II.8Инженерия данных и аналитика

LCO-Embedding-Omni-3B-2605 — мультимодальная модель эмбеддингов от разработчиков LCO-Embedding, обновлённая в мае 2026 года. Она предназначена для преобразования текста, изображений, аудио и видео, а также их сочетаний в векторные представления для поиска и сравнения по смыслу. Модель построена на архитектуре Qwen2.5-Omni Thinker и распространяется в формате safetensors; для работы авторы предлагают Sentence Transformers и Transformers. Модель подходит для мультимодального поиска: можно искать текстом по изображениям, аудио или видео и сопоставлять материалы разных типов. В README заявлены улучшения для всех четырёх модальностей по сравнению с предыдущей версией. Репозиторий опубликован под лицензией Apache-2.0. Для обработки изображений, аудио и видео в Sentence Transformers требуются соответствующие мультимодальные дополнения.

OpenAssistant/llama2-13b-megacode2-oasst — дообученная плотная языковая модель семейства Llama 2 с 12,9 млрд параметров, разработанная при участии andreaskoepf; для обучения использовался тренер epfLLM/Megatron-LLM. Модель предназначена для генерации текста, в том числе ответов в формате диалога ChatML, и задач, связанных с кодом: обучение включало набор LosslessMegaCodeTrainingV2_1m_Evol_Uncensored. Модель принимает текст и генерирует текст. В README приведён шаблон диалога с ролями user и assistant; нативный контекст составляет 2048 токенов. Доступен формат PyTorch. В метаданных указана лицензия other, поэтому условия использования следует сверять с карточкой модели и её лицензией. README не содержит оценок качества или подробных результатов тестирования.

Llama-3-Teal-Instruct-2x8B-MoE — экспериментальная языковая модель с архитектурой MoE, созданная RDson путём слияния Meta-Llama-3-8B-Instruct и nvidia/Llama3-ChatQA-1.5-8B с помощью Mergekit. Она предназначена для диалогов с ассистентом и генерации текста; в README отдельно выделены запросы на объяснения и общение, а также задачи по Python, математике и программированию. Метаданные указывают 7,5 млрд параметров, контекст до 8192 токенов и формат Safetensors. Модель принимает текст и выдаёт текст. В карточке не приведены результаты оценки качества или подробные ограничения, поэтому пригодность для конкретных задач следует проверять самостоятельно. Лицензия в предоставленных данных не указана.

MarkupLM-base — мультимодальная модель Microsoft для понимания веб-страниц и документов с визуально насыщенной структурой. Она обучена совместно на тексте и разметке страниц, чтобы учитывать содержание и структуру HTML при ответах на вопросы и извлечении информации. Работа модели описана в статье ACL 2022 о предварительном обучении текста и разметки для понимания документов. Модель содержит около 151,9 млн параметров, использует архитектуру MarkupLM и распространяется в формате PyTorch. В карточке указана поддержка английского языка и контекст длиной 514 токенов. Репозиторий описывает задачи веб-вопросов и ответов и извлечения информации со страниц; конкретный pipeline-тег в метаданных не указан, поэтому задачам Hugging Face сопоставить её достоверно нельзя. Модель подходит для исследовательских и прикладных систем анализа веб-страниц, которым важно учитывать HTML-разметку вместе с текстом. README ссылается на документацию и демонстрационные блокноты. Лицензия в предоставленных данных не указана.

LeroyDyer/Mixtral_AI_Cyber_4.0 — объединённая автором LeroyDyer языковая модель для генерации текста и диалогов. В слияние вошли пять моделей серии Mixtral_AI_Cyber, включая версии 3.m1 и 3.1_SFT; автор описывает исходные модели как интенсивно обученные на задачах программирования. Архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель рассчитана на текстовый ввод и текстовый вывод; в метаданных указан английский язык и поддержка чата. Репозиторий опубликован в формате safetensors, библиотека для работы — Transformers. Лицензия — MIT. Модель можно использовать для генерации и продолжения кода, помощи в программировании и диалоговых запросов на английском языке. Метаданные также отмечают теги biology, chemistry и medical, но README не приводит проверок качества или подробностей специализации в этих областях. Характеристики и ограничения унаследованных моделей, кроме описания их как моделей для программирования, не раскрыты; качество ответов и корректность кода следует проверять отдельно.

