II.8Инженерия данных и аналитика

tevatron-elastic-qwen3-0.6b-retriever-depth — плотная модель поиска документов на основе Qwen3-0.6B-Base, дообученная командой UtahNLP с помощью Tevatron-Elastic. Она кодирует запросы и фрагменты документов в представления для извлечения релевантных материалов; для различения входов используются префиксы query: и passage:. Модель содержит 507,9 млн параметров, имеет контекст до 32 768 токенов, а в обучении использовались последовательности длиной до 512 токенов и датасет rlhn/rlhn-680K. Это модель с эластичной настройкой глубины: один чекпойнт позволяет выбирать число используемых слоёв и балансировать скорость и качество через параметры prune_to и encode_at в Tevatron-Elastic. Для полной конфигурации авторы сообщают nDCG@10 0,518 на BEIR-15. Чекпойнт выпущен как ресурс для воспроизводимости исследования, а не как заявление о превосходстве над другими моделями. Лицензия — Apache-2.0.

Tiel-Coder-35B-A3B-MLX-oQ4e-MTP — локальная кодовая модель, опубликованная peculiar-ragdoll. Она основана на Ornith-1.5-35B-A3B от ornith-ai и представляет собой его повторно квантизированную версию с помощью oMLX oQ4e, встроенным Sharp chat template и обученной головой multi-token prediction (MTP). Модель относится к семейству MoE с заявленным размером 35B-A3B, поддерживает текстовые и визуальные входы, а среди языков указаны английский и китайский. Размер контекста в README не указан. Модель предназначена прежде всего для agentic coding: исправления реальных проблем в кодовых базах, работы с репозиториями и длительных многоходовых диалогов. По приведённым измерениям GGUF-версии она показывает сильные результаты в SWE-bench-Live и multi-turn задачах, однако эти показатели нельзя напрямую считать результатами данного MLX-файла. Для экзаменационных знаний, викторин и сложного общего рассуждения модель подходит хуже: в README отдельно отмечены слабые результаты на trivia и более низкий показатель MMLU-Pro по сравнению с альтернативной моделью Nail. Для работы с MTP-версией рекомендуется runtime oMLX на Apple Silicon; зрение включено в тот же каталог, отдельный projector-файл не требуется. LM Studio для этой сборки не поддерживается: его MLX-движок некорректно исполняет MTP head и генерирует бессмысленный многоязычный текст. Для LM Studio следует использовать GGUF-версию или MLX-сборку без MTP. Лицензия — MIT.

TurkEmbed4Retrieval — модель Sentence Transformers от newmindai, дообученная на базе newmindai/TurkEmbed4STS для получения плотных векторных представлений турецких предложений и абзацев. Модель сопоставляет текстам 768-мерные эмбеддинги и использует косинусное сходство; в архитектуре применяются Transformer, pooling по CLS-токену и нормализация векторов. Репозиторий содержит веса Safetensors, а библиотека для работы с моделью — Sentence Transformers. Модель предназначена для семантического поиска, сравнения текстов по смыслу, поиска перефразирований, кластеризации и классификации текстов. Обучение описано на наборе примерно из 1,84 млн пар предложений с оценками сходства; MatryoshkaLoss позволяет использовать представления разной размерности. Метаданные указывают контекст до 8192 токенов, тогда как карточка модели задаёт максимальную длину последовательности 512 токенов. Модель рассчитана на текстовый ввод и выдаёт векторы, которые можно сравнивать или использовать в последующих задачах. Основной язык примеров и назначение базовой модели — турецкий; пригодность для других языков не подтверждена. Условия лицензии в предоставленных сведениях не описаны.

victormuryn/use-translation-no-pt — модель эмбеддингов предложений из коллекции украинских Sentence Embeddings. Она дообучена методом контрастивного обучения на украинском корпусе UberText 2.0 с аугментацией обратным переводом без целевых текстов пула; исходная архитектура — XLM-RoBERTa, используемая через Sentence Transformers. Модель преобразует предложения и абзацы в векторы для семантического сравнения и поиска. В README показан пример кодирования украинских предложений; каталог также отмечает многоязычную поддержку и контекст длиной до 514 токенов. Распространяется по лицензии Apache-2.0.

