II.8Инженерия данных и аналитика

Это веса только визуального энкодера CLIP на базе ConvNeXt Large с MLP-головой, опубликованные в библиотеке timm. Модель предназначена для извлечения признаков изображений и получения векторных представлений для последующего поиска или сравнения изображений. В названии указаны обучение на LAION-2B и режим аугментации AugReg. Репозиторий содержит веса PyTorch в формате safetensors и использует Apache License 2.0. Карточка не сообщает размер модели, контекст или языки; языковые возможности текстового энкодера отсутствуют, поскольку опубликован только энкодер изображений.

DBRX Base — базовая большая языковая модель Databricks, обученная с нуля для продолжения текста. Это декодерный Transformer с архитектурой смеси экспертов: всего 132 млрд параметров, из которых для каждого входа активируются 36 млрд; модель выбирает 4 из 16 экспертов. Она обучена предсказанию следующего токена на 12 трлн токенов текста и кода, использует RoPE, GLU, grouped-query attention и токенизатор GPT-4 из tiktoken. Максимальная длина контекста — 32 768 токенов; модель принимает и выдаёт только текст. Модель предназначена для генерации продолжений на английском языке и коде, а также для дальнейшей тонкой настройки под специализированные задачи. Это базовая completion-модель, не обученная для интерактивного чата и не имеющая встроенных мультимодальных возможностей или вызова функций. Большая часть обучающих данных — на английском; Databricks не проверяла качество для других языков. Знания модели ограничены данными с отсечкой по декабрь 2023 года; ответы могут быть неточными, неполными, предвзятыми или оскорбительными. Лицензия — Databricks Open Model License с отдельной Acceptable Use Policy; модель заявлена для коммерческого и исследовательского применения с учётом этих условий.

Moritz Laurer дообучил DeBERTa-v3-base от Microsoft на 763 913 парах «посылка — гипотеза» из MultiNLI, Fever-NLI и Adversarial-NLI (ANLI). Это плотная модель DeBERTa-v2 для классификации последовательностей с 211,6 млн параметров и контекстом до 512 токенов; её основное применение — классификация текста без предварительно заданного набора классов, а также задачи вывода на естественном языке (NLI). Модель оценивает, следует ли гипотеза из текста, противоречит ему или не связана с ним, что позволяет сопоставлять текст с предложенными метками и ранжировать их. В карточке приведены результаты оценки на тестовых наборах MultiNLI и ANLI и на dev-наборе Fever-NLI; также заявлено преимущество на бенчмарке ANLI перед почти всеми крупными моделями. Поддерживается английский язык. Модель принимает текст и возвращает метки и оценки классов. Ограничения связаны с возможными смещениями, унаследованными от обучающих наборов. Карточка также отмечает, что для работы с DeBERTa-v3 может потребоваться Transformers версии 4.13 или новее и установленный SentencePiece. Лицензия — MIT.

deepseek-coder-6.7B-kexer-GGUF — это набор GGUF-квантизированных версий модели deepseek-coder-6.7B-kexer, основанной на deepseek-ai/deepseek-coder-6.7b-base. Модель связана с датасетом JetBrains/KExercises; квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Предназначена прежде всего для генерации и решения задач программирования, включая сценарии разработки на Kotlin. Размер базовой модели составляет 6,7 млрд параметров. Доступны варианты квантизации от Q8_0 до IQ1_M с размером файлов примерно от 7,16 до менее 2 ГБ, что позволяет выбирать между качеством и требованиями к памяти. В README не указаны архитектурные детали, размер контекстного окна, полный перечень поддерживаемых языков и мультимодальные возможности. В качестве ориентира приведён результат pass@1 55,28 на MultiPL-HumanEval (Kotlin). Сильной стороной модели является специализация на коде и наличие широкого выбора квантизаций для локального запуска, однако более компактные варианты могут заметно уступать по качеству старшим версиям. Для работы рекомендуется проверить корректность шаблона запросов: в карточке отмечено, что chat template не задан, а приведённый формат может быть неточным. Модель распространяется по лицензии Apache-2.0.

