II.8Инженерия данных и аналитика

UltiMerge — текстовая причинно-следственная MoE-модель, созданная OliviaRossi геометрическим слиянием четырёх чекпойнтов на архитектуре Qwen 3.6. Среди исходных моделей указаны Qwen-AgentWorld-35B-A3B, KAT-Coder-V2.5-Dev, Qwopus3.6-35B-A3B-Coder и Ornith-1.5-35B-A3B. Модель предназначена для агентного программирования, инженерии программных репозиториев, рассуждений, планирования и работы с инструментами. Архитектура сочетает MoE с 256 маршрутизируемыми экспертами, из которых активны восемь, и одним общим экспертом; в README также описаны 30 слоёв Gated DeltaNet и 10 слоёв GQA. Всего модель содержит около 34,8 млрд параметров, из них примерно 3,1 млрд активны на токен. Карточка указывает контекст до 262 144 токенов. Мультимодальные веса зрения и головы предсказания нескольких токенов удалены; модель работает с текстом, включая код, и заявлена поддержка английского и китайского языков. Слияние объединяет способности к использованию инструментов, работе с кодом и репозиториями, рассуждениям и самокоррекции. Для запуска README описывает варианты Transformers, vLLM, SGLang и llama.cpp; метаданные указывают формат safetensors. Модель распространяется по лицензии Apache-2.0. Указанные в README характеристики и качество объединения основаны на описании автора; независимые результаты оценки не приведены.

Это модель Sentence Transformers, дообученная автором tintnguyen на вьетнамской bi-encoder-модели bkai-foundation-models/vietnamese-bi-encoder. Она использует архитектуру RoBERTa с mean pooling, содержит 162,4 млн параметров и преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству. Максимальная длина последовательности составляет около 256 токенов. Модель предназначена для поиска семантически близких текстов на вьетнамском языке: семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. В обучении использовались пары запросов и релевантных текстов с MultipleNegativesRankingLoss; обучающая выборка содержала около 1,58 млн примеров. Для применения нужны тексты, а результатом служат векторные представления. Лицензия в предоставленных данных не указана.

johnpaulbin/voice-begging-detection — модель Sentence-Transformers на архитектуре MPNet с 136,7 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 768; контекст составляет до 514 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. В карточке указано обучение с CosineSimilarityLoss. Для работы доступны веса PyTorch; модель можно использовать через Sentence-Transformers или Transformers с подходящей операцией pooling. Карточка не сообщает о специализированной области применения или целевых языках, поэтому модель следует считать общей текстовой моделью. Лицензия в предоставленных данных не указана.

facebook/wav2vec2-large-xlsr-53-german — модель распознавания речи на немецком языке от Facebook. Она основана на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; в карточке приведена оценка 18,5% на тестовой части немецкого Common Voice. Доступны веса PyTorch и Flax. Модель предназначена для автоматической транскрипции немецкой речи, в том числе записей, похожих на аудиоматериалы Common Voice. Распространяется по лицензии Apache-2.0.

Whisper-Large-v3-CV11 — мультиязычная модель распознавания речи, разработанная Burak Aydın и дообученная на корпусе Whispered с лицензией CC0. Это контрольная версия OpenAI Whisper large-v3 со стандартной архитектурой без преобразования внимания MHA в MLA; модель содержит 905,2 млн параметров и работает через Transformers без пользовательского кода. Модель предназначена для транскрибации речи на 11 языках. В карточке перечислены английский, немецкий, испанский, французский, русский, турецкий, валлийский, арабский, грузинский, тайский и китайский. README приводит результаты оценки на CommonVoice-17 для части языков и описывает обучение на 15 000 шагах с замороженным энкодером. Данные указывают на применение для чтения вслух речи; модель также можно конвертировать стандартными инструментами для faster-whisper, CTranslate2 и whisper.cpp. Модель принимает аудио и выдаёт текст. Apache-2.0 разрешает широкое использование. Приведённые метрики относятся к тесту CommonVoice-17 с жадным декодированием и заданной нормализацией; они не гарантируют такое же качество на других типах аудио.

