II.8Инженерия данных и аналитика

Карточка модели manaladan6/GLM-4.5-Air на Hugging Face совпадает с карточкой zai-org/GLM-4.5-Air, поэтому описание составлено по ней. GLM-4.5-Air — компактная гибридная модель серии GLM-4.5 от Zhipu AI, разработанная для интеллектуальных агентов. Она объединяет генерацию текста, рассуждение, программирование и работу с инструментами; поддерживает режим обдумывания для сложных запросов и вызовов инструментов, а также режим быстрого ответа. По карточке модели, у GLM-4.5-Air 106 млрд параметров, из которых активны 12 млрд. Метаданные Hugging Face указывают архитектуру GLM4 MoE, класс Glm4MoeForCausalLM, 8,5 млрд параметров и контекст до 131 072 токенов. Модель предназначена для диалоговых приложений, задач программирования и агентных сценариев с использованием инструментов. Она поддерживает английский и китайский языки и распространяется в формате Safetensors; библиотека Transformers указана как основная. Лицензия MIT разрешает коммерческое использование и дальнейшую разработку. Значения общего и активного числа параметров из README расходятся с числом параметров в метаданных, поэтому размер следует считать противоречивым.

gte-large — модель текстовых эмбеддингов General Text Embeddings, разработанная Alibaba DAMO Academy на основе архитектуры BERT и обученная контрастивным обучением на крупном корпусе пар текстов с оценками релевантности. Она преобразует английские тексты в векторы размерностью 1024 и предназначена для поиска информации, сравнения семантической близости и ранжирования текстов. Модель применима в поисковых системах, семантическом сопоставлении предложений и других задачах, использующих текстовые эмбеддинги. В тесте MTEB для gte-large указана средняя оценка 63,13 по 56 задачам. Контекст ограничен 512 токенами: более длинные тексты обрезаются. Модель рассчитана только на английский язык. Лицензия — MIT.

Карточка модели DeepanBabu/gte-Qwen2-1.5B-instruct на Hugging Face совпадает с карточкой Alibaba-NLP/gte-Qwen2-1.5B-instruct, поэтому описание составлено по ней. gte-Qwen2-1.5B-instruct — модель текстовых эмбеддингов из семейства GTE, разработанная Alibaba NLP на базе Qwen2-1.5B. Она преобразует тексты в векторы размерности 1536 и предназначена для поиска по смыслу, сравнения предложений, ранжирования и других задач, использующих текстовые представления. Модель поддерживает инструкции для запросов и обучалась на многоязычных данных из разных областей; в карточке указано контекстное окно 131 072 токена, тогда как README описывает максимальную длину входа 32 000 токенов. В основе — архитектура Qwen2 с причинной языковой моделью, дополненной двунаправленным механизмом внимания для контекстного представления текста. В README заявлены сценарии для широкого круга языков и задач, но конкретный список языков не приведён. Модель распространяется под лицензией Apache-2.0. Для запуска README указывает зависимости transformers версии 4.39.2 или новее и flash_attn версии 2.5.6 или новее.

SMARTICT/gte-small-finetune-test — англоязычная модель Sentence Transformers, дообученная SMARTICT на базе thenlper/gte-small с использованием набора sentence-transformers/all-nli. Она кодирует предложения и абзацы в плотные векторы размерностью 384 для сравнения текстов по косинусному сходству. Архитектура основана на BERT: усреднение токенных представлений с последующей нормализацией. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. В README приведены результаты оценки на all-nli-dev и all-nli-test с cosine_accuracy 0,926 и 0,9348 соответственно. Модель ориентирована на английский язык; лицензия — Apache-2.0.