nguyenthanhhoa03 выпустил дообученную Sentence Transformer-модель на базе VoVanPhuc/sup-SimCSE-VietNamese-phobert-base. Она преобразует вьетнамские предложения и абзацы в плотные векторы размерности 768 для семантического поиска и извлечения релевантных текстов. Архитектура использует RoBERTa с усреднением токенных представлений; сходство векторов можно оценивать косинусной мерой. Модель работает с текстом, максимальная длина последовательности — 258 токенов по метаданным. Модель подходит для поиска по смыслу и сравнения предложений на вьетнамском языке. В README указан лимит 256 токенов, тогда как метаданные указывают 258; учитывайте лимит, заданный используемой конфигурацией. Лицензия в предоставленных данных не приведена.

Vintern-3B-R-beta — мультимодальная языковая модель с архитектурой InternVLChatModel, разработанная 5CD-AI. Это базовая версия модели рассуждений до дополнительного обучения с подкреплением. Она принимает изображения и текстовые запросы и генерирует текстовые ответы с пошаговым разбором сложных вопросов по изображениям. Модель предназначена для ответов на вопросы по изображениям и сложным структурированным документам, включая сценарии с OCR. В README отмечены улучшения относительно предыдущих версий и ориентация на сложные задачи рассуждения. Репозиторий использует Transformers и формат safetensors; лицензия — MIT. Метаданные указывают поддержку вьетнамского, английского и китайского языков.

Мультиязычная модель распознавания речи на базе Whisper large-v3 от OpenAI, дообученная fsicoli на наборе данных fsicoli/cv19-fleurs. Модель содержит 905,2 млн параметров и предназначена для преобразования аудио в текст. Для оценки указаны loss 0,1823 и WER 0,0756 на тестовой выборке.

Whisper medium GGUF — это квантованная версия мультиязычной модели автоматического распознавания речи OpenAI Whisper medium, подготовленная handy-computer для работы с transcribe.cpp. Модель предназначена для преобразования речи в текст, определения языка и перевода речи с любого поддерживаемого языка на английский. Она подходит для транскрибации аудио, субтитров, голосовых архивов и других сценариев speech-to-text. Потоковая обработка не поддерживается; длинные записи обрабатываются чанками на основе окон длительностью 30 секунд, доступны сегментные временные метки. Модель использует архитектуру encoder-decoder Transformer и поддерживает широкий набор языков, включая русский, английский, немецкий, французский, испанский, китайский, японский и многие другие. Доступны варианты GGUF с точностью F32, F16 и квантованием Q8_0, Q6_K, Q5_K_M и Q4_K_M; размер файлов составляет примерно от 504 МБ до 3,06 ГБ. На тесте LibriSpeech test-clean указанный показатель WER составляет 2,59–2,64% в зависимости от варианта квантования. Сильными сторонами являются мультиязычность, определение языка, перевод речи и сохранение близкого к исходной модели качества при уменьшении размера. Ограничения включают отсутствие streaming, зависимость производительности от оборудования и заметно различающееся качество между языками: приведённые оценки WER и CER показывают особенно слабые результаты для ряда малоресурсных языков. Модель распространяется по лицензии Apache-2.0.

lilmeaty/abcdef — объединённая языковая модель, созданная автором репозитория с помощью mergekit. В слияние методом passthrough вошли 11 предварительно обученных моделей, включая варианты Llama 3.2 3B, Qwen2.5-3B, Ministral-3b, Stable Code 3B, Granite 3B и корейскую Bllossom. В метаданных указаны архитектура Llama с причинной генерацией текста, 1,6 млрд параметров и контекст до 131 072 токенов. Модель предназначена для генерации текста и ответов на запросы; состав слияния охватывает чатовые, корейские, неконцензурированные и кодовые варианты. Репозиторий использует формат safetensors и библиотеку Transformers. README не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя.

