II.8Инженерия данных и аналитика

zecafonso/Qwen3-Embedding-0.6B-512 — текстовая Sentence Transformer модель, дообученная на базе Qwen/Qwen3-Embedding-0.6B и опубликованная под именем пользователя zecafonso. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска и поиска релевантных фрагментов. Архитектура включает Qwen3Model, pooling по последнему токену и нормализацию; сходство векторов можно оценивать косинусной мерой. Модель рассчитана на retrieval-сценарии, включая поиск passages по запросу. В README приведены результаты оценки на двух наборах urban-ir-gold, но эти результаты относятся к указанным наборам и не гарантируют аналогичное качество в других предметных областях. Модель принимает текст и выдаёт эмбеддинги; максимальная длина последовательности в README — 512 токенов. Метаданные указывают контекст модели 32 768 токенов, однако README описывает ограничение этой конкретной конфигурации в 512 токенов. Модель реализована на Sentence Transformers и сохранена в safetensors. Лицензия в предоставленных данных не указана.

Qwen3-Reranker-0.6B-seq-cls — вариант Qwen3-Reranker-0.6B, преобразованный в модель классификации последовательностей. Это плотная модель архитектуры Qwen3 с 507,6 млн параметров, дообученная на базе Qwen/Qwen3-0.6B-Base и предназначенная прежде всего для ранжирования текстовых пар. Она оценивает релевантность документа запросу, чтобы переупорядочить кандидатов в поиске или RAG-системе; также в метаданных указана поддержка классификации текста. Модель рассчитана на многоязычные сценарии: карточка заявляет поддержку более 100 языков, включая языки программирования. Она подходит для поиска по тексту и коду, межъязыкового поиска и отбора документов по запросу. Входные инструкции можно настраивать под задачу; README сообщает, что инструкции часто улучшают результаты ранжирования. Метаданные указывают контекст до 40 960 токенов, а README — 32K. Для работы с Transformers требуется версия 4.51.0 или новее. Модель опубликована в формате safetensors по лицензии Apache-2.0.

Qwen3-Reranker-4B — мультиязычная модель ранжирования текста из серии Qwen3 Embedding, разработанная командой Qwen. Она оценивает релевантность пар «запрос — документ» и помогает переставлять найденные результаты так, чтобы наиболее подходящие оказались выше. Модель основана на плотной авторегрессионной архитектуре Qwen3, содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов по метаданным; карточка указывает длину контекста 32 тыс. токенов. Модель рассчитана на улучшение поиска по текстам и коду, включая мультиязычный и межъязыковой поиск. Она поддерживает более 100 языков и позволяет задавать инструкцию для конкретного сценария; в качестве инструкции по умолчанию используется настройка для поиска фрагментов, отвечающих на веб-запрос. Результат представляет собой оценку релевантности, а не готовый ответ пользователю. Для запуска доступны веса в формате safetensors и библиотека Transformers; лицензия — Apache-2.0. Качество зависит от подобранной инструкции и набора кандидатов для переранжирования.

Solstice-AI/Qwopus3.6-27B-Coder-mlx-6Bit — это 6-битно квантованная версия Qwopus 3.6 27B Coder для Apple Silicon. Модель создана Solstice-AI на базе Qwen 3.6 27B и проекта Qwopus, разработанного Jackrong и сообществом open-weights; её дистилляционная основа связана с Claude Opus 4.6 и 4.7. Квантование выполнено в формате Apple MLX 6-Bit Affine с group_size 64, размер модели составляет около 21,85 ГБ. Модель предназначена прежде всего для агентного программирования: навигации по целым репозиториям, генерации и отладки кода, многофайлового рефакторинга, системной отладки, вызова Bash-инструментов и работы в средах Claude Code, Cursor, Aider и SWE-bench. Она поддерживает многошаговое взаимодействие, вызов инструментов и структурированные трассы рассуждений. Заявлены языки English и Chinese, текстовая генерация и нативное контекстное окно до 262 144 токенов. Ключевое преимущество модели — локальное выполнение с ускорением Metal через MLX и Anvil на компьютерах Apple Silicon с unified memory от 24 до 64 ГБ и выше. По данным README, квантование сохраняет около 99,3% результатов неквантованной BF16-версии на кодовых бенчмарках, однако фактические ограничения по длине контекста и производительности зависят от объёма памяти устройства. Для моделей с 24 ГБ рекомендуется контекст примерно 4–8 тысяч токенов, а полный заявленный контекст требует существенно большего объёма памяти. Лицензия — Apache 2.0.

