II.8Инженерия данных и аналитика

granite-embedding-107m-multilingual-GGUF — мультиязычная embedding-модель семейства Granite, разработанная IBM (базовая модель ibm-granite/granite-embedding-107m-multilingual) и квантованная bartowski в формате GGUF. Она предназначена для преобразования текстов в векторные представления и решения задач семантического поиска, информационного поиска и retrieval-сценариев, включая многоязычные приложения и сопоставление запросов с документами. Модель имеет заявленный размер около 107 млн параметров и поддерживает английский, арабский, чешский, немецкий, испанский, французский, итальянский, японский, корейский, нидерландский, португальский и китайский языки. В README приведены результаты оценки на наборе Miracl для retrieval-задач, однако сведения о точной архитектуре энкодера, размерности эмбеддингов, максимальной длине контекста, способе квантования и системных требованиях не указаны. Поэтому эти характеристики нельзя надёжно определить по представленным данным. К сильным сторонам относятся компактный размер, поддержка нескольких языков и ориентация на семантический retrieval, что может упростить локальное развертывание и использование в поисковых системах, RAG-приложениях и классификации по сходству. Ограничения включают отсутствие подробных сведений о контексте, качестве на всех заявленных языках и особенностях квантования; приведённые метрики относятся к отдельным конфигурациям Miracl и не гарантируют аналогичные результаты в конкретном прикладном сценарии. Модель распространяется по лицензии Apache-2.0.

Grug 67B A2B Datakit SFT 262K — чекпойнт Grug MoE, дообученный методом supervised fine-tuning на смеси данных для агентных сценариев и рассуждений. Разработчик — open-athena. Архитектура GrugMoeForCausalLM использует 256 маршрутизируемых экспертов с выбором top-4 и общий эксперт; всего около 67 млрд параметров, примерно 2 млрд активных параметров на токен. Модель принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. В конфигурации задан контекст до 262 144 токенов, но работа на длинном контексте не проверена. Обучающие источники включают OpenThoughts code, SWE-ZERO, Penfever traces, NuminaMath и данные GLM для следования формату и сжатия контекста. Модель может быть полезна для агентных задач, рассуждений, работы с кодом и математикой, однако качество генерации, безопасность и численная эквивалентность исходному чекпойнту не оценены. Для запуска требуется среда с поддержкой Grug MoE; эта версия ещё не проверена в ранее использованной сборке vLLM, а загрузка через стандартный Transformers не подтверждена. Лицензия — OpenMDW-1.1.

Huihui-Qwen3-Coder-30B-A3B-Instruct-abliterated — версия Qwen3-Coder-30B-A3B-Instruct, созданная huihui-ai методом abliteration для снижения числа отказов модели. Это инструктивная языковая модель с архитектурой Qwen3 MoE; в метаданных указано 2,4 млрд параметров и контекст до 262 144 токенов. Модель рассчитана на генерацию текста в диалоговом формате, в том числе для задач программирования и агентных сценариев, характерных для базовой модели. Модель принимает текст и выдаёт текст. В карточке указан английский язык; более подробные языковые характеристики не заявлены. README описывает abliteration как грубую реализацию для проверки концепции и предупреждает о существенно ослабленной фильтрации безопасности, из-за которой возможны чувствительные, спорные или неподходящие ответы. Репозиторий распространяется по лицензии Apache-2.0.

hyuk2010/klue-roberta-base-klue-sts — модель Sentence Transformers, дообученная на базе klue/roberta-base для сравнения смысла корейских предложений. Она преобразует предложения и абзацы в плотные векторы размерности 768; архитектура включает RoBERTa и mean pooling, а близость векторов оценивается косинусным сходством. Модель содержит 137,8 млн параметров. Максимальная длина последовательности указана как 512 токенов в README и 514 токенов в метаданных. Модель предназначена для семантического поиска, поиска перефразировок, кластеризации и сравнения текстов по смыслу. Для обучения использовались 10 501 пара корейских текстов с оценками сходства. В README приведены оценки на двух таблицах, но они заметно различаются, поэтому качество на целевых данных следует проверять отдельно. Модель принимает текст и выдаёт эмбеддинги; опубликована в формате safetensors и рассчитана на использование с библиотекой Sentence Transformers. Лицензия в предоставленных данных отсутствует.

