II.8Инженерия данных и аналитика

Parakeet TDT 0.6B V2 — англоязычная модель автоматического распознавания речи от NVIDIA. Она преобразует монофоническое аудио в текст с пунктуацией, заглавными буквами и временными метками на уровне слов. Модель содержит 600 млн параметров и использует архитектуру FastConformer-TDT с декодером TDT; работает с аудиофрагментами длительностью до 24 минут за один проход. Модель предназначена для транскрибации разговоров, голосовых команд, песенных текстов и записей для субтитров или голосовой аналитики. По данным разработчика, она хорошо распознаёт числа в речи; скорость зависит от длительности аудио и размера пакета. Для запуска используется NVIDIA NeMo; модель оптимизирована для систем с GPU NVIDIA. Вход — монофоническое аудио 16 кГц, в карточке указаны форматы WAV и FLAC. Модель доступна для коммерческого и некоммерческого использования по лицензии CC-BY-4.0. Карточка не сообщает о мерах снижения смещений; точность для языков, отличных от английского, не заявлена.

PP-OCRv6_small_det — компактная модель обнаружения текстовых областей из семейства PP-OCRv6, разработанного командой PaddleOCR. Она предназначена для локализации текста на изображениях и используется как модуль обнаружения в OCR-конвейере; распознавание содержимого текста выполняет отдельная модель. Модель содержит 2,48 млн параметров, использует LCNetV4 в качестве backbone и RepLKFPN в качестве шеи детектора. Она рассчитана на поиск печатного и рукописного текста, включая повёрнутый, изогнутый и художественный текст, и поддерживает сценарии на нескольких языках. Карточка семейства PP-OCRv6 заявляет поддержку 48 языков; метаданные этой модели указывают английский и китайский. Малый размер подходит для сценариев, где важны вычислительная эффективность и развёртывание на ограниченных ресурсах. Модель обнаруживает расположение текста, но сама по себе не распознаёт его и не извлекает смысл содержимого. Лицензия — Apache-2.0.

unsloth/Qwen2.5-Coder-0.5B-Instruct — это дообученная Unsloth версия компактной инструктивной модели Qwen2.5-Coder с архитектурой Qwen2ForCausalLM. Она содержит 494 млн параметров, использует плотную архитектуру и поддерживает контекст до 32 768 токенов. Репозиторий модели указывает формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. Модель предназначена для генерации и исправления кода, объяснения программных фрагментов и диалоговых сценариев помощи разработчикам. Её также можно использовать как основу для простых кодовых агентов через интерфейс вызова инструментов. Метаданные указывают английский язык; модель принимает текст и генерирует текст. Компактный размер облегчает развёртывание по сравнению с крупными кодовыми моделями, но может ограничивать качество на сложных задачах программирования и длинных многошаговых запросах. README описывает семейство Qwen2.5-Coder, однако приведённые в нём детали обучения и архитектуры относятся к базовой серии и не подтверждают отдельные результаты оценки именно этой инструктивной версии.

ypszn/Qwen2.5-Coder-0.5B-Instruct-Gensyn-Swarm-dormant_omnivorous_walrus — компактная текстовая генеративная модель из семейства Qwen2.5-Coder, опубликованная на Hugging Face пользователем ypszn. По метаданным, она содержит около 494 млн параметров, работает через библиотеку Transformers и поддерживает контекст длиной до 32 768 токенов. Модель предназначена для инструкционного текстового вывода, включая сценарии, связанные с генерацией и обработкой программного кода.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — открытая многоэтапно дообученная и объединённая версия модели Qwen3.8-27B, опубликованная пользователем biennequants на основе модели DavidAU. В README указаны языки английский и китайский, а также варианты GGUF-квантования с точностью 4 и 8 бит, включая версии с MTP и imatrix. Модель создана с применением методов Cold Fusion, Fable Fusion и инструментов Unsloth; заявленная цель — повысить способности к рассуждению и программированию, сократить объём внутренних рассуждений и ускорить генерацию на потребительском оборудовании. Модель предназначена для решения общих задач, анализа и рассуждений, программирования, творческого письма, создания художественных текстов и ролевых сценариев. Автор заявляет о высоких результатах на тестах ARC-C и ARC-E, превосходстве базовых моделей в ряде бенчмарков и сохранении близкой производительности 4-битной версии к 8-битной, однако эти показатели представлены в README и не подтверждены независимой проверкой. К сильным сторонам относятся сокращённое «мышление», высокая детализация ответов и доступность квантованных вариантов для локального запуска; ограничения включают отсутствие точных сведений о размере контекста, мультимодальных возможностях и системных требованиях, а также потенциально неконтролируемый или откровенный характер ответов, на что указывают обозначения uncensored и heretic. Лицензия — Apache-2.0.

