II.8Инженерия данных и аналитика

DeepSeek-Coder-V2-Instruct-GGUF — это GGUF-квантизированная версия модели DeepSeek-Coder-V2-Instruct, разработанной DeepSeek-ai и подготовленной для квантизации компанией Second State Inc. Модель предназначена прежде всего для генерации и обработки программного кода, а также для диалогового взаимодействия в формате instruct. В README указана поддержка контекста до 128 000 токенов и запуск через LlamaEdge версии 0.12.3 или новее с шаблоном prompt-типа deepseek-chat-2. Доступны варианты с квантизацией Q2_K, Q3_K и другие GGUF-варианты с различными уровнями точности и размерами файлов. Более компактные варианты требуют меньше ресурсов, но могут заметно уступать по качеству; для Q2_K и Q3_K это прямо отмечено в описании. Модель ориентирована на локальное или встраиваемое использование через совместимые инструменты GGUF и LlamaEdge. Данные о точной архитектуре, числе параметров, поддерживаемых языках программирования и естественных языках, модальностях, результатах тестирования и системных требованиях в представленном README не указаны. Использование регулируется лицензией DeepSeek, обозначенной как deepseek-license; в метаданных указана лицензия other.

DeepSeek-Coder-V2-Lite-Instruct-FP8 — это квантизированная версия модели DeepSeek-Coder-V2-Lite-Instruct, разработанная Neural Magic. Модель принимает текст и генерирует текст; она предназначена для коммерческого и исследовательского использования, прежде всего для англоязычного ассистентского диалога и задач генерации кода. Весовые параметры и активации линейных операторов в трансформерных блоках квантизированы в формат FP8, что примерно вдвое снижает требования к дисковому пространству и памяти GPU по сравнению с 16-битным представлением. Используется симметричная поэлементно-тензорная квантизация, при этом экспертные шлюзы сохраняют исходную точность. Модель оптимизирована для инференса через vLLM версии 0.5.2 и новее; в документации указан максимальный контекст 4096 токенов. Входная и выходная модальности — текст, основной заявленный язык — английский. Модель сохраняет близкую к исходной точность при меньших требованиях к ресурсам: на HumanEval+ указано 79,60 балла против 79,33 у неквантизированной версии, а базовый pass@1 составляет 79,3 против 80,8. Ограничения включают специализацию на английском языке и недопустимость использования на других языках согласно описанию модели; качество также может зависеть от особенностей FP8-квантизации и используемого движка. Модель распространяется по лицензии deepseek-license, условия которой определены в лицензии DeepSeek.

Это дообученная модель Sentence Transformers на базе distilbert/distilbert-base-multilingual-cased, предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. Архитектура включает DistilBERT и усредняющий mean pooling; максимальная длина входа составляет 512 токенов, для сравнения векторов используется косинусное сходство. Модель подходит для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, кластеризации и использования текстовых представлений в классификаторах. В README приведены результаты оценки сходства на переведённых наборах STS для ассамского языка. Многоязычная базовая модель сохраняет регистр; доступные данные подтверждают работу с ассамским, но не позволяют перечислить остальные поддерживаемые языки по отдельности. Модель опубликована под лицензией базовой модели; сведения о лицензии в предоставленных данных отсутствуют.

dolphincoder-starcoder2-15b-GGUF — квантизированная версия модели dolphincoder-starcoder2-15b, разработанной cognitivecomputations и опубликованной в формате GGUF пользователем bartowski. Модель основана на StarCoder2 с размером около 15 млрд параметров и предназначена для генерации текста и программного кода. Модель ориентирована на задачи программирования, включая написание, дополнение и обработку кода, а также работу с инструкциями в сценариях code assistant. Для обучения использовались наборы данных Dolphin, Airoboros, Dolphin Coder, OpenHermes, Magicoder, Code-Feedback и их производные. В карточке указан английский язык; модальности ограничены текстом. Размер контекста и точные архитектурные характеристики не указаны. Преимущество этой версии — возможность локального запуска через llama.cpp с различными уровнями квантизации. Вариант Q6_K отмечен как рекомендуемый благодаря высокому качеству, тогда как менее битные варианты требуют меньше памяти, но дают более заметное снижение качества; Q2_K и Q3_K_S не рекомендуются. К ограничениям относятся зависимость качества и требований к памяти от выбранной квантизации, а также отсутствие данных о производительности и поддерживаемых языках программирования. Лицензия модели — bigcode-openrail-m.

