II.8Инженерия данных и аналитика

Nhat1904/best_64_shots — модель Sentence-Transformers на архитектуре MPNet, разработчик которой в карточке не назван. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и семантического поиска. Модель содержит 136,7 млн параметров, принимает текст и формирует векторные представления; максимальная длина контекста составляет 514 токенов. В README указано обучение с функцией потерь CosineSimilarityLoss. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

Карточка модели LDCC/bge-m3 на Hugging Face совпадает с карточкой BAAI/bge-m3, поэтому описание составлено по ней. BGE-M3 — многоязычная модель эмбеддингов для поиска, разработанная BAAI и основанная на архитектуре XLM-RoBERTa. Она создаёт плотные эмбеддинги, разреженные лексические представления и многовекторные представления текста для задач извлечения и сопоставления.

vectoriseai/bge-small-en — англоязычная модель эмбеддингов из семейства BGE (BAAI General Embedding), представленная в проекте FlagEmbedding. Она преобразует текст в плотные векторы размером 384 для поиска и сравнения по смыслу; в карточке указаны архитектура BERT и около 40 млн параметров. Модель принимает текстовые последовательности длиной до 512 токенов и предназначена для английского языка. Модель подходит для семантического поиска, извлечения релевантных фрагментов для RAG, классификации и кластеризации текста. Для поиска длинных документов по короткому запросу README рекомендует добавлять к запросу инструкцию «Represent this sentence for searching relevant passages:»; к самим документам инструкцию добавлять не нужно. Репозиторий содержит веса PyTorch и Safetensors, а также формат ONNX; лицензия — MIT. Компактный размер упрощает развёртывание по сравнению с крупными вариантами BGE, сохраняя пригодность для типовых задач текстового поиска. Контекст ограничен 512 токенами, поэтому длинные тексты следует обрабатывать частями. Метаданные классифицируют модель как sentence similarity, а каталог также указывает извлечение признаков.

Карточка модели aajonaa/bge-small-en-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

Карточка модели Long0409/bge-small-en-v1.5 на Hugging Face совпадает с карточкой BAAI/bge-small-en-v1.5, поэтому описание составлено по ней. BAAI/bge-small-en-v1.5 — компактная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она построена на архитектуре BERT и предназначена для преобразования английского текста в векторы, которые можно использовать для поиска и сравнения смысловой близости. Размер модели — около 40 млн параметров, максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, извлечения релевантных документов и вычисления сходства предложений, в том числе как компонент RAG-систем. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия — MIT. Модель рассчитана на английский язык; контексты длиннее 512 токенов не поддерживаются. Оценки сходства не следует трактовать как вероятности или применять фиксированный порог без калибровки.

CodeGeeX4-ALL-9B — открытая многоязычная модель генерации кода от команды CodeGeeX, созданная на базе GLM-4-9B путём продолженного обучения. Она предназначена для помощи в разработке программного обеспечения: генерирует и дополняет код, отвечает на вопросы о коде и репозиториях, а также поддерживает сценарии с интерпретатором кода, веб-поиском и вызовом функций. Модель имеет плотную архитектуру семейства ChatGLM и 11,4 млрд параметров; заявленная длина контекста — 131 072 токена. Карточка указывает поддержку китайского и английского языков, а примеры ориентированы на программирование, в том числе на Python. По README, CodeGeeX4-ALL-9B показывает конкурентные результаты на BigCodeBench и NaturalCodeBench и рассчитана на широкий набор задач разработки. Метаданные указывают формат safetensors и лицензию other; конкретные условия лицензии следует проверять в репозитории модели. Результаты для конкретных языков программирования и сценариев могут различаться; сама карточка не приводит подробных ограничений или гарантий качества.

CodeGeeX4-ALL-9B — открытая многоязычная модель генерации кода, разработанная командой THUDM и дообученная на базе GLM-4-9B. Модель предназначена для помощи в разработке программного обеспечения: автодополнения и генерации кода, ответов на вопросы по программированию, работы в режиме интерпретатора кода, веб-поиска, вызова функций и ответов на вопросы по репозиториям. Представленная версия распространяется в формате GGUF и рассчитана на локальный запуск с совместимыми инструментами, включая llama.cpp. Модель содержит около 9 миллиардов параметров, поддерживает китайский и английский языки и имеет контекст длиной до 128K токенов. Заявлена поддержка различных сценариев генерации кода и конкурентоспособные результаты на публичных бенчмарках, включая HumanEval, MBPP, BigCodeBench и NaturalCodeBench. К сильным сторонам относятся сочетание качества генерации, широкого контекста и относительно высокой скорости вывода при размере менее 10 миллиардов параметров. README не указывает поддерживаемые модальности помимо текстового ввода и вывода, а также не приводит подробностей об ограничениях, безопасности или качестве работы в отдельных языках программирования. Веса распространяются по специальной лицензии CodeGeeX4; точные условия необходимо уточнять в файле лицензии по ссылке, указанной разработчиками.

