II.8Инженерия данных и аналитика

Карточка модели avsolatorio/01-600-11-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240221220048-latest на Hugging Face совпадает с карточкой avsolatorio/01-100-31-1-2-2-0-0-cls-normed-384-512_GIST_BAAI_bge-small-en-v1.5-20240207031328-best, поэтому описание составлено по ней. Это англоязычная модель для получения плотных векторных представлений текста на основе BAAI/bge-small-en-v1.5. Репозиторий размещён в пространстве имён avsolatorio; по идентификатору модели и карточке это производная версия BGE, однако карточка не описывает конкретные изменения или способ обучения этой версии. Модель предназначена для поиска семантически близких текстов и формирования эмбеддингов для систем поиска и retrieval-augmented generation (RAG). Архитектура — BERT, около 40 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Модель ориентирована на английский язык. Эмбеддинги подходят для поиска кандидатов, но README рекомендует при необходимости повышать точность выдачи с помощью отдельного reranker. Карточка также отмечает, что оценка сходства сама по себе не является калиброванной вероятностью семантической близости.

CausalLM/35b-beta2ep — разговорная языковая модель на архитектуре Cohere, разработчик в карточке не уточнён. Модель содержит 35 млрд параметров, распространяется в формате safetensors и использует шаблон диалога ChatML. Метаданные указывают контекст 8192 токена; упоминание в README обучения на длинных данных не означает, что эта версия рассчитана на контекст 128K. Модель предназначена для генерации текста в диалоге, общих вопросов, задач на знания и программирование. В README указано обучение на синтетических данных и веб-корпусе в течение одной эпохи; метаданные перечисляют среди обучающих наборов данные для диалогов, математики, инструкций и кода. Поддерживаемые языки по карточке — английский, китайский, японский и немецкий. Модель выпущена под лицензией GPL-3.0. README отмечает, что эта версия не ориентирована на очень длинный контекст; дополнительных сведений о качестве и ограничениях применения в карточке нет.

Карточка модели avsolatorio/60-600-13-1-4-2-0-0-384-512-cm_NOI_avsolatorio_GIST-all-MiniLM-L6-v2-20240511173541-best на Hugging Face совпадает с карточкой avsolatorio/GIST-all-MiniLM-L6-v2, поэтому описание составлено по ней. GIST Embedding v0 — модель векторных представлений текста, созданная Av Solatorio. Она дообучена на базе sentence-transformers/all-MiniLM-L6-v2 с методом GISTEmbed: обучающие негативные примеры отбираются из MEDI и дополненных триплетами обучающих данных классификации MTEB. Модель имеет архитектуру BERT, содержит 25,9 млн параметров и принимает текст с контекстом до 512 токенов. Модель предназначена для получения эмбеддингов предложений и оценки их сходства, в том числе для семантического поиска и retrieval. Для кодирования запросов не требуются специальные инструкции. Модель оценивали на бенчмарке MTEB; дообучение улучшило некоторые задачи, но ухудшило результаты на других, включая поиск по TRECCOVID. Поддерживается английский язык. Лицензия — MIT.

Agents-A1-4B — плотная языковая модель на 4 млрд параметров от InternScience, созданная для автономного выполнения многошаговых задач. Она основана на архитектуре Qwen3.5 и дообучена для агентных сценариев: поиска, инженерной работы, научных исследований, следования инструкциям и вызова инструментов. Модель поддерживает диалог и интерфейс вызова функций; веса доступны в формате safetensors и совместимы с Transformers, vLLM и SGLang. В README заявлена длина контекста до 262 144 токенов при указанной конфигурации SGLang. Модель предназначена для разложения сложных запросов на шаги, планирования, использования внешних инструментов и ответов на научные и профессиональные вопросы. В README приведены высокие результаты на тестах поиска, агентных задач и следования инструкциям, однако это заявления разработчика, и они не гарантируют качество в конкретном приложении. Лицензия Apache-2.0.

christinemahler/aie5-midterm — текстовая модель Sentence Transformers, дообученная разработчиком на Snowflake/snowflake-arctic-embed-l. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для семантического поиска, сопоставления текстов по смыслу и извлечения релевантных документов. Архитектура основана на BertModel с объединением CLS-токена и нормализацией векторов; максимальная длина последовательности — 512 токенов, сходство оценивается косинусной мерой. Модель подходит для поиска по коллекциям документов, выявления перефразирований, кластеризации и классификации текстов на основе эмбеддингов. В README приведены результаты оценки на информационном поиске и обучение на 216 парах текстов; эти показатели относятся к описанным данным и сами по себе не гарантируют качество на других наборах. Лицензия в предоставленных сведениях не указана.

