II.8Инженерия данных и аналитика

Qwen3-Coder-REAP-25B-A3B — сжатая версия инструктивной модели Qwen3-Coder-30B-A3B-Instruct, созданная Cerebras с помощью метода REAP (Router-weighted Expert Activation Pruning). Это разреженная причинно-языковая MoE-модель для генерации кода, агентного программирования и вызова функций; она также сохраняет понимание репозиториев и работу с длинным контекстом. В модели заявлено 25 млрд параметров, из которых около 3 млрд активируются на токен; в метаданных каталога указано 2,4 млрд параметров. Архитектура включает 48 слоёв и 103 эксперта, из которых активируются 8 на токен. REAP удаляет 20% экспертов без дополнительного дообучения. Нативный контекст — 262 144 токена; README также указывает возможность расширения до 1 млн токенов с YaRN. Модель принимает текст и генерирует текст, поддерживает английский язык и доступна в формате Safetensors для Transformers. Модель предназначена для локального развёртывания и сценариев с ограниченными ресурсами; README заявляет близкую к исходной модели производительность на задачах генерации кода, агентного программирования и вызова функций. Для развёртывания описана совместимость с vLLM. Лицензия — Apache 2.0. Заявления о качестве приведены в карточке модели; результаты и методика оценки требуют сверки с указанной там публикацией.

Qwen3-Swallow 32B RL v0.2 AWQ-INT4 — квантованная 4-битная версия большой языковой модели, разработанная командой Tokyo Institute of Technology под названием tokyotech-llm на основе Qwen3. Модель дообучалась с использованием непрерывного предварительного обучения, supervised fine-tuning и reinforcement learning with verifiable rewards (RLVR), включая датасеты по математике, программированию, рассуждениям и диалогам. Модель предназначена для генерации текста, общения, японско-английского перевода, решения математических задач, программирования и задач, требующих развитого рассуждения. Она оптимизирована для японского и английского языков. Размер исходной модели составляет 32 млрд параметров; архитектурные детали и токенизатор соответствуют Qwen3. Рекомендуется использовать контекст длиной не более 32 768 токенов и параметры генерации temperature 0,6, top-p 0,95 и top-k 20. К сильным сторонам относятся высокая двуязычная компетентность, улучшенные возможности рассуждения и сохранение производительности в математике и программировании. Для данной AWQ-квантизованной версии результаты оценки пока не опубликованы. Модель не обучалась специально для использования инструментов и function calling, а переключение режима рассуждений ON/OFF не поддерживается. Лицензия — Apache-2.0.

Qwen3-VL-Embedding-2B-4bit — мультимодальная модель эмбеддингов из семейства Qwen3-VL, опубликованная mlx-community. Она преобразована в формат MLX из Qwen/Qwen3-VL-Embedding-2B и предназначена для извлечения векторных представлений текста и изображений, например для поиска по тексту и визуальному содержимому. В метаданных указана архитектура Qwen3VLForConditionalGeneration и задача feature-extraction; базой послужила Qwen/Qwen3-VL-2B-Instruct. Репозиторий распространяется под лицензией Apache-2.0. Карточка не приводит конкретные сведения о поддерживаемых языках, размере контекста и точной схеме работы с изображениями.

Карточка модели tomaarsen/Qwen3-VL-Embedding-8B на Hugging Face совпадает с карточкой Qwen/Qwen3-VL-Embedding-8B, поэтому описание составлено по ней. Qwen3-VL-Embedding-8B — мультимодальная модель эмбеддингов семейства Qwen, разработанная командой Qwen и дообученная на базе Qwen/Qwen3-VL-8B-Instruct. Она предназначена для поиска и сопоставления информации между текстом, изображениями, скриншотами и видео, а также для кластеризации мультимодального контента. Модель принимает отдельные модальности и их сочетания и кодирует их в общее векторное пространство. Модель содержит 8 млрд параметров, имеет архитектуру Qwen3-VL и контекст длиной до 32 тысяч токенов. Размерность эмбеддинга достигает 4096; поддерживаются настраиваемые размерности от 64 до 4096. Заявлена поддержка более 30 языков, а среди сценариев — мультимодальный и межъязыковой поиск, сопоставление текста с изображениями и видео и визуальный поиск по документам. Модель распространяется под лицензией Apache-2.0. Эмбеддинги подходят для первичного поиска и кластеризации; для уточнения порядка найденных результатов карточка рекомендует отдельную модель Qwen3-VL-Reranker. Для многоязычных сценариев README советует формулировать инструкции на английском, поскольку большинство инструкций при обучении были на этом языке.

