II.8Инженерия данных и аналитика

unsloth/DeepSeek-R1-Distill-Qwen-14B-unsloth-bnb-4bit — 4-битная динамически квантизированная версия языковой модели DeepSeek-R1-Distill-Qwen-14B. Базовую модель разработала команда DeepSeek, а вариант с квантизацией подготовлен Unsloth. Модель относится к плотным LLM на архитектурной основе Qwen и содержит около 14 млрд параметров. Модель предназначена прежде всего для задач рассуждения, включая решение математических задач, программирование и общий анализ текста. DeepSeek-R1-Distill-Qwen-14B создана методом дистилляции из DeepSeek-R1, поэтому ориентирована на генерацию развернутых рассуждений и решение сложных задач. В README явно указан английский язык; сведения о других языках, мультимодальности и размере контекстного окна не приведены. Ключевое преимущество этой версии — динамическая 4-битная квантизация Unsloth, при которой отдельные параметры выборочно не квантизуются для сохранения большей точности по сравнению со стандартной 4-битной квантизацией. Это может снизить требования к памяти и упростить локальный запуск, однако квантизация потенциально ограничивает точность по сравнению с исходной полноразмерной моделью. Модель распространяется по лицензии Apache-2.0.

much1na/distil-cohere-v1-ckpt — дообученная модель Sentence Transformers на базе BERT google/bert_uncased_L-6_H-512_A-8. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. Архитектура включает BertModel с усредняющим pooling; сходство векторов можно оценивать косинусной мерой. Модель принимает только текст, поддерживает последовательности длиной до 512 токенов и содержит 40,8 млн параметров. В карточке указано обучение на наборе parquet из примерно 3,81 млн примеров, а метаданные описывают её как модель эмбеддингов. Базовая модель англоязычная, поэтому основное применение — представление английских текстов. Лицензия в доступных данных не указана.

Это англоязычная модель Sentence Transformers на базе distilbert/distilroberta-base, дообученная разработчиком tomaarsen на наборе sentence-transformers/all-nli. Модель кодирует предложения и абзацы в плотные векторы размерностью 768; для сравнения векторов используется косинусное сходство. Архитектура включает RoBERTa-трансформер с усреднением токенных представлений, а параметры хранятся в формате safetensors. Размер модели — 95,2 млн параметров, максимальная длина последовательности — 512 токенов. Модель предназначена для оценки семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В карточке приведены результаты оценки сходства на STS-dev и STS-test. Она принимает текст и выдаёт векторы, поэтому для поиска и классификации обычно требуется отдельный индекс или классификатор. Лицензия в предоставленных данных не указана.

Dolphin 2.9.1 Yi 1.5 9B — языковая модель для диалогов и генерации текста, дообученная Eric Hartford, Lucas Atkins, Fernando Fernandes и командой Cognitive Computations на базе 01-ai/Yi-1.5-9B. Модель с плотной архитектурой семейства Llama содержит 8,6 млрд параметров и распространяется в формате Safetensors с точностью 16 бит. Модель предназначена для ответов на инструкции, общения, задач по программированию и начальных агентных сценариев; заявлена поддержка вызова функций. Использует шаблон ChatML и обучалась на последовательностях длиной до 12 тысяч токенов. В README авторы описывают её как «uncensored» и рекомендуют добавить собственный слой выравнивания перед предоставлением сервиса. Лицензия Apache 2.0 разрешает коммерческое использование.

Dolphin 3.0 Qwen 2.5 3B — инструктивно настроенная языковая модель от Eric Hartford, Ben Gitter, BlouseJury и Cognitive Computations, созданная на базе Qwen/Qwen2.5-3B. Это плотная авторегрессионная модель с 3,1 млрд параметров, контекстом до 32 768 токенов и шаблоном диалога ChatML. Репозиторий содержит веса в формате safetensors. Модель предназначена для локального применения в качестве универсального помощника: она генерирует текст, помогает с программированием и математикой, поддерживает сценарии работы с агентами и вызова функций. Поведение можно настраивать системным промптом, включая тон и правила ответа. В обучающих данных использованы наборы для программирования, математики, инструкций, диалогов и вызова функций; в метаданных указан английский язык. Модель рассчитана на владельцев приложений, которым нужны локальный запуск и контроль над системным промптом и данными. Для запуска можно использовать Transformers, Ollama, LM Studio, vLLM, SGLang или TGI. Лицензия обозначена в метаданных как other; конкретные условия следует проверять на странице модели. Карточка не содержит результатов оценивания качества, поэтому пригодность для конкретных задач нужно проверять отдельно.

