II.8Инженерия данных и аналитика

airoboros-13b-gpt4-1.2 — это чат-модель на архитектуре LLaMA с 12,9 млрд параметров, дообученная Jon Durbin методом QLoRA на синтетических инструкционных данных, созданных GPT-4. Она предназначена для генерации ответов на запросы пользователя и охватывает программирование, математику и рассуждения, викторины, ролевые диалоги, задания с выбором ответа и заполнением пропусков, а также вопросы по заданному контексту. Модель использует шаблон диалога в стиле Vicuna. Для запросов на код поддерживает инструкцию PLAINFORMAT, которая просит выдавать код без оформления Markdown, хотя автор отмечает, что это срабатывает не всегда. Контекст составляет 2048 токенов; веса доступны в формате PyTorch. Модель выпущена в июне 2023 года и распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства и запрещающей коммерческое применение. Качество ответов и следование инструкциям могут быть непостоянными; сведения о поддерживаемых естественных языках в карточке не приведены.

google-bert/bert-base-multilingual-cased — предобученная многоязычная модель BERT, опубликованная командой BERT и представленная на Hugging Face. Это плотный трансформерный энкодер класса BertForMaskedLM с 205,1 млн параметров, общим словарём WordPiece на 110 000 единиц и контекстом до 512 токенов. Модель обучена на текстах Википедии для 104 языков с помощью masked language modeling и предсказания следующего предложения. Она чувствительна к регистру: например, различает «english» и «English». Несмотря на имя репозитория, токенизация в карточке описана как выполняющая приведение текста к нижнему регистру. Модель предназначена прежде всего для дообучения под задачи понимания текста, например классификации последовательностей и токенов или ответов на вопросы. В исходном виде её можно использовать для восстановления замаскированных слов и получения текстовых представлений; для генерации связного текста она не предназначена. Поддерживает множество языков, включая русский, однако приведённые метаданные содержат только часть языкового списка из карточки. Лицензия — Apache 2.0.

CodeQwen1.5-7B-OpenDevin — языковая модель для программирования, разработанная OpenHandsCommunity. Это дообученная версия CodeQwen1.5-7B на задачи агента OpenDevin; модель построена на архитектуре Qwen2 и содержит 6,9 млрд параметров. Она предназначена для генерации и понимания кода, а также для разработки, отладки и итеративного исправления программных проектов. Поддерживает контекст до 65 536 токенов и доступна в формате PyTorch; для запуска авторы рекомендуют развернуть её на GPU и обращаться через OpenAI API. В оценке SWE-Bench-Lite в среде OpenDevin CodeAct 1.3 модель решила 4 задачи, создав pull request с исправлениями. Авторы отмечают, что это эксперимент дообучения и что её результаты значительно уступают GPT-4. Лицензия в предоставленных данных не указана.

TroyDoesAI/Codestral-21B-Pruned — прореженная версия Codestral, созданная TroyDoesAI. Из исходной модели удалены два слоя: автор сообщает, что размер сократился с 22,2 до 21,5 млрд параметров без заметной потери качества. Метаданные указывают 21,3 млрд параметров, архитектуру MistralForCausalLM и контекст до 32 768 токенов. Модель предназначена для генерации текста и кода, в том числе для локального запуска при ограниченной памяти. Репозиторий содержит веса Safetensors для библиотеки Transformers. Указана лицензия Apache-2.0. Карточка не приводит результатов тестов, поэтому заявление о сохранении качества не подтверждено сравнительными оценками.

