II.8Инженерия данных и аналитика

jesspi/IFE-sentence-model2 — модель на архитектуре MPNet, опубликованная как модель Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения сходства. Модель содержит 136,7 млн параметров, принимает текст и выдаёт векторные представления; максимальный контекст составляет 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss. Доступны веса PyTorch и использование через Sentence Transformers либо Transformers с соответствующей операцией pooling. Карточка не приводит сведения о лицензии и целевых языках, поэтому нельзя определить условия распространения или выделить основной язык.

leeloolee/intention — многоязычная модель векторных представлений текста из семейства GTE, описанная в карточке как gte-multilingual-base. Она предназначена для поиска по смыслу, многоязычного и межъязыкового поиска, а также других задач представления текста. Модель имеет архитектуру Transformer encoder-only, около 305 млн параметров и поддерживает контекст до 8192 токенов. Она формирует плотные эмбеддинги размерности 768 и может выдавать разреженные векторы; заявлена поддержка более 70 языков. Карточка сообщает о высоких результатах на задачах многоязычного поиска и оценках текстовых представлений, а также о более низких требованиях к инференсу по сравнению с более крупными моделями семейства GTE. Указанные результаты относятся к оценкам разработчиков; они не гарантируют качество на каждом конкретном наборе данных. Лицензия — Apache-2.0.

Карточка модели IQuestLab/IQuest-Coder-V1-7B-Base на Hugging Face совпадает с карточкой IQuestLab/IQuest-Coder-V1-7B-Instruct, поэтому описание составлено по ней. IQuest-Coder-V1-7B-Instruct — модель генерации кода из семейства IQuest-Coder-V1, разработанного IQuestLab для помощи в программировании и анализа кода. Версия Instruct предназначена для выполнения инструкций и повседневных задач кодирования; модель также рассчитана на работу с инструментами и CLI-агентами. Модель имеет плотную авторегрессионную архитектуру IQuestCoderForCausalLM и содержит 7,2 млрд параметров. Вариант 7B использует 14 слоёв и Grouped Query Attention; заявленная длина контекста — 128 тыс. токенов. Модель принимает текст и генерирует текст, включая код; карточка описывает поддержку интерфейса вызова инструментов, а также предварительную генерацию HTML и SVG. В README сообщается о специализированном обучении на эволюции репозиториев и о результатах на бенчмарках кодирования, но также отмечаются ограничения следования инструкциям, управления длинным контекстом и многошаговыми вызовами инструментов. Сгенерированный код модель не исполняет, а точность может снижаться на специализированных и проприетарных фреймворках. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

Карточка модели IQuestLab/IQuest-Coder-V1-7B-Base-Stage1 на Hugging Face совпадает с карточкой IQuestLab/IQuest-Coder-V1-7B-Instruct, поэтому описание составлено по ней. IQuest-Coder-V1-7B-Instruct — модель генерации кода из семейства IQuest-Coder-V1, разработанного IQuestLab для помощи в программировании и анализа кода. Версия Instruct предназначена для выполнения инструкций и повседневных задач кодирования; модель также рассчитана на работу с инструментами и CLI-агентами. Модель имеет плотную авторегрессионную архитектуру IQuestCoderForCausalLM и содержит 7,2 млрд параметров. Вариант 7B использует 14 слоёв и Grouped Query Attention; заявленная длина контекста — 128 тыс. токенов. Модель принимает текст и генерирует текст, включая код; карточка описывает поддержку интерфейса вызова инструментов, а также предварительную генерацию HTML и SVG. В README сообщается о специализированном обучении на эволюции репозиториев и о результатах на бенчмарках кодирования, но также отмечаются ограничения следования инструкциям, управления длинным контекстом и многошаговыми вызовами инструментов. Сгенерированный код модель не исполняет, а точность может снижаться на специализированных и проприетарных фреймворках. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели.