MyAwesomeModel — модель на базе Transformers с архитектурой семейства BERT, опубликованная в репозитории asd12ad123123/MyAwesomeModel-TestRepo. Основное назначение модели по метаданным Hugging Face — извлечение признаков из входных данных, то есть преобразование текста в векторные представления для последующего анализа и машинного обучения. Модель может применяться для построения семантического поиска, сравнения текстов, кластеризации, классификации и других задач, использующих эмбеддинги. README также заявляет о возможностях рассуждения, генерации кода, диалога, суммаризации и function calling, однако эти утверждения не согласуются с указанным pipeline_tag feature-extraction и не подтверждены техническими характеристиками модели. Модель распространяется по лицензии MIT и предназначена для использования с библиотекой Transformers. Размер модели, поддерживаемые естественные языки и длина контекста в доступных данных не указаны.

MyAwesomeModel — модель на базе BERT, опубликованная пользователем sadafhjkj. Согласно метаданным Hugging Face, она предназначена для извлечения признаков из текста и работает с библиотекой Transformers на PyTorch. Репозиторий также описывает улучшения рассуждений, понимания языка, генерации, function calling и снижение галлюцинаций, однако эти возможности не согласуются с указанным pipeline-тегом feature-extraction и не сопровождаются подробными техническими характеристиками модели. Модель может применяться для получения векторных представлений текста, последующего поиска по смыслу, классификации и других задач, использующих текстовые признаки. README приводит результаты внутренних бенчмарков по рассуждениям, ответам на вопросы, классификации, анализу тональности, суммаризации, переводу и генерации кода, но не описывает архитектуру в деталях, число параметров, поддерживаемые языки или длину контекста. Модель распространяется по лицензии MIT.

Карточка модели ldov/Nemotron-3-Diarization на Hugging Face совпадает с карточкой nvidia/Nemotron-3-Diarization, поэтому описание составлено по ней. Nemotron 3 Diarization — модель NVIDIA с открытыми весами для диаризации речи: она определяет, кто и в какие моменты говорил в аудиозаписи. Модель поддерживает потоковую обработку и обработку готовых записей, в том числе длительных аудио при работе чанками, и рассчитана на записи с числом говорящих до восьми. В метаданных указана архитектура Nemotron3DiarizationForAudioFrameClassification и библиотека NeMo; доступны веса в safetensors и квантованный вариант GGUF Q8_0. Модель подходит для разметки реплик в интервью, совещаниях и других многоголосых записях. В потоковом режиме настраивается входная буферная задержка: карточка указывает минимум 80 мс, рекомендует не менее 0,32 с и приводит конфигурации для задержки от 0,64 с; задержка не включает время вычислений. Разрешение выходных кадров настраивается с шагом 10 мс. Лицензия OpenMDW 1.1 допускает коммерческое и некоммерческое использование согласно карточке модели. Для работы с массивами аудиоданных нужно указывать корректную частоту дискретизации; по умолчанию используется 16 кГц. Модель определяет говорящих и временные границы их речи, но сама по себе не распознаёт слова.

Nemotron 3 Diarization — модель NVIDIA с открытыми весами для диаризации речи: она определяет, кто и в какие моменты говорил в аудиозаписи. Модель поддерживает потоковую обработку и обработку готовых записей, в том числе длительных аудио при работе чанками, и рассчитана на записи с числом говорящих до восьми. В метаданных указана архитектура Nemotron3DiarizationForAudioFrameClassification и библиотека NeMo; доступны веса в safetensors и квантованный вариант GGUF Q8_0. Модель подходит для разметки реплик в интервью, совещаниях и других многоголосых записях. В потоковом режиме настраивается входная буферная задержка: карточка указывает минимум 80 мс, рекомендует не менее 0,32 с и приводит конфигурации для задержки от 0,64 с; задержка не включает время вычислений. Разрешение выходных кадров настраивается с шагом 10 мс. Лицензия OpenMDW 1.1 допускает коммерческое и некоммерческое использование согласно карточке модели. Для работы с массивами аудиоданных нужно указывать корректную частоту дискретизации; по умолчанию используется 16 кГц. Модель определяет говорящих и временные границы их речи, но сама по себе не распознаёт слова.

