II.8Инженерия данных и аналитика

Qwen2.5-Coder-7B-Instruct-abliterated-GGUF — набор GGUF-квантизаций модели Qwen2.5-Coder-7B-Instruct-abliterated. Базовая модель опубликована huihui-ai, а квантизации подготовлены bartowski с использованием llama.cpp и imatrix. Это текстовая модель генерации с поддержкой диалогового формата prompt и специализацией на задачах программирования и следовании инструкциям. Модель предназначена для локального запуска в приложениях и средах, совместимых с GGUF, включая LM Studio. Доступны варианты от F16 до Q3 и различных Q4–Q8-квантизаций размером примерно от 4,09 до 15,24 ГБ. Более крупные варианты обычно сохраняют лучшее качество, а компактные требуют меньше оперативной памяти; для ARM предусмотрены отдельные варианты, некоторые из которых требуют поддержки sve или i8mm и не рекомендуются для Mac или Windows. В README указана поддержка английского языка и текстовая модальность; сведения о размере контекста и точной архитектуре не приведены. К ключевым ограничениям относятся возможная потеря качества при сильной квантизации и зависимость совместимости от аппаратной платформы. Модель имеет статус abliterated/uncensored, поэтому поведение в отношении ограничений безопасности может отличаться от исходной instruct-модели. Указана лицензия Apache-2.0.

BenevolenceMessiah/Qwen2.5-Coder-7B-Instruct-abliterated-TIES-v2.0 — объединённая языковая модель на архитектуре Qwen2, созданная методом TIES с помощью mergekit. В качестве основы использована huihui-ai/Qwen2.5-Coder-7B-Instruct-abliterated; также объединены Rombos-Coder-V2.5-Qwen-7b, CursorCore-QW2.5-7B и Hammer2.0-7b. Модель содержит 7,1 млрд параметров, работает через Transformers и принимает текст для генерации текста; заявленная длина контекста — 32 768 токенов. Модель предназначена для диалоговой генерации и задач программирования, включая создание и обсуждение кода. Метаданные также указывают поддержку интерфейса вызова инструментов, подходящего для агентных сценариев. Карточка не содержит оценок качества или перечня поддерживаемых языков. Модель опубликована в формате safetensors; лицензия в предоставленных данных не указана.

Это MLX-оптимизированная версия инструкционной модели Qwen2.5-Coder-7B-Instruct, подготовленная разработчиком apolloransom для локального запуска на компьютерах Apple Silicon под macOS. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Модель предназначена для помощи в программировании: генерации и анализа кода, исправления ошибок и работы с инструментами в IDE. В README описана интеграция с Zed через локальный OpenAI-совместимый сервер oMLX, включая поддержку вызова инструментов; также доступен программный запуск через mlx-lm. Локальная работа подходит для сценариев, где важна приватность кода. Репозиторий использует формат safetensors и библиотеку MLX. Метаданные указывают английский язык; базовая модель описана как средство генерации, анализа и исправления программного кода. Лицензия — Apache-2.0. Производительность зависит от устройства Apple Silicon и настроек запуска.

thirdeyeai/Qwen2.5-Coder-7B-Instruct-Uncensored — разговорная модель для генерации текста, разработанная thirdeyeai. По названию она относится к семейству Qwen2.5-Coder и предназначена для инструкционного диалога, в том числе с запросами по программированию; карточка описывает её как uncensored. Архитектура — плотная причинная языковая модель Qwen2 с классом Qwen2ForCausalLM, объёмом 7,1 млрд параметров и контекстом до 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате safetensors; модель также доступна через Ollama. README не сообщает лицензию и не описывает конкретные оценки качества или ограничения. Разработчик снимает с себя ответственность за действия пользователей модели.

