II.8Инженерия данных и аналитика

Qwen2.5-Coder-7B-Instruct-heretic — модификация Qwen2.5-Coder-7B-Instruct, опубликованная пользователем saidutta69 и созданная с помощью Heretic 1.4.0. Это генеративная текстовая модель для программирования, основанная на модели Qwen с нативным размером около 7,6 млрд параметров. Указанный язык — английский; модель предназначена для текстового взаимодействия и генерации кода. Модель ориентирована на локальные coding agents, парное программирование и помощь на уровне репозитория. В ней применена directional ablation, или abliteration: целевые изменения весов в выходных проекциях attention и down-projections MLP подавляют поведение, связанное с отказами, без дообучения. По данным README, это сохраняет знания и следование инструкциям базовой модели; доступны полноточные BF16-веса и GGUF-квантизации Q4_K_M, Q5_K_M, Q6_K и Q8_0 для запуска через llama.cpp, Ollama и другие совместимые инструменты. Главное отличие модели — существенно более редкие отказы на выбранных adversarial-запросах: 3 из 100 против 100 из 100 у базовой модели, при заявленном KL divergence 0,0196. При этом она не является улучшением базовых возможностей и наследует фактические ограничения и предубеждения Qwen2.5-Coder-7B-Instruct. В модели отсутствует дополнительная фильтрация безопасности, поэтому её не рекомендуется размещать за незащищённым публичным интерфейсом. Лицензия унаследована от базовой модели и обозначена как qwen-research; для коммерческого использования необходимо ознакомиться с условиями исходной лицензии.

Это дообученная модель Jongbin-kr на основе Jongbin-kr/qwen2.5-coder-7b-verireason-official-settings-reasoning-jongbin. Модель семейства Qwen2 с плотной архитектурой Qwen2ForCausalLM содержит 7,1 млрд параметров и предназначена для генерации текста в диалоговом формате. В карточке приведён пример генерации ответа на вопрос пользователя. Модель можно применять для диалоговых ответов и задач генерации текста; в названии и базовой модели заявлена специализация на коде и рассуждениях. Используется библиотека Transformers, веса представлены в формате safetensors, заявленная длина контекста — 32 768 токенов. Языки и лицензия в предоставленных данных не обозначены.

Qwen3-0.6B-English — англоязычная версия Qwen3-0.6B-Base от автора harithoppil, созданная путём обрезки словаря и последующего дообучения. Это плотная авторегрессионная языковая модель на архитектуре Qwen3ForCausalLM с 456,6 млн параметров, 28 слоями и словарём из 101 816 токенов. Она принимает текст и поддерживает контекст до 40 960 токенов по метаданным. Модель предназначена для генерации английского текста, диалогов, программного кода, математических выражений и рассуждений. Она поддерживает режимы с рассуждениями и без них, а также интерфейс вызова инструментов. Удаление токенов для кириллицы, CJK, арабского и других письменностей сокращает размер матрицы эмбеддингов и выходного слоя, но ограничивает работу преимущественно английским языком; заявленные автором свойства Qwen3 не являются отдельной оценкой качества этой версии. В карточке также отмечена возможность повторов; для снижения этого риска автор рекомендует настраивать параметры генерации. Модель распространяется по лицензии Apache-2.0. Для работы автор рекомендует актуальную версию библиотеки Transformers.

Модель lordx64/Qwen3.6-35B-A3B-Kimi-K2.6-Reasoning-Distilled — дообученная методом дистилляции версия Qwen3.6-35B-A3B, созданная автором lordx64. Она обучена на примерно 7,8 тыс. примеров рассуждений Kimi K2.6 и воспроизводит более подробный, пошаговый стиль ответов с явными блоками рассуждений. Архитектура — разреженная Mixture-of-Experts с 35 млрд параметров, из которых около 3 млрд активны на каждом токене; заявленная длина контекста — 64 тыс. токенов. Модель предназначена для сложных STEM-задач, конкурсной математики, пошагового анализа кода, логических задач и агентного планирования. Она принимает текст и генерирует текст; карточка указывает английский язык. Длинные цепочки рассуждений могут увеличить задержку и расход токенов, а дистилляция не добавляет знаний сверх возможностей базовой модели. Автор предупреждает, что приведённые в README результаты оценки зависят от используемого конвейера и для ряда тестов ненадёжны. Дополнительное обучение безопасности не проводилось. Лицензия Apache-2.0 разрешает коммерческое и исследовательское применение.