Карточка модели SAIFIINDUSTRIES/Nemotron-3-Diarization на Hugging Face совпадает с карточкой nvidia/Nemotron-3-Diarization, поэтому описание составлено по ней. Nemotron 3 Diarization — модель NVIDIA с открытыми весами для диаризации речи: она определяет, кто и в какие моменты говорил в аудиозаписи. Модель поддерживает потоковую обработку и обработку готовых записей, в том числе длительных аудио при работе чанками, и рассчитана на записи с числом говорящих до восьми. В метаданных указана архитектура Nemotron3DiarizationForAudioFrameClassification и библиотека NeMo; доступны веса в safetensors и квантованный вариант GGUF Q8_0. Модель подходит для разметки реплик в интервью, совещаниях и других многоголосых записях. В потоковом режиме настраивается входная буферная задержка: карточка указывает минимум 80 мс, рекомендует не менее 0,32 с и приводит конфигурации для задержки от 0,64 с; задержка не включает время вычислений. Разрешение выходных кадров настраивается с шагом 10 мс. Лицензия OpenMDW 1.1 допускает коммерческое и некоммерческое использование согласно карточке модели. Для работы с массивами аудиоданных нужно указывать корректную частоту дискретизации; по умолчанию используется 16 кГц. Модель определяет говорящих и временные границы их речи, но сама по себе не распознаёт слова.

Nemotron-Orchestrator-8B — языковая модель на основе decoder-only Transformer, разработанная NVIDIA и Университетом Гонконга для координации инструментов и экспертных моделей при решении сложных многошаговых задач. Она дообучена на Qwen/Qwen3-8B методом GRPO и содержит около 7,6 млрд параметров; нативный размер контекста — 40 960 токенов. Модель предназначена для агентных сценариев с несколькими ходами: выбора и вызова инструментов, включая поиск и выполнение кода, а также передачи задач другим языковым моделям. В карточке заявлены обучение с учётом точности, стоимости, задержки и предпочтений пользователя и способность работать с незнакомыми наборами инструментов. Основной указанный язык — английский. По данным карточки, на Humanity’s Last Exam модель набрала 37,1%; также заявлены результаты на FRAMES и τ²-Bench. Эти показатели приведены разработчиками и сами по себе не гарантируют аналогичное качество в конкретном приложении. Модель предназначена для исследований и разработок; распространяется по лицензии NVIDIA.

NeoAraBERT_DA — арабская модель для получения текстовых эмбеддингов, разработанная подразделением U4RASD Центра исследований и политических исследований арабского мира совместно с Американским университетом Бейрута. Она основана на архитектуре NeoBERT и дообучена на диалектном арабском; размер модели — 314,2 млн параметров. Модель предназначена для векторного представления текста и задач понимания арабского языка, включая классификацию и предсказание замаскированных токенов. В README описаны предварительное обучение на разнообразных арабских данных и исследования нормализации, стемминга и обработки диакритики; семейство NeoAraBERT показало высокие результаты на широком наборе арабских задач. Репозиторий использует Transformers и формат safetensors. Лицензия — CC BY-SA 4.0.

NeuralReyna-Mini-1.8B-v0.2 — диалоговая языковая модель на архитектуре Qwen2 с примерно 1,5 млрд параметров. Автор взял aloobun/Reyna-Mini-1.8B-v0.2 и дополнительно дообучил её методом DPO на данных Intel/orca_dpo_pairs. Модель использует формат запросов ChatML, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors под лицензией Apache-2.0. Модель предназначена для генерации ответов в диалоге и заявлена для задач программирования, математики, естественных наук, ролевого общения и вызова функций. README предупреждает о возможном переобучении на данных DPO и нестабильном качестве; приведённые результаты оценки относятся к отдельным тестам и не гарантируют качества в практических сценариях.

