II.8Инженерия данных и аналитика

Ornith-1.5-35B-A3B-NVFP4-W4A16 — это независимый community-артефакт, созданный r0b0tlab на основе модели Ornith-1.5-35B-A3B от Ornith AI. Модель предназначена для мультимодальных сценариев image-text-to-text, включая генерацию текста, программирование, математические задачи, выполнение инструкций и агентское кодирование. Артефакт не связан с NVIDIA или Ornith AI и не является их официальным продуктом. Модель использует архитектуру Qwen3_5MoeForConditionalGeneration с 35,1 млрд параметров, гибридным механизмом GDN linear attention и softmax attention, а также Mixture-of-Experts. Это квантизованная версия с NVFP4 W4A16 weight-only: веса Linear-слоёв представлены в 4-битном формате, активации используют BF16, KV-кэш — FP8-E4M3. Размер на диске составляет около 23 ГБ вместо 67 ГБ у BF16-версии, что даёт сжатие примерно в 2,9 раза. Заявлен контекст до 32 768 токенов, однако сведения о поддерживаемых языках в README отсутствуют. По внутреннему набору из 200 вопросов модель показала сопоставимое с BF16-базой качество на GSM8K, HumanEval и IFEval, а с MTP и спекулятивным декодированием — улучшенные результаты в отдельных тестах. Поддерживается SGLang с EAGLE/nextn speculative decoding; целевой сценарий эксплуатации — Blackwell-класс GPU NVIDIA, в частности DGX Spark GB10/SM121. Ограничения включают узкую и внутреннюю систему оценки, отсутствие проверки на других Blackwell-устройствах, возможную чувствительность к данным вне распределения и необходимость корректной настройки SGLang, включая backend marlin, прогрев JIT-кэша FlashInfer и FP8 KV-кэш. Модель распространяется по лицензии MIT.

Soulfate24/Ornith-1.5-9B-MTP-ASHQ1-Remix-GGUF — квантованная в формате GGUF версия Ornith-1.5-9B от Ornith AI. Репозиторий описывает вариант ASHQ1-Remix: активационно-ориентированную квантовку, параметры которой основаны на измерениях; указана поддержка линии AutoRound с ограничениями насыщения. Модель предназначена для генерации текста и диалогового использования. Базовая модель рассчитана на программирование, агентные задачи и работу с инструментами в длинном контексте. Ключевая характеристика этой версии — квантованное представление весов GGUF. В метаданных указаны задача text-generation, библиотека Transformers и лицензия MIT. README не приводит размер квантованных файлов или оценки качества именно этой сборки; результат может зависеть от выбранного файла и среды запуска.

Msobhi/Persian_Sentence_Embedding_v3 — модель Sentence Transformers, разработанная на основе FacebookAI/xlm-roberta-large и дообученная на наборах данных для персидского языка, включая задачи поиска вопросов и ответов, семантического сходства и перефразирования. Она преобразует предложения и абзацы в плотные векторы размерности 1024, которые можно сравнивать косинусной близостью. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Архитектура объединяет XLM-RoBERTa large с усреднением токенных представлений; максимальная длина входа — 512 токенов в README и 514 контекстных токенов по метаданным. Карточка заявляет поддержку персидского, английского, арабского и ряда других языков. Модель содержит 658,7 млн параметров и распространяется в формате Safetensors. В основном обучающие данные ориентированы на персидский язык, поэтому качество для других заявленных языков может различаться; входы длиннее ограничения последовательности требуют усечения или разбиения. Лицензия в предоставленных данных не указана.