unsloth/Qwen3-8B-Base-unsloth-bnb-4bit — это 4-битная квантованная версия базовой причинной языковой модели Qwen3-8B-Base, подготовленная Unsloth на основе модели Qwen от команды Qwen. Модель предназначена для генерации и продолжения текста, языкового моделирования, программирования, STEM-задач, рассуждений и других сценариев, где требуется компактная локальная LLM. Поскольку это базовая предобученная модель, она не ориентирована специально на выполнение пользовательских инструкций или ведение диалога без дополнительной настройки. Модель содержит около 8,2 млрд параметров, из которых 6,95 млрд не относятся к embedding-слою, включает 36 слоёв и использует Grouped Query Attention с 32 головами запросов и 8 головами ключей и значений. Максимальная длина контекста составляет 32 768 токенов. Qwen3 обучалась на корпусе объёмом 36 трлн токенов, охватывающем 119 языков, с данными по программированию, STEM, рассуждениям, книгам, многоязычным и синтетическим материалам. Квантование уменьшает требования к памяти и упрощает локальный запуск, однако может сопровождаться потерей точности по сравнению с исходной полноразмерной версией. Для работы рекомендуется актуальная версия библиотеки transformers; версия ниже 4.51.0 не поддерживает архитектуру Qwen3. Модель распространяется по лицензии Apache-2.0.

hanhainebula/qwen3-8b-ft-msmarco — текстовая модель эмбеддингов, созданная дообучением Qwen/Qwen3-8B на английских обучающих данных MSMARCO в течение одной эпохи с помощью FlagEmbedding. Она выпущена в рамках ресурсов ReasonEmbed, посвящённых улучшению эмбеддингов для поиска документов со сложными рассуждениями. Модель предназначена для преобразования текста в векторные представления и задач извлечения документов; в метаданных для неё указан pipeline feature-extraction. Модель имеет плотную архитектуру Qwen3, содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Весовые файлы представлены в формате safetensors; токенизатор изменён для автоматического добавления EOS-токена. Лицензия — Apache-2.0. Обучение описано для английских данных MSMARCO; многоязычность базовой Qwen3 сама по себе не подтверждает, что этот чекпойнт одинаково хорошо работает на других языках.

MLX-версия модели Qwen3-Coder-Next, разработанная сообществом mlx-community и конвертированная из Qwen/Qwen3-Coder-Next с использованием mlx-lm 0.30.5. Модель предназначена для генерации текста, в первую очередь в сценариях, связанных с программированием и работой с кодом, и рассчитана на запуск через экосистему MLX. Модель представлена в 5-битном формате квантования, что уменьшает требования к памяти по сравнению с полноразмерным представлением и может быть удобно для локального запуска на совместимом оборудовании Apple. В README не указаны точные архитектурные параметры, количество параметров, поддерживаемые языки, размер контекста или дополнительные модальности; заявлена только текстовая генерация. Для использования требуется библиотека mlx-lm и совместимое с MLX окружение. Сильными сторонами являются оптимизация под формат MLX и уменьшенный размер представления, однако 5-битное квантование может влиять на точность по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0.