Это квантизированная версия многоязычной модели Qwen3-ASR-1.7B, подготовленная VRFAI с помощью NVIDIA ModelOpt для запуска через vLLM. Модель предназначена для автоматического распознавания речи и транскрибации аудио; в основе — плотная архитектура Qwen3ASRForConditionalGeneration с аудиобашней и языковой моделью. Квантизация NVFP4 применяется только к языковой части примерно на 1,4 млрд параметров из общего объёма около 1,7 млрд; аудиобашня и выходная голова остаются в BF16. Модель поддерживает распознавание речи на нескольких языках, включая английский, китайский, русский, французский, немецкий, японский, корейский, испанский и другие. По приведённому тесту на 760 образцах VIVOS WER составил 10,73% против 7,34% у версии BF16; при высокой конкурентности NVFP4 показала более высокую пропускную способность в описанной конфигурации. Для использования указаны NVIDIA ModelOpt и vLLM. Лицензия — Apache-2.0.

Карточка модели Wxs23/Qwen3-VL-Embedding-2B на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-Embedding-2B, поэтому описание составлено по ней. Qwen3-VL-Embedding-2B — мультимодальная модель эмбеддингов семейства Qwen от команды Qwen, дообученная на базе Qwen/Qwen3-VL-2B-Instruct. Она преобразует текст, изображения, скриншоты, видео и их сочетания в векторы общего семантического пространства для поиска, сопоставления и кластеризации мультимодального контента. Модель содержит 2 млрд параметров, поддерживает контекст до 32 тыс. токенов и выдаёт эмбеддинги размерностью от 64 до 2048 с настраиваемым размером; также поддерживаются инструкции для адаптации представлений к задаче. Модель предназначена для мультимодального поиска, включая поиск изображений и видео по текстовому запросу, сопоставление текста с визуальным содержимым и кластеризацию смешанных данных. Она поддерживает более 30 языков и может использоваться как первый этап поиска перед отдельной моделью-реранкером. Доступна по лицензии Apache-2.0. В README заявлены широкие возможности мультимодального поиска, но конкретные аппаратные требования и характеристики инференса в предоставленном фрагменте не приведены.

Qwen3-VL-Embedding-2B-FP8-DYNAMIC — мультимодальная модель эмбеддингов, разработанная на базе Qwen3-VL-Embedding-2B от Qwen. Она предназначена для преобразования текста, изображений и их комбинаций в векторные представления, которые можно использовать для семантического поиска, сопоставления текстов и изображений, кластеризации и других задач, требующих сравнения мультимодальных данных. Модель ориентирована на эффективное развёртывание через vLLM и поддерживает OpenAI-совместимый API. Модель содержит около 2 млрд параметров и использует архитектуру Qwen3VLModel. Текстовые линейные слои квантизированы методом FP8_DYNAMIC: веса представлены в FP8 с поканальным симметричным квантованием, а активации квантизируются динамически по токенам. 24 визуальных блока сохраняются в формате bfloat16 для поддержания качества обработки изображений и межмодального выравнивания. Размер эмбеддинга по умолчанию составляет 2048, а благодаря Matryoshka-представлениям доступны сокращённые размерности от 64 до 2048, что позволяет экономить память и ускорять операции сравнения. Указано снижение потребления VRAM примерно на 50% по сравнению с версией bfloat16; размер модели составляет около 2,8 ГБ против 4,6 ГБ. К сильным сторонам относятся поддержка текстовых, визуальных и мультимодальных входов, гибкая размерность векторов и сохранение визуальных слоёв в полной точности. Ограничения README не описывает; для мультимодального режима требуется специальный формат запросов vLLM, а практическая совместимость зависит от корректной настройки pooling-режима и загрузки квантизированных весов. Модель распространяется по лицензии Apache 2.0.

cl-nagoya/ruri-pt-base — японская модель Sentence Transformers, разработанная CL-Nagoya и дообученная на основе tohoku-nlp/bert-base-japanese-v3. Она преобразует предложения в векторы размерности 768 для сравнения семантической близости, поиска и ранжирования текстов. Модель использует архитектуру BERT, принимает последовательности длиной до 512 токенов и рассчитана на японский язык. В README приведены результаты оценки на JMTEB, включая поиск, семантическое сходство, классификацию и кластеризацию. Лицензия — Apache 2.0.

