II.8Инженерия данных и аналитика

Qwen3.5-9B-Claude-Deckard-Agent-Coder-Heretic-qx86-hi-mlx — языковая модель, опубликованная nightmedia. Это merge-модель на базе семейства Qwen3.5-9B, созданная методом NuSLERP с использованием компонентов Qwen3.5-9B-Agent от armand0e и Qwopus3.5-9B-Coder от Jackrong, а также нескольких промежуточных моделей nightmedia и DavidAU. В описании также указана интеграция с MLX и квантизация qx86-hi. Модель предназначена для программирования, агентских сценариев, рассуждений, генерации и продолжения текстов, включая художественную прозу, ролевые диалоги и различные жанры письма. Поддерживаются английский и китайский языки. Заявленный размер — 9 млрд параметров; точная длина контекста и полный перечень поддерживаемых модальностей не указаны. В шаблоне чата предусмотрено переключение режимов рассуждения с помощью тегов <|think_on|> и <|think_off|>, а также управление сохранением рассуждений через <|think_remember|> и <|think_forget|>. Для варианта qx86-hi приведены perplexity 4,155, пиковое потребление памяти около 15,47 ГБ и скорость около 672 токенов в секунду; эти показатели зависят от оборудования и реализации. К сильным сторонам относятся сочетание агентских и кодовых навыков, поддержка глубокого рассуждения и творческой генерации, а также относительно умеренные требования к памяти благодаря квантизации. Ограничения включают отсутствие подробных независимых оценок качества, неизвестную длину контекста и потенциально менее предсказуемое поведение merge- и uncensored-модели. Лицензия указана как Apache-2.0.

Tooony133/Qwen-3.6-27B-ChonkyCat — это объединённая с базовыми весами LoRA-адаптера версия мультимодальной модели Qwen3.6-27B. В README она описана как причинная языковая модель с визуальным энкодером, предназначенная в том числе для агентного программирования, работы с репозиториями и вызова инструментов. Модель содержит 27 млрд параметров и поддерживает контекст до 262 144 токенов, расширяемый до 1 010 000 токенов. Модель принимает текст и изображения и генерирует текст. README отмечает улучшения в сценариях разработки интерфейсов и рассуждения над кодовыми базами; метаданные также указывают поддержку диалогового режима и изображений. Для запуска указана совместимость с Transformers и движками vLLM, SGLang и KTransformers. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0.

Qwen3.6-27B-FP8 — открытая FP8-квантизированная версия модели Qwen3.6-27B, разработанная командой Qwen. Это каузальная языковая модель с vision encoder, представленная в формате Hugging Face Transformers и совместимая с Transformers, vLLM, SGLang и KTransformers. Модель предназначена прежде всего для агентного программирования, работы с frontend-задачами, анализа репозиториев и итеративной разработки с сохранением контекста рассуждений из предыдущих сообщений. Модель содержит 27 млрд параметров, 64 слоя и использует гибридную архитектуру с блоками Gated DeltaNet, Gated Attention и FFN. Нативная длина контекста составляет 262 144 токена и может быть расширена до 1 010 000 токенов. Поддерживаются текстовые и визуальные входные данные благодаря vision encoder, однако перечень языков в README не указан. Квантизация выполнена методом fine-grained FP8 с размером блока 128; заявлено, что её показатели почти идентичны оригинальной модели. Сильными сторонами модели являются улучшенная работа с кодом, репозиториями и агентными сценариями, большой контекст и сниженные требования к памяти по сравнению с полноразмерными весами. Ограничения включают отсутствие в предоставленных данных подробностей о поддерживаемых языках, требованиях к оборудованию и результатах по общим задачам, а также возможные потери точности, типичные для квантизации, несмотря на заявленную близость к оригиналу. Модель распространяется по лицензии Apache-2.0.

