II.8Инженерия данных и аналитика

FuseO1-DeepSeekR1-Qwen2.5-Coder-32B-Preview-GGUF — GGUF-квантизированная версия текстовой генеративной модели FuseO1-DeepSeekR1-Qwen2.5-Coder-32B-Preview. Квантизацию выполнил bartowski с использованием llama.cpp версии b4514 и метода imatrix. Модель предназначена для генерации текста, включая сценарии программирования и работы с кодом; запуск возможен, в частности, через LM Studio и совместимые инструменты llama.cpp. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3, что позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Размер полной BF16-версии составляет около 65,54 ГБ, а варианты квантизации занимают примерно от 17,69 ГБ и выше. Для корректного общения README рекомендует специальный формат промпта с маркерами начала последовательности, пользователя и ассистента. Модель имеет сильные стороны в виде большого размера 32B, нескольких вариантов квантизации и поддержки локального запуска. При этом README не содержит точных сведений о контекстном окне, языках, мультимодальности, результатах оценки или ограничениях исходной модели. Репозиторий сохраняет старую версию весов; обновлённые веса опубликованы отдельно. Лицензия в предоставленных данных не указана.

GATE-AraBert-v0 — арабская модель эмбеддингов предложений на базе Sentence Transformers, разработанная Omartificial-Intelligence-Space. Она дообучена в многозадачном режиме на AllNLI и наборах STS для представления арабских текстов в виде векторов и оценки их семантического сходства. Модель использует архитектуру BERT, содержит 162,4 млн параметров и выдаёт эмбеддинги размерностью 768; максимальная длина входной последовательности — 512 токенов. Для сравнения векторов применяется косинусное сходство. Модель подходит для семантического поиска, поиска похожих предложений и ранжирования текстов по смысловой близости. В README приведены результаты оценки сходства на sts-dev и sts-test. Репозиторий распространяется в формате safetensors; сведения о лицензии в доступных данных отсутствуют.

Huihui4-8B-A4B — разговорная модель семейства Gemma 4, созданная Huihui AI на основе google/gemma-4-26B-A4B-it. Разработчики сократили число экспертов MoE со 128 до 32 и дообучили модель методом supervised fine-tuning на более чем 500 диалоговых примерах из данных предпочтений для кода; в таблице оценки также приведён результат варианта после 750 шагов дообучения. На каждом токене активируются 8 экспертов. Модель предназначена для диалоговых задач, особенно для помощи с кодом, а также для планирования простых задач и локального запуска на потребительском оборудовании. Карточка заявляет поддержку анализа изображений, унаследованную от мультимодальной базовой модели, однако обучение описано как диалоговое и ориентированное на код. Репозиторий использует Transformers и формат safetensors; README рекомендует vLLM, llama.cpp и Hugging Face Transformers. По данным README, для FP16 требуется менее 18 ГБ видеопамяти, а для квантованных INT4/INT8 вариантов — примерно 6–9 ГБ. Оценка качества предварительная: приведены тесты perplexity и краткое описание диалоговых проверок, но нет подробных бенчмарков. Модель распространяется по лицензии Apache-2.0.

KaLM-Reranker-V1-Large-R2 — модель-реранкер семейства KaLM от разработчиков KaLM-Embedding, дообученная на базе google/t5gemma-2-4b-4b. Она оценивает релевантность документов запросу и предназначена для повторной сортировки кандидатов в поиске и RAG-системах. Архитектура FBNL использует encoder-decoder T5Gemma2; размер Large — около 4 млрд активируемых параметров, поддерживается контекст до 128 тыс. токенов. Модель поддерживает многоязычное ранжирование и Matryoshka pooling с коэффициентом сжатия от 1x до 128x. Меняя сжатие и применяя каскадную схему coarse-to-fine, можно регулировать вычислительные затраты при ранжировании большого числа кандидатов. В README приведены результаты на BEIR и MIRACL; они указывают на улучшение относительно предыдущей версии, включая устойчивость к сильному сжатию. Модель принимает текстовые запросы и документы, а выдаёт оценки релевантности для сортировки. Она не предназначена для генерации свободного текста. Лицензия — Apache-2.0. Результаты бенчмарков не гарантируют такую же точность на конкретных данных; качество следует оценивать на целевом поисковом корпусе.