Qwen3-Coder-30B-A3B-Instruct-GGUF — инструкция-ориентированная текстовая модель для генерации кода и работы с запросами на естественном языке. Базовую модель Qwen3-Coder-30B-A3B-Instruct разработала команда Qwen, а представленные файлы в формате GGUF подготовлены и квантизированы TensorBlock. Модель предназначена для локального запуска и совместима с llama.cpp начиная с указанного коммита. Доступны варианты квантизации от Q2_K до Q5_0 с размером файлов примерно от 11,3 до 21,1 ГБ. В README указано обозначение 30B-A3B, однако подробности архитектуры, число активных параметров, поддерживаемые языки, контекстное окно и мультимодальные возможности не описаны. Варианты квантизации позволяют выбирать между меньшим потреблением памяти и качеством; рекомендуемым назван Q4_K_M как сбалансированный по размеру и качеству, тогда как Q2_K и некоторые Q3-варианты имеют существенные потери качества. Модель подходит для программирования, генерации и редактирования кода, а также для локальных приложений, использующих текстовую генерацию. Ограничения связаны с потерями качества при низкой квантизации и отсутствием в предоставленных данных сведений о производительности, языковом покрытии и максимальной длине контекста. Распространение заявлено по лицензии Apache-2.0.

Qwopus3.5-9B-Coder-MTP-GGUF — набор GGUF-квантизаций модели Qwopus3.5-9B-Coder, разработанной Jackrong, с сохранёнными MTP-головами для multi-token prediction и speculative decoding. Квантизации подготовлены автором репозитория с использованием imatrix от mradermacher и инструментов llama.cpp. Модель ориентирована на генерацию и анализ кода, рассуждения, агентские сценарии, tool use и function calling; также заявлена поддержка работы с изображениями и текстом через mmproj-файлы. Доступны варианты IQ4_XS размером примерно 4,99–5,29 GiB. В README заявлены контекст до 98 304 токенов при использовании YaRN за пределами исходных 32 768 токенов, запуск примерно в 6 ГБ VRAM и начальная скорость около 60 токенов в секунду на RTX 4060 в Windows 11 с KVarN. Поддерживаются английский, китайский, корейский, русский, японский и испанский языки. Версии различаются распределением более точных форматов квантования по отдельным слоям; по наблюдениям автора, у V3 лишь незначительно снизилась доля принятых предсказаний по сравнению с V1, оставаясь выше 60% в задачах программирования. Модель подходит для локального запуска через llama.cpp и совместимые приложения, особенно когда важны небольшой размер, длинный контекст и ускорение декодирования MTP. Ограничения включают зависимость мультимодального режима от отдельного mmproj-файла, необходимость корректной настройки YaRN, KVarN и speculative decoding, а также отсутствие подробных независимых бенчмарков. Распространяется по лицензии Apache-2.0.