IQuest-Q1 — языковая модель от IQuest для агентного программирования, рассуждений и многошагового использования инструментов. В репозитории Hugging Face указана версия на 3,7 млрд параметров с архитектурой MoE семейства IQuest-Q1; README описывает вариант примерно на 320 млрд параметров, из которых около 15 млрд активируются на каждом токене. Это расхождение означает, что параметры конкретного загруженного чекпойнта не вполне согласуются с описанием карточки. Модель предназначена для генерации текста в диалоговом режиме и может использоваться в агентных сценариях, включая работу с кодом и инструментами через совместимые интерфейсы. Заявлено контекстное окно до 524 288 токенов; поддерживаются английский и китайский языки. По README модель не обладает мультимодальными возможностями. Весовой формат репозитория — safetensors, библиотека — Transformers. Лицензия указана как other, поэтому условия использования следует проверить в самой карточке модели.

JetMoE-8B-Chat — разговорная языковая модель семейства JetMoE, созданная авторами проекта JetMoE. Это дообученная версия JetMoE-8B для диалоговой генерации текста. Архитектура включает 24 блока с разреженными слоями Mixture of Attention heads и Mixture of Experts: в каждом слое из восьми экспертов для токена активируются два. Всего модель содержит 8 млрд параметров, из которых при инференсе активны 2,2 млрд; базовая JetMoE-8B обучалась на 1,25 трлн токенов из открытых наборов данных. Модель предназначена для диалогов, ответов на вопросы, написания кода и решения математических задач. README сообщает о сравнительных результатах на языковых и кодовых бенчмарках, однако приведённые таблицы неполны, поэтому эти заявления нельзя независимо оценить по карточке. Контекст составляет 4096 токенов. Модель принимает и генерирует текст; в метаданных заявлена возможность чата, но конкретный список поддерживаемых естественных языков не приведён. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка описывает её как открытую и допускающую дообучение при ограниченных вычислительных ресурсах; практическое качество зависит от запроса и сценария применения.

Kimi K2.7 Code — ориентированная на программирование агентная модель компании Moonshot AI, основанная на Kimi K2.6. Она предназначена для выполнения длительных задач разработки ПО и многоэтапных инженерных процессов: от создания и изменения кода до работы с проектами и инструментами. Архитектура — Mixture-of-Experts с общим числом параметров около 1 трлн и 32 млрд активируемых параметров; модель представлена в safetensors и использует нативную квантизацию INT4. Для тестирования заявлен контекст длиной 262 144 токена. Модель поддерживает диалог, вызов инструментов и визуальный ввод изображений и видео; основная специализация — агентное программирование и решение сложных задач разработки. Разработчик сообщает о повышении эффективности на длительных задачах и примерно на 30% меньшем расходе токенов на рассуждения по сравнению с Kimi K2.6. В карточке указана лицензия other; конкретные условия следует сверить с лицензией репозитория и условиями API.

Kiwen1.1-27B-align — дообученная beyoru модель на базе Qwen3.8-27B, предназначенная для диалогов с изображениями, генерации кода и следования системным инструкциям. Это плотная мультимодальная архитектура Qwen; модель поддерживает работу с изображениями и интерфейс вызова инструментов. В README приведён запуск с контекстом 262144 токена и использование режимов рассуждения и без рассуждения. Автор сообщает об улучшении HumanEval+ на 6,7 процентного пункта относительно базовой модели и небольшом улучшении GSM8K и строгой точности IFEval на уровне инструкций. Модель также обучали для устойчивого распознавания собственной идентичности и сохранения заданной системным сообщением роли. Проверки идентичности проводились на внутреннем наборе промптов на вьетнамском и английском языках. Среди ограничений — снижение результата MMLU-Pro на 1,4 пункта относительно базы и MBPP на 1,9 пункта; README рекомендует оценивать модель перед использованием в задачах, требующих широких фактических знаний. Лицензия — Apache-2.0.

Marin 8B Instruct — англоязычная инструктивная модель команды Marin при Stanford CRFM, созданная как открытая модель с учителем (SFT). Это плотный авторегрессионный Transformer архитектуры Llama с 7,5 млрд параметров и контекстом 4096 токенов; карточка указывает поддержку английского языка и возможность диалогового использования. Модель предназначена для ответов на инструкции и диалога, а обучающие данные включают примеры по программированию, математике, рассуждениям и общим беседам. Она распространяется в формате safetensors и рассчитана на запуск через Transformers и совместимые библиотеки для Llama. Лицензия модели и кода — Apache 2.0. Это SFT-only модель без настройки безопасности. Она может выдавать неточную информацию или вредоносный и предвзятый контент; ответы следует проверять, а модель не предназначена для полностью автономного применения.

