II.8Инженерия данных и аналитика

Репозиторий содержит конвертированную и квантизированную в GGUF версию KATCoder-2.5-Dev от Kwaipilot, подготовленную для запуска через llama.cpp на оборудовании AMD. Это разговорная текстовая модель для генерации ответов и кода; README описывает варианты ROCmFP4 и ROCmFP6 и заявляет ускорение генерации на совместимых GPU и APU AMD. В метаданных указаны форматы GGUF и GGUF BF16, тег text-generation и поддержка английского языка. Для запуска требуются подходящая сборка ROCmFPX/llama.cpp и поддерживаемая среда ROCm или Vulkan. Репозиторий описывает конвертацию исходных весов в GGUF и последующую квантизацию; лицензия указана как MIT. Количественная оценка качества и подробные результаты тестирования в карточке не приведены.

Lightning-Herald-30B-A3B — модель EryriLabs, дообученная на базе NVIDIA Nemotron 3.5 Lightning для работы в Hermes Agent. Это гибридная языковая архитектура Nemotron-H с Mamba-2, механизмом Mixture of Experts и компонентом attention; карточка указывает 30 млрд параметров, из которых около 3 млрд активны при генерации, а метаданные каталога — 1,9 млрд параметров. Модель принимает текст и генерирует текст, включая вызовы инструментов в формате Nemotron, рассчитанном на разбор llama.cpp. Заявленный контекст — 262 144 токена. Модель предназначена для агентных сценариев: многошагового использования инструментов и выполнения задач через оболочку агента. В сравнении с исходной Lightning автор сообщает о росте результата в Fox agent suite и равном результате в тесте терминальных задач; эти оценки относятся к описанным в README наборам и настройкам. Автор отмечает, что модель иногда достигает лимита итераций, не завершив задачу, и рекомендует ограничивать агентную среду песочницей и проверять выполняемые команды. Модель дообучена на отфильтрованных трассах Hermes Agent, переформатированных в шаблон чата и синтаксис вызова инструментов Nemotron. Лицензия в метаданных указана как other; базовая модель NVIDIA Nemotron 3.5 Lightning распространяется по OpenMDW-1.1, однако отдельные условия лицензирования этого дообучения в доступных данных не раскрыты.

Llama 3.2 1B Uncensored — дообученная версия Meta Llama 3.2 1B, разработанная Carsen Klock. Модель обучалась методом LoRA fine-tuning с использованием Unsloth на объединённых наборах данных для следования инструкциям, решения математических задач, генерации и анализа кода, неконтролируемых диалогов и медицинского рассуждения. Модель предназначена для текстовой генерации и поддерживает сценарии общего ассистирования, решения математических задач, генерации кода и предоставления обратной связи по коду. В README указан английский язык. Архитектура основана на Llama 3.2 с размером 1B параметров; доступны форматы GGUF, включая f16 и q4_k_m, а также объединённая 16-битная версия. Размер контекстного окна и дополнительные модальности не указаны, поэтому модель следует рассматривать как текстовую. К сильным сторонам относятся компактность, возможность локального запуска в форматах GGUF и специализация на математике, программировании и инструкциях. Ограничениями являются небольшой размер модели, неизвестные показатели качества и отсутствие сведений о поддержке других языков и длине контекста. Из-за ориентации на uncensored-ответы и медицинское рассуждение возможны небезопасные, неточные или непроверенные ответы; медицинские результаты требуют обязательной проверки специалистом. Модель распространяется по лицензии llama3.2.

