II.8Инженерия данных и аналитика

Xenova/msmarco-distilbert-base-v4 — версия модели sentence-transformers/msmarco-distilbert-base-v4 с весами в формате ONNX, подготовленная для совместимости с библиотекой Transformers.js. Модель предназначена для извлечения признаков и создания векторных представлений текста, которые могут использоваться в задачах семантического поиска, сопоставления текстов и других сценариях обработки естественного языка. В названии указана архитектура на основе DistilBERT; точный размер модели, поддерживаемые языки, размер контекстного окна и перечень модальностей в README не приведены. Ключевое преимущество — возможность запуска через Transformers.js, включая веб- и JavaScript-сценарии, благодаря ONNX-весам. Ограничения, условия лицензирования и дополнительные характеристики в предоставленных данных не указаны.

dragonkue/multilingual-e5-small-ko — компактная модель Sentence Transformers на архитектуре BERT, дообученная разработчиком dragonkue на базе intfloat/multilingual-e5-small на корейских парах «запрос — фрагмент текста». Она предназначена прежде всего для поиска корейских документов и подбора релевантных фрагментов, а также для оценки семантического сходства предложений. Модель кодирует предложения и абзацы в плотные векторы размерности 384 и нормализует их; сходство можно сравнивать по косинусной мере. Максимальная длина входа — 512 токенов. Для асимметричного поиска README рекомендует добавлять к запросам префикс «query: », а к документам — «passage: ». Помимо поиска, эмбеддинги подходят для кластеризации, поиска перефразирований и классификации текста. Модель рассчитана на лёгкие приложения и демонстрации, где важны скорость и компактность; для более точного поиска можно дополнить её реранкером. Карточка сообщает об оценке на корейских бенчмарках поиска, но не приводит в доступном тексте результаты для этой модели. Длинные тексты обрезаются до 512 токенов. Лицензия — Apache-2.0.

Muse-Glimmer-30B-Fable-Distill — мультимодальная модель Meta, дообученная armand0e на диалогах и агентных трассах программирования, дистиллированных из Claude Fable 5. Это плотная модель семейства Muse Glimmer с текстовым декодером и визуальным энкодером; дообучалась только языковая часть, а веса объединены с базовой моделью в формате bf16. Она принимает текст и изображения и предназначена для диалогов, агентного программирования и работы с инструментами. Карточка описывает многоязычные данные на английском, испанском, французском, немецком, португальском, японском и китайском языках; доля неанглийских токенов при обучении составляла около 10%. Лицензия — Apache-2.0. Модель сохраняет архитектуру, токенизатор, шаблон диалога и обработчик изображений базовой Muse-Glimmer-30B. Для подачи изображений используется AutoProcessor; модель поддерживает формат Onyx ATEM с каналами рассуждений и вызовами инструментов. Для работы указаны Transformers версии не ниже 5.15; стандартные парсеры рассуждений и вызовов инструментов vLLM несовместимы с этим форматом и могут неверно разбирать сообщения. Обучение проводилось на 651 примере; модель не сравнивалась с вариантом, обученным только на ответах, а объединённые bf16-веса не полностью совпадают с NF4-весами, на которых шло обучение.

NextSearch-1-M — дообученная компанией NextTokenAI модель на базе Inkling-Small, предназначенная для веб-исследований в составе системы с оркестратором. Она разбивает вопрос на подзадачи, ищет и получает материалы из актуального веба, сопоставляет противоречивые свидетельства и возвращает краткий ответ или структурированный исследовательский результат. Модель относится к семейству Inkling, использует плотную архитектуру класса InklingForConditionalGeneration; заявленный размер — 276 млрд параметров, из которых активно около 12 млрд. В карточке описаны агентные сценарии с поиском и использованием инструментов; запуск предлагается через vLLM с контекстом до 65 536 токенов. В опубликованной оценке на наборах для поиска свежих и противоречивых данных, многокритериального поиска и подготовки полных ответов модель показала конкурентные результаты в рамках собственного тестового стенда NextTokenAI. Это не гарантирует сопоставимость с результатами других бенчмарков. Для запуска в bf16 требуется около 530 ГБ весов и мног GPU-сервер; модель рассчитана на повторные вызовы оркестратором, а не на самостоятельное подключение к вебу без инструментов. Лицензия — Apache-2.0.

