II.8Инженерия данных и аналитика

GLM-4.7-Flash-RAZOR-24B-A3B-E48of64 — производная диалоговая модель семейства GLM, созданная Nickyang методом RAZOR: из 64 маршрутизируемых экспертов в каждом MoE-слое удалена четверть, осталось 48. Градиентного дообучения и восстановления после обрезки не проводилось; сохранены исходные веса оставшихся компонентов. По README, в контрольной точке 24,123 млрд параметров с учётом MTP, а метаданные каталога указывают 4,1 млрд параметров; эти значения расходятся, поэтому размер модели требует проверки. Архитектура использует GLM-4.7-Flash и реализацию glm4_moe_lite в Transformers; контекст — 202752 токена. Модель предназначена для диалоговой генерации текста, рассуждений и программирования с длинным контекстом. Сокращение пула экспертов уменьшает объём хранимых экспертных весов примерно на четверть, при этом README сообщает, что вычисления на токен практически не меняются. Контрольная точка хранится в bfloat16, в семи шардах safetensors; для запуска требуется сборка Transformers с нативной поддержкой glm4_moe_lite. Обрезка экспертов необратима и может менять разнообразие, форматирование и завершение ответов, даже если точность на отдельных задачах в целом сохраняется. Поведение на областях, далёких от конечного калибровочного корпуса, не охарактеризовано. Лицензия — MIT.

Модель stephanefschwarz/google-bert-MultipleNegativesRanking-InverseCosineSimilarity-loss — Sentence Transformer на архитектуре BERT, предназначенная для получения плотных векторных представлений предложений и абзацев. Она содержит 194,6 млн параметров, формирует эмбеддинги размерности 768 и принимает последовательности длиной до 512 токенов; для объединения токенов используется усреднение. Модель обучали на 10 000 примерах с парами предложений и оценками сходства, применяя CosineSimilarityLoss с функцией MSE. Эмбеддинги можно использовать для семантического сравнения текстов, поиска близких по смыслу фрагментов, поиска парафраз, кластеризации и классификации текста. В карточке приведены также 11 618 примеров для оценки. Модель поддерживает работу через библиотеку Sentence Transformers; лицензия в предоставленных данных не указана.

ShiningValiant3 — дообученная Valiant Labs модель генерации текста на архитектуре GPT-OSS-20B с MoE. Она предназначена для научных рассуждений, проектирования систем искусственного интеллекта, решения сложных задач, общего и творческого reasoning, а также диалогов и следования инструкциям. В карточке указаны наборы данных с примерами рассуждений DeepSeek R1 0528; модель использует формат промпта gpt-oss-20b и обычно рекомендуется высокий уровень reasoning. Модель принимает текст и генерирует текст. Метаданные указывают контекст до 131 072 токенов и 1,6 млрд параметров; доступен формат safetensors, а в README отмечены веса bf16 и возможность локального запуска на настольных и мобильных устройствах, а также быстрого серверного инференса. Основной язык карточки — английский. Модель распространяется по лицензии Apache-2.0. README позиционирует её для открытого использования; практические результаты зависят от сценария и вычислительных ресурсов, особенно при использовании bf16.

Granite-Embedding-125m-English — англоязычная модель эмбеддингов команды Granite Embedding компании IBM. Она преобразует текст в векторы размерности 768 для поиска, извлечения документов и вычисления сходства между текстами. Модель рассчитана на сценарии семантического поиска и retrieval, включая корпоративные задачи; показывает результаты на бенчмарках MTEB Retrieval и CoIR. Модель содержит около 151,8 млн параметров и использует плотную encoder-only архитектуру на основе RoBERTa с 12 слоями и 12 головами внимания. Она обучалась с retrieval-ориентированным предварительным обучением, контрастивным дообучением и дистилляцией. Принимает только английский текст и обрабатывает до 512 токенов; более длинный ввод обрезается. Лицензия — Apache 2.0.

