II.8Инженерия данных и аналитика

GATE-Reranker-V1 — модель-реранкер от NAMAA-space для ранжирования арабских документов по релевантности запросу. Она дообучена на базе Omartificial-Intelligence-Space/GATE-AraBert-v1 и использует архитектуру BERT с классификатором последовательностей; размер модели — 162,4 млн параметров. Модель оценивает пары «запрос — документ» и выдаёт оценки релевантности, которые можно использовать для сортировки результатов поиска. Модель предназначена для повышения качества арабского поиска, ранжирования документов в системах рекомендаций и отбора материалов для ответов на вопросы и RAG. README приводит пример работы через SentenceTransformers CrossEncoder. Максимальная длина контекста — 512 токенов. Модель рассчитана на арабский язык; лицензия — Apache-2.0. Оценка в карточке проводится на двух наборах данных с метриками MAP, MRR и NDCG@10, однако сравнения и дополнительные результаты обозначены как находящиеся в разработке. Поэтому качество на других наборах данных и в прикладных сценариях может отличаться.

Godot-Dodo 4x 60k LLaMA 13B — модель генерации текста с инструктивной настройкой на основе LLaMA. По карточке модели, она обучена в апреле 2023 года на наборе из 60 тысяч примеров следования инструкциям; оценка проводилась на запросах с инструкциями по программированию. Архитектура — плотная LLaMA с 12,9 млрд параметров, контекст — 2048 токенов. Модель предназначена для генерации ответов на инструкции и помощи с задачами программирования. Доступны веса PyTorch. Карточка отсылает за подробностями к GitHub, поэтому конкретные результаты оценки и условия лицензии здесь установить нельзя.

IndicBERT — мультиязычная модель семейства ALBERT, разработанная AI4Bharat и предварительно обученная на корпусе примерно из 8,9 млрд токенов. Она охватывает 12 языков, включая ассамский, бенгальский, английский, гуджарати, хинди, каннада, малаялам, маратхи, ория, пенджаби, тамильский и телугу. По размеру модель компактнее mBERT и XLM-R; в оценках на IndicGLUE и дополнительных задачах она показала сопоставимые или более высокие результаты по отдельным метрикам. Модель предназначена для дообучения и применения в классификации новостей и отзывов, анализе тональности, предсказании заголовков и разделов, а также в задачах выбора ответа на вопросы. В отчёте об оценке использовалась максимальная длина последовательности 128 токенов; результаты различаются между задачами, и, например, на некоторых тестах анализа тональности IndicBERT уступает XLM-R. Репозиторий содержит веса PyTorch. Лицензия — MIT.

IndicWav2Vec-Hindi — модель распознавания речи на основе архитектуры Wav2Vec2, разработанная AI4Bharat. Она предназначена для преобразования аудиоречи на хинди в текст и подходит для сценариев автоматической транскрибации. Модель обучена в fairseq и перенесена в формат Hugging Face; репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель распознаёт речь на хинди. Для неё отмечено ограничение: вывод при инференсе с языковой моделью не поддерживается, что может ограничивать улучшение транскрипции с помощью языкового декодирования.

AlexWortega/instruct_rugptSmall — небольшая авторская версия ruGPT Small, дообученная на инструкциях, материалах Habr, данных для вопросов и ответов и коде. Модель на архитектуре GPT-2 предназначена для генерации текста по запросу и может использоваться для ответов на вопросы и помощи с кодом. Модель работает через библиотеку Transformers, принимает текст и генерирует текст. Контекст составляет 2048 токенов. В метаданных указана лицензия Apache-2.0. Размер модели и список поддерживаемых естественных языков явно не приведены; русский язык подтверждён примером запроса и описанием дообучения на русскоязычных инструкциях.

