II.8Инженерия данных и аналитика

jina-reranker-v3 — многоязычная модель-реранкер компании Jina AI для переупорядочивания документов по релевантности запросу. Она предназначена для улучшения результатов поиска и retrieval-систем, в том числе RAG, когда исходный поиск возвращает набор кандидатов, который нужно отсортировать точнее. Модель дообучена на Qwen3-0.6B и содержит около 507,9 млн параметров. Это плотная архитектура на базе Qwen3 с 28 слоями трансформера и небольшим MLP-проектором; механизм listwise-ранжирования позволяет сравнивать запрос и несколько документов в общем контексте. За один проход обрабатывается до 64 документов, а длина контекста составляет 131 072 токена. В README заявлены результаты на BEIR, MIRACL, MKQA и CoIR. Модель принимает текст запроса и документы и выдаёт ранжирование, а не обычный ответ пользователю. Поддерживает многоязычный поиск; карточка не уточняет список языков. Для новых проектов разработчик рекомендует jina-reranker-v3.5 как более быстрый и сильный преемник. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими условиями.

semin-pk/klue-roberta-base-klue-sts-mrc — это Sentence Transformer на базе klue-roberta-base-klue-sts, дообученный для преобразования предложений и абзацев в плотные векторы размерности 768. Модель использует RoBERTa с усреднением токенных представлений и косинусным сходством; максимальная длина последовательности составляет 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текстов. В README приведён пример корейских вопросов и длинных фрагментов документов; оценка на задаче сходства предложений составляет 0,8141 по Spearman для косинусного сходства. Модель содержит 137,8 млн параметров и опубликована в формате safetensors. Лицензия в предоставленных данных не указана.

JANGQ-AI Laguna-S-2.1-JANG_2L — квантованная сборка модели Poolside Laguna-S-2.1, подготовленная Jinho Jang для запуска на Apple Silicon. Это MoE-модель для генерации текста, агентного программирования и длительных задач разработки; базовая архитектура LagunaForCausalLM содержит 48 слоёв, 256 маршрутизируемых экспертов и один общий эксперт. Исходная модель имеет 118 млрд параметров, около 8 млрд из них активны при обработке токена; размер сборки на диске — 44,3 ГБ. Веса адаптированы для Apple Silicon с применением AWQ к маршрутизируемым экспертам, тогда как внимание, общий экспертный путь, маршрутизатор и нормализации сохранены в высокой точности. Модель рассчитана на контекст до 1 048 576 токенов, поддерживает диалог и интерфейс вызова инструментов. README рекомендует запускать её в vMLX; заявленная лицензия — OpenMDW-1.1, унаследованная от исходной модели.

Laguna-S-2.1-Uncensored — текстовая MoE-модель Poolside, изменённая SC117 на основе poolside/Laguna-S-2.1. Она предназначена для агентного программирования, длительных задач разработки и диалогового взаимодействия с инструментами. В карточке указана архитектура Laguna с маршрутизацией между экспертами; README описывает исходную модель как 118 млрд параметров всего и около 8 млрд активных на токен, тогда как метаданные каталога указывают 6,8 млрд параметров. Эти значения расходятся, поэтому размер следует проверять по конфигурации конкретной версии. Контекст заявлен до примерно 1 млн токенов. Модель поставляется в BF16 safetensors. Изменение выполнено методом abliterix: к весам применён Trial 16 LoRA с корректировкой маршрутизатора MoE; шаблон чата сохраняет возможность включать рассуждения и работу с инструментами. Основное назначение производной версии — снизить частоту отказов при сохранении значительной части возможностей кодирования и работы с инструментами. README предупреждает, что поведение отказов и выравнивания заметно отличается от официальной модели, а полные бенчмарки производной версии не проводились. Лицензия указана как OpenMDW-1.1, семейство лицензии базовой модели; перед использованием следует учитывать её условия. Для загрузки требуется Transformers с trust_remote_code=True, а полный BF16-репозиторий занимает около 219 ГБ. README отмечает возможные странности идентификации модели и неровный текст на китайском и других языках.