Bandi2716 выпустил дообученную на klue/roberta-base модель Sentence Transformers для представления предложений и абзацев в виде плотных векторов размерностью 768. RoBERTa использует усреднение токенных представлений; сходство векторов оценивается косинусной мерой. Модель предназначена для сравнения смысла корейских текстов и подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Модель обрабатывает текстовые последовательности длиной до 512 токенов (в метаданных указано 514 токенов). Обучение описано на наборе из 10 501 пары предложений с оценками сходства; карточка приводит результаты оценки сходства, но также содержит разные значения метрик без ясного пояснения, к каким наборам они относятся. Базовая модель KLUE RoBERTa рассчитана на понимание корейского языка. Вес опубликован в формате safetensors и распространяется по лицензии базовой модели, если она применима; доступные сведения не дают оснований уточнить лицензионные условия именно этой карточки.

mlx-community/Laguna-M.1-bf16 — конвертированная в формат MLX версия текстовой MoE-модели Laguna-M.1 от Poolside. Модель предназначена для генерации текста и диалогового взаимодействия; базовая Laguna M.1 ориентирована на программирование, работу с кодом и длительные агентные задачи с инструментами. Модель содержит 17,1 млрд параметров и поддерживает контекст до 262 144 токенов. Репозиторий использует safetensors, а README указывает на преобразование исходной модели с помощью mlx-vlm 0.6.3. Лицензия — Apache-2.0. README отсылает к карточке исходной модели за подробностями и не описывает отдельные оценки качества или ограничения этой конвертированной версии.

QuantFactory/Llama3.2-3B-Esper2-GGUF — квантизированная версия модели ValiantLabs/Llama3.2-3B-Esper2, созданная QuantFactory с использованием llama.cpp. Исходная модель разработана Valiant Labs на базе Meta Llama 3.2 3B Instruct и предназначена для генерации текста в формате диалоговых инструкций Llama 3.2 Instruct. Модель ориентирована на задачи DevOps, облачной архитектуры и программирования: AWS, Azure, GCP, Terraform, Dockerfile, CI/CD-пайплайны, shell-скрипты, а также общее написание кода и технические консультации. Она дообучалась на синтетических наборах данных Titanium, Tachibana и Supernova, охватывающих DevOps-инструкции, программирование и общий чат. В карточке указан английский язык; модель работает с текстом и поддерживает сценарии общения с инструкциями. Ключевая сильная сторона — специализация на облачной инфраструктуре, DevOps и коде при компактном размере около 3 млрд параметров, что делает модель подходящей для локального запуска в квантизированном формате GGUF. Ограничения включают меньший размер и, вероятно, более узкие возможности по сравнению с крупными универсальными моделями; конкретные параметры контекста и варианты квантизации в карточке не указаны. В качестве ориентиров приведены результаты 65,27% на Winogrande и 43,17% нормированной точности на ARC Challenge. Лицензия указана как llama3.2.

LosslessMegaCoder-Falcon-40b-mini — языковая модель для генерации текста и кода, созданная Rombodawg в сотрудничестве с Andreaskoepf, аффилированным с Open Assistant. Это плотная авторегрессионная модель семейства Falcon с архитектурой FalconForCausalLM и примерно 65 млрд параметров. Модель дообучена на отфильтрованной версии датасета LosslessMegaCodeTrainingV2_1m_Evol_Uncensored; из выборки удаляли примеры короче 100 токенов. README указывает, что использованный набор данных отличается от LosslessMegaCodeTrainingV3_MINI. Модель предназначена для генерации кода и диалогового взаимодействия в шаблоне ChatML; также приведены шаблоны для GPT4All и Text-Generation-WebUI. В репозитории представлены веса Safetensors. Карточка не сообщает поддерживаемые естественные языки и длину контекста. Лицензия — Apache-2.0. README отмечает ранний этап фильтрации обучающих данных и не приводит результатов оценки качества.