Whisper-squeezeformer-v9_train_CM — дообученная на Common Voice модель распознавания речи на основе Whisper-small от OpenAI. Она предназначена для преобразования аудио в текст; в README приведён результат оценки на тестовом наборе: WER 16,4239 и loss 0,4028. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors. Метаданные указывают английский язык. Лицензия — Apache-2.0. Подробности о целевом варианте английского языка, настройках обучения и ограничениях применения в карточке не приведены.

xDAN-L1-Chat-RL-v1 — диалоговая языковая модель xDAN-AI на архитектуре Mistral с 7,1 млрд параметров. Она дообучена на смесях OpenOrca, Intel Orca-DPO-Pairs и собственных данных с помощью SFT и DPO-v2; карточка описывает шаблон запросов Alpaca и контекст 32 768 токенов. Модель предназначена для генерации ответов в чате, работы с общими знаниями, написания текстов и помощи с кодом. В README приведены сравнительные результаты MT-Bench и LM-Evaluation-Harness, но они не гарантируют качество на конкретных запросах. В метаданных указан английский язык; другие языки явно не заявлены. Модель распространяется под лицензией CC BY 4.0. Она может выдавать неточные или проблемные ответы, поэтому важные результаты следует проверять.

0pen — экспериментальная разговорная модель от 0penAGI для совместного инженерного проектирования и решения задач. Это LoRA-дообучение Google Gemma 4 E4B с 4 млрд параметров; опубликованная версия представлена в формате GGUF Q4_K_M и рассчитана на запуск через llama.cpp или Ollama. По карточке, обучение проводилось на 4-битной MLX-конверсии базовой модели с адаптацией 12 из 34 слоёв. Модель предназначена для диалогов, в которых нужно быстро предложить практичный план, спроектировать систему или алгоритм и учитывать заданные ограничения. Разработчик отмечает естественные ответы на русском и работу на русском и английском языках; сильная сторона модели — прямой инженерный стиль в ответ на конкретные проектные запросы. Лицензия — MIT. Это исследовательский предварительный выпуск, не рекомендованный автором для использования в производстве без дополнительной проверки. В длинных цепочках рассуждений модель может отклоняться от темы или повторяться, быть излишне краткой в творческих задачах и предпочитать упрощённые инженерные решения глубокому теоретическому разбору.

Aazhi-Coder-1.5B — компактная модель для генерации и анализа кода в диалоговом формате, разработанная Prannesshkva на основе Qwen2.5-Coder-1.5B-Instruct с архитектурой памяти ISOM-R2. В карточке заявлена обработка длинных контекстов до 1 048 576 токенов с потоковой подачей фрагментов и ограниченным использованием памяти; метаданные указывают нативный контекст 131 072 токена. Модель содержит 1,5 млрд параметров, принимает текст и выдаёт текст. Модель предназначена для вопросов по большим репозиториям, поиска межфайловых зависимостей, анализа и исправления кода, а также генерации кода. README приводит бенчмарк на корпусе исходников Transformers, однако заявленные показатели скорости и использования видеопамяти относятся к описанному сценарию и не гарантируют такую же производительность на других данных и оборудовании. Модель распространяется под лицензией CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий.

jondurbin/airoboros-dpo-70b-3.3 — экспериментальная диалоговая языковая модель, созданная на основе семейства Llama 3 и дообученная автором jondurbin на синтетических данных Airoboros и наборах для DPO. В метаданных указана плотная архитектура LlamaForCausalLM с 69,5 млрд параметров, формат safetensors и контекст до 8192 токенов. Карточка рекомендует использовать шаблон диалога Llama 3 Instruct. Модель предназначена для генерации ответов в чате, написания и продолжения историй, суммаризации и помощи с кодом. В README приведены примеры творческих и технических запросов, включая написание программ и выбор инструментов; эти примеры показывают формат взаимодействия, но не подтверждают гарантированное качество на каждой задаче. Автор называет модель экспериментальной. Метаданные связывают её с Meta-Llama-3-8B, тогда как README указывает базовую Llama 3 70B Instruct; точную базовую модель поэтому установить по этим источникам нельзя. Лицензия обозначена как other, конкретные условия использования в предоставленных данных не раскрыты.