Модель goodnessolayinka/oadson-cli-subagent-lora-v2 — дообученная разговорная модель генерации текста на базе unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit. Она предназначена для генерации ответов в диалоге и задач, связанных с кодом; метаданные также указывают интерфейс вызова инструментов. Архитектура — плотная Qwen2ForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Поддерживаемый язык карточки — английский. Модель обучена с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает о специфических ограничениях качества или тестирования.

AnkitAI/Parable-Granite-4.1-3B-Claude-Fable-5-GGUF — компактная дообученная модель на базе IBM Granite 4.1 3B, разработанная AnkitAI. Модель распространяется в формате GGUF и обучена на корпусах AnkitAI/parable-corpus-v2, Glint-Research/Fable-5-traces и Roman1111111/gpt5.5-terminal, включая трассировки агентских сессий Claude Fable 5. Указан английский язык и текстовая генерация. Модель предназначена для локального офлайн-использования в сценариях агентского поведения: планирования, рассуждений, программирования, работы с терминалом, tool-use и function-calling. Она ориентирована на запуск через llama.cpp, Ollama, LM Studio и совместимые инструменты. В README заявлена поддержка контекста 8192 токена и режим, при котором ответ предваряется блоком <think> с рассуждением. Рекомендуемая квантизация Q4_K_M занимает около 2,1 ГБ и требует примерно 3 ГБ RAM или VRAM; доступны варианты от Q4_K_M до F16. Сильные стороны модели — небольшой размер, низкие требования к памяти, структурированное рассуждение и ориентация на агентские задачи. Для версии v2 заявлены результаты 70,1 на HumanEval, 65,9 на HumanEval+ и 0 случаев утечки артефактов агента в проверке из 34 запросов. Ограничение заключается в том, что чистая генерация кода на отдельных функциях уступает базовой модели: в README приведено сравнение 70,1 против 81,7. Лицензия — Apache-2.0.

PP-OCRv4_mobile_seal_det — мобильная модель обнаружения текста на печатях из семейства PP-OCRv4, разработанного PaddlePaddle. Она находит области с текстом на изображениях печатей и рассчитана на эффективное развертывание на конечных устройствах. Модель предназначена для использования как модуль в конвейере распознавания текста на печатях; распознавание найденного текста выполняет отдельная модель. В тесте PaddleX Custom Test Dataset, включавшем 500 изображений круглых печатей, модель показала Hmean 96,47%. Репозиторий указывает библиотеку PaddleOCR и лицензию Apache-2.0. Поддержка языков в карточке обозначена тегами en и zh; данных о размере модели и длине контекста нет.

PP-OCRv5_mobile_det — мобильная модель обнаружения текстовых областей из серии PP-OCRv5_det, разработанная командой PaddleOCR. Она находит текст на изображениях, включая рукописный, вертикальный, повернутый и изогнутый текст, и рассчитана на работу со сложной разметкой, разным размером надписей и трудным фоном. Модель подходит для анализа документов, распознавания текста на номерных знаках и поиска надписей в сценах. В карточке приведены метрики обнаружения для китайского, английского и японского текста, включая рукописные, искажённые и художественные надписи; среднее значение указанных метрик — 0,770. Это детектор текстовых областей: README не описывает распознавание содержания найденного текста. Модель представлена в формате safetensors и предназначена для использования с библиотекой PaddleOCR. Лицензия — Apache-2.0.