mContriever — многоязычный плотный поисковый энкодер, разработанный исследователями Meta AI. Он предназначен для семантического и межъязыкового поиска: кодирует запросы и документы в векторы, которые можно сопоставлять по сходству. Модель основана на BERT, содержит около 205 млн параметров и принимает текст длиной до 512 токенов. Модель предварительно обучена контрастивным обучением без размеченных пар на корпусе CCNet на 29 языках. Она подходит для извлечения релевантных документов и фрагментов, в том числе когда запрос и найденный материал написаны на разных языках. Это энкодер для поиска, а не генеративная модель ответов; карточка Hugging Face не содержит описания лицензии, поэтому условия использования следует проверять в репозитории разработчика.

me5s-student-me5s_compressed_v3_distilled — компактный многоязычный энкодер предложений, созданный сжатием и дистилляцией модели intfloat/multilingual-e5-small. Модель построена на архитектуре BERT с 4 слоями, размерностью скрытого состояния 384 и словарём из 15 424 токенов; её объём сокращён примерно в 9 раз. Максимальная длина входа — 512 токенов. Модель предназначена для получения векторных представлений предложений и сравнения их семантической близости. Она подходит для поиска похожих текстов, группировки предложений и классификации на основе эмбеддингов. По результатам MTEB, средняя оценка составляет 54,46%, а для задач семантического сходства — 70,1%; эти показатели относятся к указанным в карточке наборам и не гарантируют качество на других данных. Поддерживаются 16 языков: корейский, английский, японский, китайский, испанский, французский, немецкий, португальский, итальянский, русский, арабский, хинди, тайский, вьетнамский, индонезийский и польский. Для использования указана библиотека Sentence Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0.

Mellum2 Thinking — модель-помощник с усиленными способностями к рассуждению, разработанная JetBrains. Она создана на базе Mellum2-12B-A2.5B-Base: после дообучения на инструкциях модель прошла обучение с подкреплением по проверяемым вознаграждениям на сложных данных, включая задачи по математике с развёрнутыми решениями. Модель предназначена для сложной отладки, многошагового планирования, агентных сценариев, математики и других задач, требующих последовательного рассуждения. Это текстовая MoE-модель семейства Mellum: в архитектуре 64 эксперта, из которых для каждого токена активируются 8. Она использует сочетание слоёв со скользящим окном и полным вниманием и поддерживает контекст до 131 072 токенов. Модель выводит ход рассуждений в специальных блоках перед итоговым ответом. В репозитории указаны 1,9 млрд параметров, формат safetensors и библиотека Transformers. Лицензия — Apache 2.0. Карточка советует использовать вариант Instruct, если нужны прямые ответы с меньшей задержкой. Модель ориентирована на английский язык; других языков карточка не заявляет.

keeeeenw/MicroLlama-text-embedding — англоязычная модель Sentence Transformers, дообученная разработчиком на базе keeeeenw/MicroLlama. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для сравнения смысловой близости и поиска по тексту. Модель использует архитектуру LlamaModel с усреднённым пулингом токенов, принимает текстовые последовательности длиной до 2048 токенов и рассчитывает сходство по косинусной мере. Модель обучалась на наборах all-nli, STSB, Quora и Natural Questions. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Она рассчитана на английский язык; качество для других языков не заявлено. Лицензия в предоставленных данных не указана.

Карточка модели ahmed-amedo/MiMo-V2.6-Pro-RL на Hugging Face совпадает с карточкой shaikat2007/MiMo-V2.6-Pro, поэтому описание составлено по ней. MiMo-V2.6-Pro-RL — флагманская модель серии MiMo-V2.6, разработанная Xiaomi и обученная с масштабированием обучения с подкреплением для агентных сценариев и самоулучшения. Она предназначена для генерации текста, программирования, работы с инструментами и задач, где агент взаимодействует со средой и оценивает результаты своих действий. Модель построена на разреженной архитектуре Mixture of Experts. В README указаны 1,02 трлн общих и 42 млрд активируемых параметров; метаданные репозитория указывают 27,7 млрд параметров и класс MiMoV2ForCausalLM. Контекст составляет до 1 млн токенов. Модель поддерживает текст, изображения, видео и аудио, а также интерфейс вызова инструментов. В карточке заявлены английский и китайский языки. Модель подходит для длительных агентных запусков, анализа визуальных и аудиовизуальных материалов, программирования и работы с длинными документами или репозиториями. README приводит результаты бенчмарков, но они не гарантируют качество на конкретных задачах; развёртывание рассчитано на специализированные средства инференса и мощное оборудование. Лицензия репозитория — MIT.