MILCO — модель для многоязычного разреженного поиска, представленная в работе «MILCO: Learned Sparse Retrieval Across Languages via a Multilingual Connector» для ICLR 2026. Репозиторий omai-research/milco-650m содержит модель в формате PyTorch для Transformers; лицензия — Apache-2.0. Модель кодирует запросы и документы в разреженные представления в общем лексическом пространстве английского языка. Она предназначена для внутъязыкового и межъязыкового поиска: запрос и документ могут быть написаны на разных языках. Архитектура включает многоязычный трансформер, коннектор к размерности английского энкодера и LexEcho head, который дополняет английское представление весами исходных токенов, чтобы сохранять редкие имена и термины. В README описана конфигурация с BAAI/bge-m3-unsupervised и naver/splade-v3; заявлена оценка более чем на 39 языках. Размер модели по идентификатору репозитория — 650 млн параметров. README сообщает о результатах на многоязычных бенчмарках и уменьшении размера индекса и задержки поиска при прореживании представлений. Это заявления авторов; конкретные условия и методика сравнения в предоставленных данных не раскрыты. Для загрузки в Transformers README указывает trust_remote_code=True. Ограничение лицензии Apache-2.0 — её условия необходимо соблюдать при использовании и распространении модели.

microsoft/MiniLM-L12-H384-uncased — компактная англоязычная модель Microsoft для понимания языка, полученная дистилляцией предварительно обученной UniLM v2 размера BERT-Base. Это 12-слойный трансформер семейства BERT с размерностью скрытого слоя 384 и 12 головами внимания; в метаданных указано 40 млн параметров, а README приводит 33 млн. Модель без учета регистра символов, имеет контекст до 512 токенов и опубликована в форматах PyTorch, TensorFlow и Flax. Чекпойнт предназначен для последующей тонкой настройки под задачи понимания текста; авторы сообщают результаты на SQuAD 2.0 и задачах GLUE и отмечают, что модель может служить заменой BERT в соответствующих сценариях. Метаданные Hugging Face относят её к классификации текста. Лицензия — MIT. README описывает базовый предобученный чекпойнт, а не готовую к прикладному использованию настроенную модель.

gghfez/Mistral-Large-2407-LongCoT — дообученная версия Mistral-Large-Instruct-2407, созданная автором репозитория на датасете long-cot-4k с примерами длинных ответов, сгенерированных Qwen/QwQ-32B-Preview. Модель предназначена для диалогов и подробных пошаговых ответов на сложные вопросы, включая объяснения и математические расчёты. Это плотная авторегрессионная языковая модель архитектуры MistralForCausalLM с 122,2 млрд параметров и контекстом до 131 072 токенов. Карточка указывает английский язык, формат общения ChatML и ответы длиной примерно 1 024–4 096 токенов. Модель ориентирована на развёрнутые рассуждения, поэтому может быть многословной даже при простых запросах; качество на вопросах вне обучающего распределения может снижаться, а для кратких или требующих ответа в реальном времени сценариев она подходит хуже. Лицензия указана как other, конкретные условия в карточке не приведены.

MobileCLIP2-L-14-OpenCLIP — адаптированная для OpenCLIP версия весов модели MobileCLIP2-L-14, разработанной Apple и описанной в работе MobileCLIP2: Improving Multi-Modal Reinforced Training. Репозиторий использует конфигурации OpenCLIP и соответствующие имена весов; доступны веса PyTorch и safetensors. Модель предназначена для классификации изображений по текстовым описаниям без отдельного обучения на целевых классах. Она сопоставляет изображения и текст в общей мультимодальной семантике, что позволяет задавать классы естественным языком и ранжировать их по соответствию изображению. В README приведены результаты и характеристики других вариантов MobileCLIP2, но их нельзя переносить на вариант L-14. Лицензия репозитория — apple-amlr. Для оценки скорости, точности и применимости именно этого чекпойнта следует учитывать его конфигурацию и условия лицензии.

simran14/mr-val-f2 — дообученная модель распознавания речи на архитектуре Whisper, разработанная на базе simran14/mr-val-e. Она предназначена для преобразования аудиозаписей в текст; в метаданных указан датасет Common Voice 17.0. Модель содержит 153,1 млн параметров и распространяется в формате Safetensors. В README приведён результат оценки WER 0,5368 на тестовом наборе, однако подробности протокола оценки и условия применения не описаны. Лицензия в предоставленных данных не указана.