Карточка модели tomhu/Qwen3-Coder-Next-SWE-Prune-GATE-70 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-Coder-REAP-363B-A35B — сжатая модель Cerebras на архитектуре причинной языковой модели с разреженной смесью экспертов (MoE), созданная методом REAP из Qwen/Qwen3-Coder-480B-A35B-Instruct. Модель предназначена для генерации кода, агентного программирования, работы с большими репозиториями и вызова функций. В карточке заявлено сохранение близкой к исходной производительности при сокращении общего числа параметров с 480B до 363B; на каждом токене активируются 35B параметров и 8 из 120 экспертов. Метаданные указывают 15,4B параметров, поэтому размер модели в источниках расходится. Контекст составляет 262 144 токена. README указывает формат FP8, 62 слоя и поддержку запуска через vLLM; метаданные указывают Transformers и формат safetensors. Заявлено расширение контекста до 1M с YaRN. Модель ориентирована на английский язык. Лицензия — Apache 2.0. README сообщает о близкой к исходной точности и снижении требований к памяти, но результаты оценки для BF16-варианта не приведены.

Qwen3 Embedding 0.6B LRAT Full-v1 to Broad Extrapolation a1.25 — экспериментальный текстовый энкодер для получения признаковых представлений и семантического поиска. Это дообученная модель семейства Qwen3 с плотной архитектурой Qwen3Model и примерно 507,6 млн параметров; она основана на Qwen/Qwen3-Embedding-0.6B. Модель принимает текст и выдаёт эмбеддинги. Максимальная длина контекста — 32 768 токенов. Чекпойнт получен экстраполяцией направления между двумя версиями ретривера команды: full-v1 и broad-g16-v2. Обе версии обучались на предоставленных организаторами траекториях LRAT и корпусе. Выбор чекпойнта опирался на локальную оценку с фиксированными seed в процессе BrowseComp-Plus Agent и Judge; авторы не заявляют эти оценки как официальные результаты. Лицензия — Apache-2.0.

mlx-community/Qwen3-Reranker-0.6B-mxfp8 — преобразованная в формат MLX модель-реранкер сообщества mlx-community, полученная из Qwen/Qwen3-Reranker-0.6B с помощью mlx-embeddings 0.0.3. Она оценивает релевантность пары запроса и документа, чтобы ранжировать результаты поиска или выбрать наиболее подходящие фрагменты для системы RAG. Модель основана на плотной архитектуре Qwen3 с примерно 508 млн параметров и поддерживает контекст до 40 960 токенов. Репозиторий предназначен для запуска через mlx-embeddings. В метаданных указаны Apache-2.0 и формат safetensors. Исходная модель-реранкер Qwen3 преобразована в MLX; заявлено назначение для ранжирования текста.

Qwen3-Reranker-4B-seq-cls-vllm-fixed — версия Qwen/Qwen3-Reranker-4B, преобразованная в архитектуру классификации последовательностей и настроенная для совместимости с vLLM. Модель оценивает релевантность пары «запрос — текст» и предназначена для повторной сортировки результатов поиска. Она использует плотную архитектуру Qwen3ForSequenceClassification, содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. По карточке модели, преобразование из CausalLM в SequenceClassification сохраняет результаты исходного реранкера, но значительно сокращает классификационную голову и вычисления при оценке. Модель распространяется по лицензии Apache-2.0. Указанная настройка рассчитана на использование с vLLM.

Qwen3-Swallow-32B-RL-v0.2 — японско-английская языковая модель команды Swallow LLM, дообученная на основе Qwen3-Swallow-32B-SFT-v0.2 с помощью обучения с подкреплением по проверяемым вознаграждениям (RLVR). Это плотная архитектура Qwen3 с 29,7 млрд параметров, предназначенная для диалоговой генерации текста и рассуждений; модель принимает текст и генерирует текст. Поддерживает японский и английский языки, а родная длина контекста составляет 40 960 токенов. Модель ориентирована на ответы на японском и английском языках, перевод между ними, а также задачи математики и программирования. По описанию разработчиков, RLVR улучшило математические и кодовые рассуждения, сохранив результаты на уровне исходных Qwen3 или выше на некоторых задачах. Для запуска разработчики рекомендуют Transformers-совместимую инфраструктуру, в частности vLLM, и контекст не более 32 768 токенов. Вызов инструментов не является проверенным сценарием, а отдельного переключателя режима рассуждений нет. Модель выпущена на раннем этапе исследований и разработки; авторы предупреждают, что её ответы не настроены для надёжного соответствия намерениям пользователя и требованиям безопасности. Лицензия — Apache-2.0.

