II.8Инженерия данных и аналитика

LingoIITGN разработала qwen-indic-v1 — мультиязычную модель текстовых эмбеддингов для 22 официально запланированных индийских языков. Она дообучена методом LoRA на базе Qwen/Qwen3-Embedding-8B, после чего адаптер объединён с базовыми весами. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3, pooling последнего токена и L2-нормализацию; размер эмбеддинга — 4096, длина контекста — до 40 960 токенов. Модель предназначена для получения векторных представлений текста, семантического поиска, ранжирования и сравнения предложений на индийских языках. В оценке MTEB(Indic, v1) она показала средний результат 73,80 по 20 задачам. Для классификации и оценки семантического сходства предусмотрены соответствующие префиксы инструкций, применяемые через sentence-transformers. Качество может быть ниже для языков с малым объёмом обучающих данных, включая кашмири, манипури, бодо и сантали; кластеризация уступает современным лидерам MTEB(Indic). Модель наследует возможности и смещения базовой Qwen3-Embedding-8B. Для инференса в bf16 требуется около 16 ГБ VRAM. Лицензия — Apache 2.0.

Qwopus3.8-27B-Flash-V2 — экспериментальная мультимодальная модель на архитектуре Qwen3.5, разработанная Jackrong. Это обновлённый пост-тренировочный вариант Qwopus3.8-27B-Flash, который, согласно карточке, основан на Qwen3.8-27B. Модель принимает текст и изображения и предназначена для диалогов, следования инструкциям, рассуждений, работы с инструментами и генерации кода. Вторая версия прошла дополнительное пост-обучение с изменёнными функциями вознаграждения и методами обучения с подкреплением. Разработчик делает упор на эффективность вывода и длительные агентные сценарии с повторяющимися вызовами инструментов. Указаны поддержка спекулятивного декодирования MTP и улучшения форматирования Python; приведённые в README результаты относятся к описанным там тестам и не гарантируют аналогичное качество на других задачах. Ограничения включают возможный дрейф рассуждений и неэффективные траектории, а качество работы с инструментами зависит от промпта, среды и оркестрации. Разработчик отмечает, что модель не проходила широкую оценку безопасности и надёжности агентов. Лицензия — Apache-2.0.

roberta-large-entity-linking — модель GlassLewis на архитектуре RoBERTa-large, дообученная как биэнкодер для связывания упоминаний сущностей с соответствующими страницами или описаниями в базе знаний. Она отдельно кодирует контекст с упоминанием и описание сущности, чтобы находить подходящие совпадения по сходству; для выделения упоминаний рекомендуется обрамлять их специальным токеном [ENT], а кандидатов можно предварительно находить с помощью модели распознавания именованных сущностей. Модель предназначена для связывания сущностей с концепциями Википедии, поиска по базе знаний без специального обучения на целевой задаче и построения баз знаний. Её можно использовать как извлекатель top-k кандидатов, передавая финальную дизамбигуацию более мощному классификатору. В описанном тесте Zero-Shot Entity Linking она показала Recall@64 80,29%; результат BLINK на том же тесте составлял 82,06%, но BLINK обучалась на тренировочной выборке. Модель содержит 454,1 млн параметров, принимает текст с контекстным окном до 514 токенов и распространяется в формате Safetensors. Лицензия — BigScience OpenRAIL-M.

omniamnaeem/semantic_sim_ner_with_ContrastiveLoss — модель на основе BERT, опубликованная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 256 для сравнения семантической близости, кластеризации и семантического поиска. Контекст модели ограничен 512 токенами, размер — 12,4 млн параметров. В README указано обучение с косинусной функцией потерь и отступом 0,5. Модель принимает текст и выдаёт векторные представления, которые можно использовать для поиска похожих фрагментов и группировки текстов. Лицензия в предоставленных данных не указана.

Veritone/siglip2-large-patch16-512-vision — отдельная копия визуальной башни SigLIP 2 Large, разработанной Google. Модель кодирует изображения и видеокадры в общее пространство эмбеддингов; текстовая башня для сопоставления находится в отдельном репозитории Veritone. Разделение позволяет загружать только визуальную часть при индексации. Модель предназначена для классификации изображений по кандидатным текстовым меткам без специального дообучения, поиска по сходству изображений и текста, а также для использования в качестве визуального энкодера. Архитектура — SigLIP, класс SiglipModel; файлы весов представлены в формате safetensors, библиотека — Transformers. В исходной модели SigLIP 2 описано предварительное обучение на наборе WebLI. Репозиторий распространяется по лицензии Apache-2.0.

