II.8Инженерия данных и аналитика

marianbasti/whisper-large-v3-turbo-latam — дообученная marianbasti на испанской части Mozilla Common Voice 17.0 версия Whisper large-v3-turbo. Модель предназначена для автоматической транскрибации испанской речи, с акцентом на латиноамериканские варианты и аудио низкого качества; при обучении исключили испанские акценты Испании. Для обучения вычислительные ресурсы предоставил CITECCA Национального университета Рио-Негро. Модель использует архитектуру WhisperForConditionalGeneration, содержит 905,2 млн параметров и работает с аудио на входе, выдавая текст. Базовая Whisper large-v3-turbo ускорена за счёт сокращения числа декодирующих слоёв с 32 до 4, что повышает скорость при небольшом снижении качества. Модель поддерживается библиотекой Transformers; лицензия — MIT. Для аудио длиннее 30 секунд требуется обработка последовательными или перекрывающимися сегментами. Качество распознавания может зависеть от акцента, шума и конкретной области применения. Перед развёртыванием рекомендуется оценить модель на целевых данных; она не предназначена для субъективной классификации людей или решений в высокорисковых сценариях.

Wizard Mega 13B — языковая модель OpenAccess AI Collective, дообученная на базе LLaMA 13B на данных ShareGPT, WizardLM и Wizard-Vicuna. Это плотная авторегрессионная модель семейства LLaMA с 12,9 млрд параметров, предназначенная для генерации текста и ответов на инструкции; доступный контекст составляет 2048 токенов. В карточке приведён пример генерации Python-кода. Модель обучалась два эпоха: релиз основан на чекпойнте второй эпохи, поскольку оценочная ошибка росла на третьей. Данные обучения очищали от некоторых отказов и стандартных фраз вроде «As an AI language model». Модель не проходила RLHF и не имеет встроенной фильтрации ответов, поэтому может выдавать проблемный контент. Лицензия в предоставленных данных не указана.

XLM-RoBERTa large — мультиязычная языковая модель семейства RoBERTa, разработанная командой Facebook AI и впервые опубликованная в репозитории Hugging Face. Модель с архитектурой XLM-RoBERTa содержит 658,7 млн параметров и обучена на 2,5 ТБ очищенных данных CommonCrawl на 100 языках с целью masked language modeling: по контексту предсказывает скрытые токены. Длина контекста — 514 токенов. Модель предназначена для заполнения пропусков в тексте и как основа для дообучения под классификацию последовательностей и токенов, ответы на вопросы и другие задачи понимания текста. Она формирует двунаправленные представления предложений на многих языках, что позволяет использовать её для извлечения признаков и кросс-языковых сценариев. Для свободной генерации текста модель не предназначена. Распространяется по лицензии MIT.

RyanBours представляет Candle-совместимую конверсию дообученной YOLOv11n для обнаружения текстовых областей. Модель принимает изображения размером 640 × 640 и находит на них объекты класса «text»; веса доступны в форматах Safetensors и ONNX для использования с Candle и ONNX Runtime. Модель предназначена для выделения областей с текстом на документах, снимках экрана и фотографиях, например перед передачей изображения в OCR. Это компактный детектор на архитектуре YOLOv11n, однако карточка не приводит численные показатели качества или подробности обучающего набора. Лицензия репозитория — Apache-2.0.

Это дообученная модель Waqf-AI для получения плотных векторных представлений текста и поиска по смыслу. Она основана на jinaai/jina-embeddings-v5-text-nano-retrieval и дообучена на арабских данных для поиска; при обучении также использовались английские примеры NLI, чтобы сохранить способности на английском языке. Модель предназначена для арабского семантического поиска и информационного поиска, например для сопоставления запросов с документами. Архитектура — EuroBERT, около 211,7 млн параметров; максимальный контекст — 8192 токена. Формат весов — safetensors, для использования в README приведён пример с Sentence Transformers. Модель поддерживает арабский и английский языки. Лицензия Apache-2.0. README не содержит сравнительных оценок качества, поэтому качество на конкретных наборах данных следует проверять отдельно.