hi-di-hi-base — англоязычная модель Sentence Transformers, дообученная автором репозитория на базе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения текстов, семантического поиска и других задач, основанных на близости эмбеддингов. Модель использует архитектуру BERT с пулингом по CLS-токену и нормализацией выходного вектора; сходство вычисляется косинусной мерой. Максимальная длина последовательности — 512 токенов. Обучение проводилось на 36 000 парах anchor-positive из датасета json; Apache-2.0 допускает использование и распространение на условиях этой лицензии. Эмбеддинги также подходят для кластеризации, поиска перефразирований и классификации текстов. Карточка приводит результаты оценки поиска с сокращёнными векторами разных размерностей, но не описывает предметную специализацию; качество на других корпусах и языках может отличаться.

jina-embeddings-v2-base-de-GGUF — это квантованная GGUF-версия модели jinaai/jina-embeddings-v2-base-de, разработанная Jina AI и квантованная Second State Inc. Модель предназначена для получения векторных представлений текста, которые можно использовать в семантическом поиске, сопоставлении документов, кластеризации и других задачах обработки естественного языка. Она рассчитана на работу через GaiaNet с шаблоном запроса embedding. Модель поддерживает немецкий и английский языки, имеет размерность эмбеддингов 768 и контекст до 8192 токенов. Формат GGUF и квантование выполнены с использованием llama.cpp b4273, что предназначено для более эффективного запуска при сохранении совместимости с соответствующей инфраструктурой. README не содержит подробностей о конкретном методе квантования, размере файла или показателях качества, поэтому производительность и компромисс между точностью и требованиями к ресурсам оценить нельзя. Модель распространяется по лицензии Apache-2.0. Для запуска и настройки предусмотрена инфраструктура GaiaNet; дополнительные сведения о требованиях к оборудованию и вариантах конфигурации в README не указаны.

Jina Embeddings v5 Text Small Text Matching — порт для MLX модели эмбеддингов Jina AI, оптимизированный для запуска на компьютерах Apple Silicon с ускорением Metal. Модель основана на архитектуре Qwen3-0.6B и использует предварительно объединённые LoRA-адаптеры для сопоставления текстов; число параметров — 507,9 млн. Модель преобразует поисковые запросы и документы или фрагменты текста в векторы для поиска и оценки смыслового соответствия. Размерность эмбеддингов — 1024, доступно усечение по схеме Matryoshka до 32, 64, 128, 256, 512 и 768 измерений. Максимальная длина последовательности — 32 768 токенов. Порт предназначен для Apple Silicon M1, M2, M3 и M4 и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README не уточняет поддерживаемые естественные языки; качество сопоставления для конкретных языков следует проверять отдельно.

jina-embedding-t-en-v1 — компактная текстовая модель эмбеддингов, разработанная Jina AI совместно с командой Finetuner. Это плотная BERT-модель на 15,6 млн параметров, обученная на наборе Linnaeus-Clean из 380 млн пар предложений, включая пары запросов и документов. Она предназначена для получения векторных представлений предложений и сравнения их семантической близости; также подходит для поиска и сопоставления запросов с документами. Модель ориентирована на английский язык и обрабатывает последовательности длиной до 512 токенов. В карточке приведены результаты сравнения с несколькими моделями на тестах сходства предложений и поиска, но не все значения таблицы доступны. Модель распространяется по лицензии Apache-2.0.

Kanana 1.5 2.1B Instruct — языковая модель компании Kakao, выпущенная в мае 2025 года. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 1,9 млрд параметров и контекстом до 32 768 токенов. Веса доступны в формате Safetensors, лицензия — Apache 2.0. Модель предназначена для диалогов и генерации текста, включая задачи программирования, математики и вызова функций. Она подходит для ответов на вопросы, помощи с кодом, решения математических задач и продолжительных бесед; README отмечает улучшения в этих возможностях по сравнению с предыдущей версией семейства. Модель поддерживает английский и корейский языки; интерфейс вызова функций указан среди её возможностей. Для контекста длиннее 32K токенов README описывает расширение до 128K с помощью YaRN. Качество на конкретных задачах зависит от запроса и сценария; количественные результаты оценки в предоставленной карточке опущены. Kakao указывает, что пользовательские данные Kakao не использовались для предобучения или последующего обучения.