Veritone/siglip2-so400m-patch16-256-vision — облегчённая копия модели Google SigLIP 2 So400m, содержащая только визуальный энкодер. Она преобразует изображения и кадры видео в эмбеддинги общего пространства и предназначена для независимой загрузки визуальной части при индексации, что сокращает расход памяти и время загрузки. Текстовая часть для работы с запросами опубликована отдельно как Veritone/siglip2-so400m-patch16-256-text. Модель поддерживает классификацию изображений без дообучения по заданным текстовым меткам, поиск по изображениям и использование в качестве визуального энкодера мультимодальных моделей. SigLIP 2 обучена на наборе WebLI и, согласно карточке, улучшает семантическое понимание, локализацию и извлечение плотных признаков. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0. В этой копии отсутствует текстовый энкодер, поэтому для сценариев сопоставления изображений с текстовыми запросами потребуется отдельная текстовая башня.

kornwtp/simcse-model-XLMR — модель эмбеддингов предложений на базе XLM-R, обученная разработчиком с использованием SimCSE на тайской Википедии. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства. Архитектура — XLM-RoBERTa с 305,2 млн параметров; модель принимает текст и выдаёт векторы. Максимальная длина контекста — 514 токенов. Модель выпущена под лицензией Apache-2.0. README указывает на обучение на тайской Википедии, поэтому поддержка тайского подтверждена; фактическое качество для других языков не описано.

SimCSE-Small-E-Czech — компактная модель семантических эмбеддингов предложений, разработанная Seznam.cz. Она основана на Seznam/small-e-czech и дообучена с целевой функцией SimCSE; архитектура — ELECTRA, размер — 20,4 млн параметров. Модель предназначена для сравнения смысла чешских предложений и может применяться в семантическом поиске, извлечении релевантных текстов, кластеризации и классификации. Модель принимает текст и выдаёт векторные представления предложений для задач сходства. Она рассчитана на чешский язык, поддерживает контекст до 512 токенов и распространяется в формате PyTorch по лицензии CC BY 4.0. README не приводит подробных результатов оценки; качество для конкретного набора данных следует проверять отдельно.

Sky-T1-32B-Preview — 32-миллиардная плотная языковая модель NovaSky Team из Sky Computing Lab Калифорнийского университета в Беркли. Её дообучили на базе Qwen/Qwen2.5-32B-Instruct на 17 тысячах примеров с проверенными ответами по математике и программированию, а также на научных данных из работы Still-2. Модель предназначена для диалоговой генерации текста и решения задач по математике, программированию и науке. В карточке приведены результаты оценивания на Math500, AIME2024 и LiveCodeBench-Easy; авторы сообщают о результатах на уровне o1-preview по математике и программированию. Архитектура — Qwen2ForCausalLM, поддерживаемый контекст — 32 768 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. Результаты из карточки относятся к указанным тестам и не гарантируют сопоставимого качества на других задачах. Сведения о поддерживаемых языках ограничены меткой английского языка в метаданных.

Snowflake Arctic-Base — базовая языковая модель, разработанная командой Snowflake AI Research Team и предварительно обученная с нуля. Это гибридный трансформер с архитектурой dense-MoE: плотный блок на 10 млрд параметров сочетается с остаточным MoE-блоком из 128 экспертов; по README активно выбираются 17 млрд параметров на токен с помощью top-2 gating. В метаданных репозитория указано 11,1 млрд параметров, а нативное окно контекста составляет 4096 токенов. Модель принимает текст и генерирует текст, включая код. Она предназначена как базовая модель для генерации и продолжения текста, а также для создания собственных прикладных решений и последующего дообучения; версия Base не является instruct-вариантом. Для запуска README рекомендует Transformers версии 4.39 или выше с `trust_remote_code=True`; для инференса предлагается сервер с 8 ускорителями H100. Лицензия Apache-2.0 допускает использование в исследованиях, прототипах и продуктах.