Qwen3-VL-32B-Instruct-Heretic — мультимодальная модель для диалога по тексту и изображениям, созданная как дообученная версия Qwen/Qwen3-VL-32B-Instruct. Она предназначена для ответов на вопросы об изображениях, визуального рассуждения, распознавания текста и анализа видео; архитектура Qwen3-VL dense содержит 32 млрд параметров. В карточке базовой модели заявлены контекст 256 тыс. токенов с возможностью расширения до 1 млн и OCR на 32 языках. Модель сохраняет возможности базовой версии для текстового и визуального понимания, включая пространственное рассуждение и разбор интерфейсов. Abliteration заметно снижает частоту отказов в указанном сравнении: 4 из 100 против 89 из 100 у исходной модели; это не гарантирует корректность или безопасность ответов. Доступна по лицензии Apache-2.0.

Это кросс-энкодер treprepr, дообученный на базе BAAI/bge-reranker-v2-m3 с помощью библиотеки sentence-transformers. Модель принимает пару текстов и вычисляет оценку их релевантности, которую можно использовать для переранжирования результатов поиска и семантического поиска. В каталоге её основная задача — text-ranking; также указана поддержка text-classification. Модель основана на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и возвращает одну оценку для пары текстов. Метаданные указывают контекст до 8194 токенов, а README — максимальную длину последовательности 2048 токенов. Обучающая выборка содержит 92 768 пар с метками. Базовая модель многоязычная, однако конкретный список поддерживаемых языков для этой версии не приведён. Модель подходит для сортировки найденных документов по соответствию запросу и оценки смыслового сходства текстовых пар. Для работы с ней требуется текстовый ввод; она выдаёт оценку релевантности, а не готовый ответ или эмбеддинги. Лицензия в предоставленных данных не указана.

sentence-transformers/roberta-large-nli-mean-tokens — модель sentence-transformers, обученная командой Sentence Transformers на основе RoBERTa Large. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сравнения текстов и кластеризации. Модель принимает текст и выдаёт векторные представления; архитектура использует RoBERTa и mean pooling. Контекст модели — до 514 токенов. Доступны веса в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель помечена авторами как устаревшая: README предупреждает о низком качестве sentence embeddings и рекомендует выбрать более новые модели. Лицензия — Apache-2.0.

Seed-Coder-8B-Reasoning — языковая модель для генерации кода, разработанная ByteDance Seed и представленная в формате GGUF сообществом Unsloth. Она предназначена для решения задач программирования, включая генерацию, анализ и доработку кода, а также для сценариев, требующих многошагового рассуждения, таких как соревновательное программирование. Модель обучалась на общедоступных данных в этапах предварительного и последующего обучения с применением reinforcement learning для усиления способностей к рассуждению. Это causal language model примерно на 8 млрд параметров с контекстом до 65 536 токенов. В README не указаны поддерживаемые языки программирования и естественные языки, а также конкретная архитектура или модальности, поэтому модель следует рассматривать как текстовую. К сильным сторонам относятся заявленная высокая эффективность среди открытых моделей сопоставимого размера и хорошие результаты в competitive programming; по данным разработчиков, она превосходит QwQ-32B и DeepSeek-R1 на IOI 2024 и сопоставима с o1-mini по рейтингу ELO на соревнованиях Codeforces. Ограничения и требования к аппаратным ресурсам в README подробно не описаны. Лицензия проекта — MIT.

mrm8488/setfit-mpnet-base-v2-finetuned-spam-detection — модель Sentence Transformers на архитектуре MPNet, разработанная автором mrm8488 и предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. В метаданных указан размер 136,7 млн параметров, библиотека PyTorch и контекст до 514 токенов. Модель можно использовать для семантического поиска, сравнения сходства текстов и кластеризации. Несмотря на название репозитория, README описывает получение эмбеддингов, а метаданные не подтверждают отдельную задачу классификации спама. Модель принимает текст и выдаёт векторы. README указывает обучение с CosineSimilarityLoss; сведений о поддерживаемых языках и лицензии в предоставленных данных нет.