oktayd разработал Qwen3.6-35B-v2-MoE-Ablit-Heretic-Uncensor-Hermes-MTP-Vision-FT — дообученную мультимодальную модель семейства Qwen3.5 MoE для диалога, анализа изображений, программирования и рассуждений. Архитектура Qwen3_5MoeForConditionalGeneration содержит около 35 млрд параметров, из которых примерно 3 млрд активны на токен; при генерации выбираются 8 из 256 экспертов. Модель принимает текст и изображения и предназначена для запуска через Transformers. Её можно использовать для вопросов по изображениям, объяснения научных и рабочих тем, написания и отладки кода, мозгового штурма и диалоговых сценариев. В README описан прямой, деловой и юмористический стиль общения, а также обучение на материалах по знаниям, программированию, инструментам, бизнесу и визуальным задачам. Вызов инструментов зависит от приложения, которое предоставляет и исполняет инструменты; форматирование вызовов не гарантировано. Автор сообщает о проверках текста и простых изображений, но не приводит результатов бенчмарков. Модель может ошибаться, повторяться и допускать ошибки в схемах; MTP и полноценные агентские сценарии отдельно не подтверждены. Веса BF16 занимают около 70 ГБ без учёта дополнительной памяти для выполнения. Включено обучение на взрослые темы, поэтому модель рассчитана на аудиторию 18+. Лицензия — Apache-2.0.

benjzzz/Qwen3.8-27B-BenQ-6bit — квантованная версия мультимодальной модели Qwen3.8-27B, опубликованная автором benjzzz. Веса и vision tower представлены методом BenQ: 6-битные коды с отдельной таблицей значений для каждой строки, что, по README, даёт 6,16 бит на вес с учётом таблиц. Модель принимает текст и изображения и предназначена для диалогов, анализа изображений и программирования; метаданные также указывают интерфейс вызова инструментов. Для генерации текста в README приведён пример с кодом Python.

Qwen3.8-27B ThinkingCap Abliterated (MTP GGUF) — GGUF-версия модели, разработанная hotdogs на основе hotdogs/Qwen3.8-27B-thinkingcap-abliterated и дообученная с использованием датасета hotdogs/thinkingcap-sft-qwen38-27b. Модель предназначена для генерации текста, рассуждений, решения задач, следования инструкциям и помощи в программировании, включая сценарии SWE-bench. Она ориентирована на эффективное рассуждение с сокращённым числом токенов и поддерживает запуск через llama.cpp. Модель содержит 27,3 млрд параметров и сохраняет MTP-слой (Multi-Token Prediction) с 15 тензорами. Доступны варианты GGUF F16 размером около 51 ГБ, Q6_K размером около 21 ГБ и Q4_K_M размером около 16 ГБ; Q6_K позиционируется как компромисс между качеством и размером, а Q4_K_M — как наиболее быстрый вариант. В README указано тестирование с контекстом 8192 токена. Языки и набор поддерживаемых модальностей явно не указаны; по описанию это текстовая модель. Сильные стороны — эффективное рассуждение, сохранение MTP при квантовании и высокая производительность на GPQA Diamond, IFEval и SWE-bench в заявленных условиях тестирования. Ограничения включают зависимость качества от выбранной квантовки, значительные требования к памяти и вычислительным ресурсам, а также ограниченность и специфичность приведённых бенчмарков. Модель распространяется по лицензии Apache-2.0.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU-mlx-oQ4e-1M — это релиз модели Qwen3.8-27B Cold Fusion, созданной на основе объединения весов DavidAU. Solstice-AI выполнила последующее квантование, масштабирование контекста и упаковку для Apple MLX. Модель предназначена для локального запуска на компьютерах Apple Silicon, включая MacBook с 16 или 24 ГБ памяти, через Anvil и MLX-LM с ускорением Metal. Модель содержит около 27 млрд параметров и использует смешанную oQ4e-квантизацию с калибровкой по матрице важности; размер релиза составляет примерно 17,02 ГБ. Заявлена гибридная архитектура Qwen 3.8: около 75% слоёв используют линейное внимание Gated Delta Recurrent Network, а остальные — Grouped-Query Attention. Также заявлены аппаратная Multi-Token Prediction для ускорения генерации и встроенное YaRN-масштабирование RoPE до 1 048 576 токенов. В карточке указаны английский и китайский языки. Основные сценарии — рассуждение, программирование, агентная разработка ПО, работа с большими контекстами и многошаговыми задачами. README приводит высокие результаты на SWE-bench Pro, LiveCodeBench, QwenSWEBench, OSWorld-Verified, AndroidWorld, IFBench, CoWorkBench и тестах ARC, однако эти показатели следует воспринимать как заявленные авторами и зависящие от методики оценки. Ограничениями являются требования к совместимому Apple Silicon и программному стеку, последствия 4-битной квантизации, а также значительные вычислительные и временные затраты при использовании контекста до миллиона токенов. Релиз распространяется по лицензии Apache 2.0.