AnkushRaut216/Contrastive-Finetuned-for-AI-all-MiniLM-L6-V2 — дообученная контрастивным методом модель семейства MiniLM на текстах, связанных с искусственным интеллектом. Она построена на MiniLM-L6-H384-uncased и использует архитектуру BERT; модель содержит 25,9 млн параметров и рассчитана на текстовые входы длиной до 512 токенов по метаданным. README указывает, что последовательности длиннее 256 word pieces обрезаются, поэтому фактический предел может зависеть от используемого пайплайна. Модель преобразует предложения и короткие абзацы в плотные векторы размерностью 384, пригодные для семантического поиска, оценки сходства и кластеризации текстов. Обучение на парах предложений с контрастивной целью помогает сопоставлять близкие по смыслу фразы; карточка называет специализированную область — тексты об ИИ. Указанный язык карточки — английский. Модель распространяется под лицензией Apache-2.0. Она выдаёт эмбеддинги, а не готовые ответы или сгенерированный текст; качество на других языках и предметных областях в предоставленных данных не описано.

nickprock/cross-encoder-italian-bert-stsb — модель на основе архитектуры BERT, обученная с помощью класса Cross-Encoder библиотеки Sentence Transformers. Она оценивает семантическое сходство пары предложений на итальянском языке, выдавая оценку от 0 до 1; обучалась на итальянском переводе набора STS Benchmark, обозначенном в метаданных как stsb_multi_mt. Модель содержит 137,1 млн параметров и принимает пары текстов длиной до 512 токенов контекста. Модель подходит для ранжирования результатов поиска по смысловому сходству и сравнения итальянских предложений. В отличие от двухбашенных энкодеров, Cross-Encoder совместно обрабатывает оба текста, поэтому оценка относится к конкретной паре и может использоваться для переранжирования кандидатов. Базовая модель — dbmdz/bert-base-italian-uncased. Распространяется по лицензии MIT.

Distil-Whisper distil-large-v2 — англоязычная модель распознавания речи, разработанная командой Distil-Whisper как дистиллированная версия Whisper large-v2. Она использует архитектуру encoder-decoder Whisper: энкодер скопирован из исходной модели, а декодер сокращён до двух слоёв. В метаданных указано 905,2 млн параметров. Модель предназначена для транскрибации английской речи в коротких и длинных аудиозаписях и может использоваться как ускоренная замена Whisper large-v2. По данным карточки, она примерно в шесть раз быстрее и на 49% меньше исходной модели, сохраняя близкое качество распознавания; также её можно применять как вспомогательную модель для speculative decoding с Whisper. Поддерживаются форматы PyTorch, safetensors, ONNX и Flax. Модель принимает аудио и выдаёт текст. Она рассчитана только на распознавание английской речи; авторы рекомендуют вместо неё более новую distil-large-v3 для лучшей поддержки последовательной генерации на длинных записях. Лицензия — MIT.

E5-large-trm-nl — модель эмбеддингов предложений на базе XLM-RoBERTa, дообученная CLiPS на модели clips/e5-large-trm для нидерландского языка. Она кодирует запросы и фрагменты текста в векторы для поиска и сравнения по смыслу; карточка приводит пример работы с ранжированием фрагментов MS MARCO и оценку на бенчмарке MTEB-NL. Модель содержит 453,9 млн параметров, принимает текст и поддерживает контекст до 514 токенов. Модель предназначена для семантического поиска, сопоставления запросов с документами и других задач сходства предложений на нидерландском языке. Распространяется в формате safetensors и использует библиотеку Sentence Transformers. Лицензия — MIT. Качество зависит от соответствия домена и языка входных текстов обучающим данным; опубликованные результаты относятся к бенчмаркам нидерландского языка. Модель выдаёт векторные представления, а не готовые ответы на вопросы.

en_PP-OCRv3_mobile_rec — компактная модель распознавания текстовых строк из семейства PP-OCRv3_rec, разработанная командой PaddleOCR. Она обучена на основе PP-OCRv3_mobile_rec и предназначена для распознавания английского текста на изображениях. Модель преобразует изображение отдельной текстовой строки в текст. В составе конвейера PP-OCRv3 её можно использовать вместе с обнаружением текста и дополнительными модулями коррекции ориентации и геометрии изображения, чтобы извлекать текст из документов и других изображений. README приводит оценку качества распознавания строк, при которой строка считается ошибочной, если неверен хотя бы один символ или знак пунктуации. Для работы используется библиотека PaddleOCR; лицензия репозитория — Apache-2.0. Модель ориентирована на английский текст, поэтому её не следует считать универсальным многоязычным распознавателем; распознавание строк также предполагает, что области текста уже выделены или обрабатываются отдельной моделью конвейера.