Это GGUF-квантизированная версия модели Snowflake/snowflake-arctic-embed-l, разработанной компанией Snowflake. Квантизацию выполнил mradermacher; доступны варианты с разными типами и уровнями квантизации, преимущественно размером около 0,2–0,4 ГБ. Модель предназначена для получения векторных представлений текстов, извлечения признаков и оценки семантического сходства предложений. Она может использоваться в задачах семантического поиска, кластеризации, сопоставления текстов и других сценариях, где требуется сравнивать смысловые представления документов или запросов. В метаданных указана поддержка английского языка и совместимость с экосистемой Transformers, а также с задачами sentence-transformers и MTEB. Ключевые архитектурные характеристики исходной модели, включая точное число параметров, размерность эмбеддингов и длину контекста, в README не указаны. Основное преимущество набора — компактные GGUF-файлы и возможность выбрать баланс между размером, скоростью и качеством. Ограничение связано с потерями качества при низких уровнях квантизации: README отмечает, что некоторые варианты имеют низкое качество, поэтому для практического использования рекомендуются более качественные варианты вроде i1-Q4_K_M или i1-Q6_K. Модель распространяется по лицензии Apache-2.0.

Solon-embeddings-large-0.1 — открытая модель векторных представлений текста от OrdalieTech. Она основана на архитектуре XLM-RoBERTa и содержит 658,7 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для французского языка и рассчитана на создание эмбеддингов, используемых в задачах сравнения текстов и поиска по смыслу. Контекст модели — до 514 токенов. Модель подходит для семантического поиска, оценки сходства текстов, классификации и ранжирования. В описании приведены результаты по девяти французским тестам MTEB и другим бенчмаркам; для запросов на извлечение информации README рекомендует добавлять префикс «query : », тогда как для текстов-пассажей инструкции не нужны. Лицензия — MIT. Результаты бенчмарков не гарантируют аналогичного качества на других данных и сценариях.

Это перенос многоязычного текстового энкодера SONAR в формат Transformers из реализации fairseq2. Модель на архитектуре M2M100 содержит 665 млн параметров и формирует векторные представления текста для оценки сходства предложений. Перенесённые веса должны давать те же эмбеддинги, что и официальная реализация, которая остаётся эталонным источником. Энкодер поддерживает 202 языка, как NLLB-200, и рассчитан на кодирование текстов длиной до 1024 токенов. Его можно использовать для поиска семантически близких предложений и сопоставления текстов на разных языках. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Sophea-Nemo-Embedding — плотная модель эмбеддингов для семантического поиска на греческом и английском языках, разработанная Kiefer SA на основе NVIDIA Nemotron-3-Embed-1B-BF16. Модель дообучена для извлечения релевантных документов и служит первым этапом двухэтапной RAG-системы, где за поиском кандидатов может следовать Sophea-Nemo-Reranker. Модель использует архитектуру Ministral-3 с двунаправленным кодированием, mean pooling и L2-нормализацией; размерность эмбеддинга — 2048, контекст — до 262144 токенов. Для запросов и документов нужны префиксы «query: » и «passage: » соответственно; сходство можно оценивать по косинусной близости или скалярному произведению. В указанной авторами оценке на пяти тематических областях дообученная модель показала более высокие результаты поиска, чем базовая модель и сравнивавшиеся готовые эмбеддеры. Подходит для семантического поиска и получения кандидатов для RAG на греческом и английском языках. Модель создана полным дообучением Nemotron-3-Embed-1B с контекстом обучения до 4096 токенов. Греческий язык находился вне языков обучения базовой модели, поэтому заявленные авторами улучшения относятся к их тестовой оценке и не гарантируют такой же результат на других корпусах. Лицензия указана как other; конкретные условия следует проверить в карточке репозитория.