LazarusNLP/all-indo-e5-small-v2 — модель встраиваний предложений на базе BERT, опубликованная LazarusNLP. Она преобразует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, сравнения сходства и кластеризации. Модель использует библиотеку Sentence-Transformers, содержит 124,3 млн параметров и принимает текст с контекстом до 512 токенов. Модель обучена с функцией MultipleNegativesRankingLoss и косинусным сходством. По тегам карточки она ориентирована на индонезийский язык; данные для обучения и оценки включают индонезийские наборы задач поиска, понимания и сопоставления текста. Для использования требуется корректное pooling-преобразование контекстных представлений, если модель запускается через Transformers без Sentence-Transformers. Лицензия в предоставленных данных не указана.

Qdrant подготовила ONNX-версию модели sentence-transformers/all-MiniLM-L6-v2, настроенную для возврата весов внимания. Модель предназначена для поиска BM42 и применяется для вычисления сходства между предложениями и подготовки представлений текста в поисковых системах. Модель основана на архитектуре BERT, содержит 25,9 млн параметров и поддерживает контекст до 512 токенов. В отличие от исходной модели, эта версия возвращает веса внимания; репозиторий содержит формат ONNX. Модель рассчитана на английский язык. Модель распространяется по лицензии Apache-2.0. Она подходит для поиска по текстовым коллекциям и ранжирования близких по смыслу фрагментов; качество за пределами английского языка и ограничения конкретной реализации в карточке не описаны.

ARK-ASR-0.6B — мультиязычная модель распознавания речи от проекта AutoArk. Она использует авторегрессионный декодер Qwen2 примерно на 0,6 млрд параметров, отдельный аудиоэнкодер в стиле Whisper сопоставимого масштаба и MLP-адаптер для преобразования аудиопризнаков. Модель принимает речь с частотой дискретизации 16 кГц и генерирует текстовую расшифровку; заявленная длина контекста — 32 768 токенов. Модель обучена по схеме адаптации на данных учителя и онлайн-дистилляции политики: её собственные варианты транскрипций сопоставляются с оценками учителя. Она предназначена для распознавания речи на китайском, английском, немецком, японском, французском, корейском, испанском, польском, итальянском, румынском, венгерском, чешском, нидерландском, финском, хорватском, словацком, словенском, эстонском и литовском языках. В приведённых авторами тестах качество сопоставимо с Qwen3-ASR-0.6B на английских и китайских наборах данных, но уступает более крупной Qwen3-ASR-1.7B на части тестов. Веса доступны в формате safetensors и распространяются по лицензии Apache-2.0. Для загрузки требуется Transformers с trust_remote_code=True; авторы рекомендуют официальный скрипт инференса, который обрабатывает аудиопромпт и фильтрацию токенов. Код обучения, инференса и оценки находится в отдельном репозитории open-audio-opd.

Atem-Pharaoh-3B-i1-GGUF — GGUF-квантизированная версия модели Atem-Pharaoh-3B, разработанной EphAsad и квантизированной mradermacher. Модель предназначена для генерации текста, диалоговых сценариев и задач рассуждения, включая математику, программирование, анализ и ответы в областях, представленных обучающими наборами. В обучении или дообучении использовались наборы с математическими, кодовыми, медицинскими и рассуждательными примерами, а также синтетические данные, полученные дистилляцией других моделей. Модель имеет около 3 миллиардов параметров и распространяется в формате GGUF для использования с совместимыми инструментами, включая llama.cpp. Доступны варианты с разными уровнями квантизации — от IQ1 и IQ2 до Q6_K; они различаются размером файлов, скоростью и качеством. Для баланса размера, скорости и качества в README рекомендуется вариант i1-Q4_K_M, а i1-Q4_K_S также отмечен как оптимальный по этим параметрам. Указан английский язык; сведения о поддерживаемых модальностях и размере контекстного окна отсутствуют. Сильными сторонами являются компактный размер, возможность локального запуска и специализация на рассуждении, математике, коде и диалогах. Ограничения связаны с потерями качества при низких уровнях квантизации и отсутствием подробных результатов оценивания. Модель распространяется по лицензии Apache-2.0.

