II.8Инженерия данных и аналитика

MihaiPopa опубликовал дообученную версию LiquidAI/LFM2.5-350M-Base с применением abliteration — изменения весов, снижающего частоту отказов. Это компактная плотная языковая модель семейства LFM2, предназначенная для диалоговой генерации текста и локального запуска. В модели 444,6 млн параметров по метаданным; README описывает базовую версию семейства как модель на 350 млн параметров с 16 слоями и контекстом 32 768 токенов. Метаданные указывают контекст до 128 000 токенов, поэтому сведения о длине контекста расходятся. Модель рассчитана на извлечение данных, формирование структурированных ответов и вызов инструментов; в сравнении с исходной моделью в README указано меньше отказов. Поддерживаемые языки по карточке: английский, арабский, китайский, французский, немецкий, японский, корейский, испанский и португальский. README не рекомендует её для задач, требующих обширных знаний, и программирования. Лицензия в метаданных обозначена как other; конкретные условия следует сверить на странице модели.

Карточка модели ronaldmannak/LFM2.5-Embedding-350M-4bit на Hugging Face совпадает с карточкой mlx-community/LFM2.5-Embedding-350M-4bit, поэтому описание составлено по ней. LFM2.5-Embedding-350M-4bit — 4-битная MLX-сборка мультиязычной плотной двунаправленной модели-энкодера Liquid AI. Она преобразует запросы и документы в 1024-мерные векторы; косинусное сходство между ними подходит для семантического поиска и сопоставления предложений, включая поиск между языками. Модель предназначена для локального запуска на устройствах Apple Silicon с MLX. В репозитории веса переведены из формата PyTorch/safetensors в MLX и квантованы до 4 бит с аффинной схемой и размером группы 64. В README указано, что на наборе из восьми оценённых датасетов качество поиска сохранилось близким к bf16-версии: среднее удержание NDCG@10 составило 100%, Recall@10 — 98,6%. Оценка для мультиязычных наборов проводилась на сокращённых пулах документов, поэтому абсолютные результаты нельзя напрямую сравнивать с результатами на полных корпусах. Метаданные указывают 444,6 млн параметров и контекст до 128 000 токенов. Поддерживаемые языки включают английский, испанский, немецкий, французский, итальянский, португальский, арабский, шведский, норвежский, японский и корейский. Лицензия отмечена как other; конкретные условия следует сверить с карточкой базовой модели LiquidAI/LFM2.5-Embedding-350M.

LFM2.5-Embedding-350M-bf16 — мультиязычная модель-энкодер Liquid AI, преобразующая запросы и документы в векторы для семантического поиска и сравнения сходства. Репозиторий mlx-community содержит сборку для локального запуска на устройствах Apple Silicon с библиотекой MLX; архитектура — двунаправленный плотный энкодер LFM2.5 с 1024-мерным CLS-представлением. Число параметров — 444,6 млн, исходная точность bf16 сохранена, контекст — до 128 000 токенов. Модель подходит для поиска документов по смыслу, многоязычного и кросс-языкового поиска, а также ранжирования по косинусному сходству векторных представлений. В README приведены оценки retrieval на небольших наборах NanoBEIR и сокращённых пулах MIRACL для нескольких языков; авторы предупреждают, что абсолютные результаты MIRACL нельзя напрямую сравнивать с лидербордом. Это конверсия исходной модели LiquidAI/LFM2.5-Embedding-350M: веса и поведение сохранены, изменён формат для MLX. Лицензия указана как other; конкретные условия следует сверить с карточкой исходной модели.