Dolphy-1.0 — диалоговая языковая модель от Dolphy AI, дообученная методом LoRA на базе Qwen/Qwen3-4B-Instruct-2507. Это плотная причинная модель семейства Qwen3 с 3,7 млрд параметров и контекстом до 262 144 токенов. В обучающем конвейере использовано 1,5 млн примеров из 20 наборов данных; среди перечисленных источников — материалы для диалогов, следования инструкциям, математики, программирования, письма и ответов на вопросы. Модель предназначена для генерации ответов в чате, выполнения инструкций, решения задач и работы с инструментами через совместимый с Qwen3 интерфейс вызова функций. Она поддерживает многоязычные возможности базовой модели; точный перечень языков в карточке не приведён. Репозиторий содержит веса safetensors, а README также рекомендует GGUF для локального запуска. Лицензия — Apache-2.0. Заявление автора о превосходстве над более крупными моделями не сопровождается результатами сравнительной оценки в предоставленной карточке. Качество может различаться в зависимости от задачи; подробные результаты тестирования и конкретный перечень поддерживаемых языков не приведены.

E5-large-v2-4096 — модель для построения векторных представлений текста на основе Local-Sparse-Global версии intfloat/e5-small-v2. Она предназначена для кодирования запросов и текстовых фрагментов, в том числе для оценки их семантического сходства и ранжирования passages по релевантности запросу. Модель имеет архитектуру BERT, содержит 433,9 млн параметров и поддерживает контекст длиной до 4096 токенов. В README приведён пример работы с данными MS MARCO для ранжирования passages; метаданные указывают английский язык и задачу sentence-similarity. Репозиторий содержит веса PyTorch и помечен лицензией, пригодной для применения: сведений о лицензии в доступных источниках нет.

jangedoo/e5-small-v2-pruned — компактная модель эмбеддингов на базе intfloat/e5-small-v2, представленная автором как версия с прореженным токенным эмбеддингом. Она использует архитектуру BERT и библиотеку Sentence Transformers, содержит 36,8 млн параметров по метаданным и принимает последовательности длиной до 512 токенов. Модель преобразует текст в векторы для семантического поиска, сопоставления предложений и оценки их сходства. В README указано сокращение словаря с 30 522 до 22 225 токенов и числа параметров с 33 360 000 до 30 173 952. На приведённых тестах STS-B и NanoBEIR качество немного ниже базовой модели: например, корреляция STS-B Pearson составляет 0,8234 против 0,8317. Для использования требуется Sentence Transformers; в примере загрузки включён trust_remote_code=True. Лицензия в предоставленных данных не указана.

Pieces представила сжатую версию модели эмбеддингов Google EmbeddingGemma-300M для поиска и сравнения текстов. Модель предназначена для получения векторных представлений, семантического поиска и retrieval-сценариев; в каталоге также указана поддержка оценки сходства предложений. Модель основана на Gemma 3 Text и сокращена с 24 до 2 слоёв трансформера; ширина эмбеддинга уменьшена с 768 до 76 и восстановлена до выходного размера 768. В README заявлено около 33 млн параметров и ускорение вывода за счёт сокращения числа слоёв, тогда как метаданные указывают 209,8 млн параметров. Контекст составляет 2048 токенов. Данные не уточняют поддерживаемые естественные языки. Модель подходит для индексации текстов и поиска близких по смыслу фрагментов при ограниченных ресурсах. README характеризует качество как приемлемое, но не приводит результатов сравнительных тестов; сильное сжатие может снижать качество относительно исходной модели. Лицензия — Apache 2.0.