Ruri v3 130M — японская модель текстовых эмбеддингов, разработанная cl-nagoya на основе cl-nagoya/ruri-v3-pt-130m и архитектуры ModernBERT-Ja. Она преобразует текст в векторы размерностью 512 для поиска, сравнения предложений и других задач семантического сходства; сходство оценивается косинусной мерой. Модель содержит 132,1 млн параметров и обрабатывает последовательности длиной до 8192 токенов. В её архитектуре используются словарь на 100 тысяч токенов, токенизатор SentencePiece и FlashAttention; для токенизации не требуется отдельный инструмент сегментации японского текста. В оценке JMTEB модель показала средний результат 76,55. Модель предназначена прежде всего для японского текста. Она выдаёт эмбеддинги, а не готовые ответы или сгенерированный текст, поэтому для поиска или ранжирования обычно требуется сравнивать полученные векторы. Лицензия — Apache 2.0.

Это экспериментальный чекпойнт Grug 67B, дообученный командой Marin на корпусе Nemotron Terminal и опубликованный в формате BF16 для Hugging Face и vLLM. Модель создана для диалогового взаимодействия и выполнения задач в терминале; метаданные также указывают интерфейс вызова инструментов. Это причинная языковая модель семейства Grug MoE с архитектурой mixture-of-experts и 2,8 млрд параметров. Контекстное окно — 32 768 токенов. Обучение началось с Grug 67B stage-2 thinking checkpoint на шаге 630 и продолжалось 1 888 шагов на данных Nemotron Terminal Corpus. Модель оценивали в кампании воспроизведения OpenThoughts-TBLite с помощью Terminus-2, однако результаты оценки хранятся отдельно, поэтому качество выполнения конкретных задач из карточки установить нельзя. Лицензия — Apache-2.0.

Sheikh-F1 — плотная трансформерная языковая модель на 355 млн параметров, разработанная Likhon Sheikh для сообщества разработчиков Бангладеш. Она предназначена для генерации кода и помощи в программировании на английском, бенгальском письме и бенглийском (бенгальском языке, записанном латиницей). В карточке заявлены возможности анализа и отладки кода, планирования и работы с инструментами; метаданные также указывают поддержку диалогового режима. Модель обучена на корпусах кода, программирования и вопросов и ответов, включая CodeParrot, The Stack и CodeSearchNet. Контекст составляет 1024 токена. Репозиторий содержит веса в формате safetensors, лицензия MIT разрешает коммерческое использование, изменение и распространение. В README приведены высокие результаты на задачах генерации и анализа кода, однако методики и подробные результаты в предоставленных данных отсутствуют.

SimLM — англоязычная плотная модель для поиска пассажей, разработанная авторами метода Similarity Matching with Language Model Pre-training. Она использует архитектуру BERT с узким представлением, которое сжимает текст пассажа в плотный вектор. В карточке указана версия, дообученная на MS MARCO. Модель предназначена для извлечения эмбеддингов текста и построения систем семантического поиска и ранжирования пассажей, в том числе для поиска по неразмеченным корпусам. Параметры можно применять как векторные представления документов или запросов в поисковом конвейере. Модель содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. В README приведены результаты экспериментов на MS MARCO и TREC Deep Learning, однако конкретные значения результатов данной версии в доступном фрагменте таблицы не видны. Модель распространяется под лицензией MIT.

