II.8Инженерия данных и аналитика

sobamchan/bert-base-uncased-mean-50 — англоязычная модель Sentence Transformers, дообученная разработчиком на базе google-bert/bert-base-uncased на датасете all-nli. Архитектура использует BERT, mean pooling и нормализацию; модель преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения по косинусному сходству. В метаданных указан размер 136,7 млн параметров и контекст до 512 токенов; карточка модели задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического сходства текстов, семантического поиска, поиска перефразировок, кластеризации и извлечения признаков для классификации текста. Она поддерживает английский язык и принимает текст, выдавая векторные представления. Ограничения: модель обучалась на all-nli и ориентирована на английские тексты; качество на других языках и специализированных данных не подтверждено. Лицензия в предоставленных данных не указана.

RK-1235/bge-base-FIR-matryoshka-BASELINE-10epo-triplet — дообученная модель Sentence Transformers на основе англоязычной BAAI/bge-base-en, созданная разработчиком репозитория. Она преобразует предложения и абзацы в плотные текстовые векторы размерностью 768 и предназначена для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. Архитектура включает BERT, пулинг по CLS-токену и нормализацию векторов; максимальная длина входа — 512 токенов, сходство оценивается косинусной мерой. В README приведены оценки поиска для усечённых векторов размерностью от 64 до 1024 на тестовом наборе dim_1024/dim_768 и других наборах; результаты относятся к этим данным и не гарантируют качество на иных задачах. Модель рассчитана на английский текст. Лицензия в предоставленных сведениях не указана.

BGE micro v2 ESG — компактная модель Sentence Transformers, дообученная на базе TaylorAI/bge-micro-v2 для представления английских предложений и абзацев в виде плотных векторов. В основе используется BERT с усреднением токенных представлений; модель содержит 18,8 млн параметров, выдаёт эмбеддинги размерности 384 и принимает последовательности длиной до 512 токенов. Для сравнения векторов предусмотрена косинусная мера сходства. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Обучение на парах контекстов и вопросов с MatryoshkaLoss позволяет использовать укороченные представления размерностью 256, 128, 64 или 32, хотя показатели поиска снижаются при уменьшении размерности. Поддерживается английский язык. Лицензия — Apache-2.0.

jjduquec/conflubot_embed_model — дообученная модель SentenceTransformer на базе sentence-transformers/all-MiniLM-L6-v2, разработанная владельцем репозитория jjduquec. Это энкодер предложений на архитектуре BERT: он преобразует текст в плотные векторы размерности 384 и нормализует их; близость можно оценивать косинусным сходством. Модель дообучена на триплетах из 306 636 обучающих примеров и рассчитана на сравнение предложений и абзацев, семантический поиск, поиск перефразировок, классификацию и кластеризацию текстов. Метаданные указывают контекст до 512 токенов, а README — максимальную длину последовательности 256 токенов. Доступен формат safetensors; для работы заявлена библиотека Sentence Transformers. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. Модель основана на англоязычном энкодере; сведения о её оценке на независимых наборах данных не приведены.

DeepSeek-Coder-V2-Lite-Base-GGUF — набор GGUF-квантизаций базовой модели DeepSeek-Coder-V2-Lite-Base, разработанной командой DeepSeek и преобразованной в GGUF пользователем bartowski. Квантизация выполнена с помощью llama.cpp, релиз b3166, с использованием imatrix и специализированного набора данных. Модель относится к классу text-generation и предназначена прежде всего для генерации и обработки программного кода, а также других сценариев локальной генерации текста. Доступны варианты квантизации от Q8_0 и Q8_0_L до Q2_K и IQ2_S, размером примерно от 6,00 до 17,09 ГБ. Старшие варианты обеспечивают очень высокое качество, тогда как младшие требуют меньше оперативной памяти, но заметно уступают по качеству. Для ряда вариантов указана поддержка контекстного формата с системным сообщением, запросом пользователя и ответом ассистента. Архитектура, число параметров, поддерживаемые языки программирования, максимальная длина контекста и дополнительные модальности в README не указаны, поэтому модель следует рассматривать как текстовую. Основные преимущества — широкий выбор уровней сжатия, возможность запуска через llama.cpp и хорошее сохранение качества у вариантов Q5–Q8; варианты Q6_K и Q5_K рекомендованы автором как сбалансированные. Ограничения связаны с потерей качества при низких уровнях квантизации и с тем, что некоторые варианты имеют экспериментальный статус. Модель распространяется по лицензии DeepSeek License; точные условия следует уточнять в файле LICENSE исходного репозитория.