Cohee/distilbert-base-uncased-go-emotions-onnx — модель классификации текста на основе DistilBERT, представленная в формате ONNX и квантованная для более эффективного выполнения. Она получена из joeddav/distilbert-base-uncased-go-emotions-student: модель-дистиллят обучали на неразмеченных примерах GoEmotions с псевдометками, созданными NLI-моделью для классификации без примеров. Модель предназначена для определения эмоциональных категорий в тексте и демонстрации более компактной альтернативы ресурсоёмкой zero-shot классификации. Обучение проводилось 10 эпох со смешанной точностью. Контекст составляет до 512 токенов; архитектура — DistilBERT для классификации последовательностей. Исходный набор GoEmotions допускает несколько меток на пример, однако учитель назначал только одну метку, поэтому модель может хуже работать, чем вариант, обученный на полностью размеченных данных. Лицензия — MIT.

donut-handball-pv3 — дообученная модель Bienvenu2004 на основе Bienvenu2004/donut-handball-pv2. Она использует архитектуру vision-encoder-decoder и преобразует изображения в текст; модель подходит для сценариев, где нужно извлечь текстовую информацию из изображений. В карточке указано обучение на датасете imagefolder, а веса доступны в формате safetensors. Модель распространяется по лицензии MIT. Карточка не описывает конкретные типы изображений, формат результата, поддерживаемые языки или оценку качества, поэтому эти свойства нельзя уточнить. По имеющимся данным нельзя определить, насколько модель надёжно справляется с изображениями вне обучающей выборки.

tardellirs/embeddinggemma-pt-br-128k — португалоязычная модель для создания текстовых эмбеддингов, полученная из google/embeddinggemma-300m. Разработчик сократил словарь токенизатора до 128 тысяч токенов, обрезав матрицу эмбеддингов токенов; трансформерный энкодер и слои pooling и Dense сохранены без изменений. В репозитории указаны 202,1 млн параметров в метаданных и около 207 млн в README. Модель предназначена для семантического поиска, сравнения предложений и других сценариев, где нужны векторные представления текста на португальском языке. README приводит результат MTEB(por) mean_16 0,7192 — 99,1% результата исходной модели при меньшем размере. Контекст модели — 2048 токенов; для использования подходят Sentence Transformers и text-embeddings-inference. Это артефакт сокращения словаря, а не дообучение: README сообщает, что обучение не проводилось. Модель распространяется по лицензии Gemma; качество за пределами португальских задач не подтверждено, а сокращение словаря может ограничивать работу с текстами на других языках.

FormatClassifier-NoURL — англоязычный классификатор WebOrganizer, дообученный на базе Alibaba-NLP/gte-base-en-v1.5. Он относит текст веб-страниц к одной из 24 категорий, используя содержание страниц без информации из URL. Для обучения использовались два набора аннотаций: миллион документов, размеченных Llama-3.1-8B, и 100 тысяч документов, размеченных Llama-3.1-405B-FP8. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 8192 токенов и распространяется в формате safetensors; для работы указана библиотека Transformers. Модель предназначена для автоматической организации и классификации веб-контента по его формату. В README рекомендуется эффективная реализация gte-base-en-v1.5 с unpadding и memory efficient attention, для которой требуется xformers. Лицензия в предоставленных данных не указана.

Granite-3B-Code-Base-2K — авторегрессионная языковая модель для работы с кодом, разработанная IBM Research и обученная с нуля. Модель семейства Granite использует плотную decoder-only архитектуру LlamaForCausalLM, содержит 3,5 млрд параметров и поддерживает контекст до 2048 токенов. Модель предназначена для генерации и объяснения кода, исправления ошибок, создания модульных тестов и документации, поиска уязвимостей, устранения технического долга и перевода кода. При обучении использовались данные на 116 языках программирования, а также текстовые и математические данные для улучшения рассуждений и следования инструкциям. IBM указывает, что модель не рекомендуется для новых проектов и доступна для исторических и научных целей; для новых приложений предлагаются более свежие модели Granite. Модель не проходила выравнивание безопасности, а сгенерированный код может быть ошибочным или небезопасным. Лицензия — Apache 2.0.