QuantFactory/INTELLECT-1-GGUF — это квантизированная версия базовой языковой модели INTELLECT-1, подготовленная QuantFactory с использованием llama.cpp. Исходную модель разработала Prime Intellect совместно с 30 независимыми участниками, предоставлявшими вычислительные ресурсы. Модель предназначена для генерации английского текста и кода, а также исследовательских и прикладных сценариев, где требуется базовая языковая модель. Для диалогового использования рекомендуется отдельная версия INTELLECT-1-Instruct. INTELLECT-1 содержит 10 миллиардов параметров, 42 слоя, 32 attention heads, hidden size 4096, контекст длиной до 8192 токенов и словарь из 128256 токенов. Она обучена с нуля на 1 триллионе токенов преимущественно англоязычного текста и кода, включая FineWeb-Edu, FineWeb, Stack V1, DCLM и OpenWebMath. Обучение выполнялось распределённо на узлах в разных частях мира с применением DiLoCo и оптимизированного int8 all-reduce. К сильным сторонам относятся крупный объём обучения, открытая базовая архитектура и возможность запуска в формате GGUF через llama.cpp, включая сценарии локального инференса с подходящим уровнем квантизации. Ограничения связаны с тем, что это base-модель, не оптимизированная для инструкций и диалогов; заявленный основной язык — английский, а характеристики конкретного варианта квантизации в README не указаны. При подготовке входных данных необходимо добавлять BOS-токен, иначе производительность может снизиться. Модель распространяется по лицензии Apache 2.0.

ISOM-R1-Coder-1.5B-Instruct — компактная модель для генерации и анализа кода, разработанная Prannessh K.V.A. на основе Qwen2.5-Coder-1.5B-Instruct. Это плотная модель на 1,5 млрд параметров с диалоговым интерфейсом и контекстом до 131 072 токенов. Карточка описывает её как средство для понимания репозиториев и работы с длинными контекстами на устройствах с ограниченными ресурсами; также заявлена ограниченная по памяти обработка KV-кэша. Модель предназначена для вопросов по кодовой базе, извлечения сведений из длинного контекста и агентных сценариев разработки. В README приведены результаты сравнений на Tesla T4 и теста поиска в контексте; это утверждения автора карточки, а не независимо подтверждённые характеристики. Лицензия репозитория указана как CC BY-NC-ND 4.0; README также сообщает об использовании базовой модели под Apache 2.0.

hotchpotch/japanese-reranker-base-v2は、hotchpotchが開発した日本語テキスト向けのリランカーモデルです。ModernBERT系の系列分類アーキテクチャを使い、約132.1Mパラメータを持つsentence-transformersモデルとして提供されています。最大コンテキスト長は8192 токеновです。 モデルは запрос и документы или другие текстовые пары оценивает по релевантности, чтобы переупорядочить результаты поиска. Предназначен для повышения качества поиска и RAG, включая сценарии с ограниченными вычислительными ресурсами и низкой задержкой. В основе лежит cl-nagoya/ruri-v3-pt-130m; для обучения использовались японские наборы данных, включая hard negatives и MS MARCO. README сообщает о применимости на CPU и Apple Silicon, а также об ускорении на совместимых GPU с Flash Attention 2. Модель рассчитана на японский язык. Доступна по лицензии MIT; для работы README требует transformers версии 4.48 или новее. Приведённые в карточке таблицы содержат результаты серии моделей, однако часть строк скрыта, поэтому численные показатели именно base-v2 здесь не приводятся.

masahiroid/japanese-reranker-small-v2-mlx — это неофициальная общественная конверсия модели hotchpotch/japanese-reranker-small-v2 в формат MLX. Модель представляет собой компактный кросс-энкодер на базе ModernBERT с 70 млн параметров и контекстом до 8192 токенов. Она оценивает релевантность пары «запрос — документ» и помогает переупорядочивать результаты поиска. Модель предназначена для японского и английского текста, в том числе для повышения качества поиска и выдачи в RAG-системах. Для использования README указывает библиотеку mlx-embeddings. Формат репозитория — safetensors; конверсия предназначена для MLX. Лицензия — MIT. Это не официальный выпуск автора исходной модели.