Это модель Sentence Transformer, дообученная на базе vinai/phobert-base-v2 — вьетнамского RoBERTa-энкодера. Она преобразует предложения и абзацы в плотные векторы размерностью 768, которые сравниваются с помощью косинусного сходства. Модель содержит 162,4 млн параметров и принимает последовательности длиной до 258 токенов по метаданным; в README указан максимум 256 токенов. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Её можно применять для поиска вьетнамских документов по смыслу и группировки похожих высказываний. README приводит результаты оценки поиска информации, включая точность cosine_accuracy@1 0,7045 и cosine_accuracy@5 0,8767. Модель принимает текст и выдаёт векторы признаков; архитектура включает RoBERTa-энкодер и усреднение токенных представлений. Основной язык — вьетнамский, поскольку базовая PhoBERT рассчитана на обработку вьетнамского языка. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

PP-OCRv4_mobile_det — модель обнаружения текстовых областей из семейства PP-OCRv4_det, разработанная командой PaddleOCR. Она выделяет текст на изображениях и рассчитана на эффективное развёртывание на мобильных и других периферийных устройствах. Модель служит модулем обнаружения в конвейере OCR: в сочетании с распознавателем и, при необходимости, модулями ориентации и коррекции изображения конвейер извлекает текст из документов и сцен. В карточке приведены показатели для печатного и рукописного китайского и английского текста, традиционного китайского, японского, древних текстов, а также изображений с поворотом, искажением и художественным текстом. Для использования указана библиотека PaddleOCR. Модель распространяется по лицензии Apache-2.0. В карточке нет сведений о размере, длине контекста или выходном формате результатов; качество заметно различается между приведёнными сценариями, поэтому показатели для одного вида текста не гарантируют аналогичного качества для других.

PXA Coder 35B — кодовая мультимодальная модель от PXA Network. Это смесь экспертов на архитектуре Qwen MoE с гибридным вниманием: 34,7 млрд параметров и заявленный контекст 262 144 токена. Репозиторий содержит GGUF-веса PXQ4 и F16, а для обработки изображений — отдельный vision-проектор. Модель предназначена для генерации и изменения кода, отладки, рефакторинга, работы с несколькими файлами и крупными кодовыми базами, а также для многошаговых агентных сценариев с использованием инструментов. Она принимает текст и изображения и выдаёт текст; заявлены возможности чата, программирования и анализа изображений. В основе — объединение моделей Qwen 3.6 и Qwen 3.8 с последующим обучением под руководством более крупной модели. Для запуска требуется движок PXA; модель не работает со стандартными сборками llama.cpp, LM Studio, Ollama или text-generation-webui. В карточке отмечено, что поведение отказа намеренно ослаблено и на защитные ограничения модели нельзя полагаться. Лицензия — Apache-2.0.

AISE-TUDelft/python-usage-classifier — модель Sentence-Transformers на базе MPNet, разработанная AISE-TUDelft. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и имеет контекст до 514 токенов. Модель подходит для поиска похожих фрагментов и группировки текстов по смыслу. В README указано обучение с CosineSimilarityLoss; доступен формат PyTorch. Карточка не описывает специализированные языки или прикладные области. Лицензия в предоставленных данных не указана.

ThomasBaruzier/Qwen2.5-Coder-3B-Instruct-GGUF — набор GGUF-квантизаций инструкционно дообученной модели Qwen2.5-Coder-3B-Instruct. Исходную модель разработала команда Qwen, а данный репозиторий содержит варианты, подготовленные с использованием llama.cpp и метода imatrix с калибровочным файлом Bartowski. Модель предназначена для генерации и обработки текста, прежде всего для задач программирования и чат-сценариев. Это текстовая модель с архитектурой и характеристиками базовой Qwen2.5-Coder-3B; в README указано около 3 миллиардов параметров, поддерживается английский язык, а заявленный тип конвейера — text-generation. Модель ориентирована на локальный запуск в формате GGUF, причём доступны варианты квантизации от IQ1_S до Q5_K_M с размером примерно от 754 МБ до 2121 МБ. Разные варианты позволяют выбирать компромисс между требованиями к памяти и качеством; в приведённых измерениях более крупные квантизации обычно показывают меньшую perplexity и более высокую точность. Сильными сторонами являются компактный размер, возможность локального использования через llama.cpp и наличие большого выбора квантизаций для устройств с разными ресурсами. Ограничения включают потери качества, зависящие от степени квантизации, неизвестные в README размер контекста и набор поддерживаемых языков помимо английского, а также отсутствие сведений о мультимодальности. Модель распространяется по лицензии qwen-research; точные условия следует уточнять в лицензии исходной Qwen/Qwen2.5-Coder-3B-Instruct.