Grug 12B — экспериментальная дообученная модель на базе Google Gemma 4 12B IT, созданная для компактных рассуждений. Разработчик обучил её сохранять важные шаги, ограничения, развилки и проверки ответа, сокращая многословные цепочки рассуждений. Веса опубликованы в формате Transformers/safetensors; модель доступна для диалогового использования и генерации текста. Модель подходит для задач общего рассуждения, математики и программирования, где полезны более короткие ответы и меньшее число токенов рассуждения. Дообучение выполнено методом QLoRA с последующим слиянием адаптера с базовой моделью. В метаданных базовая Gemma 4 описана как мультимодальная, однако README Grug заявляет только компактные рассуждения и не подтверждает отдельную настройку или оценку обработки изображений, видео и аудио. В небольшой локальной проверке на 36 математических примерах модель показала более короткую генерацию и более высокие прокси-показатели, но автор подчёркивает, что это не широкий бенчмарк. Модель может чрезмерно сжимать рассуждения в задачах, требующих длинных выводов, и наследует ограничения и поведение безопасности базовой модели. Лицензия указана как other; README рекомендует отдельно проверять лицензии и происхождение данных, особенно для коммерческого или чувствительного применения.

onnx-community/gte-multilingual-base — это ONNX-версия модели Alibaba-NLP/gte-multilingual-base, подготовленная сообществом onnx-community для работы с библиотекой Transformers.js. Модель предназначена для преобразования предложений и документов в векторные представления, которые можно использовать для семантического поиска, retrieval-систем, сопоставления текстов и других задач, основанных на сравнении смысловой близости. Модель работает в режиме feature extraction и формирует эмбеддинги размерностью 768 признаков. В примерах используются mean pooling и нормализация векторов, после чего релевантность текстов оценивается по косинусному сходству. Для поисковых запросов рекомендуется добавлять инструкцию «Represent this sentence for searching relevant passages:». Модель заявлена как мультиязычная, однако README не содержит перечня поддерживаемых языков, сведений об архитектуре, размере исходной модели или максимальной длине контекста. К сильным сторонам относятся возможность выполнять вычисление эмбеддингов непосредственно в JavaScript-среде через Transformers.js и удобная совместимость с ONNX. Ограничение состоит в том, что это модель для представления и сопоставления текстов, а не генеративная языковая модель: README не описывает её возможности по генерации текста, точность на бенчмарках или ограничения по языкам и длине входа. Лицензия в предоставленных данных не указана.

Hercules-6.0-Llama-3.1-8B — дообученная Locutusque языковая модель на основе Llama-3.1-8B с архитектурой LlamaForCausalLM и 7,5 млрд параметров. Она предназначена для диалогов и выполнения инструкций, включая многошаговые запросы и вызовы функций, в научных и технических областях: биологии, химии, физике, математике, медицине и информатике. Модель поддерживает контекст до 131 072 токенов и рассчитана на английский и китайский языки. Её можно использовать для научно-технических чат-ботов, учебных помощников и генерации кода с вызовом функций. Карточка указывает лицензию Llama 3.1. Среди ограничений — токсичные примеры в обучающих данных, риск галлюцинаций и фактических ошибок, а также возможность злоупотребления функциями вызова инструментов.

INF-WSE v1 Base zh — модель разреженных словных эмбеддингов, разработанная INF TECH для поиска и извлечения информации, особенно в китайских текстах. Она дообучена на базе junnyu/roformer_chinese_base; архитектура — RoFormer с 151,6 млн параметров. Модель преобразует текст в разреженные векторы размерности словаря: ненулевые веса выделяют значимые слова и семантические признаки для сопоставления запросов с документами. Модель предназначена для семантического поиска, ранжирования и retrieval-сценариев. В README приведены результаты C-MTEB Retrieval: средний nDCG@10 составляет 61,16 при максимальной длине 512 токенов; индексы для сравнения строились в Qdrant. Метаданные указывают контекст до 1536 токенов. Модель ориентирована на китайский язык и выдаёт векторные представления текста. Репозиторий содержит веса в формате safetensors; сведения о лицензии в предоставленных источниках отсутствуют.

MLX-версия K2-Horizon-0.9B от сообщества mlx-community, преобразованная из IFM/K2-Horizon-0.9B в формат bf16 без квантизации. Это плотная авторегрессионная модель-декодер с 924,5 млн параметров, предназначенная для генерации текста в диалоговом режиме. Метаданные каталога относят базовую модель к компактным моделям для рассуждений, математики, программирования и STEM; карточка описывает преобразование весов в MLX для запуска на Apple silicon. Метаданные указывают контекст 8192 токена, тогда как README базовой модели сообщает о контексте до 131 072 токенов с YaRN RoPE scaling. README сообщает о проверке соответствия реализации PyTorch на реальных весах и о тестовом запуске на MLX. Для работы требуется mlx-lm и код архитектуры из репозитория; в некоторых версиях mlx-lm нужен флаг trust_remote_code. Лицензия — Apache-2.0.

