II.8Инженерия данных и аналитика

ViT-SO400M-16-SigLIP-i18n-256 — мультиязычная контрастивная модель сопоставления изображений и текста на основе SigLIP, опубликованная timm. Она обучена на наборе WebLI с мультиязычным токенизатором и предназначена для классификации изображений по текстовым описаниям без дообучения: модель оценивает соответствие изображения и вариантов текста. Через OpenCLIP доступны обработка изображений и текста и zero-shot классификация; через timm — получение эмбеддингов изображений. Чекпойнт преобразован из исходных весов JAX проекта Big Vision в PyTorch и распространяется в форматах PyTorch и safetensors. Лицензия — Apache-2.0.

Sagicc/whisper-base-sr-yodas — модель распознавания речи на базе Whisper от OpenAI, дообученная на наборе данных YODAS. Она предназначена для преобразования аудио в текст; метаданные указывают на поддержку аудио на входе, а карточка приводит результаты оценки: WER 0,2450 и WER Ortho 0,3334. В репозитории указано 51,7 млн параметров и формат safetensors. Модель распространяется по лицензии Apache-2.0.

OpenASR/whisper-large-v3 — это версия мультиязычной модели Whisper Large v3, разработанной OpenAI и адаптированной проектом OpenASR для нативного запуска в формате .oasr. Модель предназначена для автоматического распознавания речи и перевода речи на английский язык, включая сценарии локальной транскрипции аудиозаписей на CPU и GPU без использования Python во время инференса. Модель построена на стандартной encoder-decoder архитектуре Whisper и содержит 1,55 млрд параметров. Версия v3 обучена на более крупном и разнообразном размеченном корпусе и использует 128 mel-частотных каналов, что повышает устойчивость распознавания в разных языках и акустических условиях. Доступны сборки fp16, q8_0 и q4_k с различными требованиями к размеру файлов и оперативной памяти; q8_0 рекомендуется как вариант, близкий по качеству к fp16, но более компактный. Сильными сторонами модели являются высокая точность среди моделей семейства Whisper, поддержка множества языков, возможность speech-to-text и speech translation, а также оптимизация OpenASR для локального запуска и сниженного потребления памяти. Ограничения включают значительный размер полной модели и повышенные требования к ресурсам по сравнению с дистиллированными или меньшими вариантами; для q4_k в README не приведены показатели скорости и изменения качества. Пакеты распространяются по лицензии Apache-2.0, унаследованной от исходной модели OpenAI; OpenASR выполняет преобразование формата и квантование весов.

fsicoli/whisper-large-v3-pt-1000h — дообученная модель распознавания речи на базе Whisper large-v3 от OpenAI, опубликованная fsicoli. Она принимает аудио и генерирует текстовую транскрипцию. В метаданных указаны архитектура WhisperForConditionalGeneration, 905,2 млн параметров и формат PyTorch. Для обучения использован набор данных fsicoli/cv17-fleurs-coraa-mls-ted-alcaim-cf-cdc-lapsbm-lapsmail-sydney-lingualibre-voxforge-tatoeba; в README приведены результаты оценки: loss 0,5576 и WER 0,1113. Модель подходит для преобразования речи в текст в многоязычных сценариях. Карточка не уточняет целевой язык или условия записи, поэтому результаты для конкретных языков и типов аудио из этих данных оценить нельзя. Лицензия — Apache-2.0.

OpenASR/whisper-large-v3-turbo — модель автоматического распознавания речи, разработанная OpenAI и перепакованная проектом OpenASR для нативного выполнения в формате .oasr. Она предназначена для преобразования речи в текст на разных языках, а также для перевода речи на английский язык. Модель унаследовала мультиязычный интерфейс и архитектуру Whisper large-v3, но использует укороченный декодер: его глубина уменьшена с 32 до 4 слоёв. Модель ориентирована на локальное распознавание речи на CPU и GPU без использования Python во время инференса. Она сохраняет устойчивость Whisper к шумным и разнообразным аудиодоменам благодаря обучению на более чем пяти миллионах часов размеченного аудио. Доступны варианты fp16, q8_0 и q4_k размером примерно от 564 МБ до 1,62 ГБ; q8_0 рекомендован как компромисс между качеством и требованиями к памяти, а q4_k подходит для более ограниченных систем. Ключевое преимущество модели — существенно более высокая скорость генерации по сравнению с полной версией Whisper large-v3 при небольшом ухудшении качества. Ограничения включают возможную потерю качества из-за сокращения декодера и квантизации, особенно в компактной версии q4_k; точные языки и размер контекстного окна в карточке не указаны. Модель и пакеты распространяются по лицензии MIT, унаследованной от исходной модели OpenAI.