much1na/distil-cohere-l2-ckpt-bkp — англоязычная Sentence Transformer модель, дообученная разработчиком на базе google/bert_uncased_L-6_H-512_A-8. Архитектура состоит из трансформера BERT с усредняющим pooling; модель содержит 40,8 млн параметров и преобразует текст в плотные векторы размерности 512. Максимальная длина последовательности — 512 токенов, сходство векторов можно оценивать косинусной мерой. Модель предназначена для поиска семантически близких предложений и абзацев. Её можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста. README сообщает о дообучении на датасете parquet с 3 810 976 примерами, содержащими текст и векторные метки. Лицензия в предоставленных данных не указана.

Dolphin 2.9.2 Qwen2 7B — разговорная языковая модель, созданная Eric Hartford, Lucas Atkins, Fernando Fernandes и командой Cognitive Computations на основе Qwen2-7B. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, дообученная на инструктивных, диалоговых и программных данных. В карточке заявлены навыки ответов на инструкции, ведения беседы, программирования, начальные агентные возможности и вызов функций. Модель предназначена для генерации текста в формате чата, помощи с кодом и выполнения запросов к функциям. Базовая модель поддерживает контекст до 128 тысяч токенов, однако полновесное дообучение Dolphin проводилось на последовательностях длиной 16 тысяч токенов. Репозиторий использует формат safetensors; метаданные указывают библиотеку Transformers. Модель описана авторами как uncensored и более склонная выполнять запросы, включая небезопасные. Для публичного сервиса рекомендуется самостоятельно добавить слой выравнивания поведения. Лицензия — Tongyi Qianwen; README допускает коммерческое использование при соблюдении её условий.

EuroBERT-210m — многоязычная плотная модель-энкодер семейства EuroBERT, разработанная для работы с текстом, кодом и математическими задачами. В этой версии около 211,7 млн параметров; максимальная длина входной последовательности — 8192 токена. Модель доступна для использования через Transformers и опубликована под лицензией Apache-2.0. Модель предназначена для заполнения пропусков в тексте, поиска и извлечения информации, классификации и регрессии. По данным карточки, семейство EuroBERT оценивается на задачах retrieval, классификации последовательностей, оценки качества и задачах, связанных с кодом и математикой; каталог также указывает поддержку разметки токенов и ответов на вопросы. Поддерживаются английский, французский, немецкий, испанский, китайский, итальянский, русский, польский, португальский, японский, вьетнамский, нидерландский, арабский, турецкий и хинди. Сильная сторона модели — многоязычное представление текста и широкий набор сценариев для энкодера при умеренном размере. Это не генеративная чат-модель: её основная задача в метаданных — fill-mask, а для прикладных сценариев классификации, поиска и других задач может потребоваться соответствующая голова или дообучение. README сообщает о сильных результатах семейства на сравнительных оценках, но не приводит здесь подробных метрик для версии 210m.

FRIDA — полноразмерная модель эмбеддингов текста, разработанная командой SaluteDevices AI for B2C RnD. Она основана на энкодере FRED-T5 и использует архитектуру T5; число параметров — 936,6 млн. Модель предварительно обучена на русско-английском наборе данных и дообучена для получения текстовых представлений. Репозиторий содержит веса в формате safetensors. FRIDA предназначена для построения эмбеддингов и оценки сходства предложений. Её можно применять для семантического поиска, подбора похожих текстов и задач ранжирования, используя подходящие префиксы и pooling CLS. Максимальная длина входа — 512 токенов. Модель распространяется по лицензии MIT.

