II.8Инженерия данных и аналитика

danfeg/ARBERT_Finetuned-AR-1500 — модель на базе BERT, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768, предназначенные для сравнения семантической близости, кластеризации и семантического поиска. Для применения используется библиотека sentence-transformers; при работе через Transformers требуется отдельно выполнить подходящую операцию pooling для контекстных представлений токенов. Модель содержит 190 млн параметров и принимает последовательности длиной до 512 токенов. В README указано обучение с CosineSimilarityLoss; название модели и карточка указывают на дообучение ARBERT для арабского языка. Файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

ARK-ASR-3B — мультиязычная модель автоматического распознавания речи от Edge0. Это авторегрессионная модель на базе Transformers с архитектурой arkasr: Whisper-подобный аудиоэнкодер, MLP-адаптер и декодер Qwen. Модель содержит около 3,1 млрд параметров, принимает аудио с частотой дискретизации 16 кГц и генерирует текстовую расшифровку; указанная длина контекста — 32 768 токенов. Модель предназначена для транскрибации речи на китайском, английском, немецком, японском, французском, корейском, испанском, польском, итальянском, румынском, венгерском, чешском, нидерландском, финском, хорватском, словацком, словенском, эстонском и литовском языках. В README приведены результаты на англоязычном коротком аудио: средний WER 5,04% на наборах AMI, Earnings22, GigaSpeech, LibriSpeech, SPGISpeech и VoxPopuli; также приведены результаты CER для китайского. Для загрузки используется Transformers и пользовательский код модели. Лицензия — Apache-2.0.

BERT Dense Retriever — англоязычная модель плотного семантического поиска, разработанная Mihir Vyas и дообученная на MS MARCO Passage Ranking на базе google-bert/bert-base-uncased. Она кодирует запросы и passages в векторы фиксированного размера с помощью mean pooling и L2-нормализации; для поиска используется косинусное сходство. Векторы можно индексировать, например, в FAISS. Модель предназначена для поиска релевантных фрагментов по естественно-языковым запросам, извлечения контекста для RAG и построения систем информационного поиска. В README приведены результаты на MS MARCO и отдельных наборах BEIR, но они относятся к описанным там оценочным настройкам, включая гибридный поиск и переранжирование, и не гарантируют те же показатели при самостоятельном использовании энкодера. Лицензия — MIT.

meet5568/bhash_finetune_phaseB_v2 — модель Sentence Transformer на архитектуре BERT, обученная для преобразования предложений и абзацев в плотные векторы размерности 768. Она предназначена для оценки семантического сходства, семантического поиска и других задач сопоставления текстов. Модель использует mean pooling и косинусное сходство; обучалась с TripletLoss на наборе из 3 200 примеров. Максимальная длина последовательности по README — 400 токенов, а метаданные указывают контекст до 512 токенов. Векторы модели можно применять для поиска перефразировок, кластеризации текстов и классификации на основе эмбеддингов. Указанные сценарии предполагают текстовый ввод и векторный вывод. Язык обучающих данных и специализация по конкретным предметным областям в карточке не раскрыты. Лицензия в предоставленных данных не указана.

tardellirs/brazembed-pt-br-retrieval — компонент системы BrazEmbed-PT-BR от автора tardellirs, предназначенный для получения эмбеддингов бразильского португальского текста для поиска и ранжирования. Модель основана на BERTimbau Base и дообучена с использованием объединённого набора весов для задач Retrieval & Reranking. Это SentenceTransformer на архитектуре BERT с mean pooling и L2-нормализацией; для работы не требуется префикс инструкции. Размер — 136,1 млн параметров, длина контекста — 512 токенов. Модель подходит для семантического поиска и сравнения текстов, включая ранжирование результатов по релевантности. В README приведён результат 0,6567 по mean_16 на MTEB для португальского и заявлено лидерство в классе около 100 млн параметров; это оценка из карточки, а не гарантия качества для конкретного набора данных. Лицензия — MIT.

