II.8Инженерия данных и аналитика

PhoneLM-1.5B-Instruct — англоязычная авторегрессионная языковая модель на 1,6 млрд параметров, разработанная командой mllmTeam. Это дообученная для следования инструкциям версия PhoneLM-1.5B, предназначенная для генерации текста и диалоговых ответов. Модель использует декодерный трансформер с 19 слоями, скрытым размером 2560, 16 головами внимания и контекстом до 2048 токенов. Архитектура включает Rotary Position Embeddings для первой четверти размерности голов внимания, LayerNorm с обучаемыми смещениями и ReLU в полносвязных слоях; токенизатор основан на токенизаторе SmolLM с размером словаря 49 152. В обучении использовались наборы инструкций, диалогов, математических заданий и кода. Модель распространяется в формате safetensors по лицензии Apache-2.0. Она рассчитана прежде всего на английский язык; сведений о поддержке других языков нет.

unsloth/Qwen2.5-Coder-0.5B-Instruct-bnb-4bit — 4-битная версия модели Qwen2.5-Coder-0.5B-Instruct, разработанной командой Qwen и опубликованной Unsloth. Это компактная каузальная языковая модель, ориентированная прежде всего на генерацию, анализ и исправление программного кода, а также на сценарии разработки и создания code agents. В README указан английский язык; сведения о поддержке других языков отсутствуют. Модель содержит около 0,49 млрд параметров, из которых 0,36 млрд являются неэмбеддинговыми, и поддерживает контекст до 32 768 токенов. Архитектура использует RoPE, SwiGLU, RMSNorm, смещения в QKV-проекциях внимания и связанные эмбеддинги слов; применяются 24 слоя и Grouped-Query Attention с 14 головами для Q и 2 для KV. Суффикс bnb-4bit указывает на 4-битное представление, предназначенное для снижения требований к памяти при запуске. Сильными сторонами являются малый размер, длинный контекст и специализация на задачах программирования при возможности использования в ресурсно-ограниченных средах. Ограничениями выступают существенно меньшая ёмкость по сравнению с крупными моделями семейства, отсутствие приведённых в README подробных метрик для данной версии и неуказанные требования к аппаратному обеспечению. В README также присутствует предупреждение не использовать базовые языковые модели для диалогов без дополнительного постобучения, однако карточка данной модели обозначена как Instruct. Лицензия — Apache-2.0.

Qwen2.5-Coder-3B-Instruct-Q8_0-GGUF — языковая модель для генерации текста и работы с программным кодом, разработанная командой Qwen и представленная в формате GGUF сообществом ggml-org. Это конверсия базовой модели Qwen/Qwen2.5-Coder-3B-Instruct, выполненная с использованием llama.cpp и проекта GGUF-my-repo. Модель предназначена для генерации и продолжения кода, ответов в диалоговом формате и других сценариев, поддерживаемых исходной instruct-моделью. Она может запускаться локально через llama.cpp в режиме командной строки или как сервер. Размер модели составляет 3B параметров, а вариант Q8_0 использует 8-битное квантование. В метаданных указаны текстовая генерация и английский язык; сведения о других языках, контекстном окне и точной архитектуре в представленном README отсутствуют. Основные преимущества — локальный запуск, совместимость с llama.cpp и сниженные требования к памяти по сравнению с полноразмерной моделью благодаря квантованию. Ограничения включают небольшой по современным меркам размер и возможное снижение качества из-за квантования; подробные результаты тестирования и ограничения исходной модели в README не приведены. Модель распространяется по лицензии qwen-research; для точных условий следует обратиться к указанному файлу лицензии исходной модели.

Qwen3.6-27B-MTP-pi-reasoning-GGUF — дообученная версия Qwen3.6-27B, опубликованная bytkim и распространяемая в формате GGUF. Модель настроена методом QLoRA и supervised fine-tuning на образцах рассуждений и успешных траекторий агентной работы, связанных с датасетом bytkim/deepseek-v4-pro-pi-reasoning-sample-traces. Базовая модель разработана командой Qwen. Модель предназначена прежде всего для локальных coding- и DevOps-агентов в стиле Pi: анализа репозитория, планирования исправлений, выполнения команд, редактирования файлов, запуска тестов, отладки и проверки результата. Она ориентирована на задачи, где агент может работать в итеративном цикле с инструментами, включая использование функций и tool calling. Заявлена поддержка текстовых и визуально-текстовых сценариев; для работы с изображениями может требоваться совместимый vision sidecar. Указан протестированный контекст до 128 тысяч токенов. Ключевые характеристики — 27 миллиардов параметров, формат GGUF, совместимость с llama.cpp, обучение рассуждениям и поддержка Multi-Token Prediction (MTP) для speculative decoding. Сильными сторонами являются планирование перед выполнением действий, рассуждения при программировании и verifier-driven debugging с повторной проверкой через тесты. В README приведён результат 40,45% pass@1 на Terminal-Bench 2.0 для задачи Pi agentic coding. Ограничения включают зависимость производительности от используемой квантизации, инфраструктуры запуска и инструментов агента; конкретные языки и точный набор поддерживаемых модальностей не указаны. Модель распространяется по лицензии Apache-2.0.