AtesiT/all-MiniLM-L6-v2-ru-adapted — русскоязычная доменно-адаптированная модель на базе sentence-transformers/all-MiniLM-L6-v2, созданная автором AtesiT для семантического поиска. Это энкодер предложений архитектуры BERT с 25,9 млн параметров: он преобразует текст в эмбеддинги размерностью 384, пригодные для сравнения по семантической близости. Модель принимает текст, поддерживает русский язык и рассчитана на последовательности длиной до 512 токенов по метаданным; в README указано ограничение 256 токенов. Модель дообучена на русских парафразах из deepvk/ru-HNP с TripletLoss. Её можно применять для поиска похожих фраз и документов, ранжирования кандидатов по сходству и построения семантического поиска по коллекциям русскоязычных текстов. Лицензия — Apache-2.0. Качество дообученной версии в README ещё не оценено: приведены только низкие результаты базовой модели на rubq-retrieval. Обучение охватывало 20 тысяч примеров и три эпохи, а различие между обучающими парафразами и задачами поиска по QA может ограничивать перенос качества.

Это русскоязычная адаптация энкодера предложений sentence-transformers/all-MiniLM-L6-v2, созданная автором репозитория дообучением на датасете deepvk/ru-HNP с TripletLoss. Модель на основе BERT содержит 25,9 млн параметров и формирует плотные текстовые эмбеддинги; максимальная длина контекста — 512 токенов. Она предназначена для сравнения смысловой близости русских предложений и может использоваться для семантического поиска, сопоставления запросов с текстами и группировки похожих фраз. Модель обучалась на 20 000 валидных триплетах, где запрос выступал якорем, положительный пример — парафразом, а отрицательный — сложным непарафразом. В указанной оценке на ai-forever/rubq-retrieval дообученная модель показала более низкие Recall@5 и Recall@10, чем исходная: обучающий датасет преимущественно содержит симметричные парафразы, а оценочная задача сопоставляет короткие вопросы с документами. Поэтому качество для поисковых сценариев следует проверять на целевых данных. Модель распространяется по лицензии Apache-2.0.

Armenian-Text-Embeddings-1 — модель плотных текстовых эмбеддингов для армянского языка, разработанная Metric-AI на базе дообученной multilingual-e5-base. Она преобразует текст в векторы и предназначена для семантического поиска, поиска документов для RAG, сравнения текстов, кластеризации и классификации. Модель построена на архитектуре XLM-RoBERTa, содержит около 305,2 млн параметров и рассчитана на контекст до 514 токенов по метаданным; README указывает ограничение длины последовательности 128 токенов. Для получения эмбеддингов README приводит пример с Sentence Transformers и нормализацией векторов. Указаны армянские тексты на входе, а также англо-армянские данные обучения и поддержка межъязыкового понимания. Лицензия — Apache 2.0. В README также сообщается о более новой версии ATE-2.

SrinivasanHF/autotrain-medq — дообученная модель Sentence Transformers на основе sentence-transformers/all-MiniLM-L6-v2. Это плотный BERT-энкодер на 25,9 млн параметров, предназначенный для преобразования предложений в векторы и вычисления семантического сходства. Модель подходит для поиска похожих текстов, сопоставления запросов с документами и кластеризации предложений. Контекст ограничен 512 токенами; используется формат safetensors. Карточка указывает тип задачи Sentence Transformers и приводит значение loss 0,299 на валидации, но не описывает набор данных или методику оценки. Базовая модель ориентирована на английский язык, поэтому применимость к другим языкам не подтверждена. Лицензия в предоставленных данных не указана.

b1ade-embed-kd — модель для получения векторных представлений текстов и оценки их семантического сходства. В карточке указано, что она распространяется в формате ONNX через transformers.js и предназначена для задач sentence similarity. Модель может использоваться для классификации текстов, семантического поиска и retrieval, reranking, кластеризации и оценки текстового сходства. В качестве подтверждения приведены результаты на наборе тестов MTEB, включая AmazonCounterfactualClassification, AmazonPolarityClassification, Banking77, ArguAna, AskUbuntuDupQuestions и BIOSSES. Например, на Banking77 указаны accuracy 85,19% и F1 85,13%, а на BIOSSES — корреляция Spearman до 84,75% для косинусного сходства. Архитектура, число параметров, размерность эмбеддингов, поддерживаемые языки, максимальная длина контекста и разработчик в предоставленных данных не указаны. Также не указана лицензия, поэтому условия использования по карточке определить нельзя. Результаты показывают применимость модели к широкому спектру задач работы с текстовыми представлениями, однако качество может существенно зависеть от домена и конкретного сценария.