QWQ-EVA-Preview-SLERP-32b — языковая модель на 32 млрд параметров, созданная слиянием ParasiticRogue/EVA-Instruct-32B-v2 и Qwen/QwQ-32B-Preview методом SLERP с помощью mergekit. Она предназначена для диалоговой генерации текста; базовые модели также ориентированы на математические рассуждения и программирование, поэтому модель может быть полезна в таких сценариях, однако README не приводит отдельных оценок её возможностей. Модель построена на архитектуре Qwen2ForCausalLM, принимает текст и выдаёт текст, поддерживает контекст до 131072 токенов и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0.

DeepPavlov/rubert-base-cased-sentence — русскоязычный кодировщик предложений на базе RuBERT, разработанный DeepPavlov. Это 12-слойная модель семейства BERT с 768 скрытыми измерениями и 12 головами внимания; метаданные указывают 205,1 млн параметров и контекст до 512 токенов. Модель дообучена на переведённом на русский SNLI и русской части dev-набора XNLI. Представление предложения получается усреднением векторных представлений токенов, как в Sentence-BERT. Модель предназначена для получения эмбеддингов русских предложений и использования их в семантическом поиске, сравнении сходства и задачах, где требуется сопоставлять значения предложений. Доступны версии в форматах PyTorch и Flax. В README сведения о лицензии не приведены.

sentence-BERTino — модель на базе DistilBERT, опубликованная efederici. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости, кластеризации и семантического поиска. Модель обучена на парах вопрос–контекст из SQuAD на итальянском языке и парах тег–новостная статья, собранных из веб-источников. Модель предназначена для построения эмбеддингов текста и поиска похожих фрагментов; её можно использовать с Sentence-Transformers или Transformers с подходящей операцией pooling. Максимальная длина контекста составляет 512 токенов. Репозиторий содержит веса PyTorch, лицензия — Apache 2.0.

Muennighoff/SGPT-125M-weightedmean-msmarco-specb-bitfit — модель эмбеддингов предложений на архитектуре GPT-Neo с 137,7 млн параметров и контекстом до 2048 токенов. Она обучена для вычисления смыслового сходства текстов: README указывает на обучение с MultipleNegativesRankingLoss и косинусной мерой сходства, а имя модели указывает на данные MS MARCO и вариант bitfit. Модель предназначена для получения векторных представлений предложений и сравнения запросов с текстами, например при семантическом поиске и ранжировании кандидатов по релевантности. Модель разработана Muennighoff и распространяется в формате PyTorch. Карточка отсылает за инструкциями по использованию и результатами оценки к исходному коду, папке eval и статье. Лицензия в предоставленных сведениях не указана.

Muennighoff/SGPT-125M-weightedmean-nli-bitfit — модель Sentence Transformers на архитектуре GPT-Neo, предназначенная для получения векторных представлений предложений и сравнения их семантического сходства. Она содержит 137,7 млн параметров, принимает текст, выдаёт эмбеддинги и поддерживает контекст до 2048 токенов. Модель обучена с помощью MultipleNegativesRankingLoss с косинусной мерой сходства на данных без повторов в батчах. Её можно применять для поиска семантически близких предложений, сопоставления запросов с текстами и ранжирования кандидатов по смысловой близости. README ссылается на код проекта и публикацию для инструкций и результатов оценки, но не приводит их непосредственно. В метаданных указана лицензия? Нет сведений о лицензии в доступных данных.