FuseChat-7B-TA — диалоговая языковая модель FuseAI, разработанная в рамках исследовательской работы учёных Университета Сунь Ятсена. Это вариант FuseChat-7B, полученный слиянием знаний нескольких чат-моделей; версия TA использует один из методов слияния. В метаданных указаны архитектура Mistral, 7,1 млрд параметров и базовая модель OpenChat 3.5, дообучение которой также входит в процесс создания FuseChat. Модель предназначена для диалогов и выполнения текстовых инструкций общего назначения, включая ответы на вопросы, письмо, ролевые сценарии, рассуждения, математику, программирование и темы STEM и гуманитарных наук. Контекст составляет 8192 токена. В README для FuseChat-7B-TA указана средняя оценка 8,20 на MT-Bench. Модель принимает и выдаёт текст; в карточке отмечен английский язык. Слияние позволяет объединить способности нескольких моделей в одной без необходимости загружать несколько экспертов во время инференса. Модель выпущена под лицензией Apache-2.0. Показатель MT-Bench не гарантирует качество для конкретной задачи; подтверждённые возможности в карточке ограничены генерацией текста и чатом.

Valiant Labs разработала Esper 4 — инструкционную модель для программирования, архитектуры систем, DevOps и MLOps на базе Gemma 4 12B. Это плотная мультимодальная модель семейства Gemma 4 с поддержкой изображений; метаданные указывают на архитектуру Gemma4UnifiedForConditionalGeneration и формат весов safetensors. Она предназначена для диалогового помощника и агентных сценариев, включая разработку и эксплуатацию ИИ-систем. Модель ориентирована на сложные запросы по коду, проектированию архитектуры и DevOps. В карточке отмечены примеры применения с Python, TypeScript, JavaScript, Java, C++, C#, Rust, Go, Haskell, Bash и PowerShell, а также Jenkins, Terraform, Ansible, Docker, Kubernetes, Helm, Grafana, Prometheus и облачными платформами Azure, AWS и GCP. Метаданные указывают английский язык; базовая модель также поддерживает работу с текстом, изображениями, видео и аудио, но карточка Esper отдельно подтверждает только поддержку изображений. Лицензия — Apache-2.0. Заявленные улучшения относятся к программированию, архитектуре и DevOps; независимые оценки качества и сведения о длине контекста в предоставленных данных отсутствуют.

German-RAG-BGE-M3-MERGED-x-SNOWFLAKE-ARCTIC-HESSIAN-AI — объединённая модель Sentence Transformers команды German-RAG AI. Она кодирует предложения и абзацы в плотные векторы размерности 1024 для сравнения текстов и семантического поиска. Архитектура основана на XLM-RoBERTa с pooling по CLS-токену и нормализацией; максимальная длина последовательности — 8192 токена, сходство можно измерять косинусной мерой. Модель предназначена прежде всего для немецкоязычных сценариев RAG и поиска: сопоставления запроса с документами, ранжирования контекстов по смысловой близости, поиска парафраз и тематической кластеризации. В README приведены оценки на задачах классификации, поиска и семантического сходства, включая немецкие наборы данных. Поддерживаются немецкий и английский языки. Модель объединяет German-RAG-BGE-M3-TRIPLES-MERGED-HESSIAN-AI и Snowflake/snowflake-arctic-embed-l-v2.0; указано 658,7 млн параметров. Лицензия — MIT. Показатели в README зависят от набора данных и не гарантируют превосходство на произвольных корпусах; входом служит текст, выходом — векторные представления.

German-RAG-BGE-M3-TRIPLES-MERGED-HESSIAN-AI — модель Sentence Transformers, разработанная командой German-RAG AI. Она объединяет дообученную на примерно 300 тысячах триплетов модель German-RAG-BGE-M3-TRIPLES-HESSIAN-AI с BAAI/bge-m3, чтобы сохранить качество на других языках. Модель основана на XLM-RoBERTa, содержит 658,7 млн параметров и преобразует текст в плотные векторы размерностью 1024; максимальная длина последовательности — 8194 токена. Для сравнения векторов используется косинусное сходство. Модель предназначена для семантического поиска и сопоставления предложений и абзацев. Её можно применять для поиска по немецким документам, оценки семантического сходства, поиска перефразирований, кластеризации и классификации текста. В README приведены результаты оценки на немецких задачах классификации, поиска и сходства, а также тест на бенчмарке German-RAG-EMBEDDING-BENCHMARK. Лицензия в предоставленных данных не указана.

