II.8Инженерия данных и аналитика

Это дообученная на наборе данных None модель OpenAI Whisper Medium для автоматического распознавания речи. Она принимает аудио и генерирует текстовую расшифровку; карточка сообщает результаты оценки: loss 0,5053 и Global WER 23,6218. Метаданные описывают базовую Whisper Medium как мультиязычную модель для распознавания и перевода речи, однако язык или языки, на которых специализируется это дообучение, не подтверждены. Модель использует архитектуру WhisperForConditionalGeneration и формат safetensors. Лицензия — Apache 2.0.

OpenVINO/whisper-small-fp16-ov — модель автоматического распознавания речи, созданная на основе Whisper Small от OpenAI и преобразованная в формат OpenVINO IR с весами FP16. Модель предназначена для преобразования аудиозаписей в текст и совместима с OpenVINO 2025.2.0 и новее, а также Optimum Intel 1.23.0 и новее. Модель имеет 153,1 млн параметров и использует архитектуру Whisper для последовательного преобразования речевого сигнала в текст. В карточке указана поддержка английского языка. Формат OpenVINO IR ориентирован на инференс через OpenVINO и OpenVINO GenAI, включая запуск на CPU. К сильным сторонам относятся оптимизированное представление FP16 и интеграция с инструментами OpenVINO для развертывания распознавания речи. Ограничения унаследованы от исходной модели Whisper Small: качество зависит от качества и характеристик аудио, а применение для языков, не заявленных в карточке, может быть ненадежным. Модель распространяется по лицензии Apache-2.0.

wrice/whisper-tiny-grpo — модель распознавания речи, созданная дообучением openai/whisper-tiny методом GRPO (Group Relative Policy Optimization). Во время обучения кандидаты транскрипции оценивались по ошибке слов (WER), а обновления модели ограничивались KL-регуляризацией относительно исходной модели. Модель использует архитектуру Whisper и библиотеку Transformers; веса доступны в формате safetensors. Базовая модель компактная и многоязычная. Модель предназначена для преобразования аудиозаписей в текст на разных языках, включая сценарии с языками и локалями Common Voice. На тестовой выборке Common Voice 26.0 авторы сообщают о снижении общей WER с 0,9718 до 0,6226 относительно исходной Whisper tiny и улучшении в 69 из 81 локалей. В то же время в 11 локалях качество ухудшилось; среди указанных примеров — корейский, малайский и арабский. Для японского, тайского и китайского авторы считают CER более показательным, чем WER. Оценка охватывает около 59 аудиоклипов на локаль, поэтому результаты отдельных малоресурсных языков могут быть нестабильными. Модель сравнивали с исходной Whisper tiny, но не с supervised fine-tuning на тех же данных; лучший из трёх чекпойнтов выбирался по тестовым результатам. Лицензия — MIT.

Модель patrickvonplaten/xls-r-300-sv-cv7 — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания шведской речи. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель обучена на шведской части набора Mozilla Common Voice 7.0 и принимает аудио, выдавая распознанный текст. На тестовой выборке Common Voice 7.0 для конфигурации sv-SE указана WER 0,2334 и loss 0,2604. Модель подходит для транскрибации шведской речи в сценариях, близких к этому набору данных; результаты на других акцентах, условиях записи и типах речи могут отличаться. Лицензия — Apache-2.0.

karakastarik/all-MiniLM-L6-v2-spelling-correction-large — модель Sentence Transformers на архитектуре BERT, преобразующая предложения и абзацы в плотные векторы размерностью 32. Она предназначена для поиска семантически близких текстов и кластеризации; обучение с MultipleNegativesRankingLoss и косинусным сходством нацелено на сопоставление текстовых представлений. Модель содержит 25,9 млн параметров, принимает текст длиной до 512 токенов и распространяется в формате PyTorch. Несмотря на часть «spelling-correction» в названии, карточка описывает модель эмбеддингов, а не систему исправления орфографии. Она может служить компонентом семантического поиска или кластеризации предложений и абзацев. Лицензия и конкретные языки в предоставленных данных не указаны.