QuantFactory/INTELLECT-1-Instruct-GGUF — квантизированная версия инструкционной языковой модели PrimeIntellect/INTELLECT-1-Instruct, созданная QuantFactory с использованием llama.cpp. Модель предназначена для генерации текста, выполнения инструкций, работы с кодом, математическими задачами и общими текстовыми запросами. Основной заявленный язык — английский; модель относится к модальности text-to-text и поддерживает только текстовые данные. Модель содержит около 10 млрд параметров, 42 слоя, 32 attention heads, hidden size 4096, словарь размером 128256 токенов и контекст длиной до 8192 токенов. Базовая INTELLECT-1 обучалась с нуля на 1 трлн токенов английского текста и кода, а затем прошла post-training и instruction tuning на наборах данных для общего следования инструкциям, программирования, математики, агентных сценариев и многоязычных данных. Предобучение выполнялось распределённо сообществом Prime Intellect и партнёров на базе framework prime и алгоритма DiLoCo. Ключевое преимущество этой версии — формат GGUF и квантизация, позволяющие запускать модель через совместимые инструменты llama.cpp с меньшими требованиями к памяти по сравнению с полной версией. Однако конкретный уровень качества, скорость и потребление памяти зависят от выбранного варианта квантизации. Контекст ограничен 8192 токенами, а качество для языков, отличных от английского, в README подробно не охарактеризовано. Для исходной модели требуется добавлять BOS-токен в начало каждого примера, иначе производительность может снизиться; применимость этого требования при использовании GGUF зависит от используемого рантайма и шаблона. Лицензия — Apache 2.0.

IQuest-Coder-V1-40B-Loop-Instruct — вариант семейства языковых моделей для кода IQuest-Coder-V1, разработанного IQuestLab. Это плотная авторегрессионная модель с архитектурой IQuestLoopCoder и рекуррентным механизмом Loop, в котором параметры используются в двух итерациях. Вариант Instruct предназначен для следования инструкциям и общей помощи в программировании; модель также поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Модель насчитывает 39,4 млрд параметров и поддерживает контекст до 131 072 токенов. Семейство обучалось с использованием последовательностей изменений кода и репозиториев, что ориентирует его на задачи разработки ПО, понимание кода и работу с инструментами. В карточке заявлены результаты семейства на бенчмарках программирования, но отдельные оценки именно для этого варианта не приведены. Модель принимает текст и генерирует текст, включая код. Возможны ошибки и результаты могут различаться на специализированных или закрытых технологиях; сгенерированный код необходимо проверять, поскольку модель его не исполняет. Для работы с пользовательским кодом указан английский язык. Репозиторий использует Transformers и формат safetensors; лицензия обозначена как other, поэтому условия использования следует уточнить в карточке модели.

jina-embeddings-v2-base-es-GGUF — это модель для создания векторных представлений текста (эмбеддингов), разработанная Jina AI на основе jinaai/jina-embeddings-v2-base-es и преобразованная в формат GGUF компанией Second State Inc. Она предназначена для семантического поиска, сопоставления текстов, кластеризации, классификации и других задач, где требуется сравнивать смысловое сходство документов или запросов. Модель поддерживает испанский и английский языки, использует контекст размером до 8192 токенов и формирует эмбеддинги размерности 768. В README не указаны точные архитектурные характеристики базовой модели или поддержка дополнительных модальностей, поэтому модель следует рассматривать как текстовую. Доступны варианты квантования Q2_K–Q8_0, а также f16, с размером файлов примерно от 82,7 МБ до 323 МБ. Основное преимущество GGUF-вариантов — возможность выбрать баланс между размером, скоростью и качеством: Q4_K_M, Q5_K_M и Q5_K_S обозначены как рекомендуемые, тогда как низкобитные варианты дают заметные потери качества. Более высокие разрядности лучше сохраняют качество, но требуют больше памяти; некоторые варианты отмечены как нежелательные из-за невыгодного соотношения характеристик. Модель распространяется по лицензии Apache 2.0.

