоративный; семейство PP-OCRv6 поддерживает 48 языков, а метаданные карточки отмечают английский и китайский. Модель подходит для серверных и других сценариев обнаружения текста в документах и промышленных изображениях. Для полного извлечения текста требуется отдельный компонент распознавания. Опубликованные метрики приведены для обнаружения и не гарантируют результат на каждом типе изображения. Лицензия — Apache 2.0.

Qemma-Q14B — гибридная языковая модель для генерации текста и диалогов, опубликованная Convergent Intelligence LLC: Research Division. Веса Gemma-3 (1B) и Qwen3-14B объединены на уровне весов; по описанию автора, модель сочетает блоки Gemma с вниманием и головкой Qwen, а затем проходит дообучение SFT для следования инструкциям и пошаговых рассуждений. Для токенизации используется токенизатор Gemma-3. Модель предназначена для ответов на инструкции, анализа, помощи с кодом и дальнейшего дообучения. В метаданных указаны 1 млрд параметров и контекст до 524 288 токенов; автор также описывает масштабирование RoPE на основе YaRN. Модель распространяется в формате safetensors по лицензии OSL-3.0. Ответы могут содержать фактические ошибки. Автор не рекомендует использовать модель для решений в критически важных, медицинских, юридических и финансовых ситуациях.

Qwen2.5-Coder-14B-Instruct-Uncensored-Patched — модель для генерации и анализа программного кода, созданная AIOpsInSpace на базе Qwen/Qwen2.5-Coder-14B-Instruct от команды Qwen. Она ориентирована на локальные сценарии разработки, работу в качестве coding assistant и интеграцию с IDE-плагинами. Заявлена оптимизация для видеокарт с 16 ГБ VRAM и исправление проблем с обработкой токенов автодополнения и зависанием IDE-плагинов. Модель представляет собой плотную текстовую модель размером 14 млрд параметров и распространяется в формате GGUF. В карточке указана поддержка английского языка, а основная специализация — задачи программирования и текстовая генерация. Сведения о длине контекста, точной архитектуре, поддерживаемых языках программирования и мультимодальности не приведены, поэтому эти характеристики нельзя подтвердить. К сильным сторонам относятся ориентация на генерацию кода, возможность локального развертывания и заявленная совместимость с IDE-сценариями. Ограничения включают отсутствие подробных независимых бенчмарков и неполные сведения о производительности, контексте и языковой поддержке. Лицензия указана как Apache-2.0.

TobiasLogic разработал Qwen2.5-Coder-32B-abliterated на основе Qwen/Qwen2.5-Coder-32B-Instruct. Это плотная причинно-языковая модель семейства Qwen2 с 32 млрд параметров для генерации кода и диалогового взаимодействия. В модели статически изменены веса, связанные с направлением отказа; адаптеры и дополнительные операции во время инференса не требуются. Контекст составляет 32 768 токенов. Модель предназначена для локального помощника по программированию и агентных сценариев, включая анализ кода, отладку и задачи, в которых базовая модель может отказывать. В README приведены результаты EvalPlus: для вариантов HumanEval и MBPP показатели близки к базовой модели, однако опубликованные измерения включают квантизированную сборку GGUF Q4_K_M и не гарантируют такие же результаты для этого репозитория. Также заявлено снижение отказов на небольшом тестовом наборе. Модель поддерживает английский язык и принимает текстовые запросы, выдавая текст и код. Удаление отказов может сопровождаться небольшим снижением качества, а часть отказов может сохраняться; метод не добавляет знаний и не устраняет унаследованные смещения. Лицензия — Apache-2.0.

lucaswychan опубликовал дообученную модель эмбеддингов на основе плотной decoder-only архитектуры Qwen3.0-0.6B. Она предназначена для преобразования текстов в векторные представления и сравнения их семантической близости; в исследовании модель используется для изучения того, как обучение с подкреплением влияет на качество эмбеддингов. README сообщает, что такое начальное обучение не даёт устойчивого преимущества перед базовой моделью после одинакового контрастивного дообучения. Модель содержит 507,9 млн параметров, поддерживает контекст до 32 768 токенов и рассчитана на многоязычные тексты. Для использования доступны форматы Sentence Transformers и Transformers; README рекомендует включить trust_remote_code=True. Лицензия — Apache-2.0. В README описаны результаты исследований на MTEB и BRIGHT, но конкретные численные оценки этой модели не приведены.