Dracarys-Llama-3.1-70B-Instruct — дообученная Abacus.AI версия Meta-Llama-3.1-70B-Instruct для генерации кода и диалогового общения. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров, рассчитанная на контекст до 131 072 токенов. Она использует формат запросов Llama 3 70B Instruct и распространяется в формате safetensors по лицензии Llama 3. Модель предназначена для генерации кода, предсказания результатов выполнения кода и решения общих задач в чате. В приведённых в карточке оценках Dracarys показывает улучшение относительно базовой модели в отдельных тестах LiveCodeBench, включая генерацию кода и предсказание тестового вывода; результаты LiveBench указывают на близкий общий уровень с улучшениями в некоторых категориях. Тестовые показатели не гарантируют качество на конкретных задачах, а карточка не приводит подробных сведений о данных дообучения или ограничениях безопасности.

htdht/e5_base_finetune_v2 — модель Sentence Transformers, разработанная автором репозитория на базе intfloat/multilingual-e5-base и дообученная на наборах triplet и mnrl. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 768; сходство между ними можно оценивать по косинусной мере. Архитектура включает XLM-RoBERTa, mean pooling и нормализацию. Модель предназначена для семантического поиска и извлечения релевантных текстов, в том числе в retrieval-сценариях. Принимает текст, поддерживает многоязычный ввод и обрабатывает последовательности длиной до 514 токенов по метаданным. В README приведён результат cosine_accuracy 0,8745 на valid_triplet; он характеризует только указанную оценку и не гарантирует качество на других данных. Модель содержит около 305,2 млн параметров и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели OrcaDB/e5-large на Hugging Face совпадает с карточкой onelevelstudio/ML-E5-0.6B-Instruct, поэтому описание составлено по ней. onelevelstudio/ML-E5-0.6B-Instruct — мультиязычная модель эмбеддингов текста на архитектуре XLM-RoBERTa. Она преобразует запросы и документы в векторы для семантического поиска, ранжирования и оценки сходства. Для запросов рекомендуется добавлять краткую инструкцию на естественном языке, описывающую задачу; документам инструкции не нужны. В метаданных указано около 658,7 млн параметров, контекст до 514 токенов и лицензия MIT. Репозиторий содержит веса в форматах Safetensors и ONNX. Карточка связывает модель с Multilingual-E5-large-instruct и сообщает о поддержке 100 языков на основе XLM-RoBERTa; для языков с малым объёмом ресурсов качество может снижаться. Длинные тексты обрезаются примерно до 512 токенов.

E5-small — англоязычная модель текстовых эмбеддингов, разработанная Liang Wang, Nan Yang, Xiaolong Huang, Binxing Jiao, Linjun Yang, Daxin Jiang, Rangan Majumder и Furu Wei. Она обучена методом слабого контролируемого контрастивного предобучения и предназначена для кодирования запросов и текстов в векторы для поиска и сравнения семантической близости. Модель основана на BERT и содержит 12 слоёв; размер эмбеддинга — 384, число параметров — около 40 млн. Она принимает английский текст и выдаёт векторы. Контекст ограничен 512 токенами. Для поиска рекомендуется добавлять к текстам префиксы «query: » и «passage: » в соответствии с типом задачи; без них качество может снижаться. Модель распространяется по лицензии MIT. В README рекомендуется перейти на e5-small-v2, у которой выше качество при том же способе использования. Тексты длиннее 512 токенов обрезаются; результаты могут немного отличаться в зависимости от версий PyTorch и Transformers.