Это конверсия модели distil-whisper/distil-large-v3 в формат CTranslate2, опубликованная Systran. Она предназначена для автоматического распознавания речи и может использоваться в CTranslate2 и проектах на его основе, включая faster-whisper. Веса сохранены в FP16; тип вычислений можно выбрать при загрузке через параметр compute_type. Лицензия репозитория — MIT.

uzairnaeem/finetuned_sentence_similarity_spanish_es — модель Sentence-Transformers на базе архитектуры BERT, дообученная для получения эмбеддингов предложений и абзацев. Она преобразует текст в плотные векторы размерности 768 и предназначена для поиска семантически похожих текстов, семантического поиска и кластеризации. Модель содержит 137,1 млн параметров, принимает текст и имеет контекстное окно 512 токенов. При обучении использовалась функция потерь MultipleNegativesRankingLoss с косинусным сходством. Название модели указывает на испанский язык, но README не уточняет языковое покрытие и результаты оценки.

GPT-5.1-Codex-Max — агентная модель OpenAI для задач разработки программного обеспечения. README описывает её как модель для длительных задач программирования с большим контекстом, основанную на обновлённом стеке рассуждений GPT-5.1 и обученную для агентной работы. Модель предназначена для использования в сценариях, где агенту нужно вести работу над программным обеспечением в течение продолжительного времени. Карточка не содержит подробностей об архитектуре, числе параметров, поддерживаемых языках программирования или лицензии, поэтому эти характеристики не приводятся.

Granite-34B-Code-Base-8K — базовая авторегрессионная модель для генерации кода, разработанная IBM Research. Она предназначена для создания и объяснения кода, исправления ошибок, написания модульных тестов и документации, поиска уязвимостей, перевода кода и других задач программной инженерии. Модель построена на архитектуре GPTBigCode и содержит 34 млрд параметров. Её обучали с помощью увеличения глубины модели Granite-20B-Code-Base в два этапа на данных из 116 языков программирования, а также на текстовых и математических данных. Контекст составляет 8192 токена; репозиторий использует формат safetensors и библиотеку Transformers. Модель не проходила выравнивание безопасности. Сгенерированный код может содержать ошибки или проблемные фрагменты, поэтому его следует проверять; также существует риск дословного воспроизведения обучающих данных. README не рекомендует выбирать её для новых проектов и описывает выпуск как предназначенный для исторических и научных целей. Лицензия — Apache 2.0.

x1saint/gte-small-triplet-tr — модель Sentence Transformers на базе Supabase/gte-small, дообученная на турецком наборе all-nli-tr. Она кодирует предложения и абзацы в плотные векторы размерности 384; сходство текстов оценивается косинусной близостью. Модель предназначена для семантического поиска, сравнения предложений, поиска перефразирований, кластеризации и извлечения признаков для классификации текста. Архитектура состоит из BERT-трансформера с усреднением токенных представлений; максимальная длина последовательности — 512 токенов. Обучающие данные содержат пары и тройки турецких текстов, а в README приведена точность cosine_accuracy 0,8552 на TripletEvaluator для all-nli-dev. Модель принимает турецкий текст и выдаёт текстовые эмбеддинги; опубликована в формате safetensors и использует библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