lightonai/answerai-colbert-small-v1 — модель ColBERT в формате PyLate, основанная на answerdotai/answerai-colbert-small-v1 и подготовленная для работы с библиотекой PyLate. Это компактная BERT-модель примерно с 40 млн параметров: она кодирует запросы и документы в последовательности 96-мерных векторов и оценивает их сходство оператором MaxSim. Для запросов предусмотрено до 32 токенов, для документов — около 300; максимальный контекст по метаданным составляет 512 токенов. Модель предназначена для семантического поиска по коллекциям текстов и переранжирования результатов, в том числе в RAG-системах. Её можно использовать для получения векторных представлений запросов и документов, поиска релевантных фрагментов и вычисления оценок сходства. Карточка указывает английский базовый ретривер; поддержка других языков не заявлена. Репозиторий распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

Schneewolf Labs B0-27B — внутренняя 27-миллиардная модель семейства Familiar, разработанная Schneewolf Labs на основе Hemlock-Qwen3.8-27B. Это плотная мультимодальная модель Qwen3.5 для диалогов, выполнения инженерных задач и работы с инструментами; она принимает текст и изображения и генерирует текст. В README описаны два этапа обучения: объединение базовой модели с адаптером для программирования, затем ORPO-обучение на смеси предпочтений, включая данные, пересобранные на основе объединённой модели. Веса распространяются в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для локального использования в роли оператора, который выполняет инженерные задачи сквозным образом, в том числе через агентскую связку с Codex. По внутренним оценкам авторов, она выполнила 6 из 6 задач kirabench и показала более быстрое выполнение одной задачи с исправлением тестов по сравнению с базовой моделью. README также сообщает о сохранении башни зрения и тензоров MTP базовой модели; включён mmproj для GGUF-репозитория. Результаты основаны на внутренних тестах и ограниченной выборке: на egirl operator bench модель набрала 42/47 против 47/47 у базы, с пятью отмеченными авторами ошибками при выборе одиночных вызовов инструментов. Описанные возможности и оценки не являются независимой проверкой. Размер контекста и список поддерживаемых языков в предоставленных данных не указаны; метаданные карточки отмечают английский язык.

BTL-4 — 35-миллиардная мультимодальная модель, разработанная badtheorylabs и представленная в формате GGUF с квантованиями от bartowski. Модель предназначена для работы с текстом и изображениями; для обработки изображений требуется отдельный файл mmproj. В описании также заявлены сценарии агентной работы, использования инструментов, программирования и решения задач, требующих рассуждений. Модель запускается через llama.cpp и доступна в вариантах от BF16 до низкобитных квантований Q8, Q6, Q5, Q4 и Q3, включая форматы IQ. Размер файлов составляет примерно от 14,87 до 69,38 ГБ, поэтому выбор варианта позволяет балансировать между качеством, скоростью и требованиями к памяти. Для большинства сценариев рекомендуется Q4_K_M размером 21,39 ГБ, а для более высокого качества — Q5 или Q6. В README не указаны архитектура, поддерживаемые языки и размер контекста; также отсутствуют результаты бенчмарков. К сильным сторонам относятся поддержка текста и изображений, ориентация на код, tool use и reasoning, а также широкий выбор квантований. Ограничениями являются значительные требования к памяти, возможное снижение качества в низкобитных вариантах и необходимость совместимого рантайма llama.cpp, а для мультимодальной работы — файла mmproj. Распространение указано по лицензии Apache-2.0.

BERT-Wiki-Paragraphs — модель классификации пар абзацев, разработанная Сатьей Алмасианом, Деннисом Аумиллером, Люсьен-Софи Марме и Михаэлем Герцем. Она оценивает, относятся ли два абзаца к одной теме, и предназначена для проверки тематической связности текста и сегментации документов на смысловые части. Модель основана на BERT и дообучена на парах абзацев из Википедии с использованием слабого автоматического надзора: абзацы одного раздела считаются тематически связанными. Веса содержат около 136,7 млн параметров; модель принимает текст и выдаёт метку классификации. Контекст ограничен 512 токенами, а при обработке длинных пар применяется усечение longest-first. Доступна под лицензией MIT.