castorini/mdpr-tied-pft-nq — мультиязычная модель плотного поиска passage retrieval, разработанная исследовательской организацией Castorini. Она предназначена для преобразования вопросов и текстовых passage в векторные представления, пригодные для семантического поиска и открытого вопросно-ответного поиска по большим коллекциям документов. Модель реализует bi-encoder-подход mDPR на основе multilingual BERT; вариант pft-nq предварительно дообучен на Natural Questions. В метаданных Hugging Face указаны архитектурные признаки BERT, библиотека Transformers/PyTorch, объём около 205,1 млн параметров и максимальная длина контекста 512 токенов. Модель используется для мультиязычного retrieval, включая построение dense-индексов и поиск passage по запросам. Модель поддерживает английский, арабский, бенгальский, финский, индонезийский, японский, корейский, русский, суахили, телугу и тайский языки. Она возвращает признаки или эмбеддинги и не является генеративной моделью ответов. В исследованиях mDPR эффективность может уступать BM25, поэтому для практического поиска может потребоваться гибридное sparse-dense ранжирование.

Это файл GGUF в формате F16 с весами мультиязычного ранжировщика cross-encoder/mMiniLMv2-L12-H384-v1, подготовленный Gramscii-IT для запуска через llama.cpp и подачи оценок через endpoint /v1/rerank. Вес модели не изменялись: это конверсия опубликованных весов исходной модели, обученной на mMARCO — наборе MS MARCO, переведённом на 14 языков. Базовая модель построена на nreimers/mMiniLMv2-L12-H384-distilled-from-XLMR-Large. Модель оценивает релевантность пары «запрос — фрагмент текста», чтобы переупорядочить результаты поиска. Её можно использовать после векторного или лексического поиска, например, для повышения точности выдачи в мультиязычном поиске и RAG. README приводит локальный тест на итальянских заметках, но его результаты относятся только к этому корпусу и условиям. Контейнер F16 рассчитан на сервер llama.cpp с режимом reranking и rank pooling; для PyTorch рекомендуется исходная версия. Модель читает до 512 токенов, поэтому более длинные фрагменты нужно обрезать по токенам. Пороговые значения оценок и результаты тестирования могут не переноситься на другие корпуса. Лицензия — Apache 2.0.

mrm8488 дообучил модель Sentence Transformers на базе nomic-ai/modernbert-embed-base на испанском наборе данных для оценки семантического сходства предложений. ModernBERT преобразует текстовые предложения и абзацы в плотные эмбеддинги размерностью 768; средний пулинг токенов и нормализация позволяют сравнивать векторы по косинусному сходству. Максимальная длина последовательности — 8192 токена, а Matryoshka-обучение поддерживает сокращённые представления размерностью 512, 256, 128 и 64. Модель подходит для семантического поиска, поиска перефразировок, сравнения предложений, кластеризации и классификации текста на испанском языке. README приводит результаты оценки сходства на STS-наборах, но не описывает проверку на других языках или предметных областях. Базовый репозиторий распространяется под лицензией Apache-2.0; для этой производной модели отдельная лицензия в предоставленных данных не указана.

morisien-embed — модель эмбеддингов предложений на основе XLM-RoBERTa, разработанная для текста на маврикийском креольском языке (Kreol Morisien, mfe) и поиска между ним, английским и французским. Она дообучена на multilingual-e5-base на 35 064 парах предложений из MorisienMT и маврикийской части Kreyòl-MT; содержит 305,2 млн параметров, принимает текстовые последовательности длиной до 514 токенов и создаёт плотные векторы для семантического поиска, извлечения документов для RAG, кластеризации и поиска параллельных текстов. На тестовых данных MorisienMT модель превзошла проверенные универсальные мультиязычные эмбеддинги в измеренных направлениях поиска. Преимущество над LaBSE относится к этому домену: на более сложной проверке с отвлекающими примерами модель не превосходит нетронутую LaBSE. Неформальный и технический регистры мало проверены; смешение маврикийского и гаитянского креольских текстов ухудшает поиск, а длинные документы нужно делить на части из-за усечения входа. Модель распространяется по лицензии MIT.