Jongbin-kr/qwen2.5-coder-7b-verireason-grpo-official-full-ft — дообученная модель генерации текста на базе Jongbin-kr/qwen2.5-coder-7b-verireason_sft-reasoning_official-full-ft. Разработчик карточки указывает, что обучение выполнялось с использованием TRL; архитектура — плотная Qwen2, размер — 7,1 млрд параметров. Модель предназначена для генерации ответов в диалоговом формате. Базовая модель описана в каталоге как Qwen2.5-Coder-7B-Instruct, настроенная для диалога, рассуждений и программирования. Контекст составляет до 32 768 токенов; репозиторий содержит веса в формате safetensors и рассчитан на использование через Transformers. Карточка не приводит результатов оценки качества или подробных ограничений; возможности программирования и рассуждений следуют из описания базовой модели. Лицензия в предоставленных данных не указана.

netcat420 создал эту объединённую модель на основе двух вариантов Qwen2.5-Coder-7B-Instruct: Qwen2.5-Coder-Scholar-7B-Abliterated-MFANN и huihui-ai/Qwen2.5-Coder-7B-Instruct-abliterated. Веса объединены методом SLERP с помощью mergekit; модель представляет собой плотную авторегрессионную архитектуру Qwen2 на 7,1 млрд параметров и распространяется в формате safetensors для Transformers. Модель предназначена для генерации текста в диалоговом режиме, включая задачи, связанные с кодом. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и имеет интерфейс для вызова инструментов. В карточке не приведены сведения о языковом охвате и результаты сравнительных оценок качества. Лицензия в доступных данных не указана. Поскольку модель объединяет варианты с пометкой abliterated, поведение защитных ограничений может отличаться от исходных моделей; применимость для конкретных сценариев следует оценивать отдельно.

Qwen-32B-Syntactic-Exploit-Core-BF16 — 32-миллиардная плотная языковая модель для генерации текста, собранная автором из Qwen/QwQ-32B и Qwen/Qwen2.5-Coder-32B-Instruct. Карточка заявляет слияние весов методом SLERP и изменение поведения отказов; эти заявления не сопровождаются проверяемыми результатами, поэтому их следует считать описанием автора, а не подтверждёнными свойствами. Модель использует архитектуру Qwen2ForCausalLM и формат safetensors; заявленная длина контекста — 32 768 токенов. Модель предназначена прежде всего для генерации и анализа кода, отладки и проектирования программных систем, а также для текстовых задач рассуждения. Поддерживаемые языки в метаданных не перечислены. Модель распространяется по лицензии Apache-2.0. Карточка не приводит воспроизводимых бенчмарков или подробностей оценки качества, поэтому заявленные преимущества в кодировании и рассуждении нельзя считать независимо подтверждёнными.

Qwen 3.6 35B-A3B REAP-48 v2 — опубликованная Crucible версия модели Qwen/Qwen3.6-35B-A3B с удалением 48% маршрутизируемых экспертов и квантованием весов в формате GGUF для llama.cpp. Модель предназначена для генерации текста и диалогов; в карточке также приведены результаты задач программирования и вызова инструментов. Указанный размер файла — 8,78 ГиБ. По сравнению с v1 версия v2 перераспределяет точность квантования по измеренной чувствительности тензоров и использует калибровку с шаблоном чата. В README приведены результаты HumanEval+, MBPP+ и BFCL-simple, а также измерения скорости на отдельных устройствах и бэкендах. Производительность i-quants на CUDA, Vulkan и CPU-only сборках не проверялась, поэтому её следует оценивать на целевой платформе. Для некоторых конфигураций llama.cpp README отдельно требует совпадения параметров batch и ubatch: их несоответствие может искажать вычисления. Лицензия — Apache-2.0.

Это квантованная GGUF-версия Qwen3.8-27B CODER, подготовленная LexiPanel для запуска на одной видеокарте с 24 ГБ памяти и больших контекстов в сценариях агентного программирования. Модель рассчитана на генерацию кода и работу в чате; файл использует формат IQ4_XS с матрицей важности, а голова MTP сохранена в Q8_0 для спекулятивного декодирования в llama.cpp. В README заявлены контекст до 262 144 токенов и результаты запуска на AMD Radeon RX 7900 XTX: 36–41 токен/с при уже заполненном контексте объёмом 110–170 тысяч токенов. Эти показатели получены в конкретной конфигурации llama.cpp и оборудования. Репозиторий содержит только языковую модель; для обработки изображений требуется отдельный проектор Qwen3.8-27B mmproj. Лицензия — Apache-2.0.