SLIMDER Qwen3.8 Depth-32 Agentic REAM-288 — экспериментальная модель семейства Qwen, опубликованная пользователем jakeatx. Она создана на основе sjakek/slimder-qwen38-reap384-depth32-mb2-3-4-5 и предназначена для генерации текста, особенно для агентных сценариев: вызова инструментов, программирования и выполнения кода, retrieval-задач и многошагового рассуждения. Модель использует архитектуру Mixture-of-Experts с 32 трансформерными слоями, 288 маршрутизируемыми экспертами на слой и выбором 10 экспертов для каждого токена. Это результат структурного сжатия с 384 до 288 экспертных слотов в каждом слое. Применена точность BF16. Калибровка выполнена на 1 024 последовательностях длиной 512 токенов с повышенным весом агентных, кодовых, retrieval- и reasoning-сценариев. Дополнительные сведения о поддерживаемых языках, размере параметров, модальностях и длине контекста не указаны. Сильной стороной модели является целевая оптимизация под агентное поведение при сохранении разреженной экспертной архитектуры и уменьшении числа экспертов. При этом это исследовательский контрольный снимок: ему необходимы более широкие проверки агентных функций, генерации кода, выполнения инструментов, retrieval, длинных последовательностей и безопасности, поэтому модель не рекомендуется считать готовой к промышленному использованию без дополнительной оценки. Модель распространяется по лицензии Apache-2.0.

Smaug-Mini — мультимодальная модель Abacus.AI, дообученная на основе Qwen/Qwen3.8-27B для надёжного многошагового использования инструментов и автоматизации. Это плотная модель с архитектурой Qwen3_5ForConditionalGeneration и сохранённой башней зрения; она принимает текст и изображения и поддерживает контекст до 262 144 токенов. Модель работает в формате диалога и предоставляет интерфейс вызова инструментов. Обучение проводилось методом GRPO на многошаговых эпизодах автоматизации с проверкой результата; LoRA-адаптер языковой части был объединён с базовыми весами. По данным карточки, модель улучшает результаты ряда тестов на использование инструментов и автоматизацию, сохраняя общие возможности базовой модели примерно на прежнем уровне. Она подходит для агентных сценариев, где нужно рассуждать, вызывать инструменты и завершать задачи в среде. Лицензия — Apache-2.0. Головка многотокенного предсказания унаследована от базовой модели и не переобучалась, поэтому для неё не следует включать спекулятивное декодирование; обычное декодирование не затронуто. Данные обучения не раскрыты.

abacaj/starcoderbase-1b-sft — дообученная модель семейства GPTBigCode для генерации текста и кода. В карточке указано, что при обучении использован набор данных theblackcat102/evol-codealpaca-v1; модель работает в формате PyTorch и поддерживает контекст до 8192 токенов. Её можно применять для генерации фрагментов кода и текстовых ответов на инструкции, связанных с кодом. Карточка не содержит сведений о размере модели, результатах оценки качества или условиях лицензии, поэтому эти характеристики нельзя подтвердить. README также не описывает ограничения и конкретные языки программирования, на которых модель работает лучше всего.

cnmoro/static-nomic-384-pten-v2 — статическая модель текстовых эмбеддингов, созданная с помощью Tokenlearn на базе nomic-embed-text-v2-moe. Она выдаёт векторы размерности 384 и предназначена для построения представлений текста, семантического поиска и сравнения сходства предложений. Модель обучалась в потоковом режиме на предварительно вычисленных признаковых данных с инкрементальным PCA до 384 измерений и квантованием словаря с лимитом 32 тыс. эффективных токенов. В карточке указана настройка для английского и португальского языков; датасет обучения — AllTripletsMsMarco-PTBR. Модель распространяется в формате safetensors по лицензии Apache-2.0. Как статические эмбеддинги, она подходит для сценариев, где нужны компактные векторные представления текста. Карточка сообщает о сравнении с предыдущей версией, но не приводит здесь количественных результатов; качество на иных языках и задачах может отличаться от заявленного для целевых данных.

sentence-transformers/stsb-roberta-large — модель для получения эмбеддингов предложений и абзацев, обученная командой Sentence Transformers. Она основана на архитектуре RoBERTa с 454,1 млн параметров и отображает текст в плотные векторы размерности 1024; доступна через библиотеку Sentence Transformers и в форматах PyTorch, TensorFlow, Flax, ONNX и OpenVINO. Модель подходит для семантического поиска, сравнения текстов и кластеризации; заявленная длина контекста — 514 токенов. В карточке модель помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать другую модель для новых проектов. Лицензия — Apache-2.0.