Ram934/mpnet-base-all-nli-triplet — англоязычная модель Sentence Transformers, дообученная автором на базе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 и предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текста. В README также указано применение для анализа финансовых текстов, однако обучающий набор описан только как небольшой JSON-датасет из 27 примеров с парами anchor и positive. Архитектура основана на BERT: выходы токенов объединяются с использованием CLS-токена, затем векторы нормализуются. Модель принимает текст, поддерживает последовательности до 512 токенов и вычисляет сходство по косинусной мере. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. Небольшой объём обучающих данных ограничивает основания ожидать устойчивого улучшения качества или специализации для финансового домена. Модель рассчитана на английский язык; качество на других языках не подтверждено.

mxbai-rerank-base-v1 — базовая модель семейства реранкеров от Mixedbread, предназначенная для повышения качества поиска. Она оценивает релевантность пары «запрос — документ» и упорядочивает результаты, например, после поиска по ключевым словам. Модель построена на архитектуре DeBERTa-v2 и содержит 211,6 млн параметров; для работы с ней README рекомендует актуальную версию sentence-transformers. Модель рассчитана на английский язык и принимает текст, выдавая оценки релевантности, которые можно использовать для ранжирования документов. В README приведены результаты оценки на 11 наборах BEIR и указано, что реранкер хорошо дополняет поиск по ключевым словам. Длина контекста составляет 512 токенов. Модель распространяется по лицензии Apache-2.0.

MyAwesomeModel — модель из репозитория asdad456/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers и предназначенная для извлечения признаков из входных данных. В метаданных Hugging Face для неё указан pipeline-тег feature-extraction, а также совместимость с PyTorch и семейством BERT. README описывает обновлённую версию модели с улучшениями рассуждений, понимания текста, генерации кода, ответов на вопросы, классификации, анализа тональности, суммаризации и других задач. Однако эти заявления не согласуются с указанным в метаданных назначением feature-extraction, поэтому модель следует прежде всего рассматривать как инструмент получения векторных представлений для последующих NLP-задач. Модель распространяется по лицензии MIT. Размер, длина контекста и поддерживаемые естественные языки в доступных данных не указаны.

MyAwesomeModel — модель на базе BERT, опубликованная пользователем sdafaf33 на Hugging Face и предназначенная для извлечения признаков из текста. Модель работает с библиотекой Transformers и PyTorch, а её основной pipeline-тег — feature-extraction, поэтому она может использоваться для получения векторных представлений текстов в прикладных системах машинного обучения. Такие представления подходят для семантического поиска, кластеризации, классификации и построения других NLP-компонентов. README также заявляет улучшенные возможности рассуждения, генерации кода, диалога и вызова функций, однако эти утверждения не согласуются с указанным pipeline-тегом feature-extraction и не подтверждены техническими характеристиками модели. Модель распространяется по лицензии MIT. В доступных данных нет подтверждённых сведений о размере, длине контекста, поддерживаемых естественных языках и точной архитектурной конфигурации.

MyAwesomeModel — модель из репозитория tool02/MyAwesomeModel-TestRepo, опубликованная для использования с библиотекой Transformers. Метаданные Hugging Face классифицируют её как BERT-модель для извлечения признаков и указывают реализацию на PyTorch. Лицензия — MIT. Модель предназначена прежде всего для получения векторных представлений текста, которые можно использовать в поиске по смыслу, классификации, кластеризации и других downstream-задачах обработки естественного языка. README также заявляет о возможностях рассуждения, генерации кода, ответов на вопросы, суммаризации, диалогов и function calling, однако эти характеристики не согласуются с pipeline-тегом feature-extraction и не сопровождаются техническими сведениями о конфигурации модели. Сильной стороной является совместимость с экосистемой Transformers и BERT-архитектурой, что упрощает интеграцию в существующие ML-пайплайны. Размер модели, поддерживаемые естественные языки и длина контекста в доступных данных не указаны.

NeoMME-800M-Retriever-ST-dense — мультимодальная модель для поиска по документам, разработанная Hcompany. Это вариант NeoMME-800M-Retriever, дообученный для независимой настройки плотных представлений с помощью Sentence Transformers. Общий двунаправленный Transformer-энкодер кодирует текстовые запросы и текстовые документы или изображения страниц; модель содержит 1,1 млрд параметров и поддерживает контекст до 16 384 токенов. Модель возвращает только плотные эмбеддинги, нормализованные по L2; сходство оценивается косинусной мерой. Её можно применять для поиска текстов и визуального поиска по страницам документов, включая мультиязычные сценарии. По README, версия Sentence Transformers использует только одну из двух голов поиска за раз. Лицензия — Apache-2.0.