RemySkye/KAT-Coder-V2.5-Dev-GGUF — это набор GGUF-квантизаций модели KAT-Coder-V2.5-Dev, разработанной Kwaipilot и подготовленной для использования с llama.cpp пользователем RemySkye. Модель предназначена для генерации кода и агентских сценариев программирования, включая работу с инструментами и автоматизацию задач разработки, однако подробные сведения о возможностях исходной модели в представленном README отсутствуют. Доступны варианты от BF16 размером 64,61 GiB до квантизаций Q2_K размером 12,05 GiB, а также форматы Q3, Q4, Q5, Q6 и Q8. Квантизация позволяет выбирать компромисс между требованиями к памяти и сохранением качества, но более компактные варианты могут уступать полноразмерной версии. Модель относится к архитектуре mixture-of-experts; также заявлены поддержка текстовой генерации и кодовых задач. Языки, размер исходной модели, контекстное окно и модальности в README не указаны. Распространяется по лицензии Apache-2.0. Ограничения и условия использования, кроме лицензии, должны уточняться в документации исходной модели Kwaipilot/KAT-Coder-V2.5-Dev.

BM-K/KoSimCSE-bert — модель для получения векторных представлений корейских предложений. Репозиторий Korean-Sentence-Embedding предоставляет предварительно обученные модели для немедленного использования и средства для обучения собственных моделей. По метаданным это плотная модель архитектуры BERT с 137,8 млн параметров и контекстом до 512 токенов; доступны веса PyTorch и Safetensors. Модель предназначена для кодирования корейского текста в эмбеддинги, пригодные для сравнения семантической близости предложений и поиска похожих текстов. В README приведены результаты тестирования на задаче семантического сходства текста, однако конкретные показатели этой модели в предоставленном фрагменте не видны. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

laion/larger_clap_general — модель CLAP (Contrastive Language-Audio Pretraining), разработанная LAION. Это улучшенный чекпойнт, обученный на парах аудио и текста для общих звуков, музыки и речи. Архитектура объединяет аудиоэнкодер на основе Swin Transformer, который получает признаки из log-Mel-спектрограммы, и текстовый энкодер RoBERTa; их представления проецируются в общее латентное пространство, где сходство оценивается скалярным произведением. Модель предназначена для сопоставления аудиозаписи с текстовыми описаниями без дообучения под конкретную задачу, например для классификации звуков по заданным меткам. Также она извлекает аудио- и текстовые признаки для последующего поиска и анализа. В метаданных указано около 132,1 млн параметров; доступны веса PyTorch, библиотека Transformers и лицензия Apache-2.0. Результаты зависят от формулировок текстовых меток и от того, насколько аудио и описания соответствуют данным обучения. README не приводит оценки качества, предельную длительность аудио или перечень поддерживаемых языков.

LFM2.5-350M-RLCD — репозиторий notnotsamuel с кодом параллельного вывода структурированных данных на основе неизменённых весов LiquidAI/LFM2.5-350M. Модель семейства LFM2 — плотная причинная языковая модель с 444,6 млн параметров и контекстом до 128 000 токенов; для запуска используются Transformers и PyTorch, веса хранятся в safetensors. В README указана работа с английским, французским и испанским языками. Решение предназначено для извлечения значений из текста в поля с ограниченным набором вариантов: оно повторно использует состояние контекста, оценивает кандидаты параллельно, а затем собирает JSON в Python. Поддерживаются плоские схемы, где каждое поле обязательно и имеет тип boolean или непустой строковый enum; пример посвящён классификации обращений в поддержку. В опубликованных синтетических тестах для 28 булевых полей показано ускорение относительно авторегрессивного вывода, но результат зависит от нагрузки и оборудования. Корректный JSON и соответствие поддерживаемой схеме обеспечивает программная сборка, а не точность модели. В тесте на 28 полях ни один метод не получил полностью правильный объект; точность полей для ограниченного вывода составляла 60,7–64,3%. Поля выбираются независимо, оценки не являются калиброванной уверенностью, большие наборы вариантов могут исчерпать память, а неподдерживаемые ограничения схемы отклоняются. Лицензия указана как other; конкретные условия следует сверять с карточкой и файлами репозитория.