Модель maherghanem86/arabic_speech_to_text разработана и обучена инженером Махером Бассамом Ганемом для автоматического распознавания арабской речи. Это плотная модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC и примерно 402,7 млн параметров; репозиторий содержит веса PyTorch и SafeTensors. Модель предназначена для преобразования аудиозаписей на арабском языке в текст; карточка сообщает о тестировании на Common Voice 8.0 и показателе WER 22,26%.

ArmorOCR-GGUF — GGUF-версия мультимодальной модели ArmorOCR, разработанной командой inclusionAI (Ant Group) на базе Qwen3-VL-8B-Instruct. Модель предназначена для распознавания текста на изображениях, включая adversarial OCR и degraded visual conditions, когда изображение содержит искажения или подвергается атакам. Она поддерживает grounded OCR и vision-language сценарии, выполняя инференс непосредственно по исходному изображению без обязательного кадрирования, увеличения, шумоподавления или внешних инструментов. Заявленный язык — английский. ArmorOCR использует двухэтапный подход с observation-transferred self-distillation и формирует структурированный ответ: рассуждение помещается в теги <analyze></analyze>, а распознанный текст — в <answer></answer>. Публикация содержит варианты квантования от Q2_K до Q8_0, а также BF16 и F16; размеры основных файлов составляют примерно от 3,28 до 16,4 ГБ. Для обработки изображений предусмотрены отдельные multimodal-проекции mmproj в форматах BF16, F16 и Q8_0, что позволяет использовать модель через llama.cpp. Сильной стороной модели является устойчивость к неблагоприятным визуальным условиям и возможность однопроходного распознавания исходного изображения. Ограничения включают ориентацию заявленного языка на английский, значительные требования к дисковому пространству и памяти для высокоточных вариантов, а также зависимость качества от выбранного уровня квантования и совместимости используемого inference-стека. Модель распространяется по лицензии Apache 2.0; использование также регулируется лицензией и политикой допустимого использования базовой Qwen3-VL-8B-Instruct.

AutoCoder_S_6.7B-IMat-GGUF — GGUF-квантизированная версия модели Bin12345/AutoCoder_S_6.7B, подготовленная пользователем legraphista с помощью llama.cpp b3010. Модель предназначена для генерации текста и, исходя из названия базовой модели, ориентирована прежде всего на задачи, связанные с написанием и обработкой кода, однако подробные сведения о специализации отсутствуют. Модель содержит около 6,7 млрд параметров в исходном формате BF16 и доступна в форматах GGUF с различными уровнями точности: от BF16 и F16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-квантов. Для ряда вариантов применена IMatrix-квантизация на основе отдельного калибровочного набора. Файлы имеют размер примерно от 2,04 до 13,48 ГБ, поэтому модель можно адаптировать под разные ограничения по памяти и скорости инференса. К сильным сторонам относятся широкий выбор форматов, возможность локального запуска в экосистеме llama.cpp и использование IMatrix для некоторых низкобитных вариантов, что может помочь сохранить качество при уменьшении размера. Ограничения включают неизбежный компромисс между размером, скоростью и качеством при квантизации, а также отсутствие в README данных о поддерживаемых языках, размере контекста, конкретной архитектуре, результатах тестирования и сравнении с другими моделями. Модель распространяется по лицензии Apache-2.0.

Azerbaijani Whisper Turbo — модель LocalDoc для автоматического распознавания азербайджанской речи. Это дообученная на датасетах LocalDoc/azerbaijani_asr и LocalDoc/fleurs-azerbaijani-asr модель openai/whisper-large-v3-turbo на архитектуре Whisper с 905,2 млн параметров. Она принимает аудио с частотой дискретизации 16 кГц в моно и преобразует речь в текст. Модель предназначена для транскрибации азербайджанской речи, в том числе для сценариев с обработкой в реальном времени на GPU. По README, на тестовой выборке FLEURS из 921 аудиозаписи она показала WER 13,17%; авторы также заявляют о снижении WER на 8% относительно whisper-large-v3 и почти двукратном ускорении вывода. Лицензия — Apache-2.0.