OliviaRossi/Qwen3.5-9B-C3SM-SDM-Agentic-Coder — плотная авторегрессионная языковая модель для программирования, рассуждений и работы с инструментами. В README описан метод слияния C3SM-SDM, сочетающий веса нескольких моделей; метаданные указывают семейство Qwen3.5, архитектуру Qwen2ForCausalLM и формат Safetensors. Размер по метаданным — 7,2 млрд параметров, контекст — до 262 144 токенов. Модель предназначена для генерации и рефакторинга кода, агентных сценариев и многошагового диалога с вызовом инструментов. В README названы источники слияния: XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B, ornith-ai/Ornith-1.5-9B, Jackrong/Qwopus3.5-9B-Coder, OrionLLM/OxCoder-9B и empero-ai/Qwen3.8-9B-Distill. Метаданные отмечают английский и китайский языки, чат и интерфейс вызова инструментов. README сообщает, что мультимодальные проекции удалены для получения стандартной причинной языковой модели. Карточка описывает метод слияния, но не приводит независимых результатов оценки качества. Модель распространяется по лицензии MIT.

tvall43/Qwen3.6-14B-A3B-VibeForged-v2-GGUF — это мультимодальная квантизированная версия модели tvall43/Qwen3.6-14B-A3B-VibeForged-v2, основанной на восстановленной и дообученной версии прореженной Qwen3.6-35B-A3B-heretic. Модель распространяется в формате GGUF для запуска через llama.cpp и совместимые инструменты, включая LM Studio, Ollama и text-generation-webui. Разработчик описывает её как MoE-модель с 14B параметров, созданную с использованием QLoRA после дообучения на тысячах практических сессий vibecoding и данных Evol-Instruct для программирования. Модель предназначена прежде всего для генерации текста и кода, рассуждений, работы с инструментами и сценариев локального программирования. В ходе дообучения акцент сделан на строгих границах рассуждений в формате <think>...</think> и чистом JSON-синтаксисе вызова инструментов. Поддерживаются текстовая и визуальная модальности: в репозитории доступны мультимодальные проекторы mmproj в форматах F16 и Q8_0, унаследованные от базовой модели. В метаданных указан английский язык; размер контекста в README не указан. Доступны варианты F16, Q8_0, Q6_K, Q4_K_M, Q3_K_M, Q2_K и MXFP4_MOE, что позволяет выбирать между качеством, размером и скоростью в зависимости от ресурсов. Q8_0 требует около 15 ГБ памяти, а Q4_K_M ориентирован на локальный запуск примерно на 8 ГБ VRAM; характеристики других вариантов зависят от среды выполнения. Ограничения включают возможное снижение качества в сильно сжатых вариантах и необходимость поддержки MXFP4_MOE со стороны inference-движка. Модель распространяется по лицензии Apache-2.0.

Qwen3-Coder-23B-A3B-KREAP-MLX — это созданная RAS-LAB сжатая версия инструктивной модели Qwen3-Coder-30B-A3B-Instruct для генерации текста и кода, диалогов и работы с инструментами. Модель использует архитектуру MoE и доступна в формате safetensors для MLX и Transformers; в README указаны около 23 млрд параметров и 3,3 млрд активных, тогда как метаданные каталога указывают 2,6 млрд параметров. Контекст — до 262 144 токенов. Модель получена однопроходным удалением экспертов K-REAP без дообучения: число маршрутизируемых экспертов на слой сокращено со 128 до 96, при этом сохранены top-8 и корейские пути экспертов. По приведённым в карточке тестам, это помогает сохранить качество на корейском языке при небольшом снижении результатов по ряду корейских, английских и программных бенчмарков. Предназначена для программирования, рассуждений, математических задач и корейско-английских диалогов. Лицензия — Apache-2.0.