Youssofal/Qwen3.8-27B-MTPLX-Optimized-Speed — квантованная версия Qwen3.8-27B, адаптированная для запуска через MTPLX на компьютерах Apple Silicon. Модель предназначена прежде всего для локального программирования, генерации текста и работы с инструментами вроде OpenCode, Claude Code и совместимых с OpenAI или Anthropic API приложений. Разработчик базовой модели — Qwen; данный MLX-пакет подготовлен Youssofal для MTPLX. Модель использует динамическое 4-битное квантование с группами по 32 веса: наиболее чувствительные компоненты частично сохранены в 8- или 16-битном формате, включая MTP-голову. Архитектура сохраняет native multi-token prediction с глубиной MTP 3, что позволяет MTPLX применять спекулятивное декодирование на Apple Silicon. Размер загрузки составляет 20,4 ГБ, пиковое потребление unified memory — около 23,6 ГБ, контекстное окно — 262 144 токена. Указанные в README языки не перечислены, но приведённая проверка включает многоязычный текст. Главное преимущество — высокая скорость локальной генерации при близости к исходной модели: заявлены показатели до 87,6 токена в секунду в отдельных сценариях и около 58,7 токена в секунду на средней задаче программирования на M5 Max. По данным автора, точность согласования с bf16-чекпойнтом составляет 96% top-1, а спекулятивная генерация сохраняет исходное распределение выборки. Ограничения включают зависимость от MTPLX и Apple Silicon, требование не менее 32 ГБ unified memory, а также неизбежные потери качества из-за 4-битного квантования. Модель распространяется по лицензии Apache-2.0.

Карточка модели willhx/Qwen3-8B-Base-Math-SeaSFT-Search-TauSFT-Tau 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-Coder-30B-A3B-Instruct-FP8-Q4_K_M-GGUF — это квантизированная версия модели Qwen3-Coder-30B-A3B-Instruct-FP8, преобразованная в формат GGUF. Модель разработана командой Qwen, а данный вариант опубликован пользователем ijohn07 и создан с помощью llama.cpp через сервис GGUF-my-repo от ggml.ai. Она предназначена для генерации текста и может использоваться в локальных приложениях на базе llama.cpp, включая командную строку и серверный режим. Из доступных данных известно, что исходная модель имеет обозначение 30B-A3B и ориентирована на задачи, связанные с кодом, однако подробности об архитектуре, поддерживаемых языках, модальностях и размере контекста в представленном README не указаны. Суффикс Q4_K_M указывает на вариант квантизации GGUF, рассчитанный на более компактное локальное выполнение, но README не содержит конкретных требований к памяти или производительности. В качестве ограничения следует учитывать отсутствие подробной информации о возможностях и качестве исходной модели. Модель распространяется по лицензии Apache-2.0. Для запуска рекомендуется использовать llama.cpp; в README приведены примеры работы через llama-cli и llama-server, включая настройку контекста размером 2048 токенов.

MaziyarPanahi/Qwen3-Coder-Next-GGUF — это набор файлов модели в формате GGUF для Qwen3-Coder-Next, исходно разработанной командой Qwen. Квантованные версии подготовил MaziyarPanahi. Модель предназначена для генерации текста и, исходя из названия исходной модели, ориентирована на задачи, связанные с программированием, однако подробные сведения о специализации и результатах оценки в README не приведены. Главная характеристика этой версии — распространение в формате GGUF с вариантами квантования 2-, 3-, 4-, 5-, 6- и 8-бит. Формат поддерживается llama.cpp и рядом совместимых приложений и библиотек, включая llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другие, что позволяет запускать модель локально с использованием CPU или GPU в зависимости от конкретного инструмента. Размер исходной модели, архитектура, поддерживаемые языки, модальности и размер контекста в README не указаны. Лицензия также не указана, поэтому условия использования следует уточнять в материалах исходной модели Qwen3-Coder-Next и репозитории квантованной версии.