Qdrant/bge-large-en-v1.5-onnx — это ONNX-порт модели BAAI/bge-large-en-v1.5, разработанной BAAI и подготовленной для использования в экосистеме Qdrant. Модель предназначена для работы с текстом, включая задачи классификации текста и поиска по сходству. Модель преобразует текстовые документы в числовые векторные представления, которые можно использовать для сравнения семантической близости документов и построения систем поиска. В README приведён пример инференса через библиотеку FastEmbed. Из доступных данных следует, что модель ориентирована на английский язык; размер, точная архитектура, длина контекста и другие технические характеристики не указаны. Модель удобна для локального или инфраструктурного запуска в формате ONNX и интеграции с инструментами векторного поиска. Ограничения README не описывает, однако применимость к другим языкам, производительность и качество в конкретных сценариях требуют отдельной оценки. Лицензия модели — Apache-2.0.

bge-small-zh-v1.5-gguf — это модель для создания векторных представлений текста (embeddings), основанная на BAAI/bge-small-zh-v1.5. Репозиторий GGUF-файлов подготовлен Compendium Labs. Модель предназначена для семантического поиска, сравнения текстов, кластеризации, retrieval-сценариев и других задач, где требуются embedding-векторы. По названию и исходной модели она ориентирована на китайский язык, однако точный перечень поддерживаемых языков в README не указан. Модель доступна в форматах GGUF с представлениями F32, F16, Q8_0 и Q4_K_M; размеры файлов составляют примерно от 15 до 91 МБ. Она совместима с llama.cpp и llama-cpp-python, поддерживает получение embedding-векторов для одной строки или списка строк и автоматическую пакетную обработку. Архитектура, число параметров, размерность векторов, максимальная длина контекста и перечень модальностей в README не указаны; по представленным данным это текстовая, а не мультимодальная модель. К сильным сторонам относятся компактность, возможность локального запуска и ускорение на CPU при использовании квантованных вариантов: заявлено до 30% прироста скорости при минимальной потере точности. На GPU преимущество над ONNX описано как умеренное и зависящее от приложения, а из-за небольшого размера модели выгода от квантования может быть ограниченной. Лицензия — MIT, если соблюдаются её условия.

BoostedV1-ILv9 — разговорная языковая модель, разработанная auryn-macmillan на основе DeepSeek-R1-Distill-Qwen-1.5B. Это плотная модель семейства Qwen2 с 1,5 млрд параметров, обученная продолжением LoRA-настройки и несколькими раундами итеративного самоулучшения: модель генерировала решения, они проверялись и проходили самоаудит, после чего отобранные примеры использовались для обучения. Модель предназначена для генерации текста с упором на рассуждения, математические задачи и написание кода; поддерживает диалоговый сценарий и интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена, основной язык карточки — английский. В приведённой оценке результат GSM8K вырос с 46,0% до 46,5%, а HumanEval pass@1 — с 7,3% до 11,0% относительно BoostedV1 Phase-1; результаты относятся к указанным бенчмаркам и не гарантируют качество в других задачах. Модель распространяется в формате safetensors по лицензии MIT.

Карточка модели unsloth/codegemma-7b на Hugging Face совпадает с карточкой unsloth/codegemma-7b-it, поэтому описание составлено по ней. unsloth/codegemma-7b-it — разговорная версия CodeGemma от Google, представленная Unsloth в виде модели для генерации текста. Репозиторий содержит плотную авторегрессионную модель Gemma с 8,2 млрд параметров, рассчитанную на диалог и дополнение текста; максимальный контекст составляет 8192 токена. В метаданных указана поддержка английского языка и формат safetensors. Модель подходит для диалоговых приложений и генерации продолжений текста, в частности в сценариях, связанных с кодом, для которых предназначено семейство CodeGemma. Карточка Unsloth описывает ноутбуки для дообучения Gemma и форматы шаблонов ChatML и Vicuna, но не приводит результатов оценки качества именно этого чекпойнта. Модель распространяется по лицензии Apache-2.0.