Laguna-S-2.1-Uncensored-APEX-GGUF — квантизированная GGUF-версия модели Laguna S 2.1, опубликованная SC117 на основе официальной модели poolside. Это модель Mixture-of-Experts для агентного программирования, долгосрочных задач и сценариев с использованием инструментов. Версия дополнительно обработана с помощью abliterix Trial 16 для существенного снижения частоты отказов и затем квантизирована в смешанной точности APEX с использованием imatrix. Модель имеет около 118 млрд параметров в общей сложности и около 8 млрд активных параметров на токен. Архитектура включает 256 маршрутизируемых экспертов и одного общего эксперта с выбором top-10, GQA, а также чередование глобального и скользящего оконного внимания: 48 слоёв, из которых 12 используют глобальное внимание, а 36 — локальное с окном 512 токенов. Заявлена поддержка контекста примерно до 1 млн токенов и опционального встроенного рассуждения с использованием инструментов. В README явно указан английский язык; сведения о других языках и мультимодальности не приведены. К сильным сторонам относятся высокая ёмкость MoE при сравнительно небольшом числе активных параметров, ориентация на программирование и длинные рабочие процессы, а также уменьшенная склонность к отказам. Ограничения связаны с тем, что это uncensored-редакция: её поведение может существенно отличаться от официальной Laguna-S-2.1, поэтому необходимы оценка безопасности, контроль доступа и аудит. Модель распространяется по лицензии OpenMDW-1.1; также следует учитывать условия poolside.

Это 8-битная MLX-версия мультиязычной плотной двунаправленной модели эмбеддингов LiquidAI/LFM2.5-Embedding-350M, подготовленная сообществом mlx-community для локального запуска на компьютерах Apple Silicon. Модель кодирует запросы и документы в векторы размерности 1024; косинусное сходство между ними используют для семантического поиска и оценки близости предложений. Репозиторий содержит преобразованные для MLX веса, квантизованные до 8 бит с аффинным режимом и размером группы 64. В README сообщается, что на описанных тестовых наборах качество поиска практически совпало с вариантом bf16, а размер весов снизился с 709 до 377 МБ. Метаданные указывают контекст до 128 000 токенов и поддержку английского, испанского, немецкого, французского, итальянского, португальского, арабского, шведского, норвежского, японского и корейского языков. Модель предназначена для векторизации текстов и локального поиска на Apple Silicon с MLX. Лицензия указана как other; README отсылает к исходной карточке за сведениями об обучении и предполагаемом использовании, поэтому условия следует сверить с ней. Результаты оценки в README получены на ограниченных пулах документов и не сопоставимы напрямую с результатами на полных корпусах.

Linq-Embed-Mistral — модель текстовых эмбеддингов команды Linq Research, построенная на основе E5-mistral-7b-instruct и Mistral-7B-v0.1. Это плотная архитектура Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; модель предназначена для поиска по тексту и оценки сходства предложений. Модель дообучена для улучшения текстового поиска: команда использовала отбор и подготовку данных, синтетические наборы и подбор отрицательных примеров с помощью учительских моделей. В README сообщается о высоких результатах на бенчмарках MTEB по состоянию на 29 мая 2024 года. Модель принимает текст и выдаёт эмбеддинги для запросов и документов, которые можно использовать для семантического поиска и ранжирования кандидатов. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование; README также указывает, что проект предназначен для исследовательских целей. Условия лицензий сторонних наборов данных могут отличаться.

BAAI/LLARA-beir — текстовая модель семейства LLaMA, разработанная BAAI для получения эмбеддингов и оценки смыслового сходства предложений. В проекте LLARA представлены подходы EBAE (Embedding-Based Auto-Encoding) и EBAR (Embedding-Based Auto-Regression); репозиторий ссылается на статью и GitHub проекта. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст до 4096 токенов. Модель подходит для поиска по смыслу, сопоставления предложений и других задач, где нужны текстовые эмбеддинги. Доступны веса в формате safetensors; лицензия — MIT. В карточке не приведены сведения о поддерживаемых естественных языках и специализированных областях применения.