MiniCPM5-2B-Claude-Fable5-1-Thinking-Agentic-GGUF — это набор GGUF-квантизаций 2-миллиардной текстовой модели MiniCPM5-2B, дообученной на данных Claude с акцентом на агентное использование инструментов, программирование и следование инструкциям. Модель разработана GnLOLot на базе openbmb/MiniCPM5-2B и предназначена для локального запуска через llama.cpp, Ollama, LM Studio, jan, KoboldCpp и другие совместимые среды. Поддерживаются английский и китайский языки, а встроенный шаблон чата MiniCPM5 упрощает интеграцию. Модель ориентирована на генерацию текста, написание и отладку кода, выполнение многошаговых программных задач, function calling и tool use в агентных сценариях, а также диалоговое следование инструкциям. Она работает только в Thinking-режиме, поэтому может выводить блоки рассуждений перед итоговым ответом. Заявленная длина контекста достигает 128K токенов, однако фактический объём зависит от используемого рантайма и доступной памяти. Доступны варианты F16 размером около 4,7 ГБ, Q8_0 около 2,5 ГБ и Q4_K_M около 1,5 ГБ; Q8_0 рекомендуется как вариант по умолчанию, а Q4_K_M — для устройств с ограниченными ресурсами. К сильным сторонам относятся компактность, возможность локального развертывания, поддержка агентного tool calling, программирования и длинного контекста. В ClawBench дообученная модель показала 44,56 балла в QwenClawBench и 24,32 в WildClawBench, превысив базовую MiniCPM5-2B. Ограничения связаны с небольшим размером 2B по сравнению с передовыми моделями, возможным выводом рассуждений и зависимостью производительности от аппаратного обеспечения и настроек рантайма. Модель распространяется по лицензии Apache-2.0.

MiniCPM-Embedding-Light — двуязычная модель текстовых эмбеддингов для поиска, разработанная ModelBest совместно с лабораторией обработки естественного языка Университета Цинхуа (THUNLP) и группой информационного поиска Северо-Восточного университета (NEUIR). Она предназначена для семантического поиска на китайском и английском языках, а также для поиска между ними, включая сценарии RAG и длинные документы. Модель построена на архитектуре MiniCPM с двунаправленным вниманием и взвешенным усреднением токенов. В README указаны размер 440 млн параметров, размерность эмбеддинга 1024, поддержка плотных и разреженных токеновых векторов и изменяемой размерности представления Matryoshka. README заявляет поддержку до 8192 токенов, тогда как метаданные каталога указывают контекст 4096 токенов. Она обучалась в несколько этапов примерно на 260 млн примеров, включая открытые, синтетические и закрытые данные; запросы можно подавать с инструкцией или без неё. Модель подходит для поиска релевантных документов и межъязычного поиска на китайском и английском языках. Метаданные также указывают возможности чата, но README описывает её как модель эмбеддингов, а не генеративную модель, поэтому основное назначение — извлечение признаков и векторов для поиска. Лицензия в предоставленных данных не указана.

MiniMax-M2.5-PRISM-LITE — разговорная модель Ex0bit на базе MiniMaxAI/MiniMax-M2.5, дообученная с помощью конвейера PRISM-LITE. Она предназначена для генерации текста в диалогах, программирования, решения сложных многошаговых задач и работы с агентными сценариями. В карточке заявлены архитектура MoE и подавление чрезмерных отказов при сохранении основных возможностей исходной модели; GGUF-файлы представлены в вариантах IQ1_M и IQ2_M. Указаны английский и китайский языки. Лицензия обозначена как other; README описывает базовую лицензию как модифицированную MIT.