Qwen2.5-Coder-7B-Instruct-abliterated-GGUF — GGUF-квантизированная версия инструкционной модели Qwen2.5-Coder-7B-Instruct-abliterated, разработанной huihui-ai и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и диалогового взаимодействия, прежде всего для задач программирования и запуска локально через llama.cpp или LM Studio. Модель содержит 7 миллиардов параметров и доступна в вариантах от F16 до различных квантований Q8, Q6, Q5, Q4 и Q3, что позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Размер файлов составляет примерно от 4,09 до 15,24 ГБ в зависимости от варианта. В README указан английский язык; сведения о других языках, длине контекста и мультимодальности отсутствуют. Для взаимодействия используется формат сообщений ChatML с ролями system, user и assistant. К сильным сторонам относятся специализация базовой модели на коде, широкий выбор квантований и возможность локального запуска на совместимом оборудовании. К ограничениям относятся возможная потеря качества при более сильном квантовании, отсутствие данных о бенчмарках и точной длине контекста, а также неопределённость характеристик варианта abliterated. Модель распространяется по лицензии Apache 2.0.

Qwen2.5-Coder-7B-Q4_K_M-GGUF — это квантизированная версия базовой модели Qwen/Qwen2.5-Coder-7B, преобразованная в формат GGUF с использованием llama.cpp и сервиса GGUF-my-repo. Модель опубликована в репозитории AIronMind и предназначена для локального запуска через llama.cpp. Модель ориентирована на генерацию текста и работу с программным кодом: её можно использовать для написания, дополнения и объяснения кода, а также для интерактивного применения через командную строку или серверный API llama.cpp. Указанный размер базовой модели — 7B параметров. Формат квантизации — Q4_K_M, что рассчитано на более экономичное использование памяти по сравнению с полной версией модели. В метаданных указан английский язык; другие языки и мультимодальные возможности не заявлены. Для запуска поддерживаются macOS и Linux при наличии установленного llama.cpp; возможна аппаратная настройка, включая CUDA для Nvidia GPU. В примере сервера используется контекст 2048 токенов, однако максимальный размер контекста в карточке явно не указан. Модель распространяется по лицензии Apache-2.0. Ограничения и подробные характеристики унаследованной базовой модели в этой карточке не описаны; для них рекомендуется обращаться к оригинальной документации Qwen/Qwen2.5-Coder-7B.

RedHatAI/Qwen2.5-VL-72B-Instruct-FP8-dynamic — квантизированная версия мультимодальной модели Qwen2.5-VL-72B-Instruct, разработанной Qwen и оптимизированной Neural Magic. Модель принимает изображения и текст, а генерирует текст; в карточке также указан английский язык. Версия выпущена 24 февраля 2025 года. Модель предназначена для визуально-языковых задач: ответов на вопросы по изображениям, анализа документов и диаграмм, визуального рассуждения и решения математических задач по визуальному содержимому. Архитектура основана на Qwen2.5-VL-72B-Instruct с 72 млрд параметров. Веса и активации квантизированы в FP8 с динамическим режимом, что ориентировано на более эффективное выполнение инференса. Для запуска рекомендуется vLLM версии 0.5.2 или новее; поддерживается OpenAI-совместимый сервер. В примере развертывания используется контекст до 4096 токенов, однако общий максимальный контекст модели в README не указан. По приведенным оценкам, FP8-версия сохраняет близкое к исходной качество на задачах MMMU, VQAv2, DocVQA, ChartQA и MathVista, но результаты могут зависеть от сценария использования и настроек инференса. Модель распространяется по лицензии Apache 2.0.