Youtu-HiChunk — модель Tencent Youtu Lab для иерархической структуризации документов и настройки гранулярности фрагментов при поиске в RAG-системах. Она представляет собой плотную причинную языковую модель семейства UTU v1 с 3,6 млрд параметров и контекстом до 32 768 токенов; репозиторий содержит веса SafeTensors и рассчитан на Transformers. Вместе с алгоритмом Auto-Merge модель помогает выбирать подходящий уровень фрагмента — например, раздел, подраздел или абзац — чтобы извлекаемые сведения сохраняли контекст и смысловую полноту. Метаданные также указывают поддержку генерации текста и извлечения признаков, а карточка заявляет китайский язык и интерфейсы чата и вызова инструментов. Модель предназначена для построения иерархических представлений документов и улучшения извлечения контекста в RAG. В метаданных указана лицензия other; конкретные условия следует сверить с лицензией репозитория. Описание не приводит результатов оценки качества.

Agnuxo/Agente-Llama-3.1-Asistant-16bit-v2 — локальная чат-модель для генерации текста и сценариев автономного агента, опубликованная независимым исследователем Франсиско Ангуло де ла Фуэнте. По метаданным, это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; заявленная длина контекста — 131 072 токена. Репозиторий содержит веса Safetensors, а карточка описывает запуск через Ollama и Transformers. Модель позиционируется для диалога, декомпозиции задач, генерации кода и научных текстов, а также координации агентов через MCP и A2A. В карточке заявлены навыки работы с Python, JavaScript, TypeScript, Rust, Go и C++, но эти заявления не сопровождаются описанием обучения или результатами оценки. Указаны английский и испанский языки. Лицензия — Apache-2.0.

dmlls/all-mpnet-base-v2-negation — дообученная модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2 для кодирования предложений и коротких абзацев в плотные векторы размерности 768. Она специально настроена так, чтобы ниже оценивать семантическое сходство пар предложений, различающихся отрицанием, и подходит для поиска, кластеризации и оценки сходства текстов. Модель принимает текст и возвращает эмбеддинги; вход длиннее 384 токенов SentencePiece обрезается. В метаданных указаны MPNet, 136,7 млн параметров и контекст до 514 токенов. Модель дообучена на наборе CANNOT с контрастивной целью в рамках исследования оценки генерации с учётом отрицания. Лицензия — Apache-2.0. Основная область применения — англоязычные тексты; результаты на других языках в карточке не описаны.

ARM64BERT-embedding — модель Sentence Transformers, опубликованная Netherlands Forensic Institute и дообученная на базе NetherlandsForensicInstitute/ARM64BERT-embedding. Она преобразует предложения и абзацы на входе в плотные векторы размерности 768 для поиска и сравнения текстов. Архитектура основана на BERT (ASMBertModel) с усредняющим pooling; используется косинусное сходство. Модель принимает только текст, максимальная длина последовательности — 512 токенов. Модель подходит для семантического поиска и извлечения релевантных текстов. В карточке не описаны целевые языки или специализированные предметные области. Репозиторий содержит веса PyTorch в формате safetensors. Условия лицензирования в доступных данных не указаны.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240125211517-best на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Карточка модели avsolatorio/AVES_BAAI_bge-base-en-v1.5-20240125211517-latest на Hugging Face совпадает с карточкой BAAI/bge-small-zh-v1.5, поэтому описание составлено по ней. BAAI/bge-small-zh-v1.5 — компактная модель эмбеддингов из семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует китайский текст в плотные векторы для поиска документов, семантического поиска, классификации и кластеризации, а также для использования в векторных базах данных и системах дополненной генерации. Модель построена на архитектуре BERT, содержит 27,6 млн параметров и принимает последовательности длиной до 512 токенов. Версия v1.5 улучшает поиск без специальных инструкций и смягчает проблему распределения сходства: для поиска важнее относительный порядок оценок, чем их абсолютное значение. Для коротких запросов к длинным документам инструкция запроса может улучшить результат; её пользу рекомендуется оценивать на конкретной задаче. Модель выдаёт эмбеддинги, а не готовые ответы или оценки ранжирования; для более точного переранжирования README рекомендует отдельную модель BGE reranker. Лицензия — MIT.