Jeevesh8/multiberts_seed_0_ft_3 — модель классификации текста на базе BERT из семейства Multiberts, опубликованная пользователем Jeevesh8 на Hugging Face. Она предназначена для присвоения входному тексту одного из заранее заданных классов и может использоваться в задачах последовательной классификации через библиотеку Transformers. Модель содержит около 136,7 млн параметров и принимает последовательности длиной до 512 токенов. В метаданных указаны архитектура BERT, поддержка JAX и назначение text classification. Конкретный набор классов, обучающий датасет, языки, лицензия и специализированная предметная область по доступным данным не установлены.

tomaarsen/multivector-ModernBERT-base-msmarco-cached-contrastive — англоязычный многовекторный энкодер, дообученный автором на базе answerdotai/ModernBERT-base на 99 000 примерах MS MARCO с помощью Sentence Transformers. Модель кодирует текст в последовательность 128-мерных векторов токенов и оценивает пары запросов и документов по позднему взаимодействию MaxSim; максимальная длина последовательности — 8192 токена. Архитектура основана на ModernBERT, число параметров — 149 млн. Модель предназначена для семантического поиска и информационного поиска, где важна детализация на уровне токенов. Её можно использовать для поиска документов по запросам и ранжирования найденных текстов; README приводит оценки на наборах NanoMSMARCO и NanoBEIR. Модель принимает текст и выдаёт векторы признаков, а не готовые ответы на вопросы. Лицензия — Apache-2.0. Модель обучена на англоязычных данных и рассчитана прежде всего на поиск на английском языке; качество на других языках не подтверждено. Векторное представление токенов и вычисление MaxSim требуют соответствующей логики индексирования и поиска.

facebook/muppet-roberta-large — англоязычная модель RoBERTa large от Facebook, дообученная по подходу MUPPET на нескольких задачах до тонкой настройки для целевых сценариев. Это плотная трансформерная модель с примерно 454,1 млн параметров, обученная предсказывать замаскированные токены; она принимает текст и предназначена прежде всего для заполнения пропусков и тонкой настройки для задач классификации последовательностей, разметки токенов и ответов на вопросы. Контекст модели составляет 514 токенов. README сообщает об улучшении результатов относительно RoBERTa-base на ряде задач GLUE и QA, особенно на небольших наборах данных. При этом данный чекпойнт не содержит классификационных и MRC-голов, использованных при предварительной настройке, поэтому результаты на некоторых наборах могут быть ниже опубликованных в статье. Модель не предназначена для генерации текста. Лицензия — MIT.

MyAwesomeModel — модель на базе Transformers и PyTorch, связанная с архитектурой BERT и предназначенная для извлечения признаков из входных данных. В метаданных Hugging Face для неё указан pipeline-тег feature-extraction, поэтому модель может использоваться как компонент для получения векторных представлений текста в последующих задачах машинного обучения. README также заявляет о расширенных возможностях рассуждения, генерации кода, ответов на вопросы, суммаризации, диалога, перевода и function calling, однако эти сведения не согласуются с указанным pipeline-тегом feature-extraction и не содержат достаточно технических деталей для подтверждения соответствующей архитектуры или генеративного режима. Размер модели, контекстное окно и поддерживаемые естественные языки в доступных данных не указаны. Модель распространяется под лицензией MIT. Для практического использования следует проверить фактический формат входов и выходов, конфигурацию токенизатора и совместимость с задачей извлечения признаков; заявленные в README результаты нельзя считать независимой гарантией качества.

nomic-embed-text-v1-unsupervised — текстовый энкодер семейства NomicBert, выпущенный Nomic AI как промежуточный чекпойнт многоэтапного контрастивного обучения. Он предназначен для преобразования текста в эмбеддинги, пригодные для вычисления семантического сходства и других задач поиска по векторному представлению. Модель принимает текст и формирует векторные представления; заявленная длина контекста составляет 8192 токена. В метаданных указаны английский язык, библиотека sentence-transformers и форматы PyTorch и ONNX. Это артефакт обучения, а не рекомендуемая для обычного извлечения эмбеддингов версия: автор предлагает для практического использования nomic-embed-text-v1. Лицензия Apache-2.0. Карточка не сообщает дополнительных ограничений по качеству или применению.

