II.8Инженерия данных и аналитика

rahmanfadhil/indobert-finetuned-indonli — модель эмбеддингов предложений на базе IndoBERT от indobenchmark, дообученная автором на наборе IndoNLI с функцией потерь MultipleNegativesRankingLoss. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска по смыслу и кластеризации индонезийских текстов. Архитектура — BERT, число параметров — 151,6 млн, формат весов — PyTorch, максимальная длина контекста — 512 токенов. Лицензия в предоставленных данных не указана.

Omerhan разработал Omerhan/intfloat-fine-tuned-14376-v4 — Sentence Transformer, дообученный на базе intfloat/multilingual-e5-large-instruct для создания плотных текстовых эмбеддингов. Модель использует XLM-RoBERTa с усреднением токеновых представлений и нормализацией; размер эмбеддинга — 1024, максимальная длина последовательности — 512 токенов. Для сравнения векторов подходит косинусное сходство. Модель ориентирована на турецкий язык. Её можно применять для семантического поиска, сравнения предложений и документов, поиска перефразировок, кластеризации и классификации текста. Обучение проводилось на наборе json из 920 106 примеров с парами и отрицательными примерами; используются MatryoshkaLoss и MultipleNegativesRankingLoss. Модель распространяется по лицензии Apache-2.0.

ISOM-R1-Coder-16B-MoE-Beta — экспериментальная модель для генерации кода и диалоговой помощи в программировании, разработанная Prannessh K.V.A. на основе DeepSeek-Coder-V2-Lite-Instruct. В README заявлена архитектура MoE с 64 маршрутизируемыми и 2 общими экспертами, из которых активируются 6 на токен, а также Multi-Head Latent Attention. Метаданные указывают 2,5 млрд параметров и контекст 163 840 токенов; README приводит иные оценки размера — 15,71 млрд параметров всего и 2,36 млрд активных на токен. Модель предназначена для генерации и дополнения кода, работы с контекстом репозитория и ответов на вопросы по программированию. README описывает механизм ограниченного кэша для длинных контекстов и заявляет поддержку до 1 048 576 токенов, однако теоретические характеристики не подтверждены аудитом: автор прямо указывает, что эмпирическая проверка на последовательностях длиной 160 тыс. токенов не заявлена. В метаданных отмечены английский и китайский языки. Модель распространяется в формате safetensors по лицензии CC-BY-NC-ND-4.0; README также упоминает лицензию DeepSeek для базовых весов. Условия использования производной модели следует оценивать с учётом обеих лицензий.

jina-reranker-v1-turbo-en — англоязычный реранкер от Jina AI на основе архитектуры JinaBERT, варианта BERT с двунаправленным ALiBi. Модель оценивает релевантность пар «запрос — документ» и переупорядочивает результаты поиска. Она предназначена для ускорения семантического поиска и улучшения отбора контекста в системах RAG. Это компактная дистиллированная модель с 6 слоями и примерно 37,6 млн параметров; она поддерживает последовательности длиной до 8192 токенов. По данным карточки, в тестах на поисковых наборах она сочетает высокую скорость с конкурентным качеством, хотя в отдельных оценках уступает более крупной версии jina-reranker-v1-base-en. Доступны веса PyTorch и ONNX. Лицензия — Apache-2.0.