MLX-совместимая 4-битная версия Qwen3-Coder-30B-A3B-Instruct — инструкционная языковая модель для генерации текста и решения задач, связанных с программированием. Исходная модель разработана командой Qwen, а конвертацию в формат MLX выполнил проект mlx-community с использованием mlx-lm версии 0.26.3. Модель предназначена для локального запуска через библиотеку mlx-lm и поддерживает диалоговый сценарий с применением chat template. Обозначение 30B-A3B указывает на конфигурацию исходной модели, а 4bit — на 4-битное квантование, уменьшающее требования к памяти по сравнению с полноформатными весами. В README не указаны точные архитектурные параметры, размер контекста, поддерживаемые языки и перечень модальностей; по имеющимся данным модель относится к текстовым моделям. К сильным сторонам относятся специализация исходной Qwen3-Coder на задачах программирования, инструкционная настройка и возможность использования в MLX-окружении. К ограничениям относятся зависимость от совместимого программного стека и потенциальные потери качества, связанные с 4-битным квантованием; конкретные показатели производительности в README не приведены. Модель распространяется по лицензии Apache 2.0.

giladgd/Qwen3-Coder-30B-A3B-Instruct-Q4_K_M-GGUF — это квантизированная версия модели Qwen3-Coder-30B-A3B-Instruct, преобразованная в формат GGUF с помощью llama.cpp через сервис GGUF-my-repo. В README не указано, кто именно разработал исходную модель, однако она основана на Qwen/Qwen3-Coder-30B-A3B-Instruct. Модель предназначена для генерации текста и, прежде всего, для задач, связанных с программированием, включая работу с кодом и использование в диалоговых приложениях. Модель рассчитана на локальный запуск с помощью llama.cpp и node-llama-cpp, в том числе через командную строку или серверный режим. Обозначение 30B указывает на класс модели примерно с 30 миллиардами параметров, а A3B и Q4_K_M относятся к характеристикам исходной архитектуры и применённой 4-битной квантизации соответственно. В README не приведены точные сведения о контекстном окне, языках, поддерживаемых модальностях и других архитектурных деталях. К сильным сторонам относятся совместимость с популярными локальными инструментами инференса и уменьшенные требования к памяти благодаря формату Q4_K_M. Ограничениями являются возможная потеря качества по сравнению с полной точностью и зависимость производительности от оборудования и настроек llama.cpp. Модель распространяется по лицензии Apache-2.0.

Qwen3-Coder-480B-A35B-Instruct в репозитории Unsloth — инструкционная MoE-модель для генерации кода и агентного программирования. Она поддерживает работу с инструментами через специальный формат вызовов функций и предназначена для сценариев, где нужно анализировать крупные репозитории, писать код и выполнять задачи с браузером. В карточке заявлены результаты среди открытых моделей, сопоставимые с Claude Sonnet на агентном программировании и работе с браузером. В README описана архитектура причинной языковой модели Qwen3 MoE: 480 млрд параметров всего, 35 млрд активируемых, 160 экспертов и 8 активируемых экспертов. Метаданные репозитория указывают 15,4 млрд параметров; контекст составляет 262 144 токена. Модель работает в режиме без рассуждений (non-thinking). Лицензия — Apache-2.0. Карточка Unsloth связывает репозиторий с Qwen/Qwen3-Coder-480B-A35B-Instruct как производной моделью; отдельные сведения о конкретных изменениях весов в README не приведены.

Карточка модели deadmouserr/Qwen3-Coder-Next на Hugging Face совпадает с карточкой Qwen/Qwen3-Coder-Next, поэтому описание составлено по ней. Qwen3-Coder-Next — открытая модель семейства Qwen3 от команды Qwen, предназначенная для кодирующих агентов и локальной разработки. Это причинная языковая модель архитектуры MoE с гибридным сочетанием Gated DeltaNet и Gated Attention. В README указано 80 млрд параметров всего и 3 млрд активных; метаданные каталога указывают 2,3 млрд параметров, поэтому точный размер расходится между источниками. Модель рассчитана на генерацию и изменение кода, многошаговые задачи разработки, вызов инструментов и восстановление после ошибок выполнения. Контекстное окно — 262 144 токена; поддерживаются чат и интерфейс вызова инструментов. README описывает её как пригодную для интеграции с CLI и IDE, а также локального развёртывания. Модель работает только в режиме без reasoning и, согласно README, не генерирует блоки ````. Карточка не перечисляет поддерживаемые естественные языки, поэтому языковые коды не включены. Лицензия — Apache-2.0.