Это кросс-энкодерный реранкер семейства BGE, опубликованный пользователем onzi-suba и основанный на BAAI/bge-reranker-base. Модель оценивает релевантность пары «запрос — документ» и помогает упорядочить результаты поиска; она предназначена, в частности, для повышения качества поиска в RAG-системах. В метаданных указаны архитектура XLM-RoBERTa для классификации последовательностей, около 305,2 млн параметров и контекст до 514 токенов. Исходная модель BGE Reranker Base рассчитана на английский и китайский языки; она выдаёт оценку релевантности вместо эмбеддинга. Поиск и метаданные не подтверждают отдельную лицензию или условия использования именно этой копии.

Это модель Sentence Transformers на основе BERT, дообученная разработчиком trmteb от emrecan/bert-base-turkish-cased-mean-nli-stsb-tr. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения семантического сходства, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Сходство векторов можно оценивать косинусной мерой. Модель использует BERT с mean pooling, сохраняет регистр и рассчитана на последовательности длиной до 75 токенов согласно README; метаданные указывают максимальный контекст в 512 токенов. Обучающие примеры включают пары турецких текстов. Модель подходит для текстовых эмбеддингов и поиска по смыслу на турецком языке; сведения о лицензии в доступных данных отсутствуют.

sgugger/bert-finetuned-mrpc — модель BERT, дообученная на наборе GLUE MRPC для классификации пар предложений. Она определяет, выражают ли два предложения одно и то же значение; на оценочной части MRPC в карточке указаны accuracy 0,8603 и F1 0,9032. Модель содержит 135,5 млн параметров, принимает текстовые пары и поддерживает контекст до 512 токенов. Модель основана на bert-base-cased и предназначена для английского языка. Подходит для обнаружения перефразирований и проверки семантического сходства коротких текстов. Распространяется по лицензии Apache-2.0. Показатели относятся к оценке на MRPC; качество на других данных может отличаться.

Это компактная модель Sentence Transformers, дообученная автором swardiantara на базе google/bert_uncased_L-2_H-128_A-2 для получения векторных представлений предложений и абзацев. Архитектура включает двухслойный BERT с mean pooling; модель кодирует текст в плотные векторы размерностью 128, а сходство между ними можно оценивать косинусной мерой. В метаданных указаны 4,4 млн параметров и контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 128 токенов. Модель предназначена для поиска и сопоставления текстов по смыслу, включая retrieval. Обучение описано на 111 102 парах текстов с оценками сходства и различия; примеры и базовая модель указывают на английский язык. Она компактна и рассчитана на создание эмбеддингов, но карточка не приводит сравнительных оценок качества; практический лимит входа в указанной конфигурации — 128 токенов. Лицензия в предоставленных данных не указана.

Это модель SentenceTransformer на базе BERT, разработанная путём дообучения dbmdz/bert-base-turkish-uncased для получения векторных представлений турецких предложений и абзацев. Она кодирует текст в плотные эмбеддинги размерности 768; модель использует BERT с усреднением токенных представлений и сравнение по косинусному сходству. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В README приведены результаты оценки бинарной классификации, но они не гарантируют аналогичного качества на других данных. Модель ориентирована на турецкий язык; для работы с эмбеддингами подходит библиотека Sentence Transformers. Веса доступны в формате safetensors. Лицензия в предоставленных сведениях не указана.

andreaschari/bge-m3-RU_MMARCO_50_MIXED — дообученная модель Sentence Transformers на базе BAAI/bge-m3, разработанная для семантического поиска на русском языке. При обучении использовался русский датасет MMARCO/v2 с равной долей запросов на кириллице и русских запросов, транслитерированных в английский текст с помощью uroman; модель связана с исследованием о поиске при различии письменности запроса и документов. Модель на архитектуре XLM-RoBERTa содержит 658,7 млн параметров и формирует текстовые эмбеддинги размерности 1024. Она принимает последовательности длиной до 8192 токенов; для сравнения эмбеддингов в карточке указана косинусная близость. Подходит для поиска русскоязычных документов по запросам как на кириллице, так и в транслитерации. Распространяется под лицензией MIT. Специализация на MMARCO/v2 и смешанных кириллических и транслитерированных запросах может ограничивать качество за пределами этих условий; результаты поиска следует проверять на целевых данных.

