II.8Инженерия данных и аналитика

Модель dianavdavidson/whisper-medium_mucs_62901_ratio_alldata_lr_1e-4_lgid_None_hinglish_mixed_scripts_FT — дообученная версия Whisper Medium от OpenAI для автоматического распознавания речи. Она принимает аудио и генерирует текст; в названии указана настройка на Hinglish со смешанными системами письма, однако README не уточняет состав данных и языковую поддержку. Модель построена на архитектуре WhisperForConditionalGeneration, содержит около 455,8 млн параметров и распространяется в формате Safetensors. В README приведены результаты оценки: loss 0,5005 и Global WER 27,9581; без описания набора данных и протокола оценки их нельзя напрямую интерпретировать как гарантию качества для конкретных записей. Лицензия — Apache 2.0. Карточка не описывает ограничения и рекомендуемые сценарии применения подробнее.

Это англоязычная версия модели OpenAI Whisper small, преобразованная командой handy-computer в формат GGUF для использования с transcribe.cpp. Модель предназначена для автоматического распознавания речи и преобразования английской речи в текст, включая обработку длинных аудиозаписей с декодированием по фрагментам. Поддержка потоковой обработки, перевода и автоматического определения языка отключена; доступны сегментные временные метки. Модель построена на архитектуре Transformer encoder-decoder и обрабатывает аудио окнами длительностью 30 секунд. Доступны варианты F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 172 до 969 МБ. На тестовой выборке LibriSpeech test-clean заявленная частота ошибок слов составляет 2,97–3,11% в зависимости от варианта квантования. Квантованные версии требуют меньше памяти и могут быть удобнее для локального запуска, но точность зависит от выбранного формата и условий обработки. Модель ориентирована только на английский язык и не предназначена для перевода или мультиязычного распознавания. Для работы требуется transcribe.cpp; входные данные должны быть представлены как монофонический WAV с частотой 16 кГц либо предварительно преобразованы в этот формат. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

lgris/whisper-tiny-cv11-pt — модель распознавания речи на базе архитектуры Whisper Tiny, дообученная на португалоязычной части Common Voice 11.0. Она преобразует входящее аудио в текст и подходит для транскрибации португальской речи. Веса представлены в формате PyTorch, размер модели — 29,4 млн параметров. На оценочном наборе указаны loss 0,5205 и WER 33,2447. Модель выпущена под лицензией Apache-2.0. Подробности о рекомендуемых условиях применения и известных ограничениях в карточке не приведены.

Это дообученная Yuriyvnv модель OpenAI Whisper-Tiny для автоматической транскрибации нидерландской речи. Она основана на архитектуре Whisper и содержит 29,4 млн параметров; принимает аудио и выдаёт текст. Обучение проведено на нидерландской части Common Voice 17.0 и на полном наборе из 34 898 синтетических аудиозаписей без фильтрации качества, созданных с помощью OpenAI TTS-1. Модель предназначена для распознавания нидерландской речи, в том числе аудиозаписей, близких по характеру к Common Voice. На тестовом наборе Common Voice указана WER 24,93%, а на MLS — 43,12%. Использование всех синтетических примеров дало лучший результат на тесте Common Voice среди описанных конфигураций, но увеличило вычислительные затраты и внесло в обучение записи с возможными дефектами синтеза. Модель может уступать на технической речи и региональных вариантах нидерландского языка. Распространяется по лицензии Apache-2.0.

NaufalAqil18/whisper-tiny-indov2 — дообученная NaufalAqil18 модель распознавания речи на базе OpenAI Whisper Tiny. Она преобразует аудио в текст; размер модели составляет 29,4 млн параметров, архитектура — WhisperForConditionalGeneration. Модель обучена на датасете generator и предназначена для транскрибации аудиозаписей. В README приведены результаты оценки: loss 0,3805, WER 30,6093 и CER 14,6600. Лицензия — Apache-2.0. Карточка не уточняет языки аудио и условия тестирования, поэтому результаты сами по себе не позволяют судить о качестве распознавания в конкретном сценарии.