Qwen3-Embedding-0.6B-GGUF — набор GGUF-квантизаций модели Qwen/Qwen3-Embedding-0.6B, подготовленный mradermacher. Модель предназначена для получения текстовых эмбеддингов, оценки семантического сходства предложений, поиска и других задач feature extraction. В метаданных указано, что базовая модель относится к семейству Qwen и поддерживает английский язык. Размер базовой модели составляет 0,6 млрд параметров. Доступны варианты в форматах Q2_K, Q3_K, IQ4_XS, Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K, Q8_0 и f16; размер файлов — примерно от 0,4 до 1,3 ГБ. Квантизации позволяют выбирать компромисс между требованиями к ресурсам, скоростью и качеством: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант очень хорошего качества, а Q8_0 — как быстрый вариант с наилучшим качеством среди перечисленных. Для некоторых низкобитных вариантов качество ниже. В README не указаны архитектурные детали, максимальная длина контекста, перечень дополнительных языков и точные показатели качества, поэтому эти характеристики нельзя подтвердить. Файлы распространяются по лицензии Apache License 2.0; README описывает именно квантизированные GGUF-файлы, а не исходную модель.

Qwen3-Embedding-0.6B-mlx-bf16 — текстовая модель эмбеддингов на базе Qwen3-Embedding-0.6B, преобразованная в формат MLX для запуска на устройствах Apple. В репозитории около 507,6 млн параметров; веса сохранены в исходной точности bfloat16 без дополнительной квантизации. Модель принимает текст и выдаёт векторные представления, подходящие для семантического поиска и сравнения сходства предложений. Конверсию выполнил chrisyuan с помощью mlx-embeddings. В README проверено сходство выходных эмбеддингов с исходной моделью PyTorch: косинусное сходство на небольшом наборе предложений составило 0,9998–0,9999, а относительное ранжирование пар предложений совпало. Контекст модели — до 32 768 токенов; базовая модель многоязычная, однако конкретный перечень поддерживаемых языков в предоставленных данных не приведён. Модель подходит для поиска по смыслу, сопоставления предложений и построения текстовых эмбеддингов в приложениях на MLX. Лицензия — Apache-2.0. Проверка в README охватывала небольшой набор тестовых предложений; точность bfloat16 может давать небольшие численные отличия от исходных весов.

Qwimi-3.6-27B-Coder-MTP-BF16 — модель для программирования, созданная trjxter на основе Qwen3.6-27B и дообученная методом supervised fine-tuning на корпусе с примерами кода, вызова инструментов и агентных сценариев. Это плотная модель на 27,8 млрд параметров с гибридной архитектурой: слои стандартного внимания чередуются со слоями линейного внимания GatedDeltaNet. Репозиторий содержит веса BF16 в формате safetensors; модель использует библиотеку Transformers и лицензию Apache-2.0. Модель предназначена для генерации и объяснения кода, отладки, рефакторинга, вызова функций и многошаговой работы с репозиторием в стиле SWE-agent. Обучение было текстовым, с преобладанием кода; заявленные авторами сценарии включают выдачу рассуждений и работу с инструментами. Хотя базовая архитектура мультимодальна и поддерживает изображения, зрительная часть при дообучении была заморожена, а понимание изображений не проверялось. Основной подтверждённый язык карточки — английский. Автор сообщает, что контекст проверялся до 16 384 токенов; поведение на большей длине не проверено в этом обучении. Агентных данных было сравнительно мало, а длинные траектории свыше примерно 16 тысяч токенов исключались. В отдельных тестах модель улучшила результат на HumanEval и задачах вызова инструментов, но уступила базовой модели на MBPP; общие результаты ограничены размером и составом тестовых наборов. Лицензия — Apache-2.0.