GanymedeNil/text2vec-base-chinese — китайская модель для получения векторных представлений предложений и оценки их семантического сходства. Согласно карточке, она создана на основе LERT вместо MacBERT при сохранении остальных условий обучения. Модель построена на архитектуре BERT, содержит 129,5 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель предназначена для сравнения китайских предложений по смыслу и может применяться в поиске похожих текстов, семантическом поиске и подборе релевантных фрагментов. Доступны веса в формате PyTorch; лицензия — Apache-2.0. Карточка также сообщает о версии для ONNX Runtime.

TinyE5-L6-384 — компактная модель эмбеддингов текста, разработанная GrowBit Labs на основе sentence-transformers/all-MiniLM-L6-v2 и дообученная для семантического поиска и информационного поиска с префиксами query: и passage:. Это энкодер на архитектуре BERT с 6 слоями Transformer; он создаёт векторы размерности 384 с помощью среднего pooling и L2-нормализации. По README модель содержит 22,7 млн параметров, а метаданные репозитория указывают 25,9 млн параметров; контекст ограничен 512 токенами. Модель подходит для построения семантического поиска, ранжирования кандидатов через сравнение эмбеддингов и извлечения релевантных документов. Для развертывания доступны варианты Safetensors FP32, ONNX FP32 и динамически квантованный ONNX INT8; README приводит результаты CPU-бенчмарков, где INT8-компактнее и быстрее FP32 с небольшим снижением показателя STS. Основной язык карточки — английский. Лицензия — Apache-2.0.

Tiny Pickle v3 Coder — экспериментальная модель для программирования и инженерии ПО, разработанная как производная Qwen/Qwen3-Coder-30B-A3B-Instruct с адаптером LoRA vsan/tiny-pickle-v3-coder-LoRA. Адаптер объединён с весами и опубликован в формате BF16 Safetensors; архитектура — Qwen3 MoE, класс Qwen3MoeForCausalLM. Метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. Модель предназначена для генерации и отладки кода, ревью, планирования реализации, создания тестов и помощи в разработке ПО. Она поддерживает диалоговый интерфейс и интерфейс вызова инструментов; основная задача в каталоге — генерация текста. Указана лицензия Apache-2.0. README характеризует модель как экспериментальную и не приводит независимых результатов, подтверждающих преимущество над базовой моделью.

TrOCR-large-str — модель оптического распознавания текста, разработанная Microsoft и дообученная на наборах IC13, IC15, IIIT5K и SVT для распознавания текста на изображениях отдельных строк. Она предназначена для преобразования изображения строки текста в последовательность символов, например при оцифровке фотографий и сканов с короткими надписями. Модель построена по архитектуре encoder-decoder: визуальный Transformer-кодировщик обрабатывает изображение как последовательность патчей размером 16×16, а текстовый Transformer-декодировщик авторегрессионно формирует распознанный текст. Кодировщик инициализирован весами BEiT, декодировщик — RoBERTa. Репозиторий содержит веса PyTorch. Модель рассчитана на распознавание одной текстовой строки за раз; для целых страниц или документов потребуется предварительно выделить строки. Лицензия в предоставленных данных не указана.

Dhivehi TSDAE News BERT — модель Sentence-Transformers на архитектуре BERT, обученная для представления предложений и абзацев в виде плотных векторов размерностью 768. Модель насчитывает 79,7 млн параметров и принимает текст; векторы подходят для семантического поиска и кластеризации новостных заголовков и других текстов на дивехи. Модель использует обучение TSDAE с функцией потерь DenoisingAutoEncoderLoss. Её можно применять через Sentence-Transformers либо Transformers с подходящей операцией pooling. Контекст составляет до 514 токенов. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

phatvucoder/vietnamese-bi-encoder-mp — дообученная разработчиком Phat Vu модель Sentence Transformers на базе bkai-foundation-models/vietnamese-bi-encoder. Она преобразует текстовые предложения и абзацы во векторы размерности 768 для извлечения признаков, семантического поиска и сравнения текстов по косинусному сходству. Архитектура состоит из RoBERTa и слоя среднего пулинга; модель рассчитана прежде всего на вьетнамский язык. Модель принимает только текст, имеет максимальную длину последовательности 256 токенов по README; метаданные каталога указывают контекст 258 токенов. Обучающий набор содержит 117 759 примеров, оценочный — 13 364. Лицензия в предоставленных данных не указана.