Casual-Autopsy/snowflake-arctic-embed-l-v2.0-gguf — это GGUF-квантизированная версия мультиязычной модели для создания текстовых эмбеддингов, основанная на Snowflake/snowflake-arctic-embed-l-v2.0 и подготовленная с использованием llama.cpp. Разработчик исходной модели — Snowflake. Модель предназначена для семантического поиска, информационного поиска и retrieval-сценариев, включая корпоративный мультиязычный поиск в большом масштабе. Модель содержит 568 млн параметров, из которых 303 млн не относятся к эмбеддингам, формирует векторы размерностью 1024 и поддерживает контекст до 8192 токенов. Она рассчитана на работу с широким набором языков, включая английский, русский, китайский, японский, арабский и многие другие. Поддерживаются Matryoshka Representation Learning и обучение с учетом квантования, благодаря чему размерность векторов можно сокращать до 256 с небольшим снижением качества, а совместно с Int4-квантованием получать векторы размером до 128 байт. Сильные стороны модели — высокое качество англоязычного и мультиязычного поиска, эффективность инференса, поддержка длинного контекста и удобная компрессия эмбеддингов. Ограничения включают специализированность на получении векторных представлений, а также возможное снижение качества при усечении размерности и агрессивном квантовании. Исходная модель распространяется по лицензии Apache 2.0; для конкретной GGUF-сборки в README отдельная лицензия не указана.

QuantFactory/starcoder2-3b-instruct-GGUF — квантизированная версия модели TechxGenus/starcoder2-3b-instruct, подготовленная QuantFactory с использованием llama.cpp. Модель предназначена прежде всего для генерации кода и выполнения инструкций, связанных с программированием; для задач, не относящихся к кодированию, её возможности могут быть ограничены. В основе лежит StarCoder2 с 3 млрд параметров, дообученная на 0,7 млрд дополнительных высококачественных токенов, связанных с программным кодированием, в течение трёх эпох. При обучении использовались DeepSpeed ZeRO 3 и Flash Attention 2. Модель работает в формате инструкций Alpaca без системного промпта; в README приведён шаблон с секциями «Instruction» и «Response». Заявленный результат на HumanEval-Python составляет 65,9 pass@1. Сведения о поддерживаемых языках программирования, размере контекста и точном типе квантизации не указаны. К сильным сторонам относятся специализация на коде, компактный размер и доступность в формате GGUF для запуска через llama.cpp. Ограничения включают возможные ошибки и вводящие в заблуждение ответы, слабую пригодность для некодовых задач и ограниченное тестирование; перед применением в реальных системах рекомендуется дополнительная проверка безопасности. Лицензия — BigCode OpenRAIL-M.

amgix/static-retrieval-multilingual-69m-v1 — многоязычная модель статических текстовых эмбеддингов от Amgix, полученная дистилляцией ibm-granite/granite-embedding-97m-multilingual-r2 и настроенная для поиска. Она создаёт векторы для документов и запросов, чтобы находить семантически близкие тексты; статические эмбеддинги позволяют вычислять их значительно быстрее на CPU и GPU, чем у исходной модели, что подходит для систем с ограниченными ресурсами и сценариев реального времени. В карточке приведены результаты сравнительных тестов по многоязычному поиску, включая NanoBEIR и RTEB, а также тест скорости на CPU. В испытаниях модель показывает разные результаты в зависимости от языка и набора данных; например, в английском поиске кода она уступила одному из сравниваемых вариантов. Модель доступна в формате safetensors и может загружаться через Model2Vec или Sentence Transformers. Лицензия — Apache-2.0.

ellery/text-safety-embedding — модель на базе архитектуры BERT, опубликованная в формате PyTorch и предназначенная для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в эмбеддинги размерностью 1024 и подходит для семантического поиска и кластеризации. Модель также можно использовать для сравнения семантической близости текстов. Контекст модели составляет до 512 токенов, а размер — 424,3 млн параметров. Для работы доступны Sentence-Transformers или Transformers с подходящей операцией pooling поверх контекстных представлений. В карточке не описаны языки обучения или специализация на выявлении небезопасного контента, поэтому название модели само по себе не подтверждает такую возможность.