mesolitica/llama2-embedding-600m-8k — текстовая модель для построения эмбеддингов на основе архитектуры Llama 2, разработанная Mesolitica. Она предназначена для извлечения векторных представлений малайзийских текстов, например, для поиска и сравнения текстов по смыслу. Модель содержит 535,8 млн параметров; при обучении использовалась длина контекста до 8 тыс. токенов, а при инференсе заявлена поддержка до 32 768 токенов. Доступна в формате safetensors. Карточка не сообщает лицензию и не приводит подробных результатов оценки качества. Заявленная возможность работы с длинным контекстом относится к инференсу; обучение проводилось на усечённых последовательностях длиной до 8 тыс. токенов.

Llama-3.1-Swallow-8B-OpenMath-FT-i1-GGUF — это квантизированная модель в формате GGUF, созданная на основе Nextorage/Llama-3.1-Swallow-8B-OpenMath-FT. Квантизацию выполнил mradermacher; исходная модель дообучена на наборе данных nvidia/OpenMathInstruct-1. Модель предназначена для генерации текста, решения математических задач, работы с математическими инструкциями и генерации кода. В метаданных указана поддержка японского языка. Архитектура относится к семейству Llama 3.1, размер базовой модели — 8 миллиардов параметров; модель работает только с текстом, а сведения о максимальном контексте в README отсутствуют. Предоставляется набор вариантов квантизации с разным соотношением размера, скорости и качества, включая IQ- и Q-форматы. В README отмечены Q4_K_M как быстрый рекомендуемый вариант и Q4_K_S как оптимальный по размеру, скорости и качеству, тогда как некоторые низкобитные варианты имеют заметные ограничения по качеству. Лицензия указана как llama3.

prithivida/miniDense_arabic_v1 — компактная модель встраиваний для поиска на арабском языке. Она разработана как часть серии miniDense и основана на архитектуре BERT с токенизатором XLM-Roberta и словарём примерно на 250 тысяч токенов. Модель предназначена для сопоставления предложений и извлечения релевантных документов; в карточке упомянуты оценки на MIRACL и других наборах для поиска. Модель принимает текст и выдаёт векторы для поиска и ранжирования по сходству. Максимальная длина контекста — 512 токенов; автор рекомендует CLS-пулинг и скалярное произведение. Доступны веса PyTorch и ONNX, включая вариант ONNX FP16 для более лёгкого инференса. По README, обучение не требовало дополнительного предобучения или дорогой тонкой настройки. Модель рассчитана прежде всего на арабский язык. Её можно применять для семантического поиска, поиска ответов и извлечения passages, в том числе в гибридных системах с BM25. Для длинных документов авторы отмечают ограничение длины контекста, а заявленные результаты могут немного отличаться при воспроизведении. Лицензия — Apache-2.0.

Карточка модели rolf-mozilla/minilm-multilingual-l12-full на Hugging Face совпадает с карточкой microsoft/Multilingual-MiniLM-L12-H384, поэтому описание составлено по ней. Multilingual-MiniLM-L12-H384 — предобученная компактная языковая модель Microsoft для понимания текста на нескольких языках. Она использует 12-слойный трансформер с архитектурой BERT, скрытым размером 384 и 12 головами внимания; карточка указывает 124,3 млн параметров, включая около 21 млн параметров трансформера и 96 млн параметров эмбеддингов. Для токенизации применяется токенизатор XLM-R. Модель рассчитана на последовательности длиной до 512 токенов. Модель предназначена для задач классификации текста и может дообучаться для межъязыкового переноса, распознавания текстового следствия и ответов на вопросы. В README приведены оценки на XNLI и MLQA. Поддерживаются английский, арабский, болгарский, немецкий, греческий, испанский, французский, хинди, русский, суахили, тайский, турецкий, урду, вьетнамский и китайский языки. Доступны веса в форматах PyTorch, TensorFlow и Flax. Модель основана на дистилляции MiniLM и рассчитана на компактное и быстрое применение в задачах понимания языка. Для этого чекпойнта используется BertModel с XLMRobertaTokenizer, поэтому AutoTokenizer не работает согласно README. Лицензия — MIT.