Это дообученная модель распознавания речи burakaydinofficial на базе OpenAI Whisper tiny. В ней декодерное MHA-внимание преобразовано в MLA (Multi-Head Latent Attention), а затем модель восстановительно дообучена на прикладном наборе из 24 языков. Она содержит 29,4 млн параметров и предназначена для транскрибации речи, в частности при ограниченной памяти устройства: размер KV-кэша декодерного self-attention сокращён на 62,5%. Модель загружается через Transformers с trust_remote_code и версией 4.46.x; веса опубликованы в формате safetensors. В тестах CommonVoice-17 качество существенно различается по языкам. Для нескольких языков с малым объёмом данных ошибки очень высоки, поэтому результаты для них практически непригодны; целевая область — речь, записанная на потребительский микрофон, в спокойном режиме чтения. Сокращение кэша относится только к декодерному self-attention: память энкодера и cross-attention не сжата, поэтому экономия общей памяти при одном потоке скромнее. Модель распространяется по лицензии Apache-2.0.

360Zhinao-1.8B-Reranking — плотная авторегрессионная модель семейства 360Zhinao, разработанная Qihoo 360 на базе собственной модели 360Zhinao-1.8b-Base. Она предназначена для ранжирования текстовых пар: оценивает релевантность документов запросу и помогает переставлять результаты поиска или фрагменты контекста в RAG-системе. В README сообщается о среднем результате 70,13 на китайском бенчмарке MTEB Chinese Reranking и первом месте среди открытых моделей на момент публикации карточки. Модель содержит 1,6 млрд параметров, принимает текст и имеет контекстное окно 4096 токенов. Обучение проводилось на четырёх наборах данных бенчмарка; разработчики описывают работу по согласованию задач и стабилизации обучения. Репозиторий содержит веса PyTorch, библиотека — Transformers. Лицензия Apache-2.0.

DCAgent/a1-crosscodeeval_typescript — дообученная DCAgent модель на основе Qwen/Qwen3-8B, созданная на наборе обучающих примеров CrossCodeEval для TypeScript. Это плотная языковая модель с 7,6 млрд параметров, предназначенная для генерации текста и диалоговых сценариев; каталог указывает поддержку чата. Модель принимает текст и генерирует текст, а базовое семейство Qwen3 рассчитано на работу с кодом и инструкциями. В карточке указано дообучение на подготовленных примерах CrossCodeEval, однако подробности поведения, оценки качества и конкретные ограничения не приведены. Контекстное окно составляет 40 960 токенов. Модель опубликована в формате safetensors; лицензия обозначена как other, поэтому условия использования следует уточнить на странице репозитория.

Pricile разработала wbertcur — единую модель распознавания речи для шести восточноафриканских языков, созданную для соревнования AfriVoices East Africa ASR Hackathon. Модель построена на архитектуре Wav2Vec2-BERT (Conformer) с символьной CTC-головой; в репозитории указано 402,7 млн параметров. Она принимает аудио и преобразует речь в текст на суахили, кикую, дхолуо, календжине, маасаи и сомали. Модель предназначена для распознавания речи на CPU-устройствах с ограниченными ресурсами. В README приводятся измерения для int8-развёртывания на CPU: пиковая память 5,53 ГБ. Для улучшения качества авторы также проверяли декодирование с языковой моделью KenLM; для него требуется заранее знать язык аудио или отдельно определить его. Модель обучена на данных AfriVoices-KE и оценивалась на близком распределении, включающем прочитанную и спонтанную речь. Указанная лицензия модели — MIT.