korean_PP-OCRv3_mobile_rec — разработанная командой PaddleOCR мобильная модель распознавания строк текста из изображений, относящаяся к серии PP-OCRv3_rec и обученная на основе PP-OCRv3_mobile_rec для распознавания корейского языка. Она принимает изображение строки и преобразует содержащийся в нём текст в строку символов; модель можно подключить как модуль распознавания в конвейере OCR PaddleOCR для извлечения текста из документов и других изображений. Модель предназначена для распознавания корейского текста, включая пунктуацию. В README указано, что строка считается распознанной неверно, если ошибочен хотя бы один символ, что отражает строгое измерение точности на уровне целой строки. Для использования заявлена лицензия Apache-2.0. Размер модели и длина контекста не указаны в предоставленных источниках.

OsaurusAI/Laguna-XS.2-JANGTQ — квантизированная версия языковой MoE-модели Laguna-XS.2 от Poolside, подготовленная Jinho Jang для запуска на компьютерах Apple Silicon через MLX. Модель предназначена для агентного программирования и продолжительных задач разработки ПО; поддерживает генерацию текста и диалоговый режим. Архитектура включает 40 слоёв, 256 маршрутизируемых экспертов с выбором восьми экспертов на токен и один общий эксперт. Используется гибридное внимание с полным и скользящим окном, групповое внимание запросов и контекст до 131 072 токенов. Веса экспертов квантизированы TurboQuant до 2 бит, ряд других линейных слоёв — до 8 бит; нормы и некоторые компоненты маршрутизатора сохранены в FP16. Репозиторий содержит веса в формате safetensors и предназначен для MLX. Для работы требуется совместимый JANGTQ runtime sidecar jangtq_runtime.safetensors, соответствующий параметрам квантизации модели. Базовая модель — poolside/Laguna-XS.2; лицензия — Apache-2.0. Квантизация может снижать точность относительно исходной модели, а запуск описан для Apple Silicon.

Patronus-Lynx-8B-Instruct-v1.1 — разработанная Patronus AI модель для оценки галлюцинаций в ответах систем с поиском по документам (RAG). Это дообученная версия meta-llama/Meta-Llama-3.1-8B-Instruct с архитектурой Llama и примерно 7,5 млрд параметров. Модель принимает документ, вопрос и ответ, затем оценивает, подтверждается ли ответ содержимым документа. Модель рассчитана прежде всего на английский язык, поддерживает контекст до 131 072 токенов и работает через text-generation. При обучении использовались, среди прочего, CovidQA, PubmedQA, DROP и RAGTruth; оценка проводилась на HaluBench. Репозиторий содержит веса Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

LumiOpen Llama-Poro-2-70B-base — базовая языковая модель, разработанная AMD Silo AI, группой TurkuNLP Университета Турку и HPLT. Это плотный декодерный трансформер на архитектуре Llama 3.1 с 69,5 млрд параметров; модель создана продолжением предобучения Llama 3.1 70B на 165 млрд токенов, чтобы усилить поддержку финского языка, сохранив навыки английского, программирования и математики. Контекст модели составляет 8192 токена; доступны веса Safetensors, библиотека Transformers, лицензия Llama 3.1 Community License. Это базовый чекпойнт для дальнейшей тонкой настройки, а не готовая инструкционная модель. Он подходит как основа для разработки финно- и англоязычных генеративных приложений, включая генерацию текста и кода, математические задачи и перевод между финским и английским. В карточке отмечено улучшение результатов на финских бенчмарках относительно Llama 3.1 70B при сохранении сильных результатов на английском. Модель слабее владеет языками, кроме финского и английского; ответы могут быть фактически неверными, предвзятыми или неподходящими. Для большинства прикладных сценариев требуется дополнительная настройка.