Ornith-1.0-35B — модель семейства Ornith от DeepReinforce AI, дообученная для агентного программирования и генерации кода. Это вариант на 35 млрд параметров архитектуры Qwen 3.5 MoE; веса опубликованы в формате safetensors. Модель поддерживает диалог и интерфейс вызова инструментов, поэтому её можно подключать к агентным фреймворкам и терминальным coding CLI через совместимый с OpenAI API сервер. Модель предназначена для решения задач разработки ПО: анализа кодовых баз, выполнения задач в терминале, исправления ошибок и создания репозиториев. В README заявлены результаты на бенчмарках Terminal-Bench, SWE-Bench, NL2Repo и других тестах агентного программирования. Для запуска описаны vLLM и SGLang; приведённая конфигурация рассчитана на узел с восемью GPU по 80 ГБ. В README указаны контекстные окна до 400K токенов в отдельных тестовых конфигурациях и 262144 токена в примере запуска через vLLM. Модель распространяется по лицензии MIT. Её специализация на коде и агентных сценариях не гарантирует корректность сгенерированных изменений или действий инструментов; для практического применения следует проверять результаты.

Parakeet CTC 0.6B — модель автоматического распознавания речи, совместно разработанная командами NVIDIA NeMo и Suno.ai. Она предназначена для преобразования английской речи в текст, например для расшифровки записей и обработки аудио в больших пакетах. Модель построена на архитектуре FastConformer CTC и содержит около 600 млн параметров. Она принимает монофоническое аудио WAV с частотой 16 кГц и возвращает текстовую расшифровку; выход оформляется строчными буквами английского алфавита. Обучение проводилось на 64 тысячах часов английской речи из частных и открытых наборов данных. Для работы предусмотрены NVIDIA NeMo и Transformers. Модель рассчитана на английский язык; в README приведены результаты оценки по Word Error Rate для нескольких наборов данных, но фактическое качество зависит от аудио и предметной области. Лицензия — CC BY 4.0.

passage-ranker.pistachio — мультиязычный ранжировщик пассажей компании Sinequa. Он оценивает релевантность пары «запрос — фрагмент текста», чтобы сортировать результаты поиска и улучшать первый этап выдачи в поисковых системах и системах извлечения информации. Модель основана на BERT для классификации последовательностей и обучена по схеме MonoBERT на MS MARCO Passage Ranking, включая переведённые обучающие данные. В README указано 167 млн параметров, а метаданные содержат оценку 194,6 млн; максимальная длина контекста — 512 токенов. Модель обучалась и тестировалась на английском, французском, немецком, испанском, итальянском, нидерландском, японском, португальском, китайском (упрощённом) и польском; README также отмечает ожидаемую базовую поддержку ещё 93 языков благодаря предобучению базовой модели. Она нечувствительна к регистру и диакритическим знакам. В README приведены результаты на BEIR для английского, PIRBenchmark для польского и MIRACL для ряда других языков. Для запуска указаны Sinequa версии 11.10.0 или новее и CUDA compute capability выше 7.5; приведены также замеры скорости и памяти на GPU. Лицензия в предоставленных данных не указана.

lmstudio-community/Phi-4-mini-reasoning-MLX-4bit — это 4-битная версия модели Phi-4-mini-reasoning, разработанной Microsoft и преобразованной сообществом lmstudio-community в формат MLX с использованием mlx-lm 0.24.0. Модель предназначена для генерации текста, включая задачи обработки естественного языка, математики и программного кода. В README приведён пример решения квадратного уравнения, что указывает на сценарии, связанные с рассуждениями и решением математических задач. Модель поддерживает текстовую модальность; в метаданных указан английский язык. Точные сведения об архитектуре, количестве параметров и размере контекста в README отсутствуют. Для использования требуется библиотека mlx-lm и совместимое с MLX окружение, а загрузка выполняется через интерфейс mlx_lm. 4-битное представление снижает требования к памяти, но может влиять на точность по сравнению с исходной моделью. Лицензия — MIT.