LFM2.5-Embedding-350M-int4 — 4-битная MLX-квантизация мультиязычного двунаправленного плотного bi-encoder LiquidAI LFM2.5-Embedding-350M для семантического поиска и поиска между языками. Модель формирует вектор размерности 1024 из CLS-токена; для кодирования запросов и документов используются префиксы «query: » и «document: », а сходство оценивается косинусной мерой. Контекст составляет до 128 000 токенов. Вариант рассчитан на запуск на компьютерах Apple Silicon через MLX. В README приведено сравнение с fp16 на подмножестве из четырёх англоязычных наборов NanoBEIR: среднее сохранение NDCG@10 после квантизации указано как 99,9%. Для корректного получения эмбеддингов в репозитории поставляется специальный загрузчик, поскольку обычная загрузка причинной LFM2-модели не учитывает двунаправленное внимание и CLS pooling. Лицензия в метаданных обозначена как other; README не уточняет дополнительные условия.

xmanii/maux-gte-persian-v3 — модель Sentence Transformer, дообученная на базе Alibaba-NLP/gte-multilingual-base на наборе mshojaei77/Persian_sft из 80 000 пар предложений. Она кодирует предложения и абзацы в плотные векторы размерности 768, которые сравниваются косинусной близостью. Модель предназначена прежде всего для семантического сходства и поиска по персидским текстам, а также для поиска перефразировок, кластеризации и классификации текста. Модель использует архитектуру Transformer с пулингом CLS-токена и нормализацией векторов; максимальная длина последовательности — 8192 токена. Карточка указывает библиотеку sentence-transformers и формат весов safetensors. Лицензия в предоставленных источниках не указана.

JANGQ-AI/MiniMax-M3-REAP22-Coder — производная модель MiniMax-M3, подготовленная JANG для программирования и агентных сценариев и предназначенная для запуска через vMLX на устройствах Apple Silicon. В основе — 60-слойная MoE-архитектура MiniMax-M3 с GQA, частичным RoPE и механизмами MSA Lightning Indexer; сохранена поддержка изображений. README не указывает размер контекста этой сборки, а описание базовой модели в метаданных сообщает контекст до 1 млн токенов. Модель сочетает JANG affine-mixed-квантизацию с AWQ и удалением части экспертов REAP: в каждом MoE-слое оставлено 100 из 128 маршрутизируемых экспертов. Для калибровки использованы Vera agentic-coder и GSM8K; автор README приводит результат HumanEval pass@1 81/81 на скремблированной половине набора и примерно 7/7 на небольшом арифметическом пробнике. Эти результаты получены на ограниченных проверках и не гарантируют аналогичного качества на других задачах. Для загрузки требуется vMLX версии 1.5.67 или новее с JANG-загрузчиком и runtime MiniMax-M3; обычные загрузчики Transformers, vLLM и MLX модель не поддерживают. Репозиторий занимает около 107 ГБ на диске. Лицензия указана как other, поэтому конкретные условия следует проверять в карточке модели и лицензии базовой модели.

ModernBERT-base-32K — дообученная разработчиками репозитория версия англоязычной encoder-only модели ModernBERT-base с архитектурой ModernBERT для задачи восстановления замаскированных токенов. Она расширяет контекст с 8 192 до 32 768 токенов с помощью масштабирования RoPE YaRN и дообучения на длинных текстах с модифицированной MLM-целью. Модель содержит 149 млн параметров и распространяется в формате Safetensors. Модель предназначена для извлечения признаков и представлений длинных документов, классификации текста и поиска информации в длинных текстах; сама по себе она не является чат-моделью или генеративным решением для ответов на вопросы. По карточке, обучение использовало подвыборку Slimpajama с длинными документами. Лицензия — Apache-2.0. Карточка отмечает снижение качества поиска ключевой фразы с ростом расстояния и ограниченную пользу контекста свыше 16 тысяч токенов. Обработка контекста в 32 тысячи токенов требует значительной видеопамяти; обучение преимущественно на веб-текстах может ограничивать перенос на специализированные области.

MonkeyOCR-pro-1.2B Vision GGUF — мультимодальная модель для распознавания текста и анализа документов по изображениям. Репозиторий подготовлен для использования в формате GGUF, включая совместимые с LM Studio файлы. В основе указана архитектура Qwen2.5-VL; модель содержит около 1,2 млрд параметров, использует квантование Q8_0 и поддерживает контекст до 8 196 токенов. Модель принимает изображения и текст, извлекает текст из документов, анализирует структуру страниц, таблицы и форматирование, а также отвечает на вопросы об изображениях в диалоге. В карточке заявлена поддержка английского, китайского и других языков. Указанные сценарии — OCR и разбор документов; фактическая точность зависит от качества изображения и языка. Лицензия репозитория — Apache-2.0.