TakalaWang/qwen3-embedding-4B-code-search — модель Sentence Transformer, дообученная на базе Qwen/Qwen3-Embedding-4B для поиска и сравнения текстов, включая запросы на естественном языке и фрагменты кода. Она преобразует предложения и абзацы в плотные векторы размерностью 2560; для сравнения векторов используется косинусное сходство. Архитектура включает трансформер Qwen3, пуллинг последнего токена и нормализацию выходных векторов. Модель обучалась с ContrastiveLoss на 800 парах текстов, в том числе примерах, связывающих описания задач с кодом. Её можно применять для семантического поиска кода, поиска похожих фрагментов, подбора парафразов, кластеризации и классификации текстов. Максимальная длина последовательности — 40960 токенов. Указана лицензия базовой модели в использованных данных не была, поэтому условия лицензирования определить нельзя.

FuriosaAI публикует эту версию Qwen3-VL-2B-Instruct вместе с исполняемым пакетом для запуска на ускорителях FuriosaAI RNGD через Furiosa-LLM. Это плотная мультимодальная модель с примерно 2 млрд параметров: визуальный энкодер обрабатывает изображения и видеокадры, а трансформерный декодер формирует текст. В архитектуре используются Interleaved-MRoPE и многоуровневое объединение визуальных признаков DeepStack; версия Instruct предназначена для диалога и не использует режим рассуждений из отдельной thinking-версии. Модель подходит для ответов на вопросы по изображениям и видео, OCR, анализа документов и диаграмм, пространственных рассуждений и вызова инструментов. README описывает запуск через Furiosa-LLM на RNGD; также указана совместимость с vLLM, SGLang и Transformers. Веса не квантизированы и сохраняют точность upstream-модели. Лицензия — Apache 2.0.

mlx-community/Qwen3-VL-Embedding-2B-8bit — мультимодальная модель для получения эмбеддингов, опубликованная сообществом mlx-community. По README, она преобразована в формат MLX из Qwen/Qwen3-VL-Embedding-2B с помощью mlx-lm 0.1.0; метаданные связывают её с Qwen/Qwen3-VL-2B-Instruct как с базовой моделью. Архитектура относится к семейству Qwen3-VL, размер базовой модели — 2B параметров. Модель предназначена для извлечения векторных представлений мультимодальных данных, в частности для поиска и сопоставления текста и изображений. Репозиторий подготовлен для использования с mlx-embeddings. Лицензия — Apache-2.0. Карточка не уточняет поддерживаемые языки, длину контекста и конкретные метрики качества эмбеддингов. Поскольку README указывает преобразование из исходной embedding-модели, а каталог связывает репозиторий с Qwen3-VL-2B-Instruct как finetune, точная цепочка происхождения неоднозначна.

Qwen3-VL-Reranker-2B-4bit — мультимодальная модель-реранкер из семейства Qwen3-VL, подготовленная сообществом mlx-community. Она преобразована в формат MLX из Qwen/Qwen3-VL-Reranker-2B; в метаданных базовой моделью также указана Qwen/Qwen3-VL-2B-Instruct, дообученная для ранжирования. Архитектура — плотная Qwen3-VL с классом Qwen3VLForConditionalGeneration; размер — 2 млрд параметров, точность — 4 бита. Модель предназначена для повторного ранжирования найденных кандидатов по запросу, включая мультимодальные сценарии. Базовая модель поддерживает анализ изображений и видео, однако метаданные каталога подтверждают для этой модели только задачу text-ranking. Для запуска README предлагает библиотеку mlx-embeddings. Модель распространяется по лицензии Apache-2.0.

Qwopus3.6-27B-v1-preview — ранняя экспериментальная модель рассуждений от Jackrong, дообученная на базе Qwen/Qwen3.6-27B. Это плотная мультимодальная модель с 27 млрд параметров: причинная языковая модель с визуальным энкодером, поддерживающая чат, следование инструкциям, работу с изображениями и интерфейс вызова инструментов. В карточке базовой модели указано контекстное окно 262 144 токена с возможностью расширения до 1 010 000 токенов. Модель дообучена на смеси наборов данных с примерами рассуждений; автор сообщает примерно о 12 тысячах отобранных обучающих примеров. Она предназначена для структурированных ответов, агентного рассуждения, программирования, фронтенд-разработки и творческих задач с canvas и WebGL. Указанные в метаданных языки карточки: английский, китайский, японский, корейский, испанский и русский. Это предварительный чекпойнт: опубликованная оценка охватывает лишь небольшую серию из 16 запросов, поэтому результаты не следует считать окончательным сравнением качества. Модель распространяется под лицензией Apache-2.0.