SC117 выпустил экспериментальный вариант Ornith-1.5-35B-A3B, предназначенный для генерации текста, агентного программирования и работы с инструментами. Это производная MoE-модель на базе Ornith-1.5-35B-A3B, объединяющая выбранный LoRA-адаптер Heretic Trial 62 с весами BF16 и заменённой головой MTP; репозиторий содержит версии GGUF, полученные с помощью MoE-ориентированной смешанной квантизации APEX. Модель рассчитана на текстовые и мультимодальные сценарии с изображениями через проектор mmproj и требует свежей сборки llama.cpp с поддержкой Qwen3.5 MoE MTP. README приводит пример контекста в 131072 токена. Вариант предназначен для агентных задач программирования и диалоговой генерации. Замена MTP-головы улучшает основу для спекулятивного декодирования; для запуска с черновым MTP предлагается параметр --draft-mtp. Отказ-модифицированная модель может вести себя иначе, чем исходная, поэтому автор рекомендует оценить её перед развёртыванием. Лицензия — MIT.

mlx-community/parakeet-ctc-1.1b — версия модели NVIDIA Parakeet CTC 1.1B, подготовленная сообществом mlx-community для запуска через MLX. Это модель распознавания речи на архитектуре семейства FastConformer/Conformer с CTC-декодированием: она принимает аудио и преобразует речь в текст. В карточке указаны поддержка MLX и формат весов safetensors; для использования предлагаются библиотеки parakeet-mlx и mlx-audio. Модель предназначена для автоматической транскрипции речи. Она распространяется по лицензии CC BY 4.0. README отсылает к исходной карточке NVIDIA за подробностями, поэтому конкретные сведения о языках, длине аудио и ограничениях качества здесь не подтверждены.

Parakeet CTC 1.1B — модель автоматического распознавания речи, совместно разработанная командами NVIDIA NeMo и Suno.ai. Она преобразует аудиозаписи в текст на английском языке, выдавая результат строчными буквами, и предназначена для транскрибации речи, локального вывода и последующего дообучения на других наборах данных. Модель построена на архитектуре FastConformer CTC и содержит около 1,1 млрд параметров. Поддерживается английский язык; основная модальность — аудио с речью, выход — текстовая транскрипция. Модель доступна для использования через NVIDIA NeMo, Transformers и лёгкий нативный C++ runtime NeMo-Speech.cpp. В README приведены результаты оценки на различных англоязычных наборах данных: WER составляет от 1,83% на LibriSpeech clean до 15,62% на AMI Meetings. Сильной стороной модели являются крупный размер и хорошие показатели распознавания на ряде стандартных тестов, а также возможность инференса и fine-tuning. Ограничения включают поддержку только английского языка и отсутствие в предоставленных данных сведений о максимальной длине контекста, устойчивости к шуму и требованиях к вычислительным ресурсам. Лицензия — CC BY 4.0.

Это уменьшенная версия модели для восстановления пунктуации и заглавных букв в португальском тексте, разработанная VÓCALI в рамках проекта SANIVERT. Модель основана на neuralmind/bert-base-portuguese-cased и дообучена для токенной классификации на корпусе из примерно 2,97 млн текстовых примеров и 49,7 млн токенов на португальском языке. Модель предназначена для автоматической расстановки знаков препинания и восстановления регистра в текстах. Архитектура — BERT с классификационной головой для токенов, размер — 136,1 млн параметров, максимальный контекст — 512 токенов. Для оценки использовались Macro F1 и Weighted F1; численные результаты в карточке не приведены. Файлы модели опубликованы в формате safetensors. Условия лицензии в предоставленных источниках не описаны.

