II.8Инженерия данных и аналитика

Zen Embedding 0.6B — текстовая модель для создания плотных эмбеддингов, разработанная в рамках линейки Zen и переупакованная из Qwen/Qwen3-Embedding-0.6B. Это дообученная модель семейства Qwen3 с 507,6 млн параметров, рассчитанная на получение векторных представлений текста для RAG, семантического поиска и плотного поиска по коллекциям документов. Модель работает с текстом, поддерживает английский и китайский языки и имеет контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Sentence Transformers. Модель подходит для поиска релевантных фрагментов и сравнения текстов по смыслу. Выпущена по лицензии Apache-2.0. README описывает её как переупаковку исходной модели, а не обучение с нуля.

ZYH-LLM-Qwen2.5-14B-V5 — диалоговая языковая модель YOYO-AI, созданная слиянием моделей на базе Qwen2.5-14B. В README описаны этапы объединения инструкционных, кодовых и рассуждающих моделей; среди них есть варианты Qwen2.5, Cogito, DeepCoder и другие. Это плотная авторегрессионная архитектура Qwen2 с 14 млрд параметров, опубликованная в формате safetensors. Модель предназначена для генерации текста в диалоге, выполнения инструкций, помощи с кодом и задач, требующих рассуждений. Метаданные указывают контекст до 1 010 000 токенов, а в карточке заявлена поддержка английского и китайского языков. Модель распространяется по лицензии Apache-2.0. README не приводит результаты сравнительных оценок или подробные рекомендации по развёртыванию. Заявленная длина контекста сама по себе не подтверждает качество ответов на всём этом диапазоне; фактическую производительность следует проверять на целевых задачах.

Карточка модели avsolatorio/01-100-31-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240207015601-best на Hugging Face совпадает с карточкой avsolatorio/01-100-31-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240207031328-best, поэтому описание составлено по ней. Это англоязычная модель для получения плотных векторных представлений текста на основе BAAI/bge-small-en-v1.5. Репозиторий размещён в пространстве имён avsolatorio; по идентификатору модели и карточке это производная версия BGE, однако карточка не описывает конкретные изменения или способ обучения этой версии. Модель предназначена для поиска семантически близких текстов и формирования эмбеддингов для систем поиска и retrieval-augmented generation (RAG). Архитектура — BERT, около 40 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Модель ориентирована на английский язык. Эмбеддинги подходят для поиска кандидатов, но README рекомендует при необходимости повышать точность выдачи с помощью отдельного reranker. Карточка также отмечает, что оценка сходства сама по себе не является калиброванной вероятностью семантической близости.

Карточка модели avsolatorio/01-100-31-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240207015601-latest на Hugging Face совпадает с карточкой avsolatorio/01-100-31-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240207031328-best, поэтому описание составлено по ней. Это англоязычная модель для получения плотных векторных представлений текста на основе BAAI/bge-small-en-v1.5. Репозиторий размещён в пространстве имён avsolatorio; по идентификатору модели и карточке это производная версия BGE, однако карточка не описывает конкретные изменения или способ обучения этой версии. Модель предназначена для поиска семантически близких текстов и формирования эмбеддингов для систем поиска и retrieval-augmented generation (RAG). Архитектура — BERT, около 40 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Модель ориентирована на английский язык. Эмбеддинги подходят для поиска кандидатов, но README рекомендует при необходимости повышать точность выдачи с помощью отдельного reranker. Карточка также отмечает, что оценка сходства сама по себе не является калиброванной вероятностью семантической близости.

Это англоязычная модель для получения плотных векторных представлений текста на основе BAAI/bge-small-en-v1.5. Репозиторий размещён в пространстве имён avsolatorio; по идентификатору модели и карточке это производная версия BGE, однако карточка не описывает конкретные изменения или способ обучения этой версии. Модель предназначена для поиска семантически близких текстов и формирования эмбеддингов для систем поиска и retrieval-augmented generation (RAG). Архитектура — BERT, около 40 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Модель ориентирована на английский язык. Эмбеддинги подходят для поиска кандидатов, но README рекомендует при необходимости повышать точность выдачи с помощью отдельного reranker. Карточка также отмечает, что оценка сходства сама по себе не является калиброванной вероятностью семантической близости.