Это компактная Sentence Transformer модель на базе google/bert_uncased_L-2_H-128_A-2, дообученная автором для сравнения предложений и поиска по смыслу. Архитектура включает BERT с усредняющим pooling и формирует плотные векторы размерности 128; для оценки близости используется косинусное сходство. Модель принимает текст, поддерживает последовательности длиной до 512 токенов по метаданным; в README заявлен предел 128 токенов. Модель предназначена для получения эмбеддингов предложений и абзацев, семантического поиска и извлечения релевантных текстов. Базовая модель компактна и англоязычна, а обучение проводилось на парах текстов с оценками сходства. Файлы представлены в формате safetensors. Условия лицензирования в предоставленных источниках не приведены.

swardiantara/bert-tiny-sst5-k1-adaptive-cosine — компактная модель Sentence Transformers, дообученная автором на основе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные векторы размерности 128 и позволяет сравнивать их косинусным сходством, например для семантического поиска и извлечения релевантных текстов. Архитектура включает BERT с двумя слоями и mean pooling; модель содержит 4,4 млн параметров. По карточке обучение проводилось на 8 554 парах текстов с контрастивной функцией потерь. Модель принимает только текст. В README указана максимальная длина последовательности 128 токенов, а метаданные каталога указывают контекст до 512 токенов; для практического использования разумно ориентироваться на более строгое ограничение из карточки. Базовая модель предназначена для английского языка, и примеры обучающих данных также на английском. Лицензия в предоставленных данных не указана.

RishuD7/bge-base-en-v1.5-82-keys-phase-7-exp_v1 — англоязычная модель Sentence Transformers, дообученная разработчиком на базе BAAI/bge-base-en-v1.5. Архитектура основана на BERT и включает пулинг по CLS-токену и нормализацию; модель содержит 136,7 млн параметров и создаёт плотные текстовые эмбеддинги размерностью 768. Максимальная длина последовательности — 512 токенов, сходство в README рассчитывается по косинусной мере. Модель предназначена для семантического сравнения предложений и абзацев, поиска по смыслу, поиска перефразировок, кластеризации и классификации текстов. В README приведены обучающая выборка из 8 031 примера с парами anchor/positive и оценки на информационном поиске; значения cosine_accuracy@1, @3 и @5 составляют 0,0063, 0,0235 и 0,0353. Модель рассчитана на английский язык. Распространяется по лицензии Apache-2.0.

KimChen/bge-m3-GGUF — это конвертированная в формат GGUF версия модели BAAI/bge-m3. Конвертацию выполнили с помощью llama.cpp; автором репозитория и сборки указан KimChen, а исходная модель разработана командой BAAI. Модель предназначена для задач семантического сходства предложений и извлечения признаков, включая использование в системах сопоставления текстов и других сценариях sentence-transformers. Формат GGUF позволяет запускать её через llama.cpp в командной строке или в режиме сервера. В README не указаны точные архитектурные параметры, размер модели, поддерживаемые языки, модальности и исходная длина контекста; для этих характеристик предлагается обращаться к карточке BAAI/bge-m3. К сильным сторонам относятся совместимость с llama.cpp и возможность локального запуска на поддерживаемом оборудовании. Ограничения и требования к ресурсам в README подробно не описаны, а приведённый пример сервера использует контекст размером 2048 токенов. Модель распространяется по лицензии MIT.

harheem/bge-m3-nvidia-ko-v1 — модель Sentence Transformers, дообученная на базе BAAI/bge-m3 для создания векторных представлений предложений и абзацев. Она использует архитектуру XLM-RoBERTa с плотным выходом, нормализацией и косинусным сравнением; полная размерность эмбеддинга составляет 1024, а максимальная длина входной последовательности — 8194 токена по метаданным (в README указано 8192). Модель предназначена для семантического поиска и сопоставления текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. Карточка описывает обучение на 6397 парах «якорь — положительный пример» с матрёшечной функцией потерь и приводит показатели поиска для сокращённых размерностей от 64 до 768. В примерах обучающих данных есть корейские тексты о CUDA и NVIDIA, тогда как README заявляет английский язык; метаданные также помечают корейский. Модель принимает текст и выдаёт векторы; лицензия Apache-2.0. Карточка не описывает ограничения по предметной области или оценку работы на иных языках и типах данных, поэтому качество вне приведённых сценариев следует проверять отдельно.