TeichAI/Qwen3-8B-Gemini-2.5-Flash-Distill-GGUF — языковая модель, разработанная TeichAI на базе unsloth/Qwen3-8B. Модель обучена методом дистилляции на крупном наборе данных TeichAI/gemini-2.5-flash-11000x, созданном на основе Gemini 2.5 Flash. Она предназначена для генерации текста общего назначения, включая программирование, научные задачи, юридические и исторические вопросы, а также маркетинговые сценарии. Модель содержит 8 миллиардов параметров. В README указана поддержка английского языка, однако сведения о точной архитектуре, модальностях, размере контекстного окна и дополнительных языках отсутствуют. К сильным сторонам относятся универсальная область применения и обучение на данных, связанных с Gemini 2.5 Flash; при этом качество и поведение модели могут зависеть от особенностей дистиллированного набора данных и базовой Qwen3-архитектуры. Лицензия — Apache-2.0.

Qwen3-Coder-30B-A3B-Instruct-Q4_K_M-GGUF — это квантизированная версия модели Qwen/Qwen3-Coder-30B-A3B-Instruct, разработанной командой Qwen. Модель преобразована в формат GGUF с квантизацией Q4_K_M, поэтому предназначена для запуска через llama.cpp, включая локальный inference и серверный режим. Модель ориентирована прежде всего на генерацию текста и задачи, связанные с программированием, однако README не содержит подробностей о поддерживаемых языках, модальностях, архитектуре, фактическом размере активной части модели и максимальной длине контекста. Ключевое преимущество этой версии — совместимость с экосистемой llama.cpp и возможность более экономичного запуска благодаря 4-битной квантизации; ограничениями могут быть потери качества по сравнению с исходной моделью и зависимость от подходящей аппаратной конфигурации. Указана лицензия Apache-2.0.

Qwen3-Coder-480B-A35B-Instruct-GGUF — это квантованная версия инструкционной модели Qwen3-Coder-480B-A35B-Instruct, разработанной командой Qwen. Модель опубликована в формате GGUF для использования в совместимых приложениях, включая LM Studio, и предназначена прежде всего для генерации текста и работы с программным кодом в диалоговом формате. Квантование выполнено bartowski на основе llama.cpp, релиз b5962. В README указано обозначение исходной модели с общим размером 480B и конфигурацией A35B, однако подробности архитектуры, фактический размер конкретного GGUF-файла, поддерживаемые языки программирования и естественные языки, модальности и длина контекста не приведены. Формат GGUF и поддержка llama.cpp упрощают локальный запуск в совместимом программном обеспечении, но характеристики производительности, требования к памяти, качество ответов и ограничения конкретного уровня квантования в README не описаны. Лицензия модели и условия использования также не указаны; их следует уточнять на странице исходной модели Qwen/Qwen3-Coder-480B-A35B-Instruct и у распространителя квантованной версии.

unsloth/Qwen3-Coder-480B-A35B-Instruct-GGUF — GGUF-версия инструкционной модели Qwen3-Coder-480B-A35B-Instruct, разработанной командой Qwen и опубликованной Unsloth. Это каузальная языковая модель для генерации текста и кода, ориентированная на агентное программирование, использование браузера и другие задачи разработки, включая работу с репозиториями и интеграцию с инструментами вроде Qwen Code и CLINE. Модель использует архитектуру Mixture-of-Experts: 480 млрд параметров всего, из которых 35 млрд активируются при обработке запроса; включает 62 слоя, 160 экспертов и 8 активируемых экспертов, а также Grouped-Query Attention с 96 головами Q и 8 KV-головами. Нативный контекст составляет 262 144 токена, с возможностью расширения до 1 млн токенов посредством YaRN. Модель поддерживает только режим без рассуждений и не генерирует блоки <think></think>. Данные о поддерживаемых языках и мультимодальности в README не указаны; заявлена текстовая генерация. Сильными сторонами являются большой контекст, понимание кода на уровне репозитория и высокая производительность в агентных сценариях. Ограничения включают значительный общий размер модели и необходимость совместимого программного окружения; конкретные требования к оборудованию и производительности для GGUF-вариантов в README не приведены. Модель распространяется по лицензии Apache-2.0.