leliuga/all-MiniLM-L12-v2-GGUF — это квантованные файлы модели all-MiniLM-L12-v2 в формате GGUF. Исходную модель разработала команда Sentence Transformers, а данный вариант подготовлен пользователем Leliuga на основе sentence-transformers/all-MiniLM-L12-v2. Модель предназначена для получения эмбеддингов предложений и задач сравнения семантического сходства текста, включая sentence similarity, поиск и извлечение признаков. Она относится к семейству BERT и использует архитектуру MiniLM; в README указано, что поддерживается английский язык. Формат GGUF ориентирован на использование в совместимых локальных инструментах инференса, однако конкретные параметры квантования и требования к ресурсам не указаны. Сильными сторонами модели являются компактный формат распространения и специализация на семантическом представлении предложений. В качестве ограничений следует учитывать англоязычную направленность, отсутствие сведений о размере модели, длине контекста, точных вариантах квантования и готовых характеристиках производительности. Модель распространяется по лицензии Apache-2.0.

Это демонстрационная объединённая модель на базе архитектуры BERT, созданная функцией SentenceTransformer.merge из моделей sentence-transformers/all-MiniLM-L6-v2 и sentence-transformers/multi-qa-MiniLM-L6-cos-v1. В процессе слияния применён метод dare_ties: из изменений каждой задачи случайно удалено 30% весов с последующим масштабированием и согласованием знаков. Модель содержит 25,9 млн параметров, принимает текст и формирует семантические векторы для сравнения предложений и поиска по смыслу. Контекст составляет до 512 токенов; карточка указывает поддержку sentence-transformers и форматы Safetensors, TensorFlow и OpenVINO. Модель подходит для прототипирования семантического поиска и сравнения текстов. Это демонстрация слияния, поэтому качество объединённой модели для конкретных задач не подтверждено в карточке; перед применением следует оценить её на целевых данных. Лицензия в предоставленных данных не указана.

sidbrahim/autotrain-NarrativesAnaloguesFINAL — дообученный энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, созданный с помощью AutoTrain и библиотеки Sentence Transformers. Модель предназначена для получения векторных представлений и оценки семантического сходства предложений; название репозитория указывает на работу с нарративами и аналогиями, однако README не уточняет состав и область применения обучающих данных. Модель имеет архитектуру BERT и содержит 25,9 млн параметров. Она принимает текст и выдаёт эмбеддинги, пригодные для сравнения предложений; максимальная длина контекста — 512 токенов. Для базовой модели заявлена англоязычная специализация, а отдельные языки дообученной версии в карточке не обозначены. В README приведены метрики проверки: Pearson для косинусного сходства 0,947 и Spearman 0,750; эти значения относятся к валидационному набору и сами по себе не гарантируют качество на других данных. Для работы предназначена библиотека Sentence Transformers. Лицензия в предоставленных данных отсутствует, поэтому условия использования установить нельзя.

Kowshik24/bangla-sentence-transformer-ft-matryoshka — дообученная модель Sentence Transformers на базе shihab17/bangla-sentence-transformer для преобразования предложений и абзацев в плотные векторные представления. Она построена на XLM-RoBERTa с усреднением токенных эмбеддингов и выдаёт векторы размерностью 768; сходство между ними можно оценивать косинусной мерой. Максимальная длина последовательности в README составляет 128 токенов, а метаданные указывают контекст до 514 токенов. Модель предназначена для семантического поиска, сравнения предложений, поиска перефразирований, кластеризации и классификации текста. Matryoshka-обучение позволяет усекать эмбеддинги до меньших размерностей: README приводит результаты поиска для векторов размером 768, 512, 256, 128 и 64. В карточке указан бенгальский язык; описание базовой модели в каталоге также отмечает английский. Лицензия — Apache-2.0.