ShiningValiant3 — дообученная Valiant Labs модель Qwen3-1.7B для научных и общих рассуждений, проектирования систем ИИ, решения задач и диалогов. Она предназначена для исследователей и разработчиков, которым нужны ответы на научные вопросы, помощь в работе с современными технологиями ИИ, анализ и генерация идей, а также выполнение инструкций и написание кода. Модель имеет плотную архитектуру Qwen3ForCausalLM с 1,7 млрд параметров, принимает текст и генерирует текст. Контекст — до 40 960 токенов. В карточке заявлены дообучение на научных данных рассуждений, созданных с помощью DeepSeek R1 0528, и улучшения в общих и творческих рассуждениях. README рекомендует включать режим рассуждений для диалогов. Модель рассчитана на локальный запуск на настольных компьютерах и мобильных устройствах, а также на быстрый серверный инференс. Лицензия — Apache-2.0. Карточка указывает английский язык; многоязычные возможности базовой Qwen3 не означают, что для этой доработки подтверждён основной язык помимо английского. Качество отдельных ответов и фактическая точность могут зависеть от запроса; численные оценки в карточке не приведены.

Qwen3.5-4B-Claude-4.6-Opus-Reasoning-Distilled-v2 — модель, разработанная Jackrong на базе Qwen/Qwen3.5-4B. Это вторая версия reasoning-ориентированной дообученной модели, созданная с использованием SFT и LoRA через Unsloth на более чем 14 000 образцов рассуждений в стиле Claude 4.6 Opus. Модель не является Claude, а использует дистиллированные шаблоны рассуждений. Модель предназначена для математики, текстовых задач, логического вывода, общих знаний, выполнения инструкций и переноса рассуждений на программирование и другие многошаговые задачи. Основной акцент сделан на экономичности reasoning: по сравнению с официальной Qwen3.5-4B модель формирует более короткие и структурированные цепочки рассуждений, что может снижать задержку и расходы инференса в локальном использовании и агентских сценариях. Указана поддержка английского, китайского и корейского языков; в метаданных также заявлен pipeline image-text-to-text, однако подробности мультимодальных возможностей и размер контекстного окна не приведены. Ключевое ограничение — компромисс между эффективностью рассуждений и максимальной точностью: по приведённым данным, официальная Qwen3.5-4B превосходит эту версию по абсолютным результатам HumanEval и HumanEval+, хотя v2 требует существенно меньше символов рассуждений на один успешный результат. Модель распространяется по лицензии Apache-2.0.

Карточка модели Wudiam/Qwen3.6-35B-A3B на Hugging Face совпадает с карточкой Qwen/Qwen3.6-35B-A3B, поэтому описание составлено по ней. Qwen3.6-35B-A3B — открытая модель весов от Qwen, представленная как языковая модель с энкодером изображений и архитектурой смеси экспертов. В ней 35 млрд параметров, из которых при генерации активируются около 3 млрд; конфигурация включает 40 слоёв и 256 экспертов. Модель предназначена для диалогов, программирования и работы с изображениями, а также поддерживает вызов инструментов через соответствующий интерфейс. Основные сценарии — агентное программирование, анализ репозиториев, создание веб-интерфейсов и итеративная разработка с сохранением контекста рассуждений между сообщениями. Модель принимает текст и изображения и генерирует текст. Нативное окно контекста составляет 262 144 токена, с расширением до 1 010 000 токенов. В README приведены англоязычные и китайскоязычные примеры оценки веб-разработки; полная таблица поддерживаемых языков опущена. Веса доступны в формате Safetensors и совместимы с Transformers, vLLM, SGLang и другими указанными средами. Для работы с длинным контекстом требуются значительные вычислительные ресурсы; README рекомендует уменьшать окно при нехватке памяти и современные серверные движки для производительных нагрузок. Лицензия — Apache 2.0.