Star Supernova — англоязычная модель генерации текста monkiey/StarSupernova, созданная на базе Gemma-4 и дообученная с дистилляцией интеллектуальных и аналитических возможностей модели stepfun-ai/Step-3.7-Flash. Она предназначена для многошагового рассуждения, решения математических задач, академического и профессионального анализа, работы с вопросами из MMLU-Pro, программированием, системной инженерией и многоходовыми диалогами разработчика с инструментами. Модель использует разреженную архитектуру Mixture-of-Experts с 12 экспертами, Top-4-маршрутизацией для каждого токена и общей плотной MLP-сетью. Общий объём составляет около 13,47 млрд параметров, из них активно используется около 5,54 млрд на токен. Архитектура основана на Gemma-4 с 35 слоями и размерностью скрытого состояния 1536, контекст — до 131 072 токенов. Веса квантизованы до 4 бит, проекции маршрутизатора — до 8 бит; заявленный объём памяти составляет около 8,7 ГБ VRAM. Сильные стороны модели — высокая ёмкость при разреженной активации, специализированные навыки рассуждения, пошаговые математические выводы, устранение отвлекающих вариантов в тестах и эффективный запуск на компьютерах Apple Silicon через MLX и Metal GPU. Ограничение — модель обучалась только на английском языке и рассчитана прежде всего на англоязычные сценарии. Для работы требуется MLX/Apple Silicon; README указывает лицензию Apache-2.0.

Карточка модели infgrad/stella-base-zh на Hugging Face совпадает с карточкой infgrad/stella-large-zh-v2, поэтому описание составлено по ней. stella-large-zh-v2 — модель для кодирования текста, разработанная автором семейства Stella. Она преобразует китайские тексты в векторы размерностью 1024 и предназначена прежде всего для семантического поиска и сопоставления текстов. Модель основана на архитектуре BERT и дообучена на открытых корпусах и синтетических парах «вопрос — абзац» и «предложение — абзац» с помощью контрастивного обучения, сложных отрицательных примеров и дистилляции. Контекст составляет до 1024 токенов. Для поиска не требуется добавлять инструкционные префиксы. Модель подходит для поиска по длинным китайским документам и оценки семантического сходства; в README приведены результаты C-MTEB и отдельная оценка длинных текстов. Она возвращает векторы, поэтому для выдачи результатов поиска требуется внешняя система индексации и сравнения. Условия лицензии в предоставленных данных не описаны.

nickprock/stsbm-sentence-flare-it — модель sentence-transformers на архитектуре XLM-RoBERTa, разработанная для представления предложений и абзацев в виде плотных векторов размерности 384. Её можно использовать для поиска семантически близких текстов, кластеризации и сравнения предложений по смыслу. Модель обучена с функцией потерь CosineSimilarityLoss; в метаданных указан датасет stsb_multi_mt и язык итальянский. Размер модели — 19,8 млн параметров, контекст — до 514 токенов. Для использования доступны форматы PyTorch и Safetensors, лицензия Apache-2.0.

Это GGUF-квантизованная версия языковой модели OmniCoder-9B, разработанной Tesslate и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и кода, включая агентские сценарии и задачи программирования. Доступна для запуска через llama.cpp и совместимые приложения, в том числе LM Studio, koboldcpp, Jan AI и Text Generation Web UI. Модель содержит около 9 млрд параметров и распространяется в вариантах от BF16 до различных форматов квантизации Q2–Q8 и IQ. Квантизация выполнена с использованием imatrix; варианты различаются размером файла, требованиями к памяти и качеством, при этом в README рекомендуются некоторые форматы Q4–Q6 как баланс качества и ресурсоёмкости. Заявлен английский язык, однако сведения о контекстном окне, точной архитектуре и поддерживаемых модальностях отсутствуют. В качестве ориентира приведены результаты на AIME 2025: pass@1 — 83,8%, pass@3 — 86,4% и pass@5 — 90,0%, но методика оценки подробно не описана. Сильными сторонами являются широкий выбор уровней квантизации и возможность локального запуска на различном оборудовании. Ограничения включают потенциальное снижение качества в младших вариантах квантизации, зависимость совместимости от обновлений используемых инструментов и отсутствие подробных данных о контекстной длине и языковых возможностях сверх заявленного английского. Лицензия модели — Apache-2.0.