Это модель Sentence Transformers на базе BERT-large для кантонского языка, разработанная hon9kon9ize. Она дообучена на наборах yue-all-nli и sentence-transformers/all-nli и преобразует предложения и абзацы в плотные векторы размерностью 1024. Векторы предназначены для сравнения семантического сходства с помощью косинусной меры, семантического поиска, поиска перефразировок, классификации текстов и кластеризации. Модель использует архитектуру BERT с усреднением токенных представлений; максимальная длина входа — 512 токенов. В README приведены результаты оценки сходства на sts-dev и sts-test: Spearman 0,8072 и 0,7611 соответственно. Модель принимает текст и выдаёт векторные представления; метаданные указывают 424,8 млн параметров и формат safetensors. Условия лицензирования в предоставленных данных не описаны.

swardiantara/bert-tiny-yelp-k1-fixed-euclidean — компактная модель Sentence Transformers, созданная дообучением английской BERT-модели google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные векторы размерности 128 для поиска и сравнения текстов; архитектура включает BertModel и mean pooling. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов; при практическом использовании следует учитывать ограничение, заданное самой конфигурацией модели. Для сравнения в README указана косинусная мера сходства. Модель принимает текст и выдаёт эмбеддинги, обучена на наборе из примерно 2,93 млн пар текстов. Репозиторий использует Sentence Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

Canary-1b-v2 — мультиязычная модель NVIDIA для распознавания речи и перевода устной речи. Это модель примерно с 1 млрд параметров на архитектуре encoder-decoder: FastConformer извлекает признаки из аудио, а Transformer Decoder генерирует текст. Модель работает с 25 европейскими языками: болгарским, хорватским, чешским, датским, нидерландским, английским, эстонским, финским, французским, немецким, греческим, венгерским, итальянским, латышским, литовским, мальтийским, польским, португальским, румынским, словацким, словенским, испанским, шведским, русским и украинским. Модель предназначена для транскрибации речи на этих языках, а также перевода речи между английским и каждым из остальных 24 языков. Она автоматически расставляет знаки препинания и заглавные буквы, поддерживает временные метки на уровне слов и сегментов, в том числе для переведённого текста, и обрабатывает длинные записи с динамическим разбиением на фрагменты. NVIDIA заявляет о высокой скорости и качестве относительно моделей сопоставимого размера; результаты зависят от языка и условий записи. Модель можно использовать для голосовых помощников, субтитров, транскрибации разговоров и голосовой аналитики. Для работы предусмотрен NVIDIA NeMo; карточка также описывает использование через Transformers. Лицензия — CC BY 4.0, допускающая коммерческое и некоммерческое использование с соблюдением её условий.

vishnun/codenlbert-tiny — небольшая модель классификации текста на базе BERT, дообученная разработчиком vishnun для различения фрагментов кода и естественного языка. Она рассчитана на автоматическую классификацию текстовых последовательностей, например при разборе смешанного содержимого или извлечении кода из текста и документов. Модель содержит 4,4 млн параметров, использует архитектуру BertForSequenceClassification и принимает текст с контекстом до 512 токенов. В README приведены результаты обучения: точность на проверочной выборке около 99,7%; эти показатели относятся к указанному набору данных CodevsNL и не гарантируют такое же качество на других типах текстов. Модель распространяется в формате PyTorch по лицензии MIT.