sentence-transformers/nli-bert-base-max-pooling — модель семейства BERT, обученная командой Sentence Transformers для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно использовать для семантического поиска и кластеризации текстов; архитектура включает BERT и max pooling. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт векторные представления. Доступны веса в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель устарела: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новые модели Sentence Transformers. Лицензия — Apache-2.0.

cross-encoder/nli-roberta-base — англоязычная модель RoBERTa, дообученная авторами Sentence Transformers для распознавания логических отношений между парами предложений. Для каждой пары она выдаёт оценки трёх классов: противоречие, следование и нейтральное отношение. Модель содержит 151,8 млн параметров, принимает пары текстов и поддерживает контекст до 514 токенов. Основные сценарии применения — классификация текстовых пар, проверка гипотез по посылкам и классификация без примеров по заданным меткам. Также модель можно использовать для оценки сходства предложений. Она обучена на английских наборах SNLI и MultiNLI; для работы доступна через Sentence Transformers и Transformers. Лицензия — Apache-2.0.

omniASR-LLM-7B — форк модели Meta AI из семейства Omnilingual ASR, подготовленный для интеграции с vLLM. Согласно README, веса идентичны оригинальной facebook/omniASR-LLM-7B: изменена только упаковка, добавлены конфигурация Hugging Face, настройки токенизатора и таблица языковых идентификаторов. Это плотная модель класса OmniAsrForConditionalGeneration с весами в формате safetensors. Модель предназначена для автоматического распознавания речи на множестве языков; семейство заявляет поддержку более 1600 языков. Форк позволяет запускать распознавание через vLLM. README не приводит точного числа параметров именно этой 7B-версии. Репозиторий распространяется по лицензии Apache 2.0.

amazingvince/openhermes-7b-dpo — экспериментальная DPO-донастройка модели OpenHermes, опубликованная автором репозитория. В README она описана как дообучение OpenHermes на данных, призванных улучшить способности модели; базовая линия OpenHermes 2.5 основана на Mistral 7B и включает дополнительное обучение на наборах инструкций по программированию. Метаданные указывают на плотную авторегрессионную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате, включая ответы на инструкции и вопросы; базовое семейство также ориентировано на задачи с кодом. В карточке сказано, что модель экспериментальная, а подробности будут добавлены позднее. Доступны веса Safetensors, лицензия — Apache-2.0. README не приводит результатов именно этой версии, поэтому её качество и улучшения относительно базовой модели подтвердить нельзя.

OrakzaiX — это общественный GGUF-релиз модели семейства Llama, поддерживаемый и квантизированный Faisal Orakzai. В метаданных указан upstream-моделью meta-llama/Llama-3-8B-Instruct, однако README позиционирует OrakzaiX именно как квантизированный релиз, а не как самостоятельно обученную базовую модель. Модель предназначена для генерации текста и диалогов с локальным запуском через llama.cpp на пользовательском оборудовании, рабочих станциях, периферийных устройствах или частных серверах. Основные сценарии включают локальных ассистентов, офлайн-прототипирование, разработку инструментов, суммирование и извлечение технической информации, помощь с кодом и документацией, автоматизацию, планирование рабочих процессов и эксперименты с multi-agent orchestration. Доступны варианты GGUF с квантизацией от Q2_K до Q8_0; рекомендуемым начальным вариантом называется Q4_K_M, обеспечивающий компромисс между качеством, скоростью и потреблением памяти. Файлы занимают примерно от 3,18 до 8,54 ГБ, но фактические требования выше из-за контекста, KV-кэша, буферов вычислений и накладных расходов runtime. Сильными сторонами являются локальное и потенциально более приватное выполнение, широкий выбор уровней квантизации и совместимость с экосистемой llama.cpp. При этом README не содержит результатов бенчмарков, данных о точности в конкретных областях, надежности использования инструментов, производительности, поддерживаемых языках или размере контекстного окна. Не подтверждена также пригодность для автономных производственных сценариев; качество следует проверять на собственных задачах и выбранной квантизации. Лицензия указана как other, поэтому перед распространением или коммерческим использованием необходимо изучить условия лицензии OrakzaiX и upstream-модели.