BAAI/bge-reranker-v2-gemma — мультиязычная модель-переранжировщик от BAAI, созданная на основе Google Gemma 2B и обученная на смеси мультиязычных наборов данных. Она принимает запрос вместе с текстом-кандидатом и выдаёт оценку их релевантности; более высокие значения означают лучшее соответствие, а оценку можно преобразовать функцией sigmoid в диапазон от 0 до 1. Модель предназначена для повторной сортировки результатов поиска, например первых 100 документов, найденных системой извлечения. Архитектура — плотная GemmaForCausalLM, размер — 2,5 млрд параметров, формат весов — safetensors. Модель поддерживает мультиязычные сценарии, имеет контекст длиной до 8192 токенов и может использоваться через FlagEmbedding. В README отмечены сильные мультиязычные возможности и высокая эффективность ранжирования; конкретные языки помимо общего указания на мультиязычность не перечислены. Лицензия — Apache-2.0. Как и другие ранжировщики, модель оценивает пары «запрос — текст» и не заменяет генератор ответов; качество сортировки зависит от исходных кандидатов и соответствия данных целевой области.

Nalyd1908/bge-reranker-v2-m3-finetuned — дообученная модель на архитектуре XLM-RoBERTa, созданная на основе BAAI/bge-reranker-v2-m3. Она предназначена для оценки релевантности пары «запрос — текст» и переранжирования результатов поиска. Модель содержит 658,7 млн параметров и принимает последовательности длиной до 8194 токенов. В README приведены метрики на наборе оценки: pointwise accuracy 0,919, F1 0,799, AUC 0,9567 и group top-1 accuracy 0,885. Датасет дообучения не назван, поэтому эти результаты не позволяют судить о качестве на конкретных поисковых коллекциях. Лицензия — Apache-2.0.

Cohere Transcribe 03-2026 — открытая модель автоматического распознавания речи, разработанная Cohere и Cohere Labs. Данная версия распространяется в формате .oasr для нативного запуска в среде OpenASR без Python во время инференса, с поддержкой CPU и GPU. Модель предназначена для преобразования аудио в текст и подходит для транскрибации записей, речи и других аудиоданных. Она поддерживает 14 языков, включая английский, основные европейские языки, арабский, китайский, японский, корейский и вьетнамский. Архитектура представляет собой Conformer-энкодер для обработки акустических признаков и облегчённый Transformer-декодер; размер модели составляет около 2 млрд параметров. К сильным сторонам относятся специализированная архитектура для распознавания речи, локальный запуск, поддержка CPU и GPU, а также варианты квантования, уменьшающие требования к памяти. Доступны сборки fp16, q8_0 и q4_k размером примерно от 1,51 до 4,14 ГБ; q8_0 рекомендуется как вариант с близким к fp16 качеством и меньшим размером, а q4_k — для более ограниченных по памяти систем. Абсолютная точность распознавания и ограничения по длине контекста в README не указаны. Модель и упаковки распространяются по лицензии Apache-2.0.

colbertv2-camembert-L4-mmarcoFR — компактная модель ColBERTv2 для семантического поиска на французском языке. Она разработана на основе CamemBERT-L4 и дообучена на французской части mMARCO с использованием оценок кросс-энкодера. Модель кодирует запросы и документы в матрицы токенных эмбеддингов и оценивает их соответствие с помощью операции MaxSim; для оценки релевантности применяется косинусное сходство. Модель предназначена для поиска релевантных фрагментов в больших коллекциях текстов и может использоваться в системах семантического поиска и RAG. В README указана размерность эмбеддингов 32 и максимальная длина последовательности 514 токенов в метаданных; при обучении использовались длины до 32 токенов для запросов и до 160 для документов. В оценке на dev-наборе mMARCO-fr с корпусом из 8,8 млн фрагментов модель показала MRR@10 32,3 и R@1000 91,9. Репозиторий содержит веса safetensors и распространяется по лицензии MIT.