Карточка модели JaehyeokLee/20m_em_checkpoint_epoch_1_step_200 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/20m_em_checkpoint_epoch_1_step_240 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/20m_em_checkpoint_epoch_1_step_3520 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/20m_em_checkpoint_epoch_1_step_4280 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/20m_em_checkpoint_epoch_1_step_560 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

Карточка модели JaehyeokLee/20m_em_checkpoint_epoch_1_step_840 на Hugging Face совпадает с карточкой BAAI/bge-m3-unsupervised, поэтому описание составлено по ней. BAAI/bge-m3-unsupervised — мультиязычная модель эмбеддингов от BAAI на архитектуре XLM-RoBERTa с 658,7 млн параметров. Она обучена контрастивным методом на основе BAAI/bge-m3-retromae и предназначена для поиска по текстам и документам, включая сценарии RAG. Модель формирует плотные эмбеддинги, а также поддерживает разреженные представления с весами токенов и многовекторные представления в стиле ColBERT. Модель поддерживает более 100 языков и принимает последовательности длиной до 8192 токенов; размерность плотного эмбеддинга — 1024. Её можно применять для многоязычного, межъязыкового и длиннодокументного поиска, а также для вычисления сходства текстовых пар. Для гибридного поиска её разреженные и плотные представления можно сочетать с BM25, а после извлечения результатов использовать отдельную модель reranker. По данным карточки, BGE-M3 может уступать моделям, специально обученным для поиска на одном языке. Для работы с разреженными представлениями поддержка библиотек ограничена. Лицензия — MIT.

airoboros-3b-3p11 — экспериментальная языковая модель jondurbin для генерации текста и диалогов по инструкциям. Она основана на архитектуре StableLM Epoch и содержит 2,7 млрд параметров; модель обучена на наборе airoboros-3.1 с преимущественно синтетическими данными. Контекст составляет до 4096 токенов, для диалогов используется формат Llama 2 Chat. Модель рассчитана на следование инструкциям, ответы на вопросы по предоставленному контексту, суммаризацию и помощь с кодом. Среди специализированных примеров обучения — структурированное представление математических решений в MathJSON, извлечение полей из журналов, обезличивание текста и генерация аргументов функций в JSON или YAML. Для этих сценариев в README рекомендуются явно заданный формат запроса и низкая температура генерации. Это общая экспериментальная модель, ориентированная на выполнение инструкций, а не на непринуждённое общение или ролевые диалоги. Карточка указывает на ограничения качества отдельных инструментов обработки MathJSON. Лицензия — CC BY-SA 4.0.

AlchemistCoder-L-7B — языковая модель для генерации и понимания программного кода, разработанная командой InternLM на основе Llama 2. Представленная версия распространяется в формате GGUF и подготовлена bartowski для запуска через llama.cpp и совместимые приложения, включая LM Studio. Рекомендуемый сценарий использования — программирование: написание, объяснение, анализ и проверка кода, а также выполнение инструкций, связанных с разработкой. Для работы в LM Studio указан шаблон запросов Alpaca и пресет MetaAI Llama 2 Chat. Модель содержит около 7 миллиардов параметров и обучалась на 200 миллионах токенов гармонизированных данных из нескольких источников, включая материалы для задач понимания кода, эволюции инструкций, фильтрации данных и code review. По данным README, AlchemistCoder-L-7B показывает высокие результаты среди открытых моделей сопоставимого размера на шести бенчмарках для кода, а также улучшенные общие способности на MMLU, BBH и GSM8K. Поддерживаемые языки программирования, естественные языки, размер контекстного окна и конкретные варианты квантизации в README не указаны. Сильными сторонами модели являются специализация на задачах программирования, относительно компактный размер и возможность локального запуска в формате GGUF. Ограничения включают возможные ошибки, неточности и небезопасные рекомендации в сгенерированном коде; результаты требуют проверки и тестирования. Модель распространяется по лицензии Apache-2.0, однако условия для исходной базовой модели и отдельных компонентов данных следует проверять дополнительно.

Это дообученная модель Sentence-Transformers на основе архитектуры BERT, содержащая 25,9 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 384 для сравнения смысловой близости, семантического поиска и кластеризации. Модель принимает текст и выдаёт векторные представления; максимальная длина контекста — 512 токенов. Модель подходит для поиска похожих текстов и группировки предложений или абзацев по смыслу. В README указано обучение с CosineSimilarityLoss, однако данные о наборе обучения и результатах оценки не приведены. Для использования требуется библиотека sentence-transformers. Репозиторий содержит веса PyTorch; лицензия в доступных данных не указана.

jangedoo разработал эту модель Sentence Transformers на основе jangedoo/all-MiniLM-L6-v2-nepali, дообучив её на парах и триплетах английских и непальских текстов. Это компактный BERT-энкодер с 25,9 млн параметров: он кодирует предложения и абзацы в нормализованные векторы размерности 384 для сравнения по косинусному сходству. В README указана максимальная длина последовательности 256 токенов, а метаданные каталога задают контекст до 512 токенов. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок и кластеризации англоязычных и непальских текстов; векторы также можно использовать в классификационных системах. В README приведены результаты оценки на наборах для поиска и семантического сходства на английском и непальском языках. Лицензия в предоставленных данных не указана.