Amira — языковая модель для генерации текста, созданная слиянием моделей psmathur/orca_mini_v3_13b, garage-bAInd/Platypus2-13B и WizardLM/WizardMath-13B-V1.0 с помощью mergekit. Она основана на архитектуре Llama и содержит 12,9 млрд параметров; максимальная длина контекста — 4096 токенов. Модель подходит для диалоговой генерации текста, ответов на вопросы и задач математического рассуждения. Доступна в формате safetensors и распространяется по лицензии Apache-2.0.

Phi-3-mini-128k-instruct-4bit — 4-битная версия модели Phi-3-mini-128k-instruct, разработанной Microsoft и преобразованной сообществом mlx-community в формат MLX с помощью mlx-lm 0.10.0. Модель содержит около 3,7 млрд параметров и предназначена для генерации текста в диалоговых сценариях и задачах, связанных с кодом. Модель ориентирована прежде всего на англоязычные запросы, генерацию ответов, продолжение текста и помощь с программным кодом. Формат MLX оптимизирован для запуска через библиотеку mlx-lm на совместимом оборудовании Apple. Метаданные указывают нативную длину контекста 4096 токенов. К сильным сторонам относятся компактный размер, 4-битное квантование и возможность локального запуска в экосистеме MLX. Ограничениями являются преимущественная поддержка английского языка, уменьшенная точность из-за квантования и контекст до 4096 токенов, несмотря на обозначение исходной модели как 128k. Модель распространяется по лицензии MIT.

piotr-rybak/poleval2021-task4-herbert-large-encoder — модель эмбеддингов предложений на базе архитектуры BERT, опубликованная Piotr Rybak. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для поиска семантически похожих текстов, кластеризации и семантического поиска. Модель обучалась с ContrastiveLoss на основе косинусного расстояния и доступна в формате PyTorch для использования с библиотекой Sentence-Transformers. В метаданных указано 453,9 млн параметров и контекст длиной 514 токенов. Название репозитория и POLEVAL2021 указывают на польскую языковую задачу; модель предназначена прежде всего для текстов на польском языке. Лицензия в предоставленных данных не указана.

PP-OCRv3_mobile_det — мобильная модель обнаружения текста из семейства PP-OCRv3_det, разработанная командой PaddleOCR. Она находит текстовые области на изображениях и предназначена для эффективного запуска, в том числе на периферийных устройствах. В составе конвейера PP-OCR обнаружение текста сочетается с распознаванием строк и, при необходимости, модулями коррекции ориентации и геометрии изображений. Модель принимает изображение и решает задачу обнаружения текста; сама по себе она не выполняет распознавание найденных строк в текст. В карточке заявлена поддержка английского и китайского языков. Репозиторий использует PaddleOCR; лицензия — Apache-2.0.

Qwen3.5-2B — мультимодальная языковая модель с визуальным энкодером, разработанная командой Qwen. Репозиторий содержит постобученные веса и конфигурацию в формате Transformers; модель дообучена на базе Qwen/Qwen3.5-2B-Base. Архитектура — плотная причинная модель с гибридными блоками Gated DeltaNet и Gated Attention, 2 млрд параметров и контекстом до 262 144 токенов. Модель предназначена для диалогов, рассуждений по тексту и изображениям, вызова инструментов, прототипирования и предметно-ориентированного дообучения. Она поддерживает 201 язык и диалект; по умолчанию работает в режиме без рассуждений, также доступен режим рассуждений. Среди сильных сторон — мультимодальный ввод и длинный контекст. Разработчик рекомендует учитывать масштаб модели при выборе сценария: прототипирование и разработка подходят лучше, чем ресурсоёмкие высокопроизводительные нагрузки. Лицензия — Apache-2.0.