cde-small-v1 — модель контекстных эмбеддингов документов, опубликованная jxm. Она предназначена для создания векторных представлений запросов и документов, в частности для поиска и оценки сходства. Модель использует архитектуру DatasetTransformer и требует двухэтапной подготовки: сначала формируются эмбеддинги выборки корпуса, затем с их учётом кодируются запросы и документы. Первый этап можно выполнить заранее, а на этапе инференса использовать только веса второго этапа. В README модель описана как компактная: менее 400 млн параметров; для работы указаны Transformers или Sentence Transformers с включённым trust remote code и токенизатором BERT uncased. Для retrieval нужно использовать отдельные префиксы запросов и документов. По данным README, без информации о корпусе качество на MTEB снижается с 65,0 до 63,8. Модель помечена авторами как устаревшая: рекомендуется перейти на cde-small-v2. Лицензия в предоставленных данных не указана.

cho-embedding-0.8b — мультимодальная модель для получения эмбеддингов, разработанная на архитектуре Qwen3.5-0.8B и дистиллированная из Qwen3-VL-Embedding-8B. В модели 853 млн параметров, размерность эмбеддингов — 1024 с поддержкой MRL-размеров 256 и 64; длина контекста составляет 4096 токенов. Она принимает текст, изображения и их мультимодальные сочетания, формируя векторные представления для поиска и сравнения. Модель обучена методом полного дообучения с дистилляцией по KL-дивергенции и контрастивной функции на 3,4 млн мультимодальных примеров. В README приведены результаты на 36 задачах MMEB-Image, включая классификацию, визуальные вопросы, поиск и grounding. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0.

michaelfeil/ct2fast-LaBSE — версия модели LaBSE, подготовленная для быстрого инференса через CTranslate2. Это BERT-энкодер предложений, разработанный Google: модель строит многоязычные эмбеддинги предложений и подходит для поиска соответствий между текстами на разных языках. Исходная LaBSE обучалась для 109 языков с использованием masked language modeling и translation language modeling. Вариант CTranslate2 предназначен для снижения потребления памяти и ускорения инференса на CPU или GPU; в README заявлено сокращение памяти в 2–4 раза при использовании int8. Размер модели — около 498,1 млн параметров, длина контекста — 512 токенов. Репозиторий указывает лицензию Apache-2.0. Метаданные включают языковые теги для 60 языков, а карточка описывает исходную LaBSE как модель для 109 языков.

Dagger-Qwen3.6-27B-MLX-MTP-BF16 — вариант модели bottlecapai/ThinkingCap-Qwen3.6-27B, подготовленный peculiar-ragdoll для MLX. Это плотная модель семейства Qwen3.5 с 27 млрд параметров, точностью BF16 и сохранённой MTP draft-головой nextn для спекулятивного декодирования в поддерживающем его runtime. Шаблон чата включает инструкции для кратких ответов и рассуждений, а также поддержку работы с инструментами; эта настройка применяется при каждом вызове. Модель предназначена для диалогов, многошагового агентного решения задач и программирования, в том числе работы с крупными репозиториями и длинными цепочками вопросов в одном контексте. Заявленное окно контекста составляет 262 144 токена. Карточка приводит результаты тестов на другой сборке — 6-битной MLX без MTP, поэтому их нельзя считать замерами именно этих файлов. Вариант сохраняет компонент зрения, но визуальные возможности не тестировались. Веса занимают около 52 ГБ, а длинный контекст требует значительной дополнительной памяти; для полного контекста автор рекомендует Mac с большим объёмом RAM. MTP ускорение требует совместимого runtime. Встроенную инструкцию краткости нельзя отключить через API, качество на задачах реального кода может требовать регрессионных тестов, а поведение отказов и безопасности повторно не оценивалось. Лицензия — Apache-2.0.