Это англоязычная модель Sentence Transformer, дообученная автором репозитория на базе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерности 768 для семантического поиска и извлечения релевантных фрагментов; сходство можно оценивать косинусной мерой. Архитектура включает BERT, pooling по CLS-токену и нормализацию. Модель принимает только текст, поддерживает контекст до 512 токенов и содержит 136,7 млн параметров. Модель подходит для поиска релевантных документов и passages, сравнения предложений и построения retrieval-компонента RAG. README приводит оценку InformationRetrievalEvaluator: cosine_accuracy@1 — 0,4435, @3 — 0,6532 и @5 — 0,7316; обучение проводилось на наборе из 6 857 пар предложений. Указана лицензия базовой модели не предоставлена в доступных данных, поэтому условия использования определить нельзя.

teven/bi_all_bs160_allneg_finetuned_WebNLG2017 — модель на основе MPNet, разработанная как Sentence Transformers-модель для преобразования предложений и абзацев в плотные векторы размерности 768. Она подходит для семантического поиска и кластеризации текстов, а также для оценки сходства предложений. Модель содержит 136,7 млн параметров и принимает текстовые входы длиной до 514 токенов. Модель обучена с использованием CosineSimilarityLoss на данных WebNLG2017; название репозитория также указывает на пакетный размер 160 и обучение с негативными примерами. Доступны веса PyTorch. Лицензия в предоставленных данных не указана.

TheBloke/CodeLlama-34B-GGUF — это набор квантованных файлов модели CodeLlama 34B, разработанной Meta. Репозиторий подготовил TheBloke, преобразовав исходную модель codellama/CodeLlama-34b-hf в формат GGUFv2 для локального запуска и инференса. Модель предназначена прежде всего для генерации и работы с программным кодом. Она относится к семейству Llama и имеет размер 34 млрд параметров. В README указано, что модель поддерживает текстовую генерацию и ориентирована на код; конкретные языки программирования, контекстное окно и дополнительные модальности не указаны. Файлы доступны в вариантах квантования от 2 до 8 бит, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Формат GGUF поддерживает метаданные, специальные токены и улучшенную токенизацию. Модель совместима с llama.cpp начиная с указанной версии, а также с рядом пользовательских интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, LM Studio, llama-cpp-python и другие. К сильным сторонам относятся возможность локального запуска на CPU и GPU и наличие нескольких уровней квантования. Ограничения связаны с потерями качества при сильном квантовании и высокими требованиями к ресурсам для 34-миллиардной модели; точные показатели производительности в README не приведены. Модель распространяется по лицензии llama2. Условия использования исходной модели и квантованных файлов следует рассматривать с учетом этой лицензии.

DRAMA-large — компактная плотная модель поиска текстов, разработанная авторами DRAMA на основе обрезанной языковой модели и дообученная для многоязычного семантического поиска. Она преобразует запросы и документы в векторы для поиска релевантных материалов; для запросов используется префикс «Query: », а модель применяет двунаправленное внимание. Модель построена на архитектуре Llama, содержит около 399,8 млн параметров по метаданным и поддерживает контекст до 131 072 токенов. Стандартная размерность эмбеддингов — 1024; благодаря Matryoshka Representation Learning её можно сокращать, например, до 512 или 256. Модель рассчитана на арабский, бенгальский, китайский, английский, финский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, персидский, португальский, русский, испанский, суахили, телугу, тайский и йоруба. DRAMA-large предназначена для семантического поиска и извлечения документов, в том числе в многоязычных системах. Авторы сообщают об оценке на BEIR, MIRACL, MLDR и задачах MTEB; компактный размер и гибкая размерность эмбеддингов позволяют выбирать баланс между качеством и затратами на хранение и поиск. Репозиторий использует формат Safetensors, библиотеку Transformers и лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование.