jina-embeddings-v5-text-nano-retrieval-GGUF — мультиязычная модель эмбеддингов для задач семантического поиска и retrieval, разработанная Jina AI. Это GGUF-квантизация модели jina-embeddings-v5-text-nano-retrieval с поддержкой llama.cpp, предназначенная для эффективного локального или управляемого инференса. Модель содержит 239 млн параметров и преобразует текст в векторы размерностью 768. Она использует pooling по последнему токену и поддерживает Matryoshka Dimensions 32, 64, 128, 256, 512 и 768, что позволяет выбирать компромисс между качеством, размером индекса и скоростью поиска. Модель ориентирована на мультиязычные сценарии, однако конкретный набор языков в README не указан. Модель подходит для семантического поиска, построения retrieval-компонентов и других задач сравнения текстов, где требуется сопоставлять запросы и документы по смыслу. К преимуществам относятся компактный размер, квантизация для эффективного инференса и возможность использования с llama.cpp. Ограничение состоит в том, что это специализированная модель эмбеддингов для retrieval, а не генеративная языковая модель; точные показатели качества, максимальная длина контекста и поддерживаемые языки в README не приведены. Модель распространяется по лицензии CC-BY-NC-4.0, которая ограничивает коммерческое использование. Для коммерческого применения разработчик предлагает связаться с Jina AI.

Ttimms/KAT-Coder-V2.5-Dev-REAP-50-NVFP4A16 — локальная квантованная версия Kwaipilot/KAT-Coder-V2.5-Dev, подготовленная разработчиком Ttimms. Модель предназначена для агентного программирования, генерации и исправления кода, а также решения задач из SWE-bench в условиях ограниченной видеопамяти. Она рассчитана на запуск в 16 ГБ потребительской VRAM, в частности на RTX 5070 Ti, через vLLM. В основе лежит MoE-архитектура с 256 экспертами; после REAP-прунинга оставлено 128 экспертов, то есть удалено 50% экспертных блоков. Модель использует квантование NVFP4A16 с 4-битными весами, весовое квантование без калибровочных данных и занимает около 12,45 GiB. Из состава удалена башня компьютерного зрения с необученными весами, поэтому README не подтверждает поддержку мультимодальных сценариев. Указан контекст до 49 тысяч токенов в использованной конфигурации; языки явно не перечислены, но модель ориентирована прежде всего на задачи программирования. Заявленные результаты включают 89,0% на HumanEval+, 90,5% на MBPP+ и 52,0% на SWE-bench Verified — 26 из 50 задач при использовании mini-swe-agent, bash-only scaffold и потолка контекста 49 тысяч токенов. SWE-bench показатель существенно зависит от лимита контекста и числа ходов агента: 17 задач завершились из-за превышения контекстного лимита, поэтому результат нельзя считать безусловной оценкой возможностей. К сильным сторонам относятся высокая компактность, возможность локального запуска, производительность около 149,5 токена в секунду в указанной конфигурации и исправление маршрутизации экспертов для этой архитектуры. Ограничения включают потерю части экспертов из-за прунинга, отсутствие подтверждённой работы со зрением, зависимость производительности от совместимого оборудования и серверного ПО, а также контекстные ограничения в агентных задачах. Модель распространяется по лицензии Apache-2.0.

Kiri OCR — компактная модель оптического распознавания текста для английских и кхмерских документов, разработанная автором библиотеки Kiri OCR. Она обнаруживает строки и слова на изображении документа и распознаёт печатный текст, в том числе смешанный английский и кхмерский. Модель содержит 7,6 млн параметров и использует CNN-основу для обработки изображения, трансформерный энкодер-декодер и CTC-голову. В декодировании сочетаются beam search, CTC и языковая модель. В README указано обучение на 12 млн синтетических изображений строк на кхмерском и английском; метаданные подтверждают форматы ONNX и safetensors. Модель рассчитана на компактное и быстрое распознавание текста. Модель распространяется по лицензии Apache-2.0. Описанные результаты тестирования относятся к синтетическим изображениям с популярными шрифтами; качество на реальных документах может отличаться.