Карточка модели cfli/LLARA-beir на Hugging Face совпадает с карточкой BAAI/LLARA-beir, поэтому описание составлено по ней. BAAI/LLARA-beir — текстовая модель семейства LLaMA, разработанная BAAI для получения эмбеддингов и оценки смыслового сходства предложений. В проекте LLARA представлены подходы EBAE (Embedding-Based Auto-Encoding) и EBAR (Embedding-Based Auto-Regression); репозиторий ссылается на статью и GitHub проекта. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст до 4096 токенов. Модель подходит для поиска по смыслу, сопоставления предложений и других задач, где нужны текстовые эмбеддинги. Доступны веса в формате safetensors; лицензия — MIT. В карточке не приведены сведения о поддерживаемых естественных языках и специализированных областях применения.

LoggenixMoE133M — небольшая причинно-языковая модель с архитектурой Mixture-of-Experts, разработанная kshitijthakkar и обученная с нуля на наборах данных для анализа первопричин, генерации кода и рассуждений. В метаданных указаны 92,5 млн параметров, семейство Qwen3 MoE и контекст 1024 токена; карточка README приводит другое число — 133 млн параметров, из них примерно 80 млн активны на шаге, и описывает восемь экспертов с маршрутизацией Top-2. Модель предназначена для следования инструкциям, анализа первопричин, структурированного суммирования, генерации кода на Python и диалоговых сценариев. Её можно дообучать для узких задач на устройствах с ограниченными ресурсами и использовать как основу специализированных агентов; токенизатор содержит специальные токены для взаимодействия с инструментами. Заявлена поддержка Transformers и форматов PyTorch/Safetensors. README указывает, что модель обучена с нуля, поэтому связь архитектуры с Qwen3 не означает, что она основана на базовой модели Qwen3. Репозиторий распространяется по лицензии Apache-2.0. Карточка предостерегает от длинного контекста, ответов на фактические вопросы с высокими ставками и применения в критически важных системах без надзора.

MiniCPM5-1B-Claude-Opus-Fable5-Thinking — компактная языковая модель, созданная дообучением openbmb/MiniCPM5-1B на данных Fable 5. Она предназначена для локального диалога, генерации и отладки кода, выполнения инструкций, рассуждений и вызова инструментов в формате MiniCPM5. Модель использует плотную архитектуру Llama, содержит 837,6 млн параметров и принимает контекст до 131 072 токенов. Доступны веса Safetensors для Transformers; для запуска через llama.cpp, Ollama или LM Studio автор указывает отдельную GGUF-версию. Карточка заявляет улучшения в задачах кодирования и следования инструкциям по сравнению с базовой моделью. Модель поддерживает шаблон Thinking, поэтому перед итоговым ответом может выдавать блоки рассуждений, которые приложению может потребоваться убрать. Масштаб 1B ограничивает её возможности в сложных задачах общего рассуждения по сравнению с более крупными моделями. Лицензия — Apache-2.0.

MiniMax-M3-REAP32-Coder — созданная JANGQ-AI версия MiniMax-M3 для программирования, агентных сценариев и мультимодального диалога. Это MoE-модель с архитектурой MiniMaxM3SparseForConditionalGeneration; в карточке указаны 60 слоёв и сохранённая поддержка изображений. Модель предназначена для запуска через vMLX на компьютерах Apple Silicon и требует vMLX версии 1.5.67 или новее. Веса упакованы в формат JANG: применены смешанная аффинная квантизация, AWQ и сокращение числа маршрутизируемых экспертов методом REAP. В README заявлены результат HumanEval pass@1 100% на случайно перемешанной половине набора (82 задания) и улучшение на небольшом тесте арифметики и рассуждений. Это результаты авторской проверки, а не гарантия качества на других задачах. Базовая MiniMax-M3 описана как модель с контекстом до 1 млн токенов, но README не подтверждает, что такой контекст доступен этой сборке. Для загрузки необходимы JANG loader и M3 runtime из vMLX; модель несовместима с обычными загрузчиками Transformers, vLLM и MLX. Лицензия указана как other, поэтому условия использования следует уточнить по карточке модели и сопутствующим лицензиям базовой модели и компонентов.