unsloth/codegemma-7b-it — разговорная версия CodeGemma от Google, представленная Unsloth в виде модели для генерации текста. Репозиторий содержит плотную авторегрессионную модель Gemma с 8,2 млрд параметров, рассчитанную на диалог и дополнение текста; максимальный контекст составляет 8192 токена. В метаданных указана поддержка английского языка и формат safetensors. Модель подходит для диалоговых приложений и генерации продолжений текста, в частности в сценариях, связанных с кодом, для которых предназначено семейство CodeGemma. Карточка Unsloth описывает ноутбуки для дообучения Gemma и форматы шаблонов ChatML и Vicuna, но не приводит результатов оценки качества именно этого чекпойнта. Модель распространяется по лицензии Apache-2.0.

cupidon-base-ro — модель BlackKakapo для создания эмбеддингов румынских текстов и оценки семантической близости предложений. Это плотная модель на архитектуре XLM-RoBERTa с 305,2 млн параметров, дообученная на румынских данных STS; в карточке указан датасет BlackKakapo/RoSTSC. Контекст модели — 514 токенов. Модель принимает текст и формирует векторные представления, которые можно использовать для сравнения предложений по смыслу, поиска похожих текстов и ранжирования кандидатов по семантическому сходству. Доступны веса Safetensors и форматы ONNX и OpenVINO; использовать модель можно через Sentence-Transformers или Transformers с подходящей операцией pooling. Лицензия — Apache-2.0.

cyrillic_PP-OCRv5_mobile_rec — мобильная модель распознавания строк текста семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она принимает изображение строки и преобразует текст на кириллице в строку; модель можно использовать как компонент OCR-системы или в конвейере PP-OCRv5 вместе с обнаружением текста и другими модулями обработки изображения. Заявленная точность составляет 80,27%; при оценке строка считалась ошибочной, если в ней неверен хотя бы один символ, включая пунктуацию. Это специализированный распознаватель строк, поэтому для полного извлечения текста из документа обычно требуется конвейер с обнаружением текстовых областей. Модель распространяется по лицензии Apache-2.0.

Darwin-28B-REASON — плотная языковая модель VIDRAFT для генерации текста и сложных рассуждений. Это самостоятельная модель с полными весами, полученная дистилляцией цепочек рассуждений (RTD) на базе FINAL-Bench/Darwin-28B-Opus. Она использует архитектуру Qwen3_5ForConditionalGeneration поколения Qwen3.6 с чередованием линейного и полноформатного внимания и содержит 27,6 млрд параметров в формате BF16. Модель предназначена для многошагового решения научных и математических задач, ответов на вопросы уровня аспирантуры, генерации и отладки кода. Карточка рекомендует английский как основной язык, а также указывает поддержку корейского, китайского и японского. Заявленный результат 89,39% на GPQA Diamond получен с Darwin-DELPHI — отдельным проприетарным механизмом тестового вывода с несколькими образцами и самопроверкой; этот механизм не входит в веса модели. Модель распространяется по лицензии Apache-2.0. Для запуска BF16-весов требуется около 55 ГБ видеопамяти. Карточка отмечает, что без Darwin-DELPHI точность ниже заявленного результата, а цепочки рассуждений могут быть многословными; полный рецепт дистилляции и методика оценки Darwin-DELPHI не раскрыты.

facebook/dinov2-with-registers-base — базовая модель Vision Transformer с архитектурой DINOv2 и дополнительными register-токенами. Модель впервые опубликована авторами DINOv2 with Registers; карточку на Hugging Face подготовила команда Hugging Face. Энкодер содержит 113,2 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Модель предварительно обучена без учителя и извлекает визуальные признаки и эмбеддинги из изображений. Их можно использовать для поиска похожих изображений, кластеризации или как представления для обучения классификатора и других прикладных моделей. Веса не содержат дообученных классификационных голов. Register-токены уменьшают артефакты в картах внимания и помогают получать более интерпретируемые карты и улучшенные признаки. Модель принимает изображения и возвращает признаки; готовой разметки классов сама по себе не выдаёт.