hellohazime/Qwen3.8-2.4T-A95B-REAP-512GB-GGUF — GGUF-сборка модели Qwen3.8-2.4T-A95B, основанная на unsloth/Qwen3.8-2.4T-A95B-GGUF и подготовленная автором hellohazime. Это MoE-модель с 512 экспертами в каждом слое, из которых сохранены 304, выбранные по частоте маршрутизации на англоязычном веб-корпусе и коде. Ширина модели не изменялась, а исходная квантизация UD-IQ2_XXS сохранена без повторной квантизации. Размер файла составляет около 404 ГБ (376 GiB), что позволяет полностью разместить модель в памяти Mac с 512 ГБ и использовать её через стандартный llama.cpp. Модель предназначена прежде всего для генерации текста, работы с английским языком и программным кодом, включая агентские сценарии с использованием инструментов и длительные задачи разработки. Заявлено окно контекста 262 144 токена; в проверках использовался контекст до 131 072 токенов. По сравнению с исходной некроппированной квантизированной моделью сборка сохранила 89,7% маршрутизаций экспертов, показала совпадение наиболее вероятного токена 87,6% на английском тексте и 90,0% на коде, а также продемонстрировала загрузку и генерацию в stock llama.cpp. Сильными сторонами являются высокая точность относительно исходной Q2-квантизации, отсутствие необходимости в специальном runtime и пригодность для локального запуска на системе с 512 ГБ памяти. Ограничения связаны с экспертным pruning: отбор калибровался на английском веб-контенте и коде, поэтому неанглоязычные языки и задачи за пределами этих доменов могут пострадать. Производительность и качество за пределами проверенных режимов, включая более длинные контексты и иные распределения данных, не подтверждены. Лицензия указана как other, license_name — qwen3.8-max; ссылка ведёт на лицензию Qwen3.8-2.4T-A95B.

Qwen3.8-27B-Uncensored-YMQ-MTP-GGUF-12GB — квантизированная GGUF-версия модели Qwen3.8-27B-Uncensored, подготовленная 0xSojalSec на основе модели JonathanColetti/Qwen3.8-27B-Uncensored. Модель предназначена для локальной генерации текста, диалогов и прежде всего для задач программирования, включая работу с API и агентские сценарии в инструментах вроде RooCode и Aider. Модель имеет 27 миллиардов параметров и использует архитектурно-ориентированную смешанную квантизацию, созданную с применением YMQ-Compiler v2.0 и подходов, вдохновлённых AutoRound. Сборки поддерживают параллельное multi-token prediction (MTP) для speculative decoding. В README заявлена оптимизация под большой контекст, однако точный размер контекстного окна, список языков и мультимодальные возможности не указаны. Версия с ориентиром на 12 ГБ предназначена для запуска на видеокартах с ограниченным объёмом памяти; конкретные характеристики зависят от выбранного пресета. Сильными сторонами заявлены сохранение логической устойчивости и качества форматирования при работе с кодом и длинными многошаговыми агентскими сценариями, а также возможность запуска 27B-модели в компактном объёме памяти. Ограничения связаны с потерями качества из-за квантизации: README предупреждает о структурном шуме, возможной амнезии контекста и циклах форматирования у наиболее компактных вариантов. Распространение указано по лицензии Apache-2.0.

Qwen3-Coder-30B-A3B-Instruct-MLX-4bit — 4-битная квантованная версия модели Qwen3-Coder-30B-A3B-Instruct, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX; модель оптимизирована для запуска на устройствах с Apple Silicon. Модель предназначена для генерации текста и, судя по названию исходной модели, ориентирована на задачи, связанные с программированием, однако README не содержит подробностей о поддерживаемых языках программирования, естественных языках, архитектуре, размере активной части модели, контекстном окне или доступных модальностях. Указан только формат text-generation и 4-битное представление, которое снижает требования к памяти и делает локальный запуск на Apple Silicon более практичным, но может влиять на точность по сравнению с полной версией. Модель распространяется по лицензии Apache-2.0. LM Studio не является создателем исходной модели и не гарантирует её точность, безопасность или пригодность для конкретных задач; результаты могут быть ошибочными или неподходящими и требуют проверки.

Это пакет слоёв GGUF для модели Qwen3-Coder-480B-A35B-Instruct, подготовленный Mesh LLM для распределённого инференса на локальном кластере из нескольких машин. Пакет основан на unsloth/Qwen3-Coder-480B-A35B-Instruct-GGUF и сохраняет исходные веса в варианте UD-Q4_K_XL, разделёнными на артефакты по слоям. Для запуска используется библиотека mesh-llm; модель поддерживает чат и совместимый с OpenAI API сценарий /v1/chat/completions. Модель предназначена для локального приватного инференса, в том числе когда полный GGUF слишком велик для одного компьютера. Семейство Qwen3-Coder ориентировано на задачи программирования и генерации текста. Пакет позволяет объединять вычислительные ресурсы нескольких машин, но требует подходящего кластера и Mesh LLM. Сведения о лицензии, контекстном окне и языковой поддержке следует уточнять в карточке исходной модели unsloth/Qwen3-Coder-480B-A35B-Instruct-GGUF.