PP-OCRv6_small_rec_onnx — модель распознавания текста на изображениях из семейства PaddleOCR, разработанная PaddlePaddle. Она предназначена для задач OCR: извлечения текстового содержимого из изображений и последующего преобразования его в текст. Модель распространяется в формате ONNX и ориентирована на распознавание английского и китайского языков. В README заявлено семейство PP-OCRv6, однако точная архитектура, количество параметров, размер контекста и другие детальные характеристики именно этой версии не указаны. Название small указывает на компактный вариант, но его размер в параметрах также не приведён. Модель может использоваться в прикладных OCR-сценариях, где требуется автоматическое распознавание текста на изображениях. Сильными сторонами являются специализированная направленность на OCR, поддержка английского и китайского языков и формат ONNX, удобный для интеграции с совместимыми средами выполнения. Ограничения связаны с отсутствием в предоставленных данных подробностей о точности, поддерживаемых типах изображений и производительности. Модель распространяется по лицензии Apache 2.0.

Shaurya-saini дообучил модель unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit на архитектуре Qwen2.5 Coder. Это плотная авторегрессионная модель с 7,1 млрд параметров, предназначенная для генерации текста в диалоговом формате; базовая модель ориентирована на задачи программирования. Модель принимает текст и формирует текстовые ответы, поддерживает контекст до 32 768 токенов и английский язык. Модель подходит для диалоговых сценариев с запросами по коду и генерацией текста. В карточке не описаны обучающие данные и конкретная специализация дообучения, поэтому качество для отдельных задач и отличие от базовой модели оценить нельзя. Распространяется по лицензии Apache-2.0.

MingZwhy/Qwen3-1.7B-W2.79-QAOPD — производная модель Qwen3-1.7B, разработанная автором репозитория MingZwhy. Это плотная авторегрессионная языковая модель с 1,7 млрд параметров для генерации текста и диалогов. Веса квантованы до эффективных 2,79 бита: блоки используют смешанные INT1.58 и INT4, эмбеддинги и выходная голова — INT4, активации — INT8. После квантования модель восстановлена с помощью quantization-aware distillation и on-policy distillation; квантование встроено в веса. Модель подходит для диалоговых приложений, ответов на вопросы, математических задач и генерации кода. В README приведены результаты на GSM8K, MATH-500, AMC23, MBPP, HumanEval и QA9; на этих тестах показатели ниже, чем у исходной версии Qwen3-1.7B в BF16. Контекстное окно составляет 40 960 токенов. Базовая модель — многоязычная Qwen3; точный перечень поддерживаемых языков в предоставленных сведениях не раскрыт. Модель распространяется по лицензии Apache-2.0.

tvall43/Qwen3.5-14B-A3B-Claude-4.6-Opus-Reasoning-Distilled-reap-gguf — GGUF-версия экспериментальной текстовой reasoning-модели, разработанной tvall43 на базе Qwen3.5 и дообученной с использованием дистилляции цепочек рассуждений, связанных с Claude-4.6 Opus. Модель предназначена для офлайн-аналитики, программирования, математики, планирования и других задач, где важны пошаговое решение и структурированный анализ. Она обучалась в формате с блоками <think> и итоговым ответом, однако README не гарантирует, что внутренние рассуждения всегда будут корректно или безопасно отображаться пользователю. В описании указана MoE-архитектура Qwen3.5 с конфигурацией 35B-A3B, тогда как идентификатор модели содержит 14B-A3B; точные характеристики GGUF-квантизации и итоговый размер файла не приведены. Указано текстовое назначение, языки Chinese, English и Korean, а также контекстное окно 8192 токена. Обучение выполнялось с SFT и LoRA при помощи Unsloth, с использованием отфильтрованных наборов данных по reasoning-дистилляции. Сильные стороны модели — структурированное пошаговое мышление и ориентация на сложные логические задачи. Ограничения включают риск галлюцинаций, экспериментальный статус, возможные проблемы совместимости и нестабильность инструментальной экосистемы; приведённые тесты также показывают неоднозначные результаты на генерации HTML-игры и сценарии с автомобилем. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-4B-DS-v4-Flash-v1.0 — экспериментальная плотная мультимодальная модель на 4 млрд параметров от prithivMLmods, дообученная на базе Qwen/Qwen3.5-4B. Она принимает текст и изображения и предназначена для диалога и генерации текстовых ответов с улучшенными навыками многошагового рассуждения. Модель обучалась в один этап на длинных примерах рассуждений DeepSeek V4 Flash и дополнительных данных для задач математики, науки, программирования и следования инструкциям. Её сценарии применения включают исследование и оценку рассуждений, решение математических задач, научный анализ и помощь с кодом; размер модели позволяет запускать её локально. Карточка задаёт основной pipeline как image-text-to-text, а метаданные подтверждают поддержку зрения и чата. Релиз обозначен как экспериментальный: возможны артефакты в цепочках рассуждений, ошибочные промежуточные шаги и выводы, а результаты зависят от охвата обучающих данных. Распространяется по лицензии Apache-2.0.