RU-ELECTRA medium — предварительно обученная трансформерная модель семейства ELECTRA, разработанная командой SaluteDevices RnD Team для получения эмбеддингов русскоязычного текста. Архитектура плотная, размер — 100,6 млн параметров, контекст — до 512 токенов; модель доступна в формате PyTorch. Модель подходит для вычисления векторных представлений предложений и токенов на русском языке. Для получения эмбеддинга предложения авторы рекомендуют усреднять представления токенов. Её можно применять как основу для семантического поиска, сравнения текстов и других задач, где нужны текстовые эмбеддинги. Модель распространяется по лицензии MIT. Карточка описывает её как предварительно обученную языковую модель, но не приводит отдельных результатов оценки или гарантий качества для конкретных прикладных задач.

mlsa-iai-msu-lab/sci-rus-tiny3.5 — компактная модель Sentence Transformer на архитектуре RoBERTa, представленная mlsa-iai-msu-lab. Она преобразует предложения и абзацы в плотные векторы размерностью 312 для сравнения смыслового сходства и других задач поиска и группировки текстов. Векторное представление строится усреднением токенов, затем нормализуется; сходство можно оценивать косинусной мерой. Максимальная длина входа — 1024 токена. Модель предназначена для семантического поиска, поиска перефразировок, кластеризации и классификации текста. В README приведены результаты на RuSciBench для русского и английского языков. Репозиторий использует Sentence Transformers и формат safetensors; лицензия — MIT. Размер модели — 25,5 млн параметров. Карточка не сообщает о других известных ограничениях.

manu/sentence_croissant_alpha_v0.1 — модель семейства Llama, созданная на базе Sentence-Transformers для получения плотных векторных представлений предложений и абзацев. Она содержит 1,3 млрд параметров, формирует эмбеддинги размерностью 2048 и рассчитана на входной контекст до 2048 токенов. Модель подходит для семантического поиска, сравнения сходства текстов и кластеризации предложений и абзацев. Карточка сообщает о тренировке с использованием MultipleNegativesRankingLoss; в метаданных также отмечены возможности чата и эмбеддингов, однако основное назначение модели — векторизация и сравнение текстов. Язык модели в предоставленных данных не определён. Файлы опубликованы в формате safetensors; сведения о лицензии отсутствуют.

Griffin88/sentence-embedding-LaBSE — PyTorch-порт модели LaBSE, предназначенный для представления предложений на 109 языках в общем векторном пространстве. Модель основана на архитектуре BERT и содержит 498,1 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий предоставляет веса PyTorch и safetensors, а для работы через Sentence-Transformers README рекомендует библиотеку sentence-transformers. Модель подходит для получения эмбеддингов предложений и оценки их семантического сходства, в том числе для сопоставления текстов на разных языках. Лицензия — Apache-2.0. README отсылает к публикации LaBSE, но не уточняет автора этого порта или детали обучения именно этой версии.

Shirdel Coder 9B Claude Fable 5 — языковая и мультимодальная модель для генерации текста и кода, разработанная Tesleum. Она создана на основе Qwen/Qwen3.5-9B и связана с базовой моделью nvidia/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-NVFP4. Модель дообучалась в стиле инструкций Claude Fable 5 с использованием датасетов Evol-Instruct-Code-80k-v1 и Qwen/DeepPlanning. Модель предназначена прежде всего для программирования, генерации и преобразования кода, решения задач по разработке и текстовой генерации. В README также заявлена поддержка мультимодальных сценариев, включая работу с изображениями через отдельный файл mmproj, однако конкретные поддерживаемые форматы изображений и возможности обработки мультимодального контекста не указаны. Доступны варианты для text-generation, llama.cpp, vLLM и Ollama. Основной файл модели имеет размерный класс 9B и распространяется в формате GGUF с квантованием Q6_K; отдельно предоставляется BF16-mmproj для мультимодальной работы. Сильными сторонами являются специализация на коде, инструкционное дообучение и наличие готовых вариантов для локального запуска. Сведения о поддерживаемых языках, размере контекста, точных архитектурных характеристиках, результатах оценки и ограничениях качества в README отсутствуют. Лицензия модели — ECL-2.0.