Myric/KAT-Coder-V2.5-Dev-MTP-APEX-GGUF — это квантованная GGUF-сборка модели Kwaipilot/KAT-Coder-V2.5-Dev, разработанной на базе Qwen3.6-35B-A3B. Автор данной сборки в README не указан. Модель предназначена прежде всего для генерации программного кода и агентных сценариев разработки, включая работу с инструментами. В README для исходной модели указана оценка 69,40 на SWE-bench Verified против 64,40 у базовой Qwen3.6-35B-A3B. Архитектура представляет собой MoE-модель с 40 слоями, 256 маршрутизируемыми и одним общим экспертом, а также гибридной архитектурой GatedDeltaNet с периодическими слоями полноценного внимания. Сборка дополнена трансплантированной MTP-головой примерно на 850 млн параметров, взятой из Qwen3.6-35B-A3B, что позволяет использовать speculative decoding в llama.cpp. Рекомендуемая глубина чернового предсказания — n-max 3; в приведённом тесте ускорение достигало 2,03 раза на агентном наборе задач, а в зависимости от настроек и контекста — до 1,44 раза. Используются файлы размером около 19,24 GiB для рекомендуемой версии и около 11,91 GiB для более компактной динамической квантовки. Сильные стороны модели — специализация на программировании, поддержка агентных сценариев, MoE-архитектура и ускорение генерации посредством MTP без изменения проверяемой моделью корректности результата. Ограничения связаны с тем, что MTP-голова перенесена без дополнительного обучения на скрытых представлениях KAT-Coder, поэтому эффективность принятия черновых токенов снижается при чрезмерном увеличении глубины; при n-max 8 производительность может быть ниже, чем без speculative decoding. Точное число параметров, языки программирования и максимальный контекст в README не указаны; для тестов использовался контекст 32768 токенов. Распространение осуществляется по лицензии Apache-2.0. Для запуска требуется совместимое ПО, например llama.cpp, и достаточный объём памяти для выбранного GGUF-файла.

Это квантованная версия MXFP4_MOE модели trohrbaugh/Ling-3.0-flash-heretic в формате GGUF, подготовленная для запуска через llama.cpp. Базовая модель — вариант Ling-3.0-flash с аблитерацией, предназначенный для диалоговой генерации текста, программирования и агентных задач с длинным контекстом. Модель принимает текст и генерирует текст в диалоге. В README приведено сравнение с исходной моделью: KL-дивергенция составляет 0,0526, а в тесте из 100 запросов зафиксировано 0 отказов против 87 у оригинала. Эти результаты относятся только к указанному сравнению; размер модели, поддерживаемые языки и длина контекста в доступных данных не приведены. README рекомендует использовать актуальную версию llama.cpp. Лицензия в доступных данных не указана.

LiteCoder-Terminal-30b-a3b-sft — модель команды LiteCoder для кодовых агентов, дообученная на базе Qwen3-30B-A3B-Instruct-2507 на наборе LiteCoder-Terminal-SFT. Она предназначена для решения задач через терминал в агентных сценариях и показала результаты на бенчмарках Terminal Bench при работе с агентом Terminus 2. Модель использует архитектуру Qwen3 MoE с генерацией текста; метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. README сообщает об обучении на 11 255 траекториях и приводит показатели pass@1 и pass@4 для нескольких версий Terminal Bench. Поддерживается диалоговый режим. Лицензия — MIT.

LycheeAI-coder-2b-II-pro-f16 — компактный программный ассистент на 2,2 млрд параметров, созданный независимым разработчиком на основе openbmb/MiniCPM5-2B. Модель дообучена методом LoRA и предназначена для написания и отладки кода, объяснения технических понятий и работы с инструментами через вызовы в виде JSON. Этот репозиторий содержит веса safetensors в варианте f16; README описывает также отдельную MLX 4-bit сборку, поэтому её размер и формат не следует переносить на данный вариант. Модель поддерживает китайский, английский и кантонский языки. Базовая модель рассчитана на контекст до 512K токенов, однако длинный контекст у этой доработанной версии практически не проверен. Сильная сторона — компактность и устойчивый формат JSON для одношаговых и многошаговых вызовов инструментов. Ограничения включают слабое сложное рассуждение, ошибки в арифметике без инструмента и возможные сбои в ответах о собственной идентичности при некоторых системных инструкциях. Лицензия — Apache 2.0.

MiniCPM5-1B-Claude-Opus-Fable5-V2-Thinking — компактная языковая модель GnLOLot, дообученная на базе openbmb/MiniCPM5-1B с использованием данных Fable 5. Это плотная авторегрессионная модель архитектуры LlamaForCausalLM с 837,6 млн параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; заявленная длина контекста — 131 072 токена. Модель предназначена для локальных помощников и сценариев, где нужны вызов инструментов в формате XML или функций, генерация и отладка кода, следование инструкциям и рассуждения в режиме Thinking. По README, версия V2 усиливает вызов инструментов и улучшает программирование и выполнение инструкций по сравнению с базовой моделью и предыдущей версией; в карточке приведены результаты BFCL, API-Bank и Tau-Bench. Поддерживаемые языки по метаданным — английский и китайский. Модель принимает текст и генерирует текст. README предупреждает, что ответы в режиме Thinking могут содержать блоки рассуждений перед итоговым ответом, которые приложению может потребоваться скрыть. Компактный размер подходит для локального развёртывания, но модель не рассчитана на уровень передовых крупных систем в общих задачах рассуждения. Лицензия — Apache-2.0.

