II.8Инженерия данных и аналитика

Карточка модели mono-of-pg/mmarco-mMiniLMv2-L12-H384-v1-gguf на Hugging Face совпадает с карточкой cross-encoder/mmarco-mMiniLMv2-L12-H384-v1, поэтому описание составлено по ней. Это мультиязычная модель Cross-Encoder семейства XLM-RoBERTa, дообученная авторами Sentence Transformers на MMARCO — автоматически переведённой на 14 языков версии датасета MS MARCO. Модель основана на mMiniLMv2-L12-H384, содержит 124,3 млн параметров и рассчитана на последовательности длиной до 514 токенов. Модель предназначена для повторного ранжирования результатов информационного поиска: она получает запрос и отдельный найденный фрагмент текста, оценивает их релевантность, после чего фрагменты можно отсортировать по оценкам. Подходит для этапа reranking после первичного поиска, например, в поисковой системе или конвейере RAG. Карточка отмечает поддержку 14 языков и сообщает, что модель также хорошо показала себя на других языках. Доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO; для использования предусмотрена библиотека Sentence Transformers. Лицензия — Apache-2.0. Обучение на машинных переводах MS MARCO может ограничивать качество на языках и типах запросов, отличающихся от обучающих данных.

mxbai-colbert-large-v1 — англоязычная модель ранжирования документов от Mixedbread AI, построенная на модели эмбеддингов mixedbread-ai/mxbai-embed-large-v1. Это ColBERT-ретривер с несколькими векторами и поздним взаимодействием между представлениями запроса и документа; он предназначен прежде всего для повторного ранжирования результатов, найденных на первом этапе, например BM25, и может использоваться в конвейерах поиска и RAG. Модель основана на архитектуре BERT, содержит 433,9 млн параметров и принимает текст с контекстом до 512 токенов. Она формирует эмбеддинги для поиска и оценки сходства предложений. По результатам README, модель показала конкурентные показатели NDCG@10 на наборах BEIR для повторного ранжирования и поиска; для обычного retrieval разработчик рекомендует использовать mixedbread-ai/mxbai-embed-large-v1. Модель распространяется по лицензии Apache-2.0.

WaveCut/Nanbeige4.2-3B-heretic-GGUF — набор GGUF-квантизаций модели WaveCut/Nanbeige4.2-3B-heretic, разработанный WaveCut. Модель предназначена для генерации текста, включая агентные и программные сценарии; в качестве примера использования приведено написание надёжного retry-хелпера на Python. Доступны варианты Q4_K_M, Q5_K_M, Q6_K и Q8_0, рассчитанные на разный баланс компактности, скорости и качества. Q4_K_M рекомендован как компактный вариант, Q5_K_M — как сбалансированный, Q6_K — как высококачественная K-квантизация, а Q8_0 — как почти без потерь. Nanbeige 4.2 использует циклический Transformer: 22 физических слоя выполняются дважды. Квантизации K-типа откалиброваны с помощью importance matrix на детерминированно перемешанном корпусе данных для агентных и программных задач. В README не указаны поддерживаемые языки и максимальная длина контекста. Для запуска требуется llama.cpp с поддержкой Nanbeige, проверенной на указанной ветке и ревизии либо более новой сборке с эквивалентной поддержкой. Основные преимущества модели — несколько вариантов квантизации, возможность выбрать компромисс между размером, скоростью и качеством, а также оптимизация калибровки под агентные и coding-сценарии. Ограничения включают зависимость от совместимой реализации llama.cpp и потенциальные потери качества, характерные для квантизованных вариантов; точные размеры файлов и результаты производительности в README не приведены. Модель распространяется по лицензии Apache-2.0.

Neural-Chat-v3-2 — языковая модель Intel на 7,1 млрд параметров для генерации текста и выполнения языковых задач. Она построена на архитектуре Mistral и дообучена из Intel/neural-chat-7b-v3-1 на наборе MetaMathQA с выравниванием методом DPO на парах Intel/orca_dpo_pairs. Исходная версия neural-chat-7b-v3-1 была дообучена на базе mistralai/Mistral-7B-v0.1. Модель предназначена для инференса в широких языковых сценариях, включая математические вопросы и диалог. README указывает контекст 8192 токена; метаданные каталога сообщают 32768, поэтому фактический предел может зависеть от конфигурации и версии. Модель принимает текст и генерирует текст; в карточке указан английский язык. Модель может выдавать фактически неверные ответы, а также предвзятый, оскорбительный или неприемлемый контент. Перед внедрением рекомендуется проверять её безопасность и точность. Лицензия — Apache-2.0.