SamagraDataGov/embedding_finetuned — дообученная модель Sentence Transformers от Samagra DataGov на базе BAAI/bge-small-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 384 для семантического поиска и сравнения текстов. Архитектура состоит из BERT-трансформера, CLS-пулинга и нормализации; сходство векторов можно оценивать косинусной мерой. Максимальная длина входа — 512 токенов. Модель подходит для поиска релевантных фрагментов, оценки семантического сходства, поиска перефразировок, кластеризации и классификации текстов. В README приведены результаты оценки поиска на наборе val_evaluator, однако эти показатели относятся к указанной оценке и не гарантируют качество на других данных. Карточка не сообщает лицензию; исходная модель — англоязычная BGE, поэтому пригодность для других языков не подтверждена.

EmbeddingGemma 300M 4bit — модель для создания текстовых эмбеддингов, представленная сообществом mlx-community и конвертированная в формат MLX из модели Google embeddinggemma-300m-qat-q4_0-unquantized. Она предназначена для задач семантического сравнения предложений, поиска, кластеризации, классификации, reranking, retrieval и суммаризации. Модель имеет размер 300 млн параметров и использует 4-битное квантование. Она работает с текстом и возвращает нормализованные векторные представления, для сравнения которых можно применять скалярное произведение. README не указывает поддерживаемые языки и максимальную длину контекста. Для разных задач предусмотрены специализированные текстовые префиксы, включая sentence similarity, search result, clustering, classification и summarization. К сильным сторонам относятся компактный размер, сниженное потребление памяти благодаря 4-битному представлению и интеграция с экосистемой MLX через библиотеку mlx-embeddings. Ограничения включают отсутствие в README подробностей о языковом охвате, контексте, качестве на бенчмарках и совместимости за пределами MLX. Для использования требуется принять лицензию Google Gemma на Hugging Face; точные условия лицензии Gemma следует проверить отдельно.

EmbeddingGemma — открытая модель для получения векторных представлений текста, разработанная Google DeepMind на основе Gemma 3 с инициализацией T5Gemma и использованием технологий, применявшихся при создании Gemini. Версия onnx-community/embeddinggemma-300m-ONNX предназначена для запуска через Transformers.js и ONNX Runtime. Модель подходит для семантического поиска и извлечения информации, ранжирования результатов, классификации, кластеризации и оценки семантического сходства текстов. Она принимает текстовые строки: вопросы, запросы или документы, и поддерживает контекст до 2048 токенов. Модель обучалась на данных более чем для 100 разговорных языков, однако конкретный список языков в карточке не указан. Модель содержит около 300 млн параметров и ориентирована на локальное и периферийное использование, включая мобильные устройства, ноутбуки и настольные компьютеры. Она возвращает эмбеддинги размерностью 768, а благодаря Matryoshka Representation Learning их можно обрезать до 512, 256 или 128 измерений с последующей нормализацией. Для активаций не поддерживаются fp16 и производные форматы; рекомендуется использовать fp32, q8 или q4. Ограничение модели — назначение исключительно для создания текстовых эмбеддингов, без генерации текста; сведения о детальных бенчмарках и фактической производительности отсутствуют. Лицензия — Gemma, условия использования опубликованы Google.

F2LLM-0.6B — модель эмбеддингов от CodeFuse AI, представленная в техническом отчёте F2LLM. Это дообученная на базе Qwen3-0.6B плотная архитектура Qwen3 с 507,9 млн параметров; она кодирует текст в векторные представления для поиска и сопоставления. Обучение проводилось на 6 млн открытых пар «запрос — документ» из задач поиска, классификации и кластеризации, без синтетических данных и многоэтапного конвейера. Модель предназначена для векторного поиска, сравнения предложений, классификации и кластеризации текста. Контекст составляет до 40 960 токенов. Использовать модель можно через Sentence Transformers или Transformers; веса доступны в формате safetensors. Лицензия — Apache-2.0.