ALBERT Base v1 — англоязычная модель Albert AI, опубликованная командой Google Research и представленная в исследовательской работе об ALBERT. Это трансформерный энкодер, предварительно обученный на BookCorpus и англоязычной Википедии с помощью предсказания замаскированных токенов и порядка предложений. Основное применение — восстановление пропущенных слов в тексте; модель также можно дообучать для классификации последовательностей и токенов, ответов на вопросы и других задач понимания текста. Архитектура использует 12 повторно применяемых слоёв с общими весами, 12 голов внимания, размерность скрытого состояния 768 и размерность эмбеддингов 128. Метаданные указывают 136,3 млн параметров; в README приведена оценка 11 млн, поэтому размер параметров в источниках расходится. Модель регистронезависима, использует SentencePiece с размером словаря 30 000 и принимает последовательности до 512 токенов. Доступны веса PyTorch, safetensors и TensorFlow. Модель компактнее по памяти благодаря разделению весов между слоями, но повторное применение слоёв сохраняет вычислительную нагрузку. Для специализированных задач её обычно дообучают; версия v1 уступает v2 на большинстве указанных в README downstream-бенчмарков. Предсказания могут отражать смещения обучающих данных. Лицензия — Apache-2.0.

BoghdadyJR/al-MiniLM-L6-v2 — модель Sentence Transformers на базе sentence-transformers/all-mpnet-base-v2, дообученная разработчиком на датасете code-search-net/code_search_net. Архитектура MPNet кодирует текст в плотные векторы размерности 768; для представления используются усреднение токенов и нормализация, а сходство измеряется косинусом. Модель насчитывает 136,7 млн параметров и рассчитана на последовательности до 384 токенов по README; метаданные указывают контекст до 514 токенов. Модель предназначена для семантического поиска по коду, сопоставления названий функций с их реализациями, сравнения предложений и абзацев, поиска перефразировок, кластеризации и классификации текстов. README приводит оценку Spearman 0,881 на sts-dev, однако эти результаты сами по себе не гарантируют аналогичное качество на других данных. Карточка указывает язык обучения как code; естественные языки, для которых модель специально рассчитана, не заявлены. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

BanglaASR — модель распознавания речи на бенгальском языке, разработанная Md Saiful Islam. Она представляет собой дообученную на данных Mozilla Common Voice модель Whisper small и предназначена для преобразования бенгальской речи в текст. Для обучения использовались около 400 часов аудио: 40 тысяч обучающих и 7 тысяч проверочных фрагментов; в README для оценки указан Word Error Rate 4,58%. Метаданные репозитория указывают архитектуру Whisper и 153,1 млн параметров, тогда как README описывает вариант small как имеющий 244 млн параметров. Модель принимает аудио и выдаёт текст. В карточке указана лицензия MIT. Оценка качества приведена для использованного набора данных; она не гарантирует такую же точность на других записях и условиях речи.

AyoubChLin/bert-base-multilingual-cased-xnli-nli — мультиязычная модель на архитектуре BERT, дообученная на датасете facebook/xnli для трёхклассового вывода по текстовой паре. Она определяет, следует ли гипотеза из посылки, нейтральна ли она относительно посылки или противоречит ей. Модель содержит 205,1 млн параметров, принимает пары текстов и имеет контекст до 512 токенов; более длинные входы обрезаются. Модель подходит для классификации текстовых пар и zero-shot-классификации, когда метки можно сформулировать как гипотезы. Карточка указывает на мультиязычную поддержку, но качество следует проверять на целевом языке и в целевой предметной области. Результаты NLI не следует использовать как самостоятельное доказательство фактичности утверждений. Лицензия в предоставленных данных не указана.

jsgao/bert-eli5c-retriever — модель извлечения признаков на основе BERT, представленная как Document Retriever для набора данных ELI5-Category. Для работы требуется дополнительный проекционный слой, описанный в связанном репозитории GitHub. Модель предназначена для получения текстовых представлений документов, которые можно использовать в сценариях поиска и извлечения документов. Она содержит 98,9 млн параметров и принимает последовательности длиной до 512 токенов. Доступны веса в форматах PyTorch и Safetensors; язык модели — английский. Лицензия в предоставленных данных не указана.

