II.8Инженерия данных и аналитика

Systran/faster-whisper-small.en — конверсия модели Whisper small.en от OpenAI в формат CTranslate2, подготовленная для использования в CTranslate2 и проектах на его основе, включая faster-whisper. Модель предназначена для автоматического распознавания английской речи в аудиозаписях и преобразования её в текст. Веса сохранены в FP16. При загрузке в CTranslate2 можно выбрать другой тип вычислений через параметр compute_type. Репозиторий создан 23 ноября 2023 года; лицензия — MIT. Это конвертированная версия openai/whisper-small.en, а не самостоятельное дообучение.

flammen10-mistral-7B — языковая модель на архитектуре Mistral, созданная FlammenAI слиянием двух моделей методом SLERP с помощью mergekit: nbeerbower/flammen9X-mistral-7B и chihoonlee10/T3Q-Mistral-Orca-Math-DPO. Модель предназначена для генерации текста по запросам и может использоваться в диалоговых сценариях и для ответов на математические вопросы. Модель содержит 7,1 млрд параметров, имеет контекстное окно до 32 768 токенов и распространяется в формате safetensors для библиотеки Transformers. Вторая исходная модель описана как DPO-дообученная на математических данных Mistral, что указывает на математическую составляющую слияния. Репозиторий лицензирован по Apache-2.0.

Florence-2-large — модель компьютерного зрения и обработки изображений с текстовыми запросами, размещённая в сообществе Florence Community как преобразованный чекпойнт Microsoft Florence. Это продолженное предварительное обучение Florence-2-large с контекстом 4k; автор карточки предупреждает, что для продолжения использовали лишь 0,1 млрд примеров и модель могла обучиться недостаточно хорошо. Архитектура — последовательность-последовательность, размер исходной Florence-2-large составляет 0,77 млрд параметров; чекпойнт представлен в safetensors и рассчитан на Transformers. Модель выполняет по текстовой инструкции генерацию подписей к изображениям, обнаружение объектов, описание областей, привязку фраз к областям, предложения регионов и OCR, в том числе с координатами распознанного текста. Она подходит для анализа изображений, извлечения текста и локализации объектов в сценариях zero-shot или после дообучения. Карточка не подтверждает конкретный набор поддерживаемых языков. Лицензия — MIT.

Grok Build 0.1 — модель SpaceXAI для ускорения разработки программного обеспечения в агентных рабочих процессах. Она предназначена для интерактивного программирования и принимает текстовые и графические входные данные, выдавая текст. Данных о размере, архитектуре, языках программирования и лицензии в доступных источниках нет.

upskyy/gte-base-korean — дообученная модель Sentence Transformer на основе Alibaba-NLP/gte-multilingual-base, созданная для работы с корейскими текстами. Она обучена на korsts и kornli и преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости, поиска и других задач с текстовыми представлениями. Модель использует трансформерный энкодер с усреднением токенных представлений; максимальная длина входа — 8192 токена. Для сравнения в README рекомендована косинусная близость. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации корейских текстов. Метаданные также содержат широкий набор языковых тегов, но карточка описывает дообучение именно для корейского языка. Модель распространяется в формате safetensors под лицензией Apache-2.0. В README приведены результаты оценки сходства на sts-dev; эти показатели относятся к указанному набору данных и не гарантируют качество на других доменах.

Jina AI разработала jina-colbert-v2-64 — мультиязычную модель поиска по фрагментам текста на архитектуре ColBERT с поздним взаимодействием токеновых представлений. Она создаёт эмбеддинги размерности 64 и подходит для поиска релевантных документов и фрагментов в системах информационного поиска и RAG. Модель принимает последовательности длиной до 8192 токенов. Поддерживает множество языков, включая английский, арабский, бенгальский, немецкий, испанский, французский, хинди, японский и корейский. Matryoshka-представления позволяют выбирать компромисс между размером эмбеддингов и точностью; в тестах README версия с размерностью 64 показывает близкие к более крупным вариантам результаты на BEIR и MS MARCO. Для развёртывания README указывает зависимости einops и flash_attn; также приведены примеры интеграции с RAGatouille и Stanford ColBERT. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Метаданные классифицируют репозиторий как fill-mask, однако заявленное назначение и архитектура ColBERT указывают на поиск и ранжирование текстовых фрагментов; подходящий тег retrieval в доступных данных не указан.