Карточка модели 6534211A/Qwen3-ASR-1.7B на Hugging Face совпадает с карточкой Qwen/Qwen3-ASR-1.7B, поэтому описание составлено по ней. Qwen3-ASR-1.7B — плотная аудиоречевая модель семейства Qwen3-ASR, разработанная командой Qwen. Она распознаёт речь и определяет язык аудио; модель поддерживает 30 естественных языков и 22 китайских диалекта, включая русский, английский, китайский и кантонский. Основана на возможностях аудиопонимания Qwen3-Omni и содержит 1,7 млрд параметров согласно названию модели. Модель предназначена для транскрибации речи в потоковом и офлайн-режимах, в том числе длинных записей, аудио в сложных акустических условиях, пения и песен с фоновой музыкой. В README заявлены сильные результаты на открытых и внутренних тестах; отдельные сравнительные показатели в карточке не приведены. Для потокового распознавания требуется backend vLLM; доступны также интеграции через Transformers и пакет qwen-asr. Веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель принимает аудио и выдаёт распознанный текст. Описанный в README Qwen3-ForcedAligner-0.6B — отдельная модель для временных меток, а не функция данного чекпойнта.

Qwen3-ASR-1.7B — плотная аудиоречевая модель семейства Qwen3-ASR, разработанная командой Qwen. Она распознаёт речь и определяет язык аудио; модель поддерживает 30 естественных языков и 22 китайских диалекта, включая русский, английский, китайский и кантонский. Основана на возможностях аудиопонимания Qwen3-Omni и содержит 1,7 млрд параметров согласно названию модели. Модель предназначена для транскрибации речи в потоковом и офлайн-режимах, в том числе длинных записей, аудио в сложных акустических условиях, пения и песен с фоновой музыкой. В README заявлены сильные результаты на открытых и внутренних тестах; отдельные сравнительные показатели в карточке не приведены. Для потокового распознавания требуется backend vLLM; доступны также интеграции через Transformers и пакет qwen-asr. Веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель принимает аудио и выдаёт распознанный текст. Описанный в README Qwen3-ForcedAligner-0.6B — отдельная модель для временных меток, а не функция данного чекпойнта.

Это квантизированная в MXFP4 версия модели Mattepiu/Qwen3-Coder-Next-REAP-48B-A3B в формате GGUF. Она предназначена для генерации текста и диалогового использования; название базовой модели указывает на специализацию семейства Qwen3 Coder на задачах программирования. В метаданных задача модели обозначена как text-generation, а среди возможностей указана поддержка чата. В README приведены рекомендованные параметры генерации: temperature=1.0, top_p=0.95 и top_k=40. Квантизация MXFP4 уменьшает точность представления весов; подробности о качестве, требованиях к памяти и ограничениях применения в карточке не раскрыты. Лицензия в предоставленных данных не указана.

ENOSYS/Qwen3-Embedding-0.6B-250-v1-GGUF — экспериментальный вариант квантования модели Qwen3-Embedding-0.6B, опубликованный ENOSYS. Репозиторий содержит GGUF-файлы; для квантования использовалась нестандартная ветка LLaMA.cpp с небольшими патчами и калибровочными данными eaddario/imatrix-calibration на английском и русском языках. Тензоры представлены в F16, что рассчитано в том числе на совместимость с видеокартами NVIDIA Pascal. Модель предназначена для создания текстовых эмбеддингов и вычисления семантического сходства, например для семантического поиска и подбора релевантных предложений. README приводит оценки перплексии и расхождения распределений для вариантов квантования с разным числом бит на вес, но не описывает их как прямую оценку качества эмбеддингов. Доступна по лицензии Apache-2.0.