DeepSeek-Coder-V2-Lite-Base-IMat-GGUF — это GGUF-квантизованная версия базовой модели deepseek-ai/DeepSeek-Coder-V2-Lite-Base, подготовленная legraphista с использованием llama.cpp. Модель предназначена прежде всего для генерации текста и задач, связанных с программированием; в README она представлена как базовая, а не специализированная диалоговая модель. Доступны варианты в форматах BF16, F16, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и других типах квантизации размером примерно от 6,43 до 31,42 ГБ. Для ряда компактных вариантов применена IMatrix-квантизация, призванная повысить качество по сравнению с обычным квантованием; доступны файлы IMatrix и версии для llama.cpp. Сведения об архитектуре, количестве параметров, поддерживаемых языках, модальностях и размере контекста в README не указаны. Основные преимущества — широкий выбор уровней квантизации, возможность локального запуска через совместимый стек GGUF/llama.cpp и компромисс между качеством, размером файла и требованиями к памяти. Более агрессивное квантование может снижать качество, а для работы требуются ресурсы, соответствующие выбранному варианту. Модель распространяется по лицензии deepseek-license; в карточке указано обозначение лицензии other и ссылка на файл LICENSE.

Модель bcoding — дообученная версия unsloth/DeepSeek-R1-0528-Qwen3-8B на архитектуре Qwen3 с причинным языковым моделированием. Она предназначена для диалогов и генерации текста; каталог также указывает интерфейс вызова инструментов. Размер модели — 7,6 млрд параметров, контекст — до 131 072 токенов. В карточке указано, что обучение проводилось с Unsloth и библиотекой TRL. Модель может применяться для диалоговых ответов, рассуждений, решения задач по математике и логике, а также помощи с программированием — эти сценарии указаны для базовой модели в описании каталога. Поддерживаемый язык карточки — английский. Репозиторий распространяется в формате Safetensors по лицензии Apache 2.0.

Danica Fisher дообучила англоязычный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2. Модель кодирует предложения и абзацы в плотные семантические векторы размерности 384; архитектура включает энкодер BERT, усреднение токенов и нормализацию. Для сравнения векторов используется косинусное сходство. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов, а в README — максимальная длина последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и получения признаков для классификации. Обучение описано как дообучение на 180 парах предложений с MultipleNegativesRankingLoss. Карточка не сообщает о специализированной поддержке русского языка, поэтому основное применение следует ориентировать на английский текст. Лицензия в предоставленных данных не указана.

dolphincoder-starcoder2-7b-GGUF — это набор GGUF-квантизаций модели dolphincoder-starcoder2-7b, подготовленный bartowski с использованием llama.cpp. Исходная модель разработана cognitivecomputations; в README также указаны наборы данных, использованные при обучении или дообучении, включая cognitivecomputations/dolphin, cognitivecomputations/dolphin-coder, airoboros, OpenHermes, Magicoder и наборы задач по программированию и математике. Модель предназначена прежде всего для генерации и обработки текста, связанного с программированием, включая написание, дополнение и объяснение кода, а также выполнение инструкций в соответствующих сценариях. Заявлен английский язык. Архитектура исходной модели в README не описана, однако её размер составляет 7 миллиардов параметров согласно идентификатору. Мультимодальность и размер контекста не указаны. Главная особенность репозитория — несколько уровней квантизации для запуска через llama.cpp с различным компромиссом между качеством и требованиями к памяти: от Q8_0 размером 7,86 ГБ до Q2_K размером 2,91 ГБ. В README рекомендуется Q6_K как вариант с очень высоким качеством; версии Q3 и особенно Q2 обеспечивают меньший размер, но заметно теряют в качестве. Ограничения включают отсутствие сведений о поддерживаемых языках, контекстном окне и результатах бенчмарков. Модель распространяется по лицензии bigcode-openrail-m.