Карточка модели fluid-ai/bert-multilingual-passage-reranking-msmarco на Hugging Face совпадает с карточкой amber-tech/bert-multilingual-passage-reranking-msmarco, поэтому описание составлено по ней. amber-tech/bert-multilingual-passage-reranking-msmarco — мультиязычная модель ранжирования пассажей, дообученная на данных MS MARCO. Она принимает поисковый запрос и текстовый фрагмент, оценивает их соответствие и выдаёт оценку от −10 до 10; более высокое значение означает более релевантную пару. Модель построена на BERT с полносвязной сетью над вектором CLS размерности 768 и содержит 194,6 млн параметров. Модель предназначена для повторного ранжирования первых результатов поиска, например для повышения релевантности выдачи Elasticsearch. README заявляет поддержку более 100 языков, хотя обучение проводилось на англоязычных данных; автор также сообщает о хороших результатах на немецких запросах. Суммарный вход запроса и фрагмента ограничен 512 токенами, а указанное время обработки составляет около 300 мс на запрос на GPU. Модель доступна по лицензии Apache-2.0. Скорость может ограничивать её применение к большим наборам результатов; заявленные улучшения релевантности основаны на оценках автора и не гарантируют такой же эффект на других поисковых системах и данных.

shahrukhx01/bert-multitask-query-classifiers — модель на основе BERT с двумя классификационными головами для определения типа коротких текстовых фрагментов. Одна голова различает предложения с ключевыми словами и утверждения или вопросы, другая — утверждения и вопросы. Модель содержит около 12 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Модель предназначена для классификации запросов и предложений, например для разделения ключевых фраз, утверждений и вопросов. В карточке указаны наборы Quora Keyword Pairs и Spaadia SQuaD pairs. Она опубликована в форматах PyTorch и Safetensors; лицензия в предоставленных данных не указана.

BERTomelo ModernBERT Base v1 — португалоязычный энкодер типа BERT, разработанный на базе архитектуры ModernBERT и предварительно обученный с нуля на португальской части корпуса ClassiCC. Версия Base содержит 22 слоя и около 135,5 млн параметров, принимает последовательности до 1 024 токенов и предназначена для заполнения пропусков в тексте. Для обучения использовано около 386,48 млрд токенов; модель применяет RoPE, чередование локального и глобального внимания, а также FlashAttention 2. Карточка сообщает о результатах оценки на задачах семантического сходства, распознавания текстовых следствий и распознавания именованных сущностей для бразильского португальского. Модель подходит для заполнения пропущенных слов и может служить энкодером для последующей адаптации к задачам понимания португальского текста. Контекст 1 024 токена поддерживает обработку более длинных фрагментов по сравнению со многими ранними моделями для бразильского португальского. Репозиторий содержит веса в формате safetensors и имеет лицензию Apache-2.0. Среди ограничений карточка отмечает отсутствие стандартизированных тестов длинного контекста для португальского языка, отсутствие упаковки последовательностей в текущем выпуске и возможность смещений, унаследованных от веб-данных ClassiCC PT.

almanach/camembertv2-base-pawsx — франкоязычная модель классификации текста на архитектуре RoBERTa, разработанная Виссамом Антуном из Almanach, Inria-Paris. Она дообучена на FLUE-PAWS-X для выявления парафраз: модель определяет, выражают ли два предложения одинаковый смысл. В карточке указана точность 0,92254 на этом наборе данных. Модель содержит 138,4 млн параметров, принимает текст и выдаёт метку класса. Заявленный язык — французский; максимальный контекст составляет 1025 токенов. Модель распространяется по лицензии MIT. Результаты могут зависеть от характеристик обучающих данных, а качество на других наборах данных и задачах может быть ниже.