LVBERT — регистрозависимая модель BERT-base для латышского языка, разработанная AiLab-IMCS и представленная в исследовательской работе; текущий репозиторий содержит улучшенную версию модели. Она предварительно обучена на корпусах современного латышского языка, латышской Википедии, новостных статьях и комментариях — суммарно примерно на 500 млн токенов. Обучение использовало masked language modeling и next sentence prediction. Модель имеет архитектуру BERT-base с 12 слоями, 768 скрытыми единицами, 12 головами внимания и контекстом до 512 токенов. Для токенизации используется словарь из 32 тысяч токенов в формате WordPiece, полученный из SentencePiece. Модель предназначена для дообучения на задачах понимания латышского текста, включая классификацию, распознавание именованных сущностей и ответы на вопросы; без дообучения её можно применять для получения контекстных представлений, поиска по смыслу, сравнения текстов и кластеризации. Доступна в форматах PyTorch и Safetensors. Модель выпущена под лицензией Apache-2.0. Она ориентирована на латышский язык и ограничена контекстом в 512 токенов; качество на задачах зависит от используемых данных и дообучения.

MGP-STR base — модель распознавания текста на изображениях, разработанная Alibaba DAMO Academy. Это чисто зрительная архитектура на основе Vision Transformer (ViT) с модулями A³ и головами предсказания символов, подслов и слов; предсказания объединяются для распознавания текста. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и safetensors. Модель предназначена для OCR и распознавания текста в изображениях, в частности для scene text recognition. Она обучена на синтетических наборах MJSynth и SynthText. В основе ViT использованы веса DeiT-base, кроме слоя встраивания патчей; входное изображение имеет размер 32×128. Карточка не сообщает о поддержке нескольких языков или о длине контекста. Модель можно использовать для распознавания текста без дополнительной настройки; для прикладных задач README предлагает искать дообученные версии. Ограничение — обучение описано на синтетических данных, поэтому качество на реальных изображениях и вне этого распределения не гарантируется. Лицензия в предоставленных данных не указана.

Phi-4-mini-reasoning-GGUF — это GGUF-квантизированная версия языковой модели Phi-4-mini-reasoning, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, решения математических задач и работы с кодом; поддерживает сценарии локального запуска через llama.cpp, LM Studio и другие совместимые проекты. В репозитории представлены варианты от BF16 размером 7,68 ГБ до низкобитных квантов размером около 1,90 ГБ. Доступны форматы Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, IQ и другие; варианты с более высокой разрядностью обычно обеспечивают лучшее качество, а низкоразрядные требуют меньше оперативной памяти. Указан английский язык. Архитектура исходной модели, число параметров, поддерживаемые модальности и размер контекста в README не описаны. Сильными сторонами являются локальный запуск, широкий выбор компромиссов между качеством и требованиями к памяти, а также специализация исходной модели на математическом рассуждении. Ограничения включают возможное снижение качества при использовании низкоразрядных квантов и отсутствие в README подробных результатов оценки. Модель распространяется по лицензии MIT.

mmBERTscandi-base-embedding — модель Sentence Transformer, разработанная Emillykkejensen и дообученная на датасете скандинавских текстовых эмбеддингов DDSC/nordic-embedding-training-data. В основе лежит jonasaise/scandmmBERT-base-scandinavian — ModernBERT с 306,9 млн параметров. Модель кодирует предложения и абзацы в плотные векторы размерности 768; для сравнения используется косинусное сходство. Максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска и сравнения текстов на датском, норвежском и шведском языках. Её можно применять для поиска близких по смыслу фрагментов, выявления перефразировок, кластеризации и классификации текстов. В README приведены результаты оценки на датских и скандинавских наборах для информационного поиска. Модель распространяется под лицензией Apache-2.0. Качество поиска зависит от соответствия данных и запросов языкам и тематике обучения; в README нет результатов для других языков.