PartAI/Tooka-SBERT — модель Sentence Transformer, разработанная PartAI на базе TookaBERT-Large и дообученная для получения плотных векторных представлений предложений и абзацев. Она кодирует персидский текст в векторы размерностью 1024 и предназначена для сравнения смысловой близости по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Модель основана на архитектуре BERT, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги. Она подходит для поиска и группировки персидских текстов по смыслу. Выпущена по лицензии Apache-2.0; автор README указывает, что доступны более новые версии Tooka-SBERT-V2-Small и Tooka-SBERT-V2-Large.

nisten/tqwendo-36b — экспериментальная объединённая модель семейства Qwen2, созданная автором репозитория методом passthrough с помощью mergekit. В объединение вошли Qwen/Qwen2.5-Coder-32B-Instruct, Qwen/Qwen2.5-Coder-32B и huihui-ai/Qwen2.5-32B-Instruct-abliterated. По метаданным, модель имеет плотную архитектуру Qwen2ForCausalLM, около 34,9 млрд параметров и контекст до 32 768 токенов; веса опубликованы в формате safetensors, библиотека — Transformers. Модель предназначена для генерации текста и кода в диалоговом формате, включая создание, анализ и исправление кода. Автор сообщает, что слияние было задумано для уменьшения повторов, характерных для abliterated-варианта, и приводит пример генерации интерфейса чата с кодом Python, HTML, стилями и вызовами API. Метаданные также отмечают интерфейс для вызова инструментов. Автор описывает модель как экспериментальную и предлагает сочетать её с отдельной 4-битной 7B-моделью для спекулятивного декодирования и рассуждений, однако это назначение не следует трактовать как гарантированное качество или встроенную возможность. Поддерживаемый язык естественного языка отдельно не заявлен; карточка указывает код как язык. Лицензия — MIT.

Jealk/TTC-L2V-supervised-2 — модель эмбеддингов предложений, разработанная Jesper Alkestrup из The Tech Collective. Она дообучена методом LLM2Vec на базе AI-Sweden-Models/Llama-3-8B-instruct и использует двунаправленный энкодер Llama с инструкционно-ориентированным mean pooling. Модель предназначена для преобразования датских, шведских и норвежских текстов в векторы для поиска и сравнения предложений; карточка также указывает поддержку извлечения признаков и кластеризации текста. Модель содержит 7,5 млрд параметров, работает с контекстом до 8192 токенов и доступна в формате safetensors через библиотеку sentence-transformers. Для загрузки требуется разрешить trust_remote_code, поскольку репозиторий содержит пользовательские модули энкодера и pooling. Указанная лицензия — MIT. Полная версия в bfloat16 требует около 14 ГБ памяти; варианты с 8- и 4-битной квантизацией требуют примерно 8 и 5 ГБ соответственно, но качество квантизированных вариантов не оценивалось.

UNA-34Beagles-32K-bf16-v1 — экспериментальная диалоговая модель, опубликованная one-man-army и построенная на Yi-34B-200K с использованием Bagel. Это плотная 34-миллиардная языковая модель архитектуры Llama, распространяемая в формате Safetensors; заявленная длина контекста — 32 768 токенов. Модель дообучена на широком наборе данных для инструкций, диалогов, рассуждений, программирования, математики и ролевых сценариев, а также прошла DPO-обучение. Модель предназначена для генерации текста и ответов в диалоге: она может помогать с вопросами и ответами, анализом предоставленного контекста, написанием кода, математическими задачами и творческими или ролевыми текстами. В README указаны четыре варианта форматирования запросов: Vicuna, Llama 2, Alpaca и ChatML-подобный формат. Данные описывают многоязычные задачи, но конкретный перечень поддерживаемых языков не приведён. Автор сообщает, что включение Toxic DPO должно снизить цензурирование ответов. Это может повышать вероятность генерации токсичного или небезопасного текста; качество и надёжность ответов не гарантированы. Модель распространяется по лицензии Apache-2.0.