Qwen3-Coder-30B-A3B-Instruct-AWQ — квантизированная версия модели Qwen3-Coder-30B-A3B-Instruct, разработанная сообществом dark-side-of-the-code. Модель предназначена прежде всего для генерации и редактирования программного кода, агентных сценариев с вызовом инструментов и других задач text generation. Указана поддержка английского языка и библиотеки Transformers. Это Mixture-of-Experts-модель с 128 экспертами, из которых для каждого токена активируются 8. Она использует внимание GQA и имеет 30B параметров при обозначении активной части как A3B. Данная версия сжата методом AWQ в формате W4A16 с 4-битными весами, размером группы 128 и занимает около 15,5 ГБ, что позволяет запускать её на одной видеокарте с 24 ГБ памяти. Базовая модель поддерживает контекст до 262K токенов, однако для 24 ГБ GPU практическим ограничением указано 64K токенов. Сильные стороны модели — эффективный запуск на потребительских GPU, корректная генерация кода, работа с tool calls через parser qwen3_coder в vLLM и пригодность для локальных агентных циклов чтения, редактирования и тестирования. Ограничения связаны с потерями и компромиссами квантизации, практическим ограничением контекста при запуске на 24 ГБ GPU и заявленной языковой поддержкой только английского. Модель распространяется по лицензии Apache-2.0.

Qwen3-Coder-30B-A3B-Instruct-FP8 — кодовая версия серии Qwen3-Coder, разработанная Qwen и адаптированная FuriosaAI для запуска на аппаратной платформе FuriosaAI RNGD с использованием Furiosa-LLM. Модель предназначена для генерации кода, понимания репозиториев масштабом до проекта, агентских сценариев программирования и вызова инструментов. Она работает в режиме без рассуждений и принимает текстовые данные, возвращая текст. Это авторегрессионный трансформер архитектуры Qwen3-MoE с 30,5 млрд общих параметров, из которых около 3,3 млрд активируются для каждого токена. Веса используют статическое квантование FP8, активации динамически квантуются в FP8 во время выполнения, а KV-кэш сохраняется в 16-битной точности. Поддерживается вызов функций через парсер hermes. Для запуска на RNGD используется тензорный параллелизм на 32 PE, соответствующий четырём картам RNGD. Языки и размер контекста в README не указаны. Сильными сторонами модели являются специализация на задачах программирования, поддержка понимания репозиториев, инструментов и эффективного MoE-инференса в формате FP8. Ограничения включают работу только в режиме без рассуждений, зависимость описанной оптимизированной конфигурации от FuriosaAI RNGD и Furiosa-LLM, а также отсутствие в предоставленных данных сведений о языковом охвате, контексте и результатах бенчмарков. Модель распространяется по лицензии Apache 2.0.

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.

Qwen3-Coder-Next-Uncensored-Heretic — дообученная версия Qwen3-Coder-Next от независимого автора llmfan46. Это причинная языковая модель с архитектурой MoE, предназначенная для генерации кода и работы в агентных сценариях разработки. Модель поддерживает диалог и вызов инструментов, а её контекст достигает 262 144 токенов. Автор описывает вариант как менее склонный к отказам: в приведённом тесте отказов было 8 из 100 против 100 из 100 у исходной модели; KL-дивергенция относительно неё составила 0,1488. Это не гарантирует качество или поведение на других запросах. README указывает на 80 млрд общих параметров и 3 млрд активных у исходной модели, тогда как метаданные этого репозитория сообщают 2,3 млрд параметров; эти оценки расходятся. Модель доступна в формате Safetensors и распространяется по лицензии Apache-2.0.