mlx-community/Qwen3-Coder-Next-4bit — это 4-битная версия модели Qwen3-Coder-Next, разработанной Qwen и конвертированной сообществом mlx-community в формат MLX с использованием mlx-lm 0.30.5. Модель предназначена для генерации текста и, судя по названию базовой модели, прежде всего для задач, связанных с программированием, включая работу с исходным кодом и техническими запросами. Модель рассчитана на запуск через библиотеку mlx-lm и совместима с экосистемой MLX. Ключевой особенностью является 4-битное представление, которое может снижать требования к памяти по сравнению с полноразмерной версией, но потенциально ограничивать точность. README не содержит сведений о размере модели, архитектуре, поддерживаемых языках и модальностях, длине контекста, результатах тестирования, сильных сторонах или конкретных ограничениях. Лицензия модели — Apache 2.0. Для использования требуется установка mlx-lm; приведённый способ запуска ориентирован на генерацию текста с применением chat template, если он доступен.

RedHatAI/Qwen3-Coder-Next-NVFP4 — языковая causal-модель для генерации текста, разработанная Red Hat на основе Qwen/Qwen3-Coder-Next от Alibaba Cloud. Модель принимает текст и генерирует текст; по назначению относится к моделям для задач программирования и работы с кодом. Архитектура указана как Qwen3NextForCausalLM, поддерживается интеграция с vLLM и вызов инструментов через совместимый с OpenAI API интерфейс. Модель представляет собой квантизированную версию исходной Qwen3-Coder-Next: веса и активации линейных операторов в блоках трансформера переведены в формат FP4. Это сокращает число битов на параметр с 16 до 4, а заявленный объём хранения на диске и требования к памяти GPU — примерно на 75%. Размер модели, максимальная длина контекста и набор поддерживаемых языков в представленном README не указаны. Модель валидирована с vLLM 0.14.1, RHAIIS 3.4 EA1 и RHOAI 3.4 EA1; для развёртывания в примере используется tensor parallelism на двух устройствах. Ключевое преимущество — существенное снижение требований к дисковой и GPU-памяти по сравнению с неквантизированной версией. При этом README не содержит результатов бенчмарков и количественной оценки влияния FP4-квантизации на качество, поэтому точные сильные стороны и возможные потери качества нельзя подтвердить по имеющимся данным. Модель распространяется по лицензии Apache 2.0.

Qwen3-Coder-Next.w4a16 — квантизированная версия языковой модели Qwen3-Coder-Next, разработанная Red Hat на базе модели Qwen/Qwen3-Coder-Next. Это авторегрессионная модель архитектуры Qwen3NextForCausalLM с текстовым вводом и текстовым выводом, предназначенная прежде всего для генерации и анализа кода, а также для развертывания в сценариях, поддерживающих вызов инструментов. Модель использует схему W4A16: веса линейных операторов в блоках Transformer представлены в формате INT4, а активации — FP16. Такая оптимизация сокращает число битов на параметр с 16 до 4 и приблизительно на 75% уменьшает требования к дисковому пространству и памяти GPU. README не содержит сведений о размере модели, поддерживаемых языках программирования и естественных языках, максимальной длине контекста или мультимодальных возможностях. Основное преимущество модели — существенное снижение требований к памяти при сохранении высокой эффективности на задачах программирования. В оценке SWE-Bench Lite она получила результат 48,67 против 49,33 у исходной Qwen3-Coder-Next, что соответствует восстановлению 98,6% исходного показателя. Ограничением является возможная небольшая потеря точности из-за квантизации, а также зависимость рекомендуемого развертывания от совместимой инфраструктуры, например vLLM и Tensor Parallel. Модель распространяется по лицензии Apache-2.0. Для квантизации использовалась библиотека llm-compressor и алгоритм GPTQ; в README приведён пример развертывания через vLLM с поддержкой автоматического выбора инструментов и парсера вызовов Qwen3 Coder.