PP-OCRv6 medium text detection MLX — конвертированная для MLX версия детектора текстовых строк PP-OCRv6 medium от PaddlePaddle. Модель принимает изображение и локализует на нём области с текстовыми строками, возвращая координаты рамок; результат можно использовать как этап обнаружения текста в OCR-конвейере. Репозиторий предназначен для запуска через библиотеку mlx-vlm на устройствах, поддерживающих MLX. В метаданных указаны английский и китайский языки. Модель основана на PaddlePaddle/PP-OCRv6_medium_det_safetensors; лицензия — Apache-2.0. Карточка не описывает распознавание содержимого найденных строк, поэтому для получения текста нужен отдельный этап OCR.

Qwen2.5-Coder-0.5B-Instruct-GGUF — это квантизированная в формате GGUF версия инструкционной модели Qwen2.5-Coder-0.5B-Instruct, разработанной Qwen. Квантизацию выполнил bartowski на основе llama.cpp. Модель предназначена для генерации текста и программного кода, диалогового взаимодействия и использования в code agent-сценариях. Модель содержит около 0,5 млрд параметров и поддерживает контекст до 32 000 токенов. При обучении использовалось до 5,5 трлн токенов, включая исходный код, данные для выравнивания текста и кода и синтетические данные. В README указан английский язык; другие языки и поддерживаемые модальности не заявлены. Формат GGUF ориентирован на локальный запуск средствами, совместимыми с llama.cpp, включая LM Studio. К сильным сторонам относятся специализация на программировании, поддержка длинного контекста и относительно небольшой размер, облегчающий локальное использование. Ограничением является малый масштаб модели по сравнению с более крупными кодовыми моделями, поэтому качество сложного анализа, генерации и исправления кода может быть ниже. Модель распространяется по лицензии Apache-2.0.

Qwen2-VL-OCR-2B-Instruct-GGUF — мультимодальная модель для преобразования изображений в текст, разработанная как дообученная версия Qwen/Qwen2-VL-2B-Instruct и опубликованная пользователем или организацией prithivMLmods. Она сочетает визуальное и текстовое понимание с диалоговым взаимодействием и предназначена прежде всего для OCR, распознавания небрежного рукописного текста, анализа изображений, решения математических задач и вывода формул в формате LaTeX. Модель поддерживает сценарии image-to-text и VQA, а также задачи, связанные с кодом. В метаданных указан английский язык. Модель имеет размер 2B параметров согласно названию базовой модели и распространяется в формате GGUF с вариантами от FP16 до низкоразрядных квантований Q2–Q8 и i1/IQ. Это позволяет выбирать между качеством, скоростью и требованиями к памяти, однако README не содержит количественных оценок качества, сведений о длине контекста, точном наборе поддерживаемых языков и ограничениях распознавания. Лицензия — Apache-2.0; условия конкретного запуска зависят от совместимого программного обеспечения для GGUF.

Khazar AI выпустила Qwen3.8-27B-Fable-5-Coding-Distilled — дообученную плотную мультимодальную модель семейства Qwen3.5 с примерно 27 млрд параметров, основанную на Qwen/Qwen3.8-27B. Модель обучена на 195 млн токенов дистиллированных трасс рассуждений по разработке ПО и отладке; доступны веса в формате safetensors. Указана лицензия Apache 2.0. Модель предназначена для помощников по программированию, которые анализируют состояние проекта перед предложением изменений. Её целевые сценарии — отладка, поиск первопричин ошибок, проверка кода и рефакторинг с учётом существующих ограничений. Карточка подчёркивает интерфейс вызова инструментов и поддержку зрения; языком карточки указан английский. Ограничения: модель может галлюцинировать при работе с незнакомыми кодовыми базами и сама не предоставляет песочницу для исполнения кода. Качество общего диалога и задач вне программирования отдельно не оценивалось; поведение на таких запросах следует проверять.