FlagRelease/Qwen3.6-27B-metax-FlagOS-Express — вариант открытой модели Qwen3.6, опубликованный FlagRelease для запуска через стек FlagOS на ускорителях Metax. Модель относится к плотной архитектуре Qwen3.5 и предназначена для диалогов и программирования: README отмечает агентное создание интерфейсов, рассуждение на уровне репозитория и сохранение контекста рассуждений между сообщениями. В метаданных указаны возможности чата и интерфейс вызова инструментов, а также поддержка китайского и английского языков. Карточка приводит результаты оценки GPQA Diamond и ERQA, а также сравнение производительности FlagOS с H100 при нескольких размерах контекста и 64 параллельных запросах. В README описано развёртывание в контейнере FlagOS-Metax и взаимодействие через AnythingLLM. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0. Число параметров и максимальная длина контекста в доступных сведениях не приведены.

Qwen3.8-27B-UD-Q3_K_XL-MTP-MLX — это MLX-квантизация базовой модели Qwen/Qwen3.8-27B, подготовленная Nathan Sutton для локального запуска на компьютерах Apple Silicon. Модель предназначена прежде всего для генерации текста, программирования и работы в локальном coding agent chad, выполненном в стиле Claude Code. Она может использоваться через chad или напрямую с библиотекой mlx-lm. Модель имеет плотную архитектуру Qwen3.5 на 27 млрд параметров: 64 слоя, включая 48 слоёв GatedDeltaNet и 16 слоёв full attention. Основная часть весов и embeddings квантизирована до 3 бит с группами по 64 значения, а lm_head — до 5 бит; итоговый объём весов составляет около 12,1 ГБ, дополнительно поставляется 4-битная MTP-head. Заявлен нативный контекст до 262 тысяч токенов, однако на устройствах Apple Silicon с 24 ГБ памяти фактическое окно обычно ограничивается десятками тысяч токенов в зависимости от доступного бюджета Metal. MTP-head поддерживает self-speculative decoding, ускоряя генерацию с сохранением точности распределения модели. Шаблон чата по умолчанию использует reasoning_effort medium вместо upstream-значения xhigh. Языки и мультимодальные возможности в README не указаны. Модель ориентирована на устройства с 24 ГБ памяти Apple Silicon, а её лицензия наследуется от базовой Qwen/Qwen3.8-27B и требует проверки перед использованием или распространением.

Карточка модели willhx/Qwen3-8B-Base-Math-SeaSFT-Search-TauSFT на Hugging Face совпадает с карточкой Qwen/Qwen3-8B-Base, поэтому описание составлено по ней. Qwen3-8B-Base — плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это базовая модель на этапе предобучения, рассчитанная на дальнейшую адаптацию и генерацию текста. В карточке указаны 36 слоёв, 32 головы внимания для Q и 8 для KV; метаданные каталога оценивают размер в 7,6 млрд параметров, а README приводит 8,2 млрд параметров всего и 6,95 млрд без эмбеддингов. Контекст — 32 768 токенов. Модель предназначена для продолжения текста и служит основой для создания специализированных моделей и диалоговых систем. Семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; README отмечает отдельное внимание к программированию, STEM, рассуждениям, книгам и многоязычным данным. Модель использует архитектуру Qwen3 для причинного моделирования языка и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка советует использовать актуальную версию Transformers: версии ниже 4.51.0 не распознают архитектуру qwen3. Поскольку это базовая, а не инструктивно настроенная версия, для диалогового применения и следования инструкциям может понадобиться дополнительная настройка.

Qwen3 Embedding 0.6B LRAT Low-LR Continuation v1 — текстовая модель эмбеддингов семейства Qwen3, дообученная командой авторов на базе своего broad-g16-v2, происходящего от Qwen/Qwen3-Embedding-0.6B. Чекпойнт продолжает обучение на 80 517 предоставленных организаторами строках траекторий LRAT с размером группы 16, скоростью обучения 1,5e-7 и длительностью 0,5 эпохи. Несмотря на историческое имя front-success-v1 и подготовленные веса этапа, аудит показал, что эти веса не участвовали в функции потерь; эффективный метод — продолжение обучения с низкой скоростью обучения. Модель предназначена для создания текстовых эмбеддингов и задач поиска по сходству, в частности для экспериментов с извлечением информации по траекториям LRAT. Базовая архитектура — плотная Qwen3Model с 507,6 млн параметров, контекстом до 32 768 токенов и форматом safetensors. Модель унаследовала многоязычную основу Qwen3 Embedding; отдельный перечень поддерживаемых языков в данных не приведён. Для выбора чекпойнта использовалась агрегированная оценка с фиксированным seed в workflow BrowseComp-Plus Agent и Judge на Qwen3.5-4B; локальные результаты не заявлены как официальные. Обучение проводилось на данных организаторов. Лицензия — Apache-2.0.