GLM-4-9B — базовая плотная языковая модель семейства GLM-4, разработанная Zhipu AI. Репозиторий содержит версию с 8,8 млрд параметров в формате safetensors; она предназначена для генерации текста и служит базой для последующей настройки под диалоговые и другие задачи. Модель оценивалась на задачах семантики, математики, рассуждений, программирования и общих знаний. В карточке описана многоязычная поддержка, включая китайский и английский; метаданные также указывают эти языки. Контекст этой версии составляет 8192 токена. Упомянутые в README возможности вызова инструментов, веб-поиска и контекст до 128K относятся к GLM-4-9B-Chat, а не к данной базовой версии. Для работы с весами требуется transformers версии 4.46.0 или новее. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория. Модель не является мультимодальной: описание этой линейки отдельно выделяет GLM-4V-9B как визуальную модель.

GLM-5.3-Flash-TQ3_4S — текстовая GGUF-квантизация модели zai-org/GLM-5.3-Flash, подготовленная автором репозитория для запуска через llama.cpp с поддержкой TurboQuant. Используется архитектура Mixture of Experts: активны 8 из 288 маршрутизируемых экспертов на токен. Формат TQ3_4S имеет номинальную точность около 4 бит на вес; маршрутизируемые эксперты хранятся в 2-битном формате, внимание и общие эксперты — в 6-битном, а нормализации и смещения — в FP32. Веса занимают около 101,6 ГиБ и распределены по четырём GGUF-файлам. Модель предназначена для диалоговой генерации текста, программирования и вызова инструментов. Сохранённая MTP (NextN) голова позволяет использовать спекулятивное декодирование без отдельной черновой модели. README приводит результаты тестов на NVIDIA GB10/DGX Spark и рекомендует контекст 40 960 токенов в поставляемой конфигурации; заявлена проверенная работа до 512 тыс. токенов на этом оборудовании. Поддерживаются английский и китайский языки. Эта сборка не содержит vision tower, поэтому не принимает изображения, хотя базовая модель поддерживает обработку изображений. Для работы необходима публичная ветка TurboQuant runtime: основной llama.cpp не поддерживает тип тензора TQ3_4S. README отмечает необходимость пользовательского шаблона чата. Квантизация сокращает размер весов, но её влияние на качество может зависеть от задачи и оборудования; приведённые оценки получены на одной конфигурации и не гарантируют аналогичных результатов в других условиях. Лицензия — MIT.

Granite-4.0-Tiny-Base-Preview — базовая языковая модель команды Granite компании IBM для генерации текста и адаптации под специализированные сценарии. По карточке это гибридная MoE-модель с компонентами Mamba-2 и softmax-вниманием; метаданные указывают архитектуру GraniteMoeHybridForCausalLM и 423,3 млн параметров. Контекст составляет 131 072 токена. README также описывает вариант архитектуры с GQA, NoPE, SwiGLU и RMSNorm, однако расходится с метаданными по числу параметров и некоторым деталям архитектуры. Модель предназначена для суммаризации, классификации и извлечения информации из текста, ответов на вопросы и других задач с длинным контекстом. Она обучалась на данных из веба, кода, академических источников, книг и математических материалов; второй этап обучения включал отобранные данные и инструкции. Заявлена поддержка английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков. Выпущена в формате safetensors для Transformers и распространяется по лицензии Apache 2.0. Модель не проходила safety alignment, поэтому может генерировать проблемный или недостоверный текст; README также отмечает риск дословного воспроизведения обучающих данных. Перед практическим применением результаты следует проверять. Несмотря на слово Tiny в названии, доступные сведения о размере противоречат друг другу, поэтому точный размер по этим источникам установить нельзя.

GRM-2.6-Plus — дообученная OrionLLM мультимодальная модель на 27 млрд параметров на архитектуре Qwen3.6. Она предназначена для сложных задач общего назначения: рассуждений, программирования, диалога и агентных сценариев с использованием инструментов. Модель принимает текст и изображения и генерирует текст; метаданные указывают на поддержку чата и интерфейса вызова инструментов. Разработчик позиционирует модель как вариант для локального применения, ориентированный на структурированные рассуждения и практическую работу на подходящем потребительском или рабочем оборудовании. В README заявлены сильные стороны в решении сложных задач и генерации кода, однако приведённые бенчмарки опущены, поэтому эти заявления нельзя оценить по карточке. Модель распространяется в формате safetensors по лицензии Apache 2.0.

sentence-transformers/gtr-t5-large — модель эмбеддингов на базе энкодера T5-large, представленная в формате Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и обучена для семантического поиска. Модель подходит для построения поисковых систем по смыслу, получения кандидатов для последующей ранжировки и сравнения текстовых запросов с документами. Модель основана на gtr-large-1 и была преобразована из TensorFlow в PyTorch; используются веса FP16. В README отмечено, что эмбеддинги могут немного отличаться от TensorFlow-версии, хотя на тех же бенчмарках результаты совпадают. Репозиторий содержит 385,2 млн параметров, поддерживает английский язык и имеет контекст до 512 токенов. Лицензия — Apache-2.0.