flaglow/BAAI-bge-reranker-v2-m3-mlx-fp16 — MLX-совместимая версия модели BAAI/bge-reranker-v2-m3, разработанной Beijing Academy of Artificial Intelligence (BAAI) и подготовленной пользователем flaglow для локального запуска через MLX. Это не генеративная модель общего назначения, а многоязычный reranker для оценки релевантности пары «запрос—документ» и переупорядочивания результатов поиска, например в системах семантического поиска и Retrieval-Augmented Generation. На вход подаются запрос и текстовый фрагмент, на выходе — числовой score релевантности; при необходимости его можно преобразовать в значение от 0 до 1 с помощью sigmoid-функции. Модель содержит около 0,6 млрд параметров и основана на семействе BGE-M3 с архитектурой XLM-RoBERTa; исходная модель позиционируется как multilingual и поддерживает несколько языков, но точный перечень языков для этой производной версии в её карточке не указан. В примерах исходной модели используется ограничение длины входа 512 токенов. Репозиторий flaglow содержит MLX-представление в формате Safetensors; карточка указывает совместимость с MLX и размер около 2,27 ГБ, однако собственная документация производной версии отсутствует, поэтому детали конвертации и фактического числового формата следует проверять по файлам модели. Сильные стороны модели — многоязычное ранжирование, сравнительно небольшой размер и возможность эффективного локального запуска на совместимом оборудовании. Ограничения — модель предназначена для оценки релевантности, а не для самостоятельной генерации ответов; качество зависит от языка, домена и длины входных текстов. Для исходной BAAI/bge-reranker-v2-m3 указана лицензия Apache-2.0; отдельная лицензия производного репозитория flaglow в доступной карточке явно не описана.

VidhuMathur/bart-log-summarization — модель для абстрактивного суммирования журналов событий программного обеспечения. Автор дообучил BART-base на синтетическом наборе данных, созданном с помощью GPT-3.5. Архитектура BART — трансформер encoder-decoder с двунаправленным энкодером и авторегрессионным декодером; модель содержит 95,2 млн параметров и рассчитана на контекст до 1024 токенов. Модель предназначена для создания кратких пересказов логов, чтобы быстрее выделять основное в записях. Карточка демонстрирует загрузку через Transformers и TensorFlow. Базовый BART обучен для работы с английским текстом; карточка не сообщает о поддержке других языков. Лицензия модели — MIT. В README не приведены оценки качества или сведения о проверке на реальных логах, поэтому пригодность для конкретных форматов журналов стоит оценить на собственных данных.

BERT Large Cased Whole Word Masking — предварительно обученная языковая модель BERT, выпущенная авторами BERT и представленная в карточке Hugging Face. Это англоязычная модель с архитектурой BERT: 24 слоя, скрытое представление размером 1024, 16 голов внимания и 432,3 млн параметров по метаданным. Она обучалась на корпусах BookCorpus и English Wikipedia с задачами masked language modeling и предсказания следующего предложения. При whole word masking все токены WordPiece, составляющие одно слово, маскируются одновременно; модель различает регистр букв. Основное применение — предсказание пропущенных слов в контексте. Модель также можно дообучать для классификации последовательностей и токенов, ответов на вопросы и других задач понимания текста. Контекст ограничен 512 токенами; модель не предназначена для генерации связного текста. Предобучение выполнено на английских книгах и Википедии, поэтому возможны смещения в предсказаниях. Лицензия — Apache-2.0.

HIT-TMG/bge-m3_RAG-conversational-IR — модель эмбеддингов для разговорного поиска, предназначенная для многошаговых RAG-систем. Она кодирует вопрос вместе с историей диалога в заданном формате, а текст документа кодирует без специального промпта, чтобы использовать полученные представления для поиска релевантных документов. Модель основана на архитектуре XLM-RoBERTa и содержит 658,7 млн параметров; длина контекста — 8194 токена. Репозиторий содержит веса PyTorch и Safetensors. В карточке заявлена поддержка китайского и английского языков. Модель подходит для формирования поисковых запросов с учётом предыдущих вопросов и ответов в диалоге; лицензия — Apache-2.0.