FlashModel-Qwen3.5-9B-GGUF — набор GGUF-квантизаций модели FlashModel-Qwen3.5-9B, подготовленный flashback2k на базе Qwen/Qwen3.5-9B. Исходная модель дообучена методом LoRA с RSLoRA на проекциях внимания и MLP, затем объединена с базовой моделью. Дообучение выполнено на 9 638 примерах и примерно 45 млн токенов, включая математические задачи, соревновательное программирование, агентные сценарии, следование инструкциям и научные данные. Модель ориентирована на рассуждения, генерацию и анализ кода, диалоги и вызовы инструментов. В карточке указан английский язык; поддержка других языков не заявлена. Модель имеет около 9 млрд параметров и распространяется в нескольких вариантах GGUF с разным уровнем квантизации и размером файлов примерно от 4,42 до 6,74 ГБ. Для квантизации использована собственная importance matrix, рассчитанная на этой дообученной модели. Варианты предназначены для локального запуска через llama.cpp, Ollama и LM Studio; заявлена совместимость с инструментальными вызовами и контекстом до 32 768 токенов при использовании рекомендованной конфигурации. Модель текстовая: vision tower отсутствует, поэтому мультимодальный ввод изображений не поддерживается. Сильными сторонами являются специализация на reasoning, coding и tool-calling, выбор вариантов под разные объёмы VRAM или RAM, а также оптимизация GGUF для локального запуска. Ограничения включают неизбежную потерю качества при низкой квантизации, необходимость оставлять память под KV-кэш, отсутствие заявленной поддержки изображений и ограниченность опубликованных сведений об оценках качества. Рекомендуемые параметры генерации взяты из карточки базовой модели и не перенастраивались специально для этого fine-tune; влияние тегов reasoning budget отмечено как экспериментальное. Модель распространяется по лицензии Apache-2.0.

FlexOlmo-7x7B-1T-RT — языковая модель семейства FlexOlmo, разработанная Allen Institute for AI (Ai2). Это чат-модель для генерации текста на основе архитектуры Mixture-of-Experts (MoE); версия RT представлена в README как модель без обучения маршрутизатора экспертов. README описывает набор экспертов, обученных на публичных данных, новостях, математике, коде, академических текстах, творческих текстах и Reddit. Для этой версии в метаданных указано 6,9 млрд параметров, контекст — 4096 токенов. Модель предназначена для диалога и генерации текста в сценариях, связанных с общими вопросами, математикой, кодом, новостями, академическими и творческими текстами. README описывает подход FlexOlmo к совместной разработке моделей: владельцы данных могут контролировать активность своих данных и получать атрибуцию без передачи исходных данных. В README приведена оценка отдельных плотных моделей, а не этой MoE-версии, поэтому эти результаты нельзя считать прямой оценкой FlexOlmo-7x7B-1T-RT. Модель распространяется по лицензии Apache-2.0.

FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-notfalcon-notrescaled_90000 — модель на базе RoBERTa, разработанная DragosGorduza. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска по смыслу, кластеризации и сравнения семантической близости. Обучение использовало MarginDistillationLoss из gpl.toolkit; модель распространяется в формате safetensors и рассчитана на работу с библиотекой Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 151,8 млн параметров и принимает текстовые последовательности длиной до 514 токенов. Карточка не сообщает конкретные поддерживаемые языки, поэтому языковую специализацию определить нельзя. Лицензия в предоставленных данных не указана.

FuseChat-Llama-3.1-8B-Instruct — разговорная языковая модель FuseAI, созданная методом неявного объединения знаний нескольких крупных языковых моделей. В основе лежит плотная архитектура Llama с 7,5 млрд параметров; модель обучена на основе Llama-3.1-8B-Instruct с этапами дообучения с учителем и оптимизации предпочтений (DPO). Для репозитория указаны библиотека Transformers и формат Safetensors, а заявленный контекст составляет 131 072 токена. Модель предназначена для диалога и следования инструкциям, а также для общих задач, математики, программирования и работы с китайским языком. В описании FuseChat-3.0 сообщается об улучшениях на тестах разговорных навыков и следования инструкциям по сравнению с целевой базовой моделью. Модель принимает текст и генерирует текст. Модель распространяется по лицензии Apache-2.0. Результаты, указанные в карточке для серии FuseChat-3.0, не гарантируют аналогичного качества на всех задачах и языках; подробные сведения о качестве именно этого чекпойнта в предоставленном фрагменте карточки отсутствуют.