GeniusVoice/gv-semanticsearch-dutch-cased — модель Sentence-Transformers на базе BERT, разработанная для преобразования предложений и абзацев в плотные векторы размерностью 768 для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,3 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги. Обучение с MultipleNegativesRankingLoss и косинусным сходством направлено на получение векторов, полезных для ранжирования семантически близких текстов. По названию модель ориентирована на нидерландский язык с сохранением регистра. Её можно применять для поиска документов по смыслу, группировки похожих предложений и вычисления семантического сходства. Лицензия в предоставленных данных не указана.

ICT-TIME-and-Querit-embedding-v1 — модель текстовых эмбеддингов, разработанная ICT-TIME-and-Querit на основе Qwen3-4B. Она предназначена для поиска по смыслу, сопоставления предложений, ранжирования и других задач, где текст нужно представить в виде векторов. Модель использует архитектуру Qwen3 с 3,7 млрд параметров, pooling по последнему токену и контекст до 40 960 токенов по метаданным (в README указано 32k). Модель обучена на общих текстовых данных и данных для поиска кода, а итоговая версия объединяет модели двух этапов обучения методом Multi-SLERP. В README приведены результаты на MTEB English v2, HUME и MTEB Code; заявленная область применения охватывает как обычные тексты, так и код. Основной язык обучения — английский, также в обучающих данных есть китайские и другие языки. Метаданные указывают библиотеку Transformers и формат safetensors. Лицензия в предоставленных данных не указана. Показатели бенчмарков из README не гарантируют такого же качества на конкретных данных; особенно важно оценивать модель на целевом языке и домене.

JinaColBERT V2 — мультиязычная модель поиска по текстовым запросам и фрагментам документов, разработанная Jina AI. Она использует архитектуру ColBERT с поздним взаимодействием токенов: модель строит многовекторные представления текста, пригодные для точного ранжирования найденных фрагментов в системах поиска и RAG. Число параметров — 658,7 млн, контекст — до 8194 токенов; базовая версия формирует эмбеддинги размерности 128, а варианты jina-colbert-v2-96 и jina-colbert-v2-64 позволяют сократить размер представлений. Поддерживаются десятки языков. Матриошковые эмбеддинги позволяют выбирать баланс между эффективностью и точностью. В README приведены результаты на BEIR, MS MARCO, MIRACLE и mMARCO, включая сравнения с предыдущими моделями и BM25. Модель предназначена для извлечения и ранжирования текстовых фрагментов, а не для генерации ответов. Для эксплуатации доступны веса Safetensors и ONNX. Лицензия CC BY-NC 4.0 разрешает использование с некоммерческими ограничениями.

jinaai/jina-embeddings-v5-text-nano-retrieval-mlx — порт модели эмбеддингов jina-embeddings-v5-text-nano-retrieval для библиотеки MLX, предназначенный для эффективного инференса на компьютерах Apple Silicon. Модель построена на архитектуре EuroBERT с плотным представлением и содержит 211,7 млн параметров по метаданным Hugging Face. Она принимает текст и преобразует его в векторные представления для поиска по смыслу и задач retrieval; максимальная длина последовательности составляет 8192 токена. Модель поддерживает многоязычный текст и может применяться для семантического поиска и извлечения релевантных документов. Репозиторий распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. README указывает 239 млн параметров, тогда как метаданные содержат 211,7 млн; для размера в этом описании использовано значение метаданных.