jhu-clsp/mmBERT-small — компактный мультиязычный двунаправленный энкодер, разработанный исследовательской группой JHU CLSP на архитектуре ModernBERT. Модель содержит 140,5 млн параметров, включая 22 слоя с размером скрытого представления 384, и обучена на более чем 3 трлн токенов для свыше 1800 языков. Она использует masked language modeling и поддерживает контекст до 8192 токенов. Модель предназначена прежде всего для заполнения пропусков и получения контекстных представлений текста. После дообучения её можно применять для классификации, межъязыковых эмбеддингов, поиска и ранжирования документов; README сообщает о высокой скорости и улучшении результатов относительно XLM-R на таких задачах. Репозиторий опубликован в формате PyTorch и использует библиотеку Transformers. Лицензия — MIT. Это энкодер, а не генеративная модель для свободных ответов. Для прикладных задач классификации, эмбеддингов, поиска и ранжирования обычно требуется соответствующая донастройка; качество для отдельных языков и задач может различаться.

MyAwesomeModel — модель из репозитория xcz2czasd2/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и распространяемая по лицензии MIT. Согласно метаданным Hugging Face, её основное назначение — извлечение признаков из текста; модель помечена как совместимая с PyTorch и связана с архитектурой BERT. Извлечённые векторы можно использовать для последующей классификации текста, семантического поиска, кластеризации, оценки сходства и других задач машинного обучения. README также заявляет о возможностях рассуждения, генерации кода и текста, ответов на вопросы, суммаризации, перевода и function calling, однако эти сведения не согласуются с указанным pipeline_tag feature-extraction и не сопровождаются точными техническими характеристиками модели. В карточке отсутствуют подтверждённые сведения о размере модели, языках, длине контекста, разработчике и точной конфигурации архитектуры. Перед использованием в продуктивных системах следует проверить фактический формат выходов, качество на целевых данных и соответствие заявленных возможностей реальной конфигурации.

Nemotron-3-Embed-8B-GGUF — набор GGUF-квантизаций модели Nemotron-3-Embed-8B-BF16, разработанной NVIDIA. Модель предназначена для создания текстовых эмбеддингов, семантического сходства и задач информационного поиска, включая retrieval и сценарии на базе sentence-transformers. Это текстовая embedding-модель с размером исходной модели 8B; точные сведения об архитектуре, поддерживаемых языках и длине контекста в README не указаны. Квантизация выполнена с использованием llama.cpp и публичной матрицы важности Wikitext-2. Для корректной работы к запросам требуется добавлять префикс «query: », а к документам — «passage: ». Эмбеддинги формируются посредством mean pooling и нормализуются по L2, что удобно для сравнения векторов. Сильные стороны модели — наличие GGUF-формата и ориентация на семантический поиск и сопоставление текстов. Ограничения включают необходимость соблюдать специальные префиксы и отсутствие в предоставленных данных подробностей о качестве, конкретных вариантах квантизации, языковом покрытии и контекстном окне. Модель распространяется по лицензии OpenMDW 1.1; README также указывает, что данный репозиторий не связан с NVIDIA, Mistral или другими компаниями и не одобрен ими.

sentence-transformers/nli-bert-large-cls-pooling — модель семейства BERT, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для поиска по смыслу и кластеризации; также подходит для вычисления сходства предложений. Модель использует CLS-пулинг, имеет около 433,9 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Репозиторий содержит веса в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель устарела: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новые модели Sentence Transformers. Язык обучения и поддерживаемые естественные языки в предоставленных данных не указаны. Лицензия — Apache-2.0.