Qwopus3.5-9B-v3 — языковая reasoning-модель, разработанная Jackrong на базе unsloth/Qwen3.5-9B. Она дообучена с акцентом на повышение стабильности и корректности рассуждений, а также эффективности вывода; в описании проекта упоминаются reasoning distillation, структурное выравнивание и применение Unsloth. Основная специализация — программирование, решение задач и сценарии, где важны последовательные рассуждения и обобщение между типами задач. Модель относится к классу 9B и заявлена для работы с английским, китайским и корейским языками. В карточке также указан pipeline image-text-to-text, однако подробности о поддерживаемых визуальных входах и мультимодальной архитектуре не приведены. Точная длина контекста, формат квантованных вариантов и другие характеристики инференса не указаны. Для оценки заявлены результаты HumanEval: 87,80% base pass@1 и 82,93% plus pass@1 на 164 задачах, но результаты получены авторами модели в описанных ими условиях и не гарантируют аналогичную эффективность в других сценариях. Сильными сторонами модели являются ориентация на программирование, улучшенные показатели на указанном тесте относительно Qwen3.5-9B и стремление к более коротким и стабильным цепочкам рассуждений. Ограничения включают отсутствие полной информации о качестве на широком спектре задач, контекстном окне, требованиях к ресурсам и возможностях мультимодальной обработки. Модель распространяется по лицензии Apache-2.0.

Qwopus-3.6-27B-Coder — это модель для агентного программирования и рассуждений, разработанная Jackrong на базе Qwopus3.6-27B-v2 и представленная в формате GGUF. Она дообучена для генерации и исправления кода, работы с репозиториями, многошагового выполнения задач, структурированных вызовов инструментов, function calling и взаимодействия с агентными средами. В обучении использовались датасеты с траекториями рассуждений и агентного поведения, включая TraceInversion и lambda/hermes-agent-reasoning-traces. Модель представляет собой плотную модель с 27 миллиардами параметров и поддержкой длинного контекста, однако точная длина контекста в README не указана. Заявлены мультимодальные сценарии image-text-to-text и поддержка работы с изображениями, а также языки English, Chinese, Spanish, Russian и Japanese. Среди сильных сторон указаны ориентация на repository-level задачи, отладку, генерацию патчей, оркестрацию инструментов и сложное логическое рассуждение. Для базовой модели приведены результаты 87,43% на MMLU-Pro и 75,25% на SWE-bench Verified, а для этой версии заявлен результат 67,0% на SWE-bench Verified в режиме без рассуждений. Модель рассчитана на разработческие рабочие процессы, где требуется последовательное использование инструментов и обработка обратной связи от среды. Ограничения включают отсутствие в README подробностей о точной архитектуре, размере контекстного окна, вариантах квантования GGUF и фактических возможностях мультимодального ввода. Лицензия модели — Apache-2.0.

Qwopus-3.6-27B-Coder — это плотная модель с 27 млрд параметров для агентного программирования, созданная Jackrong на основе Qwopus3.6-27B-v2. Модель дообучена для генерации и отладки кода, работы на уровне репозитория, выполнения многошаговых задач разработки, структурированных вызовов инструментов и function calling. Релиз представлен в формате GGUF и ориентирован на использование с llama.cpp и совместимыми средствами инференса. Модель поддерживает текстовые и визуальные сценарии image-text-to-text, а также заявлена как multimodal. Указаны языки English, Chinese, Spanish, Russian и Japanese. Она предназначена для агентных рабочих процессов с многоходовым взаимодействием, инструментами и обратной связью среды; заявлена поддержка native long context, однако точный размер контекстного окна не указан. Обучение использовало наборы данных с реконструированными reasoning-трассами Claude Opus и агентными траекториями. Сильными сторонами являются специализация на сложных задачах программирования, инструментальном взаимодействии и логическом рассуждении; для базовой модели заявлены 87,43% на MMLU-Pro и 75,25% на SWE-bench Verified, а для этого релиза — 67,0% на SWE-bench Verified в режиме off-thinking. Эти результаты приведены авторами и не сопровождаются методикой проверки в представленном README. Ограничения включают отсутствие точных сведений об архитектуре, размере контекста, вариантах квантования и требованиях к памяти, а также неполное описание поведения мультимодальных возможностей. Лицензия — Apache-2.0.