mist-reranker-22.7M — компактная англоязычная модель-переранжировщик, разработанная OlaVerse. Это cross-encoder на базе cross-encoder/ms-marco-MiniLM-L6-v2 с архитектурой BERT и примерно 25,9 млн параметров по метаданным. Модель оценивает пару «поисковый запрос — фрагмент текста» единым баллом релевантности, чтобы переставлять кандидатов, найденных первым этапом поиска, например в конвейере RAG. Контекст составляет до 512 токенов; модель использует Sentence Transformers и формат safetensors. Модель дообучена на 844 тысячах англоязычных пар из olaverse/reranker-general-en-llm-judged с комбинированной целью: меткой релевантности от LLM-судьи и дополнительным обучением на оценках учителя BAAI/bge-reranker-v2-m3. В карточке сообщается о результатах на NanoBEIR: NDCG@10 равен 0,8543; модель предназначена для быстрого переранжирования при умеренных вычислительных ресурсах. Лицензия — Apache-2.0.

karsar/ModernBERT-base-hu_v3 — модель Sentence Transformers, дообученная автором karsar на базе nomic-ai/modernbert-embed-base для представления венгерских текстов в виде плотных эмбеддингов. Она подходит для семантического поиска, сравнения предложений, поиска перефразировок, кластеризации и классификации текстов. Модель построена на ModernBERT с mean pooling и нормализацией выходного вектора. Она преобразует текст в эмбеддинг размерности 768; максимальная длина последовательности — 8192 токена. Для оценки сходства README указывает косинусную близость и точность 0,8031 на all-triplet-test. Модель обучена на наборе json с тройками anchor, positive и negative; карточка указывает венгерский язык. Доступна по лицензии Apache-2.0. Метрики и описание датасета приведены автором модели и сами по себе не гарантируют качество на конкретных данных.

makiart/modernbert-large-ft-all-nli — англоязычная модель Sentence Transformers, разработанная makiart путём дообучения answerdotai/ModernBERT-large на наборе all-nli. Она кодирует предложения и абзацы в плотные векторы размерностью 1024, а сходство между ними можно оценивать косинусной мерой. Архитектура включает энкодер ModernBERT-large и mean pooling; модель содержит 394,7 млн параметров и принимает последовательности длиной до 8192 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и подготовки признаков для классификации. В README приведён результат cosine accuracy 0,8809 на TripletEvaluator для all-nli-dev. Оценка качества на других доменах и языках не приводится; модель обучалась на англоязычных данных all-nli, поэтому её пригодность для русского и специализированных текстов не подтверждена. Лицензия в предоставленных сведениях не указана.

tomaarsen/multivector-ModernBERT-base-msmarco-contrastive-no-query-expansion — англоязычный много-векторный энкодер, дообученный tomaarsen на базе answerdotai/ModernBERT-base с помощью библиотеки Sentence Transformers на парах запросов и документов из msmarco-bm25. Модель предназначена для семантического поиска и информационного поиска с поздним взаимодействием: она кодирует текст в последовательность 128-мерных векторов токенов, а релевантность оценивается функцией MaxSim. Модель принимает текст, поддерживает последовательности длиной до 8192 токенов и содержит 149 млн параметров. В README приведены результаты оценки поиска на наборах NanoMSMARCO, NanoBEIR и других задачах извлечения информации; результаты зависят от датасета и выбранной метрики. Для работы требуется сопоставлять векторы запросов и документов, поэтому это энкодер для поискового конвейера, а не генеративная модель ответов. Распространяется по лицензии Apache-2.0.