delwinn/stella_en_1.5B_v5 — англоязычная модель эмбеддингов, разработанная на основе Alibaba-NLP/gte-large-en-v1.5 и Alibaba-NLP/gte-Qwen2-1.5B-instruct. Она предназначена для поиска релевантных текстов по запросу и оценки семантического сходства. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и выдаёт текстовые векторы; поддерживает представления размером 512, 768, 1024, 2048, 4096, 6144 и 8192 измерения. Для большинства задач предусмотрены варианты промптов s2p и s2s; обычно автор рекомендует размерность 1024. Модель обучена с использованием MRL и доступна в формате PyTorch/SafeTensors. Хотя нативный контекст составляет 131072 токена, автор рекомендует ограничивать последовательности 512 токенами: модель обучалась на такой длине и, по описанию, хуже справляется с поиском по специализированным длинным текстам. Детали обучения и использованные наборы данных в README не раскрыты. Лицензия — MIT.

Stella en 1.5B v5 — англоязычная модель эмбеддингов от krytonguard, основанная на Alibaba-NLP/gte-large-en-v1.5 и Alibaba-NLP/gte-Qwen2-1.5B-instruct. Она предназначена для поиска релевантных фрагментов по запросу и оценки семантического сходства текстов; поддерживает Sentence Transformers и Transformers. Архитектура — плотная Qwen2ForCausalLM с 1,5 млрд параметров. Для разных сценариев предусмотрены инструкции s2p для поиска по запросу и s2s для сравнения текстов. Модель обучена с использованием MRL и предоставляет векторы размером 512, 768, 1024, 2048, 4096, 6144 и 8192 измерения; авторы считают 1024 измерения достаточными для большинства задач. Хотя метаданные указывают контекст до 131072 токенов, README рекомендует длину последовательности 512 токенов: модель обучалась на такой длине, а на специализированном поиске по длинным текстам показывает слабые результаты. Лицензия — MIT. Подробности обучения и использованные датасеты пока не опубликованы.

Карточка модели blevlabs/stella_en_v5 на Hugging Face совпадает с карточкой delwinn/stella_en_1.5B_v5, поэтому описание составлено по ней. delwinn/stella_en_1.5B_v5 — англоязычная модель эмбеддингов, разработанная на основе Alibaba-NLP/gte-large-en-v1.5 и Alibaba-NLP/gte-Qwen2-1.5B-instruct. Она предназначена для поиска релевантных текстов по запросу и оценки семантического сходства. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и выдаёт текстовые векторы; поддерживает представления размером 512, 768, 1024, 2048, 4096, 6144 и 8192 измерения. Для большинства задач предусмотрены варианты промптов s2p и s2s; обычно автор рекомендует размерность 1024. Модель обучена с использованием MRL и доступна в формате PyTorch/SafeTensors. Хотя нативный контекст составляет 131072 токена, автор рекомендует ограничивать последовательности 512 токенами: модель обучалась на такой длине и, по описанию, хуже справляется с поиском по специализированным длинным текстам. Детали обучения и использованные наборы данных в README не раскрыты. Лицензия — MIT.

sentence-transformers/stsb-bert-large — модель Sentence Transformers, обученная командой sentence-transformers для преобразования предложений и абзацев в плотные векторные представления размерностью 1024. Она основана на архитектуре BERT и подходит для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель принимает текст и выдаёт эмбеддинги; её максимальная длина контекста составляет 512 токенов. Доступны веса в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новые альтернативы. Лицензия — Apache-2.0.

Vela Omni Mini — мультимодальная модель эмбеддингов от разработчиков Vela. Она преобразует текст, изображения, речь и окружающие звуки в нормализованные векторы размерностью 768, которые можно непосредственно сравнивать между собой. Модель содержит около 1,36 млрд параметров и предназначена для поиска по нескольким модальностям, маршрутизации запросов и кластеризации. В карточке приведены результаты оценок на задачах извлечения и классификации, включая MTEB English v2 и аудиобенчмарк MAEB. Эти результаты описывают конкретные тестовые протоколы и не гарантируют аналогичного качества на других данных. Для загрузки и работы README рекомендует PyTorch с совместимой версией torchaudio, Transformers 4.57.6, Hugging Face Hub, safetensors, NumPy и Pillow. Модель распространяется по лицензии Apache-2.0.