AtesiT разработал русскоязычный детектор галлюцинаций на основе Qwen2.5-1.5B-Instruct: плотной причинно-языковой модели Qwen2 с 1,5 млрд параметров. Модель принимает вопрос, контекст-источник и ответ языковой модели, а затем выдаёт бинарную метку: 0, если ответ соответствует контексту, и 1, если он ему противоречит или не подтверждён им. Она предназначена для проверки ответов в RAG-системах, тестирования агентов и мониторинга качества генерации. Модель дообучена методом QLoRA с LoRA-адаптерами; в репозитории указаны веса safetensors и библиотека Unsloth. Метаданные указывают базовый контекст Qwen2.5 в 32 768 токенов, однако для этой версии README сообщает практический предел входа в 512 токенов. Данные основаны на автоматически собранном русскоязычном корпусе SberQuAD. По README, на тестовой выборке версии v5 точность составляет 0,9835, а F1 — 0,9833; эти показатели относятся к описанному набору данных и не гарантируют такое же качество на других корпусах. Лицензия — Apache-2.0.

Это компактная инструктивная модель Qwen2.5-Coder-0.5B-Instruct, дообученная автором репозитория burhan2753y для преобразования запросов на естественном языке в команды Bash для Linux и Ubuntu. Модель ориентирована на выдачу команды без разговорных пояснений и поставляется в формате GGUF для запуска, в частности, через Ollama и llama.cpp. Модель предназначена для генерации команд в задачах системного администрирования, DevOps и работы в терминале. В README приведены результаты на академическом наборе NL2Bash и на собственном наборе задач DevOps, облачных сервисов и системного администрирования; эти показатели относятся к тестам автора. Данных о размере контекста и поддерживаемых языках, кроме английского языка карточки, нет. Модель принимает текстовые запросы и генерирует текст команд. Она может ошибаться при неоднозначных или незнакомых запросах, а корректная Bash-синтаксическая форма сама по себе не гарантирует безопасное выполнение команды. Доступна по лицензии Apache-2.0.

Mungert/Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2-GGUF — GGUF-версия дообученной модели Qwen3.5-9B, ориентированной на рассуждения. Модель создана на базе Qwen/Qwen3.5-9B с использованием материалов, связанных с проектом Jackrong, библиотеки Unsloth и llama.cpp. Для обучения заявлены наборы данных с примерами рассуждений в стиле Claude Opus 4.6 и другие коллекции reasoning-данных. Модель предназначена для задач, требующих пошагового анализа: математики, текстовых задач, логической дедукции, общих знаний и выполнения инструкций. Во второй версии использовано около 14 000 образцов рассуждений с акцентом на более короткие и экономичные цепочки рассуждений, чтобы снижать вычислительные затраты без потери качества. Также приводятся результаты HumanEval и HumanEval+, которые используются как оценка переноса общих навыков рассуждения на программирование, а не как прямая цель обучения. Ключевая характеристика — размер базовой модели 9B и распространение в формате GGUF, удобном для запуска через совместимые инструменты локального инференса. В карточке указаны языки English, Chinese и Korean, а также тег image-text-to-text, однако подробности о мультимодальных возможностях, размере контекста и поддерживаемых форматах входных изображений не приведены. Ограничением является возможное снижение широких универсальных способностей из-за объема и направленности SFT-обучения; кодовая специализация также не была основной частью обучения. Модель распространяется по лицензии Apache-2.0.

Qwopus3.5-9B-Coder-MTP — это набор квантованных вариантов модели Jackrong/Qwopus3.5-9B-Coder, опубликованный пользователем noctrex. В модель добавлен слой MTP (Multi-Token Prediction), предназначенный для ускорения генерации. По тегам модель относится к семейству Qwen и архитектуре Qwen3.5 MoE; базовая модель имеет размер 9B параметров. README также указывает специализацию imatrix на задачах программирования. Модель предназначена прежде всего для генерации и обработки кода, включая локальный запуск через llama.cpp. По заявлению автора, на видеокарте AMD 7900 XTX с Vulkan backend скорость выросла примерно с 80 до 120 токенов в секунду, однако это результат конкретного теста и может отличаться в других условиях. Данные о поддерживаемых языках, размере контекста, точных модальностях, качестве, ограничениях и лицензии в README не указаны. Для использования требуется актуальная версия llama.cpp и загрузка выбранного варианта квантования.