Qwen3-Reranker-0.6B — плотная языковая модель семейства Qwen3 с 507,6 млн параметров, дообученная для ранжирования текстов. Она оценивает релевантность пар запроса и документа и помогает переставить найденные результаты так, чтобы наиболее подходящие оказались выше. Модель предназначена для поисковых и retrieval-сценариев, включая многоязычный и межъязыковой поиск, поиск по коду и подбор текстов-кандидатов. Модель поддерживает более 100 языков и длинный контекст: в метаданных указано 40 960 токенов. Для улучшения результатов можно задавать инструкцию, соответствующую задаче и языку; README рекомендует в многоязычных сценариях формулировать инструкции на английском. Модель использует Transformers и распространяется в формате safetensors. Лицензия — Apache-2.0.

RetroMAE-Small — компактная модель семейства BERT, разработанная Seznam.cz и предварительно обученная с целевой функцией RetroMAE на чешском веб-корпусе. Она предназначена для получения семантических представлений предложений и решения задач поиска по смыслу и оценки сходства текстов. Модель содержит 27,2 млн параметров и принимает текст с контекстом до 512 токенов. Её можно применять для поиска похожих предложений, извлечения релевантных документов, кластеризации и классификации чешских текстов. Лицензия — CC BY 4.0.

SauerkrautLM-ColQwen3-4b-v0.1 — мультиязычная модель визуального поиска по документам, разработанная VAGOsolutions на основе Qwen/Qwen3-VL-4B. Это дообученная плотная модель семейства Qwen3-VL с архитектурой ColQwen3: она кодирует изображения страниц и текстовые запросы в многовекторные представления размерностью 128 и использует позднее взаимодействие для ранжирования документов. Такой подход сохраняет визуальную структуру страниц, включая таблицы, формы и графики, и не требует отдельного OCR-конвейера. Модель предназначена для поиска релевантных страниц в коллекциях документов и визуального RAG. В карточке заявлены 4 млрд параметров и ориентир около 8 ГБ VRAM. На ViDoRe v1 указана оценка NDCG@5 90,80; также приведены результаты MTEB и ViDoRe v2/v3. Поддерживаются английский, немецкий, французский, испанский, итальянский и португальский языки. Лицензия — Apache-2.0. Для загрузки указан пакет sauerkrautlm-colpali; README также описывает использование с Sentence Transformers как многовекторного ретривера. Модель предназначена для извлечения и ранжирования документов, а не для генерации ответов или текста. Заявленные результаты относятся к приведённым бенчмаркам и сами по себе не гарантируют качество на иных корпусах; фактические требования к памяти зависят от конфигурации и размера пакета.

bigscience-data/sgpt-bloom-1b7-nli — модель эмбеддингов предложений на базе архитектуры BLOOM, предназначенная для оценки смысловой близости текстов и извлечения векторных представлений. Карточка описывает обучение с BitFit, пулингом weighted mean и методом GradCache с функцией потерь Multiple Negatives Ranking Loss. Указаны результаты оценки на AskUbuntu, CQADupStack, TwitterPara и SciDocs со средним баллом около 55,1. Модель подходит для поиска семантически похожих предложений, сопоставления вопросов и ответов и поиска по текстовым коллекциям. Метаданные указывают контекст до 4096 токенов и форматы PyTorch и safetensors. Лицензия в предоставленных данных не указана.

SILMA Arabic Matryoshka Embedding Model 0.1 — модель текстовых эмбеддингов, предназначенная прежде всего для арабского языка. Она разработана командой SILMA AI и основана на дообученной AraBERTv0.2-base, использует архитектуру BERT и библиотеку Sentence Transformers. Модель содержит 162,4 млн параметров и принимает последовательности длиной до 512 токенов. Эмбеддинги Matryoshka позволяют использовать первые n измерений вектора, подбирая компромисс между размером представления, скоростью и точностью. В карточке показаны сценарии семантического поиска и сходства предложений, сопоставления вопроса с абзацем, привязки сообщения к названию намерения и классификации документов. Указаны арабский и английский языки; лицензия — Apache-2.0. Модель предназначена для построения векторного поиска и семантического сопоставления, а не для генерации текста. Качество может меняться при сокращении размерности эмбеддингов; README не приводит численных результатов оценки.