jinaai/jina-embeddings-v5-text-nano-mlx — MLX-сборка модели Jina AI для Apple Silicon: базовые веса jina-embeddings-v5-text-nano с четырьмя LoRA-адаптерами для переключения между задачами. Модель на архитектуре EuroBERT содержит 211,7 млн параметров; веса представлены в формате safetensors с точностью float16. README указывает размерность эмбеддингов 768 и максимальную длину последовательности 32 768 токенов, тогда как метаданные каталога задают нативный контекст 8 192 токена. Модель создаёт текстовые эмбеддинги для семантического поиска, сравнения текстов и кластеризации. README описывает динамическое переключение адаптеров и Matryoshka-размерности 32, 64, 128, 256, 512 и 768. По данным автора, сходство косинусных оценок с предварительно объединёнными чекпойнтами превышает 0,996. Заявленная оптимизация рассчитана на запуск через MLX на Apple Silicon. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование. README перечисляет retrieval, text-matching и clustering; карточка также описывает модель как мультиязычную, но конкретные поддерживаемые языки в предоставленных данных не названы.

Карточка модели fenderi/klue-roberta-base-klue-sts на Hugging Face совпадает с карточкой dyryu/klue_roberta-base-klue-sts, поэтому описание составлено по ней. dyryu/klue_roberta-base-klue-sts — модель Sentence-Transformers на архитектуре RoBERTa, разработчик которой не уточнён в карточке. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 137,8 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Для работы доступны веса в формате safetensors и библиотека sentence-transformers. При обучении использовалась функция потерь CosineSimilarityLoss. Метаданные указывают задачи sentence-similarity и feature-extraction; основное назначение для пользователя — поиск семантически похожих предложений. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя.

LFM2.5-Encoder-350M — мультиязычный двунаправленный энкодер от Liquid AI на архитектуре LFM2, обученный как masked language model и предназначенный для дообучения под конкретные задачи. В метаданных указано 444,6 млн параметров; модель использует гибридную архитектуру с блоками gated short-convolution и grouped-query attention, а также поддерживает контекст до 128 000 токенов по метаданным. В README для обучения описано расширение окна до 8 192 токенов. Модель рассчитана на классификацию текста и токенов, извлечение сущностей, поиск и ранжирование, оценку семантического сходства, определение тональности и намерения, NLI и extractive QA. Она поддерживает 15 языков, включая русский, и ориентирована на эффективный запуск, в том числе на устройстве и на CPU. Для прикладных задач обычно требуется дообучение; заявленные в README демонстрации построены на дообученных вариантах. Веса доступны в формате safetensors для Transformers. Для загрузки архитектуры README указывает необходимость trust_remote_code=True. Лицензия обозначена как other; конкретные условия следует сверять с карточкой модели.

NVIDIA разработала Nemotron-UltraLong-8B как серию языковых моделей на базе Llama 3.1; этот вариант рассчитан на контекст до 2 млн токенов. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и предназначена для генерации текста в диалоговом формате, следования инструкциям и работы с очень длинными последовательностями. Модель прошла продолженное предварительное обучение на длинных последовательностях и дообучение на инструкциях по общим задачам, математике и программированию. В README заявлена работа с длинным контекстом и конкурентные результаты на стандартных тестах. Метаданные указывают английский язык; карточка также описывает интерфейс вызова инструментов. Для запуска README рекомендует Transformers версии 4.43.0 или выше. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

JonasGru/lt-e5 — Sentence Transformer, дообученный на базе intfloat/multilingual-e5-base. Модель преобразует предложения и абзацы в нормализованные плотные векторы размерности 768; для сравнения используется косинусное сходство. Архитектура состоит из XLM-RoBERTa, среднего пулинга токенов и нормализации. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. В README указано обучение на наборе из 199 992 пар предложений, а метаданные подтверждают многоязычную базовую модель. Лицензия в предоставленных данных не указана.