Kimi K2-Instruct-0905 — языковая модель, разработанная Moonshot AI. Это обновлённая версия Kimi K2, ориентированная на агентное программирование, выполнение длительных задач и работу с инструментами. Модель особенно предназначена для разработки и анализа кода, задач coding agent, а также создания frontend-приложений с улучшенным вниманием к эстетике и практичности интерфейсов. Модель использует архитектуру Mixture-of-Experts (MoE) с 1 трлн общих параметров и 32 млрд активируемых параметров. Она содержит 61 слой, 384 эксперта, из которых для каждого токена выбираются 8, 64 attention head, механизм внимания MLA и функцию активации SwiGLU. Размер словаря составляет 160 тысяч токенов, а контекстное окно — 256 тысяч токенов, что подходит для анализа больших репозиториев и продолжительных многошаговых сценариев. README не указывает полный перечень поддерживаемых языков и модальностей; по представленным данным это языковая, а не мультимодальная модель. Сильные стороны модели — улучшенные результаты в задачах агентного программирования и поддержка очень длинного контекста. В README приведены результаты на SWE-Bench, SWE-Bench Multilingual, Multi-SWE-Bench, Terminal-Bench и SWE-Dev, однако они зависят от условий тестирования и не гарантируют аналогичную эффективность в каждом проекте. К ограничениям относятся высокая вычислительная сложность полной модели и необходимость специализированных inference-движков; рекомендованы vLLM, SGLang, KTransformers и TensorRT-LLM. Доступны checkpoint в формате block-fp8 и API с OpenAI- и Anthropic-совместимыми интерфейсами. Лицензия указана как modified MIT.

L3.1-Moe-4x8B-v0.2 — языковая модель архитектуры Mixture of Experts, созданная автором moeru-ai с помощью mergekit-moe. Она объединяет четыре модели на базе Llama 3.1: Llama-3.1-SuperNova-8B-Lite_TIES_with_Base, Llama-3.1-8B-ArliAI-RPMax-v1.2, rombos_Replete-Coder-Instruct-8b-Merged и Llama-3.1-8B-Squareroot-v0. В каталоге указано 7,5 млрд параметров и контекст до 131 072 токенов; модель предназначена для генерации текста в диалоговом формате, включая ответы на инструкции и генерацию кода. Модель распространяется в формате safetensors и использует библиотеку Transformers. В README приведены результаты оценивания на Open LLM Leaderboard, включая среднее значение 17,47 и результат 54,07 на IFEval (0-shot). Лицензия — Llama 3.1; перед использованием следует соблюдать её условия. Карточка не описывает детально языковое покрытие и ограничения качества.

LFM2.5-230M — компактная инструкционная языковая модель Liquid AI для локального запуска на устройствах с ограниченными ресурсами. Это дообученная на основе LiquidAI/LFM2.5-230M-Base модель семейства LFM2: плотная гибридная архитектура сочетает свёрточные блоки с блоками GQA и содержит около 221,2 млн параметров. Модель принимает текст и генерирует текст; поддерживает диалоговый формат и вызов инструментов. Карточка указывает 32 768 токенов контекста, а метаданные каталога — 128 000 токенов.

SC117 подготовил квантизированные GGUF-варианты Ling-3.0-tiny с удалённым направлением отказа (abliteration). Базовая модель inclusionAI/Ling-3.0-tiny — гибридная MoE-модель на архитектуре BailingMoE: 7,9 млрд параметров всего и около 1,3 млрд активных на токен. Варианты APEX применяют смешанную точность с учётом типа и чувствительности тензоров; для калибровки использовались данные чатов, кода, рассуждений и вызова инструментов. Модель предназначена для диалоговой генерации текста, рассуждений, программирования, перевода и других типичных задач языковой модели. Abliteration уменьшает частоту отказов; автор сообщает о 15 отказах из 100 запросов против 98 из 100 у исходной модели и об отсутствии заметного ухудшения в выборочных проверках математики, логики, кода, перевода и знаний. Для запуска подходят llama.cpp и Ollama; для поддержки архитектуры BailingMoE3 требуется llama.cpp версии b10470 или новее. Модель распространяется по лицензии MIT. README не сообщает перечень поддерживаемых естественных языков и длину контекста.