FIM-7B — языковая модель для программирования и задач coding-агентов, разработанная TIGER-Lab. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, дообученная на базе Qwen/Qwen2.5-Coder-7B-Instruct: сначала на данных function-aware fill-in-the-middle, затем на траекториях агентов R2E-Gym. Модель предназначена для работы в агентном сценарии, включая решение задач из репозиториев и исправление программного кода; README приводит результаты оценки на SWE-Bench-Verified и SWE-Bench-Lite. Модель принимает текстовые запросы и генерирует текст и код. Заявленная нативная длина контекста — 32 768 токенов; в инструкции по оценке упоминается запуск с длиной до 65 536 токенов. В сравнении с воспроизведением R2E-Gym на той же базовой модели FIM-7B показала улучшение на 2,8 пункта на SWE-Bench-Verified и на 3,67 пункта на SWE-Bench-Lite. Для воспроизведения оценки использовался фиксированный каркас агента R2E-Gym. Распространяется по лицензии Apache-2.0.

comet24082002/finetuned_bge_ver11 — дообученная модель на базе BAAI/bge-m3, опубликованная comet24082002. Это плотная модель архитектуры XLM-RoBERTa с 658,7 млн параметров, предназначенная для извлечения признаков из текста. Базовая BGE-M3 рассчитана на многоязычный семантический, лексический и гибридный поиск по текстам и документам; дообученная версия может применяться для получения текстовых представлений в поисковых системах и системах работы с документами. Модель принимает текст и выдаёт векторные признаки. Максимальная длина контекста — 8194 токена. Данные обучения и результаты оценки в карточке не описаны, поэтому качество на конкретных языках и задачах поиска не подтверждено. Лицензия — MIT.

WebOrganizer/FormatClassifier — англоязычный классификатор веб-страниц, разработанный WebOrganizer. Он относит содержимое к одной из 24 категорий, используя URL страницы и её текст; вход подаётся в формате, где сначала указан URL. Модель основана на энкодере Alibaba-NLP/gte-base-en-v1.5 и дообучена для классификации последовательностей. В карточке указаны 136,7 млн параметров, контекст до 8192 токенов и формат весов safetensors. Модель подходит для автоматической сортировки веб-страниц и организации больших коллекций онлайн-контента по типу материала. Обучение проводилось в два этапа на аннотациях Llama: сначала на наборе из 1 млн документов, затем на 100 тыс. документов. README рекомендует для эффективного инференса реализацию gte-base-en-v1.5 с unpadding и memory efficient attention, требующую xformers. Лицензия в предоставленных данных не указана.

Functionary Medium v3.1 — языковая модель компании MeetKai для диалогов и работы с функциями и плагинами. Она основана на meta-llama/Meta-Llama-3.1-70B-Instruct и использует плотную архитектуру Llama; в метаданных указаны 69,5 млрд параметров и контекст до 131 072 токенов. Модель принимает определения инструментов в формате JSON Schema, выбирает, когда вызывать функции, может запускать несколько вызовов параллельно или последовательно и учитывать их результаты в ответе. Она также может вести обычный диалог без вызова инструментов и поддерживает сценарии с интерпретатором кода. Модель предназначена для ассистентов, которым нужно вызывать API и плагины, оркестрировать инструменты и формулировать ответы с учётом полученных данных. README рекомендует запуск через совместимый с OpenAI сервер vLLM; для разбора сырых ответов в JSON предусмотрен специальный код. Репозиторий содержит веса Safetensors. Лицензия — MIT.