GDN-primed-HQwen3-32B-Instruct — гибридная языковая модель, разработанная командой Hybrid Model Factory на основе Qwen3-32B с помощью конвейера Priming. Это инструкционно настроенная причинная языковая модель с 64 слоями: 32 слоя Attention и 32 слоя Gated DeltaNet (GDN), разновидности модели пространства состояний. Веса представлены в формате safetensors, заявленный размер — 29,7 млрд параметров, контекст — до 131 072 токенов. Модель принимает текст и генерирует текст; карточка указывает поддержку диалога и выполнения инструкций. Модель предназначена для диалога, ответов на вопросы, следования инструкциям, задач по математике, знаниям, программированию и рассуждению, в том числе при работе с длинным контекстом. По данным разработчика, гибридная архитектура сокращает нагрузку на KV-кэш и может ускорять генерацию на длинных контекстах, сохраняя близкое к базовой модели качество; в опубликованных оценках отставание от Transformer-базовой модели составляет около 2,5–3 пунктов на длинных контекстных задачах и около 1–1,5 пункта в среднем на коротких задачах. Эти результаты зависят от сценария и условий запуска. Модель не является reasoning-чекпойнтом и не поддерживает вызов инструментов. Доступна по лицензии Apache 2.0.

Gemini 3 Flash Preview — предварительная версия быстрой мультимодальной модели Google для диалога, агентных сценариев и помощи с программированием. Карточка описывает её как thinking-модель с рассуждениями, близкими к уровню Pro, и поддержкой работы с инструментами. Модель предназначена для многошагового чата, агентных рабочих процессов и задач по программированию. Метаданные каталога относят её к задаче image-text-to-text. Данных о размере, длине контекста, поддерживаемых языках и лицензии в предоставленных материалах нет.

Это дообученная модель Gemma 4 12B от автора llmfan46, созданная на основе yuxinlu1/gemma-4-12B-agentic-fable5-composer2.5-v2-3.5x-tau2-GGUF. Она предназначена для диалоговой генерации текста, программирования и многошагового использования инструментов, включая сценарии работы с терминалом. Модель поддерживает режим рассуждений и использует встроенный протокол вызова инструментов Gemma 4; для запуска в Transformers требуется версия библиотеки с поддержкой архитектуры gemma4_unified. В README описано дообучение на траекториях агентных задач, проверенных задачах Python и данных для общих инструкций. Также автор сообщает о применении abliteration для снижения частоты отказов: в приведённом тесте она отказала в 13 случаях из 100 против 99 у исходной модели. Это не гарантирует качества или безопасности ответов; результаты MMLU близки к результатам исходной модели. Репозиторий использует формат safetensors и лицензию Apache-2.0.

GLiClass Large V3.0 — модель Knowledgator для классификации текста с нулевым примером. Она использует архитектуру GLiClass и выполняет классификацию за один проход, что, по данным карточки, делает её вычислительно эффективнее кросс-энкодеров при сопоставимом качестве. Модель предназначена для тематической классификации, анализа тональности и ранжирования текстов в RAG-системах. Модель дообучена на логических задачах с помощью LoRA-адаптеров, чтобы расширить способность к рассуждению и сохранить прежние знания. В карточке приведены результаты тестирования без дообучения на целевых наборах данных и показатели скорости на GPU A6000; размер и число параметров этой конкретной версии не указаны. Репозиторий содержит веса в формате safetensors. Модель выпущена под лицензией Apache-2.0.