JiRack Ultra 14B — плотная языковая модель на 14 млрд параметров от CMSManhattan, предназначенная для локального и облачного инференса на CPU. По карточке, модель построена на архитектуре DeepSeek R1-14B, переработана с поддержкой ternary/BitNet-подхода и использует обновлённый токенизатор с тегами для маршрутизации, мультимедиа, вызова инструментов и робототехники. Метаданные указывают архитектуру Qwen2 и контекст до 131 072 токенов; заявлены GGUF-квантизации от Q2_K до Q8_0 и веса safetensors. Модель подходит для диалоговой генерации текста, использования в RAG как экспертная модель, программирования и агентных сценариев с вызовом инструментов. В карточке описаны варианты запуска через llama.cpp и Ollama, а также варианты для CPU с разными требованиями к памяти. Теги модели указывают поддержку многих языков, включая русский, английский, китайский, японский, корейский, европейские и ряд других языков. Веса распространяются по лицензии MIT, разрешающей в том числе коммерческое использование. Docker-образ, готовые квантизованные сборки Ollama и интерфейсные клиенты могут иметь отдельные коммерческие условия. Заявления карточки о производительности, поддержке робототехники и инструментах следует считать описанием разработчика; практическое качество и совместимость зависят от сборки и оборудования.

Kiel-2.1-Echo — языковая модель для диалогов и выполнения инструкций, разработанная KielTech в экосистеме Kiel AI. Это плотная причинная модель семейства Llama с 3,2 млрд параметров, дообученная на базе kiel2/Kiel-2-Echo и распространяемая как самостоятельные веса Safetensors в формате FP16. Метаданные указывают контекст до 131 072 токенов. Модель предназначена для разговорных ассистентов, генерации кода, помощи с асинхронными сценариями на Python, рассуждений о программной архитектуре и решения задач из разных областей. Она принимает текстовые запросы и генерирует текст; заявленный язык — английский. В карточке заявлены высокая производительность и строгое следование инструкциям, но сравнительные оценки или результаты тестов не приведены. Указаны варианты развёртывания через Transformers, vLLM и Text Generation Inference. Лицензия в предоставленных данных не описана.

Laguna XS 2.1 — языковая модель Poolside для агентного программирования и длительных рабочих сценариев на локальном компьютере. Это текстовая модель text-to-text, представленная в формате GGUF для llama.cpp и совместимая с vLLM и SGLang. Она предназначена прежде всего для задач разработки программного обеспечения, включая работу с терминалом, вызов инструментов и многошаговое выполнение задач. Модель использует архитектуру Mixture-of-Experts: 33 млрд параметров всего, из которых 3 млрд активируются на каждом токене. В ней 40 слоёв, 256 экспертов и один общий эксперт; 30 слоёв используют sliding window attention с окном 512 токенов, а 10 — глобальное внимание. Поддерживаются интерleaved reasoning между вызовами инструментов, сохранение рассуждений и включение или отключение режима рассуждений для отдельных запросов. Контекстное окно составляет до 262 144 токенов, а KV-кэш хранится в формате FP8 для снижения требований к памяти. К сильным сторонам относятся сочетание большого общего числа параметров с малым числом активных параметров, поддержка длинного контекста, инструментального взаимодействия и локального запуска. Для локального использования рекомендована квантизация Q4_K_M размером 20,3 ГБ; полноточная версия BF16 занимает 66,9 ГБ. Ограничением является то, что поддержка Laguna XS 2.1 на момент публикации README ещё не включена в основную ветку llama.cpp и требует сборки из специальной ветки или pull request. Модель рассчитана на программную инженерию и агентные сценарии, поэтому её пригодность для других задач следует проверять отдельно. Модель распространяется по лицензии OpenMDW-1.1, допускающей свободное использование и модификацию модели и связанных материалов в коммерческих и некоммерческих целях при соблюдении условий лицензии и политики допустимого использования Poolside.

lecore-bge-assimilated — англоязычная модель текстовых эмбеддингов на базе BAAI/bge-base-en-v1.5 от BAAI, обработанная механизмом leCore: спектральный фильтр не изменил слои, а веса были повторно квантованы с переменной разрядностью. Архитектура — BERT; размер — 136,7 млн параметров, контекст — до 512 токенов. Репозиторий содержит контейнер весов fp32, привязанный к квантовочной сетке; средняя разрядность весов после обработки составляет 7,62 бита. Модель предназначена для получения эмбеддингов и сравнения текстов, в том числе для семантического поиска и систем RAG. В тестах автор README сообщает результаты, близкие к полной версии BGE на SciFact, NFCorpus, ArguAna и SCIDOCS. Лицензия — MIT. Повторная квантовка уменьшает размер представления весов, но сама по себе не ускоряет CPU-инференс: по данным README, он работает примерно со скоростью обычной bge-base. Указанные около 132 МБ относятся к оценке упакованных весов; в репозитории поставляется fp32-контейнер размером 438 МБ, а для реализации экономии памяти при инференсе нужен совместимый упакованный runtime.