Furiosa AI публикует эту версию Qwen3-Reranker-4B вместе с Furiosa Executable Bundle для запуска на ускорителе FuriosaAI RNGD через Furiosa-LLM. В основе — плотный трансформер Qwen3 с 3,7 млрд параметров; модель принимает текстовый запрос и набор документов-кандидатов, оценивает их релевантность и помогает упорядочить результаты поиска. Контекст модели — до 40 960 токенов. Модель предназначена для второго этапа поиска, в том числе для reranking в RAG-системах. README указывает на BF16 без квантизации и поддержку параллелизма по тензорам на одном RNGD с восемью PE. Репозиторий также сообщает о совместимости с Sentence Transformers, vLLM и Transformers. Лицензия — Apache 2.0. Метаданные указывают английский язык карточки; базовая модель описана как мультиязычная, поэтому она подходит для ранжирования текстов на разных языках, хотя конкретный перечень языков здесь не приведён.

QuantFactory/Qwen3-Reranker-4B-GGUF — это квантизированная версия модели Qwen3-Reranker-4B, созданная QuantFactory на основе Qwen/Qwen3-4B-Base с использованием llama.cpp. Модель предназначена для переранжирования текстовых результатов: оценки релевантности документов поисковому запросу и улучшения порядка выдачи. Она может применяться в системах текстового и кодового поиска, retrieval-augmented generation, классификации и других сценариях, где требуется выбрать наиболее подходящие фрагменты среди найденных кандидатов. Модель содержит около 4 млрд параметров, имеет 36 слоёв и поддерживает контекст длиной до 32K токенов. Она работает с текстом, поддерживает более 100 языков, включая языки программирования, и рассчитана на многоязычный, кросс-языковой и кодовый поиск. Модель поддерживает пользовательские инструкции, позволяющие адаптировать ранжирование под конкретную задачу, язык или сценарий; для многоязычных задач рекомендуется формулировать инструкции на английском языке. Квантизация в формате GGUF и использование llama.cpp могут снизить требования к ресурсам и упростить локальный запуск, однако конкретные характеристики производительности зависят от варианта квантизации и оборудования. README не содержит точных данных о формате квантизации, аппаратных требованиях, скорости инференса и результатах бенчмарков. Модель распространяется по лицензии Apache-2.0.

Voodisss/Qwen3-Reranker-4B-GGUF-llama_cpp — это GGUF-конверсия модели Qwen/Qwen3-Reranker-4B, предназначенная для запуска через llama.cpp. В README указано, что конверсия выполнена 9 марта 2025 года с помощью официального скрипта convert_hf_to_gguf.py; разработчик исходной модели отдельно не указан. Модель относится к классу reranker и оценивает релевантность документов поисковому запросу, поэтому подходит для семантического поиска, reranking результатов, retrieval-augmented generation и других задач ранжирования текста. Для работы следует использовать endpoint /v1/rerank, а не /v1/embeddings. Модель поддерживает классификацию релевантности через метки yes/no и содержит специальные настройки для reranking: pooling типа RANK, встроенный chat template и классификационные веса. Доступны варианты GGUF-квантизации от F16 размером 7,50 ГБ до Q2_K размером 1,55 ГБ; по приведённому тесту на MTEB AskUbuntuDupQuestions варианты от Q8_0 до Q3_K_M сохраняют качество в пределах примерно ±1% от F16, а Q4_K_M назван оптимальным компромиссом между размером и качеством. Q2_K заметно ухудшает результаты. Модель рассчитана на текстовые запросы и документы; другие модальности и поддерживаемые языки в README не указаны. Лицензия — Apache 2.0.