cross-encoder/nli-distilroberta-base — англоязычная модель Cross-Encoder, созданная с помощью SentenceTransformers и дообученная на наборах SNLI и MultiNLI. Она принимает пару предложений и оценивает их отношение по трём меткам: противоречие, следование и нейтральность. Модель предназначена для вывода логических отношений между текстами, оценки сходства предложений и классификации без примеров обучения по заданным категориям. Архитектура — RoBERTa с классификационной головой, около 95,2 млн параметров и контекстом до 514 токенов. Доступны форматы PyTorch, Safetensors, ONNX, OpenVINO и Flax. Модель специализируется на английском языке и подходит для сценариев, где нужно сопоставить два текста или отнести текст к заданным категориям. Качество может снижаться на других языках, длинных текстах и задачах, отличающихся от языкового вывода; оценки модели не следует трактовать как гарантированную истину. Лицензия — Apache 2.0.

xhresko/nomic-embed-vision-v1.5-patched — локально исправленная копия модели Nomic Embed Vision v1.5, разработанной Nomic AI. Это плотная vision-модель семейства Nomic BERT для извлечения признаков изображений и построения эмбеддингов, применимых для поиска и мультимодального retrieval. В README указана совместимость патчей с Transformers 5.x; представлены веса Safetensors и экспорт ONNX. Для работы modeling-кода требуется пакет einops. README сообщает, что эмбеддинги исправленной PyTorch-модели совпадают с upstream ONNX-экспортом с косинусным сходством 1,0. Модель предназначена для прикладного использования в визуальном поиске и мультимодальных сценариях, например для поиска изображений по текстовому запросу с префиксом search_query:. Репозиторий содержит локально скопированный код модели, поэтому последующие изменения upstream-кода автоматически не подтягиваются. Лицензия — Apache-2.0.

Карточка модели open-thoughts/OpenThinker-Agent-v1-SFT на Hugging Face совпадает с карточкой baerquants/OpenThinker-Agent-v1-SFT, поэтому описание составлено по ней. OpenThinker-Agent-v1-SFT — модель baerquants, созданная в рамках открытого проекта OpenThoughts-Agent для выполнения агентных задач. Это этап supervised fine-tuning модели Qwen/Qwen3-8B: обучение проводилось на трассах OpenThoughts-Agent-v1-SFT, а последующее RL-дообучение есть в отдельной версии OpenThinker-Agent-v1. Модель с плотной архитектурой Qwen3ForCausalLM содержит 7,6 млрд параметров, принимает текст и генерирует текст; максимальная длина контекста — 40 960 токенов. Модель ориентирована на агентные сценарии разработки и работы в терминале: формирование shell-команд, выполнение задач Terminal-Bench и исправление программных ошибок, включая задачи по C# и Java из набора InferredBugs. В карточке проекта сообщаются результаты бенчмарков для версии после SFT и RL, а не этой SFT-версии отдельно. Репозиторий использует формат Safetensors, библиотеку Transformers и лицензию Apache-2.0.

Это GGUF-квантование MXFP4 модели llmfan46/Ornith-1.0-35B-uncensored-heretic, опубликованное noctrex. Базовая модель предназначена для генерации кода, агентной работы с репозиториями и вызова инструментов; эта версия сохраняет возможность диалогового взаимодействия и генерации текста. Квантование MXFP4 уменьшает точность представления весов. В карточке нет сведений о поддерживаемых языках, длине контекста и лицензии, поэтому эти характеристики нельзя уточнить. Модель помечена как uncensored и heretic; такие метки указывают на снижение отказов, но README не описывает конкретные ограничения или гарантии поведения.

s-batman/Ornith-1.0-9B-NVFP4-MTP-GGUF — набор из трёх GGUF-квантизаций модели Ornith-1.0-9B, разработанной командой DeepReinforce. Исходная модель создана на базе Qwen3.5-9B и дообучена с помощью reinforcement learning для агентного программирования и задач, требующих рассуждений. Эта версия дополнительно оснащена головами Multi-Token Prediction (MTP), заимствованными из Qwen3.5-9B-MTP, для ускорения speculative decoding в llama.cpp. Модель имеет плотную архитектуру Qwen3.5: 32 основных слоя и один встроенный MTP-слой, 9,2 млрд параметров, hidden size 4096 и словарь из 248 320 токенов. Используется гибридная схема внимания с линейным SSM и полным attention в каждом четвёртом слое. В репозитории доступны варианты Q8_0 размером 9,1 ГБ, NVFP4 и MXFP4 размером по 5,1 ГБ. NVFP4 оптимизирован для NVIDIA Blackwell, включая RTX PRO 6000 и DGX Spark, тогда как Q8_0 рассчитан на широкий спектр CPU и GPU. Визуальная башня отсутствует, поэтому практическое применение этой сборки ограничено текстовым выводом, несмотря на сохранённый мультимодальный словарь. Сильные стороны модели — специализация на агентном кодировании и рассуждениях, уменьшенный размер по сравнению с полноразмерной BF16-моделью и возможность ускоренного декодирования с MTP. NVFP4 обеспечивает наиболее эффективный путь на Blackwell, MXFP4 использует стандарт OCP, а Q8_0 служит вариантом с максимальной точностью. Ограничениями являются зависимость преимуществ NVFP4 от оборудования Blackwell, необходимость совместимой поддержки llama.cpp и отсутствие визуального ввода в данной GGUF-сборке. Модель распространяется по лицензии MIT.