Llama-3-8B-Instruct-Coder-v2-GGUF — набор GGUF-квантизаций модели Llama-3-8B-Instruct-Coder-v2. Базовая модель указана как NousResearch/Meta-Llama-3-8B-Instruct, оригинальная модель разработана rombodawg, а квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix. Модель относится к текстовым генеративным моделям и ориентирована на работу с инструкциями и задачами программирования, включая генерацию и обработку кода. Заявленный язык — английский. Доступны варианты с разными уровнями квантизации: от Q8_0 размером 8,54 ГБ до IQ2_XXS размером 2,39 ГБ. Варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, IQ4_NL и IQ4_XS отмечены как рекомендуемые; более компактные варианты требуют меньше оперативной памяти, но могут заметно уступать по качеству. Файлы предназначены для запуска через llama.cpp и используют специальный шаблон запросов Llama 3. В README не указаны точный размер контекстного окна, архитектурные детали сверх принадлежности к семейству Llama 3, результаты тестирования и поддержка других языков. Лицензия — Apache-2.0.

Карточка модели kiranbeethoju/MedVectors-base-v0.1 на Hugging Face совпадает с карточкой BAAI/bge-base-en-v1.5, поэтому описание составлено по ней. BAAI/bge-base-en-v1.5 — англоязычная плотная модель эмбеддингов семейства BGE (BAAI General Embedding), разработанная BAAI. Она преобразует текст в векторы для поиска по смыслу и сравнения сходства предложений, в том числе в системах retrieval-augmented generation (RAG). Модель относится к архитектуре BERT и содержит 136,7 млн параметров; максимальный контекст — 512 токенов. Версия v1.5 улучшает поиск без инструкций и смягчает проблему распределения оценок сходства. Оценки сходства не следует интерпретировать по универсальному порогу: из-за способа обучения даже несходные предложения могут получать значения выше 0,5. Модель поддерживает английский язык; доступны веса PyTorch и Safetensors, а также формат ONNX. Лицензия — MIT.

Millie-35B-A3B-11GB — мультимодальная MoE-модель для программирования и агентных сценариев, опубликованная llmsforall. Она основана на архитектуре Qwen3.5-35B-A3B и производна от Agents-A1. Всего в модели 35 млрд параметров, из которых на каждый токен активны около 3 млрд; заявленная длина контекста — 262 тыс. токенов. Модель принимает текст и изображения. Веса сжаты примерно до 2,2 бита на параметр, а файлы GGUF занимают около 10,9 ГБ вместе с визуальным проектором. Для запуска требуется форк llama.cpp от llmsforall с поддержкой этого формата и файл mmproj для обработки изображений; upstream-версия llama.cpp не подходит. Выпуск распространяется по лицензии Apache-2.0.

McGill-NLP/MiniLM-L6-dmr — дообученная на WebLINX модель Sentence Transformers, разработанная авторами исследования WebLINX. Она преобразует предложения и абзацы в плотные векторы размерности 384 для сравнения семантической близости, семантического поиска и кластеризации. Модель основана на архитектуре BERT, содержит 25,9 млн параметров и принимает вход длиной до 512 токенов. Модель подходит для построения поиска по смыслу и группировки текстов, в том числе связанных с многоходовым диалогом и навигацией по сайтам. В карточке указана библиотека PyTorch и обучение с функцией потерь CosineSimilarityLoss. Лицензия в предоставленных данных не указана.

Карточка модели anlanwang925/MNLP_M3_document_encoder_test5 на Hugging Face совпадает с карточкой BAAI/bge-large-en-v1.5, поэтому описание составлено по ней. BAAI/bge-large-en-v1.5 — англоязычная модель эмбеддингов семейства BGE, разработанная Beijing Academy of Artificial Intelligence (BAAI) для поиска и сравнения текстов. Она преобразует текст в векторы, пригодные для семантического поиска, извлечения документов и построения систем с дополненной генерацией (RAG). Версия v1.5 улучшает retrieval и делает модель менее зависимой от инструкций для запросов по сравнению с предыдущей версией. Модель основана на архитектуре BERT и содержит 433,9 млн параметров. Она принимает текстовые входы на английском языке, имеет контекстное окно до 512 токенов и доступна в форматах PyTorch, Safetensors и ONNX. Для поиска можно сначала получить кандидатов с помощью эмбеддингов, а затем повысить точность ранжирования отдельной моделью BGE Reranker. Модель подходит для семантического поиска и сходства предложений. README предупреждает, что абсолютные значения сходства не следует трактовать как универсальную шкалу: из-за особенностей обучения оценки могут быть выше 0,5 даже для несхожих предложений. Лицензия — MIT.