Qwen3-Swallow-30B-A3B-CPT-v0.2 — языковая модель Swallow LLM, созданная на базе Qwen3-30B-A3B-Base методом продолжающегося предобучения. Это разреженная MoE-модель для генерации текста и диалогов; в метаданных указано 2,6 млрд параметров и контекстное окно 40 960 токенов. Модель ориентирована на японский и английский языки, включая японско-английский перевод, и сохраняет навыки решения математических задач и программирования. Модель подходит для генерации и продолжения текста, диалогов, перевода между японским и английским, а также задач по математике и коду. Разработчики сообщают об улучшенных языковых навыках японского и сохранении STEM-показателей после обучения на профильных корпусах. Для запуска авторы рекомендуют vLLM и ограничение контекста до 32 768 токенов. Модель не проходила специальное обучение для вызова инструментов и не поддерживает переключатель режима рассуждений. В README указано, что модель находится на ранней стадии исследований и разработки и не настроена для гарантированного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

Qwopus-3.6-35B-A3B-Coder — созданная Jackrong экспериментальная модель для агентного программирования, основанная на Qwopus3.6-35B-A3B-v1 и Qwen3.6-35B-A3B. Это разреженная MoE-модель с 35 млрд параметров и примерно 3 млрд активных параметров на токен; она настроена на генерацию кода и рабочие циклы с вызовами инструментов при отключённом развёрнутом рассуждении. Модель предназначена для агентных систем, которые читают файлы, вносят изменения, запускают тесты и исправляют ошибки, а также для локального и самостоятельного развёртывания. Заявленные сценарии включают многофайловые изменения репозиториев, отладку, циклы исправления тестов, навигацию по крупным кодовым базам, DevOps-скрипты и помощь при проверке кода. Карточка сообщает о настройке под распространённые агентные оболочки и о fine-tuning с использованием Unsloth; метаданные указывают интерфейс вызова инструментов. Поддерживаются английский, китайский, испанский, русский и японский. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Автор позиционирует выпуск как экспериментальный и отмечает, что модель не прошла полную оценку безопасности и широкое тестирование на общих задачах. Качество вызовов инструментов зависит от формата запросов и агентной оболочки; для сложных задач развёрнутое рассуждение может быть полезнее.

reason-embed-basic-qwen3-8b-0928 — текстовая модель эмбеддингов из семейства ReasonEmbed, разработанная авторами проекта ReasonEmbed. Она дообучена на базе Qwen/Qwen3-8B с использованием базового loss InfoNCE на синтетическом наборе данных. Модель предназначена для извлечения текстовых эмбеддингов и поиска документов по запросам, требующим рассуждений. В README сообщается результат nDCG@10 37,1 на бенчмарке BRIGHT с исходными запросами. Архитектура — плотная Qwen3, размер — 7,6 млрд параметров, максимальный контекст — 40 960 токенов; репозиторий содержит веса safetensors. Модель принимает текст и выдаёт векторные представления для поиска и сравнения сходства предложений. Лицензия — Apache-2.0. README не указывает поддерживаемые естественные языки; качество на других задачах и языках отдельно не описано.

Ruri-Large — японская модель эмбеддингов предложений, разработанная cl-nagoya на основе cl-nagoya/ruri-pt-large. Она предназначена для сравнения текстов по смыслу и получения векторных представлений японских текстов; близость векторов оценивается косинусным сходством. Модель построена на архитектуре BERT и используется как Sentence Transformer. Модель содержит 436,2 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт эмбеддинги размерностью 1024. В оценке JMTEB показала среднее значение 73,31; README также приводит результаты для поиска, семантического сходства, классификации, ранжирования и кластеризации. Лицензия — Apache 2.0. В README рекомендуется переходить на модели Ruri v3 для новых применений.

uer/sbert-base-chinese-nli — это модель эмбеддингов предложений на базе BERT, предварительно обученная с помощью UER-py. Она предназначена для преобразования китайских предложений в векторы и сравнения их смысловой близости, например с помощью косинусного сходства. Модель содержит 129,5 млн параметров, использует формат PyTorch и принимает последовательности длиной до 512 токенов. Модель подходит для семантического поиска и ранжирования похожих китайских фраз. Для обучения использовался набор ChineseTextualInference. Репозиторий распространяется по лицензии Apache-2.0. Карточка показывает извлечение эмбеддингов и вычисление сходства; результаты могут зависеть от домена и качества исходных текстов.