Ring-1T — большая языковая модель для диалога и сложных рассуждений, разработанная командой Bailing и опубликованная под лицензией MIT. Она использует архитектуру Ling 2.0 с механизмом Mixture of Experts: в карточке Hugging Face указано 49,6 млрд параметров, а README описывает исходную основу как модель с 1 трлн параметров и 50 млрд активируемых параметров. Модель принимает текст, поддерживает контекст до 65 536 токенов по метаданным и предоставляет интерфейс для вызова инструментов. Ring-1T предназначена для математических и логических задач, генерации кода, ответов на вопросы и творческого письма. Разработчики сообщают о результатах на олимпиадных задачах по математике и программированию, но эти оценки основаны на собственных тестах и не гарантируют качество в других сценариях. README также предупреждает о возможной предвзятости при распознавании собственной идентичности, смешивании языков и повторениях; эффективность вывода на длинном контексте ограничена архитектурой внимания GQA.

sobamchan/roberta-large-mrl-768-512-256-128-64 — англоязычная Sentence Transformer модель, созданная дообучением FacebookAI/roberta-large на датасете all-nli. Она кодирует предложения и абзацы в плотные векторы размерностью до 1024 и предназначена для сравнения смысловой близости, семантического поиска, поиска перефразирований, кластеризации и классификации текста. Для оценки близости можно использовать косинусное сходство; обучение с MatryoshkaLoss поддерживает укороченные представления размерностью 768, 512, 256, 128 и 64. Модель принимает последовательности длиной до 512 токенов и построена на RoBERTa с усреднением токенных представлений. В README приведены результаты на STS: Spearman cosine 0,8229 на sts-dev и 0,7977 на sts-test. Это англоязычная модель для текстовых эмбеддингов, поэтому её пригодность для других языков не подтверждена. Лицензия в предоставленных данных не указана.

Модель atasoglu/roberta-small-turkish-clean-uncased-nli-stsb-tr — дообученный sentence-transformers энкодер на базе турецкой RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для поиска по смыслу, сравнения текстов и кластеризации. Модель дообучена на наборах nli_tr и emrecan/stsb-mt-turkish; тексты перед подачей следует вручную приводить к нижнему регистру с заменой латинской I на турецкую ı. Число параметров — 71,9 млн, контекст — до 514 токенов. Работает с турецким языком, распространяется под лицензией MIT.

cointegrated/rubert-tiny2 — компактный русскоязычный BERT-энкодер, обновлённая версия ruBERT-tiny. Модель разработана для получения векторных представлений предложений; её также можно дообучать для прикладных задач. Она содержит около 29 млн параметров, использует словарь из 83 828 токенов и поддерживает последовательности длиной до 2048 токенов. Эмбеддинги предложений приближены к представлениям LaBSE; сегментные эмбеддинги настроены на задаче NLI. Векторы можно применять, например, для классификации коротких текстов методом ближайших соседей и оценки сходства предложений. Модель ориентирована на русский язык; карточка распространяет её по лицензии MIT.

WpythonW выпустил версию cointegrated/rubert-tiny2, адаптированную для высокопроизводительного инференса эмбеддингов через vLLM. Это компактный BERT-энкодер на 29 млн параметров с контекстом до 2048 токенов. Модель формирует эмбеддинги предложений и подходит для сравнения их семантического сходства; заявлена численная эквивалентность эмбеддингов оригинальной модели при использовании float32. При преобразовании веса не менялись: удалены ненужные головы предобучения, а архитектура приведена к BertModel для совместимости с vLLM. Оптимизированный инференс с пакетной обработкой подходит для сервисов семантического поиска и сопоставления текстов. Для точного совпадения с оригиналом автор рекомендует использовать float32. Модель поддерживает русский и английский языки и распространяется по лицензии MIT. Для стандартного использования через PyTorch или Transformers автор рекомендует исходную модель cointegrated/rubert-tiny2.