Карточка модели taghyan/model на Hugging Face совпадает с карточкой KingName1/sentence_transformer, поэтому описание составлено по ней. KingName1/sentence_transformer — модель Sentence Transformers на архитектуре MPNet, предназначенная для преобразования предложений и коротких абзацев в плотные семантические векторы размерности 768. README описывает её как дообученную на основе microsoft/mpnet-base с контрастивной целью на более чем миллиарде пар предложений; метаданные указывают 136,7 млн параметров и библиотеку sentence-transformers. Входной текст кодируется для семантического поиска, сравнения сходства и кластеризации.

bingcheng9/mpnet-base-all-nli-triplet — англоязычная модель Sentence Transformers, созданная дообучением microsoft/mpnet-base на триплетах датасета AllNLI. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения по косинусному сходству; максимальная длина входа составляет 512 токенов. Модель подходит для семантического поиска, оценки смысловой близости, поиска перефразирований, кластеризации и классификации текста на основе эмбеддингов. Архитектура состоит из MPNetModel и mean pooling. В README приведены результаты TripletEvaluator на AllNLI: точность по cosine similarity составляет 0,9156 на dev и 0,9262 на test. Модель принимает английский текст и выдаёт векторы; качество для других языков не подтверждено. Распространяется по лицензии Apache-2.0.

Mythos-9b-unhinged — разговорная языковая модель из экосистемы FableForge, созданная на основе Qwen3 и объединённая методом SLERP с braindao/Qwen3-8B-Uncensored. В README указано около 9 млрд параметров, тогда как метаданные Hugging Face указывают 7,6 млрд; метаданные также задают контекст 40 960 токенов. Архитектура — плотная Qwen3ForCausalLM. Модель поддерживает режим рассуждений Qwen3 и формат общения ChatML; для более быстрых ответов автор рекомендует отключать рассуждения. Модель предназначена для генерации текста в диалогах, ролевых сценариях, написании кода и команд оболочки, а также для многошаговых агентных задач и вызова инструментов. README описывает её как модель с ослабленными отказами и без защитных фильтров; это может привести к выдаче опасных или неприемлемых инструкций. В карточке указаны GGUF-квантизации, а метаданные перечисляют варианты от F16 до IQ3_XXS. Лицензия — Apache-2.0.

NeoHorse-1-9B-GGUF — это набор GGUF-квантизованных файлов модели NeoHorse-1-9B, разработанной TokenRhythm и распространяемой в этой сборке сообществом ngquocvinh. Модель представляет собой причинную языковую модель примерно на 9 млрд параметров, созданную на основе Qwen3.5-9B и предназначенную для текстовых агентских систем, использования инструментов, программирования, рассуждений и выполнения инструкций. В сборке применена библиотека llama.cpp и поддерживается текстовая генерация. Модель рассчитана на локальный запуск с разными уровнями квантизации. Размер файлов варьируется примерно от 1,97 до 9,53 ГБ; Q4_K_M указан как сбалансированный вариант, а Q5_K_M, Q6_K и Q8_0 обеспечивают большую точность при наличии достаточного объёма памяти. Согласно данным исходной карточки, базовая модель поддерживает контекст до 262 144 токенов с возможностью расширения до 1 010 000 токенов, однако эти характеристики относятся к upstream-модели и могут зависеть от используемой конфигурации запуска. Сильными сторонами являются поддержка агентских сценариев, tool use, программирования и рассуждений, а также возможность локального запуска на совместимом оборудовании. Ограничения включают отсутствие vision-весов и поддержку только текста, а также потенциальное снижение качества на низких уровнях квантизации. Приведённые результаты оценки качества относятся к совпадению следующего токена с BF16-версией, а не напрямую к качеству решения задач; показатели исходной модели не являются результатами тестирования этих GGUF-файлов. Лицензия — Apache-2.0.