Seznam/simcse-dist-mpnet-paracrawl-cs-en — компактная модель эмбеддингов предложений от Seznam.cz, дообученная с целью SimCSE на базе Seznam/dist-mpnet-paracrawl-cs-en. Она предназначена для получения семантических представлений чешских и английских текстов и подходит для поиска похожих предложений, семантического поиска, извлечения релевантных текстов, кластеризации и классификации. Модель построена на архитектуре BERT, содержит 27,2 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Модель ориентирована на создание небольших высококачественных эмбеддингов для нескольких задач NLP. В карточке приведены примеры загрузки, но сведения об оценках качества и конкретных ограничениях не раскрыты. Лицензия — CC BY 4.0.

LazarusNLP/simcse-indobert-base — модель векторных представлений предложений на базе BERT, опубликованная LazarusNLP. Она преобразует предложения и абзацы в плотные векторы размерностью 768, предназначенные для сравнения семантической близости. Модель содержит 151,6 млн параметров и принимает текст длиной до 512 токенов. Модель обучена с использованием Sentence-Transformers и функции потерь MultipleNegativesRankingLoss с косинусным сходством. Её можно применять для семантического поиска, кластеризации и вычисления сходства предложений на индонезийском языке. Доступны веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.

Snowflake/snowflake-arctic-embed-xs — компактная модель эмбеддингов текста из семейства Arctic Embed, разработанного Snowflake. Она предназначена для поиска по смыслу и извлечения релевантных документов, включая семантический поиск и retrieval-компонент систем RAG. Модель основана на all-MiniLM-L6-v2 и использует архитектуру BERT. В метаданных указано 25,9 млн параметров и контекст до 512 токенов; README приводит 22 млн параметров и размерность эмбеддинга 384. Компактный размер рассчитан на сценарии с жёсткими ограничениями по задержке и стоимости. В README сообщается результат 50,15 NDCG@10 на MTEB Retrieval. Карточка описывает обучение и оценку для задач поиска, но не подтверждает поддержку конкретных языков, поэтому модель следует выбирать с учётом языка и данных своего корпуса. README указывает на более новые многоязычные версии Arctic Embed, которые авторы рекомендуют для многоязычных сценариев. Репозиторий содержит форматы ONNX и safetensors. Лицензия в предоставленных данных не указана.

Карточка модели masked-kunsiquat/snowflake-arctic-embed-xs-2 на Hugging Face совпадает с карточкой Snowflake/snowflake-arctic-embed-xs, поэтому описание составлено по ней. Snowflake/snowflake-arctic-embed-xs — компактная модель эмбеддингов текста из семейства Arctic Embed, разработанного Snowflake. Она предназначена для поиска по смыслу и извлечения релевантных документов, включая семантический поиск и retrieval-компонент систем RAG. Модель основана на all-MiniLM-L6-v2 и использует архитектуру BERT. В метаданных указано 25,9 млн параметров и контекст до 512 токенов; README приводит 22 млн параметров и размерность эмбеддинга 384. Компактный размер рассчитан на сценарии с жёсткими ограничениями по задержке и стоимости. В README сообщается результат 50,15 NDCG@10 на MTEB Retrieval. Карточка описывает обучение и оценку для задач поиска, но не подтверждает поддержку конкретных языков, поэтому модель следует выбирать с учётом языка и данных своего корпуса. README указывает на более новые многоязычные версии Arctic Embed, которые авторы рекомендуют для многоязычных сценариев. Репозиторий содержит форматы ONNX и safetensors. Лицензия в предоставленных данных не указана.