Карточка модели lgbird/stella_1.5B_custom на Hugging Face совпадает с карточкой delwinn/stella_en_1.5B_v5, поэтому описание составлено по ней. delwinn/stella_en_1.5B_v5 — англоязычная модель эмбеддингов, разработанная на основе Alibaba-NLP/gte-large-en-v1.5 и Alibaba-NLP/gte-Qwen2-1.5B-instruct. Она предназначена для поиска релевантных текстов по запросу и оценки семантического сходства. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и выдаёт текстовые векторы; поддерживает представления размером 512, 768, 1024, 2048, 4096, 6144 и 8192 измерения. Для большинства задач предусмотрены варианты промптов s2p и s2s; обычно автор рекомендует размерность 1024. Модель обучена с использованием MRL и доступна в формате PyTorch/SafeTensors. Хотя нативный контекст составляет 131072 токена, автор рекомендует ограничивать последовательности 512 токенами: модель обучалась на такой длине и, по описанию, хуже справляется с поиском по специализированным длинным текстам. Детали обучения и использованные наборы данных в README не раскрыты. Лицензия — MIT.

tevatron-elastic-modernbert-retriever-mrl — модель-ретривер на базе ModernBERT-base, обученная командой Tevatron-Elastic для поиска релевантных текстов. Она использует архитектуру ModernBERT encoder-only и формирует векторные представления запросов и документов; благодаря Matryoshka Representation Learning один чекпойнт поддерживает несколько размерностей эмбеддингов, которые выбираются через `prune_to` или `encode_at`. Модель предназначена для информационного поиска, включая семантический поиск и извлечение документов по запросу. В обучении использовались данные rlhn/rlhn-680K, максимальная длина последовательности составляла 512 токенов, а запросы и документы получали префиксы `query:` и `passage:`. Для полного режима в README сообщается результат 0,463 nDCG@10 на BEIR-15; релиз представлен как ресурс для воспроизводимости, а не как заявление о превосходстве над другими моделями. Размер модели — 149 млн параметров, контекст — до 8192 токенов. Лицензия — Apache-2.0. Базовая ModernBERT-base ориентирована на английский язык.

topk-embed-v1-small — мультимодальная модель извлечения TopK размером 2 млрд параметров, предназначенная для поиска по текстовым документам и изображениям страниц, включая сканы, отчёты и презентации. Она использует позднее взаимодействие: формирует несколько векторов для токенов текста или фрагментов изображения, а затем оценивает релевантность запросов и документов с помощью суммирования MaxSim. Разработчик — TopK, согласно названию и README. Модель рассчитана на retrieval-сценарии с текстовыми запросами и документами на разных языках. В README приведены оценки на восьми наборах ViDoRe v3, включая поиск по изображениям страниц и соответствующему тексту Markdown, а также нативные и межъязыковые запросы. Полная ширина векторов составляет 2048 измерений; доступны префиксные размерности Matryoshka от 64 до 2048. В метаданных указана дообученная база Qwen/Qwen3.5-2B, библиотека Sentence Transformers, формат safetensors и лицензия Apache-2.0. Для запуска README требует CUDA GPU с поддержкой bfloat16 (Ampere или новее).

Trismal-NeurAmoclion-7B-Base-Ties — объединённая модель на основе Mistral, созданная JoPmt с помощью LazyMergekit. Она объединяет JoPmt/Trismal-HyperAmocles-7B-Base-Ties и Locutusque/NeuralHyperion-2.0-Mistral-7B методом TIES. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает контекст до 32 768 токенов. Модель предназначена для генерации текста. Описание базовой модели указывает на поддержку сложных вопросов, научных рассуждений, генерации кода и диалогов; README не уточняет, насколько эти возможности сохраняются после слияния. Доступные сведения не описывают лицензию или языки модели.