jina-embeddings-v5-omni-small-text-matching — мультимодальная модель эмбеддингов Jina AI, вариант семейства jina-embeddings-v5-omni-small, настроенный на сопоставление. Она принимает текст, изображения, видео и аудио и отображает их в общее векторное пространство, согласованное с текстовой моделью jinaai/jina-embeddings-v5-text-small-text-matching. Модель содержит около 1,56 млрд параметров и формирует эмбеддинги размерностью 1024; для текста при индексировании используется префикс «Document: ». Видео представляется кадрами, звуковая дорожка автоматически не обрабатывается. Модель подходит для мультимодального поиска и сравнения: можно индексировать документы и выполнять запросы изображениями, видео или аудио без повторной индексации. Поддерживается усечение эмбеддингов с повторной L2-нормализацией. Для экономии памяти можно загружать только нужные модальные компоненты; доступны интеграции с Transformers, sentence-transformers и vLLM. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

pjh6818 выпустил Sentence Transformers модель на основе klue/roberta-base, дообученную для сопоставления предложений. Архитектура включает RoBERTa и mean pooling; модель преобразует текст в плотные векторы размерности 768, а сходство оценивается косинусной мерой. Размер модели — 137,8 млн параметров, максимальная длина последовательности — 512 токенов по README и 514 токенов в метаданных. Модель предназначена прежде всего для оценки семантического сходства корейских текстов. Её также можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Базовая модель klue/roberta-base предварительно обучена для понимания корейского текста. В README приведены результаты оценки сходства, но они зависят от набора данных и не гарантируют такое же качество в других сценариях. Лицензия в предоставленных данных не указана.

KoVRE — модель эмбеддингов Whybe Choi для поиска страниц корейских документов по текстовому запросу. Она дообучена на базе Qwen/Qwen3-VL-Embedding-2B и содержит 2 млрд параметров. Модель сопоставляет запрос непосредственно с изображением страницы, сохраняя визуальные и структурные сведения о таблицах, иллюстрациях и макете без отдельного распознавания текста или разбора разметки. KoVRE предназначена для поиска по отсканированным или отрисованным страницам, мультимодального RAG и построения крупных индексов документов. Она выдаёт один L2-нормированный плотный вектор размерностью от 128 до 2048; для поиска релевантности используется косинусное сходство. Обучение включало контрастивное обучение на корейских и английских парах «запрос—страница» и дистилляцию оценок релевантности от Qwen3-VL-Reranker-8B. Модель специализируется на корейских визуальных документах; качество для обычных изображений и других языков, кроме корейского и английского, не установлено. Оценка ограничена двумя корейскими наборами, а сходство является сигналом ранжирования, а не калиброванной вероятностью. Репозиторий распространяется по лицензии Apache-2.0.

lingtrain/labse-buryat — модель Lingtrain для получения плотных векторных представлений предложений и абзацев. Она основана на архитектуре BERT и выдаёт эмбеддинги размерности 768; в метаданных указано 498,1 млн параметров. Модель предназначена для семантического поиска, сравнения текстов, кластеризации и других задач, где нужно сопоставлять смысловые представления фрагментов текста. Модель обучалась с функцией потерь CosineSimilarityLoss и распространяется в формате PyTorch. Контекст ограничен 512 токенами. Название указывает на ориентацию на бурятский язык, однако README и метаданные не приводят перечень поддерживаемых языков или результаты оценки качества. Лицензия в предоставленных данных не указана.

Nimsara2001/labse-sinhala-finetuned — дообученная модель Sentence Transformer на основе sentence-transformers/LaBSE, предназначенная для поиска и сравнения предложений и абзацев на сингальском языке. Она кодирует текст в плотные векторы размерности 768 и использует косинусное сходство; заявленная максимальная длина входа — 64 токена, а контекстное окно базовой модели в метаданных указано как 512 токенов. Модель дообучена на 262 664 примерах с MultipleNegativesRankingLoss. Основной сценарий — извлечение представлений сингальского текста для семантического поиска и оценки тематической связности фрагментов. В описанной авторами оценке на парах предложений для нейросимвольного разбиения текста AUC выросла с 0,7269 у базовой LaBSE до 0,8832 у дообученной модели; этот результат относится к указанному тесту, а не гарантирует качество на других задачах. README не сообщает лицензию, поэтому условия использования следует сверить с карточкой модели и базовой LaBSE.