luluw/bge-reranker-v2-m3-eng-nep-16k-trimmed — версия переранжировщика BAAI/bge-reranker-v2-m3 с сокращённым словарём, созданная luluw. Модель использует архитектуру XLM-RoBERTa и принимает пару «запрос — фрагмент текста», совместно оценивая их и выдавая один логит релевантности. Её применяют после первичного поиска, например BM25 или векторного поиска, чтобы переупорядочить найденные результаты; эмбеддинги для векторного индекса она не создаёт. Словарь сокращён с 250 002 до 16 384 токенов с упором на английский и непальский языки. Строки эмбеддингов сохранённых токенов скопированы из исходной модели, классификационная голова не изменялась, дополнительного дообучения не проводилось. Для подготовки входа требуется предоставленное соответствие старых и новых ID токенов; редкие специализированные токены могут теряться или отображаться в пустой токен. Лицензия — MIT.

Matthieufromparis разработал bge-small-code-search-v1 — компактную плотную BERT-модель для семантического поиска по исходному коду. Она дообучена на Python-подмножестве CodeSearchNet на базе BAAI/bge-small-en-v1.5 и создаёт 384-мерные эмбеддинги текстовых запросов на естественном языке и фрагментов кода в общем пространстве. Модель рассчитана на асимметричный поиск: пользователь описывает нужную функцию, а система находит подходящие участки кода; также её можно применять для поиска документации, похожих реализаций и извлечения кода для RAG-ассистентов. В README приведены результаты оценки на 500 отложенных парах Python-кода и комментариев, однако они не гарантируют такое же качество на других данных и языках программирования. Модель содержит около 40 млн параметров, принимает текст и имеет контекстное окно 512 токенов. Лицензия — Apache 2.0.

Это набор GGUF-квантизаций модели braindao/iq-code-evmind-v2-llama3-code-8b-instruct, подготовленный командой featherless-ai-quants. Модель относится к классу text-generation и предназначена для генерации текста, прежде всего для задач, связанных с программным кодом, в формате instruct-взаимодействия. Базовая модель построена на архитектуре Llama 3 и имеет около 8 миллиардов параметров. В репозитории представлены варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 3 до 8 ГБ. Это позволяет выбирать компромисс между требованиями к памяти, скоростью работы и потенциальным качеством генерации. Поддерживаются только текстовые входы и выходы; сведения о языках, размере контекста, результатах тестирования и конкретных языках программирования в README не приведены. Сильной стороной модели является возможность локального запуска через совместимые с GGUF инструменты при выборе подходящего уровня квантизации. Ограничения включают возможные потери качества из-за квантизации и отсутствие подтверждённых данных о производительности, мультиязычности и применимости к конкретным сценариям. Лицензия модели в README не указана.

WhisperLv3-FT-EP-CPP — модель распознавания речи на европейском португальском языке, созданная дообучением Whisper large-v3 на данных CAMOES (Capitalized, Punctuated and Pós-Acordo). Она предназначена для преобразования речи в текст, в том числе для исследований и оценки качества распознавания, а также для демонстраций и прототипов транскрибации. Модель основана на архитектуре WhisperForConditionalGeneration, содержит около 905,2 млн параметров и принимает аудио, выдавая текст. В карточке не приведены длина контекста и подробные показатели качества. Лицензия в предоставленных данных не указана.