CogniSoftOrg/canary-1b-v2-mlx-bf16 — неофициальная конверсия модели NVIDIA Canary-1B-v2 для запуска на Apple Silicon через MLX и mlx-audio. Основная модель распознаёт речь и выдаёт текст; в репозитории также есть CTC-компонент для выравнивания текста по аудио и получения временных меток. Веса конвертированы из формата NVIDIA NeMo в safetensors с точностью bf16 без дообучения и квантизации. Модель построена на архитектуре FastConformer: 32-слойный аудиоэнкодер и 8-слойный Transformer-декодер. Она рассчитана на распознавание речи на 25 европейских языках, включая русский, и поддерживает перевод речи между английским и другими языками этого набора. Для CTC-выравнивания README указывает временные метки примерно с шагом 80 мс. README сообщает о проблемах совместимости в коде инференса mlx-audio 0.4.3: возможна ошибка типов в масках декодера, параметры языков могут фильтроваться, а жадное декодирование может зацикливаться на сложной записи. CTC-компонент может искажать текст на дальней или сложной речи, поэтому предназначен прежде всего для выравнивания. Лицензия — CC BY 4.0; конверсия не связана с NVIDIA и не одобрена ею.

Это конверсия CLIP ViT-B/32 от OpenAI для библиотеки Keras 3, подготовленная командой zeromodels. Модель использует два энкодера — изображений и текста — обученных сопоставлять пары «изображение — подпись» в общем пространстве эмбеддингов. Репозиторий содержит версию в формате TensorFlow; реализация Keras может работать с TensorFlow, Torch и JAX. Модель предназначена для классификации изображений по текстовым запросам без дообучения: при выводе ей передают изображения и текстовые подсказки, между которыми она оценивает соответствие. Архитектура также поддерживает поиск изображений по тексту и получение эмбеддингов изображений и текста. Лицензия — MIT. Качество результатов зависит от формулировок текстовых подсказок и соответствия изображений данным обучения. Модель сопоставляет изображения с текстом, поэтому не заменяет специализированный детектор объектов или систему распознавания текста на изображениях.

DatologyAI CLIP Classification Optimized ViT-B/32 — контрастивная модель «изображение—текст», разработанная DatologyAI на стандартной архитектуре CLIP без изменений в архитектуре и процедуре обучения. Модель использует визуальный энкодер ViT-B/32 с 86 млн параметров и текстовый трансформер из 12 слоёв; размер изображения — 224×224 пикселя, размер эмбеддинга — 512, контекст текстового энкодера — 77 токенов. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, а также для извлечения признаков изображений и использования в качестве визуального энкодера для VLM. Для обучения использовали курируемые DatologyAI данные DataComp-XL: README сообщает о 13 млрд пар «изображение—текст». В карточке заявлены точность 76,91% на ImageNet1k и улучшенная эффективность обучения; это результаты авторов, а не независимая оценка. Модель выпущена в форматах PyTorch и safetensors под лицензией Apache 2.0.

unsloth/codegemma-2b-bnb-4bit — 4-битная версия модели CodeGemma с примерно 2 млрд параметров, опубликованная в экосистеме Unsloth для использования с библиотекой Transformers. В README также упоминается поддержка Unsloth для дообучения моделей Gemma, однако конкретные сведения о разработчике исходной модели CodeGemma в предоставленных данных отсутствуют. Модель предназначена прежде всего для задач, связанных с программным кодом, включая генерацию и продолжение текста кода, а также эксперименты с дообучением. Указан английский язык. Архитектура и размер контекста в README не описаны; по идентификатору модели можно определить только вариант с 2 млрд параметров и 4-битным квантованием BNB. Ключевое преимущество версии — сниженные требования к памяти по сравнению с полноразмерными вариантами, что может упростить локальный запуск и дообучение. Ограничения связаны с малым размером модели, возможным снижением качества по сравнению с более крупными версиями и отсутствием в предоставленных данных подробных результатов оценки. Лицензия указана как Apache-2.0.