MrBERT — многоязычная модель-энкодер от BSC-LT на архитектуре ModernBERT, предварительно обученная с нуля на корпусе объёмом 6,1 трлн токенов. Она использует двунаправленный masked language modeling и предназначена для получения контекстных представлений текста на 35 европейских языках и кода. Модель содержит около 307 млн параметров, использует токенизатор SentencePiece с словарём на 256 тысяч токенов и поддерживает контекст до 8192 токенов. MrBERT подходит как основа для последующей настройки на поиск и извлечение информации, классификацию, семантический поиск и кросс-языковые задачи понимания текста. В карточке приведены оценки на XTREME и других многоязычных тестах, включая XNLI, PAWS-X и UDPOS; результаты различаются по задачам и языкам. Для получения эмбеддингов или прикладного предсказания потребуется соответствующая downstream-настройка. Модель распространяется под лицензией Apache-2.0. Хотя в обучающем корпусе присутствуют код и 35 языков, основная доля данных — английская (67,4%); результаты и качество могут быть неодинаковыми для разных языков и задач.

Это Sentence Transformer на базе intfloat/multilingual-e5-large, дообученный автором vrnP66 на наборе inhouse_devanagari. Модель использует XLM-RoBERTa-large с усреднением токенных представлений и нормализацией, преобразуя предложения и абзацы в плотные векторы размерности 1024. Максимальная длина последовательности — 512 токенов; для сравнения векторов применяется косинусное сходство. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. Обучение на парных примерах запросов и положительных и отрицательных текстов ориентирует её на работу с данными набора inhouse_devanagari; README также приводит результаты оценки на этом наборе и all-nli-test. Языки явно не перечислены, поэтому нельзя определить, насколько хорошо модель работает за пределами обучающих данных. Лицензия в предоставленных сведениях не указана.

NeoMME-260M-Retriever-ST-dense — мультимодальная модель поиска документов от Hcompany, дообученная на базе Hcompany/NeoMME-260M-Retriever. Это одно-башенный энкодер на основе двунаправленного Transformer: он кодирует текстовые запросы и текстовые документы или изображения страниц в плотные эмбеддинги. Модель содержит 366 млн параметров, использует Sentence Transformers и поддерживает контекст до 16 384 токенов. Эмбеддинги нормализованы по L2 и предназначены для сравнения по косинусному сходству. Модель подходит для поиска релевантных документов по текстовому запросу в текстовых коллекциях и среди изображений страниц, в том числе для визуального поиска по документам. Вариант ST-dense выдаёт только плотные эмбеддинги; лицензия — Apache-2.0.

Nepali_Embedding_Model — модель Sentence Transformers на архитектуре XLM-RoBERTa, представленная пользователем universalml. Она преобразует текстовые предложения в векторные представления для сравнения их семантической близости; для оценки сходства рекомендуется косинусная мера. Модель содержит 658,7 млн параметров, принимает последовательности длиной до 512 токенов и выдаёт эмбеддинги размерностью 1024. Модель предназначена для поиска семантически похожих предложений и других сценариев, где текст нужно представить в виде векторов. В метаданных указаны английский и непальский языки, а лицензия — Apache-2.0. Карточка не уточняет ограничения качества или языковую специализацию за пределами названия модели и языковых тегов.