NeoAraBERT-STS — модель Sentence Transformers для семантического сопоставления предложений на арабском языке. Модель разработана на архитектуре NeoBERT и содержит 314,2 млн параметров; она преобразует текст в векторы размерностью 768, а сходство предложений оценивается косинусной мерой. Максимальная длина входной последовательности — 512 токенов. Модель предназначена для сравнения смысла арабских фраз и предложений, в том числе для поиска семантически близких текстов. Репозиторий содержит веса в формате safetensors и использует библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

NeoMME-800M-Retriever-ST-late — мультимодальная модель для поиска по документам, разработанная Hcompany. Она дообучена на основе Hcompany/NeoMME-800M-Retriever и использует один общий двунаправленный Transformer-энкодер для текстовых запросов и документов, включая текст и изображения страниц. Вариант ST-late предназначен для независимой настройки многовекторного поиска через Sentence Transformers и возвращает только многовекторные эмбеддинги. Модель подходит для поиска релевантных текстовых документов и страниц по текстовому запросу, включая визуальный поиск по документам. Представления L2-нормализованы, а ранжирование использует оценку MeanMaxSim. Архитектура NeoMME, около 1,1 млрд параметров, контекст до 16 384 токенов; заявлена многоязычная поддержка. Для работы используется Sentence Transformers. Модель распространяется по лицензии Apache-2.0. В Sentence Transformers за один запуск доступна только одна из двух голов поиска; этот вариант поддерживает только многовекторные эмбеддинги.

Xenova/nomic-embed-text-v1 — это версия модели эмбеддингов nomic-ai/nomic-embed-text-v1, подготовленная с ONNX-весами для совместимости с библиотекой Transformers.js. Репозиторий Xenova предназначен для запуска модели в JavaScript-окружении, включая веб-сценарии и другие среды, поддерживающие ONNX и Transformers.js. Модель предназначена для преобразования текста в числовые векторные представления с помощью задачи feature extraction. Такие эмбеддинги могут использоваться для семантического поиска, сопоставления текстов, кластеризации и других задач обработки естественного языка, где требуется сравнивать смысловое сходство текстовых фрагментов. README подтверждает поддержку текстового ввода, но не содержит сведений о точном размере модели или векторов, архитектуре, максимальной длине контекста, поддерживаемых языках и специальных модальностях. Ключевое преимущество этой версии — возможность использовать модель через Transformers.js и ONNX-веса, что упрощает интеграцию с JavaScript-приложениями. Ограничения и требования к качеству, производительности, языковому покрытию и аппаратному ускорению в README не указаны. Лицензия также не приведена, поэтому условия использования следует уточнять в исходном репозитории nomic-ai/nomic-embed-text-v1.

OmniCoder-9B-Claude-Opus-High-Reasoning-Distill — дообученная модель разработчика armand0e на базе Tesslate/OmniCoder-9B. Это плотная мультимодальная модель семейства Qwen3.5, представленная в формате safetensors; при обучении использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для диалоговой генерации текста и изображений в ответ на текстовые запросы, в том числе для сценариев разработки ПО и работы с инструментами. Базовая модель описана как модель для генерации кода и многошаговых задач разработки; карточка этой версии не приводит отдельных результатов оценки или подробного описания обучения. Модель распространяется по лицензии Apache-2.0. В метаданных заявлены английский язык, визуальный ввод, чат и интерфейс вызова инструментов; размер параметров и длина контекста в предоставленных сведениях не приведены.

Ornith-1.0-35B-NVFP4-MTP-GGUF — квантизированная версия модели Ornith-1.0-35B от команды DeepReinforce, упакованная в единый формат GGUF для llama.cpp. Исходная модель дообучена с применением reinforcement learning поверх Qwen3.5-35B-A3B и ориентирована на агентное программирование, рассуждения и работу с инструментами. Модель генерирует блок reasoning_content перед финальным ответом и демонстрирует конкурентные результаты с Qwen3.6-35B-A3B и Gemma 4-31B на Terminal-Bench 2.1, SWE-bench Verified/Pro и Claw-eval. Архитектура — Qwen3.5 MoE с 40 слоями, 256 экспертами и hidden size 2048; всего около 35 млрд параметров, из которых активны примерно 3 млрд. В представленном файле используется NVFP4-квантизация экспертных 3D-тензоров с блоками по 16 элементов, Q8_0 для ряда линейных и чувствительных тензоров, а также MTP-голова, перенесённая из Qwen3.6-35B-A3B. Размер файла составляет 19,85 GiB (21,31 GB), средняя плотность — около 4,80 bpw. Мультимодальный словарь сохранён, но vision tower в GGUF не включена, поэтому модель предназначена для текстовой генерации. Главное преимущество варианта — поддержка draft-mtp speculative decoding, обеспечивающая заявленное ускорение декодирования примерно в два раза по сравнению с версией без MTP. NVFP4 рассчитан на NVIDIA Blackwell и использует преимущества их tensor cores; целевые платформы включают RTX PRO 6000 и DGX Spark (GB10). Ограничение — формат NVFP4 требует совместимого оборудования Blackwell и не предназначен для универсального запуска на более старых GPU. Модель распространяется по лицензии MIT.