Comma v0.1-2T-GGUF — общеязыковая базовая модель, конвертированная сообществом из common-pile/comma-v0.1-2t в формат GGUF для llama.cpp и Ollama. Модель построена на архитектуре Llama 3 и содержит 7 млрд параметров; исходную версию обучали на 2 трлн токенов датасета Common Pile v0.1, состоящего из открыто лицензированных текстов и материалов общественного достояния. Модель предназначена для продолжения и генерации текста, в том числе для задач, связанных со знаниями и кодом, а также как основа для дальнейшего дообучения. Это базовая модель без настройки на выполнение инструкций: она не рассчитана на чатовый формат без дополнительного дообучения. Репозиторий содержит файл GGUF в формате F16 без квантизации, размером около 14 ГБ. Для поддержки уникального формата токенизатора Comma при конвертации потребовалась модификация llama.cpp. Лицензия — Apache 2.0.

Confucius4-R2T2 — модель распознавания речи в реальном времени от NetEase Youdao, дообученная на базе Qwen/Qwen3-ASR-1.7B. Она предназначена для потоковой и офлайн-транскрибации: выдаёт текст по мере поступления аудио и фиксирует уже выведенные фрагменты, не пересматривая их. Размер модели — 1,7 млрд параметров; архитектура — плотная Qwen3-ASR. Модель поддерживает настраиваемые интервалы декодирования от 80 мс до 2 с; в README заявлена средняя задержка 200–600 мс. Модель рассчитана прежде всего на китайскую и английскую речь, а также поддерживает ряд других языков, включая русский. Она подходит для субтитров и расшифровки в реальном времени, а также для передачи распознанного текста в NLP-системы и голосовых агентов. Доступны бэкенды vLLM и Hugging Face Transformers, а также подсказки с контекстом и ключевыми словами. README сообщает о высокой точности, но приведённые таблицы результатов опущены, поэтому независимо оценить эти заявления по карточке нельзя. Лицензия указана как other; конкретные условия следует проверить в репозитории модели.

daVinci-Dev-72B — модель GAIR для агентной разработки программного обеспечения. Она дообучена на базе Qwen2.5-72B и проходит mid-training на траекториях работы с запросами на слияние GitHub, затем supervised fine-tuning на успешных траекториях агента из исполняемых репозиториев. Модель рассчитана на использование в SWE-Agent и совместима со стандартными средствами инференса на базе Transformers. Модель предназначена для решения задач разработки кода в цикле с инструментами, тестами и обратной связью среды: например, поиска нужного контекста в репозитории, внесения изменений и проверки исправлений. В README для SWE-Bench Verified заявлен Pass@1 58,5% при использовании SWE-Agent, контексте 128 тыс. токенов и бюджете 100 шагов; нативный контекст модели по метаданным — 32 768 токенов. Веса представлены в формате safetensors, размер модели — 71,5 млрд параметров. Указана лицензия other; README не уточняет её условия.

DeBERTa Hallucination Judge — дообученный бинарный классификатор на базе microsoft/deberta-v3-base, разработанный в рамках EvalForge. Он принимает вопрос, контекст и ответ и определяет, соответствует ли ответ контексту: метка 0 означает faithful, метка 1 — hallucinated. Модель предназначена для быстрой локальной проверки ответов, например как первый фильтр в системах оценки LLM и RAG. Модель использует архитектуру DeBERTa V2 для классификации последовательностей, содержит 211,6 млн параметров и рассчитана на контекст до 512 токенов. Обучение проводилось на синтетических примерах HaluEval; лицензия — MIT. На отложенной выборке HaluEval модель показала F1 0,9937, однако на реальных примерах RAGTruth F1 снизился до 0,5067, а калибровка оценок ухудшилась. Поэтому её разумно использовать как недорогой первый фильтр с передачей неуверенных или нетипичных случаев более сильной модели-судье.