Mesolitica/mistral-embedding-191m-8k-contrastive — текстовая модель для извлечения признаков и получения эмбеддингов. Согласно карточке, модель семейства Mistral обучена на задаче создания эмбеддингов для малайзийского текста с контрастивной функцией потерь; обучение использовало усечённые последовательности длиной до 8 тысяч токенов. Метаданные указывают 166,1 млн параметров и нативный контекст до 32 768 токенов. Модель предназначена для преобразования текста в векторы, которые можно использовать в поиске и сопоставлении текстов. В README приведён размер выхода (12, 768), но подробности обработки и оценки качества не описаны. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

ms-marco-MiniLM-L-6-v2 GGUF — это конвертированная и квантизованная версия модели cross-encoder/ms-marco-MiniLM-L-6-v2, опубликованная пользователем cstr для запуска через лёгкий движок инференса CrispEmbed на базе ggml. Модель предназначена для ранжирования текстовых пар и повышения качества поиска, в частности для reranking в системах RAG и сценариях, требующих работы в реальном времени. Указан английский язык. Модель построена на архитектуре BERT, содержит около 22 млн параметров, 6 слоёв, размерность представления 384, использует CLS-pooling и токенизатор WordPiece. Доступны варианты GGUF с представлением Q4_K размером 18 МБ, Q8_0 размером 24 МБ и F32 размером 87 МБ. Конвертация не изменяла архитектуру, словарь или заявленные возможности исходной модели; для преобразованных файлов заявлена битовая эквивалентность с реализацией Hugging Face с cosine similarity не менее 0,999 на тестовых текстах. Сильные стороны модели — небольшой размер, высокая скорость и возможность инференса без Python и ONNX через CrispEmbed, включая серверный режим. Ограничения включают специализацию на английских текстах и назначение для reranking, а не для генерации текста. В README также указано, что следует предпочитать исправленные файлы с суффиксом -g7c, поскольку исходные файлы имели некорректно преобразованную scoring head и могли давать неправильно калиброванные оценки и изменять порядок результатов. Модель распространяется по лицензии Apache-2.0 на тех же условиях, что и исходная модель.

Nemotron 3 Diarization MLX INT8 — экспорт модели NVIDIA Nemotron-3-Diarization, подготовленный aufklarer для запуска через MLX на Apple Silicon. Модель выдаёт вероятности активности до восьми говорящих на уровне аудиокадров, поддерживая потоковую и офлайн-диаризацию. Она не распознаёт речь и не устанавливает личности говорящих. Экспорт содержит 113,8 млн параметров по метаданным; в README указано 99,2 млн параметров исходной модели. Веса квантованы в INT8 affine с размером группы 64, остальные тензоры хранятся в FP16; формат файлов — MLX safetensors. Для низкоуровневого запуска подаются предварительно рассчитанные лог-мел-признаки с 128 полосами, совместимые с препроцессором исходной модели. Модель заявлена как мультиязычная. В README приведены результаты проверки численного соответствия исходному чекпойнту после квантования и показатель DER 10,98% для полного конвейера speech-swift на 132 внутренних записях на восьми языках. Эти результаты относятся к указанному оборудованию и программному конвейеру и не являются независимым сравнительным тестом самого экспорта. Для сохранения меток говорящих между потоковыми чанками другим средам необходимо воспроизвести алгоритм обновления кэша и FIFO исходной модели. Лицензия — OpenMDW 1.1.

Nemotron 3 Diarization preview — предварительная модель NVIDIA для анализа многоголосой аудиозаписи и определения, кто и когда говорил. Она предназначена для диаризации речи в потоковом и офлайн-режимах; метаданные также относят её к voice activity detection и указывают на архитектуру Streaming Sortformer. Модель принимает аудио и выдаёт временные метки активности говорящих. Подробная карточка основной версии Nemotron 3 Diarization описывает Transformer-энкодер с 31 слоем и около 100 млн параметров, поддержку до восьми говорящих, потоковую обработку и разрешение выходных кадров 10 мс. Эти характеристики относятся к основной версии и не подтверждены отдельно для preview. Доступ к preview предоставляется по лицензии NVIDIA Software and Model Evaluation License для внутреннего тестирования и оценки: использование в производстве и запуск не на системах с NVIDIA GPU не разрешены. Карточка основной версии описывает её как готовую к коммерческому и некоммерческому применению под другой лицензией, поэтому её условия нельзя переносить на preview.