Карточка модели gemasphi/mcontriever-msmarco на Hugging Face совпадает с карточкой gemasphi/mcontriever, поэтому описание составлено по ней. gemasphi/mcontriever — модель на основе архитектуры BERT, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Общее число параметров — 205,1 млн, максимальная длина контекста — 512 токенов; репозиторий содержит веса PyTorch. Модель подходит для построения векторного поиска по текстовым коллекциям, группировки похожих фрагментов и оценки семантической близости. В README описано обучение с CosineSimilarityLoss. Язык обучения или перечень поддерживаемых языков в предоставленных данных не подтверждены. Лицензия в доступных сведениях не указана.

M-E5-BASE — мультиязычная модель текстовых эмбеддингов от onelevelstudio, опубликованная как резервная копия intfloat/multilingual-e5-base. Это плотная 12-слойная архитектура XLM-RoBERTa с 305,2 млн параметров и размерностью эмбеддинга 768; модель принимает текст и выдаёт векторные представления для поиска и сравнения текстов. Она предназначена для семантического сходства, поиска фрагментов по запросу, поиска парафразов и кластеризации. README сообщает о поддержке 100 языков на основе XLM-RoBERTa, хотя качество может снижаться на языках с малым объёмом обучающих данных; в метаданных перечислено подмножество языковых тегов. Для задач поиска рекомендуется добавлять префиксы «query:» и «passage:» согласно роли текста; длинные входы обрезаются до 512 токенов. Модель доступна по лицензии MIT; README предупреждает, что её не следует использовать, но не объясняет причину.

MiniCPM5-2B-SFT — версия модели MiniCPM5 от OpenBMB для локальных ассистентов, программных агентов и запуска на устройствах с ограниченными ресурсами. Это плотная авторегрессионная языковая модель на архитектуре LlamaForCausalLM с 2,2 млрд параметров по метаданным, 42 слоями и контекстом до 131 072 токенов. Модель предназначена для диалогов, генерации кода, математических рассуждений, работы с длинным контекстом и сценариев использования инструментов. Карточка сообщает о поддержке английского и китайского языков и описывает сильные результаты модели относительно других моделей сопоставимого размера; эти сравнительные оценки получены разработчиком. Модель принимает и генерирует текст. Весы опубликованы в формате safetensors, для запуска описана поддержка Transformers и локального развёртывания на CPU и GPU, а также серверных движков. Лицензия — Apache-2.0. Ответы могут быть неточными, предвзятыми или оскорбительными; выводы по медицине, финансам, праву и политике не являются экспертной рекомендацией.

Карточка модели Gswrtz/MNLP_M3_document_encoder на Hugging Face совпадает с карточкой sentence-transformers/all-MiniLM-L6-v2, поэтому описание составлено по ней. all-MiniLM-L6-v2 — модель Sentence-Transformers, разработанная в ходе Community Week Hugging Face. Это дообученный энкодер на архитектуре BERT с 25,9 млн параметров: он преобразует предложения и короткие абзацы в плотные векторы размерностью 384, отражающие их семантику. Модель дообучена контрастивным методом на более чем миллиарде пар предложений из нескольких наборов данных. Модель предназначена для семантического поиска, сравнения предложений и кластеризации текстов. Она поддерживает английский язык; максимальный контекст по метаданным — 512 токенов, при этом карточка сообщает, что вход длиннее 256 WordPiece-токенов обрезается. Доступны форматы PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Векторы полезны для поиска смыслового сходства, но сама модель не генерирует текст; длинные входы обрезаются, а качество представлений зависит от соответствия текста и задачи обучающим данным.