Dolphin V2 8B Abliterated — языковая модель для генерации текста, разработанная 0arch-io для исследовательских задач TRC на базе Qwen/Qwen3-8B. Модель дообучена на 1,35 млн инструкционных примеров, включая данные для диалогов, следования инструкциям, математического рассуждения и генерации кода, а затем подвергнута abliteration — удалению остаточного поведения отказа от ответов. Заявлена как модель без контентных фильтров, поэтому требует ответственного применения. Модель построена на архитектуре Qwen3ForCausalLM и содержит около 8,2 млрд параметров: 36 слоёв, 4096-мерное скрытое представление, 32 attention heads и 8 KV heads. Она работает в формате bfloat16, поддерживает контекст длиной до 4096 токенов в обучении и до 40960 токенов согласно заявленному максимальному ограничению. Указан английский язык и сценарий text generation. В README приведены результаты на ARC-Challenge, HellaSwag, TruthfulQA и Winogrande, однако они не характеризуют все прикладные сценарии. К сильным сторонам относятся instruction tuning, диалоговые и кодовые задачи, математическое reasoning, а также доступность GGUF-квантизаций Q8_0 и Q4_K_M для локального запуска через llama.cpp или Ollama. Ограничения включают отсутствие защитных отказов и фильтров, исследовательский статус и отсутствие данных о качестве на других языках и более широком наборе задач. Модель распространяется по лицензии Apache 2.0.

E5-base-trm — компактная версия многоязычной модели intfloat/multilingual-e5-base, созданная авторами репозитория clips с помощью vocabtrimmer. Из словаря удалены редко встречающиеся токены с опорой на нидерландскую часть набора allenai/c4; размер словаря сокращён с 250 002 до 50 002 токенов. Модель построена на архитектуре XLM-RoBERTa и содержит около 151,6 млн параметров. Модель предназначена для преобразования текстов в эмбеддинги и их сравнения: например, для семантического поиска, сопоставления предложений и поиска по коллекции документов. Карточка показывает пример кодирования запросов и фрагментов MS MARCO, а также приводит результаты оценки на нидерландском MTEB. Модель принимает текст и выдаёт векторные представления; контекст составляет 514 токенов. Это доработка multilingual-e5-base с усечённым словарём, ориентированная на нидерландский язык, поэтому качество и покрытие для других языков могут отличаться от исходной многоязычной модели. Лицензия — MIT.

d0rj/e5-small-en-ru — компактная версия модели intfloat/multilingual-e5-small, созданная удалением токенов словаря, не нужных для русского и английского языков. Она использует архитектуру XLM-RoBERTa и предназначена для получения векторных представлений предложений и поиска текстов по смыслу. Для поиска автор рекомендует сравнивать эмбеддинги скалярным произведением; модель также можно подключить через Transformers или sentence-transformers. В карточке приведено 44,8 млн параметров и размер файлов около 171 МБ; контекст модели составляет 512 токенов. Указана лицензия MIT. В README есть таблица результатов на SberQuAD, но значения метрик отсутствуют, поэтому качество на этом тесте по карточке оценить нельзя. Модель ограничена русским и английским словарём и не предназначена для генерации текста.

Карточка модели jie123123123/faster-whisper-large-v3-turbo-ct2 на Hugging Face совпадает с карточкой deepdml/faster-whisper-large-v3-turbo-ct2, поэтому описание составлено по ней. Это конверсия модели deepdml/whisper-large-v3-turbo в формат CTranslate2, подготовленная для запуска через CTranslate2 и проекты на его основе, включая faster-whisper. Модель предназначена для автоматического распознавания речи: она принимает аудио и выдаёт текстовую расшифровку. Веса сохранены в FP16; при загрузке в CTranslate2 можно выбрать другой тип вычислений через параметр compute_type. Карточка указывает поддержку распознавания на множестве языков, в том числе русском и английском. Репозиторий распространяется по лицензии MIT.

guillaumekln/faster-whisper-tiny — конверсия модели Whisper tiny от OpenAI в формат CTranslate2, подготовленная для запуска в CTranslate2 и проектах на его основе, включая faster-whisper. Модель предназначена для автоматического распознавания речи; исходная модель — openai/whisper-tiny. Веса сохранены в FP16. При загрузке тип вычислений можно выбрать через параметр compute_type в CTranslate2. Репозиторий лицензирован по MIT.