GPT-OSS-Nano — компактная языковая модель с архитектурой Mixture of Experts, опубликованная пользователем squ11z1 и дообученная на базе openai/gpt-oss-20b. Модель ориентирована на пошаговое рассуждение и решение задач, включая математические вопросы, объяснение концепций и общий текстовый диалог. Для обучения использовались QLoRA, Unsloth и TRL на наборе Superior-Reasoning с примерами цепочек рассуждений. Модель содержит около 9 млрд параметров, из которых примерно 3 млрд активируются на каждом проходе. Архитектура включает 12 экспертов, 4 активных эксперта на токен, 24 слоя, скрытое измерение 2880, 64 attention heads с 8 KV-головами и GQA. Заявлена поддержка контекста до 131 072 токенов и точности BFloat16. Основной язык — английский; качество на других языках может варьироваться. Доступны форматы GGUF для локального запуска через llama.cpp и Ollama, а также интеграция с Transformers и 4-битной загрузкой через Unsloth. Сильными сторонами модели являются относительно экономичное разреженное вычисление, большой контекст и специализация на пошаговом reasoning. Ограничения включают преимущественно англоязычную оптимизацию, риск правдоподобных ошибок и непригодность для критически важных сценариев без дополнительной проверки. Модель распространяется по лицензии Apache-2.0.

jina-embeddings-v5-omni-small-classification — мультимодальная модель эмбеддингов от Jina AI, адаптированная для задач классификации. Она построена на архитектуре Qwen3-VL-Audio и принимает текст, изображения, видео и аудио, преобразуя их в векторы размерности 1024 в общем пространстве, совместимом с текстовыми моделями эмбеддингов Jina v5. Размер модели — около 1,56 млрд параметров. Модель предназначена для получения признаковых векторов, которые можно использовать в классификации, а также для индексирования и поиска по разным модальностям: например, индексировать текст и искать по изображению, видеокадрам или аудио без повторной индексации. Видео представляется кадрами; звуковая дорожка автоматически не учитывается и должна передаваться отдельно. Для текстового ввода используется префикс «Document: ». Модель поддерживает мультиязычный ввод; в README описаны способы запуска через Transformers, sentence-transformers и vLLM. Веса опубликованы в формате safetensors, библиотека — Transformers. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование. Для инференса требуются актуальные версии зависимостей; мультимодальные компоненты можно загружать выборочно для экономии памяти.

jk6 — дообученная модель для генерации текста, созданная на основе deepseek-ai/deepseek-coder-1.3b-base. Веса представлены в формате safetensors; модель имеет 1,3 млрд параметров и контекст до 16 384 токенов. В метаданных указана архитектура семейства Llama.

Josiefied-Qwen2.5-Coder-14B-Instruct-abliterated-v1 — дообученная Gökdeniz Gülmez модель Qwen2.5-Coder-14B-Instruct с архитектурой Qwen2ForCausalLM и 14 млрд параметров. Она предназначена для генерации кода и диалогового взаимодействия; автор описывает её как модель, дополнительно дообученную на пользовательском наборе данных для менее ограниченных ответов. Модель принимает текст и генерирует текст, поддерживает английский и немецкий языки. Заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса safetensors; в README также упоминаются квантизированные версии GGUF. Лицензия — Apache 2.0. Модель может давать менее ограниченные ответы, поэтому результаты требуют проверки. Автор отдельно предупреждает об использовании на собственный риск; подробности набора данных и оценки качества в карточке не приведены.