Это GGUF-версия мультиязычной модели распознавания речи NVIDIA Parakeet TDT 0.6B v3, подготовленная автором репозитория из официальных контрольных точек NeMo PyTorch. Модель предназначена для локальной транскрипции аудио с автоматическим определением языка; для работы в parakeet-cli требуется декодер TDT. Архитектура Token-and-Duration Transducer предсказывает текстовые токены и длительность их звучания, что позволяет эффективнее проходить аудиопоследовательность. Модель содержит около 600 млн параметров, представлена в GGUF F32 и рассчитана на запуск через parakeet.cpp и движок ggml. Поддерживаются 25 европейских языков, включая русский, английский, украинский, французский, немецкий, испанский и итальянский. Версия ориентирована на офлайн-транскрипцию на локальном оборудовании; README приводит оценки потребления памяти около 2,8 ГБ RAM и 2,6 ГБ VRAM. Лицензия — CC BY 4.0, требуется атрибуция.

Parakeet TDT-CTC 1.1B — модель автоматического распознавания речи, совместно разработанная командами NVIDIA NeMo и Suno.ai. Она преобразует англоязычную речь в текст с пунктуацией и заглавными буквами. Модель принимает монофонические аудиозаписи WAV с частотой 16 кГц и возвращает текстовую расшифровку. В основе лежит гибридная архитектура FastConformer-TDT-CTC примерно с 1,1 млрд параметров. Модель дообучена на базе parakeet-tdt-1.1 и обучалась на 36 тысячах часов английской речи из частных и открытых наборов данных. Благодаря локальному вниманию и глобальным токенам она может обрабатывать до 11 часов аудио за один проход. Модель предназначена для транскрибации речи в разных акустических и тематических условиях; в карточке приведены оценки WER на нескольких наборах, включая LibriSpeech, GigaSpeech и Common Voice. Ограничения: заявлена поддержка английского языка, а работа с другими языками не подтверждена; модель не поддерживается NVIDIA Riva согласно карточке. Лицензия — CC-BY-4.0.

thang1943/phobert-base-v2-c-loss — модель Sentence Transformers, дообученная автором на базе вьетнамского энкодера vinai/phobert-base-v2. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости с помощью косинусного сходства. Архитектура включает RoBERTa-энкодер с усреднением токенных представлений; модель содержит 162,4 млн параметров и обрабатывает последовательности длиной до 256 токенов по README и до 258 токенов по метаданным. Модель предназначена для поиска семантически похожих текстов, поиска перефразировок, кластеризации, классификации текста и задач информационного поиска. Базовый PhoBERT ориентирован на вьетнамский язык, поэтому основное применение этой модели — вьетнамские предложения и документы. В карточке приведены результаты оценки информационного поиска, но данных недостаточно, чтобы установить их переносимость на другие наборы данных. Репозиторий использует библиотеку sentence-transformers и формат safetensors; лицензия в предоставленных данных не указана.

Карточка модели framadhita/Q4_0-nemotron-3.5-asr-streaming-0.6b на Hugging Face совпадает с карточкой Aliados/nemotron-3.5-asr-streaming-0.6b, поэтому описание составлено по ней. Nemotron 3.5 ASR — разработанная NVIDIA многоязычная модель автоматического распознавания речи на 600 млн параметров. Она предназначена для потоковой транскрибации с низкой задержкой и пакетной обработки аудио; доступна через NeMo и Transformers, а веса представлены в формате safetensors. Архитектура Cache-Aware FastConformer-RNNT использует кэш контекста, чтобы обрабатывать новые аудиофрагменты без повторных вычислений. Размер фрагментов можно настраивать от 80 до 1120 мс; модель расставляет пунктуацию и заглавные буквы, а при режиме auto может определять язык речи и добавлять языковую метку к транскрипту. Модель поддерживает 40 языковых локалей: для 32 заявлена транскрибация без дополнительной адаптации, а для восьми требуется дообучение на данных целевого домена. Среди языков есть русский, английский, испанский, французский, немецкий, арабский, китайский, японский и другие. Карточка указывает готовность к коммерческому использованию, однако метаданные обозначают лицензию как other, поэтому конкретные условия следует сверить с файлами лицензии репозитория. Для английской речи автор рекомендует отдельную англоязычную модель Nemotron ASR Streaming.