OPT 6.7B Tulu — плотная авторегрессионная языковая модель семейства OPT, разработанная Allen Institute for AI и дообученная на смеси наборов инструкций FLAN V2, CoT, Dolly, OpenAssistant, GPT4-Alpaca, Code-Alpaca и ShareGPT. Модель содержит 8,8 млрд параметров по метаданным и принимает текстовые запросы для генерации текста по инструкциям; карточка рекомендует передавать сообщение с завершающим переводом строки. Модель предназначена для диалоговых ответов, следования инструкциям, решения задач на рассуждение и помощи с кодом. В исследовании How Far Can Camels Go? её оценивали на MMLU, GSM, BBH, TydiQA и Codex-Eval. Контекст составляет 2048 токенов; указанный в карточке язык — английский. Это полная модель, а не разностный чекпойнт. Она опубликована в формате PyTorch и распространяется по лицензии AI model license, при этом для исходной OPT указана отдельная лицензия opt_license.md. В README приведены сравнительно невысокие результаты на части тестов, включая GSM Direct и Codex-Eval Pass@1, поэтому качество ответов и кода может быть ограниченным.

Модель tomaarsen/paraphrase-multilingual-MiniLM-L12-v2-de-mmarco — дообученная разработчиком tomaarsen модель Sentence Transformers на парах немецких запросов и документов из набора данных mMARCO. Она преобразует текстовые предложения и абзацы в плотные векторы размерности 384 и предназначена для поиска документов по запросу и извлечения релевантной информации. Для сравнения векторов можно использовать косинусное сходство; архитектура включает BERT и усредняющий pooling. Модель содержит 124,3 млн параметров, работает с текстом на немецком языке; README указывает максимальную длину последовательности 256 токенов, а метаданные — контекстное окно 512 токенов. Лицензия — Apache-2.0. Оценка на mMARCO немецком приведена в карточке, но её результаты не гарантируют качество на других данных и языках.

PP-LCNet_x1_0_textline_ori_safetensors — модель PaddlePaddle для классификации ориентации строк текста на изображениях. Она предназначена для предварительного этапа OCR: определяет поворот текстовых строк и позволяет исправить его постобработкой, чтобы повысить точность распознавания документов, снятых сканером или камерой под разными углами. Модель построена на архитектуре PP-LCNet и распространяется в формате safetensors. Карточка указывает поддержку английского и китайского языков и лицензию Apache-2.0.

PP-OCRv6_tiny_rec — компактная модель распознавания текста на изображениях из семейства PP-OCRv6, разработанного PaddlePaddle. Она предназначена для преобразования изображений текстовых строк в текст и может использоваться как модуль распознавания в OCR-конвейере вместе с детектором текста и другими компонентами PaddleOCR. Модель использует LCNetV4 в качестве backbone, прямую проекцию reshape без encoder neck и декодер с головами CTC и NRTR. По README, она содержит 1,1 млн параметров и поддерживает 49 языков; семейство PP-OCRv6 рассчитано на разные сценарии, включая промышленные изображения, экраны и точечно-матричные символы. В метаданных указаны английский и китайский языки. Лицензия — Apache-2.0. Модель узкоспециализирована на распознавании текста и сама по себе не описана как полный OCR-конвейер: для обнаружения текстовых областей могут понадобиться другие модули. Качество зависит от языка, типа изображения и условий съёмки; подробные показатели именно tiny_rec в предоставленном README не приведены.

Nsnshs/qwen2.5-coder-uncensored — дообученная разговорная модель генерации текста на архитектуре Qwen2, основанная на unsloth/Qwen2.5-Coder-7B-Instruct-bnb-4bit. Разработчик указывает, что обучение проводилось с использованием Unsloth и библиотеки TRL; в репозитории представлены веса Safetensors. Модель предназначена для диалоговой генерации текста и может применяться к задачам, характерным для базовой серии Qwen2.5-Coder, включая помощь с программированием. Она содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и имеет интерфейс вызова инструментов. В карточке указан английский язык. Модель распространяется по лицензии Apache-2.0. Карточка не описывает конкретные данные дообучения, качество на задачах программирования или значение пометки «uncensored», поэтому эти свойства нельзя оценить по доступным сведениям.