mlx-community/Qwen3-Coder-Next-8bit — модель генерации текста в формате MLX, созданная сообществом mlx-community на основе Qwen/Qwen3-Coder-Next. По названию и базовой модели предназначена прежде всего для задач, связанных с программированием и генерацией технического текста, а также для использования в приложениях, поддерживающих MLX и библиотеку mlx-lm. Модель была конвертирована в формат MLX с помощью mlx-lm версии 0.30.5; идентификатор указывает на 8-bit вариант. README не содержит сведений о точной архитектуре, количестве параметров, поддерживаемых языках, модальностях и размере контекста. Для запуска требуется библиотека mlx-lm, а модель поддерживает чат-шаблон токенизатора, если он определён. Распространяется по лицензии Apache 2.0.

Карточка модели ArchiveStudio/Qwen3-Reranker-0.6B на Hugging Face совпадает с карточкой Qwen/Qwen3-Reranker-0.6B, поэтому описание составлено по ней. Qwen3-Reranker-0.6B — компактная модель переранжирования текста из серии Qwen3 Embedding, разработанная Qwen. Она оценивает соответствие пары «запрос — фрагмент» и помогает упорядочить найденные документы или другие текстовые кандидаты по релевантности. Модель содержит 507,6 млн параметров, построена на плотной архитектуре Qwen3 и принимает последовательности контекстом до 40 960 токенов по метаданным; README указывает длину 32K. Для запуска доступны веса Safetensors и интеграция с Transformers и Sentence Transformers. Модель предназначена для улучшения поиска по текстам и коду, в том числе многоязычного и межъязыкового поиска. README заявляет поддержку более 100 языков, понимание длинных текстов и настройку инструкции под сценарий; для поисковых задач приводится стандартная инструкция для запросов веб-поиска. Метаданные указывают дообучение от Qwen/Qwen3-0.6B-Base и лицензию Apache-2.0. Оценки в README получены на кандидатах из первой сотни, предварительно найденных эмбеддинг-моделью Qwen3-Embedding-0.6B, поэтому их нельзя напрямую считать качеством самостоятельного поиска. README также предупреждает, что без инструкции на стороне запроса качество в большинстве рассмотренных сценариев может снизиться примерно на 1–5%.

Qwen3-Swallow-8B-RL-v0.2 — созданная проектом Swallow LLM двуязычная языковая модель на архитектуре Qwen3 с плотной архитектурой и 7,6 млрд параметров. Это версия семейства Qwen3-Swallow, дообученная на основе tokyoTech-llm/Qwen3-Swallow-8B-SFT-v0.2 с обучением с подкреплением по проверяемым вознаграждениям (RLVR). Модель предназначена для диалогов и генерации текста на японском и английском языках, включая перевод между ними, математические и программные задачи, а также рассуждения. Обучение включало данные по математике и коду с цепочками рассуждений и диалоговые данные. Модель поддерживает контекст до 40 960 токенов по метаданным; разработчики рекомендуют ограничивать длину контекста 32 768 токенами или меньше и запускать модель через vLLM для более воспроизводимого поведения. Модель обычно выполняет рассуждения по умолчанию и не поддерживает переключатель режима рассуждений. Разработчики сообщают, что модель не обучалась специально для вызова инструментов, а её применение в этом сценарии требует дополнительной посттренировки. Также отмечено, что модель находится на ранней стадии разработки и не настроена для полного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

Карточка модели Schnappson/qwen-reranker-ai-act-1e-8pn-138q на Hugging Face совпадает с карточкой Qwen/Qwen3-Reranker-0.6B, поэтому описание составлено по ней. Qwen3-Reranker-0.6B — компактная модель переранжирования текста из серии Qwen3 Embedding, разработанная Qwen. Она оценивает соответствие пары «запрос — фрагмент» и помогает упорядочить найденные документы или другие текстовые кандидаты по релевантности. Модель содержит 507,6 млн параметров, построена на плотной архитектуре Qwen3 и принимает последовательности контекстом до 40 960 токенов по метаданным; README указывает длину 32K. Для запуска доступны веса Safetensors и интеграция с Transformers и Sentence Transformers. Модель предназначена для улучшения поиска по текстам и коду, в том числе многоязычного и межъязыкового поиска. README заявляет поддержку более 100 языков, понимание длинных текстов и настройку инструкции под сценарий; для поисковых задач приводится стандартная инструкция для запросов веб-поиска. Метаданные указывают дообучение от Qwen/Qwen3-0.6B-Base и лицензию Apache-2.0. Оценки в README получены на кандидатах из первой сотни, предварительно найденных эмбеддинг-моделью Qwen3-Embedding-0.6B, поэтому их нельзя напрямую считать качеством самостоятельного поиска. README также предупреждает, что без инструкции на стороне запроса качество в большинстве рассмотренных сценариев может снизиться примерно на 1–5%.