cross-encoder/quora-distilroberta-base — англоязычная модель cross-encoder на базе DistilRoBERTa, дообученная с помощью SentenceTransformers на датасете Quora Duplicate Questions. Она принимает пару вопросов и оценивает числом от 0 до 1 вероятность того, что они являются дубликатами. Модель предназначена для поиска повторяющихся вопросов и ранжирования кандидатов по вероятности дублирования; её можно применять, например, при дедупликации пользовательских запросов или вопросов на форумах. Архитектура — RobertaForSequenceClassification, около 95,2 млн параметров; базовая модель — distilbert/distilroberta-base. Нативный контекст составляет 514 токенов. Доступны форматы PyTorch, safetensors, ONNX, OpenVINO и Flax. Лицензия — Apache-2.0. Оценка отражает вероятность дублирования, а не общую семантическую схожесть: вопросы на близкие темы, но с разными намерениями, могут получить низкий балл. Модель рассчитана на английские вопросы; перенос её оценок на другие языки и типы текстов не подтверждён.

lucaswychan/Qwen2.5-Math-1.5B-Reasoning-Embedding — мультиязычная модель эмбеддингов на базе decoder-only архитектуры Qwen2.5-Math-1.5B, дообученная контрастивным обучением. Она преобразует текст в векторные представления для сравнения семантического сходства предложений и может использоваться как компонент поиска по смыслу или ранжирования текстов. Модель содержит 1,5 млрд параметров, принимает контекст длиной до 4096 токенов и распространяется в формате safetensors; для загрузки через Sentence Transformers или Transformers в карточке рекомендуется включить trust_remote_code. Авторы исследуют, дают ли языковые модели, обученные рассуждению с проверяемыми наградами, более качественную основу для эмбеддингов. Описанные эксперименты на MTEB и BRIGHT не выявили устойчивого преимущества такой инициализации над базовой моделью при одинаковом обучении эмбеддингов. Модель выпущена под лицензией Apache-2.0. README не приводит численных результатов именно этого чекпойнта или подробной оценки его языкового покрытия.

snsnc/qwen3.5-4B-super-coder-MLX-4bit — 4-битная версия модели для генерации текста и кода в формате MLX. Модель подготовлена на основе unsloth/Qwen3.5-4B с объединённым LoRA-адаптером jica98/qwen3.5-4B-super-coder; дополнительное обучение не проводилось. Разработчик адаптации — пользователь или организация с идентификатором snsnc, а исходные компоненты предоставлены unsloth и jica98. Модель предназначена прежде всего для задач программирования, включая генерацию исполняемого кода, например реализации асинхронного ограничителя запросов. Она поддерживает текстовый ввод и вывод; сведения о языках программирования и естественных языках, размере контекста и точной архитектуре в README не указаны. Использует архитектуру Qwen3_5ForConditionalGeneration и 4-битное квантование, что должно уменьшать требования к памяти при запуске в MLX, однако может ограничивать качество по сравнению с полноразмерной версией. В шаблоне чата предусмотрен режим рассуждений, который можно отключить. Для запуска используется библиотека mlx-lm и платформа MLX. Модель распространяется по лицензии Apache-2.0. README не содержит данных о результатах тестирования, качестве на конкретных наборах, аппаратных требованиях или ограничениях применения, поэтому её эффективность для отдельных задач следует проверять отдельно.