Falcon-H1-1.5B-Instruct — многоязычная авторегрессионная языковая модель семейства Falcon-H1, разработанная командой TII. Это дообученная для следования инструкциям версия Falcon-H1-1.5B-Base с гибридной архитектурой, сочетающей Transformer-внимание и блоки SSM/Mamba. Модель содержит 1,1 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для диалогов и генерации текста по инструкциям: она подходит для ответов на вопросы, рассуждений, математических задач, программирования и работы с научными знаниями. В карточке заявлена поддержка 18 языков, включая арабский, английский, хинди, японский, китайский и русский. Для запуска указаны Transformers, vLLM и llama.cpp; метаданные репозитория отмечают формат safetensors. В README указана лицензия Falcon-LLM License, тогда как метаданные Hugging Face обозначают лицензию как other. Перед использованием следует проверить условия лицензии в репозитории. Как компактная модель на 1,1 млрд параметров, она может уступать более крупным моделям на сложных задачах; заявленные в карточке результаты бенчмарков не гарантируют качество на конкретных данных.

Карточка модели luolixiehui/faster-whisper-large-v3 на Hugging Face совпадает с карточкой Systran/faster-whisper-large-v3, поэтому описание составлено по ней. Это конверсия модели распознавания речи Whisper large-v3 от OpenAI в формат CTranslate2, опубликованная Systran. Она предназначена для распознавания речи из аудио и используется в CTranslate2 и проектах на его основе, включая faster-whisper. Веса сохранены в FP16; при загрузке тип вычислений можно изменить через параметр compute_type. Модель поддерживает распознавание речи на многих языках, в том числе русском и английском. Репозиторий содержит конвертированные веса, а не исходную реализацию Whisper. Лицензия — MIT.

Это конверсия модели deepdml/whisper-large-v3-turbo в формат CTranslate2, опубликованная aTrain-core. Она предназначена для распознавания речи и используется через CTranslate2 и совместимые проекты, в том числе faster-whisper. Веса сохранены в FP16; при загрузке в CTranslate2 можно выбрать другой тип вычислений через параметр compute_type. Метаданные указывают поддержку множества языков, включая русский и английский. Для использования модели требуется совместимое программное обеспечение на основе CTranslate2. Лицензия репозитория — MIT.

srikarvar/fine_tuned_model_3 — модель Sentence Transformers на архитектуре BERT, дообученная автором на базе srikarvar/multilingual-e5-small-pairclass-contrastive. Она кодирует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Модель рассчитана на английский язык, принимает последовательности длиной до 512 токенов и выдаёт эмбеддинги. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразирований, кластеризации и классификации. В README приведена оценка на наборе e5-cogcache-small-refined: cosine_accuracy@1 — 0,5, @3 — 0,8571, @5 — 1,0; обучающая выборка содержит 246 пар. Репозиторий использует safetensors и библиотеку Sentence Transformers. Лицензия — Apache-2.0.

DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel-MISTRAL_FULL-notrescaled_40000 — модель Sentence-Transformers на архитектуре BERT, разработанная DragosGorduza. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, сравнения текстов и кластеризации. Обучение использовало MarginDistillationLoss; в карточке также описана обработка контекстных представлений с помощью pooling. Модель содержит 433,9 млн параметров и принимает до 512 токенов контекста. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Gemma 4 26B-A4B-it-qat-JANG_4M-CRACK — дообученная и квантизованная версия Gemma 4 26B-A4B-it от dealignai, предназначенная для запуска в vMLX на компьютерах Mac с Apple Silicon. Модель сочетает архитектуру MoE с 128 экспертами и восемью активными экспертами, гибридное внимание и обработку изображений. Указана квантизация JANG_4M: 8-битные веса attention и 4-битные веса MLP. Модель позиционируется как мультиязычный чат-ассистент для ответов на вопросы, рассуждений, генерации кода и работы с изображениями. В карточке автор сообщает, что настройка убирает отказы на запросы из категорий HarmBench, сохраняя основные возможности; приведён результат 59 из 60 по соответствующим тестовым запросам и снижение MMLU на 4,4 процентного пункта относительно базовой модели. Для запуска требуется vMLX с поддержкой Gemma 4 и Mac с достаточной объединённой памятью. Лицензия — Gemma; автор обозначает модель как предназначенную для исследований и возлагает на пользователей ответственность за соблюдение применимых законов.