Tulu V2.5 PPO 13B — англоязычная диалоговая модель-помощник, разработанная AllenAI. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, дообученная на основе Tulu 2 с применением PPO и данных предпочтений UltraFeedback; для обучения использовалась reward-модель на 70 млрд параметров и смесь промптов. Контекст модели — до 4096 токенов. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате: её можно применять для вопросов и ответов, помощи с кодом и математическими задачами. В карточке указан шаблон чата с сообщением пользователя между маркерами начала и конца, а токенизатор содержит соответствующий chat template. Модель поддерживает английский язык и распространяется по лицензии Apache 2.0. В карточке отмечено, что модель не обучали выдавать безопасные ответы на этапе RLHF и не снабдили фильтрацией ответов во время работы, поэтому она может генерировать проблемный контент, особенно при соответствующих запросах.

Это модель SentenceTransformer на архитектуре BERT, дообученная командой trmteb на базе dbmdz/bert-base-turkish-uncased. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения текстов по косинусному сходству. Максимальная длина входной последовательности — 512 токенов; используется mean pooling.

Карточка модели Alibaba-NLP/UEmbed-2B на Hugging Face совпадает с карточкой Alibaba-NLP/UEmbed-4B, поэтому описание составлено по ней. UEmbed-4B — мультимодальная модель эмбеддингов от Alibaba-NLP на архитектуре Qwen3.5 с примерно 4 млрд параметров. Она принимает текст, изображения, видео и их сочетания, а за один проход формирует плотные векторы и разреженные SPLADE-представления для поиска и сопоставления содержимого. Модель предназначена для семантического и мультимодального поиска, включая поиск по визуальным документам. Плотные векторы подходят для поиска по смыслу, а разреженные активации связаны с терминами словаря и могут использоваться в индексах обратных списков. Модель доступна в формате safetensors и работает через Transformers. Модель обучена на публичных наборах данных для текстового и мультимодального поиска. Лицензия — CC BY 4.0. В README не приведены сведения о длине контекста или результаты, специфичные именно для версии 4B.

UVDoc — модель PaddlePaddle для геометрической коррекции изображений документов. Она выправляет наклон, перспективные искажения и деформации страницы, чтобы улучшить качество последующего распознавания текста. Модель рассчитана на использование как этап предварительной обработки в системах OCR и конвейерах анализа документов, включая PP-StructureV3. В README приведён результат CER 0,179 на тестовом наборе DocUNet; это показатель из указанного бенчмарка, а не гарантия качества на других данных. Модель распространяется под лицензией Apache-2.0. Метаданные указывают языки en и zh; карточка описывает именно коррекцию изображений, а не самостоятельное распознавание текста.

Darkfibre публикует VibeThinker-3B-Ablated — производную компактной плотной языковой модели VibeThinker-3B на базе Qwen2.5-Coder-3B. По карточке, в модели проекцией удалено направление отказа на 11-м слое; заявленная цель изменения — ослабить автоматические отказы в ответах. Модель предназначена для диалогов, рассуждений, математики и программирования. Модель построена на архитектуре Qwen2, содержит 3,1 млрд параметров и поддерживает контекст до 131 072 токенов. Карточка заявляет высокие результаты на тестах по математике и программированию, однако это утверждения автора; независимая проверка в предоставленных данных не описана. Доступны веса в формате Safetensors, запуск предусмотрен через Transformers. Лицензия — Apache-2.0.

Модель tuandung2812/vietnamese-embedder-2611 — дообученный Sentence Transformer на базе bkai-foundation-models/vietnamese-bi-encoder, разработанный автором репозитория tuandung2812. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для оценки семантического сходства с косинусной метрикой, поиска, кластеризации и других задач сравнения текста. Архитектура основана на RoBERTa с усреднением токенных представлений; максимальная длина последовательности составляет 258 токенов по метаданным. Модель предназначена для вьетнамского языка. Доступны файлы ONNX и safetensors. Условия лицензии в предоставленных данных не приведены.

WeMM-Embedding-2B-INT8 — мультимодальная модель для получения эмбеддингов, опубликованная ewin-reg. Это INT8-перекодировка модели ewin-reg/WeMM-Embedding-2B-Quantized, восходящей к tencent/WeMM-Embedding-2B; веса не дообучались и не дистиллировались. Модель построена на гибридной архитектуре Qwen3.5 с линейным и полным вниманием, а также визуальным трансформером; поддерживает Matryoshka-эмбеддинги размерностью от 64 до 2048. Размер файлов модели составляет около 1,94 ГБ. Модель предназначена для создания текстовых, изображенческих и видеоэмбеддингов, поиска по сходству и мультимодального поиска. Перекодировка весов позволяет запускать её на CPU, CUDA и Apple Silicon MPS со стандартным PyTorch. В README приведены измерения близкого совпадения эмбеддингов INT8-версии с FP8-вариантом и базовой моделью, однако это результаты ограниченных наборов запросов и изображений. В README указана лицензия «other» в метаданных, но её конкретные условия не приведены. Для использования следует проверить лицензию карточки и исходной модели.