Ttimms/Spark-X2.5-4B-NVFP4 — это квантизированная 4-битная версия языковой модели XHToken/Spark-X2.5-4B, подготовленная Ttimms. Модель предназначена для генерации текста и кода, агентских сценариев и задач с длинным контекстом; заявленная поддержка языков — английский и китайский. Она совместима с Transformers и рассчитана на запуск через vLLM с внешним плагином Spark2_5, преимущественно на GPU NVIDIA Blackwell. Модель содержит около 4,1 млрд параметров и использует архитектуру Spark2_5ForCausalLM с гибридным вниманием, сочетающим скользящее и полное внимание, а также поэлементным выходным затвором внимания. Контекстное окно достигает 1 млн токенов. Применена квантизация весов NVFP4 W4A16 методом GPTQ с активациями bf16; отдельные компоненты сохранены в bf16. Размер модели на диске составляет около 2,7 ГиБ против 7,7 ГиБ у базовой bf16-версии, что снижает требования к памяти, но на SM120 выигрыш относится главным образом к занимаемому объёму, а не к скорости вычислений. По представленным оценкам, относительно базовой bf16-модели качество снизилось примерно на 4,3 процентного пункта в HumanEval-instruct и на 2,0 пункта в MBPP. GPTQ заметно сохраняет качество лучше, чем округление RTN, однако для максимального сохранения исходных характеристик рекомендуется FP8-версия базовой модели. Для запуска требуются vLLM, внешний плагин Spark2_5 и параметр trust_remote_code; заявлена поддержка tool calling. Модель распространяется по лицензии Apache-2.0.

Карточка модели CollectionStudio/Trinity-Nano-Preview на Hugging Face совпадает с карточкой arcee-ai/Trinity-Nano-Preview, поэтому описание составлено по ней. Trinity Nano Preview — экспериментальная чат-модель семейства Trinity от Arcee AI, созданная дообучением Trinity-Nano-Base. В README она описана как разреженная MoE-модель с архитектурой AfmoeForCausalLM, 6 млрд параметров и примерно 1 млрд активных параметров; метаданные указывают 880,3 млн параметров. Поддерживает контекст до 131 072 токенов и работает с текстом на нескольких языках. Модель предназначена для диалогов и генерации текста. Разработчики описывают её как открытую по весам модель для предприятий и энтузиастов, обученную на 10 трлн токенов с дополнительным акцентом на математике и коде. README предупреждает, что в этой предварительной экспериментальной версии возможна нестабильность в отдельных сценариях. Указанная в README лицензия — OpenMDW-1.1; метаданные Hugging Face обозначают её как other.

farhana1996/unsupervised-simcse-bangla-sbert — Sentence Transformer, дообученный на базе shihab17/bangla-sentence-transformer. Модель использует XLM-RoBERTa с усреднением токенных представлений и преобразует предложения и абзацы в плотные векторы размерности 768; сходство между ними рассчитывается косинусной мерой. Максимальная длина последовательности — 512 токенов (в метаданных указано 514 токенов). Модель предназначена для семантического сравнения текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Карточка описывает обучение на датасете из 1 млн пар предложений с функцией потерь MultipleNegativesRankingLoss. Базовая модель рассчитана на бенгальский и английский языки; специализация этой версии — бенгальские предложения. Размер модели — 305,2 млн параметров. Для использования нужны текстовые входы; результатом являются векторы, подходящие для поиска и сравнения по сходству. Лицензия в предоставленных источниках не указана.

Vela Omni Mini — мультимодальная модель семейства Vela Omni от разработчика llm-semantic-router. Она преобразует текст, изображения, речь и окружающие звуки в нормализованные векторы общего пространства, которые можно напрямую сравнивать для поиска, маршрутизации и кластеризации. Модель содержит 1,36 млрд параметров, выдаёт эмбеддинги размерностью 768 и распространяется в формате safetensors; для работы в README указаны PyTorch, совместимая версия torchaudio и Transformers 4.57.6. Модель предназначена для мультимодального поиска и извлечения признаков, включая поиск соответствий между изображениями и текстом, а также аудио и текстом. В README приведены результаты оценки на задачах английского текста и аудио, однако они не гарантируют качество на иных языках и наборах данных. Лицензия — Apache-2.0.