KhaledReda разработал all-MiniLM-L6-v67-pair_score — модель Sentence Transformers, дообученную на парах текстов с оценками сходства. Она кодирует предложения и абзацы в плотные векторы размерности 384; сходство между ними оценивается косинусной близостью. Архитектура включает BERT-трансформер, усреднение токенных представлений и нормализацию. Модель рассчитана на английский язык; в README указана максимальная длина последовательности 256 токенов, а метаданные Hugging Face указывают контекст 512 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Она содержит 25,9 млн параметров и распространяется в формате safetensors. Лицензия — Apache-2.0. Качество для языков помимо английского и применимость к длинным текстам свыше указанного предела последовательности не подтверждены.

BerkeliumGPT2-Coder-3b — компактная языковая модель для программирования от Berkelium AI, построенная на архитектуре Qwen2. Она содержит 3,1 млрд параметров, рассчитана на генерацию кода и диалоговый режим; заявленная длина контекста — 32 768 токенов. Модель распространяется в формате safetensors и ориентирована на локальный запуск на потребительском и разработческом оборудовании. Модель предназначена для генерации и дополнения кода, отладки, рефакторинга, объяснения исходников, создания тестов и документации, а также анализа контекста репозитория. В README описан фокус обучения на задачах разработки и работе с реальными программными проектами. Указанная лицензия — Apache-2.0. Это компактная модель, поэтому её ответы могут содержать ошибки, пропускать граничные случаи, выдумывать API или неверно понимать требования. Сгенерированный код следует проверять и тестировать; для чувствительного к безопасности ПО нужны дополнительные проверки. Интерфейс вызова инструментов и автономные агентные возможности обозначены как планы, а не как готовые функции.

Shobhank-iiitdwd/BERT-BU-nli-sts-sent — англоязычная модель эмбеддингов на основе BERT, дообученная на задачах распознавания логических отношений между предложениями (NLI) и оценки семантического сходства (STS). Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Модель содержит 136,7 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Для использования доступны веса PyTorch; README приводит результат 84,61% на STS (en). Модель основана на bert-base-uncased и предназначена для англоязычных задач поиска и анализа сходства предложений. Для получения эмбеддингов без Sentence-Transformers нужно самостоятельно применить подходящую операцию pooling к контекстным представлениям токенов. Лицензия в предоставленных данных не указана.

mlx-community выпустила неофициальную 6-битную квантованную версию BAAI/bge-m3 для запуска на Apple Silicon с библиотекой MLX. Модель семейства XLM-RoBERTa содержит 658,7 млн параметров, принимает текст и формирует эмбеддинги размерностью 1024; длина контекста — 8194 токена. README описывает плотный, разреженный и многовекторный поиск, включая ColBERT, а метаданные указывают задачу feature-extraction. Квантование affine с группами по 64 веса уменьшает размер до 457 МБ — примерно на 58% относительно FP16 версии, сохраняя компромисс между качеством и использованием памяти. Модель подходит для поиска и сопоставления текстов, включая многоязычные сценарии. Поддерживаются английский, китайский, немецкий, испанский, французский, итальянский, японский, корейский, португальский и русский языки. Лицензия — MIT.

Claude Sonnet 4 — модель Anthropic, представленная как развитие Sonnet 3.7. Она предназначена для задач программирования и рассуждений; в карточке отмечены улучшенные точность и управляемость, а также результат 72,7% на SWE-bench. Метаданные каталога относят модель к задаче image-text-to-text, однако доступные материалы не описывают её архитектуру, размер, модальности, языки или длину контекста.