ColNetraEmbed — мультимодальная модель для поиска по визуальным документам, разработанная Cognitive-Lab на основе Gemma 3 4B IT. Она кодирует изображения документов и текстовые запросы в многовекторные представления размерности 128 на токен и сопоставляет их с помощью позднего взаимодействия ColBERT и оценки MaxSim. Визуальная часть использует SigLIP. Модель предназначена для поиска по сканам и другим изображениям документов, в том числе для межъязыкового поиска и ответов на вопросы по содержимому документов. В карточке заявлена поддержка 22 языков; среди перечисленных — русский, английский, китайский, японский, хинди и арабский. Модель дообучена на Gemma 3 4B IT и распространяется в формате Safetensors по лицензии Gemma. README сообщает о результатах на Nayana-IR Bench и ViDoRe v2, включая преимущество над ColPali-v1.3 на межъязыковых задачах. Многовекторное хранение требует больше места, чем одновекторный вариант NetraEmbed; README приводит для последнего оценку эффективности хранения в 250 раз выше. Для использования нужны этапы кодирования и последующего поиска с поздним взаимодействием.

DistilBERT multilingual cased — трансформерная языковая модель, разработанная Виктором Саном, Лисандром Дебю, Жюльеном Шомоном и Томасом Вольфом из Hugging Face. Это дистиллированная версия многоязычной BERT base модели, обученная на объединённых данных Википедии на 104 языках. Архитектура включает 6 слоёв, размер скрытого представления 768, 12 голов внимания и 134 млн параметров; модель различает регистр букв и обрабатывает последовательности до 512 токенов. Основная задача модели — предсказывать замаскированные токены в тексте. Её можно применять для заполнения пропусков и дообучать для классификации последовательностей, классификации токенов и ответов на вопросы. По данным разработчиков, в среднем она работает примерно вдвое быстрее mBERT-base, сохраняя мультиязычность при меньшем размере. Модель не предназначена для генерации текста и не гарантирует фактическую достоверность ответов. Её предсказания могут отражать вредные стереотипы и смещения; результаты на приведённых разработчиками тестах XNLI ниже, чем у mBERT-base. Лицензия — Apache 2.0.

Модель Карла Вайнмайстера — англоязычная версия DistilBERT, дообученная на наборе MultiNLI для классификации текстовых последовательностей и оценки сходства предложений. Она принимает текст и выдаёт оценки классов; подходит для сравнения предложений и задач понимания текстовых пар. Модель основана на DistilBERT с архитектурой DistilBertForSequenceClassification, опубликована в формате safetensors и поддерживает контекст до 512 токенов. Лицензия — Apache-2.0.

RishuD7/finetune_base_bge_pretrained_v4 — модель на основе архитектуры BERT от пользователя Hugging Face RishuD7. Она предназначена для извлечения признаков из текста, в частности получения контекстных векторных представлений, пригодных для последующей обработки или поиска. В метаданных указаны 136,7 млн параметров, контекст до 512 токенов и формат PyTorch. Карточка Hugging Face не содержит описания обучения, рекомендуемых сценариев, языков или лицензии. Поэтому нельзя подтвердить, на каких данных и для каких языков модель дообучена; название репозитория само по себе не устанавливает базовую модель или лицензионные условия.

Florence-2-large-ft — дообученная версия универсальной визуальной модели Florence-2 от Microsoft, представленная в реализации для библиотеки Transformers. Модель использует архитектуру encoder-decoder с генерацией последовательностей по текстовым инструкциям и содержит около 0,77 млрд параметров. Она принимает изображение и текстовый запрос, чтобы выполнять задачи описания изображения, обнаружения объектов, локализации фраз, OCR и визуальных вопросов и ответов. Модель предназначена для приложений компьютерного зрения и анализа изображений: например, для автоматического создания подписей, извлечения текста с его координатами и получения ответов о содержимом сцены. В карточке приведены результаты оценки на задачах описания изображений, обнаружения объектов и VQA; обучение проводилось на наборе FLD-5B с 5,4 млрд аннотаций для 126 млн изображений. Основная модальность — изображение на входе и текст на выходе; для некоторых задач модель также выдаёт координаты объектов и областей. Модель распространяется по лицензии MIT. Карточка не уточняет поддерживаемые естественные языки и длину контекста; качество может зависеть от типа изображения, формулировки запроса и конкретной задачи.