Yi-Coder-9B-Chat-GGUF — это квантизированная версия чат-модели Yi-Coder-9B-Chat, разработанной 01.AI и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp. Модель предназначена прежде всего для генерации и обсуждения программного кода в диалоговом режиме; запуск поддерживается через llama.cpp и приложения, совместимые с GGUF, включая LM Studio. Модель содержит около 9 миллиардов параметров и доступна в вариантах от F16 до низкобитных квантований Q2–Q8 и IQ. Квантизация с imatrix позволяет выбирать баланс между качеством, размером файла и требованиями к памяти: рекомендуются, в частности, варианты Q4–Q6, а версии Q3 и ниже рассчитаны на системы с ограниченным объёмом RAM, но обеспечивают более низкое качество. Для работы используется специальный шаблон чата с ролями system, user и assistant; в README также указано исправление токенизатора. В карточке не приведены точные сведения о поддерживаемых языках, длине контекста, архитектуре трансформера, мультимодальности и сравнительных результатах. Модель является текстовой и ориентирована на сценарии программирования, однако конкретные возможности зависят от выбранного варианта квантования. Лицензия — Apache-2.0.

Zen Embedding — текстовая модель для построения плотных эмбеддингов, опубликованная zenlm как часть линейки Zen. Она перепакована из Qwen/Qwen3-Embedding-8B и не обучалась с нуля; репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Sentence Transformers. Модель предназначена для поиска по смыслу, dense retrieval и систем RAG, где документы и запросы кодируются в векторы для поиска релевантного содержимого. Метаданные указывают 7,6 млрд параметров и контекст до 40 960 токенов; среди языков карточки отмечены английский и китайский. Лицензия — Apache-2.0. Ограничения: карточка не приводит результатов сравнительных тестов качества или подробных рекомендаций по эксплуатации.

acge_text_embedding — универсальная модель кодирования текста от команды компании 合合信息 (IntSig), связанная с платформой TextIn. Она предназначена для преобразования китайских текстов в векторы для поиска, сравнения сходства и других задач, основанных на семантических представлениях. Модель построена на архитектуре BERT и содержит около 424,3 млн параметров. Она поддерживает последовательности до 1024 токенов и переменную размерность эмбеддингов благодаря Matryoshka Representation Learning; авторы рекомендуют размерности 1024 или 1792. В README приведены результаты оценки на китайском бенчмарке C-MTEB и пример вычисления сходства между текстами с помощью sentence-transformers. Модель подходит для семантического поиска и сопоставления китайских текстов. README не сообщает лицензию, поэтому условия использования следует уточнить в карточке репозитория Hugging Face.

Xenova/all-mpnet-base-v2 — модель для извлечения признаков, представляющая собой ONNX-версию модели sentence-transformers/all-mpnet-base-v2. Репозиторий подготовлен Xenova для совместимости с библиотекой Transformers.js и запуска в JavaScript-средах, включая веб-приложения. Модель предназначена для преобразования текстовых входов в числовые представления, которые могут использоваться в задачах семантического поиска, сравнения текстов, кластеризации и других сценариях обработки естественного языка. В README приведён пример запуска через pipeline feature-extraction в Transformers.js. Из доступных данных известно, что используются ONNX-веса и поддерживается работа через Transformers.js. Размер модели, точная архитектура, языки, максимальная длина контекста, набор модальностей, показатели качества и лицензия в README не указаны. Отдельно отмечено, что размещение ONNX-весов в отдельном репозитории рассматривается как временное решение до более широкого распространения WebML.

jondurbin/bagel-34b-v0.2 — экспериментальная версия языковой модели, дообученная Jon Durbin на базе yi-34b-200k с помощью Bagel. Это плотная авторегрессионная модель семейства Llama с 33,9 млрд параметров и контекстом до 200 000 токенов; опубликованные веса представлены в формате safetensors. Модель предназначена для диалогов и генерации текста, включая творческое письмо и ролевые сценарии. В README указано, что это версия после этапа SFT, до применения DPO; автор отмечает, что она может лучше подходить для творческих задач и ролевых диалогов, тогда как версия после DPO лучше показывает себя на бенчмарках. При дообучении использовались данные для диалогов, ответов на вопросы, рассуждений, математики, программирования, SQL, понимания прочитанного и ролевых сценариев. Для примеров применялись варианты форматов Vicuna, Llama 2, Alpaca и ChatML. Лицензия — Apache-2.0. Модель рассчитана на текстовый ввод и выдаёт текст; её поведение и качество могут зависеть от формата промпта, а карточка не содержит систематической оценки качества этой версии.