Redis LangCache Embed v3 Mini — англоязычный BiEncoder на базе Sentence Transformers, дообученный Redis от sentence-transformers/all-MiniLM-L6-v2 для семантического кэширования и поиска похожих запросов. Модель кодирует предложения и абзацы в плотные векторы размерности 384, нормализует их и сравнивает с помощью косинусного сходства. Архитектура включает BERT-энкодер с mean pooling; библиотека — Sentence Transformers. Модель подходит для поиска семантически близких запросов, оценки сходства пар предложений и повторного использования кэшированных ответов в LangCache. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов. Лицензия — Apache-2.0. В README приведены результаты оценки на наборе с названием «test», но данных недостаточно, чтобы судить о качестве на других наборах и сценариях.

LanguageBind_Image — модель для сопоставления изображений с текстовыми описаниями в рамках проекта LanguageBind, разработанного авторами исследования LanguageBind, принятого на ICLR 2024. В репозитории она представлена как PyTorch-модель на базе архитектуры CLIPModel и предназначена для классификации изображений без примеров на этапе обучения: пользователь задаёт текстовые метки или описания, а модель оценивает их соответствие изображению. Модель входит в мультимодальный подход LanguageBind, который использует язык как общий семантический ориентир для связывания представлений разных модальностей. Для этого чекпойнта подтверждён сценарий zero-shot классификации изображений; описание проекта также упоминает вычисление сходства между модальностями и текстом. README не сообщает размер этой модели, её языковой охват или длину контекста. Лицензия репозитория — MIT.

laion/larger_clap_music_and_speech — модель CLAP от LAION, улучшенный чекпойнт, специально обученный на парах музыки, речи и текстовых описаний. Она сопоставляет аудио и текст в общем векторном пространстве: аудиокодировщик на основе Swin Transformer обрабатывает логарифмическую Mel-спектрограмму, а текстовый кодировщик RoBERTa формирует текстовые признаки. Размер модели — 132,1 млн параметров. Модель предназначена для извлечения аудио- и текстовых эмбеддингов и классификации аудио без дообучения: по аудиофрагменту можно ранжировать предложенные текстовые метки или описания по сходству. Подходит для поиска музыки и речи по тексту, классификации звуков и сопоставления аудио с описаниями. Лицензия — Apache-2.0. Качество сопоставления зависит от формулировок текстовых кандидатов и обучающих данных; модель оценивает сходство, а не генерирует текст или аудио. README не приводит ограничений по длине аудио или поддерживаемым языкам.

lb-reranker-0.5B-v1.0-GGUF — это квантованные в формате GGUF версии модели lb-reranker-0.5B-v1.0, разработанной lightblue и подготовленной для распространения пользователем bartowski. Модель предназначена для ранжирования текстов и переранжирования результатов поиска, например в системах семантического поиска, retrieval-augmented generation и других сценариях, где нужно оценить релевантность документов запросу. Модель имеет размер около 0,5 млрд параметров и относится к классу text-ranking и reranker. Она поддерживает широкий набор языков, включая английский, китайский, испанский, немецкий, арабский, русский, японский, корейский, хинди и многие другие. В репозитории представлены варианты с разными уровнями квантования — от F32 и F16 до Q8_0, Q6, Q5, Q4, Q3 и IQ — с размером файлов примерно от 0,34 до 1,98 ГБ. Квантование выполнено с использованием llama.cpp и метода imatrix; для запуска рекомендуется LM Studio или совместимое программное обеспечение. Длина контекста и подробности архитектуры в README не указаны. Сильными сторонами являются компактный размер, мультиязычность и наличие большого выбора квантованных вариантов, позволяющих подобрать баланс между качеством и потреблением памяти. Более низкие уровни квантования могут снижать качество ранжирования, а модель предназначена именно для оценки релевантности, а не для свободной генерации текста. Исходные данные связаны с датасетом lightblue/reranker_continuous_filt_max7_train. Указанная лицензия — Apache-2.0.