Rombos-Coder-V2.5-Qwen-32b-GGUF — квантизированная версия модели Rombos-Coder-V2.5-Qwen-32b, разработанной rombodawg и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации и обработки кода, а также связанных с программированием текстовых запросов. В карточке указана поддержка английского языка и размер базовой модели 32B параметров. Модель квантизирована с использованием llama.cpp и imatrix; доступны варианты от Q3 до Q8 с размером файлов примерно от 15 до 35 ГБ. Версии с более высокой точностью сохраняют лучшее качество, тогда как младшие варианты требуют меньше оперативной памяти, но могут заметнее терять в качестве. Для запуска рекомендуются llama.cpp и LM Studio; в README также приведён шаблон чата с ролями system, user и assistant. Архитектура, размер контекстного окна, дополнительные модальности и результаты оценивания в карточке не указаны. Для отдельных вариантов существуют ограничения по аппаратной платформе: некоторые сборки оптимизированы для ARM и требуют соответствующих инструкций, а их использование на macOS и Windows не рекомендуется. Модель распространяется по лицензии Apache-2.0.

sergeyzh/rubert-mini-sts — компактная русскоязычная модель для семантического сравнения предложений, разработанная на основе cointegrated/rubert-tiny2. Это BERT-энкодер с 32,8 млн параметров и эмбеддингами размерности 312; в README указано, что число слоёв увеличено с 3 до 7. Модель принимает текст и выдаёт векторные представления предложений для оценки их сходства. Модель предназначена для semantic text similarity, выявления перефразировок, вывода о связи между текстами, анализа тональности и выявления токсичности. По результатам бенчмарка encodechka она уступает более крупным multilingual-e5-large и LaBSE-ru-sts по STS, но README приводит для неё более высокую скорость на CPU. Указанная длина контекста — 2048 токенов. Модель выпущена под лицензией MIT.

Карточка модели whilework/rubert-tiny2 на Hugging Face совпадает с карточкой cointegrated/rubert-tiny2, поэтому описание составлено по ней. cointegrated/rubert-tiny2 — компактный русскоязычный BERT-энкодер, обновлённая версия ruBERT-tiny. Модель разработана для получения векторных представлений предложений; её также можно дообучать для прикладных задач. Она содержит около 29 млн параметров, использует словарь из 83 828 токенов и поддерживает последовательности длиной до 2048 токенов. Эмбеддинги предложений приближены к представлениям LaBSE; сегментные эмбеддинги настроены на задаче NLI. Векторы можно применять, например, для классификации коротких текстов методом ближайших соседей и оценки сходства предложений. Модель ориентирована на русский язык; карточка распространяет её по лицензии MIT.

nickprock разработал модель sentence-transformers на архитектуре BERT для представления итальянских предложений и абзацев в виде плотных векторов размерностью 768. Она предназначена для поиска семантически близких текстов, кластеризации и сравнения предложений; для работы с ней можно использовать Sentence-Transformers, FastEmbed или Transformers с подходящей операцией pooling. Модель насчитывает 137,1 млн параметров, имеет контекстное окно до 512 токенов и обучалась с функцией потерь CosineSimilarityLoss на данных, связанных с STS-Benchmark для нескольких языков. Доступны форматы PyTorch, safetensors и ONNX. Лицензия — MIT.

Skywork o1 Open-Llama-3.1-8B — разговорная языковая модель команды Skywork компании Kunlun Inc., дообученная на базе Meta-Llama-3.1-8B-Instruct с данными для пошагового рассуждения. Это плотная причинно-следственная модель семейства Llama с 7,5 млрд параметров; она принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов и интерфейс вызова инструментов. Модель предназначена для диалогов и решения задач, требующих рассуждений: математических и логических задач, планирования, самопроверки, вопросов на здравый смысл, а также задач программирования. Разработчики описывают трёхэтапное обучение, включающее обучение рефлексивным рассуждениям, обучение с подкреплением и планирование; заявленные улучшения основаны на результатах бенчмарков, приведённых в карточке модели. Модель распространяется в формате safetensors. Метаданные указывают лицензию «other», поэтому конкретные условия использования следует проверять в лицензии репозитория. Разработчики предупреждают о возможных непредсказуемых рисках и просят не развёртывать модель в интернет-сервисах без соответствующей проверки безопасности.