Это модель Sentence Transformers на базе BERT, дообученная Selman Baysan на наборе cleaned_turkish_embedding_model_training_data_colab для получения эмбеддингов предложений и абзацев на турецком языке. Модель преобразует текст в плотные векторы размерности 768; для сравнения векторов используется косинусное сходство. Архитектура включает BERT и усреднение токенных представлений. Максимальная длина входной последовательности — 512 токенов. Модель подходит для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текста. Базовая модель — dbmdz/bert-base-turkish-uncased, число параметров — 137,8 млн. Модель распространяется в формате safetensors. Сведения о лицензии в предоставленных источниках отсутствуют.

Компактная модель Sentence Transformer, разработанная swardiantara на базе google/bert_uncased_L-2_H-128_A-2 и дообученная для получения векторных представлений предложений и абзацев. Она кодирует текст в плотные эмбеддинги размерности 128, которые можно сравнивать по косинусному сходству и использовать для поиска и извлечения релевантных текстов. Модель построена на BERT с двумя слоями и использует усреднение токенных представлений; в метаданных указано 4,4 млн параметров. README задаёт максимальную длину последовательности 128 токенов, а метаданные — контекст до 512 токенов. Обучение проводилось на 42 730 парах текстов с OrdinalProxyContrastiveLoss. Модель принимает и выдаёт текстовые данные через векторные представления. Базовая модель англоязычная, и примеры обучающих данных также на английском. Подходит для семантического поиска и сравнения предложений, особенно в сценариях с ограниченными вычислительными ресурсами. README не указывает лицензию; перед использованием следует проверить условия в карточке репозитория. Короткое обучение и небольшая базовая архитектура могут ограничивать качество на задачах и языках, отличающихся от обучающих данных.

Beyonder-4x7B-v3 — разговорная языковая модель mlabonne, созданная как смесь экспертов (MoE) с помощью LazyMergekit. В объединение вошли AlphaMonarch-7B, CodeNinja-1.0-OpenChat-7B, Kunoichi-DPO-v2-7B и NeuralDaredevil-7B; архитектура — MixtralForCausalLM. В метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов, тогда как README рекомендует окно 8 тысяч токенов и шаблон чата Mistral Instruct. Модель предназначена для диалогов общего назначения, ролевого общения, задач с кодом и математикой. По README, при генерации задействуются два эксперта, что позволяет сочетать эти способности. Автор отмечает хорошие результаты на нескольких наборах оценок, но предупреждает, что модель не нацелена на превосходство в традиционных бенчмарках; результаты оценки не гарантируют качество в конкретных приложениях. Модель принимает текст и генерирует текст. Языки отдельно не перечислены. Репозиторий распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

BAAI/bge-reranker-large — двуязычный англо-китайский переранжировщик текстов, разработанный командой FlagEmbedding при BAAI. Это модель архитектуры XLM-RoBERTa с 658,7 млн параметров, обученная как cross-encoder: она принимает запрос вместе с отдельным документом и оценивает их релевантность. Контекст составляет 514 токенов; доступны веса в форматах PyTorch, Safetensors и ONNX. Модель предназначена для повторной сортировки результатов поиска: сначала система извлекает кандидатов с помощью модели эмбеддингов, затем bge-reranker-large оценивает пары «запрос — документ» и помогает поднять наиболее подходящие материалы. Она ориентирована на более точное ранжирование, чем модель эмбеддингов, но менее эффективна по вычислениям, поэтому подходит для переранжирования ограниченного набора кандидатов, а не полного корпуса. Поддерживаемые языки — китайский и английский. Лицензия — MIT.