Neurosense Compact GTE R1 — компактная модель эмбеддингов Sharjeelbaig для плотного поиска и сравнения текстов. Она дообучена на базе Supabase/gte-small и использует архитектуру BERT; размер составляет 40 млн параметров, размер чекпойнта — около 128 МБ, размерность эмбеддингов — 384, максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и извлечения релевантных документов по запросу, в том числе при ограничениях на размер и вычислительные ресурсы. В README приведены результаты retrieval-бенчмарка на наборах FiQA, NFCorpus и SciFact и небольшое улучшение MRR@10 относительно предыдущего чекпойнта Neurosense. Модель не генерирует ответы и не претендует на превосходство над крупными моделями эмбеддингов. Модель принимает текст и выдаёт векторные эмбеддинги; для сравнения текстов можно использовать косинусное сходство. В карточке указана поддержка английского языка и библиотека sentence-transformers. Лицензия — MIT.

Карточка модели joteqwork/new_gsev0 на Hugging Face совпадает с карточкой avsolatorio/GIST-small-Embedding-v0, поэтому описание составлено по ней. 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.

OpenCodeReasoning-Nemotron-32B-GGUF — это GGUF-квантизированная версия текстовой генеративной модели OpenCodeReasoning-Nemotron-32B, разработанной NVIDIA и подготовленной квантизатором bartowski. Модель ориентирована на задачи генерации и анализа кода, а также на другие сценарии текстовой генерации на английском языке. В README указана принадлежность к семейству моделей NVIDIA OpenCodeReasoning и датасету nvidia/OpenCodeReasoning. Модель содержит 32 миллиарда параметров и распространяется в форматах GGUF, совместимых с llama.cpp и проектами на его основе, включая LM Studio. Доступны варианты от BF16 и Q8_0 до более компактных Q3 и IQ-квантизаций. Версии Q6_K_L, Q6_K, Q5 и Q4 отмечены как обеспечивающие высокое или хорошее качество при меньшем размере, тогда как варианты Q3 экономят оперативную память ценой снижения качества. Размер файлов зависит от варианта и составляет примерно от 15,94 до 65,54 ГБ. К сильным сторонам относятся специализированная направленность на код, широкий выбор степеней квантизации и возможность локального запуска через llama.cpp или LM Studio. Ограничения включают значительные требования к памяти даже для компактных вариантов, снижение качества при сильной квантизации и отсутствие в представленном README сведений о размере контекста, архитектурных деталях, поддержке мультимодальности и производительности. Модель распространяется по лицензии Apache-2.0.

ENOSYS/Octen-Embedding-8B-750-v1-GGUF — квантизированная версия модели Octen/Octen-Embedding-8B в формате GGUF, подготовленная с использованием калибровочных данных на английском и русском языках. Репозиторий описывает экспериментальную квантизацию с настройками global target bits-per-weight и патчами для ответвления LLaMA C++; тензоры сохранены в F16 для совместимости с архитектурой Nvidia Pascal. Модель предназначена для получения текстовых эмбеддингов, оценки семантического сходства и извлечения информации, в том числе в сценариях семантического поиска. Она основана на мультиязычной модели Octen на базе Qwen3 и распространяется по лицензии Apache-2.0. В README приведены метрики сравнения вариантов квантизации, но они показывают существенное ухудшение perplexity относительно исходного качества и не подтверждают пригодность каждого варианта для конкретного сценария. Для использования могут потребоваться совместимые инструменты и ветка LLaMA C++.

omniASR-CTC-300M-v2 — модель автоматического распознавания речи на базе Wav2Vec2 с CTC-декодированием, преобразованная из чекпойнта OmniLingual fairseq2. Она принимает аудио и выдаёт последовательность логитов по словарю SentencePiece, предназначенную для транскрибации речи на нескольких языках. Модель содержит 413,2 млн параметров и доступна в формате Safetensors для библиотеки Transformers. Подходит для многоязычной транскрибации аудиозаписей и распознавания речи в приложениях. Сведения о поддерживаемых языках, точности и длине контекста в карточке не приведены. Лицензия — Apache 2.0.