Vex-Amber-Fable-2.0 — плотная авторегрессионная языковая модель семейства Qwen3, разработанная Arioron и дообученная на базе Arioron/Vex-Amber-Fable-Base. По метаданным, модель содержит 1,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и формат safetensors; в README заявлены около 2 млрд параметров и контекст 8 192 токена, тогда как метаданные каталога указывают нативный контекст 40 960 токенов. Предназначена для генерации текста, помощи в программировании, решения задач по математике и рассуждений; также подходит для диалогового использования и интеграции в IDE. README заявляет высокие результаты на SWE-bench Verified, HumanEval и LiveCodeBench, а также пригодность для запуска на потребительском оборудовании. Эти показатели приведены в карточке модели и не подтверждены представленными независимыми данными. Модель принимает и генерирует текст, а в метаданных основным языком указан английский. Лицензия — CC BY-NC 4.0, которая ограничивает коммерческое использование.

kttt294/vietnamese-sbert-finetuned — модель Sentence Transformers, дообученная на основе bkai-foundation-models/vietnamese-bi-encoder. Она преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерности 768; архитектура использует RoBERTa с усредняющим pooling. Модель подходит для семантического поиска, извлечения релевантных текстов и сравнения смысловой близости по косинусному сходству. Модель принимает только текст. Максимальная длина последовательности составляет 256 токенов по README; метаданные каталога указывают контекст в 258 токенов. Для обучения использованы 12 001 пар предложений с метками сходства и CosineSimilarityLoss. Карточка не сообщает отдельные результаты оценки качества, поэтому эффективность на конкретных наборах данных следует проверять перед применением. Формат весов — safetensors; лицензия в предоставленных данных не указана.

webAI-Official разработала webAI-ColVec1.1-4b — мультимодальную модель поиска по документам на основе Qwen/Qwen3.5-4B. Это дообученный ColBERT-подобный энкодер: он кодирует текстовые запросы и изображения документов, включая отрендеренные страницы PDF, в нормализованные многовекторные представления размерности 640 и сопоставляет их методом позднего взаимодействия MaxSim. В выпущенной версии около 4,54 млрд параметров; языковая голова удалена. Модель предназначена для извлечения релевантных документов по текстовому запросу. Единый энкодер обрабатывает запросы и изображения страниц, а токенные векторы помогают учитывать детали содержимого и разметки страницы. Модель обучалась на сбалансированной многоязычной выборке из шести наборов данных и синтетических примерах. В README приведены результаты оценки на ViDoRe V3; для воспроизведения указан бюджет в 1 792 визуальных токена, а оценивание использует MaxSim. Многовекторные представления занимают больше места, чем одно-векторные базовые модели. Для заявленных оценок использовалось накопление MaxSim в float32; результаты могут немного различаться между аппаратным обеспечением и версиями программных библиотек. Лицензия указана как other, поэтому конкретные условия следует проверять в файлах репозитория.

ehristoforu/0000mxs — языковая модель Mistral для генерации текста и диалогового общения, созданная автором репозитория с помощью mergekit. Это слияние пяти предварительно обученных моделей: Gaivoronsky/Mistral-7B-Saiga, HuggingFaceH4/mistral-7b-grok, NousResearch/Yarn-Mistral-7b-128k, OpenBuddy/openbuddy-mistral2-7b-v20.3-32k и ajibawa-2023/Code-Mistral-7B; применён метод passthrough. Модель имеет плотную архитектуру MistralForCausalLM, 12,4 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации ответов в чате, продолжения текста и задач, связанных с кодом. В состав слияния входят модели с русскоязычной диалоговой настройкой, поддержкой длинного контекста и специализацией на коде, однако README не сообщает результатов оценки качества или точного распределения возможностей итоговой модели. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.