MMLW-e5-base — польский текстовый энкодер, разработанный для получения векторных представлений текста. Модель основана на multilingual E5, инициализирована его чекпойнтом и обучена методом дистилляции на разнообразном корпусе из 60 миллионов пар текстов на польском и английском языках; учителями служили английские модели FlagEmbeddings (BGE). Архитектура — XLM-RoBERTa, размер — 305,2 млн параметров, выходные эмбеддинги имеют 768 измерений, максимальный контекст — 514 токенов. Модель подходит для семантического поиска и сравнения текстов, кластеризации и информационного поиска, а также может служить основой для дальнейшего дообучения. При кодировании запросов требуется префикс «query: », а для текстов-кандидатов — «passage: ». В README приведены результаты 59,71 среднего балла на польском бенчмарке MTEB и NDCG@10 53,56 на PIRB. Модель распространяется по лицензии Apache-2.0. Она ориентирована на польский язык, хотя обучалась на польско-английских парах; для корректного использования важно соблюдать требуемые префиксы.

mmlw-roberta-base-klej-dyk-v0.1 — англоязычная модель Sentence Transformers, дообученная на базе sdadas/mmlw-roberta-base. Она использует энкодер RoBERTa с пуллингом CLS-токена и преобразует предложения и абзацы в плотные эмбеддинги размерностью 768; сходство между ними можно оценивать косинусной метрикой. Модель содержит 151,6 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В README приведены результаты оценки информационного поиска при разных размерностях векторов, включая сокращённые размерности от 64 до 512. Поддерживается английский язык. Распространяется по лицензии Apache-2.0.

Карточка модели maustin10/my-awesome-setfit-model4 на Hugging Face совпадает с карточкой lewtun/my-awesome-setfit-model, поэтому описание составлено по ней. lewtun/my-awesome-setfit-model — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768, предназначенные для сравнения смысловой близости текстов. Модель подходит для семантического поиска и кластеризации текстов, а также для получения эмбеддингов, используемых в других системах. В README указано обучение с функцией потерь CosineSimilarityLoss. Для применения описана работа через Sentence-Transformers или Transformers с подходящей операцией pooling. Максимальная длина контекста — 514 токенов. Модель принимает текст и выдаёт векторы. В карточке нет сведений о лицензии или целевых языках, поэтому определить условия использования и языковую специализацию по доступным данным нельзя.

tubyneto/my_new_model — модель Sentence-Transformers на базе MPNet, которая преобразует предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска и кластеризации текстов, а также для сравнения смысловой близости предложений. Модель содержит 136,7 млн параметров, работает с текстом и имеет контекстное окно 514 токенов. В карточке указано обучение с функцией потерь SoftmaxLoss; веса представлены в формате PyTorch. Данных о разработчике, языковой специализации и лицензии в предоставленных источниках нет.

Nemotron-3-Embed-1B-NVFP4 — мультиязычная модель для создания текстовых эмбеддингов, разработанная NVIDIA. Это квантованная версия Nemotron-3-Embed-1B-BF16, предназначенная прежде всего для задач поиска ответов на вопросы по большим текстовым корпусам, семантического поиска, retrieval и построения RAG-приложений. Модель готова к коммерческому использованию. Модель основана на пруненом энкодере архитектуры Ministral-3-3B-Instruct-2512 и содержит 1,14 млрд параметров при размере скрытого состояния 2048. Она обрабатывает только текст, использует двунаправленное внимание и формирует плотный 2048-мерный вектор посредством среднего pooling по токенам. Максимальная длина входа составляет 32768 токенов; более длинные тексты необходимо разбивать на фрагменты или обрезать. Поддерживается динамическое уменьшение размерности эмбеддинга с последующей L2-нормализацией. Модель поддерживает 34 языка, включая английский, русский, китайский, арабский, французский, немецкий, испанский, японский, корейский, хинди, португальский, украинский и другие. Квантование весов и активаций линейных слоёв в формат NVFP4 выполнено с использованием NVIDIA Model Optimizer, а дистилляция с учётом квантования применялась для восстановления качества на длинных входах. Основное ограничение — checkpoint предназначен для запуска через vLLM и оптимизирован для NVIDIA GPU; для Transformers или Sentence Transformers рекомендуется версия BF16. Качество поиска при замене BF16-версии на NVFP4 следует проверять на собственных данных. Модель распространяется по лицензии OpenMDW License Agreement версии 1.1; дополнительно указана Apache License 2.0. При использовании необходимо учитывать условия стороннего программного обеспечения, устанавливаемого вместе с проектом.

annazdr/new-nace-pl-up-3 — модель на базе BERT, опубликованная в формате sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 384 для вычисления семантического сходства, кластеризации и семантического поиска. Модель содержит 124,3 млн параметров, принимает текстовые входы, а максимальная длина контекста составляет 512 токенов. При обучении использовалась функция BatchAllTripletLoss. Модель подходит для построения эмбеддингов и сравнения текстов; сведений о поддерживаемых языках, лицензии и оценках качества в предоставленных данных нет.