Feudor2/rumodernbert-nli — русскоязычная модель классификации текстовых пар для распознавания логического следования, противоречия и нейтрального отношения. Она создана дообучением энкодера deepvk/RuModernBERT-base на наборе cointegrated/nli-rus-translated-v2021 и использует архитектуру ModernBERT с классификационной головой. Модель содержит 149 млн параметров и поддерживает контекст до 8192 токенов. Модель подходит для проверки согласованности утверждений с предпосылками, анализа противоречий и сортировки текстовых пар по отношению между ними. В README приведены результаты на оценочном наборе: accuracy 0,8143, macro F1 0,8045 и mean ROC AUC 0,9351. Лицензия — Apache-2.0.

imvladikon/sentence_transformers_alephbertgimmel_small — модель на базе BERT, опубликованная как Sentence-Transformers для получения плотных векторных представлений предложений и абзацев. Она содержит 82,3 млн параметров, формирует эмбеддинги размерности 512 и рассчитана на входные последовательности длиной до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Она обучалась с MultipleNegativesRankingLoss на датасетах stsb_he и wikianswers_hebrew, поэтому ориентирована на тексты на иврите. Доступен формат PyTorch; лицензия не указана в предоставленных данных.

Это англоязычный разреженный поисковый энкодер SPLADE от tomaarsen, дообученный на базе Luyu/co-condenser-marco с использованием Sentence Transformers. Модель преобразует предложения и абзацы в разреженные векторы размерности 30 522; релевантность документов оценивается скалярным произведением векторов. Архитектура включает BERT с masked language modeling и max-pooling SPLADE. Модель предназначена для семантического поиска и разреженного извлечения документов, в том числе по запросам на естественном языке. Максимальная длина входа — 512 токенов. В README приведены оценки на небольших наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Лицензия Apache-2.0 допускает использование и распространение на её условиях.

SPLADE-v3 — разреженный энкодер для поиска, опубликованный Naver. Модель основана на naver/splade-cocondenser-selfdistil и дообучена на коллекции MS MARCO без заголовков с использованием KL-Div и MarginMSE; для каждого запроса использовалось восемь негативных примеров. Энкодер на архитектуре BERT с языковой моделью маскированных токенов преобразует предложения и абзацы в разреженные векторы размерности 30 522. Максимальная длина входа — 512 токенов, функция сходства — скалярное произведение. Модель предназначена для семантического поиска и разреженного извлечения документов; в README приведены результаты на MS MARCO и BEIR-13. Доступна в формате PyTorch через Sentence Transformers. Лицензия CC BY-NC-SA 4.0 допускает использование с указанием авторства и на условиях распространения производных материалов на той же лицензии, но некоммерчески.

Okwija разработал sunbird-whisper-lin-sna-V2 — дообученную модель распознавания речи на базе Sunbird/asr-whisper-51-african-languages, использующей архитектуру Whisper. Модель предназначена для преобразования аудиоречи в текст; базовая модель ориентирована на 51 африканский язык, а также английский и французский с африканскими акцентами. В README приведены результаты оценки: loss 0,1994, WER 0,2508 и CER 0,0425. Модель доступна в формате safetensors и рассчитана на использование через библиотеку Transformers. Репозиторий указывает лицензию Apache-2.0. README не уточняет языки и условия оценки конкретно для этой версии, поэтому возможности базовой модели не следует считать подтверждением качества на каждом из её языков.

TeluguSBERT — модель L3Cube-Pune для получения векторных представлений предложений на телугу. Она основана на TeluguBERT (l3cube-pune/telugu-bert) и дообучена на наборе данных NLI для представления предложений и оценки их сходства. Модель использует архитектуру BERT и поддерживает контекст длиной до 512 токенов; число параметров — около 264,8 млн. Модель подходит для сравнения предложений на телугу, поиска семантически близких текстов и построения векторного поиска. Веса доступны в формате PyTorch, лицензия — CC BY 4.0. В README отмечено, что существует более поздняя улучшенная модель сходства, однако её идентификатор не приведён.