binhdinh-embedding — дообученная на внутреннем наборе примерно из 120 тысяч примеров модель Sentence Transformers, разработанная на основе bkai-foundation-models/vietnamese-bi-encoder. Она кодирует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для вычисления семантического сходства и поиска. Архитектура основана на RoBERTa с усреднением токенных представлений; для сравнения векторов применяется косинусное сходство. Обучение с Matryoshka Loss позволяет сокращать размерность эмбеддингов с небольшими потерями качества. Модель предназначена для семантического поиска, оценки сходства предложений, поиска парафраз, кластеризации и классификации текста. В README приведена оценка на наборе Zalo для поиска правовых документов, однако это не означает, что модель ограничена юридической тематикой. Контекст ограничен 258 токенами по метаданным; README указывает максимум 256 токенов. Лицензия — Apache-2.0.

brazembed-pt-br-sts — компонент системы BrazEmbed-PT-BR от tardellirs, предназначенный для вычисления семантического сходства предложений на бразильском португальском. Это дообученная модель SentenceTransformer на базе BERTimbau Base с архитектурой BERT; её размер составляет 136,1 млн параметров, а контекст ограничен 512 токенами. Модель формирует эмбеддинги с mean pooling и L2-нормализацией, без префикса инструкции. Модель подходит для оценки близости предложений, поиска семантически похожих текстов и ранжирования кандидатов по сходству. В README для системы BrazEmbed-PT-BR приведён результат MTEB(por) mean_16 0,6567 и заявлено первое место в классе моделей около 100 млн параметров; это системный показатель, а не отдельная оценка данного компонента. Распространяется по лицензии MIT.

duyntnet/codegeex4-all-9b-imatrix-GGUF — набор GGUF-квантизаций модели CodeGeeX4-ALL-9B, разработанной THUDM. Это авторегрессионная языковая модель для генерации текста и кода, ориентированная на задачи программирования: ответы на вопросы о коде и компьютерах, написание исполняемого кода, объяснение решений и автодополнение. Модель поддерживает диалоговый режим с системными и пользовательскими сообщениями, а также infilling — заполнение фрагментов кода между заданными префиксом и суффиксом. Доступны варианты запуска через llama.cpp, JanAI, KoboldCPP, text-generation-webui, Ollama и GPT4All. В README указано, что исходную модель можно запускать с Transformers версий 4.39.0–4.40.2; сведения о точной архитектуре, размере контекста и поддерживаемых языках программирования не приведены. Сильными сторонами являются специализация на программировании, поддержка диалога и заполнения кода, а также наличие GGUF-квантизаций для локального запуска в совместимых приложениях. Ограничения включают отсутствие в README результатов оценки качества, требований к ресурсам и подробностей о вариантах квантизации. Лицензия обозначена как other, без дополнительных условий использования.

ClaudioItaly/CoderQ — языковая модель для генерации кода и диалогового взаимодействия, опубликованная пользователем ClaudioItaly. Репозиторий описывает её как слияние моделей методом TIES через mergekit на базе Qwen/Qwen2.5-Coder-7B-Instruct; в конфигурации трижды указана одна и та же базовая модель. Архитектура — плотная Qwen2ForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель принимает текстовые запросы и генерирует текст, включая код; репозиторий использует формат safetensors и библиотеку Transformers. Модель подходит для генерации и исправления кода, а также для ответов на инструкции в чате. Карточка не описывает отдельные тесты качества или специализированные области применения. Условия лицензии в предоставленных данных не приведены.

ConstBERT — англоязычная модель поиска по фрагментам текста, разработанная Pinecone на основе дообучения google-bert/bert-base-uncased. Она изменяет подход ColBERT: вместо отдельного вектора для каждого токена документа модель формирует для документа фиксированный набор из 32 векторов размерностью 128. Запрос представляется набором токенных эмбеддингов, а релевантность документа оценивается механизмом позднего взаимодействия MaxSim. Модель предназначена для семантического поиска и извлечения фрагментов из больших коллекций документов, в том числе как первого этапа поиска или для переоценки кандидатов от другой поисковой системы. Фиксированное представление уменьшает размер индекса и упрощает управление хранением; выбор числа векторов задаёт компромисс между эффективностью поиска и затратами. README сообщает о сопоставимых с ColBERT результатах на MSMARCO и BEIR при существенно меньших индексах. Модель принимает текст и выдаёт многовекторные представления для поиска; контекст составляет до 512 токенов. Распространяется по лицензии Apache-2.0.