Карточка модели RedHatAI/snowflake-arctic-embed-m-long на Hugging Face совпадает с карточкой Snowflake/snowflake-arctic-embed-m-long, поэтому описание составлено по ней. Snowflake Arctic Embed M Long — текстовая модель эмбеддингов компании Snowflake для поиска и сопоставления запросов с документами. Она преобразует текст в плотные векторы, пригодные для построения семантического поиска, ранжирования кандидатов и других систем извлечения информации. Модель относится к семейству Arctic Embed, обученному на основе открытых моделей представления текста с многоэтапной оптимизацией retrieval-задач: на парах запрос–документ и триплетах с трудными негативными примерами. Архитектура — NomicBert; максимальная длина контекста — 8192 токена. Доступны веса Safetensors и формат ONNX. В README семейство описано как оптимизированное для качества поиска; в карточке этой версии отдельно не приведены размер модели, размерность эмбеддинга или языковой охват. Подходит для семантического поиска по документам, поиска ответов в корпусах и сравнения текстов по смыслу. README сообщает о высоких результатах Arctic Embed на наборах MTEB/BEIR, но более поздние версии семейства названы предпочтительными для многоязычных задач. Модель распространяется по лицензии Apache-2.0.

Trinity Nano Preview — экспериментальная чат-модель семейства Trinity от Arcee AI, созданная дообучением Trinity-Nano-Base. В README она описана как разреженная MoE-модель с архитектурой AfmoeForCausalLM, 6 млрд параметров и примерно 1 млрд активных параметров; метаданные указывают 880,3 млн параметров. Поддерживает контекст до 131 072 токенов и работает с текстом на нескольких языках. Модель предназначена для диалогов и генерации текста. Разработчики описывают её как открытую по весам модель для предприятий и энтузиастов, обученную на 10 трлн токенов с дополнительным акцентом на математике и коде. README предупреждает, что в этой предварительной экспериментальной версии возможна нестабильность в отдельных сценариях. Указанная в README лицензия — OpenMDW-1.1; метаданные Hugging Face обозначают её как other.

Unlimited-OCR AMD Strix Halo — сообщественная упаковка модели Baidu Unlimited-OCR, адаптированная для локального запуска на системах AMD Strix Halo с ROCm. Репозиторий содержит веса модели, код и средства запуска для Ryzen AI Max+ 395 с Radeon 8060S; это не официальный выпуск Baidu или Corsair. Модель предназначена для распознавания текста на изображениях и страницах PDF, включая длинные документы. Она имеет плотную архитектуру UnlimitedOCRForCausalLM, около 559,7 млн параметров и контекст длиной 32 768 токенов. Для типовых PDF-тестов в README приведены показатели word F1 от 0,849 до 0,978; результат зависит от типа документа, качества скана, настроек рендеринга, доступной памяти и версий ROCm и PyTorch. Упаковка распространяется по лицензии MIT.

Модель unsup-simcse-bert-base-uncased разработана группой Princeton NLP и представляет собой BERT-base-uncased, дообученный методом unsupervised SimCSE для получения векторных представлений предложений. Она предназначена для извлечения признаков и построения эмбеддингов, которые можно использовать в задачах семантического сходства и последующей обработки текста. Модель содержит 136,7 млн параметров, принимает текст на английском языке и поддерживает контекст до 512 токенов. Опубликованы варианты весов PyTorch и Flax. README указывает, что для обучения использовались случайно выбранные предложения из англоязычной Википедии; оценивание эмбеддингов проводилось на задачах семантического сходства и переноса на другие задачи. README не приводит лицензию. Эмбеддинги могут отражать вредные стереотипы и предубеждения, поэтому результаты следует проверять с учётом возможного смещения.