Pretergeek создал OpenChat-3.5-0106_9.86B_44Layers-Appended на основе диалоговой модели OpenChat 3.5 0106. Это плотная причинная языковая модель семейства Mistral с 9,7 млрд параметров, предназначенная для генерации текста и общения в формате чата. Она принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Модель получена расширением исходной сети дополнительными слоями в конце: автор применил вариант метода расширения блоков, описанного в работе LLaMA Pro. По README, после такого расширения модель ещё не проходила дополнительное обучение и должна вести себя близко к исходной. Её можно использовать для диалога, ответов на общие вопросы, программирования и математических рассуждений, но ожидаемые улучшения от новых слоёв пока не подтверждены обучением. Модель распространяется по лицензии Apache-2.0. Результаты в таблице README включают средний показатель 22,55, IFEval — 59,61 и BBH — 24,06; полный контекст оценки в доступной карточке не приведён.

OpenThinker2-32B — языковая модель с 32 млрд параметров, разработанная командой Open Thoughts и дообученная на Qwen/Qwen2.5-32B-Instruct с использованием набора OpenThoughts2-1M. Это плотная модель семейства Qwen2 для генерации текста в диалоговом формате; она рассчитана прежде всего на задачи рассуждения, особенно по математике и программированию. В оценках Evalchemy, приведённых в карточке, модель показывает результаты на задачах AIME24, AIME25, AMC23, MATH500, GPQA-D и LCBv2. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и поставляется в формате Safetensors для Transformers. Метаданные также указывают интерфейс вызова инструментов. Основной язык явно не обозначен; из карточки нельзя установить полный перечень поддерживаемых языков. Модель распространяется по лицензии Apache 2.0. Оценки в карточке получены с помощью Evalchemy и не гарантируют аналогичного качества на иных задачах.

OpenThinkerAgent-32B — модель агентного программирования, созданная проектом OpenThoughts. Она дообучена полнопараметрическим SFT на базе Qwen/Qwen3-32B с использованием 100 тысяч примеров OpenThoughts-Agent-SFT-100K. Модель имеет плотную архитектуру Qwen3ForCausalLM и 29,7 млрд параметров; в репозитории представлены веса safetensors. Контекст составляет до 40 960 токенов. Модель предназначена для диалоговой работы над задачами разработки ПО и выполнения многошаговых агентных сценариев, включая работу в терминале и решение задач из SWE-Bench. В README приведены результаты оценки в terminus-2 и на семи агентных бенчмарках; для SWE-Bench-Verified указана точность 54,0, а для Terminal-Bench 2.0 — 26,2. Метаданные отмечают поддержку чата и кода. Данных о мультимодальном вводе или выводе нет. Модель унаследовала языковые возможности Qwen3-32B, но карточка не перечисляет конкретные естественные языки. Обучающая выборка включает траектории агентов из SWE-Smith, StackExchange SuperUser, StackExchange Tezos и IssueTasks. Модель распространяется по лицензии Apache-2.0.

OxCoder-9B GGUF — языковая модель для генерации кода, разработанная Pink Pixel на базе Qwen/Qwen3.5-9B. Она предназначена прежде всего для долгих агентных сценариев разработки программного обеспечения и работы в терминале: решения задач в репозиториях, генерации и изменения кода, устранения ошибок и автоматизации инженерных процессов. При обучении использовались траектории работы передовых coding-агентов, включая Fable-5.1 и GLM-5.3 в средах Claude Code, OpenCode и Codex. Модель содержит около 9 млрд параметров, поддерживает текстовую модальность и заявлена для английского языка. Архитектура — Qwen 3.5 с гибридными слоями linear attention и full self-attention, interleaved MRoPE и поддержкой контекста до 262 144 токенов. В репозитории доступны GGUF-квантизации от BF16 до Q2_K размером примерно от 16,69 до 3,56 ГБ; вариант Q4_K_M указан как рекомендуемый по умолчанию, а Q8_0 — как близкий к исходному качеству при достаточном объёме памяти. Для запуска требуются llama.cpp или совместимые среды с поддержкой Qwen 3.5, включая Ollama, LM Studio и Jan. Сильные стороны модели — ориентация на агентную разработку, работу с терминалом, восстановление после ошибок вызовов инструментов, предварительный просмотр файлов перед изменениями и формирование минимальных diff. В README приведены результаты бенчмарков Terminal-Bench 2.1, SWE-bench Verified, SWE-bench Pro, NL2Repo и GPQA Diamond, однако фактическое качество зависит от выбранной квантизации и среды запуска. Более компактные варианты экономят память, но могут заметно уступать по качеству; Q2_K прямо предназначен для тестирования при жёстких ограничениях памяти. Модель распространяется по лицензии Apache 2.0.