MyAwesomeModel — модель на базе архитектуры BERT, опубликованная в репозитории ASDASD12321WSX/MyAwesomeModel-TestRepo и предназначенная для извлечения признаков из текста. В метаданных Hugging Face указаны библиотеки Transformers и PyTorch, а также задача feature-extraction. Модель можно использовать для получения векторных представлений текста в задачах семантического поиска, кластеризации, сравнения текстов и построения прикладных классификаторов поверх эмбеддингов. README также содержит заявления о способностях к рассуждению, генерации кода, диалогу, суммаризации и другим задачам, однако эти возможности не подтверждены указанным pipeline-тегом и описанием архитектуры. Модель распространяется по лицензии MIT. Размер, длина контекста, поддерживаемые естественные языки и точные сведения о разработчике в доступных данных не указаны.

MyAwesomeModel — модель на базе архитектуры BERT, опубликованная в экосистеме Hugging Face и предназначенная для извлечения признаков из текста. Она интегрируется с библиотекой Transformers и распространяется по лицензии MIT. Основной заявленный сценарий — преобразование текстовых данных в векторные представления для последующего семантического поиска, классификации, кластеризации и других задач машинного обучения. В README также заявлены возможности рассуждения, программирования, ответов на вопросы, суммаризации, диалога и function calling, однако метаданные модели указывают pipeline-задачу feature-extraction, поэтому эти дополнительные возможности не подтверждены как основной режим использования. Сильной стороной модели является совместимость с Transformers и PyTorch, а также использование распространённой архитектуры BERT для получения текстовых эмбеддингов. Размер модели, поддерживаемые естественные языки, длина контекста и сведения о разработчике в предоставленных данных не указаны.

Nemotron-Terminal-14B — модель NVIDIA для автономного взаимодействия с терминалом. Это дообученная на корпусе Nemotron-Terminal-Corpus плотная языковая модель семейства Qwen3 с 14 млрд параметров, представленная в формате safetensors и предназначенная для работы через библиотеку Transformers. Модель планирует и выполняет задачи в командной строке, формируя структурированный JSON с анализом состояния терминала, планом, командами и признаком завершения задачи. В README приведён результат 20,2% на Terminal-Bench 2.0 для варианта 14B; для воспроизводимости оценки рекомендована оболочка Terminus 2. Метаданные указывают контекст 40 960 токенов и английский язык. Модель рассчитана на текстовый ввод и выдаёт текст с командами для терминала; для их выполнения требуется внешняя среда или оболочка. Указана лицензия «other», поэтому конкретные условия использования следует сверить с лицензией в репозитории.

nomic-embed-text-v1-ablated — текстовый энкодер для создания векторных представлений предложений и текстов, разработанный Nomic AI. Это контрольный чекпойнт семейства Nomic Embed Text, обученный на изменённом наборе данных, отличавшемся от данных финальной модели; его выпустили, чтобы изучать влияние частей обучающего набора на результаты. Архитектура — NomicBert, доступны форматы PyTorch и ONNX, контекстное окно составляет 8192 токена. Модель подходит для извлечения эмбеддингов и вычисления сходства между текстами, например, для поиска по смыслу и оценки близости предложений. Разработчики рекомендуют для практического извлечения эмбеддингов использовать nomic-embed-text-v1. README не сообщает поддерживаемые естественные языки или лицензию, поэтому эти сведения не включены.