SantaCoderPack — предварительно обученная модель для генерации и дополнения кода, разработанная в рамках проекта BigCode. Она использует архитектуру GPTBigCode с multi-query attention и обучалась на данных CommitPack в формате, связывающем код до сообщения об изменении, само сообщение и код после него. Карточка указывает 250 тысяч шагов обучения и 131 млрд токенов предобучения; модель представлена в формате PyTorch и поддерживает контекст до 8192 токенов. Модель предназначена для генерации кода по инструкциям, исправления ошибок и работы с изменениями кода. В README перечислены Python, JavaScript, Java, C++, Go и Rust. Она рассчитана на сценарии программирования, однако качество может различаться по языкам и задачам; инструкция к примеру показывает, что полезно формулировать запрос в контексте фрагмента кода. Лицензия — BigCode OpenRAIL-M.

khanhpd2/sbert-vinai-phobert-large-mnr — модель семейства Sentence-Transformers на архитектуре RoBERTa, основанная на PhoBERT от VinAI. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 468,2 млн параметров и принимает последовательности длиной до 258 токенов. Модель подходит для построения векторного поиска по текстовым коллекциям, поиска похожих предложений и группировки текстов по смыслу. В README приведён способ использования с Sentence-Transformers и Transformers; при работе через Transformers нужно применять подходящую операцию pooling к контекстным представлениям токенов. Карточка не сообщает лицензию и отдельные ограничения качества. Судя по базовой модели PhoBERT и назначению, модель ориентирована на вьетнамский язык; качество на других языках не подтверждено. Формат весов — PyTorch.

KBLab, лаборатория данных Национальной библиотеки Швеции, разработала эту модель на базе BERT для получения плотных векторных представлений шведских и английских предложений и абзацев. Это sentence-transformers bi-encoder размером 151,9 млн параметров; он отображает текст в векторы размерности 768 и поддерживает входную последовательность до 512 токенов. Модель предназначена для оценки семантического сходства, семантического поиска и кластеризации текстов. Шведская KB-BERT обучалась как student-модель с помощью дистилляции знаний от английской all-mpnet-base-v2. В README приведены результаты оценки на шведских наборах SweParaphrase и SweFAQ; версия v2.0 показала лучшие результаты на задаче поиска ответов в SweFAQ v2.0 среди перечисленных версий. Модель принимает текст и выдаёт векторы, пригодные для сравнения и поиска. Распространяется по лицензии Apache-2.0. Результаты оценки относятся к указанным шведским бенчмаркам; качество на других языках и типах текстов может отличаться.

tcepi/sts_bertimbau — модель Sentence Transformers, дообученная на базе neuralmind/bert-base-portuguese-cased. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения текстов по косинусному сходству. Архитектура включает BERTimbau Base с mean pooling; максимальная длина входа — 512 токенов. Модель предназначена для семантического сходства текстов, семантического поиска, поиска перефразировок, классификации и кластеризации текстов на португальском языке. Она выдаёт эмбеддинги, которые можно использовать в поисковых системах и других задачах сравнения текстов. Лицензия в предоставленных данных не указана.

Cloyne/sup-SimCSE-VietNamese-phobert-base — модель Sentence Transformers, дообученная на базе VoVanPhuc/sup-SimCSE-VietNamese-phobert-base. Она использует архитектуру RoBERTa и преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантического сходства по косинусной близости. Модель рассчитана прежде всего на вьетнамский язык; длина контекста составляет до 258 токенов по метаданным. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В README указано обучение на 120 210 парах «запрос — позитивный пример» из CSV-датасета. Модель принимает текст и выдаёт векторы; сама по себе она не генерирует ответы. Лицензия в предоставленных данных не указана.

vikp/surya_det3 — модель обнаружения текстовых строк в составе Surya, разработанная Vik Paruchuri для Surya. Она принимает изображение документа и выделяет расположение строк текста, чтобы передать их на последующие этапы OCR. Модель построена на EfficientViT с архитектурой семантической сегментации EfficientViTForSemanticSegmentation; содержит 38,4 млн параметров и распространяется в формате safetensors с весами F32. Для обучения использована база vikp/line_detector_3; в репозитории указана лицензия CC BY-NC-SA 4.0. Модель предназначена для обнаружения текста в документах и сама по себе не распознаёт и не возвращает текст. Карточка не описывает отдельные языковые ограничения детектора.