GLiClass Modern Large v3.0 — модель Knowledgator для классификации последовательностей текста с нулевым обучением на пользовательских метках. Она использует архитектуру GLiClass и выполняет классификацию за один проход, что, по данным авторов, делает её вычислительно эффективной по сравнению с cross-encoder. Модель предназначена для тематической классификации, анализа тональности и ранжирования текстов в RAG-сценариях. Модель содержит около 399 млн параметров, занимает примерно 1,6 ГБ и распространяется в формате Safetensors. Для версии v3.0 использовали LoRA-адаптеры с рангом 768 и дообучение на логических задачах; в README также приведены результаты тестирования в zero-shot режиме на наборах классификации. Лицензия — Apache-2.0. В README не указаны поддерживаемые естественные языки и максимальная длина контекста. Качество зависит от формулировки меток и предметной области; приведённые результаты относятся к отдельным бенчмаркам и не гарантируют такую же точность на других данных.

GLM-4.5-Air-REAP-82B-A12B — сжатая версия GLM-4.5-Air от Cerebras, созданная методом REAP (Router-weighted Expert Activation Pruning). Это причинная языковая модель со смешанной экспертной архитектурой MoE: из 128 экспертов удалена четверть, осталось 96, из которых активируются 8 на каждый токен. В модели 82 млрд параметров, при этом на токен активируется около 12 млрд; контекст составляет 131 072 токена. Модель предназначена для генерации текста и кода, работы с агентными сценариями, вызова функций и понимания крупных репозиториев. По данным карточки, она сохраняет производительность, близкую к исходной GLM-4.5-Air, и требует примерно на 25% меньше памяти; дополнительное дообучение после прореживания не проводилось. Для развёртывания README указывает актуальную версию vLLM и поддержку вызова инструментов. Модель распространяется по лицензии MIT. Карточка заявляет близкие к исходной модели результаты, однако приводит подробности оценок отдельно; качество на конкретных задачах и требования к памяти зависят от конфигурации развёртывания.

GLM-4.6-REAP-252B-A32B — сжатая версия диалоговой языковой модели GLM-4.6, созданная командой Cerebras методом REAP (Router-weighted Expert Activation Pruning). Это причинная разреженная MoE-модель: из 160 экспертов удалены 30%, осталось 112; на токен активируются 8 экспертов. README указывает 252 млрд параметров всего и 32 млрд активных на токен, тогда как метаданные Hugging Face указывают 23,4 млрд параметров. Контекст — до 202 752 токенов. Модель предназначена для генерации текста и кода, агентных рабочих процессов, понимания больших репозиториев и вызова функций. Карточка заявляет производительность, близкую к исходной GLM-4.6, и снижение требований к памяти примерно на 30%; после однократного прореживания дополнительное дообучение не требуется. Указаны поддержка запуска через vLLM и английский язык. README предупреждает, что для BF16-версии оценки не приведены; результаты доступны для FP8-варианта. Лицензия — MIT.

GLM-5.3-Flash — мультимодальная модель семейства GLM, разработанная Z.ai. Репозиторий unsloth содержит дообученную версию базовой модели zai-org/GLM-5.3-Flash-BF16 и распространяет веса в формате safetensors; заявлена лицензия MIT. Модель предназначена для диалогов и генерации текста, включая программирование и агентные сценарии. Архитектура GLM-5 Next сочетает разреженное и линейное внимание; в README указаны 320 млрд параметров всего и 18 млрд активных параметров. Разработчик также описывает мультимодальное предварительное обучение и улучшенную эффективность при работе с длинным контекстом, но точная длина контекста этой копии не приведена. Карточка базовой модели характеризует её как мультимодальную и поддерживающую анализ изображений, однако метаданные этого репозитория указывают в качестве задачи только text-generation. Поэтому назначение копии как модели для обработки изображений отдельно не подтверждено. Языковые теги карточки — английский и китайский. Практическое развёртывание требует соответствующей инфраструктуры для модели такого масштаба; в README перечислены SGLang, vLLM, TokenSpeed и KTransformers.