Canary-1B-v2 CTC aligner GGUF — это отдельная модель для автоматического распознавания речи и принудительного выравнивания аудио с готовой расшифровкой. Она разработана командой NVIDIA NeMo как вспомогательная CTC-модель, входящая в состав nvidia/canary-1b-v2, а затем извлечена и преобразована в формат GGUF проектом CrispStrobe для использования с инструментом nfa-align. Модель построена на архитектуре FastConformer с CTC-головой и содержит около 600 млн параметров. Она предназначена прежде всего для получения временных границ слов и сегментов в аудиозаписях, в том числе для текстов, созданных другими ASR-системами или введённых вручную. Также поддерживается автономное CTC-распознавание речи. Модель работает с аудио 16 кГц и поддерживает 25 европейских языков, включая английский, русский, немецкий, французский, испанский, итальянский, польский и украинский. Для токенизации используется единый SentencePiece-словарь Canary-1B-v2. Сильная сторона модели — точное принудительное выравнивание на уровне слов: заявленная средняя абсолютная ошибка на тестовом английском примере составила 78 мс, что существенно лучше выравнивания через cross-attention основной модели Canary. Ограничение заключается в использовании субсловной, а не посимвольной токенизации, поэтому точность может зависеть от языка и текста; сведения о максимальном контексте и полном наборе эксплуатационных требований не указаны. Доступны версии F16 и GGUF-квантизации Q8_0, Q5_0 и Q4_K, причём Q4_K заявлена как рекомендуемая и дающая идентичные результаты выравнивания относительно F16. Веса модели распространяются по лицензии CC-BY-4.0 с обязательной атрибуцией NVIDIA и команды NeMo. Код преобразования и среда ggml указаны как распространяемые по MIT, однако это не изменяет лицензию самих весов.

CLIPCLAP — мультимодальная модель эмбеддингов, разработанная antflydb. Она объединяет текстовый и визуальный энкодеры OpenAI CLIP с аудиоэнкодером LAION CLAP, сопоставляя текст, изображения и аудио в общем 512-мерном векторном пространстве. Все выходные векторы L2-нормализованы и могут напрямую сравниваться с помощью косинусного сходства. Модель предназначена для мультимодального поиска, построения единых индексов медиафайлов, кросс-модального поиска и обнаружения аудиовизуального контента, включая сценарии текст↔изображение↔аудио. Для текста и изображений используются стандартные энкодеры CLIP ViT-B/32, для аудио — HTSAT из LAION CLAP. Аудиопроекция дополнительно обучена на 5000 парах аудио-описание из AudioCaps с использованием контрастивной функции потерь InfoNCE, чтобы сопоставить аудиопространство с пространством CLIP. Ключевые ограничения модели: аудио обрезается примерно до 10 секунд, поддержка текста преимущественно ориентирована на английский язык, а качество поиска аудио по изображениям может быть ниже, поскольку проекция обучалась через сходство аудио и текста, без прямых пар аудио-изображение. Модель также наследует ограничения CLIP в тонкой визуальной классификации, подсчёте объектов и работе с абстрактными понятиями; аудиочасть может хуже работать с узкоспециализированными звуковыми доменами. Распространяется по лицензии MIT.

davanstrien выпустил текстовую Sentence Transformer-модель, дообученную на базе microsoft/mpnet-base для сравнения сходства предложений и фрагментов кода. Она преобразует текст в плотные векторы размерностью 768 и оценивает сходство по косинусной мере. Максимальная длина входной последовательности — 512 токенов; модель рассчитана на английский язык и распространяется по лицензии Apache-2.0. Модель предназначена для поиска семантически похожего кода и текста, поиска перефразировок, кластеризации, классификации и семантического поиска. В README приведена оценка cosine_accuracy 0,934 на наборе code-similarity-dev. Это результат конкретной оценки, а не гарантия качества на других данных.

ColBERT-Zero-6L-CodeSearch — компактная модель для семантического поиска по коду, созданная разработчиком ctrltokyo на основе lightonai/ColBERT-Zero. Она использует архитектуру ModernBERT с 6 слоями, 768 скрытыми измерениями и 12 головами внимания; число параметров — 68,8 млн, контекст — до 8192 токенов. Модель формирует много-векторные представления токенов размерности 128 и предназначена для поиска и ранжирования фрагментов кода по текстовому запросу. Модель получена дистилляцией: из 22-слойной модели ColBERT-Zero выбраны 6 слоёв, а обучение на 10 000 парах CodeSearchNet воспроизводило оценки релевантности учителя. В описанных тестах качество достигло 65,9% от учителя на корпусе jq на C, 85,6% на Rails и 98% на FastAPI; автор сообщает о примерно 13-кратном ускорении запросов. Модель поддерживает английский язык и может использоваться для поиска по коду, в том числе через PyLate и litembeddings. Лицензия — Apache-2.0. Ограничения: качество слабее на C-коде, обучение проведено на сравнительно небольшом наборе данных, а возможности модели наследуют языковые ограничения ColBERT-Zero. Вместо префиксов search_query:/search_document: используются [Q]/[D].