Карточка модели Tony-00316/dinov3-vits16-pretrain-lvd1689m на Hugging Face совпадает с карточкой facebook/dinov3-vits16-pretrain-lvd1689m, поэтому описание составлено по ней. facebook/dinov3-vits16-pretrain-lvd1689m — визуальный энкодер семейства DINOv3, разработанного Meta AI и доступного через библиотеку Transformers. Модель относится к архитектуре Vision Transformer (ViT-S) с патчами 16×16 и обучена на веб-данных LVD-1689M; в карточке указано, что малые модели семейства дистиллированы из ViT-7B. Размер ViT-S — 21 млн параметров, размерность эмбеддингов — 384, используются четыре регистрационных токена и RoPE. Модель принимает изображение и извлекает признаки: токен класса, токены патчей и регистрационные токены. Полученные представления предназначены для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и других задач компьютерного зрения, в том числе с простыми классификаторами поверх замороженных признаков. Модель рассчитана на универсальное визуальное представление и не требует дообучения для многих сценариев; размер изображения должен быть кратен 16, иначе оно обрезается до ближайшего меньшего размера, кратного размеру патча. В карточке отмечено, что качество признаков может различаться между географическими регионами и категориями дохода, а дообучение способно усилить смещения, связанные с метками. Модель распространяется по лицензии DINOv3 License (в метаданных обозначена как other); перед использованием следует проверить её условия.

Donut Base ASCII — преобразованная версия naver-clova-ix/donut-base, подготовленная nbroad. Это модель архитектуры Vision Encoder-Decoder для преобразования изображений в текст. Из словаря удалены не-ASCII токены и добавлен токен «1»; модель не обучалась дополнительно после исходной. Модель рассчитана на базовые англоязычные сценарии, где распознаваемый текст состоит преимущественно из латинских букв, цифр и обычной пунктуации. В сравнении, приведённом автором карточки, генерация 10 токенов занимала около 195 мс против 205 мс у исходной модели и 280 мс при использовании списка запрещённых токенов. Модель распространяется под лицензией Apache-2.0. Удаление токенов ограничивает её применимость к текстам с символами за пределами ASCII; дополнительных задач обучения автор не проводил.

Eklav-0.6B-Reranker-CotGen — дообученная командами Eklav модель на базе Qwen/Qwen3-0.6B для ранжирования текстовых фрагментов по релевантности запросу. Это базовая линия CotGen: модель обучалась на задачах BRIGHT и NevIR методом полной дистилляции цепочки рассуждений. При использовании как поточечного реранкера она генерирует рассуждение, завершающееся меткой true или false; релевантность оценивают по логитам финального токена. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 508 млн параметров и контекст до 40 960 токенов. Она принимает текст и выдаёт текст; заявлена поддержка диалогового режима. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. В README отмечено, что генерация с фиксированным лимитом токенов иногда затягивается, переходит в повторения и не завершает ответ. Для реранжирования авторы рекомендуют запуск через vLLM с условием остановки по строке.

EmotiSpace-128 — англоязычная модель на базе BERT, разработанная автором репозитория lunahr. Она преобразует текст в нормализованный эмоциональный эмбеддинг размерности 128 и одновременно выдаёт логиты и вероятности меток эмоций в стиле GoEmotions. Модель дообучена на google-bert/bert-base-uncased с размороженными последними четырьмя слоями BERT и поддерживает контекст до 512 токенов. Модель предназначена для классификации эмоций, поиска текстов с близким эмоциональным смыслом по косинусному сходству, работы с пользовательскими эмоциональными якорями, отслеживания настроения диалога и передачи эмоциональных сигналов в системы управления тоном или просодией речи. Классификатор ограничен набором меток GoEmotions, тогда как эмбеддинги позволяют задавать собственные эмоциональные якоря, которые следует проверять для конкретного применения. Модель оценивает эмоциональный смысл текста, а не испытывает эмоции; её выводы не подходят для психологической диагностики или оценки психического здоровья. Лицензия — Apache-2.0.