jfarray/Model_paraphrase-multilingual-MiniLM-L12-v2_50_Epochs — модель эмбеддингов предложений на архитектуре BERT, представленная в формате PyTorch. Она кодирует предложения и абзацы в плотные векторы размерности 384 для семантического поиска, кластеризации и сравнения текстов. В метаданных указаны 124,3 млн параметров и контекст до 512 токенов; модель обучалась с функцией CosineSimilarityLoss. Модель подходит для поиска похожих фрагментов текста, группировки документов и вычисления семантического сходства. В названии указано multilingual MiniLM, однако README и метаданные не перечисляют поддерживаемые языки. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformers, дообученная на базе mixedbread-ai/deepset-mxbai-embed-de-large-v1. Она использует трансформер XLM-RoBERTa и преобразует предложения и абзацы в плотные векторы размерностью 1024, нормализованные для сравнения по косинусному сходству. Максимальная длина входа — 512 токенов; библиотека модели — sentence-transformers. Модель предназначена для семантического поиска и сопоставления текстов, поиска перефразировок, кластеризации и извлечения признаков для классификации. В карточке указаны результаты оценки на задаче поиска информации, однако данных недостаточно, чтобы обобщать эти показатели на другие наборы текстов. Лицензия в предоставленных источниках не указана.

NohTow/ModernBERT-base-DPR-fullneg-gte-0.0002 — модель Sentence Transformers на базе ModernBERT, обученная на наборе bge-full-data. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними оценивается косинусной близостью. Архитектура использует ModernBertModel и усреднение токенных представлений, максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сопоставления текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В README приведены оценки поиска на наборах Nano BEIR и отдельных задачах Nano BEIR; результаты различаются по датасетам и не гарантируют аналогичного качества в других сценариях. Веса доступны в формате safetensors; лицензия в предоставленных данных не указана.

YeonwooSung/ModernBERT-large-msmarco-v3-bpr — модель Sentence Transformers, дообученная разработчиком на базе answerdotai/ModernBERT-large с использованием BPRLoss на 498 970 примерах. Она кодирует предложения и абзацы в плотные векторы размерности 1024; сходство между ними можно оценивать косинусной мерой. Архитектура состоит из энкодера ModernBERT-large с усреднением токенных представлений, максимальная длина последовательности — 8192 токена. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Подходит для построения эмбеддингов длинных текстов; базовый ModernBERT описан как англоязычный энкодер. Лицензия в предоставленных данных не указана.

sentence-transformers/msmarco-distilbert-base-v4 — модель Sentence-Transformers на базе DistilBERT, обученная командой Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. Контекст модели ограничен 512 токенами; доступны реализации в форматах PyTorch, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Модель принимает текст и выдаёт эмбеддинги, которые можно использовать для поиска релевантных фрагментов, группировки похожих текстов и вычисления семантического сходства. Для применения через Transformers требуется корректно агрегировать контекстные представления токенов с помощью подходящей операции pooling. Данные карточки не уточняют поддерживаемые естественные языки и ограничения качества.

Карточка модели mitanshu-reckonsys/mxbai-embed-large-v1 на Hugging Face совпадает с карточкой mixedbread-ai/mxbai-embed-large-v1, поэтому описание составлено по ней. mxbai-embed-large-v1 — модель Mixedbread AI для построения векторных представлений предложений и текстов. Это плотная BERT-модель на 433,9 млн параметров с контекстом до 512 токенов; она принимает текст и выдаёт эмбеддинги для поиска и сопоставления текстов. Карточка указывает английский язык и библиотеку sentence-transformers. Модель предназначена для семантического поиска, извлечения релевантных фрагментов и оценки сходства предложений. Для поисковых запросов README рекомендует добавлять префикс «Represent this sentence for searching relevant passages:». Поддерживаются Matryoshka Representation Learning и бинарная квантизация, позволяющие уменьшать размер эмбеддингов и затраты на их хранение. В заявленной авторами оценке на MTEB модель показывает сильные результаты среди моделей размера BERT-large. Модель распространяется по лицензии Apache-2.0. Ограничения включают окно контекста в 512 токенов и необходимость использовать рекомендованный префикс для запросов в сценариях поиска; авторы также отмечают наличие ограничений, которые планировали исправить в версии v2, не уточняя их в этой карточке.