Moritz Laurer разработал эту модель на базе DeBERTa-v3-base от Microsoft для классификации текстов методом zero-shot и решения задач логического вывода по тексту (NLI). Модель обучена на 1 279 665 парах «гипотеза — посылка» из восьми наборов данных, включая MultiNLI, Fever-NLI, LingNLI и DocNLI. Она предсказывает два класса: «следует из текста» и «не следует из текста»; в последнем объединены противоречие и нейтральный ответ. Модель подходит для классификации текста по заданным пользователем категориям без отдельного обучения на этих категориях, а также для проверки текстовых гипотез. Обучение на DocNLI помогает работать с длинными текстами и дальними зависимостями, но нативный контекст ограничен 512 токенами. Размер модели — 211,6 млн параметров; доступны веса PyTorch и Safetensors. Основной язык карточки — английский. По опубликованным оценкам точность на тестах MultiNLI составляет 0,935 и 0,933, на Fever-NLI — 0,897, на ANLI — 0,710, на LingNLI — 0,895. Возможны смещения, связанные с обучающими наборами и задачами NLI; автор рекомендует учитывать ограничения исходных исследований. Лицензия — MIT.

Distil-Whisper distil-large-v3 — англоязычная модель распознавания речи, разработанная командой Distil-Whisper и полученная дистилляцией OpenAI Whisper large-v3. Она предназначена для транскрибации коротких записей и длинных аудиофайлов; архитектура — кодировщик-декодировщик Whisper с сокращённым числом слоёв декодера. В README указано 756 млн параметров, тогда как метаданные каталога указывают 905,2 млн параметров. Модель рассчитана на английскую речь и поддерживает последовательный и пакетный алгоритмы обработки длинных записей. По данным README, качество на длинных аудио близко к Whisper large-v3, а распознавание выполняется примерно в 6,3 раза быстрее; для одиночных длинных файлов, где важна скорость, рекомендуется пакетный алгоритм, а для точности и пакетной обработки — последовательный. Модель доступна по лицензии MIT. Она предназначена для распознавания речи на английском языке; вывод включает текстовую транскрипцию, а при соответствующих настройках — временные метки сегментов.

Это дистиллированная версия Whisper large-v2 от rsonavane, созданная с помощью удаления слоёв декодера и обучения на распределениях модели-учителя. В декодере 8 слоёв вместо 32 у исходной модели; заявлены размер на 40% меньше и скорость декодирования примерно вдвое выше, чем у Whisper large-v2. Модель предназначена для автоматического распознавания речи. На датасете LibriSpeech после дообучения в течение одной эпохи автор сообщает о WER 4,2%. В карточке также указана возможность дообучения для нескольких языков, но конкретные результаты для них не приведены. Доступны веса PyTorch; лицензия в предоставленных данных не указана.

facebook/dragon-plus-context-encoder — контекстный энкодер DRAGON+, плотной модели для семантического поиска, разработанной исследовательской группой DRAGON. Это BERT-base размера, обученный на основе Shitao/RetroMAE с дополнительным обучением на данных, расширенных из корпуса MS MARCO. Модель является частью асимметричного двухэнкодерного ретривера: её параметры отличаются от параметров парного энкодера запросов. Энкодер преобразует текстовые контексты в векторные представления для поиска релевантных фрагментов по запросу. Он подходит для построения систем поиска и retrieval-компонентов RAG в паре с facebook/dragon-plus-query-encoder. Архитектура — BERT с 136,7 млн параметров и контекстом до 512 токенов; формат весов — PyTorch. В карточке также указан fill-mask, но назначение DRAGON+ — плотный retrieval. Качество в README приведено для полного DRAGON+: 39,0 на MS MARCO Dev и 47,4 на BEIR; эти показатели не следует считать отдельной оценкой контекстного энкодера. Сведения о лицензии в предоставленных данных отсутствуют.