jina-embeddings-v5-omni-small-retrieval-GGUF — мультимодальная retrieval-ориентированная модель эмбеддингов от Jina AI. Это квантизированная GGUF-сборка модели jinaai/jina-embeddings-v5-omni-small-retrieval для использования с llama.cpp. Модель преобразует текст, изображения, видео и аудио в векторы размерностью 1024 и помещает их в общее векторное пространство, совместимое с эталонной PyTorch-версией и текстовой моделью jina-embeddings-v5-text-small-retrieval. Благодаря этому документы можно индексировать одним типом данных, а выполнять поиск — по запросам любой поддерживаемой модальности. Модель предназначена прежде всего для мультимодального семантического поиска и retrieval-сценариев, включая поиск по тексту, изображениям, видео и аудио, а также комбинированные запросы. Она содержит около 1,56 млрд параметров в текстовой, визуальной и аудиочасти, поддерживает контекст до 32768 токенов и использует pooling по последнему токену. Доступны Matryoshka-размерности эмбеддингов 32, 64, 128, 256, 512, 768 и 1024, что позволяет уменьшать размер векторов для экономии памяти и ускорения поиска. Поддерживаются распространённые форматы изображений, видео, аудио и PDF-документы. К сильным сторонам относятся единое пространство для разных модальностей, возможность кросс-модального поиска без переиндексации, большой контекст и несколько уровней размерности векторов. Ограничения связаны с тем, что вариант предназначен для retrieval-задач, а не для генерации текста, и требует llama.cpp со специальными мультимодальными патчами Jina AI, которые, согласно README, ещё не вошли в upstream-версию. Текстовая часть доступна в F16 и нескольких квантизированных вариантах, тогда как мультимодальные проекторы поставляются в F16. Лицензия — CC BY-NC 4.0, допускающая использование с обязательным указанием авторства и ограничивающая коммерческое применение.

Kalki 1.5 — плотная по маршрутизации экспертная модель семейства Kalki от Upmarking, предназначенная для многошаговой разработки программного обеспечения и агентных сценариев с использованием инструментов. В README заявлены архитектура Mixture-of-Experts с MLA, 1 трлн параметров и активация 32 млрд параметров на токен. Для анализа интерфейсов и визуальной отладки предусмотрен визуальный энкодер UpmarkViT; заявлена поддержка контекста до 262 144 токенов. Модель рассчитана на автономную навигацию по инструментам, редактирование файлов, запросы к PostgreSQL, отладку и другие длительные инженерные задачи. README также заявляет примерно на 30% меньше токенов рассуждения по сравнению с Kalki-0.6 и поддержку нативной квантизации INT4. Метаданные указывают задачи image-text-to-text и text-generation; в каталоге есть чат-возможность. Модель распространяется по лицензии Apache-2.0, а README предлагает доступ через API Upmarking с совместимостью с SDK OpenAI и Anthropic.

hyunkookim/klue-roberta-base-klue-sts — модель Sentence Transformers, дообученная на базе klue/roberta-base для оценки семантического сходства корейских предложений. Она преобразует предложения и абзацы в плотные векторы размерности 768, которые сравниваются косинусной близостью; модель также подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура включает RoBERTa и усреднение токенных представлений; размер базовой модели — 137,8 млн параметров. Максимальная длина входа — 512 токенов по карточке модели и 514 токенов по метаданным. Модель ориентирована на корейский язык и обучена на парах текстов с оценками сходства. В README приведены результаты оценки, но они различаются между таблицами, поэтому их нельзя считать однозначной характеристикой качества. Репозиторий использует формат safetensors и библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

jhgan/ko-sroberta-nli — корейская модель Sentence Transformers на базе RoBERTa, дообученная на KorNLI с использованием Matryoshka Representation Learning. Она преобразует предложения в векторные представления размером 768, 512, 256, 128, 64 или 32 измерения: можно использовать первые m компонент, чтобы сократить объём хранения и задержку при небольшом снижении точности. Модель предназначена для сравнения смысловой близости корейских предложений и поиска по семантическому сходству; README приводит результаты оценки на наборе KorSTS. Число параметров — 137,8 млн, максимальный контекст — 514 токенов. Распространяется по лицензии CC BY-SA 4.0.