CodeLlama-13B-Instruct-fp16 — версия весов Code Llama 13B-Instruct от Meta в формате Transformers/Hugging Face, подготовленная TheBloke конвертацией исходных весов Meta в формат HF. Это авторегрессионная плотная трансформерная языковая модель семейства Llama с 12,9 млрд параметров, обученная следовать инструкциям и предназначенная для более безопасного использования в помощниках по программированию и генерации кода. Модель принимает и выдаёт текст. Она подходит для генерации и объяснения кода, ответов на вопросы о программировании и выполнения инструкций на английском языке и языках программирования. Для этой версии в метаданных указан контекст 16 384 токена; README отмечает, что варианты Code Llama обучались на последовательностях до 16K токенов и допускают более длинный контекст при инференсе. Для корректной работы этих весов fp16 README требует загрузки с trust_remote_code=True. Модель может выдавать неточный или нежелательный код и ответы, поэтому результаты требуют проверки и настройки под конкретное применение. Лицензия — специальная лицензия Llama 2; коммерческое использование регулируется её условиями.

CodeLlama-34B-Instruct-fp16 — преобразованная в формат Transformers/Hugging Face копия модели Code Llama 34B Instruct от Meta AI, подготовленная TheBloke. Это авторегрессионная плотная Transformer-модель с 33,5 млрд параметров для следования инструкциям, генерации и понимания кода, в том числе для создания помощников по программированию. Модель принимает и выдаёт текст; карточка указывает английский язык и поддержку контекста 16 384 токена. В репозитории представлены веса safetensors в формате FP16. Для корректной загрузки этих весов README требует параметр trust_remote_code=True из-за изменения RoPE Theta. Модель рассчитана на коммерческое и исследовательское применение по условиям лицензии Llama 2; перед внедрением следует проверить точные условия лицензии. Она может выдавать неточный или нежелательный текст, а заявленное тестирование проводилось на английском языке.

TheBloke/CodeLlama-70B-Instruct-GGUF — это квантизированная версия CodeLlama 70B Instruct, разработанной Code Llama и преобразованной TheBloke в формат GGUF. Модель предназначена для генерации и понимания программного кода, а также для диалоговых сценариев с инструкциями. Она относится к семейству Llama и доступна в вариантах квантизации от 2 до 8 бит для запуска на CPU и GPU. Модель содержит около 70 миллиардов параметров и работает как текстовая модель генерации с поддержкой входных инструкций и запросов на естественном языке и коде. Формат GGUF совместим с llama.cpp и рядом локальных интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Разные уровни квантизации позволяют выбирать компромисс между требованиями к памяти, скоростью и сохранением качества, однако более сильная квантизация может снижать точность ответов. В README не указаны поддерживаемые естественные языки и размер контекстного окна. Модель распространяется по лицензии Llama 2. Для работы требуется совместимый рантайм, например llama.cpp, а конкретные требования к ресурсам зависят от выбранного варианта квантизации.

NousResearch/CodeLlama-7b-hf — версия базовой модели Code Llama, разработанной Meta и опубликованной NousResearch в формате Hugging Face. Это авторегрессионная языковая модель на основе оптимизированной архитектуры Transformer с 6,6 млрд параметров, предназначенная для генерации и понимания программного кода. Модель принимает текст и генерирует текст, поддерживает контекст до 16 384 токенов и используется через Transformers и PyTorch. Модель предназначена для синтеза, дополнения, объяснения и анализа кода, а также может адаптироваться к различным задачам программирования. Она ориентирована на английский язык и релевантные языки программирования; версия является базовой, а не специализированной instruct-моделью. Доступна по лицензии Llama 2 с условиями Meta и ограничениями Acceptable Use Policy. Модель статична и обучена на офлайн-данных. Она может генерировать неточный, небезопасный или нежелательный код, поэтому результаты требуют проверки, тестирования и настройки под конкретное приложение. Использование в языках, отличных от английского, ограничено условиями модели.