Qwen3-ASR-1.7B-hf — плотная модель распознавания речи семейства Qwen3-ASR от команды Qwen. Она принимает аудио и преобразует речь в текст, одновременно поддерживая определение языка; работает с потоковой и офлайн-обработкой, длинными аудиозаписями и пакетной транскрибацией. Модель основана на возможностях аудиопонимания Qwen3-Omni и содержит 1,7 млрд параметров. Модель предназначена для распознавания речи на 30 языках и диалектах, включая русский, английский, китайский и кантонский, а также китайские региональные диалекты. В README также заявлена поддержка пения и песен с фоновой музыкой. Можно указать язык распознавания и передать контекст или ключевые слова, чтобы улучшить распознавание терминов и имён. Для временных меток слов предусмотрена отдельная модель Qwen3-ForcedAligner; это не функция данного чекпойнта. В README модель характеризуется как высокоточная и устойчивая к сложной акустической обстановке; приведены результаты оценки на наборе речевых тестов. Репозиторий использует Transformers и формат safetensors. Лицензия Apache-2.0.

Qwen3-Coder-480B-A35B-Instruct-MLX-4bit — это 4-битная версия модели Qwen3-Coder-480B-A35B-Instruct, разработанной Qwen. Квантизация выполнена командой LM Studio с использованием MLX — фреймворка Apple для машинного обучения. Модель предназначена для генерации текста и оптимизирована для запуска на устройствах с Apple Silicon через LM Studio 0.3.20 или более поздней версии. Модель ориентирована прежде всего на сценарии, поддерживаемые исходной Qwen3-Coder-480B-A35B-Instruct, однако в представленном README не указаны её подробные архитектурные характеристики, языки, размер контекста, модальности, специализированные возможности программирования или результаты тестирования. Ключевое преимущество данной версии — 4-битное представление и оптимизация под MLX, что делает её более подходящей для локального запуска на Apple Silicon по сравнению с полноразмерной версией, но конкретные требования к памяти и производительности не приведены. Модель распространяется по лицензии Apache-2.0.

paulalesius/Qwen3-Reranker-0.6B-GGUF — это GGUF-квантизированная версия модели Qwen3-Reranker-0.6B, разработанной командой Qwen и подготовленной для работы с llama.cpp. Модель предназначена для переранжирования текстовых документов по степени их релевантности запросу в сценариях поиска, retrieval-augmented generation и построения семантических поисковых систем. Она использует архитектуру Qwen3 и cross-encoder-подход с двухклассовой головой, выдающей оценку yes/no для релевантности пары «запрос — документ». README указывает поддержку многоязычных сценариев, но конкретный список языков и размер контекста не приведены. В репозитории доступны варианты NVFP4 размером около 399,5 MiB и Q6_K размером около 472 MiB. Оба файла содержат примерно 595,8 млн параметров и используют гибридное квантование: голова релевантности сохранена в BF16, нормализационные тензоры — в F32, а крупные линейные слои сжаты. Вариант NVFP4 также сохраняет таблицу эмбеддингов в Q8_0. Это уменьшает размер модели относительно BF16 примерно в 2,4–2,9 раза при близком качестве ранжирования; для Q6_K в заявленном тесте корреляция с BF16 была очень высокой, а совпадение решений по порогу 0,5 составило 60 из 60 случаев. Модель подходит для запуска через llama-server с параметром --reranking и endpoint /rerank. Ограничения связаны с тем, что результаты могут зависеть от устройства и используемых CPU/GPU-ядер: в README отмечены заметные различия ранжирования между CPU и GPU на отдельном тестовом наборе. Лицензия — Apache-2.0, как у исходной модели.

Qwen3-Swallow-30B-A3B-SFT-v0.2 — двуязычная языковая модель Swallow LLM, разработанная на основе Qwen3. Это вариант семейства Qwen3-Swallow с архитектурой MoE и supervised fine-tuning; в карточке указано 2,6 млрд параметров, а контекстное окно составляет до 40 960 токенов по метаданным. Модель рассчитана прежде всего на японский и английский языки. Модель предназначена для диалоговой генерации текста, японско-английского перевода, решения математических задач и программирования. Разработчики сообщают об улучшении японского языка и сохранении или повышении STEM-навыков благодаря этапам CPT и SFT; версия SFT ориентирована на рассуждения по умолчанию. Для наиболее воспроизводимого запуска рекомендован vLLM, а README советует ограничивать контекст 32 768 токенами или меньше. Модель не обучалась специально для вызова инструментов, а переключение режима рассуждений не поддерживается. Авторы также предупреждают, что модель находится на раннем этапе разработки и не настроена для гарантированного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.