en_PP-OCRv5_mobile_rec — мобильная модель распознавания строк текста из изображений из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она распознаёт английский текст и возвращает его в виде строки; модель можно использовать как модуль распознавания в конвейере OCR, вместе с обнаружением текста и дополнительными модулями ориентации и выравнивания изображения. Для модели указана точность 85,3% по метрике, при которой строка считается ошибочной, если в ней неверен хотя бы один символ или знак препинания. Мобильный вариант предназначен для эффективного распознавания, однако характеристики скорости и размер модели в карточке не приведены. Репозиторий распространяется по лицензии Apache-2.0.

abhiraj1/eval_triple_encoder — модель Sentence Transformer на базе BERT, дообученная автором репозитория от UKPLab/triple-encoders-dailydialog. Она преобразует предложения и абзацы в плотные векторы размерностью 1024; сходство между векторами оценивается косинусной мерой. Модель использует mean pooling, принимает последовательности длиной до 512 токенов и распространяется в формате safetensors через библиотеку sentence-transformers. Модель предназначена для сравнения смысловой близости текстов, семантического поиска, поиска парафразов, кластеризации и классификации на основе эмбеддингов. README описывает обучение на наборах пар и троек предложений с функциями потерь CosineSimilarityTripleEncoderLoss и ContrastiveLoss. Данные не устанавливают конкретный язык модели, поэтому языковую специализацию определить нельзя. Условия лицензирования в доступных сведениях не приведены.

F2LLM-v2-80M — компактная многоязычная модель эмбеддингов из семейства F2LLM-v2, разработанного CodeFuse AI. Она основана на архитектуре Qwen3 и предназначена для получения векторных представлений текста для семантического поиска, ранжирования и других задач сравнения текстов. Модель содержит 66,8 млн параметров и поддерживает контекст до 40 960 токенов. Модель обучена на данных семейства F2LLM-v2, включающих курированный набор из 60 млн публичных примеров; в README заявлена поддержка более 200 языков, с акцентом на языки с ограниченными ресурсами. Она поддерживает инструкции для поисковых запросов и Matryoshka Representation Learning: размер эмбеддинга можно уменьшать усечением с последующей нормализацией. Представлены результаты на ряде бенчмарков MTEB, однако конкретные показатели этой версии в карточке не приведены. Репозиторий содержит safetensors-веса и использует библиотеку Transformers. Лицензия — Apache-2.0. Это дообученная и уменьшенная версия модели codefuse-ai/F2LLM-v2-0.6B-Preview-Pruned-80M.

ingeol выпустил модель ingeol/facets_gpt_expanswer_1234 — sentence-transformers-модель на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768; контекст модели составляет 514 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Её можно использовать через библиотеку Sentence Transformers либо Transformers с подходящей операцией pooling. В карточке указана функция потерь BPRLoss; сведений о языковой специализации и лицензии нет.

codersan/FaLaBSE_Mizan3 — дообученная на парах предложений модель Sentence Transformers на базе codersan/FaLabse. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними оценивается косинусной близостью. Обучение проведено на 1 021 596 парах anchor-positive с помощью MultipleNegativesRankingLoss. Модель предназначена для семантического сравнения текстов, поиска по смыслу, выявления перефразировок, кластеризации и извлечения признаков для классификации. В обучающих примерах есть персидские предложения и соответствующие английские переводы, поэтому модель подходит для поиска семантических соответствий между такими текстами. Архитектура — BERT; метаданные указывают размер 498,1 млн параметров и контекст до 512 токенов, а карточка модели задаёт максимальную длину входа 256 токенов. Для работы требуется текстовый ввод; результатом служат векторы, пригодные для сравнения и поиска. В карточке не указана лицензия, поэтому условия использования следует проверить в репозитории модели. Качество для иных языков и доменов не подтверждено приведёнными примерами; длина входа ограничена настройками модели.