Карточка модели Gen-Verse/ReasonFlux-Coder-14B на Hugging Face совпадает с карточкой Gen-Verse/ReasonFlux-Coder-7B, поэтому описание составлено по ней. ReasonFlux-Coder-7B — языковая модель для генерации кода, представленная разработчиками семейства ReasonFlux-Coders. В README указано, что модели семейства обучены с помощью алгоритма CURE, который совместно развивает способности к написанию кода и генерации модульных тестов; отдельные численные результаты для версии 7B не приведены. Модель предназначена для генерации кода и тестов, а также для использования в агентных сценариях программирования и подходах с масштабированием вычислений на этапе вывода. Это плотная причинная модель архитектуры Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Метаданные указывают на поддержку чата и интерфейса вызова инструментов. Репозиторий содержит веса Safetensors. Лицензия MIT. README не сообщает об ограничениях качества или поддерживаемых естественных языках; заявленное сравнение с другими моделями относится к семейству в целом и не позволяет установить результаты именно версии 7B.

rasyosef разработал амхароязычную модель эмбеддингов предложений Sentence Transformers, дообученную из rasyosef/roberta-base-amharic на наборе amharic-passage-retrieval-dataset. Модель на базе XLM-RoBERTa содержит 137,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и преобразует предложения и абзацы в плотные векторы размерностью 768 с нормализацией; сходство можно оценивать косинусной мерой. Модель предназначена для семантического поиска и извлечения амхароязычных фрагментов, сравнения предложений, поиска перефразирований, кластеризации и классификации текста. В опубликованной оценке поиска на амхарском наборе данных точность cosine_accuracy@5 составляет 0,8712 для полного 768-мерного представления и 0,8649 при усечении до 256 измерений. Модель поддерживает амхарский язык и распространяется по лицензии Apache-2.0. Это модель векторных представлений, поэтому она возвращает эмбеддинги, а не готовые ответы или сгенерированный текст; результаты за пределами амхарского поиска и перечисленных оценок README не характеризует.

NetworkIsLife/SciBert_sentence_transformer — учебное зеркало модели S-SciBERT, созданное для курса по тематическому моделированию на основе трансформеров в R. Это неизменённая копия весов и токенизатора pritamdeka/S-Scibert-snli-multinli-stsb в форматах PyTorch и safetensors; исходная модель SciBERT дообучена в Sentence Transformers на SNLI, MultiNLI и STS-B для сопоставления предложений. Архитектура — BERT с mean pooling, размер модели по метаданным — 137,1 млн параметров, размерность эмбеддинга — 768, контекст — до 512 токенов. Модель превращает английские предложения и абзацы, в том числе научные тексты, в плотные векторы для семантического поиска, кластеризации и тематического моделирования. Её научная лексика полезна для биомедицины, химии, информатики и машинного обучения; для обработки издан репозиторий в safetensors, чтобы упростить загрузку на CPU и использование из R. Качество на длинных документах может снижаться: модель обучалась на последовательностях длиной 75 токенов, поэтому полные статьи лучше разбивать на фрагменты. Для обычных веб-текстов может подойти лучше универсальная модель эмбеддингов. Лицензия — Apache-2.0.

kornwtp/SCT-model-phayathaibert — модель Sentence Transformers на архитектуре CamemBERT, разработанная автором репозитория kornwtp. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения предложений и кластеризации. Модель обучалась на тайской Википедии и рассчитана на тайский текст; максимальная длина контекста составляет 512 токенов, размер — около 304,7 млн параметров. Модель можно применять для семантического поиска, оценки сходства текстов и группировки похожих фрагментов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка не описывает специальных ограничений, кроме длины контекста и ориентации на тайские данные.