CodeLlama 70B GGUF — квантизированная версия большой языковой модели CodeLlama 70B, разработанной Code Llama. Репозиторий TheBloke содержит файлы модели в формате GGUF, подготовленные TheBloke с использованием оборудования Massed Compute. Модель предназначена прежде всего для генерации и обработки программного кода, а также для сценариев текстовой генерации на основе входного запроса. Доступны варианты квантизации от 2 до 8 бит, что позволяет выбирать между сниженным потреблением памяти и сохранением качества. Модель относится к архитектуре Llama; в README указано 70B параметров, язык обозначен как code. Формат GGUF совместим с llama.cpp и рядом локальных интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Мультимодальность и размер контекста в предоставленных данных не указаны. Сильные стороны модели — большой размер, специализация исходной Code Llama на задачах программирования и возможность локального запуска на CPU и GPU с различными уровнями квантизации. Ограничениями являются высокая вычислительная и ресурсная требовательность 70B-версии, возможная потеря качества при сильной квантизации и отсутствие в README подробных результатов оценки. Модель распространяется по лицензии Llama 2.

Code Llama 7B Instruct — разработанная Meta инструкционно настроенная версия языковой модели семейства Code Llama, представленная в формате Transformers. Это авторегрессионная плотная трансформерная модель с 6,6 млрд параметров и контекстом до 16 384 токенов, предназначенная для генерации и понимания кода, дополнения фрагментов и выполнения инструкций в формате диалога. Модель принимает текст и генерирует текст. Её можно применять как помощника для написания кода, его дополнения и объяснения, а также для infilling и ответов на инструкции, связанные с программированием. В карточке заявлена ориентация на английский язык и языки программирования; Python-специалистом эта версия не является. Модель неофициально размещена в организации codellama; README указывает, что разработчик семейства — Meta. Модель статична и обучена на офлайн-данных. Возможны неточные или нежелательные ответы; перед использованием в приложениях рекомендуется проверять её поведение и настраивать меры безопасности под конкретный сценарий. Использование регулируется лицензией Meta для Code Llama; в метаданных репозитория указана лицензия llama2.

CodeQwen1.5-7B-Chat-GGUF — набор GGUF-квантизированных вариантов чат-модели CodeQwen1.5-7B-Chat от Qwen, подготовленный пользователем bartowski для запуска через llama.cpp. Модель относится к задачам генерации текста и ориентирована прежде всего на работу с программным кодом в диалоговом формате: написание, объяснение и редактирование кода, а также ответы на связанные с программированием запросы. В названии указано около 7 миллиардов параметров; точная архитектура, размер контекста и перечень поддерживаемых языков в предоставленных данных не описаны. В метаданных указан английский язык. Для диалога необходимо использовать шаблон с ролями system, user и assistant в формате специальных токенов Qwen. Репозиторий содержит варианты с разной степенью квантизации — от Q8_0 размером 7,70 ГБ до IQ1_S размером 2,36 ГБ. Варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M и Q4_K_S отмечены как рекомендуемые; более компактные варианты экономят память, но могут заметно терять в качестве. Q8_0 обеспечивает наиболее высокое качество среди доступных вариантов, однако обычно не требуется. Ограничения модели включают зависимость качества от выбранной квантизации и отсутствие в README сведений о бенчмарках, мультимодальности и поддержке языков помимо заявленного английского. Указана лицензия other с названием tongyi-qianwen; подробные условия приведены в лицензии исходной модели Qwen. Квантизация выполнена с использованием llama.cpp и метода imatrix.

Contrastive-Embedding-v2 — модель эмбеддингов предложений на базе архитектуры BERT, опубликованная пользователем cheongmyeong17. Она преобразует предложения и абзацы в плотные векторы размерностью 768, предназначенные для сравнения семантической близости, кластеризации и семантического поиска. Модель обучалась с ContrastiveLoss и косинусной метрикой расстояния; для работы можно использовать Sentence-Transformers или Transformers с соответствующей операцией pooling. Модель содержит 144 млн параметров, принимает текстовые входы, а её контекст ограничен 512 токенами. В карточке не указаны конкретные языки, область специализации или лицензия, поэтому эти характеристики нельзя уточнить. Эмбеддинги подходят для построения поиска и группировки текстов, но качество на конкретном языке и предметной области следует проверять отдельно.

CrisperWhisper 2.0 Turbo — вариант модели распознавания речи семейства Whisper, разработанный Nyra Labs. Он предназначен для быстрого преобразования аудио в текст с выбором режима: дословная запись слов и речевых особенностей или отредактированная запись предполагаемого смысла. Модель содержит 905,3 млн параметров; репозиторий предоставляет веса в формате safetensors, а библиотека crisperwhisper поддерживает запуск через PyTorch или CTranslate2. Модель рассчитана на распознавание речи, включая заполнители пауз, повторы, обрывы слов и вокальные события, и может выдавать временные границы слов. Вариант Turbo — самый быстрый из описанных стандартных вариантов, но README отмечает некоторое снижение качества относительно более крупных моделей. Заявлена поддержка большинства языков Whisper; метаданные карточки указывают английский и немецкий. Стандартные модели распространяются по некоммерческой исследовательской лицензии, коммерческое лицензирование доступно отдельно.