Это визуальный энкодер семейства CLIP из набора timm, подготовленный на основе DFN и рассчитанный на извлечение признаков изображений. Он преобразует изображение в векторное представление для последующего поиска по сходству, кластеризации или использования в мультимодальных системах. В репозитории размещены веса PyTorch в формате Safetensors. Модель содержит только визуальный энкодер CLIP: текстовый энкодер и генерация текста в карточке не заявлены. Лицензия указана как other, поэтому условия использования следует сверить с исходной лицензией модели и данными репозитория.

Это визуальный энкодер SigLIP из библиотеки timm с архитектурой ViT-Base и патчами 16×16, обученный на данных WebLI. Вариант использует глобальное усреднение признаков и предназначен для извлечения векторных представлений изображений. Модель подходит для построения эмбеддингов изображений, поиска похожих изображений и других систем, использующих визуальные признаки. Карточка описывает только image encoder, поэтому модель не следует считать генератором текста или изображений. Весы доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0.

VultronRetrieverFlash-Qwen3.5-0.8B — мультимодальный ретривер документов от Vultr Cloud, созданный на базе Qwen/Qwen3.5-0.8B и обученный для поиска по изображениям страниц. Модель использует архитектуру ColQwen3_5 с поздним взаимодействием: строит многовекторные представления размерностью 320 и оценивает совпадение запросов и страниц методом MaxSim. Размер модели — 0,8 млрд параметров; генеративная голова удалена. Модель предназначена для поиска по PDF, сканам, презентациям и отчётам, в том числе по страницам со сложной вёрсткой, таблицами, диаграммами и иллюстрациями. Принимает изображения страниц и/или текстовые запросы, формирует векторы для последующего ранжирования и может использоваться в мультимодальных RAG-системах. Поддерживает английский, французский, немецкий, испанский, итальянский и португальский языки; страницы обрабатываются до 1792 визуальных токенов. По заявлению карточки, модель лидирует среди моделей менее 2 млрд параметров на ViDoRe V3. Многовекторный индекс и вычисление MaxSim требуют больше памяти и вычислений, чем поиск по одиночным векторам; для обычного текстового семантического поиска модель не предназначена и сама по себе не генерирует ответы. Другие языки находятся вне обучающего распределения. Для работы с гибридной архитектурой требуются causal-conv1d и flash-linear-attention; рекомендуется SDPA. Лицензия — Apache-2.0.

Wav2Vec2-Large-XLSR-53-Slovenian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на словенском языке на данных Common Voice. Она принимает аудиозапись речи и преобразует её в текст; входной сигнал должен иметь частоту дискретизации 16 кГц. Модель построена на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Доступны веса PyTorch и Flax. В тесте на словенской части Common Voice указана метрика 36,04%; карточка не уточняет название метрики. Модель распространяется по лицензии Apache-2.0.

armvectores/yolov8n_handwritten_text_detection — модель обнаружения объектов на базе YOLOv8, дообученная на наборе данных armvectores/handwritten_text_detection для поиска рукописного текста на изображениях. Она предназначена для локализации областей с рукописным текстом, в том числе в сценариях обработки документов и изображений в реальном времени. В карточке указана итоговая метрика IoU 0,98; веса представлены в формате PyTorch и для использования описана библиотека Ultralytics. Лицензия в предоставленных данных не указана.

AlphaAI-1.5B-Thought — языковая модель Alpha AI, дообученная на базе Qwen2.5-1.5B для пошаговых рассуждений и решения структурированных задач. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров; заявленная длина контекста — 131 072 токена. Модель принимает текст и генерирует текст, а карточка указывает английский язык. Модель предназначена для локального запуска и диалоговых сценариев, где полезны многошаговые выводы: разбор математических и научных задач, программирование, генерация рабочих процессов и структурированные ответы виртуальных помощников. Веса представлены в формате PyTorch/Safetensors; README также описывает вариант с 16-битной точностью и перечисляет доступные квантизованные варианты. Лицензия — Apache-2.0. Модель может наследовать предвзятости обучающих данных, а ответы для критически важных задач следует проверять; качество в конкретных предметных областях карточка не подтверждает.