Модель benja-d/paraphrase-spanish-distilroberta-finetuned-chatbot — Sentence Transformer на базе испанской RoBERTa, дообученная для преобразования предложений и абзацев в плотные векторы. Она предназначена для семантического поиска, сравнения текстов и поиска перефразировок; эмбеддинги также можно применять для кластеризации и классификации текстов. Архитектура использует RobertaModel с усреднением токенных представлений, выдаёт векторы размерности 768 и поддерживает косинусное сравнение. Контекст модели — до 514 токенов по метаданным; в README для Sentence Transformers указан предел последовательности 128 токенов. Модель дообучена на 168 парных примерах из набора json. В README приведены небольшие результаты оценки поиска, поэтому они не гарантируют качество на других данных. Карточка указывает испанский язык, а описание базовой модели в каталоге также сообщает поддержку английского. Лицензия — Apache-2.0.

PEG (Progressively Learned Textual Embedding) — модель текстовых эмбеддингов для поиска и сопоставления предложений, представленная разработчиками карточки. Она обучалась с прогрессивной настройкой вклада примеров в функцию потерь с учётом сложности негативных примеров, чтобы повысить устойчивость текстового поиска. Для обучения использована коллекция более чем из 110 миллионов примеров из разных областей, включая общие знания, финансы, туризм и медицину. Модель построена на архитектуре BERT, содержит 424,3 млн параметров и принимает текст с контекстом до 512 токенов; карточка указывает китайский язык. Она подходит для извлечения эмбеддингов предложений и оценки их сходства. Распространяется под лицензией Apache-2.0.

PP-OCRv5_mobile_rec_onnx — компактная модель распознавания текста в строках из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она предназначена для извлечения текста из изображений и может использоваться в сценариях OCR, включая распознавание печатного и рукописного текста, вертикального, искажённого и художественного текста, пиньиня, редких символов и древнекитайского текста. Модель поддерживает упрощённый и традиционный китайский, английский и японский языки. Доступен вариант для запуска через ONNX Runtime, включая GPU-окружение. В README не указаны точная архитектура, количество параметров, размер модели и максимальная длина контекста. Заявленные показатели зависят от типа текста: среднее значение составляет 0,8015, а для печатного китайского и английского — 0,8605 и 0,8753 соответственно; для рукописного и художественного текста результаты ниже. Метрики используют строгий критерий: ошибка любого символа или знака пунктуации делает неверной всю строку. Модель ориентирована на эффективное и универсальное распознавание текста одной моделью, но её качество может существенно различаться между типами данных, языками и сложными сценариями. Распространяется по лицензии Apache-2.0.

PP-OCRv6_tiny_rec — компактная модель распознавания текста на изображениях из семейства PaddleOCR, разработанная PaddlePaddle. Она предназначена для извлечения текста из уже выделенных строк или фрагментов изображения и может использоваться как модуль распознавания в OCR-конвейерах для документов, экранов и промышленных изображений. Модель построена на LCNetV4 с прямой проекцией reshape и многоголовочным декодером CTC+NRTR. По README, она содержит 1,1 млн параметров и поддерживает 49 языков; карточка указывает английский и китайский. Репозиторий содержит веса в формате safetensors, а для работы используется библиотека PaddleOCR. Компактный размер подходит для сценариев, где важны лёгкое развёртывание и распознавание текста в разнообразных визуальных условиях. Это модель распознавания текста, а не полный OCR-конвейер: для обнаружения текстовых областей могут понадобиться отдельные компоненты. Лицензия — Apache-2.0.

infgrad выпустил модель на базе XLM-RoBERTa для поиска и семантического сопоставления текстов. Она формирует векторные представления предложений и поддерживает несколько выходных размерностей: 256, 768, 1024, 1563, 1792, 2048 и 4096. Модель рассчитана на поиск как внутри одного языка, так и между китайским и английским; автор отмечает, что английские представления слабее китайских. Контекстная длина составляет 514 токенов. Модель распространяется под лицензией MIT.