teven/cross_all_bs192_hardneg_finetuned_WebNLG2020_metric_average — текстовая модель на базе MPNet, дообученная для сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768 и предназначена для поиска семантически близких фрагментов, кластеризации и оценки сходства. Модель содержит 136,7 млн параметров, принимает последовательности длиной до 514 токенов и распространяется в формате PyTorch. Модель подходит для семантического поиска, группировки похожих текстов и сравнения предложений по смыслу. Для корректного использования в Transformers требуется применить соответствующую операцию pooling к контекстным представлениям токенов; README также описывает применение через Sentence-Transformers. Лицензия и поддерживаемые естественные языки в предоставленных данных не установлены.

Это модель Sentence Transformers на архитектуре MPNet, дообученная на данных WebNLG 2020 для оценки покрытия данных. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. В модели 136,7 млн параметров, она принимает текст с контекстом до 514 токенов и распространяется в формате PyTorch. Модель подходит для поиска семантически близких текстов и группировки предложений или документов по смыслу. Для использования предусмотрены Sentence-Transformers и Transformers с соответствующей операцией pooling. Данных о лицензии в предоставленных источниках нет.

Это дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2, созданный автором репозитория opnsrcntrbtrian. Модель кодирует предложения и абзацы в плотные семантические векторы размерности 384 для поиска по смыслу и извлечения релевантных текстов. Архитектура включает энкодер BERT, mean pooling и нормализацию векторов; используется косинусное сходство. Модель принимает только текст. В README указана максимальная длина последовательности 256 токенов, а в метаданных — контекст 512 токенов; поэтому фактический предел следует сверять с используемой конфигурацией. Для поиска её можно применять вместе с индексом векторного поиска и сравнивать векторы запросов и документов. Данных о лицензии в предоставленных источниках нет.

duyntnet/deepseek-coder-6.7b-instruct-imatrix-GGUF — набор квантованных версий модели deepseek-ai/deepseek-coder-6.7b-instruct, опубликованный пользователем или организацией duyntnet. Это инструкционно настроенная генеративная языковая модель для работы с текстом и программным кодом, включая сценарии создания и объяснения кода. В README приведён пример генерации алгоритма быстрой сортировки на Python в формате диалога. Модель имеет размер 6,7 млрд параметров и распространяется в формате GGUF с использованием imatrix-квантизации. Указан английский язык, однако дополнительные языковые возможности, длина контекста, конкретные варианты квантизации и требования к оборудованию в README не описаны. Формат предназначен для запуска совместимыми средствами инференса, но точные поддерживаемые инструменты также не указаны. К сильным сторонам относятся специализация исходной модели на задачах программирования, инструкционное обучение и наличие квантованных вариантов, потенциально уменьшающих требования к памяти. Ограничения связаны с отсутствием подробных результатов оценки, сведений о качестве на конкретных языках и задачах, контекстном окне и характеристиках отдельных файлов. Лицензия обозначена как other; её конкретные условия в README не приведены.

DeepSeek-Coder-V2-Instruct-0724-IMat-GGUF — это GGUF-квантизированная версия инструкционной модели DeepSeek-Coder-V2-Instruct-0724, разработанной deepseek-ai. Репозиторий подготовлен legraphista с использованием llama.cpp и предназначен для локального запуска и генерации текста, прежде всего для задач программирования и взаимодействия в формате чата, поддерживаемых исходной моделью. Модель распространяется в форматах GGUF с различными уровнями квантизации: от Q8_0 до Q2_K, включая варианты Q5, Q4, Q3 и IQ. Доступны файлы размером примерно от 85,95 до 250,62 ГБ, все варианты разделены на несколько частей. Для ряда конфигураций Q4 и ниже применена IMatrix-квантизация, призванная повысить качество при уменьшении размера. Исходный тип данных модели — BF16. Сведения об архитектуре, количестве параметров, длине контекста, языках и поддерживаемых модальностях в README не указаны. Сильная сторона репозитория — широкий выбор квантизаций и готовность к использованию с экосистемой llama.cpp, что позволяет подбирать компромисс между размером файлов и качеством. Ограничениями являются очень большой объём моделей, необходимость объединения или корректной работы с разделёнными файлами, а также возможное снижение качества на низких уровнях квантизации. Модель распространяется по лицензии deepseek-license; указана категория лицензии other и ссылка на файл LICENSE.