Это модель для переупорядочивания текстовых фрагментов по их релевантности запросу. Её разработали на базе Qwen3-8B с помощью инструментария Tevatron 3.0; модель имеет плотную архитектуру Qwen3ForCausalLM и около 7,6 млрд параметров. Для адаптации применялся LoRA, веса адаптера объединены с базовой моделью. Обучение проводилось методом дистилляции listwise-KL на наборе RLHN-680K. Модель оценивает пару «запрос — фрагмент» по логарифму отношения вероятностей токенов «yes» и «no» после вопроса о релевантности. Вход включает запрос, заголовок и текст фрагмента; максимальная длина контекста — 32 768 токенов. Модель подходит для ранжирования документов в поисковых системах и конвейерах информационного поиска. Лицензия — Apache-2.0.

tevatron-elastic-modernbert-retriever-plain — плотный ретривер, дообученный Utah NLP на базе answerdotai/ModernBERT-base с помощью Tevatron-Elastic. Модель кодирует запросы и документы в представления для информационного поиска; при обучении использовались префиксы query: и passage: и данные rlhn/rlhn-680K. Это базовая полноразмерная точка из набора чекпойнтов Tevatron-Elastic, рассчитанного на настройку рабочих точек по глубине, ширине и сжатию токенов. Для полной конфигурации авторы сообщают nDCG@10 0,476 на BEIR-15. Модель имеет 149 млн параметров и контекст до 8192 токенов; для загрузки и выбора конфигурации требуется фреймворк Tevatron-Elastic. Лицензия — Apache-2.0.

Это модель MetaCLIP-2.5B с архитектурой ViT-B/32: визуальный энкодер Vision Transformer разбивает изображение на патчи размером 32 пикселя и работает с разрешением 224 пикселя. Модель разработана для использования с библиотеками open_clip и timm; в OpenCLIP она называется ViT-B-32-quickgelu. Модель сопоставляет изображения с текстовыми описаниями и подходит для классификации изображений по заданным пользователем категориям без отдельного обучения на этих категориях. Её можно применять для поиска подходящей метки среди текстовых вариантов или для первичной сортировки изображений по описанию. В репозитории указаны веса PyTorch и safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Wav2Vec2-Large-960h — модель распознавания речи, разработанная Facebook. Она основана на архитектуре wav2vec 2.0 и содержит 402,7 млн параметров; веса представлены в формате PyTorch. Модель предварительно обучена на речевых аудиозаписях, а затем дообучена на 960 часах размеченной речи из LibriSpeech. Модель предназначена для преобразования английской речи в текст. Она принимает аудио с частотой дискретизации 16 кГц и подходит для транскрибирования записей и аудиофайлов. В статье об архитектуре wav2vec 2.0 описан подход с маскированием речевого сигнала в латентном пространстве и контрастивным обучением; для этой модели в карточке приведены результаты на тестовых наборах LibriSpeech. Модель рассчитана на английскую речь и не заявлена как многоязычная. Для корректной работы входное аудио должно иметь частоту 16 кГц. Лицензия — Apache-2.0.

Wav2Vec2-Large-960h-Lv60 — модель распознавания речи, разработанная Facebook. Это архитектура wav2vec 2.0 с примерно 402,7 млн параметров, реализованная как Wav2Vec2ForCTC. Модель предварительно обучена на аудио из Libri-Light и дообучена на 960 часах размеченной речи из LibriSpeech; она принимает речь с частотой дискретизации 16 кГц и преобразует её в текст на английском языке. Модель предназначена для транскрибации английской речи, в том числе записей, подобных аудиокнигам и тестовым наборам LibriSpeech. В описании исследования приведены результаты 1,8/3,3 WER на тестовых наборах LibriSpeech clean/other при обучении на всех размеченных данных; качество на иных типах аудио может отличаться. Репозиторий содержит веса PyTorch и Flax. Лицензия — Apache-2.0.

maxidl/wav2vec2-large-xlsr-german — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на немецкой части набора Common Voice. Она преобразует немецкую речь в текст и предназначена для сценариев автоматической транскрипции. Архитектура — Wav2Vec2ForCTC; размер — 402,8 млн параметров. Для входного аудио требуется частота дискретизации 16 кГц. В оценке на тестовой части Common Voice для немецкого языка модель показала WER 12,77 %. Репозиторий содержит веса PyTorch и Flax. Лицензия — Apache-2.0.

wav2vec2-xls-r-1b-dv — модель распознавания речи на архитектуре Wav2Vec2ForCTC, дообученная на базе facebook/wav2vec2-xls-r-1b на датасете Common Voice. Она преобразует аудио в текст и предназначена для автоматической транскрипции речи. В README приведены результаты на оценочном наборе: loss 0,1702 и WER 0,2123. Модель содержит 1,3 млрд параметров, опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. В карточке указана связь с Common Voice 8.0; метаданные также содержат тег «dv», но не позволяют достоверно установить язык аудио. Сведения о длине контекста и дополнительных сценариях применения отсутствуют.