Карточка модели lukasz597/r на Hugging Face совпадает с карточкой sdadas/mmlw-retrieval-e5-base, поэтому описание составлено по ней. MMLW-retrieval-e5-base — польскоязычный текстовый энкодер для информационного поиска, разработанный авторами проекта MMLW. Модель основана на XLM-RoBERTa и содержит 305,2 млн параметров; она преобразует запросы и фрагменты документов в векторы размерностью 768 для сравнения их релевантности. Максимальная длина контекста — 514 токенов. Модель сначала обучали методом дистилляции на 60 млн польско-английских пар текстов, используя англоязычные FlagEmbeddings (BGE) как учителя, затем дообучили с контрастивной функцией потерь на польской обучающей части MS MARCO. Для кодирования запросов нужен префикс «query: », а для фрагментов документов — «passage: ». На польском бенчмарке PIRB модель показала NDCG@10 56,09. Подходит для семантического поиска и построения систем извлечения информации. Распространяется по лицензии Apache-2.0.

Muennighoff/SBERT-base-msmarco — модель Sentence Transformers на базе BERT для получения векторных представлений предложений и оценки их семантического сходства. Она обучалась с MultipleNegativesRankingLoss на косинусном сходстве и предназначена для задач поиска и сопоставления текстов. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Подробности об авторах, обучающих данных и лицензии в предоставленной карточке отсутствуют.

semanlink_all_mpnet_base_v2 — модель Sentence Transformers на архитектуре MPNet, дообученная разработчиком raphaelsty на графе знаний Semanlink с помощью библиотеки MKB для задачи предсказания связей. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и подходит для семантического поиска и кластеризации терминов. Модель ориентирована на техническую и общую терминологию в машинном обучении, NLP и новостях; поддерживает английский и французский языки и принимает текст. Веса доступны в форматах PyTorch и safetensors, лицензия — Apache-2.0. Контекст модели — до 514 токенов.

djsull выпустил модель djsull/sentence-roberta-small для получения векторных представлений предложений и оценки их семантического сходства. Это Sentence Transformer на базе RoBERTa с 81,2 млн параметров: модель усредняет токенные представления, выдаёт эмбеддинги размерности 768 и рассчитана на последовательности длиной до 256 токенов. Сходство между предложениями можно оценивать косинусной мерой. Модель подходит для сравнения формулировок, поиска семантически близких предложений и построения систем поиска по тексту. В README приведены результаты оценки на sts-dev: корреляция Спирмена для косинусного сходства составляет 0,847. Данные обучения включают корейские примеры, однако сведения о полном наборе поддерживаемых языков отсутствуют. Метаданные указывают на контекст до 514 токенов; для применения через Sentence Transformers в README указан предел 256 токенов. Лицензия в предоставленных данных не указана.

Serafim 900m Portuguese (PT) Sentence Encoder — модель для создания векторных представлений предложений и абзацев на португальском языке. Она разработана авторами семейства Serafim PT и представлена в работе на конференции EPIA 2024. Модель основана на архитектуре DeBERTa-v2 и распространяется в формате safetensors через библиотеку Sentence Transformers. Модель кодирует текст в плотные векторы размерностью 1536, предназначенные для семантического поиска, кластеризации и сравнения смысловой близости текстов. Максимальная длина контекста — 512 токенов; обучение использовало функцию потерь CoSENT. Лицензия MIT.