KAT-Coder-V2.5-Dev-MTP-APEX-GGUF — это GGUF-квантизированная версия модели Kwaipilot/KAT-Coder-V2.5-Dev, опубликованная пользователем ursb01. Модель предназначена для генерации кода и агентских сценариев программирования. В её основе лежит MoE-модель Qwen3.6-35B-A3B с 40 слоями, 256 маршрутизируемыми и одним общим экспертом, гибридной архитектурой GatedDeltaNet с периодическими слоями полного внимания. Для исходной KAT-Coder заявлен результат 69,40 на SWE-bench Verified против 64,40 у базовой Qwen3.6-35B-A3B. Главное отличие сборки — добавленная MTP-голова для speculative decoding. Она перенесена из исходной Qwen3.6-35B-A3B без дополнительного дообучения на распределении скрытых состояний KAT-Coder. В README указано ускорение до 2,03 раза на наборе агентских задач программирования без изменения корректности; рекомендуемая глубина чернового предсказания — n-max 3. При слишком большой глубине эффективность снижается, и на n-max 8 модель может работать медленнее базового режима. Доступны варианты с разным размером и распределением точности, включая рекомендуемый MTP-APEX-i-quality-v2 размером 19,24 GiB и более компактный APEX-dynamic-v2 размером 11,91 GiB. Для запуска требуется совместимое программное обеспечение, например llama.cpp. Модель распространяется по лицензии Apache-2.0. Языки, размер контекста и точный перечень поддерживаемых модальностей в предоставленных данных не указаны; по описанию это текстовая модель генерации кода.

uclanlp/keyphrase-mpnet-v1 — модель Sentence-Transformers, разработанная UCL NLP для представления фраз в виде плотных векторов размерности 768. Она основана на sentence-transformers/all-mpnet-base-v2 и дополнительно дообучена с помощью SimCSE на корпусе из миллиона ключевых фраз из научных публикаций, новостей, онлайн-форумов и других областей. Модель содержит 136,7 млн параметров, использует архитектуру MPNet и принимает текстовые фразы; длина контекста составляет 514 токенов. Векторы подходят для семантического поиска, кластеризации и вычисления семантических оценок качества моделей извлечения ключевых фраз. Обучение на фразах из нескольких предметных областей делает её специализированным вариантом для работы с ключевыми фразами. В предоставленных материалах условия лицензии не приведены.

Laguna XS.2 — разработанная Poolside языковая модель для агентного программирования и длительных задач разработки ПО. Она предназначена для работы в локальной среде и поддерживает диалоговый режим, рассуждения между вызовами инструментов и управление режимом рассуждений в запросах. Архитектура — Mixture-of-Experts: в README указаны 33 млрд параметров всего и 3 млрд активных на токен, 40 слоёв и 256 экспертов с одним общим экспертом. В 30 слоях применяется скользящее оконное внимание, в остальных — глобальное; окно внимания составляет 512 токенов. Контекст — 262 144 токена. Модель текстовая, обучалась в несколько этапов, включая предварительное обучение, постобучение и обучение с подкреплением. Карточка приводит результаты на SWE-bench и Terminal-Bench; эти оценки получены в конкретных условиях тестирования и не гарантируют аналогичной производительности в других сценариях. Модель доступна в формате safetensors и поддерживается Transformers, vLLM, SGLang и другими средствами локального запуска, в том числе Ollama. По README, для запуска на Mac рекомендуется система с 36 ГБ оперативной памяти. Лицензия Apache 2.0 разрешает коммерческое и некоммерческое использование с соблюдением лицензионных условий и политики допустимого использования Poolside.

LaSER-Qwen3-8B-i1-GGUF — это GGUF-квантизированная версия модели LaSER-Qwen3-8B, разработанной Alibaba-NLP и дополнительно подготовленной к публикации mradermacher. Модель предназначена прежде всего для плотного поиска, построения эмбеддингов, извлечения признаков и задач информационного поиска, включая сценарии семантического сопоставления документов и запросов. В README указано, что она обучалась с использованием набора данных jinjiajie/LaSER-Training. Модель относится к семейству Qwen3 и имеет размер 8B параметров; точные сведения об архитектуре, длине контекста, поддерживаемых модальностях и языках, кроме английского, не приведены. Доступны варианты квантизации i1 с размерами примерно от 2,2 до 6,8 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Низкоразрядные варианты могут заметно терять в качестве, тогда как i1-Q4_K_M обозначен как быстрый и рекомендуемый, а i1-Q4_K_S — как сбалансированный по размеру, скорости и качеству. Лицензия модели — MIT.