Muennighoff/SGPT-125M-mean-nli-bitfit — модель семейства GPT-Neo, разработанная Muennighoff для получения векторных представлений предложений и оценки их семантического сходства. Она обучалась с помощью Sentence Transformers на MultipleNegativesRankingLoss с косинусной мерой сходства; в обучающем загрузчике использовались пакеты по 64 примера без дубликатов. Модель содержит 137,7 млн параметров, принимает текст и формирует эмбеддинги. Максимальная длина контекста — 2048 токенов. Модель подходит для поиска семантически близких предложений и ранжирования текстов по смысловому сходству. В метаданных указаны форматы PyTorch и задачи sentence-similarity и feature-extraction. Сведения о лицензии и поддерживаемых естественных языках в предоставленных источниках отсутствуют.

StarCoder2-7B-GGUF — квантованная версия модели StarCoder2 7B, разработанной командой BigCode и подготовленной в формате GGUF компанией Second State Inc. Модель предназначена прежде всего для генерации и работы с программным кодом; исходная модель распространяется через bigcode/starcoder2-7b и использует библиотеку Transformers. В README не указаны точные архитектурные детали, перечень поддерживаемых языков программирования или естественных языков, а также мультимодальные возможности, поэтому их характеристики нельзя подтвердить. Доступно несколько вариантов квантования от 2 до 8 бит с размером файлов примерно от 2,72 до 7,63 ГБ. Заявленный размер контекста — 4608 токенов. Вариант Q4_K_M отмечен как рекомендуемый благодаря балансу размера и качества, Q5_K_M и Q5_K_S — как варианты с очень небольшой потерей качества, а Q2_K–Q3_K и некоторые legacy-варианты имеют более существенную потерю качества. Модель подходит для локального запуска в средах, совместимых с GGUF и llama.cpp; интеграция с LlamaEdge на момент публикации обозначена как находящаяся в разработке. Модель ориентирована на сценарии программирования, включая генерацию кода, но README не содержит результатов тестирования или подробного описания сильных сторон и ограничений исходной модели. Лицензия указана как BigCode OpenRAIL-M; условия её применения следует учитывать при развёртывании и распространении.

stella-large-zh-v2 — модель для кодирования текста, разработанная автором семейства Stella. Она преобразует китайские тексты в векторы размерностью 1024 и предназначена прежде всего для семантического поиска и сопоставления текстов. Модель основана на архитектуре BERT и дообучена на открытых корпусах и синтетических парах «вопрос — абзац» и «предложение — абзац» с помощью контрастивного обучения, сложных отрицательных примеров и дистилляции. Контекст составляет до 1024 токенов. Для поиска не требуется добавлять инструкционные префиксы. Модель подходит для поиска по длинным китайским документам и оценки семантического сходства; в README приведены результаты C-MTEB и отдельная оценка длинных текстов. Она возвращает векторы, поэтому для выдачи результатов поиска требуется внешняя система индексации и сравнения. Условия лицензии в предоставленных данных не описаны.

Модель sentence-transformers-testing/stsb-bert-tiny-openvino-quantized-only предназначена для преобразования предложений и абзацев в плотные векторные представления размерностью 128. Она разработана для использования с библиотекой Sentence Transformers и подходит для семантического поиска, кластеризации и оценки семантического сходства текстов. Конкретный разработчик в представленных данных не указан. В основе модели лежит BERT с максимальной длиной последовательности 512 токенов и без приведения текста к нижнему регистру. Архитектура включает Transformer и mean pooling по токенам с учётом attention mask; используются только средние значения токенов, без CLS-, max- и других вариантов pooling. Языки, точный размер BERT и характеристики OpenVINO-квантизации в README не указаны. Модель удобна для получения компактных эмбеддингов и интеграции в стандартный конвейер Sentence Transformers. Ограничения — отсутствие опубликованных результатов оценки, сведений о языковой специализации, точных параметрах квантизации и гарантий качества для конкретных прикладных сценариев. В README также отсутствует информация о лицензии, поэтому условия распространения и коммерческого использования следует уточнить отдельно.