bigscience/sgpt-bloom-7b1-msmarco — модель эмбеддингов предложений на архитектуре BLOOM, дообученная с BitFit и обучаемая с weighted-mean pooling и GradCache. Она предназначена для поиска семантически близких текстов и ранжирования результатов по сходству; в карточке приведены результаты оценки на наборах MTEB, включая SciFact, Quora и TREC-COVID. Модель принимает текст и формирует векторные представления для сравнения предложений и документов. Максимальная длина контекста — 2048 токенов. Веса доступны в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

Locutusque/StockQwen-2.5-7B — плотная языковая модель на архитектуре Qwen2, созданная автором репозитория с помощью mergekit методом Model Stock. В слияние вошли Qwen2.5-7B, Qwen2.5-7B-Instruct, Qwen2.5-Coder-7B-Instruct и Qwen2.5-Math-7B-Instruct; базовая модель — Qwen/Qwen2.5-7B. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста и диалоги; интерфейс поддерживает вызов инструментов. Для практического использования в README рекомендуется дообучение. Модель работает с текстом и имеет заявленный контекст до 131 072 токенов. Метаданные перечисляют английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. Слияние инструктивной, кодовой и математической моделей предполагает применимость к диалогам, генерации кода и математическим ответам, однако README не приводит оценок качества. Файлы опубликованы в формате safetensors, библиотека — Transformers. Лицензия в предоставленных данных не указана.

sdadas/st-polish-paraphrase-from-mpnet — польская модель Sentence-Transformers, разработанная SDadas. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска семантически близких текстов, кластеризации и сравнения перефразировок. Архитектура основана на RoBERTa; модель содержит 151,6 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для семантического поиска по польским текстам, группировки похожих документов и оценки сходства предложений. Для использования через Hugging Face Transformers требуется применить подходящую операцию pooling к контекстным представлениям токенов. Опубликована под лицензией LGPL.

cross-encoder/stsb-TinyBERT-L4 — модель семейства BERT, обученная с помощью класса CrossEncoder библиотеки SentenceTransformers на наборе STS Benchmark. Она принимает пару предложений и оценивает их семантическое сходство числом от 0 до 1, поэтому подходит для сравнения текстов и ранжирования кандидатов по близости к запросу. Модель содержит 15,6 млн параметров и поддерживает контекст до 512 токенов; основное назначение — англоязычные тексты. Модель можно применять для поиска похожих предложений, семантического сопоставления коротких текстов и переранжирования результатов поиска. В метаданных также указана задача классификации текста, однако карточка описывает предсказание оценки сходства. Модель опубликована под лицензией Apache-2.0.

SuperGemma4 E4B Abliterated — производная от Google Gemma 4 E4B Instruct модель Jiunsong для генерации текста в диалоге. По данным карточки, модель прошла абляцию и дополнительную настройку для улучшения форматирования, качества кода и исправления ошибок, структурированных JSON-ответов и скорости первого токена. Метаданные указывают архитектуру Gemma4ForConditionalGeneration и поддержку чата, следования инструкциям и интерфейса вызова инструментов; исходная Gemma 4 E4B также описана как мультимодальная модель для анализа изображений и обработки аудио, однако в метаданных этой модели подтверждена только задача text-generation. Разработчик позиционирует её для помощников по программированию и отладке, выдачи JSON по схеме и серверных агентных сценариев. В README приведены высокие результаты внутренних оценок, но методика и независимая проверка не описаны, поэтому их нельзя считать гарантией качества. Карточка называет релиз приватным; лицензия указана как Gemma. Ослабление отказов от ответов может влиять на поведение модели в чувствительных сценариях.

Ternary Bonsai 27B — модель Prism ML, созданная на базе Qwen3.6-27B для локальной генерации текста, рассуждений и диалогового применения. Это плотная гибридная трансформерная архитектура с линейным и полным вниманием; языковые веса представлены значениями −1, 0 и +1 с групповым масштабированием и занимают около 1,71 бита на параметр. Модель содержит примерно 27,3 млрд языковых параметров и отдельную башню зрения примерно на 0,46 млрд параметров, однако в карточке для неё заявлена задача text-generation. Модель рассчитана на запуск на ноутбуках и одной видеокарте, в том числе локально и без подключения к сети. Заявлены контекст до 262 тысяч токенов, поддержка диалога и сохранение значительной части качества исходной модели при уменьшенном размере; для Apple MLX и CUDA предоставлены специализированные низкоразрядные ядра. Авторы сообщают о результатах на тестах рассуждений, математики, программирования и использования инструментов, но длительные агентные сценарии программирования пока не являются сильной стороной этой версии. Репозиторий распространяется по лицензии Apache-2.0. Указанный объём развёрнутой модели — около 7,2 ГБ, поэтому она не помещается в заявленный бюджет памяти приложения на iPhone; README также отмечает компромисс качества и размера относительно полноточной модели и использование 4-битного KV-кэша.