Tool-COLT/contriever-base-msmarco-v1-ToolLens — модель Sentence-Transformers на основе BERT, преобразующая предложения и абзацы в плотные векторы размерности 768. Она предназначена для семантического поиска, сравнения текстов и кластеризации; обучение с MultipleNegativesRankingLoss использовало косинусное сходство. Модель содержит 136,7 млн параметров, принимает текст и формирует эмбеддинги; максимальная длина контекста — 512 токенов. Модель подходит для построения поиска по смыслу и группировки похожих текстов. В метаданных указаны формат safetensors и библиотека Transformers; README описывает использование через Sentence-Transformers или Transformers с подходящим pooling. Язык и лицензия в предоставленных данных не установлены.

Карточка модели Ashokreddy6/CounselAssistant-RetrieverV1 на Hugging Face совпадает с карточкой intfloat/e5-large-v2, поэтому описание составлено по ней. E5-large-v2 — англоязычная модель текстовых эмбеддингов, разработанная Liang Wang, Nan Yang, Xiaolong Huang и соавторами. Она обучена методом контрастивного предобучения со слабой супервизией и основана на архитектуре BERT: 24 слоя и размерность эмбеддинга 1024. Общее число параметров — 433,9 млн, максимальная длина входа — 512 токенов. Модель преобразует тексты в векторы для семантического поиска, сопоставления запросов и документов, оценки сходства предложений, поиска перефразировок, кластеризации и использования эмбеддингов как признаков для классификации. Для асимметричного поиска рекомендуется добавлять к запросу префикс «query: », а к документу — «passage: »; для симметричного сравнения обычно используют «query: » перед обоими текстами. Модель предназначена только для английских текстов; более длинные входы обрезаются до 512 токенов. При использовании косинусного сходства важнее относительный порядок оценок, чем их абсолютные значения. Расхождения в версиях PyTorch и Transformers могут вызывать небольшие различия результатов. Лицензия — MIT.

Darwin-397B-ZTC — языковая модель семейства Darwin от VIDRAFT, созданная на базе Qwen/Qwen3.5-397B-A17B. Это разреженная MoE-модель с архитектурой Qwen3.5 MoE, общим масштабом 397 млрд параметров и примерно 17 млрд активных параметров. Веса представлены в формате compressed-tensors W8A8 FP8; README указывает размер около 418,7 ГБ. Модель предназначена для сложных рассуждений, генерации кода и работы в агентных сценариях с вызовом инструментов. Поддерживает корейский и английский, а также заявлена поддержка китайского и японского. Контекст — до 262 тысяч токенов. Ключевая особенность версии ZTC — оценка уверенности по внутреннему состоянию модели до начала генерации ответа, чтобы отсеивать потенциально ошибочные ответы и рискованные действия. В README приведены результаты на GPQA Diamond и оценке достоверности ответов, однако качество проверки зависит от модели, создавшей проверяемый ответ: перенос на существенно отличающуюся смесь генераторов требует отдельной оценки. Для запуска заявлена совместимость с Transformers, vLLM и SGLang; масштаб модели требует значительных вычислительных ресурсов. Лицензия — Apache-2.0.

DeepSeek-Coder-V2-Lite-Instruct-8bit — языковая модель для работы с программным кодом, подготовленная сообществом mlx-community. Модель была конвертирована из DeepSeek-Coder-V2-Lite-Instruct, разработанной DeepSeek AI, в формат MLX с использованием mlx-lm 0.18.1 и представлена в 8-битном варианте; размер модели составляет 2,5 млрд параметров. Модель предназначена для генерации и дополнения кода, объяснения программных фрагментов и помощи в задачах разработки в диалоговом формате. Она относится к семейству DeepSeek V2 и поддерживает контекст длиной до 163 840 токенов, что позволяет работать с крупными файлами и связанными фрагментами кода. Для запуска используется библиотека mlx-lm. Модель оптимизирована для локального запуска в экосистеме MLX, а 8-битное представление снижает требования к памяти по сравнению с полноразмерными вариантами. Языки программирования и точный перечень поддерживаемых естественных языков в предоставленных данных не указаны. Условия использования определяются лицензией DeepSeek License, обозначенной в карточке как other.