Blarfursnarg/OxCoder-9B-mlx — версия модели OrionLLM/OxCoder-9B, преобразованная для формата MLX с помощью mlx-lm 0.31.3. Метаданные указывают на дообучение базовой модели, архитектуру семейства Qwen 3.5 с плотной структурой и размером 9 млрд параметров; доступен интерфейс чата. Модель предназначена для генерации текста в диалоговом формате и, согласно описанию базовой модели, для агентного программирования, работы с кодовыми базами и задач в терминале. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Карточка не приводит сведений о длине контекста или поддерживаемых естественных языках.

GPTCache/paraphrase-albert-small-v2 — текстовая модель, опубликованная организацией GPTCache на Hugging Face. Она предназначена для извлечения признаков из текста и получения векторных представлений, которые можно использовать для сравнения смысловой близости фраз, поиска похожих запросов и задач семантического кэширования. Модель загружается через Transformers как AlbertModel или pipeline feature-extraction. Архитектура основана на ALBERT: 6 скрытых слоёв, 12 голов внимания, размер скрытого представления 768, промежуточный размер 3072, словарь на 30 000 токенов и максимальная длина последовательности 512 токенов. Указана поддержка английского языка. Модель работает только с текстом и не является генеративной моделью. К сильным сторонам относятся компактная архитектура ALBERT и возможность получать признаки для downstream-задач без специального классификационного слоя. Ограничения: карточка модели не содержит подробного описания обучения, датасетов, результатов оценки или гарантированных показателей качества; назначение и характеристики следует трактовать как доступные из метаданных и конфигурации. Модель распространяется по лицензии MIT.

gmunkhtur/paraphrase-mongolian-minilm-mn_v2 — это дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, разработанная для сопоставления предложений на монгольском языке. Архитектура BERT формирует плотные векторы размерности 384; сходство оценивается косинусной мерой. В метаданных указано 124,3 млн параметров и контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Модель подходит для семантического поиска и сравнения сходства текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. Она обучена на парах предложений с оценками сходства из CSV-датасета размером 77 201 пример; в README приведены высокие показатели корреляции на указанных наборах dev-t и test-t. Для практической работы с длинными текстами следует учитывать ограничение длины последовательности в 128 токенов из карточки модели. Лицензия в предоставленных данных не указана.

Карточка модели Kaylebor/pf2e-codex-embed-xs на Hugging Face совпадает с карточкой Snowflake/snowflake-arctic-embed-xs, поэтому описание составлено по ней. Snowflake/snowflake-arctic-embed-xs — компактная модель эмбеддингов текста из семейства Arctic Embed, разработанного Snowflake. Она предназначена для поиска по смыслу и извлечения релевантных документов, включая семантический поиск и retrieval-компонент систем RAG. Модель основана на all-MiniLM-L6-v2 и использует архитектуру BERT. В метаданных указано 25,9 млн параметров и контекст до 512 токенов; README приводит 22 млн параметров и размерность эмбеддинга 384. Компактный размер рассчитан на сценарии с жёсткими ограничениями по задержке и стоимости. В README сообщается результат 50,15 NDCG@10 на MTEB Retrieval. Карточка описывает обучение и оценку для задач поиска, но не подтверждает поддержку конкретных языков, поэтому модель следует выбирать с учётом языка и данных своего корпуса. README указывает на более новые многоязычные версии Arctic Embed, которые авторы рекомендуют для многоязычных сценариев. Репозиторий содержит форматы ONNX и safetensors. Лицензия в предоставленных данных не указана.