North-Mini-Code-1.0 — модель с открытыми весами от Cohere и Cohere Labs для генерации кода, агентной разработки программного обеспечения и выполнения задач в терминале. Это decoder-only Transformer с разреженной архитектурой Mixture-of-Experts: всего 30 млрд параметров, из которых активны 3 млрд; применяются 128 экспертов, 8 из которых выбираются для каждого токена. Модель дообучена в два этапа: supervised fine-tuning и обучение с подкреплением на проверяемых наградах. Контекст модели рассчитан на 256 тысяч токенов, максимальная длина генерации — 64 тысячи токенов. Модель принимает текст и генерирует текст. Она обучена использовать инструменты в агентных сценариях программирования и поддерживает соответствующий интерфейс через шаблоны чата Transformers. В карточке также описана чередующаяся схема внимания: скользящее окно с RoPE и глобальное внимание. Для запуска README рекомендует актуальные исходные версии Transformers либо vLLM и приводит параметры генерации temperature=1.0 и top_p=0.95. Модель предназначена для программирования и работы с терминалом; её оценивали на бенчмарках агентного кодирования и генерации кода. Лицензия — Apache 2.0. Метаданные каталога указывают размер 1,2 млрд параметров, однако README указывает 30 млрд параметров всего и 3 млрд активных; эти сведения о размере расходятся.

Mungert/OpenReasoning-Nemotron-14B-GGUF — GGUF-квантованная версия большой языковой модели OpenReasoning-Nemotron-14B, производной от Qwen2.5-14B-Instruct. Модель разработана на базе семейства OpenReasoning-Nemotron; данный репозиторий содержит конвертацию в формат GGUF, выполненную с использованием llama.cpp. Указанный вариант предназначен для локального запуска и генерации текста, кода и решений с применением совместимых инструментов GGUF и llama.cpp. Модель ориентирована на рассуждения в задачах математики, программирования и естественных наук. Для исходной версии заявлена оценка с длиной вывода до 64K токенов. Это текстовая, англоязычная модель с размером 14B параметров; мультимодальные возможности не указаны. Для квантования применён подход с выборочным повышением точности отдельных важных слоёв, что, по описанию автора, может улучшать точность при сохранении преимуществ уменьшенного размера файла, хотя увеличивает его размер. Конкретный тип квантования и характеристики отдельных файлов GGUF в README не приведены. Сильными сторонами являются специализация на сложном reasoning, математике, коде и научных задачах, а также возможность эффективного локального использования в квантованном формате. Ограничения включают зависимость качества и требований к ресурсам от выбранного варианта квантования, а также отсутствие подробных данных о контекстном окне, скорости, аппаратных требованиях и поддерживаемых языках помимо английского. Использование разрешено для коммерческих и некоммерческих исследовательских целей на условиях Creative Commons Attribution 4.0 International (CC-BY-4.0); дополнительно упоминается Apache 2.0 для базовой модели Qwen2.5.

Карточка модели schwyzquants/OpenThinkerAgent-32B на Hugging Face совпадает с карточкой open-thoughts/OpenThinkerAgent-32B, поэтому описание составлено по ней. OpenThinkerAgent-32B — модель агентного программирования, созданная проектом OpenThoughts. Она дообучена полнопараметрическим SFT на базе Qwen/Qwen3-32B с использованием 100 тысяч примеров OpenThoughts-Agent-SFT-100K. Модель имеет плотную архитектуру Qwen3ForCausalLM и 29,7 млрд параметров; в репозитории представлены веса safetensors. Контекст составляет до 40 960 токенов. Модель предназначена для диалоговой работы над задачами разработки ПО и выполнения многошаговых агентных сценариев, включая работу в терминале и решение задач из SWE-Bench. В README приведены результаты оценки в terminus-2 и на семи агентных бенчмарках; для SWE-Bench-Verified указана точность 54,0, а для Terminal-Bench 2.0 — 26,2. Метаданные отмечают поддержку чата и кода. Данных о мультимодальном вводе или выводе нет. Модель унаследовала языковые возможности Qwen3-32B, но карточка не перечисляет конкретные естественные языки. Обучающая выборка включает траектории агентов из SWE-Smith, StackExchange SuperUser, StackExchange Tezos и IssueTasks. Модель распространяется по лицензии Apache-2.0.