Lajavaness/bilingual-embedding-large — двуязычная модель эмбеддингов предложений от Lajavaness, основанная на XLM-RoBERTa и реализованная с помощью Sentence Transformers. Она кодирует французские и английские предложения в нормализованные векторы размерности 1024; максимальная длина последовательности — 512 токенов, а нативное контекстное окно — 514 токенов. Размер модели — 658,7 млн параметров. Модель обучалась на SNLI и XNLI для английского и французского языков, затем дообучалась на STS-Benchmark и расширенных парах предложений. Её используют для семантического поиска, оценки сходства предложений, ранжирования текстов и кластеризации. Веса доступны в формате safetensors по лицензии Apache-2.0. Модель специализируется на французском и английском языках; качество на других языках не заявлено. README не содержит результатов оценки, поэтому точность для конкретных наборов данных и сценариев по карточке определить нельзя.

BjarneNPO/BjarneNPO-01_09_2025_15_34_35 — дообученная BjarneNPO модель Sentence Transformer на базе shibing624/text2vec-base-multilingual. Она использует архитектуру BERT и преобразует предложения и абзацы в плотные эмбеддинги размером 384 для сравнения смысловой близости, семантического поиска, поиска перефразировок, классификации и кластеризации текстов. Для сопоставления в README указана косинусная близость; метаданные сообщают контекстное окно до 512 токенов, а карточка модели — максимальную длину последовательности 256 токенов. Модель обучалась на парах запросов и ответов, включая примеры на немецком языке, и предназначена для семантического поиска по тематически специализированным текстам. Она поддерживает многоязычные текстовые эмбеддинги; обучающие примеры указывают на немецкоязычный материал. Для использования подходит библиотека Sentence Transformers. В README приведены результаты оценки поиска, однако они не подтверждают качество на других данных или языках. Лицензия в предоставленных сведениях не указана.

ChimeraLlama-3-8B-v2 — языковая модель на архитектуре Llama, созданная mlabonne с помощью LazyMergekit путём слияния шести моделей семейства Llama 3. Она предназначена для генерации текста и диалогового использования, включая ответы на вопросы и написание кода. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. В состав слияния входят инструктивные и диалоговые модели, включая NousResearch/Meta-Llama-3-8B-Instruct, OrpoLlama-3-8B и Dolphin 2.9 Llama 3 8B. Карточка приводит результаты оценок Open LLM Leaderboard, в том числе IFEval и BBH. В метаданных указана лицензия other; конкретные условия использования следует сверить с лицензиями исходных моделей. Данные карточки не описывают отдельную специализацию или гарантии качества для конкретных сценариев.

DeepSeek-V4-Flash-0731-MLX-Serve-mixed-2-3-8bit — это квантованная MLX-конверсия модели DeepSeek-V4-Flash-0731, опубликованная ddalcu и предназначенная для запуска через mlx-serve на Apple Silicon. Модель рассчитана на генерацию текста, включая диалоги, программирование, задачи coding agent и сценарии с вызовом инструментов. Она совместима с OpenAI, Anthropic и Ollama HTTP API, поэтому может использоваться с существующими клиентами и интерфейсами. В основе лежит полная модель размером 284B параметров с конфигурацией A13B. Сборка занимает 115,4 ГБ и использует смешанную точность: основные routed experts в слоях 0–38 имеют 2- и 3-битное квантование с калибровкой по матрице важности, последние четыре слоя — 4-битное, а attention, shared experts, embeddings, LM head и ряд чувствительных компонентов — 8-битную или более высокую точность. Архитектура включает MQA, сжатую историю внимания, hash-routed MoE, Sinkhorn hyper-connections, DSML-формат вызова инструментов и DSpark speculative decoding. Поддерживаются текстовые входы и выходы; в README не указаны дополнительные модальности и языковой охват. Для работы требуется Mac на Apple Silicon с не менее чем 128 ГБ unified memory, macOS 26.2 или новее и mlx-serve. Ожидаемый объём занятой памяти составляет около 98 ГБ, либо примерно 109 ГБ при использовании DSpark; заявлена скорость около 53 токенов в секунду на M-series Mac с 128 ГБ памяти и включённым DSpark. Сильными сторонами являются запуск полной 284B-A13B модели на одном совместимом Mac, native MLX-реализация без Python и калиброванное квантование, направленное на сохранение качества в агентских сценариях. Ограничениями остаются очень высокие требования к памяти и совместимость только с Apple Silicon и mlx-serve. Лицензия — MIT.