Dingdust/LFM2.5-230M-heretic — производная версия LFM2.5-230M-Base от Liquid AI, опубликованная как дообученная модель с ослабленным отказом отвечать на запросы. По карточке это компактная текстовая причинная модель семейства LFM2 с 221,2 млн параметров, рассчитанная на генерацию текста и диалоговое применение. README семейства описывает гибридную архитектуру из свёрточных блоков с двойным gating и блоков GQA, а также контекст 32 768 токенов; метаданные репозитория указывают собственный контекст 128 000 токенов, поэтому фактическое значение зависит от конкретной версии и конфигурации. Модель подходит для извлечения данных, коротких диалогов и лёгких локальных агентных сценариев, включая вызов инструментов. В README исходной модели перечислены десять языков: английский, арабский, китайский, французский, немецкий, итальянский, японский, корейский, португальский и испанский. Приведённые в карточке измерения показывают меньше отказов, чем у исходной модели, но это не подтверждает качество ответов для всех типов запросов. Семейство не рекомендуется для сложных рассуждений, продвинутой математики, генерации кода и творческого письма. Лицензия указана как other, без более точных условий в предоставленных данных.

LightOn-rerank-PW-4B — мультимодальная модель-переранжировщик от LightOn на основе Qwen/Qwen3.5-4B. Это pointwise cross-encoder: он независимо оценивает каждую пару «запрос — кандидат» и выдаёт оценку как разность логитов ответов Yes и No. Модель принимает текстовый запрос и текстовый фрагмент либо изображение страницы документа; для оценки кандидатов не требуется генерация ответа. Модель предназначена для второго этапа поиска: она переупорядочивает результаты, найденные BM25, dense retrieval или ColPali-подобным поиском. Совместное дообучение на текстовых и визуальных данных позволяет использовать один переранжировщик для текстовых фрагментов и страниц PDF, слайдов и сканов. Размер модели — около 4,5 млрд параметров; веса представлены в формате safetensors и bfloat16. Обучение проводилось на английском языке; французский поддерживается с переносом без дополнительного обучения. Для корректного pointwise-скоринга необходимо отключить режим thinking в шаблоне чата. На визуальных задачах модель не показывает прироста относительно версии 2B; для таких сценариев авторы рекомендуют listwise-вариант LW-4B. Для части текстовых бенчмарков результаты затронуты пересечением обучающих данных с NQ и MS MARCO. Лицензия — Apache-2.0.

Spell Blade — дообученная на базе Llama 2 диалоговая модель от sequelbox, предназначенная для общения и задач общего назначения с усиленными техническими возможностями. Это плотная авторегрессионная модель семейства Llama с 68,7 млрд параметров; для диалогов обучалась преимущественно на данных в формате INST. Модель принимает текст и генерирует текст. Заявленный контекст — 4096 токенов. В репозитории представлены веса в формате Safetensors, лицензия — Apache 2.0. Автор описывает её как пригодную для использования без дополнительной настройки, но отмечает, что дальнейшее дообучение может улучшить пользовательский опыт. Модель обозначена как устаревшая и предложена главным образом для справки; для общего применения автор рекомендует Llama 3.

Llama-3-Hercules-5.0-8B — дообученная Locutusque языковая модель на базе Llama 3 8B. Она предназначена для выполнения инструкций, диалогов и вызова функций в научных и технических областях. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов; репозиторий содержит веса в формате safetensors. Модель подходит для научно-технических чат-ботов, образовательных помощников, пошаговых объяснений и генерации кода с использованием вызовов функций. В карточке заявлена работа с биологией, химией, физикой, математикой, медициной и информатикой. Сведения о поддерживаемых естественных языках не приведены. Модель может выдавать токсичный контент, галлюцинировать и допускать фактические ошибки, в том числе в специализированных темах; ответы и вызовы функций требуют проверки. Лицензия указана как llama3.