Карточка модели stgallenquants/OpenThinkerAgent-32B на Hugging Face совпадает с карточкой open-thoughts/OpenThinkerAgent-32B, поэтому описание составлено по ней. OpenThinkerAgent-32B — модель агентного программирования, созданная проектом OpenThoughts. Она дообучена полнопараметрическим SFT на базе Qwen/Qwen3-32B с использованием 100 тысяч примеров OpenThoughts-Agent-SFT-100K. Модель имеет плотную архитектуру Qwen3ForCausalLM и 29,7 млрд параметров; в репозитории представлены веса safetensors. Контекст составляет до 40 960 токенов. Модель предназначена для диалоговой работы над задачами разработки ПО и выполнения многошаговых агентных сценариев, включая работу в терминале и решение задач из SWE-Bench. В README приведены результаты оценки в terminus-2 и на семи агентных бенчмарках; для SWE-Bench-Verified указана точность 54,0, а для Terminal-Bench 2.0 — 26,2. Метаданные отмечают поддержку чата и кода. Данных о мультимодальном вводе или выводе нет. Модель унаследовала языковые возможности Qwen3-32B, но карточка не перечисляет конкретные естественные языки. Обучающая выборка включает траектории агентов из SWE-Smith, StackExchange SuperUser, StackExchange Tezos и IssueTasks. Модель распространяется по лицензии Apache-2.0.

Orca-2.0-Tau-1.8B — диалоговая языковая модель M4-ai, дообученная на базе tau-1.8B как универсальный помощник. Она предназначена для генерации ответов, письма, решения математических задач и работы с кодом; также заявлены ответы на вопросы и рассуждения по шагам. Модель использует архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Для общения применяется формат ChatML. В обучающий набор вошли данные для диалогов, программирования, математики и естественных наук. Карточка указывает английский язык и допускает поддержку китайского; метаданные подтверждают английский. Лицензия указана как tongyi-qianwen license (в метаданных — other). Оценка на Open LLM Leaderboard приведена в карточке, однако отдельная оценка качества для практических сценариев не заявлена.

Ornith-1.0-35B-NVFP4-GGUF — 35-миллиардная модель семейства Ornith, разработанная DeepReinforce AI и представленная в квантизированном формате GGUF. Она предназначена для генерации кода и работы в роли coding-агента. В основе — дообученная архитектура Qwen3.5 MoE с 40 слоями, 256 экспертами и 8 активными экспертами на токен; модель использует 8 млрд активных параметров на токен и поддерживает контекст до 262 тыс. токенов. Веса BF16 преобразованы в NVFP4-квантизацию с помощью llama.cpp; формат оптимизирован для GPU NVIDIA Blackwell. В README заявлены обучение с подкреплением, нацеленное на генерацию решений и каркаса для их выполнения, и высокая эффективность при развёртывании на одной GPU. Для полного размещения на GPU требуется не менее 20 ГБ видеопамяти, рекомендуется 24 ГБ или больше. Лицензия MIT.

Pearl-3x7B — языковая модель Louis Brulé Naudet для диалогов, программирования и математических задач. Это объединение трёх моделей в архитектуре Mixture of Experts на основе Mixtral, примерно 7,1 млрд параметров; репозиторий содержит веса Safetensors, модель рассчитана на контекст до 32 768 токенов и использует библиотеку Transformers. Модель предназначена для ответов в чате, генерации и объяснения кода, а также решения математических задач. В карточке указан английский язык. Модель выпущена под лицензией Apache-2.0. README заявляет специализацию на анализе данных, однако не приводит результатов оценки, поэтому качество на конкретных задачах не подтверждено.

Phi-3-Vision-128K-Instruct — компактная мультимодальная модель Microsoft из семейства Phi-3 с плотной архитектурой Phi3VForCausalLM и 3,7 млрд параметров. Она принимает текст и изображения и предназначена для диалоговых сценариев с визуальным вводом, включая понимание изображений, OCR, а также разбор графиков и таблиц. Модель дообучена с помощью supervised fine-tuning и direct preference optimization; в карточке заявлен контекст до 128 тысяч токенов, хотя метаданные указывают native context в 4096 токенов. Модель рассчитана на применение в условиях ограниченных вычислительных ресурсов и низкой задержки, а также на создание генеративных функций с визуальным вводом. Основной язык — английский; карточка предупреждает о снижении качества для других языков. Возможны фактические ошибки, стереотипные или оскорбительные ответы, поэтому результаты следует проверять, особенно в чувствительных и высокорисковых сценариях. Лицензия — MIT.