NeoHorse-1-9B-MLX — версия для локального запуска на Apple Silicon модели NeoHorse-1-9B, разработанной TokenRhythm. Это плотная авторегрессионная языковая модель семейства Qwen3.5 с 7,2 млрд параметров, предназначенная для диалогов, программирования, рассуждений, следования инструкциям и работы с инструментами в агентных сценариях. Контекстное окно составляет 262 144 токена. Веса представлены в BF16 и адаптированы для MLX-LM: изменены имена и раскладка тензоров, а также представление нормализации; квантизация не применялась. Модель можно запускать локально через MLX-LM, в том числе как OpenAI-совместимый сервер с поддержкой вызова инструментов. В README указаны результаты исходной NeoHorse-1-9B на наборах тестов, но отдельная оценка этой MLX-версии не приводится. Модель предназначена для Apple Silicon и использует лицензию Apache-2.0. Ограничения: результаты исходной модели не подтверждают идентичное качество этой версии; для запуска требуется совместимая среда MLX-LM на Mac с Apple Silicon.

NVIDIA Nemotron Nano 12B v2 VL FP8 — мультимодальная авторегрессионная модель NVIDIA для анализа изображений и диалога по их содержимому. Это FP8-квантизированная версия Nemotron Nano VL V2: трансформер использует визуальный энкодер C-RADIOv2-H и языковую модель NVIDIA Nemotron Nano 12B v2. Модель принимает текст и одно изображение RGB, а отвечает текстом; контекст и длина ответа — до 128 тысяч токенов. Для изображений действует ограничение в 12 плиток размером 512 × 512 пикселей, прозрачность не поддерживается. Модель предназначена для суммаризации изображений, визуальных вопросов и ответов, распознавания текста и анализа документов, а также рассуждений по визуальному содержимому. Она поддерживает английский, русский, немецкий, испанский, французский, итальянский, корейский, португальский, японский и китайский языки, а также интерфейс вызова инструментов. В карточке указаны запуск через vLLM и оптимизация для GPU NVIDIA; среди совместимого оборудования назван H100 SXM с 80 ГБ памяти. Лицензия обозначена как other, поэтому её условия следует проверять на странице модели NVIDIA.

Octen-Embedding-8B-INT8 — текстовая embedding-модель, разработанная Octen на основе Qwen/Qwen3-Embedding-8B и дообученная методом LoRA. Она предназначена для семантического поиска, retrieval-сценариев, оценки сходства текстов и построения векторных представлений документов, запросов и кода. Заявлены прикладные области: юридические документы, финансовые отчёты и вопросы, медицинские диалоги и консультации, программирование и SQL-поиск. Модель содержит около 8 млрд параметров, использует INT8-квантизацию через bitsandbytes и формирует embeddings размерностью 4096. README указывает поддержку английского, китайского и более чем 100 языков, включая языки программирования, а также мультиязычный, кросс-языковой и code retrieval. Заявлена работа с очень длинным контекстом: до 32 768 токенов в основных характеристиках, при этом в разделе Model Details указано значение 40 960 токенов. Память для INT8-версии оценивается примерно в 8 ГБ против около 16 ГБ для BF16-версии. К сильным сторонам относятся высокая заявленная точность retrieval, поддержка специализированных доменов, мультиязычность, большая размерность embeddings и сниженное потребление памяти. На RTEB модель указана как лидер по состоянию на 12 января 2026 года со средним показателем 0,8045. Ограничение заключается в том, что INT8-квантизация не гарантирует ускорения инференса и на некоторых аппаратных платформах может работать немного медленнее BF16-версии; также следует учитывать расхождение в заявленной максимальной длине контекста. Модель распространяется по лицензии Apache-2.0.