Vela Omni Nano — компактная мультимодальная модель компании Vela для получения векторов текста, изображений, речи и окружающих звуков в общем пространстве размерностью 384. В модели 163,8 млн параметров; репозиторий содержит веса в формате safetensors и рассчитан на работу с PyTorch. Модель предназначена для мультимодального поиска, маршрутизации запросов и кластеризации: её нормализованные векторы можно напрямую сравнивать между собой. В README также приведены результаты классификации текста и поиска соответствий между изображениями и текстом; аудиоветвь на базе замороженного CLAP добавляет представления окружающих звуков, а аудиоэмбеддинги обучены отдельно. На английских тестах модель показывает сильные результаты для своего размера, тогда как многоязычные показатели остаются ограничением. Лицензия — Apache-2.0. README описывает зависимость для использования от PyTorch, совместимого torchaudio и Transformers 4.57.6.

Fmuaddib выпустил конвертированную в формат MLX модель WhiteRabbitNeo-2.5-Qwen-2.5-Coder-12.3B-mlx-fp16 на основе win10/WhiteRabbitNeo-2.5-Qwen-2.5-Coder-12.3B. Это плотная авторегрессионная модель семейства Qwen2 с 11,7 млрд параметров, предназначенная для генерации текста в диалоговом режиме; в названии и базовой модели указана специализация на программировании. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. README сообщает о конвертации из исходного репозитория в MLX с помощью mlx-lm версии 0.22.3; метаданные указывают формат файлов safetensors. Условия лицензии в предоставленных данных не приведены.

WhiteRabbitNeo-2.5-Qwen-2.5-Coder-7B-GGUF — это набор GGUF-квантизаций модели WhiteRabbitNeo-2.5-Qwen-2.5-Coder-7B, разработанной WhiteRabbitNeo и подготовленной пользователем bartowski. Модель предназначена для генерации текста и решения задач, связанных с программированием; в карточке указаны английский язык, библиотека Transformers и тег code. Доступны варианты для локального запуска через llama.cpp и LM Studio. Модель относится к семейству Qwen-2.5-Coder и имеет размер 7B параметров. В репозитории представлены версии от F16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и IQ4_XS, включая варианты, оптимизированные для ARM. Квантизация выполнена с использованием imatrix на базе llama.cpp; размеры файлов составляют примерно от 4,09 до 15,24 ГБ. Рекомендуемые варианты обеспечивают компромисс между качеством и требованиями к памяти, а Q6_K_L и Q6_K описаны как близкие к исходному качеству. Сильная сторона модели — широкий выбор квантизаций для локального запуска на оборудовании с разным объёмом памяти. Ограничения включают возможное снижение качества в низкобитных вариантах, отсутствие сведений о размере контекста, точной архитектуре, дополнительных языках и мультимодальных возможностях. Лицензия — Apache-2.0.

Arabic-KW-Mdel — модель эмбеддингов предложений на базе BERT, опубликованная пользователем medmediani. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель имеет 162,4 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена с функцией потерь CosineSimilarityLoss и распространяется в формате PyTorch для использования с Sentence-Transformers или Transformers. В карточке не приведены сведения о лицензии и конкретных языках обучения, поэтому нельзя подтвердить заявленную ориентацию на арабский язык по одному названию репозитория.