cortexso/phi-4-reasoning — текстовая генеративная модель семейства Phi-4-reasoning, разработанная Microsoft Research и преобразованная Menlo Research для распространения в формате GGUF через Cortex и Jan. Модель ориентирована на рассуждения по шагам, решение математических задач, ответы на научные вопросы и выполнение инструкций. Для основной ветки phi-4-reasoning заявлен размер 14 млрд параметров. Доступны квантизованные варианты GGUF от q2_k до q8_0, что позволяет выбирать компромисс между качеством, требованиями к памяти и скоростью инференса. В README также упоминаются шаблоны ChatML и поддержка расширенного контекста, однако его точная длина не указана. Данных о перечне языков и мультимодальных возможностях нет; по заявленному pipeline_tag модель предназначена для генерации текста. Сильными сторонами модели являются специализация на логическом и математическом рассуждении, следовании инструкциям и возможность эффективного запуска в средах с ограничениями по памяти и задержке благодаря компактному размеру и квантизации. Ограничения включают отсутствие в представленных данных точных результатов бенчмарков, перечня поддерживаемых языков и значения контекстного окна. Модель распространяется по лицензии MIT.

piccolo-base-zh — текстовая embedding-модель, обученная General Model Group компании SenseTime Research. Модель основана на архитектуре BERT, содержит 129,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для получения векторных представлений китайских текстов и подходит для семантического поиска, поиска по запросам и документам, сравнения смысловой близости, классификации и кластеризации. Обучение проходило в два этапа: на 400 млн слабонаблюдаемых пар текстов с контрастивной функцией потерь, затем на 20 млн размеченных пар с трудными отрицательными примерами. Авторы приводят результаты оценки семейства piccolo на C-MTEB; размерность векторов piccolo-base-zh — 768. Модель рассчитана прежде всего на китайский язык. Контекст ограничен 512 токенами; для запросов при описанном авторами дообучении использовалась длина до 64 токенов. В README и метаданных лицензия не приведена, поэтому условия использования по этим источникам установить нельзя.

piccolo-large-zh — китайская модель текстовых эмбеддингов, разработанная группой General Model Group компании SenseTime Research. Это плотная BERT-модель на 424,3 млн параметров, обученная по двухэтапной схеме: на парах китайских текстов со слабой разметкой, затем на вручную размеченных парах с трудными отрицательными примерами. Модель формирует векторы размерности 1024 и поддерживает последовательности до 512 токенов. Модель предназначена для поиска и сопоставления китайских текстов: семантического поиска, извлечения документов по запросу, оценки сходства, кластеризации и классификации. В C-MTEB авторы приводят среднюю оценку 64,11 по 35 наборам задач. В README описано применение через пакет sentence-transformers. Модель работает с текстом на китайском языке и выдаёт эмбеддинги. Контекст ограничен 512 токенами; в рекомендациях по дообучению максимальная длина запроса составляет 64 токена. Лицензия в предоставленных данных не указана.

Карточка модели tomsanbear/pp-ocrv5-mobile-rec на Hugging Face совпадает с карточкой PaddlePaddle/PP-OCRv5_mobile_rec_safetensors, поэтому описание составлено по ней. PP-OCRv5_mobile_rec_safetensors — мобильная модель распознавания текстовых строк из изображений, разработанная командой PaddleOCR и представленная в формате safetensors. Она предназначена для эффективного распознавания печатного и рукописного текста, включая сложные случаи: вертикальный и искажённый текст, пиньинь, редкие символы и художественные надписи. Модель поддерживает упрощённый и традиционный китайский, английский и японский языки. В README приведены метрики для нескольких типов текста; среднее значение составляет 0,8015 по метрике, где строка считается ошибочной при неверном распознавании хотя бы одного символа. Модель ориентирована на распознавание отдельных строк, поэтому для обработки целых страниц требуется предварительное обнаружение и выделение строк. Лицензия — Apache 2.0.