Карточка модели 120inblue/topic-positive-embeddings на Hugging Face совпадает с карточкой sentence-transformers/multi-qa-MiniLM-L6-cos-v1, поэтому описание составлено по ней. multi-qa-MiniLM-L6-cos-v1 — модель Sentence Transformers, разработанная в рамках проекта Hugging Face по обучению моделей эмбеддингов предложений. Она преобразует вопросы, предложения и абзацы в нормализованные плотные векторы размерностью 384 и предназначена прежде всего для семантического поиска и подбора релевантных документов по запросу. Модель основана на архитектуре BERT и дообучена на примерно 215 млн пар «вопрос—ответ» из разных источников, включая наборы вопросов и ответов, Stack Exchange и пары для Wikipedia. Для представления текста используется mean pooling; контрастивное обучение улучшает близость векторных представлений связанных текстов. Модель содержит 25,9 млн параметров, поддерживает английский язык и рассчитана на последовательности до 512 токенов, хотя при обучении использовался текст длиной до 250 word pieces. Её можно применять для семантического поиска, поиска ответов и ранжирования текстовых фрагментов по сходству; нормализованные векторы позволяют использовать косинусное сходство или скалярное произведение. Тексты длиннее 512 токенов обрезаются, а качество на последовательностях существенно длиннее 250 word pieces может снижаться. Сведения о лицензии в предоставленных данных отсутствуют.

Trillion-7B-preview — предварительная версия языковой модели, представленная командой TrillionLabs. Это плотная авторегрессионная модель семейства Llama с архитектурой Transformer Decoder, RoPE, SwiGLU и RMSNorm; в README указано 7,76 млрд параметров, 32 слоя и контекст 4096 токенов. Модель прошла предварительное обучение и последующее обучение для диалогов и выполнения инструкций. Модель предназначена для генерации текста, общения, ответов на вопросы, рассуждений и помощи с кодом. Разработчики заявляют поддержку английского, корейского, японского и китайского языков и отмечают особенно сильные результаты на корейских тестах. В опубликованных оценках модель показывает конкурентные результаты, однако качество зависит от задачи и языка. Это предварительный выпуск без комплексных механизмов безопасности; сведения модели ограничены данными до августа 2023 года, а для языков помимо английского, корейского, японского и китайского возможно снижение качества. Лицензия репозитория — Apache-2.0.

Heimat24/vhs_burghausen_danielheinz_e5-qa_generation_secretary-3-5-0.8 — модель Sentence-Transformers для получения плотных векторных представлений предложений и абзацев. Она основана на архитектуре XLM-RoBERTa, содержит 305,2 млн параметров и отображает текст в векторы размерности 768. Модель предназначена для семантического поиска, сравнения смысловой близости текстов и кластеризации. В обучении использовалась функция потерь MultipleNegativesRankingLoss с косинусным сходством. Для работы с моделью README рекомендует библиотеку sentence-transformers. Контекст модели — до 514 токенов. В метаданных не указана лицензия, поэтому условия использования по лицензии определить нельзя. README не сообщает языки обучения или оценки качества; архитектура XLM-RoBERTa сама по себе не позволяет установить конкретные языки, на которых эта версия лучше всего работает.

jonatasgrosman/wav2vec2-xls-r-1b-russian — модель распознавания русской речи, дообученная Jonatas Grosman на основе facebook/wav2vec2-xls-r-1b с помощью инструмента HuggingSound. Модель использует архитектуру Wav2Vec2ForCTC и принимает аудио, записанное с частотой дискретизации 16 кГц, чтобы преобразовать речь в текст. Модель предназначена для автоматической транскрибации русской речи. При дообучении использовались обучающая и валидационная части Common Voice 8.0, Golos и Multilingual TEDx. В метаданных указаны 1,3 млрд параметров и поддержка русского языка. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.