ColBERT-XM — модель для многоязычного семантического поиска, разработанная на основе X-MOD. Она кодирует запросы и документы в последовательности токенных векторов, а затем оценивает соответствие с помощью позднего взаимодействия MaxSim; такой подход подходит для эффективного поиска по большим коллекциям текстов. Модель дообучена на английских запросах и отрывках MS MARCO с трудными отрицательными примерами. Благодаря основе X-MOD она поддерживает перенос поиска на другие языки без отдельного дообучения на каждом из них. В обучении использовались векторы размерности 128 и максимальные длины последовательностей 32 токена для запросов и 256 для документов; базовый контекст модели составляет 514 токенов. Размер — 305,2 млн параметров. Модель предназначена для многоязычного поиска документов и ранжирования отрывков по запросу, включая сценарии семантического поиска и извлечения passages. Карточка описывает оценку на наборах mMARCO и Mr. TyDi. Для использования доступны библиотеки Sentence Transformers и ColBERT. Лицензия — MIT.

newmindai/ColmmBERT-small-TR — модель PyLate на базе ModernBERT, дообученная на турецком наборе msmarco-tr для поиска и ранжирования текстов. Она кодирует запросы и документы в последовательности плотных векторов размерности 128 и оценивает их сходство оператором MaxSim. Модель подходит для семантического поиска по индексам FastPLAID и для переранжирования результатов первичного поиска. В архитектуре ColBERT используется трансформер ModernBertModel и линейный слой проекции с 384 до 128 измерений. В README заданы длина запроса 32 токена и длина документа 180 токенов; метаданные указывают контекст до 8192 токенов и 140,5 млн параметров. Модель рассчитана на турецкий язык. Распространяется в формате safetensors; лицензия в предоставленных данных не указана.

tomaarsen/csr-mxbai-embed-large-v1-gooaq-1e-5-512bs — англоязычный разреженный энкодер CSR, дообученный на датасете gooaq из базовой модели mixedbread-ai/mxbai-embed-large-v1 с помощью Sentence Transformers. Он преобразует предложения и абзацы в разреженные векторы размерностью 4096 и предназначен для семантического поиска и разреженного извлечения документов; оценка релевантности выполняется скалярным произведением векторов. Модель содержит 433,9 млн параметров, принимает последовательности длиной до 512 токенов и обучалась на парах вопросов и ответов из англоязычного набора gooaq размером около 3 млн примеров. В карточке приведены результаты оценки на наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR при ограничении числа активных измерений до 128 или 256. Модель распространяется по лицензии Apache-2.0. Описанные возможности и данные ориентированы на английский язык; приведённые результаты относятся к указанным тестовым наборам и не гарантируют качество на других корпусах.

cupidon-small-ro — модель эмбеддингов предложений на базе BERT, созданная дообучением sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 на датасете RoSTSC. Она предназначена прежде всего для оценки семантического сходства румынских предложений, а также для семантического поиска и кластеризации. Модель принимает текст и выдаёт векторные представления предложений; доступна в форматах safetensors, ONNX и OpenVINO. Размер модели — 124,3 млн параметров, контекст — до 512 токенов. Компактная архитектура подходит для эффективного построения систем поиска и сравнения текстов на румынском языке. Базовая модель многоязычная, однако карточка описывает специализацию cupidon-small-ro именно на румынских предложениях. Модель распространяется по лицензии Apache-2.0.

Curtain_Recommendation — модель эмбеддингов на базе XLM-RoBERTa, опубликованная пользователем nnudee. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости. Обучение с MultipleNegativesRankingLoss и косинусной мерой сходства ориентировано на получение представлений, подходящих для поиска и ранжирования похожих текстов. Модель предназначена для семантического поиска, группировки текстов и рекомендаций по сходству между предложениями или абзацами. Репозиторий содержит веса в формате safetensors; размер модели — около 305,2 млн параметров, максимальный контекст — 514 токенов. Для использования подходит Sentence-Transformers либо Transformers с подходящей операцией pooling. Лицензия в предоставленных данных не указана.