Sahithkumar7/final-mpnet-base-fullfinetuned-epoch2 — дообученная модель Sentence Transformers на базе microsoft/mpnet-base. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения семантической близости текстов с помощью косинусного сходства. Модель содержит 136,7 млн параметров, использует архитектуру MPNet с усреднением токенов и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Она обучена на наборе из 800 примеров с парами anchor-positive-negative и MultipleNegativesRankingLoss; в README приведена точность cosine_accuracy 0,98 на двух тестовых выборках. Язык и предметная область обучающих данных явно не определены. Распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

owngpt/finetuned-phobert-base-v2 — модель Sentence-Transformers на основе PhoBERT, дообученная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно использовать для семантического поиска, кластеризации и сравнения сходства текстов; в README указано обучение с TripletLoss и евклидовой метрикой расстояния. Архитектура — RoBERTa, число параметров — 162,4 млн, формат весов — PyTorch, длина контекста — 258 токенов. Модель предназначена для получения эмбеддингов текста, которые позволяют находить семантически близкие фрагменты и группировать тексты. Семейство PhoBERT указывает на ориентацию на вьетнамский язык. Лицензия в предоставленных данных не указана.

Это англоязычная модель Sentence Transformer, созданная автором kimquynh путём дообучения BAAI/bge-base-en-v1.5. Модель на базе BERT преобразует текст в плотные векторы размерности 768 и нормализует их; сходство векторов можно оценивать косинусной мерой. Репозиторий использует библиотеку sentence-transformers и формат safetensors. Модель предназначена для получения эмбеддингов предложений и абзацев, семантического поиска, извлечения релевантных текстов и сравнения сходства предложений. Контекст ограничен 512 токенами. В README приведены оценки на задачах сходства и бинарной классификации, однако качество зависит от данных и порога сравнения. Лицензия в предоставленных данных не указана. Модель ориентирована на английский текст; README не заявляет поддержку других языков.

dguzh/geo-all-distilroberta-v1 — модель Sentence-Transformers на архитектуре DistilRoBERTa, разработанная автором репозитория dguzh. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантической близости, семантического поиска и кластеризации текстов. Модель содержит 95,2 млн параметров, обучена с ContrastiveLoss на основе косинусного расстояния и принимает текст с контекстом до 514 токенов. В репозитории указаны веса PyTorch и Safetensors. Карточка не сообщает языковую специализацию, поэтому нельзя определить, для каких языков качество модели подтверждено. Лицензия в предоставленных данных не указана.

German-RAG-UAE-LARGE-V1-TRIPLES-MERGED-HESSIAN-AI — модель Sentence Transformers от команды German-RAG AI, обученная на наборе примерно из 300 тысяч триплетов и объединённая с WhereIsAI/UAE-Large-V1 для сохранения качества на других языках. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и предназначена для семантического поиска, оценки сходства и извлечения релевантных текстов; также может применяться для кластеризации, поиска перефразирований и классификации текста. Модель построена на BERT, использует CLS-пулинг и нормализацию векторов, а сходство рекомендуется оценивать косинусной мерой. Максимальная длина входа — 512 токенов. В карточке приведены результаты проверок на немецких задачах классификации, поиска и семантического сходства, а также на многоязычных наборах. Доступна по лицензии MIT.

GLiClass large v1.0 — компактная модель классификации последовательностей, разработанная Knowledgator. Она выполняет классификацию текста без предварительного обучения на конкретных целевых наборах данных: пользователь задаёт категории, а модель относит к ним текст. По описанию автора, классификация выполняется за один проход модели, что снижает вычислительные затраты по сравнению с cross-encoder при сопоставимой производительности. Модель основана на архитектуре GLiClass и содержит 438 млн параметров. Модель предназначена для классификации тем и тональности, а также для ранжирования документов в RAG-системах. В карточке приведены результаты zero-shot оценки на наборах данных для отзывов, новостей и эмоций; качество зависит от задачи и категорий. Обучение проводилось на синтетических данных, заявлена поддержка коммерческого применения. Модель распространяется под лицензией Apache-2.0; доступны форматы Safetensors и ONNX.