PP-OCRv6_medium_det — модель обнаружения текстовых областей на изображениях из семейства PP-OCRv6, разработанного командой PaddleOCR. Она предназначена для локализации строк текста в OCR-конвейерах и может применяться к печатному и рукописному тексту, повёрнутым, изогнутым и художественно оформленным надписям, а также к изображениям промышленных сцен. Модель использует архитектуру LCNetV4 в качестве backbone и RepLKFPN в качестве шеи детектора; в README указан размер 15,5 млн параметров. В описании семейства заявлена поддержка 48 языков и сценариев вроде цифровых дисплеев, точечно-матричной печати и маркировки на шинах; метаданные карточки указывают английский и китайский языки. Модель является частью лёгкой линейки, рассчитанной на развёртывание в разных условиях. Для использования указана лицензия Apache-2.0. Поскольку это детектор, он локализует текст, но сам по себе не распознаёт содержимое строк.

PP-OCRv6_medium_rec_onnx — модель распознавания текста на изображениях из семейства PP-OCRv6, разработанная PaddlePaddle и предназначенная для использования в библиотеке PaddleOCR. Она преобразует визуальное содержимое текстовых областей в последовательность символов и подходит для OCR-сценариев, включая обработку документов и изображений с текстом. Модель представлена в формате ONNX и относится к варианту medium линейки PP-OCRv6. В README указано, что семейство включает модели размером от 1,5 до 34,5 млн параметров, однако точный размер данной модификации не приведён. Заявлена поддержка английского и китайского языков; модель работает с изображениями и выдаёт текст, но сведения о точных архитектурных компонентах, максимальном контексте и ограничениях по размеру входных данных отсутствуют. К сильным сторонам относятся специализация на распознавании текста, интеграция с PaddleOCR и переносимость благодаря формату ONNX. Ограничения и показатели качества для данной версии в README не указаны, поэтому её производительность на конкретных типах изображений следует проверять отдельно. Модель распространяется по лицензии Apache 2.0.

Эта модель — дообученная версия Qwen2.5-0.5B, созданная Lucas Wun Yu CHAN для получения эмбеддингов предложений и сравнения их семантического сходства. В README описаны эксперименты с эмбеддингами, инициализированными моделями после обучения с RLVR, и метод анализа HRSA; карточка не приводит количественных результатов именно этого чекпойнта. Модель построена на плотной архитектуре Qwen2, содержит 494 млн параметров и имеет контекст до 32 768 токенов. Она принимает текст и предназначена для извлечения векторных представлений; для использования через Sentence Transformers или Transformers требуется включить trust_remote_code. В метаданных указаны поддержка многоязычных данных и лицензия Apache-2.0.

lucaswychan/Qwen2.5-1.5B-Reasoning-Embedding — мультиязычная модель эмбеддингов на базе плотной архитектуры Qwen2.5 с 1,5 млрд параметров, разработанная Lucas Wun Yu CHAN. Она дообучена контрастивным обучением для получения семантических представлений текста и оценки сходства предложений; поддерживает работу с длинным контекстом до 131 072 токенов. Модель предназначена для поиска семантически близких текстов, ранжирования кандидатов по сходству и использования в системах поиска и retrieval-augmented generation. В README описана работа о влиянии reasoning-обучения RLVR на качество эмбеддингов: в оценках MTEB и BRIGHT устойчивого преимущества над базовыми моделями не обнаружено. Для использования указаны библиотеки Sentence Transformers и Transformers; требуется включить trust_remote_code. Модель распространяется по лицензии Apache-2.0.

mlx-community/Qwen2.5-Coder-1.5B-8bit — 8-битная версия модели для генерации текста и кода, подготовленная сообществом mlx-community. README сообщает, что веса преобразованы в формат MLX из Qwen/Qwen2.5-Coder-1.5B с помощью mlx-lm версии 0.18.1; метаданные указывают архитектуру Qwen2, плотную авторегрессионную модель Qwen2ForCausalLM размером 1,5 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации и продолжения кода, а также диалоговой генерации текста. Метаданные отмечают возможности работы с кодом, чатом и интерфейсом вызова инструментов; карточка указывает английский язык. Лицензия — Apache-2.0. README описывает преобразование в MLX, тогда как метаданные указывают файлы Safetensors; особенности запуска и качество могут зависеть от используемой реализации и задачи.