DASD-4B-Thinking-GGUF — это квантизированная версия компактной плотной языковой модели DASD-4B-Thinking, разработанной Alibaba-Apsara и преобразованной в формат GGUF с помощью llama.cpp; квантизацию выполнил GGUF Quantizer Space. Исходная модель основана на Qwen3-4B-Instruct-2507 и обучалась методом distribution-aligned sequence distillation с использованием gpt-oss-120b в качестве учителя и 448 тыс. обучающих примеров. Модель предназначена для задач, требующих рассуждений по длинной цепочке, включая решение математических задач, генерацию кода и научное рассуждение. Это текстовая модель с параметрами порядка 4 млрд, ориентированная на локальный запуск на пользовательском оборудовании через llama.cpp или Ollama. README не указывает поддерживаемые языки и размер контекстного окна. Доступно множество вариантов квантизации от Q2_K до Q8_0. Q4_K_M и Q5_K_M отмечены как рекомендуемые и предлагают компромисс между размером и качеством, тогда как Q8_0 обеспечивает близкое к исходному качество при большем размере. Среди заявленных сильных сторон — высокие результаты на AIME24, AIME25, LiveCodeBench и GPQA-D, а также возможность запуска сравнительно небольшой модели на потребительском оборудовании. Более агрессивная квантизация может приводить к заметной потере качества. Лицензия в представленном README не указана.

Moritz Laurер выпустил эту модель на основе DeBERTa-v3-xsmall от Microsoft для классификации текста без заранее заданного набора меток. Она сопоставляет текст-посылку с гипотезой и определяет, следует ли гипотеза из текста; обучение на бинарном NLI сводит результат к «следует» или «не следует», поэтому модель подходит для zero-shot-классификации, где различать противоречие и нейтральность не требуется. Модель имеет архитектуру DeBERTa-v2 для классификации последовательностей, содержит 77,5 млн параметров и принимает последовательности длиной до 512 токенов. Она обучена на 782 357 парах из MultiNLI, FEVER-NLI, LingNLI и ANLI. Модель можно применять для тематической классификации, если описать каждую категорию гипотезой, а также для проверки следования и классификации утверждений. Репозиторий содержит веса PyTorch, Safetensors и ONNX. Модель ориентирована на английский язык. На тестовых наборах точность составила 0,925 и 0,922 для двух вариантов MultiNLI, 0,892 для FEVER-NLI, 0,888 для LingNLI и 0,676 для ANLI; результаты зависят от набора и задачи. Возможны смещения, присущие обучающим данным и NLI. Лицензия — MIT.

DeepSeek V4 Flash REAP K128 (Uniform) — производная версия DeepSeek V4 Flash от sleepyeldrazi. В модели удалена половина маршрутизируемых экспертов MoE с помощью метода REAP; механизм внимания, эмбеддинги, общие эксперты, маршрутизатор и компоненты MTP сохранены. Тонкая настройка не выполнялась: оставшиеся веса взяты без изменений из исходной модели. Репозиторий содержит GGUF с равномерной квантизацией экспертов IQ2_XXS/Q2_K; заявленный размер файла — 46,98 ГиБ. Модель предназначена для генерации текста и диалогового использования, в том числе для задач программирования, вызова инструментов и поиска знаний. Совместима со средой ds4-engine; для запуска требуется ds4-for-reaped с поддержкой компактного GGUF. Калибровка при отборе экспертов проводилась на контексте 4096 токенов, но это не подтверждает максимальную длину контекста модели. Лицензия — MIT. Удаление половины экспертов и низкая точность квантизации могут повлиять на качество ответов; README не приводит количественных результатов оценки. Вызов инструментов обозначен как сценарий калибровки и использования, но сам по себе не подтверждает наличие отдельного интерфейса tool calling.