Edens-Gate/Qwen1.5B-Instruct-Upscale-3.5B — текстовая диалоговая модель семейства Qwen2, созданная с помощью mergekit методом passthrough на основе Qwen/Qwen2-1.5B-Instruct. Репозиторий содержит плотную архитектуру Qwen2ForCausalLM на 3,2 млрд параметров; модель работает через Transformers и принимает текстовые запросы, выдавая текст. Модель предназначена для диалогов и генерации текста по инструкциям. Подходит для ответов на вопросы, составления текстов и помощи с программированием или математическими задачами. Контекстное окно составляет 32 768 токенов. В метаданных указана лицензия Apache-2.0?

Модель unsloth/Qwen2.5-32B — версия базовой языковой модели Qwen2.5, опубликованная Unsloth и основанная на Qwen/Qwen2.5-32B. Это плотная причинная языковая модель с архитектурой Qwen2ForCausalLM, 32 млрд параметров и контекстом до 131 072 токенов; файлы представлены в формате safetensors и модель работает через Transformers. В карточке также приведены сведения об архитектуре семейства: RoPE, SwiGLU, RMSNorm и групповое внимание с 40 головами Q и 8 головами KV. Модель предназначена для генерации текста и дальнейшего дообучения. Базовый чекпойнт поддерживает многоязычную генерацию, включая русский, английский, китайский и другие языки; семейство Qwen2.5 также описано как способное работать с кодом, математическими задачами, длинными текстами и структурированными данными. README отдельно предупреждает, что базовая модель не рекомендуется для диалогов без последующего обучения, например SFT или RLHF. Лицензия — Apache-2.0.

Qwen2.5-Coder-1.5B-Instruct-MLX-4bit — это 4-битная MLX-квантизация инструкционной модели Qwen2.5-Coder-1.5B-Instruct, разработанной командой Qwen. Квантизацию выполнил bartowski на основе инструментов mlx-examples; модель предназначена для запуска на компьютерах Mac с Apple Silicon. Модель ориентирована на генерацию и обработку кода, чат-взаимодействие и использование в составе Code Agents. Она обучалась на объёме до 5,5 триллиона токенов, включая исходный код, данные для связывания текста и кода и синтетические данные. Заявлена поддержка контекста до 32 тысяч токенов и английского языка. Формат MLX и 4-битная квантизация снижают требования к памяти, однако README не содержит количественных данных о качестве, скорости, поддерживаемых модальностях или конкретных ограничениях кода модели. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-3B-Instruct-4bit — языковая модель для генерации текста и работы с программным кодом, разработанная командой Qwen. Версия преобразована сообществом mlx-community из исходной модели Qwen/Qwen2.5-Coder-3B-Instruct в формат MLX с использованием mlx-lm 0.19.3. Модель имеет размер 3B параметров и предназначена для сценариев инструкционного диалога и генерации кода. В карточке указана поддержка английского языка, текстовая модальность и применение через библиотеку mlx-lm; доступна 4-битная версия, что уменьшает требования к памяти по сравнению с полноразмерным представлением, но может ограничивать точность по сравнению с исходной моделью. Архитектура и размер контекста в README не указаны. Для использования требуется установить пакет mlx-lm и загрузить модель через функции load и generate. Лицензия обозначена как qwen-research; подробные условия доступны по ссылке на лицензию исходной модели. README не содержит данных о результатах тестирования, конкретных ограничениях качества или поддерживаемых языках помимо английского.