PXY107kWqS/Qwen3-Reranker-8B-bnb-4bit — это 4-битная квантованная версия модели Qwen3-Reranker-8B из семейства Qwen3, разработанного командой Qwen. Квантование выполнено с использованием библиотеки BitsAndBytes; модель предназначена для ранжирования текстов и используется как CrossEncoder для оценки релевантности пар «запрос — документ». Лицензия — Apache-2.0. Модель содержит около 8 млрд параметров, поддерживает контекст длиной до 32K токенов и более 100 языков, включая языки программирования. Она подходит для повторного ранжирования результатов текстового и кодового поиска, multilingual- и cross-lingual retrieval, а также других сценариев, где требуется упорядочить документы по соответствию запросу. Модель поддерживает пользовательские инструкции, адаптированные под задачу, язык или сценарий; для многоязычных задач рекомендуется формулировать инструкции на английском языке. Квантирование использует int4 с типом nf4, вычислениями в bfloat16, хранением квантованных данных в uint8 и без двойного квантования. Это снижает требования к памяти по сравнению с полной версией, но может влиять на точность и производительность; конкретные требования к оборудованию и результаты тестов в карточке не приведены. Модель возвращает необработанные значения logit-разницы, которые можно использовать для сравнения релевантности документов.

Securin-LLM-V2.5-Qwen-1.5B — компактная языковая модель, созданная Securin слиянием моделей методом TIES с помощью mergekit. В основу вошли Qwen/Qwen2.5-Coder-1.5B-Instruct и securin/qwen_finetune_intermediate; базовой моделью указана Qwen/Qwen2.5-Coder-1.5B. Модель имеет архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и работает с контекстом до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате, в частности для задач, связанных с кодом, как и её базовая инструкционная модель Qwen Coder. Данные карточки не описывают отдельные результаты оценки качества или перечень языков программирования. Весовые файлы представлены в формате safetensors; лицензия в предоставленных данных не указана.

Sentence-ModernBERT-JP-0.5B-PT — модель для получения векторных представлений японских предложений, разработанная на основе iamtatsuki05/ModernBERT-JP-0.5B-PT-stage2. Авторы дообучили базовую ModernBERT методом контрастивного обучения со слабой разметкой на датасете cl-nagoya/ruri-dataset-v2-pt; модель содержит около 677,5 млн параметров и выдаёт эмбеддинги размерности 1280 с усреднением токенов. Модель предназначена для поиска по смыслу, сравнения предложений и извлечения релевантных текстов. Она принимает текстовые последовательности длиной до 8192 токенов, использует токенизатор SentencePiece с размером словаря 102 400 и позиционное кодирование RoPE; для сравнения векторов рекомендуется косинусное сходство. Поддерживаемый язык — японский. Модель распространяется в формате safetensors и доступна по лицензии MIT.

Veritone/siglip2-base-patch16-384-vision — копия зрительной башни SigLIP 2 Base от Google, подготовленная Veritone. Репозиторий содержит только vision tower базовой модели google/siglip2-base-patch16-384: она кодирует изображения и видеокадры в общее пространство эмбеддингов, а текстовая башня размещена отдельно в Veritone/siglip2-base-patch16-384-text. Модель построена на архитектуре SigLIP и предназначена для загрузки отдельно при индексации, что позволяет загружать только нужную часть модели. Энкодер подходит для классификации изображений по кандидатным текстовым меткам, поиска изображений по текстовому запросу и использования в качестве визуального энкодера для мультимодальных моделей. SigLIP 2 улучшает семантическое понимание, локализацию и плотные визуальные признаки; предварительное обучение проводилось на наборе WebLI. Для работы с текстовыми запросами или совместной обработкой изображения и текста потребуется текстовая башня либо другая совместимая текстовая модель. Репозиторий распространяется по лицензии Apache-2.0.