WeMM-Embedding-4B — универсальная мультимодальная модель эмбеддингов Tencent на базе Qwen3.5-4B. Она принимает текст, изображения, видео, визуальные документы и их сочетания, а на выходе формирует L2-нормированный вектор размерностью 2560. Для векторного поиска и сравнения можно кодировать текст, изображения или видео как по отдельности, так и в составе смешанного ввода; модель также поддерживает Matryoshka-эмбеддинги с выбором меньшей размерности. Модель предназначена для получения представлений мультимодального содержимого, в частности для поиска и сопоставления текста, изображений, видео и визуальных документов. В README приведены результаты на наборах MMEB-v2 и MMEB-v3; они описывают оценку на бенчмарках, а не гарантируют качество в конкретном приложении. Аудиоввод не поддерживается. Указана лицензия `other`; конкретные условия следует уточнить в карточке модели.

WuQi-V3-Onyx-27B — созданная проектом WuQi агентная модель для диалогов и многоэтапных задач. Она дообучена методом LoRA на базе мультимодальной Qwen3.8-27B, после чего адаптер объединён с весами. Модель распространяется в формате Transformers и совместима с Transformers, vLLM и SGLang. Лицензия — Apache 2.0. Модель настроена на планирование и выполнение задач с инструментами, проверку наблюдений и гибкое принятие решений. В README описана адаптация для 12 инструментов среды DeepSeek Harness, включая работу с файлами и кодом, веб-поиск и делегирование подзадач. Архитектура — плотная Qwen3.5 с поддержкой изображений; заявленная длина контекста в конфигурации развертывания — 262144 токена. Основной язык карточки — китайский. Это предварительная версия. Заявленные в карточке результаты относятся к оценке DSH-ABench-Basic и внутренним замерам токенов; они не гарантируют аналогичного качества в других сценариях. Для активации дообученной манеры работы README рекомендует специальный system prompt; внешняя инструкция Harness может его переопределить.

Yi-9B-Coder-IMat-GGUF — квантизированная версия модели TechxGenus/Yi-9B-Coder, подготовленная пользователем legraphista. Модель предназначена прежде всего для генерации и обработки программного кода и распространяется в формате GGUF для запуска с совместимыми инструментами, включая llama.cpp. Архитектурная основа относится к семейству Llama; размер исходной модели составляет около 9 млрд параметров, исходный формат — BF16. Репозиторий содержит варианты от BF16 и F16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-квантов. Для ряда вариантов применена IMatrix-квантизация, призванная лучше сохранять качество при уменьшении размера модели. Доступны файлы размером примерно от 3,1 до 17,66 ГБ, что позволяет выбирать между качеством и требованиями к памяти. Данные о поддерживаемых языках программирования, размере контекста и мультимодальности в README не указаны; модель описана как текстовая и ориентированная на код. Сильной стороной модели является широкий выбор вариантов квантования и возможность локального запуска при существенно меньших требованиях к памяти. При этом низкобитные варианты могут терять качество по сравнению с BF16 или F16, а конкретная производительность и точность зависят от выбранного файла и оборудования. Лицензия — Apache-2.0.