MingZwhy/Qwen3-4B-W2.79-QAOPD — языковая модель Qwen3 с плотной архитектурой Qwen3ForCausalLM и 3,7 млрд параметров. Это квантизированная и доработанная дистилляцией версия Qwen/Qwen3-4B: веса представлены смешанной точностью INT1.58 и INT4 в блоках по 256, с эффективной разрядностью 2,79 бита; эмбеддинги и выходной слой — INT4, активации — INT8. Квантизация включена в чекпойнт. Модель предназначена для диалогов и генерации текста, включая задачи рассуждения, математики и программирования. В карточке приведены результаты на GSM8K, MATH-500, AMC23, MBPP, HumanEval и QA9; по указанным метрикам она уступает исходной версии Qwen3-4B BF16. Контекст составляет до 40 960 токенов. Для загрузки README предлагает Transformers и AutoModelForCausalLM. Модель выпущена MingZwhy под лицензией Apache-2.0. В описании бенчмарков приведены режимы оценки, но они не гарантируют аналогичного качества на других задачах; поддерживаемые языки в предоставленных данных не перечислены.

Qwen3-Embedding-4B-AWQ-INT4 — квантизированная версия модели Qwen/Qwen3-Embedding-4B, производная работа от оригинальной модели Qwen. Артефакт предназначен для встраивания в системы эмбеддингов и может использоваться как компактная замена базовой модели в задачах семантического поиска, сопоставления текстов и других сценариях, где нужны текстовые векторные представления. В README явно указан английский язык. Модель использует 4-битное квантизирование весов методом AWQ (INT4, weight-only). Размер на диске составляет примерно 2,7 ГБ; заявлено, что она помещается на потребительский GPU с 6 ГБ видеопамяти, однако требуется дополнительный запас памяти для KV-кэша. В качестве максимальной длины контекста для запуска через vLLM указано 32 768 токенов. Данные о точной архитектуре, размерности эмбеддингов и результатах сравнительного тестирования не приведены. Основные преимущества — существенно уменьшенный размер и требования к памяти при сохранении назначения исходной embedding-модели, а также совместимость с embedding-стеками и запуском через vLLM. Ограничения включают поддержку только английского языка согласно README и потенциальное снижение точности из-за INT4-квантизации; количественная оценка этого снижения не указана. Модель распространяется по лицензии Apache License 2.0, с требованием соблюдать атрибуцию исходной модели Qwen/Qwen3-Embedding-4B.

Qwen3Loop-0.6B-SFT-Deep-Supervision — языковая модель для диалоговой генерации текста, разработанная Lordnyx на базе архитектуры Qwen3Loop. В ней 507,9 млн физических параметров и рекуррентная схема повторного вычисления среднего блока слоёв; автор описывает её как модель с логической глубиной 56 слоёв. В карточке заявлены контекст до 40 960 токенов и обучение на 6 324 отобранных примерах с многоэтапными агентными и пошаговыми рассуждениями, включая задачи программирования. Модель предназначена для чата, рассуждений и генерации ответов на математические и программные запросы. В репозитории доступны веса Safetensors и варианты GGUF в форматах F16 и Q8_0; также приложен лёгкий зонд для выбора глубины вычислений. README приводит метрики и отдельные результаты тестов автора, которые не следует считать независимой оценкой качества. Модель распространяется по лицензии Apache-2.0. Ограничения: заявленные результаты основаны на ограниченном наборе обучения и тестировании автора; надёжность ответов и преимущество рекуррентной архитектуры могут зависеть от задачи и используемого движка.

Qwen3-VL-8B-Instruct-Unredacted-MAX — мультимодальная модель на 8 млрд параметров от prithivMLmods, дообученная на Qwen/Qwen3-VL-8B-Instruct. Это плотная vision-language-модель Qwen3-VL для диалога и задач, где нужно совместно анализировать изображения и текст; она поддерживает переменное разрешение изображений и выдаёт текстовые ответы, подписи и структурированные описания. Модель подходит для генерации подписей к изображениям, подготовки наборов данных, визуального рассуждения, тестирования устойчивости VLM и прототипирования систем с анализом изображений. В карточке отмечены улучшения упаковки, стабильности инференса и совместимости с современными версиями Transformers. Качество зависит от чёткости изображения, формулировки запроса и параметров генерации; на сложных сценах рассуждения могут быть неполными или непоследовательными, а качество меняется в зависимости от предметной области. Для инференса может потребоваться от умеренного до большого объёма VRAM, особенно при высоком разрешении. Лицензия — Apache-2.0.