Gevva e2b Multimodal — мультимодальная модель-классификатор, созданная Дэйвом Бёрхансом и дообученная на основе google/gemma-4-E2B-it. Она предназначена для быстрых решений по тексту и изображениям: проверки утверждений по источникам, выявления галлюцинаций, маршрутизации запросов к инструментам и проверки того, подтверждают ли диаграммы, таблицы или документы заданное утверждение. В README заявлена обработка контекста до 128 000 токенов, задержка около 15 мс на GPU и около 147 мс на обычном CPU; модель распространяется в формате safetensors и рассчитана на использование через Transformers. Модель поддерживает английский, французский, испанский, немецкий, китайский, арабский, хинди, русский, суахили и вьетнамский языки. README также описывает применение для проверки ответов учащихся по эталону. Заявления о лидерстве на JevBench, скорости и точности приведены авторами модели и зависят от условий измерений. Лицензия — Apache 2.0.

GLiClass Base v3.0 — компактная модель классификации последовательностей от Knowledgator. Она предназначена для классификации текста без дополнительного обучения: пользователь задаёт возможные метки, а модель оценивает текст по ним. В README также указаны анализ тональности и повторное ранжирование результатов в RAG-системах как сценарии применения. Модель построена на архитектуре GLiClass и выполняет классификацию за один прямой проход, что, согласно карточке, делает её вычислительно эффективнее cross-encoder-подхода. Версия Base содержит 384M LoRA-параметров; при дообучении на логических задачах использовались LoRA-адаптеры. В опубликованных тестах приведены результаты нулевого обучения на нескольких наборах данных и скорость инференса для других вариантов GLiClass v3.0. Модель принимает текст и выдаёт оценки классов. Карточка не подтверждает конкретные поддерживаемые естественные языки и длину контекста. Лицензия — Apache-2.0. Результаты зависят от формулировки меток и задачи; в README приведены тесты лишь на части наборов данных, поэтому они не гарантируют качество для произвольных предметных областей.

GLiClass Edge v3.0 — компактная модель классификации последовательностей от Knowledgator на архитектуре GLiClass. Она предназначена для классификации текста без обучения на конкретном наборе меток: можно задавать категории для тематической классификации и анализа тональности. Модель также подходит для ранжирования результатов в RAG-системах. В карточке указаны 32,7 млн параметров и размер 131 МБ; веса опубликованы в формате safetensors. Модель обучали на логических задачах, используя LoRA-адаптеры, чтобы сохранить ранее приобретённые знания. По данным README, Edge быстрее более крупных вариантов GLiClass V3 в приведённых тестах, но показывает более низкий F1 на указанных наборах классификации; результаты зависят от задачи и формулировки меток. Поддерживаемые языки и длина контекста в предоставленных данных не обозначены. Лицензия — Apache-2.0.

GLM-4.5-Air-bf16 — версия GLM-4.5-Air, подготовленная сообществом mlx-community для запуска в MLX на устройствах Apple с поддержкой MLX. Репозиторий преобразован из zai-org/GLM-4.5-Air с помощью mlx-lm 0.28.2; по метаданным, модель относится к семейству GLM-4 MoE и содержит 8,5 млрд параметров. Лицензия — MIT. Модель предназначена для генерации текста в диалоговом режиме. Базовая GLM-4.5-Air рассчитана на рассуждения, программирование и работу интеллектуальных агентов с инструментами; в этой карточке подтверждены диалоговая возможность и задача text-generation. Контекстное окно — 131 072 токена. Поддерживаемые языки по карточке — английский и китайский. Преобразованная версия упрощает запуск модели в экосистеме MLX. Доступные сведения не подтверждают отдельную оценку качества именно этой сборки или её поддержку вызова инструментов; назначение инструментов указано для базовой модели.

ClaudioItaly/Intelligence-R1-Distill-7B — слитая модель генерации текста на архитектуре Qwen2, созданная автором репозитория с помощью mergekit и метода SLERP из DeepSeek-R1-Distill-Qwen-7B и happzy2633/qwen2.5-7b-ins-v3. Модель содержит 7,1 млрд параметров и рассчитана на диалоговую генерацию текста; в карточке указано контекстное окно 32 768 токенов. Слияние объединяет возможности двух исходных моделей, одна из которых — дистилляция DeepSeek R1 на Qwen. Карточка не описывает отдельные гарантированные преимущества или результаты оценки именно этой слитой версии. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.