Dolphin 3.0 Qwen 2.5 0.5B — диалоговая языковая модель, дообученная Eric Hartford, Ben Gitter, BlouseJury и Cognitive Computations на базе Qwen/Qwen2.5-0.5B. Она предназначена для локального использования в качестве универсального помощника и может отвечать на вопросы, помогать с кодом и математикой, а также работать с вызовами функций и агентными сценариями. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 494 млн параметров и поддерживает контекст до 32 768 токенов. Для общения применяется шаблон ChatML; системный промпт позволяет задавать тон и правила поведения. В обучении использовались наборы данных для инструкционного диалога, программирования, математики и вызова функций. Карточка модели описывает англоязычное назначение. Веса опубликованы в формате safetensors по лицензии Apache-2.0. Это компактная модель, поэтому её ответы и сложные рассуждения могут уступать более крупным моделям; примеры выводов и результаты оценивания в карточке не представлены.

Jechto/e5-dansk-test-0.1 — модель эмбеддингов предложений и абзацев на базе XLM-RoBERTa, опубликованная Jechto. Она преобразует текст в плотные векторы размерностью 1024 и предназначена для семантического поиска, сравнения предложений и кластеризации. Модель обучена на датасете MS MARCO, автоматически переведённом с английского на датский, чтобы проверить качество такого перевода для обучения на другом языке. Модель использует библиотеку Sentence Transformers и сохраняется в формате safetensors. Максимальная длина контекста — 514 токенов. В README описано обучение с MultipleNegativesRankingLoss и косинусным сходством. Карточка не сообщает лицензию; результаты обучения на машинном переводе могут зависеть от его качества.

Diabase embedding-1 — модель эмбеддингов, разработанная Diabase для семантического поиска и извлечения документов. Она построена на энкодере EuroBERT-210m, дообученном сначала на шведских текстах, а затем на парах запрос–документ с контрастивным обучением. Модель содержит около 211,7 млн параметров; её архитектура включает mean pooling и L2-нормализацию, а контекст составляет до 8192 токенов. Для работы используются Sentence Transformers и формат safetensors. Модель предназначена прежде всего для поиска по частным коллекциям шведских документов и для первого этапа локальных и on-prem RAG-систем. Также она подходит для кластеризации запросов и документов, поиска дубликатов и генерации кандидатов для последующего переранжирования. Модель выдаёт векторы, но не генерирует текст и не отвечает на вопросы напрямую. Лицензия — Apache-2.0. Это исследовательская предварительная версия, которую разработчик не рекомендует использовать как производственный вариант по умолчанию. Основной язык оптимизации — шведский, и качество для других языков может быть ниже. Качество поиска на длинных фрагментах не подтверждено на всём контексте в 8192 токена; модель может пропускать точные идентификаторы, числа и редкие термины, поэтому полезен гибридный поиск. Оценки сходства не являются калиброванными вероятностями и не подтверждают достоверность документа.

Карточка модели aTrain-core/faster-distil-whisper-large-v2 на Hugging Face совпадает с карточкой Systran/faster-distil-whisper-large-v2, поэтому описание составлено по ней. Это конверсия модели distil-whisper/distil-large-v2 в формат CTranslate2, подготовленная для использования с CTranslate2 и проектами на его основе, например faster-whisper. Модель предназначена для распознавания речи по аудиозаписям и транскрибирования речи в текст. Веса сохранены в FP16; при загрузке тип вычислений можно выбирать через параметр compute_type в CTranslate2. В карточке указана поддержка английского языка. Репозиторий использует библиотеку CTranslate2, а лицензия — MIT.

Systran подготовила конверсию английской версии Whisper base.en от OpenAI в формат CTranslate2. Модель предназначена для автоматического распознавания речи на английском языке и может использоваться через CTranslate2 и проекты на его основе, включая faster-whisper. Веса сохранены в FP16; при загрузке тип вычислений можно выбрать через параметр compute_type в CTranslate2. Репозиторий распространяется по лицензии MIT. Подробности об исходной модели приведены в карточке OpenAI Whisper base.en.