AReaL-boba-2-14B-Open — открытая разговорная языковая модель на 14 млрд параметров, разработанная лабораторией RL Lab компании Ant Research в рамках проекта AReaL. Это плотная модель семейства Qwen3 для генерации текста и диалога; карточка указывает контекст до 40 960 токенов, а интерфейс модели поддерживает вызов инструментов. Модель обучена с помощью асинхронного обучения с подкреплением на базе Qwen3 и предназначена прежде всего для рассуждений при генерации кода и решения задач программирования. В README приведены результаты на LiveCodeBench v5, Codeforces и CodeContests; для 14B-версии указаны 67,3, 1990 и 46,2 соответственно. Модель может использоваться для написания и анализа кода, а также в диалоговых агентных сценариях с инструментами. README также описывает экспериментальную поддержку многошагового обучения агентных моделей, но это относится к системе обучения AReaL, а не гарантирует характеристики каждого сценария применения чекпойнта. Модель распространяется по лицензии Apache-2.0. Доступны веса PyTorch. Показатели на бенчмарках не гарантируют качество на произвольных задачах; README не сообщает о поддерживаемых естественных языках.

Это англоязычная модель Sentence Transformer rafiazarin/arxiv-ms-marco-embedding-mixed, дообученная на основе sentence-transformers/all-MiniLM-L6-v2 для поиска релевантных текстов. Энкодер на архитектуре BERT преобразует предложения и абзацы в нормализованные плотные векторы размерности 384; сходство между ними можно оценивать косинусной мерой. По карточке модель обучалась на 2700 парах запросов и положительных текстов, а для поиска показана оценка cosine_accuracy@1, @3 и @5 по 0,995. Модель подходит для семантического поиска и извлечения ответов или документов по запросу, а также для сравнения текстов и построения поисковых систем на Sentence Transformers. Метаданные указывают максимальный контекст 512 токенов, тогда как README задаёт максимальную длину последовательности 256 токенов; при практическом использовании следует учитывать более короткое ограничение, указанное в карточке модели. Лицензия в предоставленных данных не указана.

BengaliSBERT-STS — модель L3Cube-Pune для оценки семантической близости предложений на бенгальском языке. Она создана на основе l3cube-pune/bengali-sentence-bert-nli и дообучена на наборе данных STS; относится к семейству BERT и использует архитектуру BertModel с плотными представлениями. Число параметров — около 264,8 млн, максимальная длина контекста — 512 токенов. Модель предназначена для получения векторных представлений предложений и сравнения их смысловой близости, например, при поиске похожих фраз или группировке текстов. Поддерживает бенгальский язык; доступна в формате PyTorch и распространяется по лицензии CC BY 4.0. Для использования требуется корректно агрегировать контекстуальные представления токенов с помощью pooling; конкретные ограничения качества в карточке не описаны.

swardiantara/bert-tiny-yelp-k1-fixed-cosine — компактная модель Sentence Transformer, дообученная автором на базе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы на английском языке в плотные векторы размерности 128 для поиска и сравнения текстов по косинусному сходству. Архитектура объединяет BERT с двумя слоями и mean pooling; модель содержит 4,4 млн параметров и принимает только текст. Модель подходит для семантического поиска, извлечения признаков и ранжирования текстов по смысловой близости, в том числе для отзывов о ресторанах и других сервисах. Максимальная длина последовательности в README — 128 токенов; метаданные каталога указывают контекст до 512 токенов. Лицензия в предоставленных данных не указана.

BAAI/bge-reranker-base — компактная модель-реранкер семейства BGE, разработанная BAAI. Она использует архитектуру XLM-RoBERTa с классификационной головой и содержит около 305,2 млн параметров. Модель принимает запрос вместе с текстовым фрагментом и оценивает их релевантность, что позволяет повторно упорядочивать документы, найденные на первом этапе поиска. Основной сценарий — улучшение поисковой выдачи и RAG: после извлечения кандидатов из индексатора реранкер пересчитывает релевантность пар «запрос — документ». Это кросс-энкодер, который обычно точнее ранжирует кандидатов, чем один лишь поиск по эмбеддингам, но требует отдельного вычисления для каждой пары. Контекст ограничен 514 токенами. В карточке указаны английский и китайский языки; README также описывает модель как предназначенную для китайского и английского языков. Доступны форматы PyTorch, Safetensors и ONNX. Модель распространяется по лицензии MIT. Оценка релевантности не ограничена фиксированным диапазоном, поэтому её следует интерпретировать для ранжирования, а не как калиброванную вероятность. Для длинных текстов учитывайте ограничение контекста; BAAI указывает, что более новые реранкеры поддерживают более длинные входы и больше языков.