Карточка модели Eric111/FINAL-Bench_Darwin-4B-Opus на Hugging Face совпадает с карточкой FINAL-Bench/Darwin-4B-Opus, поэтому описание составлено по ней. Darwin-4B-Opus — языковая модель для диалога и рассуждений, созданная VIDRAFT с помощью движка Darwin V6. Это слияние Google Gemma 4 E4B Instruct и модели Gemma-4-E4B-Claude-4.6-Opus-Reasoning-Distilled; при слиянии DARE-TIES применялись диагностически подобранные коэффициенты для отдельных тензоров. Модель использует архитектуру Gemma4ForConditionalGeneration с MoE, содержит около 4 млрд параметров и представлена в формате BF16 и safetensors. Модель предназначена для ответов на вопросы, рассуждений, программирования, математики и анализа на одном потребительском GPU. В README заявлены контекст 128 тыс. токенов и поддержка более 140 языков; метаданные карточки перечисляют английский, корейский, японский и китайский. Архитектура базовой модели поддерживает изображения и аудио, однако README не описывает эти сценарии для Darwin-4B-Opus. В README приведён результат 82,92% на ARC-Challenge в режиме zero-shot; авторы отмечают, что проверка здоровья модели не проводилась. Модель распространяется по лицензии Apache 2.0. Фактическое качество на других задачах и мультимодальная работа в карточке не подтверждены.

DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel_Roberta-MISTRAL_FULL-notrescaled_50000 — модель на базе RoBERTa, разработанная как sentence-transformers-модель для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для поиска семантически близких текстов, кластеризации и других задач сравнения текстовых представлений. В метаданных указаны 151,8 млн параметров, контекст до 514 токенов и формат весов safetensors. Модель принимает текст и выдаёт векторные представления; для использования доступны Sentence-Transformers и Transformers с соответствующей операцией pooling. В README указано обучение с MarginDistillationLoss. Сведений о поддерживаемых языках, лицензии и ограничениях качества в предоставленных источниках нет.

FuseO1-DeepSeekR1-QwQ-SkyT1-32B-Preview — экспериментальная объединённая языковая модель команды FuseAI. Она создана с помощью слияния трёх моделей для рассуждений: DeepSeek-R1-Distill-Qwen-32B, Qwen/QwQ-32B-Preview и NovaSky-AI/Sky-T1-32B-Preview. Модель основана на плотной архитектуре Qwen2 с 32 млрд параметров и предназначена для генерации текста и диалогов с пошаговыми рассуждениями. Основные сценарии — решение математических задач, рассуждения о программном коде и научные вопросы. В README для версии указаны результаты AIME24: 74,0 Pass@1 и 86,7 Cons@32 при описанной авторами схеме оценки. Модель принимает текст и генерирует текст; метаданные указывают контекстное окно 131 072 токена и интерфейс для вызова инструментов. Языки в карточке явно не перечислены. Модель распространяется в формате safetensors по лицензии Apache-2.0. Это предварительная версия, а опубликованные сравнительные показатели относятся к конкретным настройкам и методике оценки; они не гарантируют аналогичных результатов в других задачах или конфигурациях.

GIST-small-Embedding-v0 — англоязычная модель текстовых эмбеддингов, разработанная avsolatorio на основе BAAI/bge-small-en-v1.5 и дообученная методом GISTEmbed. Она кодирует текст в векторы для поиска и сравнения предложений; для получения эмбеддингов инструкционные подсказки не нужны, поэтому запросы можно кодировать напрямую. Модель основана на архитектуре BERT, содержит 40 млн параметров и рассчитана на контекст до 512 токенов. Для дообучения использовались набор MEDI и триплеты, полученные из обучающей части MTEB Classification; качество оценивали на MTEB. В README отмечено, что дообучение улучшило результаты на некоторых задачах, но ухудшило на других, включая поиск по TRECCOVID. Доступны форматы PyTorch, Safetensors и ONNX. Лицензия модели — MIT; лицензии сторонних обучающих данных могут иметь дополнительные условия.