Llamaverse-3.1-8B-Instruct — плотная языковая модель семейства Llama 3.1, созданная объединением MathCoder2-Llama-3-8B и десяти специализированных моделей методом Model Stock. Она предназначена для диалоговой генерации текста и сочетает заявленные в карточке навыки математических рассуждений, программирования, биомедицинских тем, извлечения информации, повествования и ролевого общения. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст; заявленная длина контекста — 8192 токена. Модель можно применять для решения математических задач, написания и объяснения кода, создания историй и ответов на общие вопросы. Карточка также заявляет возможности в биомедицинских темах, однако предупреждает, что в важных медицинских и иных высокорисковых сценариях необходим контроль специалиста. Среди ограничений — возможные смещения и ненадёжность ответов; независимые показатели качества в карточке не приведены. Модель выпущена по лицензии Llama 3.1 Community License.

lodestone-base-4096-v1 — модель эмбеддингов предложений и абзацев от Hum-Works, созданная Griffin McCauley, Will Fortin и Dylan DiGioia в 2023 году. Это дообученная версия mosaic-bert-base-seqlen-2048: архитектура BERT с FlashAttention, ALiBi и GLU, около 136,7 млн параметров. Модель кодирует текст в плотный вектор размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. Модель рассчитана на длинные предложения и абзацы: поддерживает последовательности до 4096 токенов, хотя при обучении использовалась длина до 2048 токенов. Она обучена контрастивным методом на большом наборе пар текстов и показывает сопоставимые результаты со стандартными моделями эмбеддингов на типовых бенчмарках. Основной язык карточки — английский; среди источников обучения указаны датасеты вопросов и ответов, научных текстов, Reddit и поиска кода. Лицензия — Apache-2.0. В README отмечены ограниченный размер обучающего батча и недостаток примеров максимально допустимой длины, поэтому качество эмбеддингов для очень длинных текстов может требовать дополнительной настройки. README также предупреждает о возможных смещениях в данных Reddit.

LongCat-2.0 — большая языковая модель семейства LongCat, представленная разработчиками проекта LongCat. Это модель архитектуры MoE с классом LongcatCausalLM; в метаданных репозитория указано 42,1 млрд параметров, тогда как README описывает полную версию с 1,6 трлн параметров и примерно 48 млрд активируемых на токен. Репозиторий содержит веса в формате safetensors и использует лицензию MIT. Модель предназначена для диалоговой генерации текста, программирования, понимания кода и репозиториев, выполнения задач агентами и работы с инструментальными сценариями. README сообщает об обучении на данных с контекстом до 1 млн токенов и об архитектурном механизме LongCat Sparse Attention для длинных последовательностей; метаданные указывают нативный контекст 262 144 токена. В карточке также заявлены чат и интерфейс вызова инструментов. README особо выделяет задачи с длинным горизонтом, редактирование кода на уровне репозитория и автоматизацию действий; развёртывание описано для GPU и NPU. Модель не оценивалась всесторонне для всех возможных прикладных сценариев. Условия лицензии — MIT.

Macaron-V1.1 — агентная модель MindLab Research, построенная на GLM-5.3 и дообученная для диалогов, работы с инструментами, программирования и генерации пользовательских интерфейсов. В README описана архитектура Mixture of LoRA: общая базовая модель GLM-5.3 и четыре LoRA-специалиста для чата, агентных задач, программирования и Generative UI. Метаданные указывают 30,4 млрд параметров, архитектуру семейства GLM MoE DSA, формат safetensors и контекст до 1 048 576 токенов; README отдельно называет релизный масштаб 752 млрд параметров, включая базу 744 млрд и четыре адаптера по 2 млрд, поэтому сведения о размере различаются. Модель предназначена для разговорного взаимодействия, выбора и применения инструментов в многошаговых рабочих процессах, длительных задач разработки ПО и создания интерфейсов. В карточке приведены результаты нескольких бенчмарков, но часть оценок является самоотчётной или получена по различающимся протоколам; полные сведения для воспроизведения экспериментов отсутствуют. Указанная лицензия — MIT.