kto5k2 — дообученная модель для генерации текста на базе deepseek-ai/deepseek-coder-1.3b-base. Она использует плотную архитектуру семейства Llama и содержит 1,3 млрд параметров; формат весов — Safetensors. Модель предназначена для генерации и продолжения текста, в том числе кода, в пределах контекста до 16 384 токенов. В карточке указаны результаты оценки: loss 0,2594 и метрики rewards, log-probabilities и KL. Данные обучения обозначены как None, а подробности о назначении, обучающих данных и ограничениях не приведены. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

hbfreed выпустил вариант Poolside Laguna-S-2.1, в котором методом winnow удалено 50% каналов промежуточного слоя маршрутизируемых экспертов. Это MoE-модель для генерации текста с архитектурой WinnowLagunaForCausalLM: из исходных 118 млрд параметров осталось 60,8 млрд; 80% экспертов сохранены с уменьшенной переменной шириной, а общий эксперт, внимание и эмбеддинги не изменялись. В README приведён размер 60,8 млрд параметров, тогда как метаданные указывают 6,8 млрд; это расхождение требует проверки. Модель использует формат safetensors и рассчитана на контекст до 1 048 576 токенов. Модель предназначена для генерации и продолжения кода, диалогового программирования, агентных задач разработки и взаимодействия с инструментами. В описанном тесте HumanEval она показала pass@1 89,6%, однако результат получен с определённым протоколом извлечения ответа и INT8-подачей экспертов и не сопоставим напрямую с опубликованными результатами других тестов. README сообщает, что для serving с INT8-масштабированием нужны три GPU по 24 ГБ и специальный плагин vLLM для winnow; обычный tensor parallelism не поддерживается. Производная сохраняет лицензию OpenMDW-1.1 базовой модели.

LlamaMix-7B-slerp — языковая модель для генерации текста и диалогов, созданная MohamedAtta-AI объединением моделей через mergekit. В объединение вошли Magicoder-CL-7B и Llama-2-7b-chat-hf; применён метод SLERP. Модель использует архитектуру Llama с плотной трансформерной сетью и выдаёт текст в ответ на текстовый запрос. Метаданные указывают 3,4 млрд параметров и контекст до 4096 токенов. Модель подходит для диалогового ассистента и генерации кода благодаря включению Magicoder-CL-7B. В карточке не приведены оценки качества или подробные результаты тестирования, поэтому пригодность для конкретных задач стоит проверять на собственных примерах. Распространяется по лицензии Apache-2.0.

Macaron-V1-Tall — модель MindLab Research из семейства Macaron-V1, построенная на Qwen3.6-35B-A3B. Она предназначена для персональных агентных сценариев, работы с инструментами, программирования и генерации интерфейсов GenUI. Модель использует архитектуру Mixture of LoRA: четыре текстовых адаптера для чата, агентных задач, кода и GenUI, а маршрутизатор выбирает специалиста для каждого пользовательского запроса. Для запуска заявлена библиотека Transformers; опубликован чекпойнт BF16 с адаптерами LoRA и контекстом 262K токенов. Базовая модель также обладает мультимодальными возможностями, но специалисты Macaron настроены только для текста. В карточке приведены результаты сравнения системы с базовой конфигурацией, однако они не устанавливают вклад отдельных компонентов или преимущества между вариантами семейства. Известные ограничения включают слабую обработку зависимых вызовов инструментов, маршрутизацию всего хода к одному специалисту и качественное ухудшение стабильности характера в очень длинных сессиях после смены предпочтений. Отдельная оценка безопасности не проводилась; модель не рекомендуется для самостоятельных решений в критически важных областях. Лицензия — MIT.

MahaSBERT — модель представления предложений, разработанная командой L3Cube-Pune в рамках проекта MahaNLP. Она основана на MahaBERT для маратхи (l3cube-pune/marathi-bert-v2) и дообучена на наборе данных NLI. Модель относится к семейству BERT, содержит 264,8 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 768; контекст ограничен 512 токенами. Модель предназначена для оценки смыслового сходства предложений, семантического поиска и кластеризации текстов на маратхи. Её можно использовать через Sentence-Transformers либо Transformers с подходящей операцией pooling. Репозиторий содержит веса PyTorch и доступен по лицензии CC BY 4.0. README упоминает более позднюю улучшенную версию, дообученную для сходства предложений.