unsloth/DeepSeek-R1-0528-GGUF — это GGUF-квантизированное представление модели DeepSeek-R1-0528, разработанной DeepSeek и опубликованной в формате GGUF командой Unsloth. Модель предназначена для локального запуска и инференса через совместимые инструменты, включая llama.cpp, а также для задач, требующих углублённого рассуждения. DeepSeek-R1-0528 ориентирована на решение математических задач, программирование, общую логику и сложные аналитические запросы. По сравнению с предыдущей версией заявлены улучшения глубины рассуждений и инференса, снижение частоты галлюцинаций, расширенная поддержка function calling и более качественная работа в сценариях vibe coding. Для модели указан язык English; модальность — текстовая. Размер и архитектура базовой модели в предоставленных данных не указаны. Модель использует чат-шаблон, совместимый с оригинальной DeepSeek-R1; для генерации рекомендуется temperature 0.5–0.7 и Top_P 0.95. Основное преимущество — усиленные способности к сложному рассуждению, программированию и математике; в README также сообщается о результатах, приближающихся к ведущим моделям в ряде бенчмарков. Ограничения включают необходимость корректной настройки шаблона чата и параметров генерации, а также зависимость характеристик от выбранного уровня GGUF-квантизации и аппаратного обеспечения. Лицензия — MIT.

Это канал-квантизованная версия DeepSeek-R1, подготовленная Meituan: веса BF16 преобразованы в INT8 с поканальными масштабами. Модель предназначена для генерации текста в диалоге и решения задач, требующих рассуждений, включая математику, программирование и ответы на сложные вопросы. В метаданных архитектура указана как DeepSeek V3 с плотной causal language model; размер — 37,6 млрд параметров, нативный контекст — 163 840 токенов. Репозиторий содержит веса Safetensors и интерфейс вызова инструментов. В README сообщается о сохранении точности на GSM8K и MMLU и ускорении до 50% в указанном бенчмарке на нескольких A100; эти результаты относятся к описанной конфигурации и не гарантируют такого ускорения на другом оборудовании. Для запуска может потребоваться поддержка поканальной INT8-квантизации в используемом inference-движке. Лицензия модели — MIT.

Diba-Embed — модель для получения плотных векторных представлений текста, разработанная Dibachain. Она предназначена прежде всего для поиска и извлечения информации на персидском языке, поддерживает также английский и сопоставление текстов между этими языками. Модель содержит около 507,6 млн параметров, выдаёт эмбеддинги размерностью 1024 с возможностью сокращения до 32 по принципу Matryoshka и принимает последовательности длиной до 32 768 токенов. Для загрузки через sentence-transformers требуется trust_remote_code=True; также доступны файлы GGUF для запуска через llama.cpp. Модель подходит для семантического поиска, извлечения фрагментов для RAG, сопоставления FAQ, кластеризации, дедупликации и ранжирования найденных текстов. В описанном автором тесте на 400 персидских парах вопросов и ответов указаны Recall@1 82%, Recall@3 95% и MRR 0,89; тест охватывал историю Ирана, современные темы и вопросы о компании Dibachain. Качество лучше на обычном и формальном персидском; для узкоспециализированных или зашумлённых текстов может потребоваться адаптация. Модель выдаёт векторы, а не готовые ответы или сгенерированный текст, и может отражать смещения обучающих данных. Лицензия — Apache-2.0.

much1na/distil-cohere-l2-ckpt — модель Sentence Transformers, разработанная much1na и дообученная на базе google/bert_uncased_L-6_H-512_A-8. Она преобразует предложения и абзацы на английском языке в плотные векторы размерности 512 для сравнения по косинусному сходству; архитектура состоит из BERT и mean pooling. Модель предназначена для семантического поиска и сопоставления текстов, поиска перефразирований, кластеризации и классификации. Модель принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги. В метаданных указано 40,8 млн параметров и формат safetensors. Карточка указывает обучающий набор parquet из 3 810 976 примеров. Лицензия в предоставленных данных не указана.

sentence-transformers/distilroberta-base-paraphrase-v1 — модель семейства RoBERTa, обученная командой sentence-transformers для получения векторных представлений предложений и абзацев. Она преобразует текст в плотные векторы размерности 768, пригодные для семантического поиска и кластеризации; также поддерживает сравнение сходства предложений. Модель содержит 95,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель рассчитана на текстовые задачи, где нужно находить близкие по смыслу фрагменты, группировать тексты или сравнивать предложения. Для использования с библиотекой Transformers поверх контекстных представлений токенов необходимо применить подходящую операцию pooling. Распространяется по лицензии Apache-2.0. В карточке не заявлена поддержка конкретных естественных языков, поэтому языковую специализацию определить нельзя.