MMLW-retrieval-roberta-large-v2 — польский текстовый энкодер семейства RoBERTa, предназначенный прежде всего для информационного поиска. Модель разработана для преобразования запросов и фрагментов текста в векторы размерностью 1024; также поддерживает семантическое сходство текстов. В README описано двухэтапное обучение: дистилляция знаний от stella_en_1.5B_v5 на польско-английских парах и последующая настройка с контрастивной функцией потерь на запросах с подобранными позитивными и негативными фрагментами. Модель содержит 533,7 млн параметров, использует архитектуру RoBERTa и имеет контекст длиной 514 токенов. Для поиска запросы следует помечать префиксом «[query]: », а для симметричного сравнения текстов — «[sts]: ». В README указан результат NDCG@10 60,71 на польском бенчмарке PIRB. Метаданные указывают лицензию Gemma; перед использованием следует проверить применимые условия этой лицензии.

sarashina2.2-Bi-0.5b — дообученная модель семейства Sarashina от разработчика репозитория iamtatsuki05. Она преобразует японские предложения в векторные представления для сравнения по смыслу и поиска. Модель построена на архитектуре Llama как двунаправленный энкодер в стиле LLM2Vec; размер составляет 661,9 млн параметров, размерность эмбеддингов — 1280, используется mean pooling. Максимальная длина последовательности — 8192 токена, позиционное кодирование — RoPE, токенизатор SentencePiece.

Veritone/siglip2-so400m-patch14-384-vision — урезанная копия визуальной башни SigLIP 2 So400m, разработанной Google. Она кодирует изображения и видеокадры в общее пространство эмбеддингов SigLIP 2 и предназначена для загрузки отдельно от текстовой башни, например при индексации, что позволяет сократить расход памяти и время загрузки. Текстовая башня для работы с текстовыми запросами размещена в Veritone/siglip2-so400m-patch14-384-text. Модель подходит для классификации изображений по кандидатным текстовым меткам без отдельного обучения, поиска изображений по тексту и использования в качестве визуального энкодера для vision-language моделей. SigLIP 2 улучшает семантическое понимание, локализацию и получение плотных визуальных признаков. Это модель семейства SigLIP с архитектурой SiglipModel; файлы представлены в формате safetensors. Лицензия — Apache-2.0. Для retrieval сценариев эта репозитория содержит только визуальную часть, поэтому требуется отдельная совместимая текстовая башня.

Ransaka разработал модель sinhala-roberta-sentence-transformer для получения векторных представлений предложений и абзацев на сингальском языке. Она основана на RoBERTa, содержит 81,2 млн параметров и преобразует текст в плотные векторы размерности 768; максимальная длина контекста — 514 токенов. Модель обучена с использованием Sentence-Transformers и Triplet Loss. Полученные векторы подходят для семантического поиска, сравнения предложений и кластеризации текстов. Для работы доступны PyTorch и библиотека Sentence-Transformers. Это дообученная модель для обработки сингальского текста. Лицензия в предоставленных данных не указана.

smol_llama-4x220M-MoE — языковая модель на архитектуре Mixtral с механизмом смеси экспертов, созданная автором репозитория путём слияния четырёх моделей через LazyMergekit: BEE-spoke-data/smol_llama-220M-openhermes, BEE-spoke-data/beecoder-220M-python, BEE-spoke-data/zephyr-220m-sft-full и BEE-spoke-data/zephyr-220m-dpo-full. Модель предназначена для генерации текста, включая диалоговые ответы и генерацию кода на Python. В репозитории указано 184,9 млн параметров и контекст до 2048 токенов; веса опубликованы в формате Safetensors. В качестве обучающих источников перечислены текстовые, диалоговые и кодовые наборы данных. Поддержка конкретных естественных языков не обозначена. Модель распространяется по лицензии Apache-2.0.