MetaModel_moe_multilingualv1 — языковая модель с архитектурой Mixtral Mixture of Experts, созданная с помощью mergekit путём объединения нескольких моделей на базе Mistral 7B. В состав объединения входят OpenChat, CodeNinja, PiVoT, WizardMath, komt-mistral, OpenBuddy, open-aditi-hi и SauerkrautLM. Модель предназначена для генерации текста в диалогах и других сценариях, где нужны общие ответы, помощь с кодом и математикой, а также многоязычная генерация. Карточка указывает на языки английский, хинди, немецкий, французский, арабский и японский; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0. README описывает объединение специализированных моделей, но не приводит оценок качества или результатов тестирования. Поэтому пригодность для конкретного языка и задачи следует проверять на собственных примерах; качество может различаться между направлениями, представленными в смеси.

Это размещённая Featherless AI подборка GGUF-файлов с разными вариантами квантования модели Qwen2.5-Coder-32B-Instruct. Основа — инструкционная модель на 32 млрд параметров для генерации кода и ответов на запросы разработчиков; в репозитории перечислены варианты IQ4_XS, Q2_K и Q3_K_L, а также другие файлы квантования. Модель предназначена для диалоговой генерации кода: например, для написания фрагментов программ, объяснения кода и помощи разработчикам. Репозиторий помечен как GGUF и поддерживает сценарии чата. Лицензия и сведения о длине контекста в предоставленных данных отсутствуют.

Модель csikasote/mms-1b-all-bemgen-combined-train-drodat-gdro-1.65e-4-dat-0.019-no-sd-0.00-52 — дообученная версия facebook/mms-1b-all для автоматического распознавания речи. Она основана на архитектуре wav2vec2, содержит 1,3 млрд параметров и принимает аудио, выдавая текст. Дообучение выполнено на наборе BEMGEN - BEM; на оценочном наборе указаны Loss 12.0449 и CER 0.0516. Модель предназначена для преобразования речи в текст. Базовая MMS-1B-All поддерживает более тысячи языков, однако языковой охват именно этой дообученной версии в карточке не уточнён. Модель распространяется по лицензии CC BY-NC 4.0, которая запрещает коммерческое использование.

tasksource/ModernBERT-large-nli — англоязычная модель tasksource, дообученная на задачах естественного логического вывода (NLI) на основе answerdotai/ModernBERT-large. Это плотный двунаправленный энкодер ModernBERT с 394,7 млн параметров, контекстом до 2048 токенов и классификационной головой; модель доступна в формате Safetensors и работает через Transformers. Модель предназначена для zero-shot-классификации по пользовательским меткам, определения отношений между посылкой и гипотезой (следование, противоречие, нейтральность), анализа тональности и рассуждений по текстам, включая длинные документы. В карточке приведены результаты на нескольких задачах GLUE и отмечены обучающие данные MNLI, ANLI и специализированные NLI-датасеты. Её можно использовать как основу для дальнейшего дообучения под конкретную задачу. Модель лучше всего подходит для английского языка. Она не генерирует свободный текст: результатом служат оценки или классы. Лицензия — Apache-2.0.

multi-sentence-BERTino V5 — италоязычная модель Sentence Transformers на архитектуре DistilBERT, разработанная автором репозитория nickprock и дообученная для поиска и сравнения предложений. Она преобразует предложения и абзацы в плотные векторы размерностью до 768 и предназначена для семантического поиска, информационного поиска, подбора контекста для RAG и оценки семантического сходства. Обучение использует Matryoshka Representation Learning: векторы можно усекать до 512, 256 или 128 измерений, сохраняя полезность для поиска; README приводит результаты на итальянских наборах для retrieval и STS. Для retrieval применялись синтетические запросы к абзацам итальянской Википедии с трудными отрицательными примерами, а для сходства — итальянская часть STS-B. Максимальная длина контекста — 512 токенов. Репозиторий содержит форматы ONNX и safetensors и распространяется по лицензии Apache-2.0. Модель рассчитана на итальянский язык и возвращает эмбеддинги, а не готовые текстовые ответы. Метрики приведены для hold-out оценки автора; качество на других доменах и типах данных может отличаться.