CORTEX — большая языковая модель Frankenstein-Labs для программирования, веб-разработки, обучения и общего ассистирования. В репозитории опубликован чекпойнт архитектуры DeepseekV4ForCausalLM с 44,9 млрд параметров по метаданным Hugging Face; README также приводит другое число параметров, поэтому точный размер расходится между источниками. Метаданные указывают формат safetensors FP8, библиотеку Transformers и контекст до 1 048 576 токенов. Заявлены генерация и объяснение кода, помощь с проектированием и анализом программ, поиск ошибок и разбор технических концепций; поддерживаемые языки в метаданных — французский, английский и китайский. Чекпойнт требует нескольких ускорителей и актуальной версии Transformers с поддержкой deepseek_v4; однографическая конфигурация не документирована. Полная загрузка и качество генерации Frankenstein-Labs не проверялись, поэтому заявленные сценарии следует считать предназначением, а не подтверждёнными результатами. Встроенная экспериментальная vision-адаптация не работает на полном чекпойнте и не делает его мультимодальной моделью. README описывает распределённые веса как опубликованный артефакт, а отдельный конвейер обучения собственных весов с нуля — как независимую работу; связь текущего чекпойнта с базовой моделью не подтверждена. Лицензия — MIT.

deepset-mxbai-embed-de-large-v1 — открытая модель эмбеддингов предложений, разработанная Mixedbread совместно с deepset. Она основана на intfloat/multilingual-e5-large и дообучена с функцией потерь AnglE на более чем 30 млн пар немецких данных. Модель использует архитектуру XLM-RoBERTa, содержит около 585,8 млн параметров и принимает текстовый контекст длиной до 514 токенов. Модель предназначена для поиска по смыслу и извлечения релевантных документов на немецком и английском языках. Для запросов требуется префикс «query: », для документов — «passage: ». Она поддерживает Matryoshka Representation Learning и бинарную квантизацию, что позволяет уменьшать размер эмбеддингов и затраты на хранение при сохранении значительной части качества. По данным авторов, средний результат на NDCG@10 составляет 51,7. Модель распространяется по лицензии Apache-2.0. Она рассчитана на получение векторных представлений текста; качество и применимость за пределами немецкого и английского языков в предоставленных материалах не описаны.

Это PyTorch-модель распознавания текста docTR CRNN VGG16-BN, созданная Mindee и размещённая rrainn как побайтовая копия официального предварительно обученного чекпойнта. Модель использует сверточный экстрактор признаков VGG16-BN, двунаправленный LSTM-декодер и CTC-декодирование для чтения текста на изображениях отдельных, уже выделенных слов. Лицензия — Apache-2.0. Модель предназначена для OCR-конвейеров: транскрибирования документов, распознавания текста в обрезанных изображениях слов, сравнительного тестирования OCR и инициализации дообучения для конкретного домена. Для обработки целых страниц её нужно сочетать с детектором текста; при использовании docTR соответствующую предобработку и декодирование обеспечивает recognition_predictor. Вход модели имеет форму 3 × 32 × 128 с RGB-каналами. Распознавание ограничено настроенным алфавитом латиницы и французского языка. Качество может снижаться на рукописном, изогнутом или вертикальном тексте, при размытии, низком контрасте и шрифтах, отличающихся от обучающих данных; состав этих данных подробно не раскрыт. Уверенность последовательности не гарантированно откалибрована, поэтому результатам для важных решений требуется проверка человеком и оценка на целевом наборе данных.