phoenixSP/embedding-finetuned-model-v1 — модель на базе BERT, дообученная с помощью Sentence-Transformers для получения плотных векторных представлений предложений и абзацев. Она кодирует текст в векторы размерности 384 и предназначена для семантического поиска, кластеризации и сравнения сходства между текстами. Модель содержит около 40 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги. При обучении использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Карточка не приводит результаты оценки и не уточняет языки обучающих данных. Модель опубликована в формате safetensors; отдельная лицензия в предоставленных данных не указана.

sbeiruty/embeddingFT — дообученная модель Sentence Transformer на базе intfloat/multilingual-e5-large-instruct. Она кодирует предложения и абзацы в плотные векторы размерностью 1024; архитектура включает XLM-RoBERTa, усреднение токенных представлений и нормализацию. Модель предназначена для семантического поиска и сравнения текстов, а также для поиска перефразировок, кластеризации и классификации текста. Модель принимает текстовые последовательности длиной до 514 токенов по метаданным; в README указан предел 512 токенов. Она поддерживает несколько языков благодаря мультиязычной базовой модели. В README описано дообучение на 2 119 парах предложений с функцией потерь MultipleNegativesRankingLoss; близость векторов можно сравнивать косинусной мерой. Для использования требуется библиотека Sentence Transformers. В карточке указана лицензия, допускающая применение модели в соответствии с её условиями. Информации о конкретных ограничениях качества или целевых предметных областях в предоставленных данных нет.

kttt294/english-sbert-finetuned — англоязычная модель Sentence Transformers, дообученная автором на базе sentence-transformers/all-mpnet-base-v2 для кодирования предложений и абзацев в плотные векторы. Она построена на MPNet с усреднением токенных представлений и нормализацией выходных векторов; размер вектора — 768, для сравнения используется косинусное сходство. Модель подходит для семантического поиска, извлечения релевантных фрагментов и сравнения текстов. Максимальная длина входной последовательности в карточке указана как 384 токена, тогда как метаданные каталога сообщают контекст 514 токенов. В карточке указано обучение на 12 001 примере пар предложений с оценками сходства. Модель принимает текст и выдаёт эмбеддинги; метаданные также относят её к задачам извлечения признаков и сходства предложений. Лицензия в предоставленных данных не указана.

Falcon3-Mamba-7B-Instruct — инструктивная языковая модель из семейства Falcon3, разработанная Technology Innovation Institute. Она предназначена для диалогов и выполнения инструкций, а также для задач рассуждения, понимания языка, программирования и математики. Модель дообучена на базе tiiuae/Falcon3-Mamba-7B-Base и использует архитектуру Mamba1 с причинным декодером: 64 блока, ширина 4096 и словарь из 65 тысяч токенов. Контекст — до 32 тысяч токенов. Обучение включало продолжение предобучения на данных из веба, кода и STEM, а также последующее обучение на примерах диалогов, STEM, кода и безопасности. Основной язык обучения — английский. Модель рассчитана на генерацию ответов и кода по запросу. Разработчик сообщает о сильных результатах для рассуждений, следования инструкциям, понимания языка, кода и математики по сравнению с сопоставимыми моделями SSM на момент выпуска. Репозиторий содержит веса в формате safetensors. Лицензия — TII Falcon-LLM License 2.0; перед использованием следует учитывать её условия.

HiImHa/fine-tuned-bge — дообученная модель Sentence Transformers на базе BAAI/bge-m3, разработанная автором репозитория HiImHa. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерностью 1024 для поиска и сравнения текстов. Архитектура включает XLM-RoBERTa, CLS-пулинг и нормализацию векторов; сходство можно оценивать косинусной мерой. Максимальная длина последовательности — 8192 токена. Модель принимает и обрабатывает текст; поддерживаемые языки отдельно не перечислены, при этом базовая BGE-M3 является многоязычной. Модель обучалась на 3733 парах предложений с MultipleNegativesRankingLoss. Лицензия в предоставленных данных не указана.