QuantFactory/granite-3b-code-base-128k-GGUF — квантизированная версия Granite-3B-Code-Base-128K, созданная QuantFactory с использованием llama.cpp на основе модели IBM Research. Модель предназначена для задач генерации, объяснения и исправления кода, создания модульных тестов и документации, включая сценарии разработки программного обеспечения на уровне репозитория и работы с большими контекстами. Модель относится к семейству Granite Code и поддерживает контекст длиной до 128K токенов. Указан размер 3B параметров; исходная модель была дообучена на 4 млрд токенов с упаковкой файлов репозиториев и увеличением представленности языков. В README приведены результаты оценивания для Python, C++, Java, TypeScript и Rust, а также тестов генерации, объяснения и исправления кода. Квантизация в формате GGUF может снизить требования к памяти и упростить локальный запуск, однако конкретные варианты квантизации и их компромиссы в README не указаны. Модель лицензирована по Apache 2.0. Ограничения включают отсутствие в предоставленных данных подробностей об используемых языках, точной архитектуре, конкретном размере GGUF-файлов и характеристиках производительности отдельных вариантов квантизации; приведённые метрики помечены как непроверенные.

GRaPE 2 Nano — компактная мультимодальная модель SLAI (Skinnertopia Lab for Artificial Intelligence), дообученная на базе Qwen/Qwen3.5-0.8B. Она принимает текст и изображения и генерирует текст; модель рассчитана на диалоги, программирование, математику, научно-технические вопросы и задачи на логическое рассуждение. В README заявлены управляемые режимы глубины рассуждения, включая минимальный, краткий и адаптивный; доля кода в данных постобучения указана примерно как 50%. Архитектура — плотная Qwen3.5 с поддержкой зрения; размер базовой модели — 0,8 млрд параметров. Заявлена поддержка английского, китайского, французского, немецкого, испанского, японского, корейского, португальского, русского и арабского языков. Длина контекста в предоставленных данных не указана. Данные постобучения закрытые и проприетарные, независимая оценка качества в карточке не приведена. Модель выпущена по лицензии Apache 2.0.

Fatahillah01/indobert-sts-indonesian — модель Sentence Transformers, созданная дообучением indobenchmark/indobert-base-p1 для оценки семантического сходства предложений на индонезийском языке. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и использует косинусное сходство для сравнения текстов. Архитектура состоит из BERT-трансформера с усреднением токенных представлений; метаданные указывают 151,6 млн параметров и контекст до 512 токенов, тогда как конфигурация модели в README задаёт максимальную длину последовательности 128 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации текстов, классификации на основе эмбеддингов и ранжирования пар предложений по смысловой близости. В README приведён результат Spearman 0,7612 на наборе проверки sbert_val. Модель принимает текст и выдаёт векторные представления; сведения о лицензии в предоставленных данных отсутствуют.

indoSBERT-large — модель семейства BERT, опубликованная пользователем denaya в формате PyTorch и предназначенная для получения плотных векторных представлений предложений и абзацев на индонезийском языке. Модель основана на sentence-transformers и дообучена по схеме сиамской сети, вдохновлённой SBERT, с использованием набора STS 2012–2016, переведённого на индонезийский язык. Размер эмбеддинга — 256 измерений, контекст — до 512 токенов. Полученные векторы подходят для семантического поиска, сравнения смысловой близости предложений и кластеризации текстов. Доступны веса PyTorch; модель принимает текст и выдаёт векторы. Лицензия в предоставленных сведениях не описана.