Карточка модели dansporici/NoInstruct-small-Embedding-v0-query-mean на Hugging Face совпадает с карточкой avsolatorio/NoInstruct-small-Embedding-v0, поэтому описание составлено по ней. NoInstruct-small-Embedding-v0 — компактная модель эмбеддингов avsolatorio на архитектуре BERT, предназначенная для поиска и сопоставления предложений. По заявлению автора, она улучшает качество retrieval по сравнению с avsolatorio/GIST-small-Embedding-v0 и позволяет кодировать запросы без составления специальных инструкций. Модель содержит около 40 млн параметров, принимает текст, выдаёт векторные представления и поддерживает контекст до 512 токенов. Модель подходит для семантического поиска, подбора релевантных документов и оценки сходства текстов. В метаданных также указана задача извлечения признаков. Лицензия — MIT. Автор отмечает, что технические детали будут опубликованы позднее; поддержка библиотеки Sentence Transformers заявлена как ожидаемая, поэтому доступные способы применения могут быть ограничены.

nomic-embed-text-v2-moe-GGUF — квантизированная версия модели nomic-embed-text-v2-moe, разработанная Nomic и представленная в работе о разреженных Mixture of Experts моделях для текстовых эмбеддингов. Модель предназначена для преобразования текстов в векторные представления, которые можно использовать для семантического поиска, сравнения предложений, кластеризации, извлечения признаков и построения RAG-приложений. Это мультиязычная текстовая embedding-модель на архитектуре Sparse Mixture of Experts. В репозитории доступны варианты GGUF с точностью от FP32 и FP16/BF16 до квантизаций Q8_0, Q6_K, Q5_K_M, Q5_K_S и Q4_K_M; размеры файлов составляют примерно от 326 до 1820 MiB. Поддерживается широкий набор языков, включая английский, русский, китайский, японский, арабский, украинский, французский, немецкий и многие другие. Размер контекста и размерность эмбеддингов в README не указаны. Модель совместима с llama.cpp и может запускаться через llama-server с OpenAI-совместимым API эмбеддингов, что облегчает локальное развертывание. Для корректного использования необходимо добавлять к текстам специальные префиксы задач, например search_document для документов и search_query для запросов. Квантизация уменьшает требования к памяти, но может влиять на качество представлений; README рекомендует варианты Q6_K, Q5_K_M, Q5_K_S и Q4_K_M в зависимости от требуемого баланса качества и размера. Модель распространяется по лицензии Apache-2.0.

jondurbin/nontoxic-bagel-34b-v0.2 — экспериментальная чат-модель Джона Дарбина, полученная дообучением Yi-34B-200K с использованием набора Bagel и частичного DPO. Она предназначена для диалогов, ответов на вопросы, следования инструкциям, написания текстов и кода, математических задач и ролевого общения. Модель имеет плотную архитектуру LlamaForCausalLM примерно на 33,9 млрд параметров и поддерживает контекст до 200 000 токенов. При обучении использовались разнообразные наборы данных для диалогов, чтения с пониманием, программирования, математики и ролевых сценариев. Модель принимает текст и генерирует текст; README описывает форматы запросов Vicuna, Llama 2, Alpaca и ChatML. Карточка характеризует эту версию как довольно сильно цензурированную. Указана лицензия other, поэтому условия использования следует уточнять в карточке модели и у правообладателя.