GLiClass Qwen 0.5B v1.0 — компактная модель классификации последовательностей семейства GLiClass, представленная Knowledgator. Она выполняет классификацию без заранее заданного набора классов и подходит для определения тематики и тональности текста, а также для ранжирования результатов в RAG-сценариях. По карточке, модель использует подход LLM2Vec, преобразующий современный декодер в двунаправленный энкодер, и обрабатывает классификацию за один проход; автор заявляет более высокую вычислительную эффективность по сравнению с cross-encoder и расширенное контекстное окно. Модель обучена на синтетических данных; в метаданных указан датасет MoritzLaurer/synthetic_zeroshot_mixtral_v0.1. Карточка сообщает о сопоставимом с версией на DeBERTa качестве в zero-shot-режиме и сильных результатах в few-shot-режиме, но не приводит конкретных метрик. Доступны веса в форматах Safetensors и ONNX; лицензия Apache-2.0 допускает коммерческое применение. Карточка описывает поддержку английского языка.

Это конверсия модели granite-embedding-97m-multilingual-r2 от IBM в формат GGUF F16, подготовленная ATF (Agent Taskflow) для локального запуска через llama.cpp. Модель на базе ModernBERT создаёт 384-мерные текстовые эмбеддинги и использует собственный многоязычный токенизатор на 180 000 токенов. Конверсия не меняет веса и не включает дообучение; автор README сообщает о высокой близости результатов к исходной модели при проверке на CPU и GPU. Модель предназначена для получения векторных представлений текста в локальных и периферийных сценариях, включая семантический поиск и сопоставление запросов с документами или кодом. Для запуска нужен актуальный llama.cpp с поддержкой токенизатора granite-embed-multi-97m. Модель распространяется по лицензии Apache-2.0; веса принадлежат IBM.

onnx-community/harrier-oss-v1-270m-ONNX — ONNX-версия мультиязычной модели эмбеддингов harrier-oss-v1-270m, разработанной Microsoft и подготовленной для использования с Transformers.js. Модель преобразует текст в плотные векторные представления размерностью 640, используя decoder-only архитектуру, pooling по последнему непустому токену и L2-нормализацию. Она поддерживает до 32 768 токенов в контексте и обучена на контрастивных задачах с дополнительной дистилляцией от более крупных embedding-моделей. Модель предназначена для семантического поиска и retrieval, кластеризации, оценки семантического сходства, классификации, поиска параллельных текстов и reranking. Она поддерживает широкий набор языков, включая русский, английский, арабский, китайский, японский, корейский, испанский, французский, немецкий и многие другие. Для запросов рекомендуется добавлять однострочную инструкцию, описывающую задачу; для документов инструкции не требуются. По данным карточки, модель получила оценку 66,5 на Multilingual MTEB v2 на момент выпуска. К сильным сторонам относятся широкая языковая поддержка, большой максимальный контекст, компактный размер 270 млн параметров и возможность запуска через Transformers.js, включая WebGPU. Результаты могут немного отличаться в зависимости от версий Transformers и PyTorch. Модель предназначена для текстовых данных и не описана как мультимодальная. Лицензия — MIT.

HelixLM — плотная авторегрессионная языковая модель семейства Helix, опубликованная dusersad12 в формате PyTorch для генерации текста. В карточке заявлены улучшения рассуждений и вывода, включая задачи по математике, программированию и логике; модель также позиционируется как чат-ассистент с поддержкой вызова функций. README сообщает об улучшении результата на AIME 2026 до 89,3% и увеличении среднего расхода токенов на вопрос с 14 тыс. до 27 тыс., а также о снижении галлюцинаций. Для локального запуска и взаимодействия предлагаются отдельные кодовый репозиторий, веб-интерфейс и API; для генерации рекомендована температура 0,6. Репозиторий распространяется по лицензии Apache-2.0. Размер модели, длина контекста и поддерживаемые языки в предоставленных данных не указаны.