Laguna-XS-2.1-JANG_6M-CRACK — текстовая модель dealignai на архитектуре Laguna с Mixture-of-Experts, полученная на основе poolside/Laguna-XS-2.1. Модель предназначена прежде всего для агентного программирования, рассуждений и вызова инструментов; поддерживает режимы с включённым и выключенным пошаговым рассуждением и контекст до 262 144 токенов. Модель представляет собой дообученную и квантизированную версию базовой модели. README описывает исходную Laguna-XS 2.1 как модель на 33 млрд параметров с примерно 3 млрд активных параметров; метаданные репозитория указывают 2,6 млрд параметров. JANG_6M — смешанная по точности аффинная квантизация для MLX и Apple Silicon, с файлами safetensors. Для генерации автор рекомендует явно задавать temperature=1.0, top_p=1.0 и top_k=20, поскольку некоторые среды запуска игнорируют конфигурацию модели. В README приведены результаты MMLU 73,4% и соответствие запросам в HarmBench 99,4%; это результаты оценки автором через vMLX, а не независимая гарантия качества. Автор заявляет, что модель рассчитана на работу через vMLX или совместимую среду MLX. Модель текстовая и ориентирована на английский язык. Её отказное поведение намеренно удалено на уровне весов, поэтому она может выполнять запросы, от которых обычная модель отказалась бы; это существенное ограничение с точки зрения безопасного применения. Лицензия указана как other, а README сообщает о бесплатном выпуске, но не содержит точных условий лицензии.

LEALLA-large — многоязычная модель для получения векторных представлений предложений, разработанная как часть семейства LEALLA и дистиллированная из LaBSE. Это версия, перенесённая с модели v1 на TensorFlow Hub; для неё указана эквивалентность эмбеддингов исходной версии. Модель основана на BERT, содержит 153,5 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для построения многоязычных эмбеддингов предложений и поиска соответствующих текстов на разных языках, включая двуязычный поиск. В README заявлена поддержка 109 языков. Представлены веса в форматах PyTorch, TensorFlow и Flax, включая safetensors. Лицензия — Apache-2.0. При сравнении эмбеддингов для некоторых языков, например японского, могут потребоваться более высокие допуски. Сведения о данных, обучении и метриках приведены в оригинальной научной статье.

KoarAI/LFM2.5-350M-Thinking-0004 — компактная языковая модель для диалоговой генерации текста и пошаговых рассуждений. По карточке, модель разработана KoarAI на архитектуре LiquidAI LFM2.5 и дообучена методом двухэтапной дистилляции с несколькими учителями. В метаданных указаны плотная архитектура LFM2, около 443,4 млн параметров и контекст до 128 000 токенов. Модель предназначена для ответов на вопросы, многошаговых математических рассуждений, генерации кода и работы на маломощных устройствах. Карточка заявляет хорошее владение русским языком и генерацию структурированных рассуждений; метаданные также отмечают английский. Указана лицензия Apache-2.0. Результаты скорости и бенчмарков приведены авторами модели и не являются независимой оценкой.

Карточка модели ronaldmannak/LFM2.5-Embedding-350M-8bit на Hugging Face совпадает с карточкой mlx-community/LFM2.5-Embedding-350M-8bit, поэтому описание составлено по ней. 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.

Lite-Whisper large-v3-turbo — сжатая версия мультиязычной модели OpenAI Whisper, разработанная с использованием LiteASR. Модель предназначена для автоматического распознавания речи и преобразования аудио в текст. По метаданным, она основана на openai/whisper-large-v3-turbo, содержит 905,2 млн параметров и использует архитектуру LiteWhisperForConditionalGeneration; опубликована в формате safetensors и работает через Transformers. В карточке приведены результаты оценки на наборах ESB: варианты Lite-Whisper показывают средний WER 10,1–10,2. Метаданные указывают лицензию Apache-2.0. Поддерживаемые языки и длина контекста в предоставленных источниках не перечислены.

McGill-NLP/LLM2Vec-Mistral-7B-Instruct-v2-mntp — модель для преобразования decoder-only языковой модели Mistral 7B Instruct v2 в текстовый энкодер. Подход LLM2Vec использует двунаправленное внимание, masked next token prediction (MNTP) и, при необходимости, последующее контрастивное дообучение. В данном варианте указана загрузка MNTP-адаптера через PEFT. Модель предназначена для получения векторных представлений текста и задач семантического поиска, сопоставления запросов и документов, reranking, классификации, кластеризации и оценки семантического сходства. В README приведён сценарий поиска релевантных passages по веб-запросу с вычислением cosine similarity; для запросов могут использоваться инструкции, а для документов инструкции не требуются. Указан английский язык. Архитектурной основой является Mistral 7B Instruct v2; точный размер контекста в карточке не указан, однако в примере кодирования используется max_length=512. Сильной стороной является применение крупной instruction-tuned LLM для построения эмбеддингов и поддержка широкого спектра задач обработки текста. Ограничения включают ориентацию на английский язык, необходимость загрузки специализированного кода и MNTP-адаптера, а также значительные вычислительные требования, связанные с моделью класса 7B. Лицензия — MIT.