DRAMA-1B — плотная мультиязычная модель векторного поиска от разработчиков DRAMA, созданная на основе прунированной большой языковой модели и дообученная для извлечения текстов. Она кодирует запросы и документы в векторы, которые можно сравнивать по сходству для поиска релевантных материалов. Модель имеет архитектуру Llama, около 1,2 млрд параметров и контекст до 131 072 токенов. Модель предназначена для семантического поиска и сопоставления запросов с документами на английском и других языках. Она использует двунаправленное внимание и префикс «Query: » для текста запроса; для документов префикс не нужен. Обучение с Matryoshka Representation Learning позволяет сокращать размерность векторов с базовых 2048 до 768 или 256, выбирая компромисс между размером векторов и качеством поиска. DRAMA-1B оценивалась на бенчмарках BEIR, MIRACL, MLDR и задачах MTEB. В обучающих данных представлены арабский, бенгальский, китайский, английский, финский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, персидский, португальский, русский, испанский, суахили, телугу, тайский и йоруба; для других языков качество может снижаться. Для работы используются пользовательская реализация модели и режим trust_remote_code. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

mradermacher/e5-base-v2-i1-GGUF — набор квантизированных файлов модели intfloat/e5-base-v2, подготовленный пользователем mradermacher. Модель предназначена для получения векторных представлений предложений и оценки их семантического сходства, а также может применяться в задачах семантического поиска, кластеризации и других сценариях, где используются sentence embeddings. В README указана поддержка английского языка. Модель распространяется в формате GGUF и доступна в вариантах квантизации i1-IQ и i1-Q с размером файлов примерно от 0,1 до 0,2 ГБ. В набор входят варианты с различным компромиссом между размером, скоростью и качеством; для некоторых низкобитных вариантов прямо отмечено пониженное качество, а i1-Q4_K_S и i1-Q4_K_M обозначены как удачные варианты по соотношению характеристик. Архитектура, число параметров, модальности и размер контекста в README не указаны. Лицензия модели — MIT. Квантизация уменьшает требования к хранению и вычислительным ресурсам, но может снижать качество представлений по сравнению с исходной моделью; степень снижения зависит от выбранного варианта GGUF.

EmbeddingGemma-Scandi-300m — плотная модель эмбеддингов на базе Sentence Transformers, дообученная на скандинавских текстовых данных DDSC разработчиком репозитория с использованием google/embeddinggemma-300m. Она преобразует предложения и абзацы в векторы размерности 768 и предназначена для семантического поиска, сравнения текстов, поиска перефразирований, классификации и кластеризации. Модель построена на архитектуре Gemma 3 Text, содержит 302,8 млн параметров и обрабатывает последовательности длиной до 2048 токенов. Она рассчитана на датский, норвежский и шведский языки; карточка также указывает шведскую разновидность языка в списке кодов. Для сравнения векторов используется косинусное сходство. Доступна по лицензии Apache-2.0. Опубликованные в карточке результаты оценки поиска показывают низкую cosine_accuracy@1 на указанных наборах данных, поэтому качество для конкретного корпуса и сценария следует проверять отдельно. Модель выдаёт эмбеддинги, а не готовые ответы на вопросы или сгенерированный текст.

much1na/ettin-encoder-17m-v3-vendor-embeddistill-v2 — компактная текстовая модель Sentence Transformer для поиска по смыслу и извлечения релевантных документов. Она преобразует предложения и абзацы в плотные векторы размерностью 768, которые можно сравнивать косинусным сходством. Архитектура основана на ModernBERT, содержит 16,8 млн параметров и принимает последовательности длиной до 7999 токенов по метаданным; в README заявлено ограничение 8192 токена. Модель обучена на 483 497 примерах msmarco-embed-dense_on-triples-v3 с использованием EmbedDistillLoss. Её можно применять для векторного поиска, подбора документов к запросу и построения семантического поиска; в карточке приведены результаты оценки на англоязычных наборах NanoBEIR и отдельных наборах извлечения информации. Модель принимает текст и выдаёт векторы эмбеддингов. Данные указывают на англоязычное обучение и оценивание, поэтому пригодность для других языков не подтверждена. Лицензия в предоставленных данных не указана.

Это конверсия модели distil-whisper/distil-large-v2 в формат CTranslate2, подготовленная для использования с CTranslate2 и проектами на его основе, например faster-whisper. Модель предназначена для распознавания речи по аудиозаписям и транскрибирования речи в текст. Веса сохранены в FP16; при загрузке тип вычислений можно выбирать через параметр compute_type в CTranslate2. В карточке указана поддержка английского языка. Репозиторий использует библиотеку CTranslate2, а лицензия — MIT.