jinaai/jina-embeddings-v5-omni-nano-classification — мультимодальная модель эмбеддингов Jina AI, дообученная для задач классификации на базе jinaai/jina-embeddings-v5-omni-nano. Плотная архитектура LlavaEuroBertAudioForEmbedding принимает текст, изображения, видео и аудио и преобразует их в совместимые векторы размерности 768 в общем пространстве. В модели около 0,95 млрд параметров. Модель предназначена для классификации по эмбеддингам и мультимодального поиска: можно индексировать текст и искать в нём по изображениям, видео или аудио без повторной индексации. Видео представляется кадрами; звуковая дорожка автоматически не обрабатывается, её нужно передать отдельно. Для текстовых документов ожидается префикс «Document: ». Доступны веса safetensors и поддержка Transformers; карточка также описывает запуск через sentence-transformers и vLLM. Мультиязычная модель подходит для сопоставления и классификации контента разных модальностей в общем пространстве эмбеддингов. Лицензия CC-BY-NC-4.0 разрешает использование с ограничением на коммерческое применение.

JOSIE-1.1-4B-Thinking — плотная языковая модель с 3,7 млрд параметров, разработанная Gökdeniz Gülmez на основе Qwen3-4B-Thinking-2507. Это полновесное дообучение для многошаговых рассуждений, математики, научно-технических задач и творческого письма. Модель поддерживает чат и генерацию текста; в карточке указана работа с 13 языками, включая русский, английский, испанский, французский, немецкий, китайский и японский. Метаданные указывают контекст до 262 144 токенов, а README — до 65 536 токенов, поэтому заявленная длина контекста расходится между источниками. Модель предназначена для решения логических задач, математических вычислений, технического анализа и работы с длинными документами. В описании заявлены последовательные рассуждения и прямой стиль ответов без излишней угодливости. Лицензия — MIT. Модель не имеет встроенной фильтрации контента и может выдавать неподходящие ответы. Результаты в узкоспециализированных областях могут быть нестабильны; критически важные ответы следует проверять. README также предупреждает, что для вывода требуется достаточно мощное оборудование.

KwaiCoder-AutoThink-preview-GGUF — квантизированная версия языковой модели для генерации текста и программного кода, разработанная Kwaipilot и подготовленная в формате GGUF пользователем bartowski. Модель предназначена для локального запуска в LM Studio, llama.cpp и других проектах на базе llama.cpp, включая сценарии программирования, генерации и анализа кода, а также мультиязычной работы с текстом. В репозитории представлены варианты от BF16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K и Q3_K, а также IQ-квантизации. Размер файлов составляет примерно от 18,32 до 81,14 ГБ. Квантизация выполнена с использованием imatrix на базе llama.cpp. Для работы требуется применять указанный шаблон диалога с токенами system, user и assistant; в начале ответа предусмотрен маркер <judge>. В README указана поддержка multilingual, однако конкретный список языков, архитектура исходной модели, число параметров и размер контекста не приведены. Сильной стороной модели является широкий выбор уровней квантизации: старшие варианты обеспечивают высокое качество, а Q4 и Q3 позволяют снизить требования к памяти. Ограничения связаны с большими требованиями к объёму оперативной или видеопамяти, возможной потерей качества при использовании низкобитных вариантов и отсутствием в README подробных оценок производительности. Модель распространяется по лицензии kwaipilot-license; лицензия обозначена как other, а её текст доступен в файле LICENSE.

danfeg/LaBSE_Finetuned-FR-1000 — дообученная модель Sentence-Transformers на основе LaBSE для получения плотных векторных представлений предложений и абзацев. Она рассчитана на задачи семантического поиска, сравнения сходства предложений и кластеризации текстов. Обучение использовало CosineSimilarityLoss. Модель построена на архитектуре BERT, содержит около 498,1 млн параметров, формирует эмбеддинги размерности 768 и принимает последовательности длиной до 512 токенов. Репозиторий предоставляет веса PyTorch и Safetensors. Суффикс FR-1000 указывает на французскую специализацию, однако доступные сведения не раскрывают состав обучающих данных или конкретные языковые ограничения. Лицензия в предоставленных данных не указана.