Sentence-ModernBERT-JP-0.5B — японская модель эмбеддингов предложений, разработанная автором репозитория и дообученная на базе iamtatsuki05/Sentence-ModernBERT-JP-0.5B-PT с помощью supervised contrastive learning на cl-nagoya/ruri-v3-dataset-ft. Она предназначена для сравнения семантической близости текстов, поиска по смыслу, классификации и кластеризации японских текстов. Модель основана на архитектуре ModernBERT и содержит около 677,5 млн параметров. Она преобразует текст в векторы размерности 1280 с mean pooling; сходство рекомендуется оценивать косинусной метрикой. Модель принимает последовательности длиной до 8192 токенов. Карточка указывает поддержку японского языка; лицензия — MIT. В таблице оценки приведены результаты на JMTEB, включая средние показатели для поиска, семантического сходства, классификации, переранжирования и кластеризации. Они показывают качество на этих бенчмарках, но сами по себе не гарантируют результат на конкретных данных. Модель рассчитана на японские тексты, поэтому её пригодность для других языков не подтверждена.

SMITH-Exp — дообученная инструктивная модель Mixture-of-Experts от ai-forever на базе GigaChat 3.1 Lightning. Она предназначена для многошагового поиска по корпусу документов: модель итеративно вызывает инструмент search_index, затем формирует ответ с идентификаторами подтверждающих документов. Для воспроизводимого качества требуется SMITH retrieval harness или совместимая реализация цикла вызова инструмента; README описывает интеграцию с vLLM и guided decoding для структурированных вызовов. В README указаны 10 млрд параметров всего и 1,8 млрд активных параметров, формат BF16 и возможность запуска на одной GPU с 80 ГБ памяти. Метаданные каталога указывают 1,5 млрд параметров и контекст 262 144 токена; тип архитектуры в каталоге обозначен как dense, тогда как README описывает MoE. Поддерживаются русский и английский языки. Лицензия — MIT. Модель оценивалась на многошаговых вопросах MuSiQue с поиском подтверждающих абзацев. Результаты зависят от протокола запуска, шаблона чата, инструментов и параметров поиска, а обобщение качества на другие интеграции не гарантируется. Для поиска также нужна отдельная инфраструктура индекса и эмбеддингов.

SPLADE-v3-DistilBERT — разреженный энкодер для семантического поиска и извлечения документов, опубликованный Naver. Модель кодирует предложения и абзацы в разреженные векторы размерностью 30 522; релевантность оценивается скалярным произведением. Архитектура основана на DistilBERT с маскированной языковой моделью и max-пулингом SPLADE. Максимальная длина последовательности — 512 токенов; в режиме воспроизведения оценки используется 256. Модель предназначена для построения поисковых систем и ранжирования документов по запросу. В карточке приведены результаты на MS MARCO dev (MRR@10 38,7) и BEIR-13 (средний nDCG@10 50,0). Поддерживается английский язык. Доступна по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и распространения производных материалов на тех же условиях и ограничивает коммерческое использование.

ssc-led-model — модель распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, чтобы преобразовывать речь в текст. В README приведены результаты оценки: loss 1,4926, CER 0,3156 и WER 0,7297. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. Язык распознавания, обучающий набор данных и предполагаемые сценарии использования в карточке не уточнены.

Tabby-Pretrain — предварительно обученный энкодер PatchTST, разработанный авторами Tabby и опубликованный как замороженная базовая часть модели. Он предназначен для прогнозирования временных рядов без дообучения и для адаптации под конкретные данные. Архитектура включает 20 слоёв и размерность скрытого состояния 768; README указывает 145,84 млн параметров, а метаданные — 188,7 млн. Модель обучалась на реальных и синтетических временных рядах с маскированным предсказанием патчей и функцией потерь pinball для 99 квантилей, благодаря чему один проход формирует распределение прогноза. Репозиторий содержит только веса энкодера в формате safetensors и конфигурацию; оптимизатор для продолжения обучения отсутствует. Для самостоятельного запуска полной модели авторы указывают отдельный чекпойнт Tabby, а для использования промпта — Tabby-Prompt. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое использование.