unsloth/bge-small-en-v1.5-GGUF — это GGUF-версия модели bge-small-en-v1.5, предназначенной для получения векторных представлений англоязычных текстов. Она относится к классу sentence-transformers и задачам feature extraction и sentence similarity, поэтому подходит для семантического поиска, сопоставления похожих предложений, классификации, кластеризации и reranking. Разработчик базовой модели в предоставленных данных не указан; модель опубликована в репозитории unsloth. Модель ориентирована на английский язык. Точные сведения об архитектуре, количестве параметров, размерности эмбеддингов, максимальной длине контекста и поддерживаемых модальностях в README не приведены. Формат GGUF предполагает использование конвертированной версии модели, однако конкретный вариант квантования также не указан. В README приведены результаты на бенчмарке MTEB: модель демонстрирует применимость к классификации, поиску, кластеризации, reranking и оценке семантического сходства; например, accuracy на AmazonPolarity составляет 92,75%, а cosine similarity Spearman на BIOSSES — 83,75%. Эти показатели характеризуют тестовые наборы и не гарантируют аналогичное качество на других данных. Сведения о лицензии и условиях использования отсутствуют.

CodeGemma 1.1 7b Instruct — языковая модель Google, представленная в формате GGUF. Квантизацию выполнил bartowski на базе llama.cpp. Модель создана как помощник программиста для генерации кода и решения задач разработки; в качестве примера использования указано написание функций на Python. Рекомендуемый шаблон запросов — Google Gemma Instruct с маркерами начала и конца хода диалога. Модель основана на Gemma 7B и дополнительно обучена на веб-документах, математике и исходном коде: заявлено соотношение 80% кода и 20% естественного языка. Instruct-версия дообучалась на математических наборах данных, синтетически сгенерированном коде и обратной связи от другой LLM, что должно улучшать генерацию кода и математическое рассуждение. Указан размер исходной модели 7B, а для сборки в LM Studio — около 8B параметров; поддерживаемые языки, длина контекста и точные параметры GGUF в README не указаны. Сильными сторонами модели являются специализация на программировании, локальный запуск через GGUF и небольшие заявленные улучшения генерации кода по сравнению с исходной версией CodeGemma. Ограничения включают возможные неточности, а также отсутствие в README данных о производительности, языковом покрытии, конкретном варианте квантизации и мультимодальности; модель предназначена для работы с текстом и кодом. Использование регулируется лицензией Google Gemma; для доступа к оригинальной модели на Hugging Face требуется принять условия Google.

Codestral-22B-v0.1-abliterated-v3-GGUF — это GGUF-квантизованная версия модели Codestral-22B-v0.1-abliterated-v3. Исходная модель размещена пользователем failspy, а квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix. В карточке не указано, кто разработал исходную архитектуру Codestral. Модель предназначена прежде всего для генерации и обработки программного кода, поскольку имеет тег code и относится к задаче text-generation. Она доступна в нескольких вариантах квантизации GGUF с размером файлов примерно от 6,64 до 23,64 ГБ, что позволяет выбирать баланс между качеством и требованиями к оперативной памяти. Наиболее качественными и рекомендуемыми названы варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS; версии с более низкой разрядностью экономят память, но могут заметно терять в качестве. В README не указаны точная архитектура, размер контекстного окна, поддерживаемые естественные языки и дополнительные модальности, поэтому эти характеристики нельзя достоверно определить по имеющимся данным. Также предупреждается, что формат prompt не задан в исходной карточке и предложенный шаблон может быть некорректным. Модель распространяется по лицензии MNPL-0.1; в карточке приведена ссылка на её текст.