Echo-DSRN-v0.1.3-Embed-Exp — экспериментальная модель эмбеддингов предложений от ethicalabs на архитектуре Echo-DSRN Recurrent-Hybrid. Она предназначена для вычисления векторных представлений и оценки семантического сходства текстов; в карточке приведены результаты на задачах STS из набора MTEB. Модель содержит 98,26 млн параметров по README и 49,9 млн по метаданным, имеет 8 слоёв, скрытую размерность 512, размер эмбеддинга 2048 и контекст до 2048 токенов. Указана линейная сложность по длине последовательности. Модель обучалась на AllNLI и MTEB STS-B, поддерживаемый язык по карточке — английский. В README отмечено, что результаты бенчмарков воспроизводятся при левом заполнении последовательностей; при пакетной обработке это может влиять на согласованность эмбеддингов. Разработчик обозначает модель как экспериментальную и ограничивает её академической оценкой и исследованиями, без гарантий качества и ответственности за результаты применения. Лицензия в предоставленных данных не указана.

english_code_retriever — модель Sentence Transformers, разработанная fyaronskiy на основе answerdotai/ModernBERT-base и дообученная на наборе code_search_net с функцией потерь MultipleNegativesRankingLoss. Она предназначена для поиска фрагментов кода по текстовому запросу и для ранжирования найденных результатов. Модель строит плотные векторы размерности 768 с mean pooling; релевантность можно оценивать косинусным сходством. Максимальная длина входной последовательности — 8192 токена, размер модели — 149 млн параметров. Модель ориентирована на английский язык и поиск по коду; в карточке перечислены Python, Java, Go и PHP. README приводит результаты на бенчмарках RTEB и COIR, но они не гарантируют такого же качества на других данных. Модель распространяется по лицензии MIT.

nghuyong/ernie-3.0-mini-zh — версия ERNIE 3.0 на PyTorch, преобразованная из официальной модели PaddlePaddle и проверенная экспериментами на корректность конверсии. Это плотная модель архитектуры ERNIE с 29,5 млн параметров и контекстом до 2048 токенов. Модель предназначена для извлечения признаковых представлений текста на китайском языке. Её можно использовать как основу для получения векторных представлений, которые затем применяются в поиске, сравнении текстов и других NLP-сценариях. Для загрузки README указывает Transformers и классы BertTokenizer и ErnieModel. Репозиторий содержит формат PyTorch. Сведения о лицензии в предоставленных источниках отсутствуют.

Ext2Gen-8B-R2 — дообученная командой DISLab языковая модель для генерации ответов на вопросы в RAG-системах. Она сначала извлекает из найденных фрагментов предложения, относящиеся к запросу, затем формирует ответ. По описанию разработчиков, обучение на парных предпочтениях направлено на повышение точности опоры на источники, полноты и краткости ответов и на снижение влияния нерелевантных или вводящих в заблуждение фрагментов. Модель основана на Llama 3.1 8B Instruct по метаданным; в README указана Llama 3.2 8B Instruct. Метаданные сообщают 7,5 млрд параметров, контекст до 131 072 токенов, формат safetensors и лицензию Apache-2.0. Поддерживается английский язык. Модель подходит для ответов на вопросы по результатам поиска, когда контекст содержит много фрагментов или шумные сведения. Вывод включает извлечённые релевантные предложения и итоговый ответ. Предварительное извлечение предложений увеличивает задержку до получения ответа; авторы также отмечают, что работа над моделью продолжается.

PeytonT/file-embedding — дообученная модель для создания плотных векторных представлений файлов, предназначенных для поиска и сопоставления. Это компонент системы Repository Library для индексации и поиска по репозиториям и научным материалам. Модель основана на энкодере BERT и дообучена на sentence-transformers/all-MiniLM-L6-v2; содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторы признаков. В обучающих данных использовались графы репозиториев и фрагменты кода из конвейера Repository Library. Лицензия в предоставленных данных не указана.