MiniMax-M3-Coder-Small — компактная сборка MiniMax-M3 для программирования и агентных сценариев, подготовленная OsaurusAI для устройств Apple Silicon. Модель основана на MiniMaxAI/MiniMax-M3 и использует разреженную архитектуру MiniMax M3 VL; сохранены мультимодальные возможности для работы с изображениями. Сборка занимает около 84 ГБ и применяет формат JANG: смешанную квантизацию с AWQ-масштабированием и сокращением набора маршрутизируемых экспертов методом REAP. Оставлено 70 из 128 экспертов; веса экспертов имеют разрядность 2 бита, разрядность внимания — 8 бит. Для запуска требуется собственная среда Osaurus на Apple Silicon: модель не загружается через Transformers, vLLM или обычные загрузчики MLX. В README заявлен результат HumanEval pass@1 100% на адаптивной оценке из 82 задач, однако это результат конкретного теста, а не гарантия качества в других условиях. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и у базовой модели MiniMaxAI/MiniMax-M3 перед применением.

facebook/mms-1b-all — многоязычная модель автоматического распознавания речи, разработанная Vineel Pratap и соавторами в рамках проекта MMS. Она построена на архитектуре wav2vec2 с CTC-выходом и содержит около 1,3 млрд параметров. Модель принимает аудио и преобразует речь в текст; в карточке указана поддержка 1162 языков, а частота дискретизации аудио составляет 16 кГц. Модель предназначена для транскрибации речи на большом числе языков, в том числе малоресурсных, например для расшифровки записей и создания многоязычных систем распознавания речи. Опубликованные веса доступны в форматах PyTorch и safetensors. Лицензия CC-BY-NC 4.0 требует указания авторства и ограничивает коммерческое использование. Качество распознавания может различаться в зависимости от языка, диалекта и условий записи.

ModernGBERT 1B — немецкоязычная модель-энкодер семейства ModernBERT, разработанная LSX-UniWue. Она содержит 1,1 млрд параметров, использует архитектуру BERT с маскированным языковым моделированием и обрабатывает последовательности длиной до 8 192 токенов. Модель предварительно обучена на немецкой части RedPajama V2 объёмом 1,27 трлн токенов; также в метаданных указан датасет LSX-UniWue/LLaMmlein-Dataset. Модель предназначена для извлечения признаков и эмбеддингов, а также задач понимания немецкого текста. Её можно применять для семантического поиска, оценки релевантности и дообучения под классификацию токенов; README показывает использование с Transformers и PEFT/LoRA. В бенчмарках авторов модель получила средние оценки 0,808 на SuperGLEBer и 0,551 на немецком MTEB после дополнительного unsupervised fine-tuning на немецкой части mMARCO. Модель распространяется в форматах PyTorch и Safetensors, лицензия обозначена как other. Она является энкодером с маскированным языковым моделированием, поэтому не предназначена для свободной авторегрессионной генерации текста. Указанные результаты MTEB получены после дополнительного дообучения, что следует учитывать при сравнении.

MoganBERT-Embed — модель эмбеддингов MoganAI на базе турецкого энкодера MoganBERT-TR. Она содержит около 149 млн параметров и использует архитектуру ModernBERT. Модель преобразует текст в векторы размерности 768 с помощью среднего pooling и L2-нормализации; инструкции к задаче или префиксы не требуются. Контекст по метаданным — до 8192 токенов; в описанной оценке MTEB использовалось не более 2048 токенов. Модель предназначена для семантического поиска, кластеризации, классификации текстов и оценки семантического сходства предложений. Она обучалась с дистилляцией от Qwen3-Embedding-8B и контрастивным дообучением на сигналах поиска, NLI, STS, классификации, вопросах и ответах, а также параллельных текстах. По README, поиск — относительно слабая сторона модели; для сценариев, где он является основным приоритетом, авторы указывают на Mogan-ColBERT-TR. Модель распространяется по лицензии Apache-2.0.