MyAwesomeModel — модель для извлечения признаков из текста, опубликованная в репозитории WinderBYZ/MyAwesomeModel-TestRepo. Согласно метаданным, она относится к семейству BERT и предназначена для использования с библиотекой Transformers на базе PyTorch. Модель преобразует текстовые входы в векторные представления, которые можно применять в последующих задачах машинного обучения, включая семантический поиск, сравнение текстов, классификацию и кластеризацию. README содержит заявления о возможностях рассуждения, генерации и диалогах, однако они не согласуются с указанным pipeline-тегом feature-extraction и не подтверждают дополнительные характеристики этой публикации. Модель распространяется по лицензии MIT. Размер, длина контекста, поддерживаемые естественные языки и точные параметры архитектуры в доступных данных не указаны.

Nemotron-3-Embed-8B-Community-NVFP4 — мультиязычная модель для получения текстовых эмбеддингов, разработанная и опубликованная shadowrock-io на основе nvidia/Nemotron-3-Embed-8B-BF16. Это квантизированная версия базовой модели в формате NVFP4/FP4 с 4-битным представлением, предназначенная для задач семантического поиска, dense retrieval, vector search, feature extraction и построения RAG-систем. Модель ориентирована на использование с vLLM и поддерживает формат Safetensors. Модель работает с текстом и предназначена для сопоставления смысловой близости запросов и документов. В README заявлена поддержка английского, русского, китайского, арабского, немецкого, французского, испанского, японского, корейского, украинского и других языков; полный перечень включает 30 языков. Указана поддержка подхода Matryoshka, однако размерность эмбеддингов и максимальная длина контекста не приведены. К сильным сторонам относятся снижение требований к памяти и вычислительным ресурсам благодаря NVFP4-квантизации, мультиязычность и ориентация на retrieval-сценарии. В предоставленных результатах MTEB модель показывает высокие значения NDCG@10 на отдельных наборах, включая HumanEvalRetrieval — 1,0, WikiSQLRetrieval — 0,99459 и MBPPRetrieval — 0,95722, однако качество зависит от предметной области. Ограничения включают отсутствие подробностей об архитектуре, размере контекста и официальных характеристиках производительности, а также то, что в README инференс помечен как неподтверждённый. Модель распространяется по лицензии openmdw-1.1, обозначенной в карточке как other.

Nemotron-Flash-3B Base — базовая языковая модель NVIDIA для генерации текста. Это плотная причинная трансформерная модель семейства Nemotron Flash с архитектурой NemotronFlashForCausalLM и 1,3 млрд параметров. Семейство спроектировано с учётом задержки на реальных сценариях: в нём используются гибридные операторы, найденные эволюционным поиском, оптимальное соотношение глубины и ширины и нормализация весов на этапе обучения. Модель предназначена для генерации продолжений текста и может применяться в задачах математических рассуждений, программирования и здравого смысла. В README заявлены результаты на уровне лучших моделей своего размера, а также низкая задержка при небольших пакетах и высокая пропускная способность при больших. Для запуска описана интеграция с Transformers и ускорение CUDA Graph; контекст составляет 29 000 токенов. Это базовая, а не Instruct-версия, поэтому карточка не заявляет, что она настроена для диалога по инструкциям. Модель распространяется под лицензией с типом «other»; конкретные условия следует проверять в файлах лицензии репозитория. Для загрузки указаны Transformers и формат safetensors.