Whisper-Small-MLA-24lang — модель распознавания речи, созданная Burak Aydin на основе openai/whisper-small. Декодер преобразован из MHA в MLA, после чего модель дообучена для восстановления качества на наборе из 24 языков. В ней 153,1 млн параметров; в формате весов Safetensors, библиотека Transformers. Лицензия — Apache-2.0. Модель предназначена для транскрибирования речи на английском, немецком, испанском, французском, итальянском, португальском, русском, нидерландском, польском, индонезийском, турецком, хинди, малайском, шведском, тайском, китайском, чешском, вьетнамском, финском, греческом, датском, японском, норвежском и корейском языках. По данным карточки, преобразование сокращает KV-кэш декодера на 62,5%; экономия относится к кэшу self-attention и не распространяется на память энкодера и cross-attention. В оценке на Common Voice 17 качество существенно различается по языкам: результаты сильнее на испанском, английском, нидерландском, русском, итальянском и португальском, а на некоторых языках с малым объёмом данных, включая корейский, норвежский, датский и греческий, заметно слабее. Модель рассчитана на речь с потребительских микрофонов и чтение подготовленного текста. Для запуска требуются trust_remote_code и Transformers 4.46.x; whisper.cpp, CT2 и faster-whisper не поддерживаются.

Winter Garden 7B Alpha — экспериментальная чат-модель на архитектуре Mistral, собранная автором карточки путём слияния девяти моделей и вариантов весов. Она предназначена для диалоговой генерации текста, ответов на инструкции, помощи с программированием, научными и математическими вопросами, а также творческих сценариев и ролевых диалогов. В README описано слияние слоёв Mistral-7B-v0.1 с чередованием моделей по девяти случайным группам; конфигурация в основном сохраняет порядок базовой Mistral. Модель содержит 7,1 млрд параметров, принимает контекст до 32 768 токенов и распространяется в формате safetensors. Карточка предлагает использовать разговорный шаблон с описанием сцены и карточкой персонажа; также упоминает несколько вариантов формата инструкций. Автор характеризует модель как способную работать с наукой, математикой и творческими задачами, однако это экспериментальное слияние, и приведённые в README оценки не гарантируют качества в конкретных сценариях. Указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование.

IronPooh/xlm_roberta_hard_negatives — текстовый Cross Encoder, дообученный на базе FacebookAI/xlm-roberta-base с библиотекой Sentence Transformers. Модель оценивает пары текстов одним выходным баллом и предназначена для переранжирования результатов поиска и семантического поиска; её также можно применять для классификации пар по релевантности. Архитектура — XLMRobertaForSequenceClassification с 305,2 млн параметров. Модель принимает только текст, максимальная длина последовательности составляет 514 токенов по метаданным. README сообщает о бинарной классификации и приводит для набора xlm-roberta-val accuracy 0,8483 и F1 0,8033. Обучающая выборка содержит 5 691 пример. Базовая XLM-RoBERTa многоязычная, а примеры в карточке включают украинский текст; метаданные не задают конкретные языки именно для этой дообученной модели. Лицензия в предоставленных данных не указана.

deepset/xlm-roberta-large-squad2 — многоязычная модель для извлечения ответов на вопросы, разработанная deepset на основе xlm-roberta-large и дообученная на SQuAD 2.0. Она находит ответный фрагмент в предоставленном тексте и поддерживает сценарии вопросов и ответов по отдельным отрывкам или документам; для поиска ответов в коллекции документов README показывает использование с Haystack. Модель использует архитектуру XLM-RoBERTa для задачи question answering, содержит 658,7 млн параметров и имеет контекст длиной 514 токенов. Её оценивали на английском SQuAD 2.0 и немецких MLQA и XQuAD. Лицензия — CC BY 4.0. Модель предназначена для извлечения ответа из контекста, а не для свободной генерации развёрнутых ответов. Качество за пределами описанных оценок и языков может различаться; при работе с большими коллекциями документов требуется отдельный поиск или оркестрация, например через Haystack.