Mungert/Nex-N2-mini-GGUF — квантованный вариант модели Nex-N2-mini, разработанной командой Nex-AGI. Модель предназначена для агентских сценариев и постобучена на базе Qwen3.5-35B-A3B-Base. Она ориентирована на выполнение практических задач, требующих понимания требований, планирования, написания кода, работы с инструментами, терминалом, поиском и обратной связью от среды. Ключевая концепция модели — Agentic Thinking, объединяющая рассуждение, использование инструментов и итеративное выполнение задач в единый цикл. Подход включает Adaptive Thinking, позволяющий выбирать глубину рассуждений в зависимости от сложности задачи, и Coherent Thinking, обеспечивающий единый механизм рассуждений в общих и агентских сценариях. Заявлены возможности для агентского программирования, глубокого исследования, tool calling, терминального выполнения, разработки игр, веб- и мультимодальной генерации. Архитектура, точное количество активируемых параметров, размер контекста, поддерживаемые языки и фактические характеристики GGUF-квантизации в README не указаны. По приведённым оценкам Nex-N2-mini показывает результаты в задачах поиска, вызова инструментов, программной инженерии и общего рассуждения; среди указанных показателей — 74,4 на SWE-Bench Verified, 60,7 на Terminal-Bench 2.1 и 82,6 на GPQA Diamond. Сильными сторонами являются агентские рабочие процессы, кодирование и выполнение длинных задач, однако показатели ниже, чем у более крупной версии Nex-N2-Pro, а результаты зависят от сценария и внешней среды. Модель распространяется по лицензии Apache-2.0.

OpenBuddy/openbuddy-qwen2.5coder-32b-v24.1q-200k — чат-модель OpenBuddy, дообученная на Qwen2.5-Coder-32B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 32 млрд параметров, рассчитанная на генерацию текста и диалог; базовая модель предназначена для генерации, анализа и исправления кода, а также создания кодовых агентов. Заявлена длина контекста 200 000 токенов. Модель оптимизирована для повышения качества инференса после квантизации и рекомендована автором для квантизации от 3 до 8 бит. В тегах карточки указана поддержка китайского, английского, французского, немецкого, японского, корейского, итальянского и финского языков. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache 2.0. Модель может выдавать ошибочные, вредные или оскорбительные ответы. Авторы предостерегают от её применения в критических и высокорисковых сценариях, включая медицину, управление потенциально опасными системами и важные финансовые или юридические решения.

Ornith-1.5-9B — плотная языковая модель примерно на 9 млрд параметров семейства Qwen3.5, представленная в карточке как лёгкая модель семейства Ornith-1.5. Она предназначена для диалогов и агентных сценариев, включая программирование, решение задач с инструментами и работу с длинными входными данными. Модель поддерживает вызов инструментов через совместимый с OpenAI интерфейс и контекст до 262 144 токенов; README описывает расширение окна примерно до миллиона токенов с помощью YaRN, с возможным снижением качества на обычных запросах. В карточке Ornith-1.5 описана как результат развития Ornith-1.0 с генерацией обучающих задач, поиском стратегий и обучением с подкреплением; указанная модель позиционируется как вариант для эффективного развёртывания. Представлены результаты бенчмарков для программных и агентных задач, а также измерения показывают меньше отказов, чем у сравниваемой исходной модели. Репозиторий содержит веса safetensors и использует Transformers. Лицензия — MIT. README указывает на плотную архитектуру Qwen3.5 и размер около 9 млрд параметров, однако также описывает семейство как основанное на Qwen3.5 и Gemma4; точную связь именно этого чекпойнта с базовой моделью из доступных сведений установить нельзя. Метаданные включают тег image-text-to-text, но карточка описывает текстовое поколение и не подтверждает визуальный ввод для этой версии.