Карточка модели KayaAI/finetuned_embedding_v3 на Hugging Face совпадает с карточкой XHY-DY/all-mpnet-base, поэтому описание составлено по ней. XHY-DY/all-mpnet-base — модель Sentence Transformers для кодирования предложений и коротких абзацев в плотные векторы размерности 768. Она основана на MPNet и дообучена методом контрастивного обучения на наборе более чем из миллиарда пар предложений; исходная модель — microsoft/mpnet-base. В карточке указано применение для семантического поиска, измерения сходства предложений и кластеризации. По умолчанию текст длиннее 384 частей словаря обрезается. Модель принимает текст и возвращает векторное представление, пригодное для поиска и сравнения по смыслу. Она ориентирована на английский язык; заявленная библиотека — Sentence Transformers. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

hermoine1234/fine_tuned_model_v3 — модель Sentence Transformers на базе архитектуры XLM-RoBERTa, обученная сопоставлять предложения и абзацы в плотном векторном пространстве. Она содержит 305,2 млн параметров и строит эмбеддинги размерности 768; для оценки сходства используется косинусная близость. Модель подходит для семантического поиска, поиска похожих предложений, выявления перефразирований, кластеризации и классификации текста. Карточка описывает обучение на 1 784 парах текстов с CosineSimilarityLoss; примеры датасета представлены на нескольких языках. README указывает максимальную длину последовательности 128 токенов, тогда как метаданные каталога указывают нативный контекст 514 токенов. Модель принимает текст и выдаёт векторы эмбеддингов; файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Fireball-12B-v1.01a — дообученная EpistemeAI языковая модель на архитектуре Mistral, основанная на EpistemeAI/Fireball-12B-v1.0. Модель содержит 12,1 млрд параметров и предназначена для генерации текста, выполнения инструкций и помощи с программированием. В README описаны supervised fine-tuning на наборах Code Alpaca и Alpaca Cleaned, а также два этапа ORPO дообучения на предпочтениях. Модель принимает текст и генерирует текст. В карточке указаны мультиязычные и программные данные, а рекомендуемый шаблон запросов — Alpaca. Метаданные указывают контекст до 1 024 000 токенов; в README для исходной модели Mistral Nemo приводится окно 128k, поэтому заявленная длина контекста для этой версии в источниках расходится. Модель выпущена под лицензией Apache 2.0. По README, у базовой модели нет встроенных механизмов модерации; для контролируемого применения следует предусмотреть отдельную модерацию.

ManniX-ITA/gemma-4-A4B-98e-v6-coder-it-GGUF — это набор GGUF-квантизаций модели ManniX-ITA/gemma-4-A4B-98e-v6-coder-it, созданной на основе Gemma 4 26B-A4B. Модель ориентирована прежде всего на генерацию и анализ кода, рассуждения, агентные сценарии с вызовом инструментов и задачи с изображениями. В карточке указаны английский язык и поддержка визуальных входных данных; тип конвейера — image-text-to-text. Архитектура — MoE с примерно 20,45 млрд параметров, из которых около 4 млрд активны при обработке токена; в слоях используется 98 экспертов. Модель поставляется в различных вариантах квантизации от 2 до 8 бит, а также в F16, с применением imatrix для большинства низкоразрядных вариантов. Для llama.cpp в примере использования задан контекст 32 768 токенов, а для режима рассуждений требуется параметр reasoning-budget. Сильные стороны модели — высокая эффективность в задачах программирования при существенно меньшем объёме активных параметров и широкий выбор вариантов по балансу качества, размера и требований к памяти. По приведённым тестам HumanEval+ лучшие результаты показывают Q6_K и Q8_0 — 93,29%, а рекомендуемым компромиссом названа IQ4_XS размером 11,01 ГБ; вариант IQ2_XS заметно теряет качество. Для многошаговых агентных сценариев в репозитории исправлен дефект шаблона чата, вызывавший повторение рассуждений. Модель распространяется по лицензии Gemma. Для запуска необходим совместимый движок, например llama.cpp, и корректно настроенный шаблон чата; без reasoning-budget Gemma 4 может генерировать некорректные служебные токены. Выбор конкретной квантизации определяет требования к дисковому пространству, памяти и степень сохранения исходного качества.

asadmasad/GIST-large-finetuned — модель эмбеддингов предложений на основе архитектуры BERT, распространяемая в формате safetensors и используемая через библиотеку Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, кластеризации и сравнения текстов. Модель обучалась с функцией Multiple Negatives Ranking Loss и косинусным сходством; максимальная длина контекста составляет 512 токенов, размер модели — около 433,9 млн параметров. Подходит для поиска похожих фрагментов текста и группировки текстов по смыслу. Доступные данные не устанавливают целевые языки или специализированные предметные области; производительность на конкретном языке и домене следует проверять отдельно. Сведения о лицензии в предоставленных источниках отсутствуют.