AnandSingh/hunyuanocr-mlx — конверсия OCR-модели Tencent HunyuanOCR для запуска через Apple MLX на компьютерах Mac с Apple Silicon. Это плотная зрительно-языковая модель семейства Hunyuan-VL с архитектурой HunYuanVLForConditionalGeneration; в метаданных указано 463,5 млн параметров и контекст 32 768 токенов. Модель принимает изображения и текстовые инструкции, а в ответ может распознавать текст, извлекать сведения и разбирать документы. Модель предназначена для поиска текста на изображениях, разбора сложных документов и таблиц, распознавания формул и извлечения субтитров из видео. В README также заявлены перевод текста на фотографиях и высокие результаты в этих задачах, но сравнительные оценки не приведены. В примерах используются китайские инструкции; метаданные характеризуют языки модели как многоязычные. Для работы требуются Mac с Apple Silicon, macOS 14 или новее, Python 3.9+ и библиотеки MLX, Transformers, PyTorch и Pillow. Репозиторий использует формат safetensors. Указанная лицензия — other; конкретные условия необходимо сверить с карточкой модели. Конверсия не связана с Tencent и не одобрена компанией.

DejanX13/ISO_embedding_1000 — модель на базе XLM-RoBERTa, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для сравнения семантической близости, семантического поиска и кластеризации. Обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель содержит около 658,7 млн параметров и поддерживает контекст до 514 токенов. Репозиторий использует формат safetensors; для работы подходит библиотека sentence-transformers. Карточка не сообщает о специализированной предметной области или поддерживаемых языках, поэтому модель можно описать как общую модель эмбеддингов текста. Такие эмбеддинги подходят для поиска похожих текстов и группировки предложений по смыслу. Качество на конкретных языках и доменах следует проверять на собственных данных: карточка не приводит результатов оценки. Лицензия в предоставленных данных не указана.

Xenova подготовила ONNX-версию модели jinaai/jina-embeddings-v2-base-de для работы с библиотекой Transformers.js. Это дообученная модель семейства BERT класса JinaBertForMaskedLM с 160,1 млн параметров и контекстом до 8192 токенов; она предназначена для извлечения признаковых представлений немецких и английских текстов. Эмбеддинги можно применять для семантического поиска, сравнения предложений и систем RAG. Репозиторий содержит веса ONNX и PyTorch и распространяется по лицензии Apache-2.0. Карточка показывает совместимость с Transformers.js; по назначению это модель для получения текстовых представлений, а не готовая диалоговая система. Классификация каталога как fill-mask расходится с авторским тегом feature-extraction, поэтому основная задача здесь — извлечение признаков.

Jina AI выпустила MLX-порт модели Jina Embeddings v5 Text Small Classification для запуска на компьютерах Apple с процессорами M1, M2, M3 и M4 и ускорением Metal. Это плотная модель эмбеддингов на архитектуре Qwen3-0.6B с предварительно объединёнными LoRA-адаптерами для задач классификации и поиска. Она преобразует запросы и документы в векторы размерностью до 1024; поддерживается сокращение размерности по схеме Matryoshka до 32, 64, 128, 256, 512 или 768. Максимальная длина последовательности — 32 768 токенов. Модель предназначена для получения представлений запросов и фрагментов документов, которые можно использовать для поиска и классификации текста. Репозиторий распространяет веса в формате safetensors и рассчитан на работу с библиотекой MLX. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

Kwaipilot/KAT-Dev — открытая модель для задач разработки программного обеспечения, выпущенная Kwaipilot. В README модель описана как KAT-Dev-32B, оптимизированная несколькими этапами обучения: промежуточным обучением, supervised fine-tuning, reinforcement fine-tuning и масштабным агентным reinforcement learning. Метаданные этого репозитория указывают архитектуру Qwen3 с плотной причинной языковой моделью, 29,7 млрд параметров и контекстом до 131 072 токенов; файлы представлены в формате safetensors, модель рассчитана на диалоговое использование. Модель предназначена для генерации кода и помощи в инженерных задачах, в том числе для использования в агентных инструментах разработки с поддержкой вызова инструментов. В README приведён пример запуска через vLLM с парсером вызовов инструментов Qwen3 Coder. Карточка сообщает о 62,4% решённых задач SWE-Bench Verified для версии KAT-Dev-32B, но метаданные указывают 29,7 млрд параметров, поэтому сведения о размере в источниках расходятся. Поддерживается многоязычный ввод, однако конкретные языки не перечислены. Лицензия репозитория — Apache-2.0.

Карточка модели devix1/Kimi-K2.7-Code на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.7-Code, поэтому описание составлено по ней. 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.