PP-OCRv5_mobile_rec_safetensors — мобильная модель распознавания текстовых строк из изображений, разработанная командой PaddleOCR и представленная в формате safetensors. Она предназначена для эффективного распознавания печатного и рукописного текста, включая сложные случаи: вертикальный и искажённый текст, пиньинь, редкие символы и художественные надписи. Модель поддерживает упрощённый и традиционный китайский, английский и японский языки. В README приведены метрики для нескольких типов текста; среднее значение составляет 0,8015 по метрике, где строка считается ошибочной при неверном распознавании хотя бы одного символа. Модель ориентирована на распознавание отдельных строк, поэтому для обработки целых страниц требуется предварительное обнаружение и выделение строк. Лицензия — Apache 2.0.

mikoy92 подготовил MLX-версию компактной модели распознавания текста PP-OCRv6 small на основе PaddlePaddle/PP-OCRv6_small_rec_safetensors. Модель принимает изображение и выдаёт распознанный текст; пример использования показывает запуск через mlx-vlm и постобработку результата распознавания. Модель предназначена для OCR-сценариев, где требуется извлечь текст из изображения на устройствах Apple с использованием MLX. В метаданных указаны английский и китайский языки, библиотека MLX и лицензия Apache-2.0. Размер модели и длина контекста не указаны в предоставленных данных.

Карточка модели infgrad/puff-large-v1 на Hugging Face совпадает с карточкой infgrad/puff-base-v1, поэтому описание составлено по ней. 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.

ApolloRaines/Qwen2.5-Coder-14B-Instruct-Jbliterated — языковая модель для генерации текста и программного кода, разработанная Apollo Raines на базе Qwen/Qwen2.5-Coder-14B-Instruct. Модель предназначена для сценариев, где требуется чат-интерфейс, написание и анализ кода, а также выполнение инструкций без стандартных отказов, связанных с политиками безопасности базовой модели. Модель относится к семейству 14B и предназначена для text generation. Она работает с текстовыми входными данными; в README явно указан английский язык. Отказные поведенческие реакции были изменены непосредственно на уровне весов с помощью фреймворка jBlaze, без системных промптов и исправлений во время инференса. Размер контекста, точная архитектура и перечень поддерживаемых языков программирования не указаны. К сильным сторонам относятся формат drop-in replacement для исходной модели и удаление поверхностных и более глубоких шаблонов отказа, включая переинтерпретацию запросов, предупреждения, пропуски деталей и смягчение формулировок. Ограничения включают отсутствие подробных оценок качества, неизвестные последствия изменения весов для точности и безопасности, а также возможное снижение возможностей: автор отмечает, что выпущенные модели намеренно оставлены на частичной мощности и предназначены как демонстрационные proof-of-concept-версии. Модель распространяется по лицензии Apache-2.0. Для использования требуется базовая модель Qwen/Qwen2.5-Coder-14B-Instruct; в README приведён пример запуска через Transformers с torch.float16 и device_map="auto".

ThomasBaruzier/Qwen2.5-Coder-1.5B-Instruct-GGUF — набор квантизированных версий инструкционной модели Qwen2.5-Coder-1.5B-Instruct, разработанной командой Qwen. Модель предназначена для генерации текста и решения задач, связанных с программным кодом, включая чатовые сценарии и работу с запросами на естественном языке. В карточке указана поддержка английского языка. Модель имеет около 1,5 млрд параметров и распространяется в формате GGUF для использования с llama.cpp. Доступны варианты квантизации от IQ1_S до Q5_K_M с размером файлов примерно от 416 МБ до 1,05 ГБ. Квантизация выполнена с использованием imatrix и калибровочного файла Bartowski; варианты различаются соотношением размера, perplexity и точности. Более компактные варианты требуют меньше памяти, но заметнее теряют качество, тогда как версии с более высокой разрядностью обеспечивают лучшие показатели. Ограничения карточки не описывают контекстное окно, полный набор языков, аппаратные требования и подробные результаты на прикладных тестах. Модель ориентирована на текстовую модальность и не предназначена для обработки изображений или других мультимедийных данных. Указана лицензия Apache-2.0.