Gemma-4 12B Coder — SFT v5 + abliterated (GGUF) — это локальная квантизированная версия кодовой модели семейства Gemma-4, разработанная на базе модели tpls/gemma-4-12B-coder-fable5-composer2.5-v1-sft-v5-abliterated и подготовленная triplezrobotics. Модель распространяется в формате GGUF для запуска через llama.cpp и Ollama; заявленный основной язык — английский. Модель предназначена для генерации кода, текстовых задач и агентских сценариев с использованием инструментов и function calling. Она сочетает дообучение SFT v5, abliteration и imatrix-квантизацию. Доступны варианты от IQ4_XS и Q3_K_M до Q8_0; Q4_K_M обозначен как сбалансированный вариант для примерно 12 ГБ видеопамяти. В README приведён пример запуска с контекстом 16 384 токена. Ключевое преимущество модели — поддержка вызова инструментов и локального развёртывания. В тесте на наборе из восьми случаев заявлен результат 8/8 при использовании recovery shim, преобразующего нативную разметку Gemma-4 в стандартные tool_calls; без shim-парсера llama.cpp показатель составил 0,125 из-за неполной обработки формата. Ответы могут содержать ошибки или вымышленные данные, поэтому аргументы инструментов необходимо проверять до выполнения. Вариант является uncensored: из весов удалено направление отказа, поэтому защитные ограничения существенно ослаблены. Это делает модель непригодной для сценариев, где обязательна встроенная политика отказа, и требует контроля со стороны пользователя. В README указана лицензия Gemma.

Это GGUF-версия модели llmfan46/gemma-4-12B-coder-fable5-composer2.5-v1-uncensored-heretic, разработанная независимым автором llmfan46 на базе gemma-4-12B-coder-fable5-composer2.5-v1-GGUF. Модель предназначена прежде всего для генерации и анализа кода, рассуждений и текстовых ответов в сценариях, где требуется сниженное количество отказов. Точная архитектура, поддерживаемые языки, размер контекста и набор модальностей в README не указаны; из идентификатора следует размер порядка 12B параметров и специализация на задачах программирования. Модель создана с использованием Heretic v1.4.0 и варианта метода Magnitude-Preserving Orthogonal Ablation (MPOA), применённого к компонентам attn.o_proj и mlp.down_proj. По заявленным данным, она демонстрирует 9 отказов из 100 против 100 из 100 у исходной модели при KL divergence 0.0467, что указывает на существенное снижение склонности к отказам при относительно небольшом отклонении поведения. Для исходной модели также приведён результат MMLU: точность 75,72%, однако отдельный результат именно этой модификации не указан. К ограничениям относятся отсутствие подробной информации о языках, контекстном окне, формате квантования, системных требованиях и результатах независимого тестирования. Снижение ограничений безопасности может привести к генерации нежелательного или рискованного содержания, поэтому модель требует осторожного применения. Указанная лицензия — Apache-2.0.

Xenova/GIST-small-Embedding-v0 — модель для получения векторных представлений текста, опубликованная в формате ONNX для совместимости с библиотекой Transformers.js. Она основана на модели avsolatorio/GIST-small-Embedding-v0 и предназначена для запуска в JavaScript-приложениях, включая веб-среду, через конвейер feature-extraction. Модель подходит для задач, где требуется преобразовать текст в embedding, например для семантического поиска, сравнения текстов и построения систем, использующих векторные представления. Ключевой особенностью является наличие ONNX-весов и интеграция с Transformers.js; точная архитектура, количество параметров, поддерживаемые языки, размер контекста и модальности в README не указаны. Лицензия также не указана, поэтому условия использования следует уточнять в исходном репозитории avsolatorio/GIST-small-Embedding-v0.