NovaMind — открытая 7-миллиардная плотная языковая модель-ассистент семейства Nova, разработанная NovaMind. Это обновлённая версия с более длительным этапом mid-training и расширенным post-training; модель предназначена для генерации текста, многошаговых рассуждений, программирования, логических задач и диалогового использования. В README также заявлены более надёжный вызов функций в многоходовых диалогах и снижение ошибок на внутренних проверках фактической точности. Авторы сообщают о результате 84,6% на GPQA Diamond и среднем расходе 26 тысяч токенов на вопрос в этой оценке; приведены также результаты по математическому, логическому и здравому рассуждению. Модель распространяется в формате PyTorch и использует класс NovaMindForCausalLM. Для локального запуска рекомендована температура 0,7; доступна также через размещённые авторами чат-интерфейс и API. Лицензия — Apache-2.0. README не приводит сведения о поддерживаемых языках и длине контекста.

cahya/NusaBert-v1.2-sts — модель Sentence Transformers, дообученная разработчиком на базе cahya/NusaBert-v1.2 на наборе STSB. Она использует трансформер ModernBERT с mean pooling и кодирует предложения и абзацы в плотные векторы размерностью 768; сходство оценивается косинусной мерой. Модель предназначена прежде всего для оценки семантического сходства текстов, а также для семантического поиска, поиска перефразирований, кластеризации и классификации текста. Модель принимает текст на английском языке и поддерживает последовательности длиной до 8192 токенов. В README приведены результаты на STS-B: Spearman correlation 0,815 на dev и 0,7533 на test. Для прикладных сценариев качество может зависеть от домена и языка; подтверждена настройка на англоязычном STSB. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Olmo-Hybrid-Think-SFT-7B — языковая модель Allen Institute for AI (Ai2) семейства OLMo Hybrid. Это плотная авторегрессионная модель с гибридной RNN-архитектурой, содержащая 6,3 млрд параметров и принимающая текстовые запросы для генерации текста и диалоговых ответов. Модель дообучена методом supervised fine-tuning на Dolci-Think-SFT-7B с примерами по математике, программированию, диалогу и общим знаниям; карточка указывает английский язык. Контекст — до 32 768 токенов. Модель предназначена для диалогового использования и задач рассуждения, включая математику и программирование. Ai2 сообщает о повышенной эффективности предобучения и улучшенной скорости и экономии памяти при работе с длинным контекстом; результаты отдельных бенчмарков приведены в карточке. Доступен интерфейс для вызова инструментов, однако сам по себе он не гарантирует корректность ответов или выполнения действий. Вес репозитория опубликован в формате safetensors, для работы указана библиотека Transformers версии 5.3.0 или выше. Лицензия — Apache 2.0; модель предназначена для исследований и обучения согласно рекомендациям Ai2 по ответственному использованию. Ответы могут содержать фактические ошибки и смещения, а без дополнительной фильтрации модель может генерировать вредный или чувствительный контент.

OmniCoder-9B-Opus-4.6-Uncensored-v2-GGUF — языковая reasoning-модель на базе Qwen/Qwen3.5-9B, созданная автором ansulev. Модель получена объединением нескольких производных моделей, включая OmniCoder-9B от Tesslate, reasoning-модель Qwen3.5-9B от Jackrong и uncensored-модель HauhauCS. При обучении и слиянии использовались данные в стиле Claude 4.6 Opus, ориентированные на рассуждения, математику, логические задачи, общие знания, инструкции и программирование. Формат распространения — GGUF; заявленная лицензия — Apache-2.0. Модель предназначена для локального запуска в приложениях вроде LM Studio и для задач общего назначения, требующих многошагового рассуждения, генерации и анализа кода, решения математических и логических задач, а также следования инструкциям. В карточке указаны английский, китайский и корейский языки. Архитектура унаследована от Qwen3.5-9B, размер — около 9 миллиардов параметров. В метаданных указана мультимодальная категория image-text-to-text, однако подробности о поддерживаемых визуальных входах и размере контекстного окна не приведены. Ключевая особенность версии v2 — более компактная и эффективная генерация рассуждений. По заявленным оценкам на HumanEval и HumanEval+ она превосходит базовую Qwen3.5-9B по точности и требует примерно на 20–23% меньше текста рассуждений для одного успешного решения. Это может снижать задержку и стоимость инференса, но заявленные результаты основаны на ограниченном наборе тестов и не гарантируют аналогичного качества во всех прикладных сценариях. Разработчик также предупреждает о возможном снижении широких общих способностей из-за ограниченного объёма и направленности дообучения. Термин uncensored указывает на ослабленные ограничения отказов, что может повышать гибкость, но требует дополнительного контроля безопасности при использовании.