MahaSBERT-STS — модель семейства Sentence-BERT на архитектуре BERT, разработанная L3Cube-Pune в рамках проекта MahaNLP. Она дообучена на наборе STS для оценки семантического сходства предложений на маратхи. Модель преобразует предложения и абзацы в плотные векторы размерностью 768 и подходит для семантического поиска, сравнения текстов и кластеризации. Число параметров — 264,8 млн, максимальная длина контекста — 512 токенов; доступный формат весов — PyTorch. Модель предназначена для работы с текстом на маратхи и может использоваться в поиске похожих предложений, сопоставлении пар фраз и группировке текстов по смыслу. Для применения требуется корректно получать векторы предложений, например через sentence-transformers либо с помощью подходящего pooling поверх выходов Transformers. Лицензия — CC BY 4.0. Качество на иных языках и задачах, кроме описанных, не заявлено; длина входа ограничена контекстом в 512 токенов.

MarinSkyRL Open-MOPD SmolLM3 3B step 32 — ранний чекпойнт языковой модели, подготовленный авторами MarinSkyRL на основе дообученного смешанного SFT-чекпойнта BytedTsinghua-SIA/Open-MOPD-SmolLM3-3B-MixSFT. Модель с архитектурой SmolLM3ForCausalLM содержит 3,1 млрд параметров, принимает текст и поддерживает контекст до 65 536 токенов. Экспортирована в формате Hugging Face Safetensors без квантизации и предназначена для генерации текста в диалоговом формате. При обучении ответы модели оценивались RL-моделями-учителями для математики, программирования и следования инструкциям с маршрутизацией по предметной области. Это промежуточный чекпойнт после 32 шагов оптимизации, а не финальная версия после 200 шагов. В независимой оценке указаны результаты AIME 2024 и 2025 с метрикой mean@64 и IFEval с mean@1; результаты других упомянутых бенчмарков не заявлены как сопоставимые с опубликованными в статье. Модель подходит для экспериментов с генерацией ответов, математическими задачами, кодом и выполнением инструкций. В карточке не указаны языки обучения или гарантии качества для конкретных языков. Лицензия — Apache-2.0.

MiniCPM-Reranker-Light — двуязычная модель переранжирования текстов, разработанная ModelBest совместно с лабораторией обработки естественного языка Университета Цинхуа (THUNLP) и группой информационного поиска Северо-Восточного университета (NEUIR). Она предназначена для уточнения порядка документов, найденных поисковой системой, в том числе в системах RAG, и поддерживает переранжирование между китайским и английским языками. Модель основана на MiniCPM-1B-sft-bf16, использует плотную архитектуру MiniCPM с двунаправленным вниманием и классификационную голову последовательности. В README указаны размер 1,2 млрд параметров и максимальная длина входа 8192 токена; метаданные указывают 1,4 млрд параметров и контекст 4096 токенов. Обучение проводилось в несколько этапов примерно на 5–6 млн открытых, синтетических и закрытых примеров. Модель принимает инструкцию, запрос и документ либо работает без инструкции, а в результате оценивает релевантность для ранжирования. Подходит для двуязычного поиска, улучшения выдачи и отбора контекста для RAG. README приводит результаты оценок на наборах китайского, английского и межъязыкового поиска. Лицензия в предоставленных сведениях не указана.