Hercules-6.1-Llama-3.1-8B — дообученная Locutusque языковая модель на архитектуре Llama 3.1 с 7,5 млрд параметров. Она предназначена для диалогов и выполнения инструкций, включая многошаговые запросы и вызовы функций, и ориентирована на научные и технические темы: биологию, химию, физику, математику, медицину и информатику. Модель принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. В метаданных указаны английский и китайский языки, формат весов Safetensors и библиотека Transformers. Модель подходит для специализированных чат-ботов, учебных помощников, программирования и прототипирования с вызовами функций. Карточка сообщает о результатах оценивания следования инструкциям и бенчмарков, но не приводит подробного описания методики дообучения. Лицензия — Llama 3.1. Среди ограничений указаны токсичные примеры в данных, риск фактических ошибок и возможность злоупотребления техническими ответами и вызовами функций.

Hermes-3-Llama-3.1-8B-lorablated — диалоговая модель на архитектуре Llama 3.1, опубликованная mlabonne. Это версия NousResearch/Hermes-3-Llama-3.1-8B, изменённая методом abliteration: к ней применили LoRA-адаптер, полученный сравнением вариантов Llama 3.1, а затем объединили веса методом task arithmetic. Модель содержит 7,5 млрд параметров, принимает текст и предназначена для генерации ответов в диалоге; заявленный контекст — до 131 072 токенов. Вариант lorablated рассчитан на ответы на запросы, от которых исходная Hermes 3 могла отказаться, включая допустимые запросы, которые она ошибочно отклоняет. Как и базовая модель, она подходит для инструкций, рассуждений и генерации кода. README называет модель uncensored, поэтому её ответы могут включать контент, который базовая модель отфильтровала бы. Лицензия в предоставленных данных не указана.

Momix-44/Huihui-Qwen3-Coder-Next-Opus-4.6-Reasoning-Distilled-abliterated — языковая модель для генерации текста и программного кода. В README указано, что она создана на основе samuelcardillo/Qwen3-Coder-Next-Opus-4.6-Reasoning-Distilled и модифицирована с помощью abliteration — экспериментальной процедуры удаления отказов модели. Разработчик производной версии обозначен как huihui-ai, а в карточке идентификатор модели относится к Momix-44. Модель предназначена для использования в приложениях через библиотеку Hugging Face Transformers и поддерживает стандартный сценарий text-generation с диалоговым шаблоном. Она ориентирована на задачи рассуждения и генерации кода; заявлен английский язык. Архитектура, количество параметров, размер контекста и дополнительные модальности в README не указаны. Доступна квантизированная версия с калибровкой Bartowski-Data imatrix, а пример загрузки также показывает возможность 4-битной квантизации через BitsAndBytesConfig. К сильным сторонам относятся специализация исходной модели на коде и reasoning, а также возможность локального запуска с использованием Transformers и квантизации. Ограничения включают экспериментальный proof-of-concept характер abliteration и отсутствие подробных результатов оценки качества. Изменение поведения отказов может снизить встроенные защитные механизмы, поэтому модель следует применять с учетом требований безопасности. Лицензия — Apache-2.0.

Sanat-agrwl/indic-whisper-ctc-timestamps — модель Саната Кумара Агравала и Шриканта Раджа Четупатли для распознавания речи на хинди с временными метками слов. Это Whisper large-v2, дообученная для хинди и дополненная символьной CTC-головой, которая использует то же представление аудио, что и декодер транскрипции. Модель выполняет один проход энкодера: декодер формирует текст, а CTC-голова оценивает границы слов с разрешением 20 мс. Модель подходит для транскрибирования хинди-речи и автоматической разметки начала и конца каждого слова. В тесте IndicVoices-R для хинди указана WER 14,6%; среднее расхождение границ с внешним выравнивателем составляет 20,8 мс, однако это согласие между системами, а не точность относительно человеческой разметки. По README, калибровка уменьшает среднюю ошибку относительно человеческой разметки с 74,5 до 43,0 мс. Распространяется по лицензии Apache-2.0.