Perciqa_Aurora-Code-1-GGUF — это квантизированная версия модели Aurora-Code-1, разработанной Perciqa и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp. Модель дообучена по инструкциям на наборе данных perciqa/aurora-code-sft-v1 и ориентирована на генерацию кода. Модель предназначена для программирования, агентских сценариев, анализа и ревью кода, отладки и выполнения инструкций, связанных с разработкой программного обеспечения. В описании указана MoE-архитектура, однако точный размер модели, число активных параметров и максимальная длина контекста не приведены. Заявлена поддержка английского, французского и мультиязычного ввода; модальность — текстовая. Основное преимущество представленной версии — доступность в различных вариантах квантизации от BF16 до низкобитных форматов, что позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Рекомендуемые варианты Q4–Q6 обеспечивают высокое качество при меньшем объёме, но более сильная квантизация может снижать точность ответов. Для запуска подходят llama.cpp, LM Studio, Jan AI, KoboldCpp и другие совместимые инструменты. Модель распространяется по лицензии Apache-2.0.

mateussj выпустил объединённую модель Phi-3.5-mini-instruct-2x-v1 на основе microsoft/Phi-3.5-mini-instruct. Она использует архитектуру Phi-3 с плотной причинной языковой моделью на 3,7 млрд параметров и предназначена для диалогов и генерации текста по инструкциям. В README описано слияние методом TIES с помощью mergekit; базовая модель включена в конфигурацию с разными значениями плотности и весов. Модель принимает текст и выдаёт текст, поддерживает контекст до 4096 токенов. Метаданные указывают формат safetensors и библиотеку Transformers. Условия лицензии и отдельные языки этой версии в предоставленных данных не раскрыты; базовая модель описана как многоязычная.

unsloth/Phi-4-mini-instruct-bnb-4bit — это 4-битно квантованная версия Phi-4-mini-instruct, разработанная Unsloth на базе модели Microsoft Phi-4-mini-instruct. Модель предназначена для генерации текста, диалогов и выполнения инструкций, включая задачи программирования, математики, рассуждений и NLP. Она поддерживает мультиязычное применение и относится к семейству Phi-4. Модель имеет контекст длиной до 128K токенов и оптимизирована для запуска при сниженных требованиях к памяти благодаря формату 4-bit. В версии Unsloth исправлены проблемы с padding и EOS-токенами, шаблоном чата и unk-токеном; также заявлено использование Dynamic Quants, которые должны обеспечивать более высокую точность по сравнению со стандартным 4-битным квантованием. Базовая модель обучалась на синтетических данных и отфильтрованных общедоступных веб-источниках, а затем проходила supervised fine-tuning и direct preference optimization. Сильные стороны модели — компактность, большой контекст, поддержка инструкций, диалогов, кода и математических задач, а также исправления, повышающие корректность инференса. Ограничения включают снижение точности по сравнению с полноразмерной или менее квантованной версией и отсутствие в предоставленных данных подробностей об архитектуре, точном числе параметров и перечне языков. Модель распространяется по лицензии MIT.

dbourget/philai-bge-2et-f-again — модель на архитектуре BERT, созданная в формате Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерностью 1024. Она предназначена для поиска семантически близких текстов и кластеризации; сходство между текстами можно оценивать по их эмбеддингам. Обучение использовало CosineSimilarityLoss. Модель содержит около 433,9 млн параметров, принимает текстовые входы, выдаёт векторы и поддерживает контекст до 512 токенов. Лицензия в предоставленных данных не указана.

dbourget/philai-bge-6e — модель эмбеддингов предложений и абзацев на базе архитектуры BERT, опубликованная пользователем dbourget. Она преобразует текст в плотные векторы размерностью 1024 и предназначена для семантического поиска, кластеризации и сравнения смысловой близости текстов. Модель содержит около 433,9 млн параметров, использует библиотеку Sentence Transformers и принимает контекст до 512 токенов. Векторы модели подходят для построения поисковых систем и группировки текстов по смыслу. В карточке не описаны языковое покрытие и специализированные предметные области. Репозиторий содержит веса в формате safetensors; сведения о лицензии отсутствуют в предоставленных данных.