GLM-Z1-9B-0414 — компактная языковая модель семейства GLM-4 от Z.ai с 8,8 млрд параметров. Она предназначена для диалогов и генерации текста, включая математические рассуждения, решение задач на логику и код, а также общие запросы. Модель поддерживает интерфейс вызова инструментов и рассчитана на локальное развёртывание в условиях ограниченных ресурсов. Модель обучена на базе серии GLM-Z1 с дополнительной подготовкой для рассуждений; README отмечает применение холодного старта и расширенного обучения с подкреплением на задачах математики, кода и логики. Контекст составляет 32 768 токенов. Указаны китайский и английский языки. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Для длинных входов свыше 8 192 токенов README рекомендует при необходимости включать YaRN; статическое масштабирование может немного ухудшить результаты на коротких текстах. Модель выпущена под лицензией MIT.

Модель rithwik-db/gpl_tsdae-e5-base-unsupervised-test-1-d165d6 — модель Sentence-Transformers на базе BERT, разработанная пользователем rithwik-db. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Обучение проводилось с MarginMSELoss; модель можно использовать через Sentence-Transformers или Transformers с подходящим pooling для контекстных представлений токенов. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторы. Максимальная длина контекста — 512 токенов. В карточке не заявлена поддержка конкретных языков, поэтому применимость к отдельным языкам не уточняется. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют в предоставленных данных.

Watwat100/gpu2 — модель на базе MPNet, представленная в формате PyTorch и оформленная как модель Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 136,7 млн параметров и рассчитана на контекст до 514 токенов. В карточке указано, что модель обучалась с функцией потерь CosineSimilarityLoss. Её можно применять для поиска похожих фраз, группировки текстов и построения векторного поиска. Данные о специализации по языкам и лицензии в предоставленных сведениях отсутствуют.

GRM-3.2-Sky — модель OrionLLM для длительных агентных задач и сложных рассуждений. Она предназначена для многошагового планирования, сложного программирования, математики и логических задач, включая продолжительные сессии работы с кодом и инструментами. Модель основана на дообученной Ornith-1.0-35B: это MoE-архитектура на 35 млрд параметров с примерно 3 млрд активных параметров. Метаданные указывают поддержку чата и изображений; задача модели в каталоге — image-text-to-text. Модель распространяется в формате safetensors по лицензии Apache 2.0. В README заявлены устойчивое следование цели в длинных рабочих процессах, планирование и решение сложных задач с кодом, математикой и логикой. Эти характеристики приведены разработчиком; в доступной карточке сравнительная таблица бенчмарков опущена. Длина контекста и поддерживаемые естественные языки не указаны в предоставленных данных.

sentence-transformers/gtr-t5-base — модель для получения эмбеддингов предложений и абзацев, предназначенная для семантического поиска. Она преобразует текст в плотные векторы размерности 768; архитектура основана на энкодере T5-base и содержит 123,8 млн параметров. Модель создана авторами GTR, а эта версия преобразована из TensorFlow-модели gtr-base-1 в PyTorch и сохранена в FP16. Модель подходит для построения векторного поиска по документам, извлечения релевантных фрагментов по запросу и сравнения текстов по смыслу. Для обработки текста указан контекст до 512 токенов. Карточка рекомендует использовать модель через библиотеку Sentence Transformers и ссылается на публикацию Large Dual Encoders Are Generalizable Retrievers. В README отмечено, что эмбеддинги этой версии могут немного отличаться от TensorFlow-варианта, хотя результаты на тех же тестах совпадают. Лицензия Apache-2.0 разрешает использование и распространение модели на её условиях.

Это модель Sentence Transformer, дообученная на базе nlpai-lab/KURE-v1 с помощью MultipleNegativesRankingLoss. Она преобразует предложения и абзацы в плотные векторы размерности 1024, нормализует их и рассчитана на сравнение косинусным сходством. Модель построена на XLM-RoBERTa; максимальная длина последовательности в README — 256 токенов, а метаданные указывают нативное контекстное окно 8194 токена. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. Карточка сообщает о 57 обучающих примерах, поэтому качество на новых данных может быть ограничено и требует проверки на целевом наборе. Лицензия в предоставленных данных не указана.