Модель Jeevesh8/more_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_qqp_ft_8 — классификатор текста на основе BERT, опубликованный пользователем Jeevesh8 на Hugging Face. Она предназначена для задачи QQP (Quora Question Pairs): определения, являются ли два вопроса дубликатами или семантически эквивалентными формулировками. Модель относится к семейству BERT и поддерживает конвейер text-classification. Модель содержит около 136,7 млн параметров и имеет максимальную длину контекста 512 токенов. Она подходит для бинарной классификации пар вопросов, дедупликации пользовательских запросов и оценки семантической близости формулировок. Модель не предназначена для генерации текста, ответов на вопросы или распознавания речи. Лицензия в доступных данных не указана.

Mollel/MultiLinguSwahili-mxbai-embed-large-v1-nli-matryoshka — модель Sentence Transformer, дообученная автором на базе mixedbread-ai/mxbai-embed-large-v1 на наборе Mollel/swahili-n_li-triplet-swh-eng. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического сравнения текстов, поиска, поиска перефразировок, классификации и кластеризации. Архитектура состоит из BERT-трансформера с пулингом CLS-токена; длина последовательности — до 512 токенов, сходство оценивается косинусной мерой. Обучающие данные содержат суахилийские и английские примеры, включая соответствующие по смыслу пары на обоих языках. Модель подходит для семантического поиска и сопоставления текстов на суахили и английском, в том числе в многоязычных сценариях. В README приведены результаты оценки сходства предложений на нескольких размерностях эмбеддингов, но качество на иных языках и прикладных наборах данных не описано. Доступна в формате safetensors; лицензия в предоставленных данных не указана.

Mursit-Embed-Qwen3-1.7B-TR-i1-GGUF — это квантизированная в формате GGUF версия модели Mursit-Embed-Qwen3-1.7B-TR, разработанной newmindai и подготовленной квантизатором mradermacher. Модель создана на базе Qwen3 с адаптацией decoder-to-encoder и предназначена для получения текстовых эмбеддингов. Основные сценарии применения — вычисление семантического сходства, dense retrieval, информационный поиск и извлечение признаков, включая задачи на турецком языке и поиск по юридическим документам. При обучении использовались наборы newmindai/ms-marco-turkish-triplets и newmindai/EuroHPC-Legal. Заявлены языки tr и en; модель ориентирована прежде всего на турецкие и турецко-юридические тексты. Доступен набор квантизаций с размерами примерно от 0,6 до 1,5 ГБ. В README рекомендуется i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S описывается как оптимальный баланс размера, скорости и качества; некоторые низкобитные варианты имеют пониженное качество. Размер исходной модели указан как 1,7B параметров, но сведения о размерности эмбеддингов, максимальной длине контекста, точных характеристиках архитектуры и результатах оценки отсутствуют. Лицензия — Apache-2.0.

Muse Spark 1.3 — мультимодальная reasoning-модель от Meta, предназначенная для длительных агентных, многоагентных и связанных с программированием сценариев. По имеющимся сведениям, она рассчитана на отслеживание информации и выполнение многоэтапных задач. Метаданные каталога относят модель к задаче image-text-to-text, что указывает на обработку изображений и формирование текстового ответа. Данных о размере, архитектуре, длине контекста, поддерживаемых языках и лицензии в предоставленных источниках нет. Полная карточка обрывается, поэтому подробности о возможностях и ограничениях подтвердить нельзя.

Naim 9B v2 — агент для программирования, созданный ABDESSEMED Mohamed. Это плотная модель семейства Naim с архитектурой NaimForConditionalGeneration и примерно 9 млрд параметров; она развивает предыдущую модель Mimo автора. Модель предназначена для диалоговой работы над кодом: анализирует задачу и кодовую базу, составляет план, вносит изменения и проверяет результат. Поддерживает вызов инструментов и режимы рассуждения и прямого ответа. Заявлена длина контекста до 262 144 токенов. Основной интерфейс принимает текст и генерирует текст; README также заявляет поддержку зрения с отдельным файлом naim-mmproj-f16.gguf. Доступны веса Safetensors и варианты GGUF F16, Q4_K_M и Q8_0. В версии v2 автор отмечает более естественные ответы и более полные примеры кода. Модель рассчитана на французский и английский языки. Лицензия — Apache-2.0.