Nomic Embed Code — модель встраивания кода, разработанная Nomic AI на основе Qwen2.5-Coder-7B-Instruct и дообученная для поиска по коду. Она преобразует текстовые запросы и фрагменты кода в векторы для поиска функций по описаниям и семантического сопоставления кода. Модель предназначена для Python, Java, Ruby, PHP, JavaScript и Go; размер составляет 7,1 млрд параметров, контекст — до 32 768 токенов. Для обучения использовался набор CoRNStack с парами описаний функций и кода, фильтрацией качества и подбором сложных отрицательных примеров. README сообщает о результатах на CodeSearchNet, превосходящих Voyage Code 3 и OpenAI Embed 3 Large в нескольких языках, однако не приводит полную методику сравнения. Модель распространяется под лицензией Apache-2.0. Описание не подтверждает генерацию кода как основную функцию: назначение модели — построение эмбеддингов и поиск.

Olmo-3-7B-Instruct-OPSA — англоязычная авторегрессионная языковая модель на архитектуре Transformer, разработанная Allen Institute for AI (Ai2). Это чекпойнт шага 319 базовой модели allenai/Olmo-3-7B-Instruct, дообученный методом On-Policy Self-Adaptation (OPSA) на вопросах из DAPO-17k. Модель содержит 6,9 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. Модель предназначена для диалогов и генерации ответов с упором на математические рассуждения, а также подходит для общих текстовых и кодовых задач. В оценках с 32 генерациями на запрос OPSA-чекпойнт показал улучшение относительно базовой модели на AIME 2024, AIME 2025, HMMT 2025, MBPP+ и GPQA_D. Модель распространяется в формате safetensors по лицензии Apache 2.0. Ответы могут содержать фактические ошибки и предвзятые или вредоносные формулировки; результаты следует проверять, а при использовании учитывать риски генерации небезопасного контента.

omniASR-CTC-300M-v2-Zulu-Lwazi — модель распознавания речи на архитектуре Wav2Vec2 с CTC-декодированием, преобразованная из контрольной точки OmniLingual fairseq2 omniASR_CTC_300M_v2. Она принимает аудио и выдаёт логиты CTC по словарю SentencePiece, которые используются для транскрибирования речи. Архитектура включает 24 слоя энкодера и скрытый размер 1024; в метаданных указано 413,2 млн параметров. README подтверждает численное соответствие исходной контрольной точке на тестовом аудиофрагменте. Модель предназначена для автоматического распознавания речи. В названии указаны Zulu и Lwazi, однако README сообщает о поддержке нескольких языков и не перечисляет их, поэтому основной язык определить нельзя. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

Карточка модели open-thoughts/OpenThinkerAgent-8B-RL на Hugging Face совпадает с карточкой zurichquants/OpenThinkerAgent-8B-RL, поэтому описание составлено по ней. OpenThinkerAgent-8B-RL — модель для программной разработки и агентных задач от проекта OpenThoughts-Agent. Это финальный чекпойнт рецепта SFT→RL: модель Qwen3-8B сначала прошла холодное SFT-обучение, затем дообучалась методом обучения с подкреплением на задачах из OpenThoughts-Agent-RL-5K. В метаданных указаны 7,6 млрд параметров, архитектура Qwen3ForCausalLM и контекстное окно 40 960 токенов; веса опубликованы в формате safetensors, библиотека — Transformers. Модель предназначена для работы в среде terminus-2 как агент, который использует терминал, анализирует его вывод и выполняет задачи программной инженерии. Обучение с подкреплением проводилось на задачах набора pymethods2test-large, где решения проверялись тестами в изолированной среде. Лицензия — Apache-2.0. Модель может ошибаться в рассуждениях и командах, включая команды оболочки. Её обучение было ориентировано на распределение задач pymethods2test/SWE-Smith, поэтому качество на других типах задач может быть неравномерным; проверенные результаты бенчмарков для этого чекпойнта не опубликованы.