Карточка модели avsolatorio/00-400-10-1-0-1-0-0-cls-normed-768-512_GIST_BAAI_bge-base-en-v1.5-20240130184711-latest на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

olmOCR-7B-0225-preview-GGUF — это квантизированная версия мультимодальной модели olmOCR-7B-0225-preview, разработанной AllenAI и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp. Модель предназначена для обработки изображений и текста, прежде всего для задач оптического распознавания символов и извлечения текстовой информации из визуальных документов. Заявленная языковая поддержка — английский язык. Модель содержит около 7 миллиардов параметров и доступна в нескольких вариантах квантизации от Q8_0 до Q2_K_L, что позволяет выбирать между качеством распознавания, размером файла и требованиями к оперативной памяти. Размер файлов составляет примерно от 3,49 до 8,10 ГБ. Варианты GGUF можно запускать локально через llama.cpp, LM Studio и другие совместимые проекты. Для взаимодействия используется шаблон промпта с ролями system, user и assistant. Сильными сторонами являются поддержка изображений, широкий выбор уровней квантизации и возможность локального запуска без обращения к облачным сервисам. При этом снижение точности по сравнению с исходной моделью зависит от выбранного варианта квантизации, а сведения о точной архитектуре, максимальной длине контекста и поддержке языков, кроме английского, в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

Это компактная модель Sentence Transformer, разработанная на основе prajjwal1/bert-tiny и дообученная с использованием библиотеки sentence-transformers. Модель преобразует предложения и абзацы в плотные векторы размерности 256 и предназначена для оценки семантического сходства текстов, семантического поиска, поиска перефразирований, классификации и кластеризации текста. Архитектура включает BERT-трансформер с максимальной длиной последовательности 384 токена, mean-пулингом, полносвязным Dense-слоем с преобразованием размерности с 128 до 256 и активацией Tanh, а также нормализацией выходных векторов. Для сравнения по умолчанию используется косинусное сходство. Язык и обучающий датасет в карточке не указаны; заявленный набор данных содержит 277277 примеров, а функция потерь — MultipleNegativesRankingLoss. Модель отличается малым размером и потенциально высокой скоростью инференса, что делает её подходящей для ресурсоограниченных сценариев и массового сравнения коротких текстов. Ограничения включают неизвестную языковую специализацию, ограниченный контекст в 384 токена и более низкие показатели на тестовой выборке STS по сравнению с крупными моделями: корреляция Spearman для косинусного сходства составляет 0,678, Pearson — 0,691. Лицензия в README не указана.

Alpha-Orionis-v0.1 — экспериментальная текстовая генеративная модель из серии Orion, разработанной автором fearlessdots. Она представляет собой плотную причинно-языковую модель семейства Mistral примерно на 7,1 млрд параметров с контекстом до 32 768 токенов и предназначена для диалога и генерации текста. Автор ориентирует серию на STEM, информатику и программирование, социальные науки, рассуждения, логическую дедукцию, критический анализ и общие знания; в метаданных указан обучающий набор ToxicQAFinal. В карточке указано, что модель дообучалась с применением LoRA и 4-битной конфигурации обучения, а затем адаптер был объединён с базовой моделью. Идентификатор базы не заполнен; среди благодарностей упомянута команда Wizard, но точная исходная модель не названа. Модель описана как намеренно малоцензурированная и экспериментальная, поэтому качество ответов может быть непостоянным, а результаты требуют проверки. Лицензия репозитория — Apache-2.0.

LocalDoc разработала двуязычную модель эмбеддингов предложений для азербайджанского и английского языков. Она кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена для оценки семантической близости, семантического поиска, поиска перефразировок, классификации текстов и кластеризации. Модель основана на sentence-transformers/all-MiniLM-L6-v2: архитектура BERT с 6 слоями, скрытым размером 384 и 12 головами внимания. Она дообучена дистилляцией знаний на параллельном корпусе примерно из 4,14 млн азербайджано-английских пар; используется собственный токенизатор SentencePiece Unigram с словарём около 50 тыс. токенов. Максимальная длина входа — 512 токенов. В метаданных указано 33,4 млн параметров; README приводит оценку около 30,2 млн после расширения словаря. Модель подходит для двуязычного поиска и сравнения текстов, но заявленные результаты относятся к STS-бенчмаркам на азербайджанском и не гарантируют качество на других задачах или языках. Распространяется по лицензии CC BY 4.0.

Mahedi420/Bangla-bert-improved-version — модель Sentence Transformers на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторные представления размерности 768. Её можно использовать для поиска семантически близких текстов и кластеризации; в метаданных также указаны извлечение признаков и оценка сходства предложений. Модель содержит 191,6 млн параметров и принимает последовательности длиной до 512 токенов. При обучении применялась функция потерь Multiple Negatives Ranking Loss с косинусным сходством. Название и карточка указывают на ориентацию на бенгальский язык. Для использования доступны веса safetensors и библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.