Nemotron 3.5 ASR — многоязычная модель распознавания речи, разработанная NVIDIA. Она преобразует аудио в текст и предназначена для транскрибации потоковой речи с низкой задержкой и обработки аудиозаписей пакетами. Модель содержит 600 млн параметров и использует архитектуру Cache-Aware FastConformer-RNNT с языковым prompt-conditioning; потоковый режим повторно использует контекст кодировщика и обрабатывает новые аудиофрагменты. Размер фрагментов настраивается во время запуска: 80, 160, 320, 560 или 1120 мс. Модель поддерживает транскрибацию с пунктуацией и заглавными буквами для 32 локалей из коробки, включая русский, английский, испанский, немецкий, французский, арабский, китайский, японский и украинский. Ещё для восьми локалей заявлена готовность к адаптации, но для полноценной транскрибации на них требуется дообучение. Режим auto может определять язык и добавлять его метку к результату. Модель доступна через NeMo и Transformers; карточка заявляет готовность к коммерческому применению, лицензия указана как other.

M4-ai neural-chat-mini-v2.2-1.8B — языковая модель-ассистент на архитектуре Qwen2, дообученная на tau-1.8B с помощью SFT и DPOP. Модель содержит 1,5 млрд параметров, принимает текст и рассчитана на диалоговое использование; заявленная длина контекста — 32 768 токенов. Модель предназначена для ответов на вопросы и других общих задач ассистента, включая рассуждения, математику, программирование и написание текстов. В обучающую смесь вошли наборы данных для диалогов, кода, математики и естественных наук. В карточке заявлены английский и, возможно, китайский языки; метаданные указывают английский. Разработчик указывает лицензию tongyi-qianwen; метаданные классифицируют лицензию как other. В карточке отмечены риски предвзятости и ограничения, а результаты оценивания ещё не опубликованы. Рекомендации по ответственному использованию требуют дополнительной проработки.

NextSearch-1-XS — компактная агентная модель для веб-исследований от NextTokenAI, дообученная на базе Qwen/Qwen3.5-9B. Она разбивает вопрос на подзадачи, использует инструменты поиска и загрузки веб-страниц, сопоставляет противоречивые свидетельства и формирует краткий ответ или структурированный исследовательский результат. Модель рассчитана на многократный вызов оркестратором и работу на одной GPU; архитектура — плотная, размер — 9 млрд параметров. Модель принимает текстовые запросы и работает через интерфейс вызова инструментов search и fetch; на выходе выдаёт текст, включая ответы и структурированные материалы. В README приведены результаты оценки на наборах для поиска свежих и противоречивых данных, многоусловного поиска, комплексных ответов и табличных подзадач. Для работы нужны совместимые поисковый и загрузочный инструменты, а также передача даты задачи в системном сообщении. Рекомендуются температура 0,7, включённый режим рассуждений и до 16 тыс. токенов на ход; пример запуска устанавливает максимальную длину контекста 65 536 токенов. Лицензия — Apache-2.0.

Nomic-embed-text-v1.5-GGUF — модель для создания текстовых embedding-векторов и задач семантического сходства. Она основана на nomic-ai/nomic-embed-text-v1.5, разработана nomic-ai и предназначена для представления англоязычных текстов в виде векторов, которые можно использовать для поиска, сравнения и семантического сопоставления документов и запросов. Модель распространяется в формате GGUF и оптимизирована для запуска с llama.cpp; квантизацию выполнила Second State Inc. В конфигурации GaiaNet указан шаблон prompt «embedding» и размер контекста 768 токенов. Сведения о точном размере модели, архитектуре, типе квантизации и поддержке других языков в README не приведены, поэтому возможности модели за пределами англоязычных сценариев не подтверждены. Модель подходит для локальных и интегрируемых в приложения сценариев семантического поиска и сравнения текстов, однако ограничение контекста в 768 токенов следует учитывать при обработке длинных материалов. Лицензия — Apache-2.0.

LLMWildling/NVIDIA-Nemotron-3-Super-135B-A13B-Coder-NVFP4 — созданная сообществом специализация NVIDIA Nemotron 3 Super 120B-A12B NVFP4 для программирования; это не официальный выпуск NVIDIA. Модель использует архитектуру семейства Nemotron с разреженной активацией: при общем размере 135,21 млрд параметров активны 13,22 млрд параметров на токен. Веса представлены в смешанном формате NVFP4; модель загружается через Transformers и предназначена для диалогового взаимодействия. Модель рассчитана на генерацию кода, анализ репозиториев, работу в программных агентах и сценарии с использованием инструментов. В карточке приведён пример создания работающей SVG-игры Flappy Bird менее чем за 60 тысяч токенов, но это результат внутренней оценки, а не независимая гарантия качества. Для базовой модели каталог указывает поддержку длинного контекста и рассуждений; конкретная длина контекста этой версии не приведена. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой репозитория. Автор README заявляет о готовности к производственному применению.