Карточка модели shaffhausenquant/OpenThinkerAgent-32B-SFT-316 на Hugging Face совпадает с карточкой trinityomnis/OpenThinkerAgent-32B-SFT-316, поэтому описание составлено по ней. OpenThinkerAgent-32B-SFT-316 — дообученная командой OpenThoughts-Agent модель на основе Qwen/Qwen3-32B. Она обучена методом full-parameter SFT на 316 примерах траекторий агента и предназначена для диалоговой работы с задачами программной инженерии, командной строкой и техническими вопросами. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 29,7 млрд параметров и принимает текстовый ввод с контекстом до 40 960 токенов. В README приведены результаты оценки в среде terminus-2: модель показала 16,3 на SWE-Bench-Verified-100, 24,2 на OpenThoughts-TBLite и 13,1 на Terminal-Bench 2.0; оценки получены как pass@1, усреднённый по трём случайным прогонам. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Ornith-1.5-397B-FP8 — крупная языковая модель от команды ornith-ai, флагман семейства Ornith-1.5. Это 397-миллиардная mixture-of-experts-модель для генерации текста, прежде всего для программирования, работы с терминалом и решения задач разработки программного обеспечения. Модель развивает Ornith-1.0, созданную на основе Qwen3.5 и Gemma4 с дополнительным дообучением, промежуточным обучением и постобучением. Ключевая особенность Ornith-1.5 — цикл самоулучшения: модель совместно оптимизирует генерацию учебных задач, построение scaffolds и rollouts решений с применением reinforcement learning. Такой подход предназначен для автоматического обнаружения эффективных стратегий решения задач и повышения качества без опоры только на фиксированный набор вручную подготовленных заданий и harness-ов. В README указана версия FP8; сведения о контекстном окне, поддерживаемых языках, мультимодальности и точной внутренней архитектуре, кроме MoE, не приведены. Сильной стороной модели являются результаты в задачах программирования: 86,1 на Terminal-Bench 2.1 (Terminus-2), 85,2 на Terminal-Bench 2.1 (Claude Code) и 86 на SWE-bench Verified. Ограничениями можно считать очень крупный размер и связанные с ним требования к вычислительным ресурсам, а также отсутствие в предоставленной карточке подробностей о производительности в других сценариях, системных требованиях и ограничениях применения. Модель распространяется по лицензии MIT.

Paolo Embeddings — дообученная модель Sentence Transformers на базе BAAI/bge-small-en-v1.5, опубликованная lauragobrightly. Она преобразует предложения и абзацы в плотные векторы размерности 384, нормализованные для сравнения по косинусному сходству. Модель построена на архитектуре BERT, поддерживает последовательности длиной до 512 токенов и предназначена прежде всего для англоязычных текстов. Модель подходит для семантического поиска, сравнения сходства предложений, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Она дообучена на 17 037 примерах с функцией потерь MultipleNegativesRankingLoss; в README приведён результат cosine accuracy 0,8489 на наборе paolo-eval. Доступны форматы Safetensors и ONNX, использовать модель можно через Sentence Transformers. Это компактная модель примерно на 40 млн параметров, но её контекст ограничен 512 токенами. Указанные оценки относятся к конкретному набору paolo-eval и сами по себе не гарантируют качество на других данных; в карточке не приведены условия лицензии.

PatentSBERTa — модель эмбеддингов предложений и абзацев, опубликованная AI: Growth-Lab при Aalborg University Business School. Она основана на архитектуре MPNet и преобразует текст в плотные векторы размерности 768; заявленные сценарии применения включают семантический поиск и кластеризацию. Модель содержит 136,7 млн параметров и принимает контекст длиной до 514 токенов. Модель обучалась с функцией потерь CosineSimilarityLoss и предназначена для представления текстов в общем векторном пространстве, чтобы сравнивать их семантическую близость. Доступна в формате PyTorch; для использования автор README рекомендует библиотеку Sentence-Transformers либо Transformers с соответствующей операцией pooling. Сведения о лицензии, целевом языке и специализированных патентных возможностях в предоставленных данных отсутствуют.

Это модель Sentence Transformer на базе BERT, дообученная dbourget от dbourget/pb-small-10e-tsdae6e-philsim-cosine-3e-pt1. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и предназначена для поиска семантически близких текстов, оценки сходства и других задач сравнения предложений. Модель можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура включает BERT и пулинг по CLS-токену; максимальная длина входа — 512 токенов. Для сравнения векторов рекомендуется косинусное сходство. В README приведена оценка cosine_accuracy 0,7929 на наборе beatai-dev при оценке TripletEvaluator. Языковая специализация и лицензия в доступных данных не установлены.