mxbai-rerank-large-v1 — крупная модель-реранкер семейства mxbai-rerank от Mixedbread AI. Она оценивает релевантность пары «запрос — документ» и помогает переставить результаты поиска так, чтобы наиболее подходящие оказались выше. Модель рассчитана на улучшение информационного поиска, в том числе в сочетании с поиском по ключевым словам. Модель построена на архитектуре DeBERTa-v2 и содержит 533,8 млн параметров. Она принимает текст и выдаёт оценку релевантности; максимальная длина контекста — 512 токенов. В карточке заявлена поддержка английского языка. README рекомендует использовать актуальную версию sentence-transformers. Лицензия — Apache-2.0.

myX-Semantic — модель DatarrX, разработанная Khant Sint Heinn для семантического представления текстов на бирманском языке. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для поиска и сравнения по смыслу, кластеризации и классификации текстов. Модель основана на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и дообучена методом дистилляции, чтобы приблизить представления к модели paraphrase-multilingual-mpnet-base-v2; дополнительный линейный слой преобразует исходные 384 измерения в 768. Архитектура — BERT с усреднением токенных представлений, максимальная длина входа — 512 токенов. Модель обучалась на DatarrX/myX-Mega-Corpus и рассчитана прежде всего на текст в Unicode-кодировке бирманского языка. Для измерения сходства автор рекомендует косинусную близость; порог 0,60 приводится как ориентир, который следует проверять на собственных данных. Модель распространяется по лицензии Apache-2.0.

Nano-Jev v1.0 — компактная модель принятия решений для конвейеров RAG, разработанная Shubham Divakar. Она принимает вопрос и один или несколько фрагментов контекста и оценивает релевантность отрывка, достаточность набора отрывков для ответа или обоснованность утверждения контекстом. Модель возвращает вероятности по заданным вариантам и не генерирует текст. Архитектура — кросс-энкодер на базе MiniLM с 12 слоями и скрытым размером 384, дополненный классификационной головой; в метаданных указано 40 млн параметров, а README приводит 33,4 млн. Модель дообучена на microsoft/MiniLM-L12-H384-uncased, принимает текст и поддерживает английский язык; максимальный контекст — 512 токенов. Распространяется по лицензии MIT. Модель быстрая и на тестах, близких к обучающим данным, показывает хорошие результаты классификации и калибровки. На новых наборах данных точность снижается примерно на 15–20 процентных пунктов, а калибровка переносится плохо; перед применением на собственных данных следует перепроверить пороги и вероятности. Она рассчитана на английский текст в стиле Википедии, а пользовательские наборы меток работают слабее.

NLLB-SigLIP-MRL — мультиязычная модель для сопоставления изображений и текста, объединяющая текстовый энкодер NLLB и визуальный энкодер SigLIP. Она предназначена для поиска изображений по текстовым запросам и поиска текстовых описаний по изображениям на языках Flores-200. Модель создаёт совместные эмбеддинги размером 768, а также укороченные векторы размером 32, 64, 128, 256 и 512 благодаря варианту Matryoshka Representation Learning. Согласно карточке, размеры 256 и 512 сохраняют более 90% качества полного представления; приведены результаты на наборах Crossmodal-3600 и XTD10. Репозиторий содержит веса PyTorch и предназначен для работы через OpenCLIP. Модель разработана Visheratin. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка не описывает длину контекста; для задач поиска модель формирует векторы вместо обычного текста.

Nue ASR — модель для сквозного распознавания японской речи, первоначально выпущенная компанией rinna Co., Ltd.; этот репозиторий является её зеркалом. Архитектура объединяет аудиоэнкодер HuBERT, мостовую сеть и декодер GPT-NeoX. Веса энкодера и декодера инициализированы из japanese-hubert-base и japanese-gpt-neox-3.6b соответственно. Модель обучали примерно на 19 000 часах японской речи из ReazonSpeech v1; из обучения исключали аудиозаписи длиннее 16 секунд. Она предназначена для транскрибирования японской речи и, по данным карточки, может распознавать речь быстрее реального времени при использовании GPU. Для работы с аудио поддерживаются файлы, массивы NumPy и тензоры PyTorch; входные файлы автоматически приводятся к частоте 16 кГц. Лицензия — Apache 2.0.