smirki/qwen3.5-4b-terminal-v1 — дообученная модель Qwen3.5-4B для работы в терминале и задач кодирующего агента. Это плотная мультимодальная архитектура Qwen3.5 с 4 млрд параметров; опубликованы объединённые веса bf16 в формате Safetensors. Модель сохраняет архитектуру, токенизатор, шаблон чата и XML-формат вызова инструментов базовой Qwen3.5-4B. Модель предназначена для агентных сценариев, где нужно выполнять задачи через терминал и вызывать инструменты. В описанном сравнении Terminal-Bench 2.1 она решила хотя бы раз 21 из 76 заданий против 15 у базовой модели; тест проводился с контекстом 65 536 токенов и лимитом 8 192 токена на ответ. Для запуска с vLLM в README указан парсер вызовов инструментов qwen3_xml. Лицензия — Apache-2.0. Веса включают компоненты понимания изображений, но README рекомендует для терминального применения отключать vision tower. Показатели бенчмарка относятся к указанной конфигурации и не гарантируют аналогичного результата на других задачах; подробности обучения не приведены.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — это многоэтапная дообученная и объединённая версия модели Qwen3.8-27B, опубликованная в репозитории trinityomnis и основанная на модели DavidAU. Модель распространяется в формате GGUF, включая обычные и MTP-квантизации, и ориентирована на запуск на потребительском оборудовании. В README заявлены поддержка английского и китайского языков, размер около 27 млрд параметров, режимы рассуждения, а также специализация на программировании, творческом письме, художественной прозе и ролевых сценариях. Ключевая цель разработки — повысить способность к решению задач и детализации ответов, одновременно сократив объём токенов, затрачиваемых на рассуждение, по сравнению с базовой Qwen3.8. По заявлению автора, модель обучалась с использованием методов COLD FUSION и Fable Fusion 711 и показывает более высокие результаты на ряде внутренних или указанных в README бенчмарков, включая ARC-C и ARC-E. Эти результаты не подтверждены независимыми данными в представленном описании. Сильными сторонами модели заявлены скорость генерации, сокращённое рассуждение, кодинг, подробное творчество и широкий спектр сценариев применения. Ограничения включают отсутствие сведений о размере контекстного окна, точной архитектуре, поддерживаемых мультимодальных входах и системных требованиях. Модель обозначена как uncensored и abliterated, поэтому её ответы могут требовать дополнительной фильтрации и контроля. Лицензия — Apache-2.0.

Карточка модели willhx/Qwen3-8B-Base-Math-SeaSFT 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.

Карточка модели willamazon1/Qwen3-8B-SDFT-Math-LoRA-iter45 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-VL-4B-Instruct-Unredacted-MAX — дообученная мультимодальная модель prithivMLmods на архитектуре Qwen3-VL с 4 млрд параметров. Она принимает текстовые запросы и изображения и формирует текстовые ответы; предназначена для диалога с визуальным контекстом, понимания изображений, генерации описаний и мультимодальных экспериментов. Поддерживает изображения разных разрешений и пропорций и рассчитана на эффективный запуск по сравнению с более крупными моделями. Модель подходит для создания подписей к изображениям и подготовки аннотаций для наборов данных, оценки систем компьютерного зрения с языковым интерфейсом и прототипирования приложений, объединяющих текст и изображения. Выпуск обновляет упаковку и совместимость с Transformers относительно huihui-ai/Qwen3-VL-4B-Instruct-abliterated, сохраняя возможности исходной архитектуры. Репозиторий распространяется по лицензии Apache-2.0. Качество зависит от чёткости изображения и формулировки запроса; интерпретации сложных сцен могут быть неполными или непоследовательными. Для стабильного вывода требуется достаточно видеопамяти, а результаты зависят от настроек декодирования и среды запуска.

Qwick-3.5-9B — модель Nobuyuki Horiuchi, дообученная на основе Qwen/Qwen3.5-9B. Это самостоятельный чекпойнт BF16 в формате Transformers, предназначенный для генерации текста с более короткими рассуждениями: при близких результатах на MMLU-Pro и GPQA-Diamond длина ответов в приведённых сравнениях сокращалась примерно на 29–40%. Модель также оценивалась на следовании инструкциям, японских вопросах и генерации кода. Основные сценарии — текстовые рассуждения и ответы на вопросы; README приводит оценку сохранения возможностей на изображениях по валидационной выборке MMMU, но автор не квалифицирует модель для широкого мультимодального развёртывания. Модель рассчитана в первую очередь на японский и английский языки. Репозиторий содержит веса Safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. Качество зависит от задачи и профиля генерации: например, в README зафиксировано снижение результата на HMMT и регрессия в разделе инженерии MMLU-Pro. Модель не оценивалась для критически важных рекомендаций, решений с высоким воздействием без надзора или автономных действий; результаты для других форматов, настроек и распределений изображений требуют отдельной проверки.

Модель ibm-research/re2g-reranker-trex разработана IBM и предназначена для повторного ранжирования найденных текстовых фрагментов по запросу или вопросу. Она помогает отбирать наиболее релевантные материалы из результатов первичного поиска и объединять выдачу разных систем, например BM25 и нейронного ретривера, чьи исходные оценки напрямую несопоставимы. Модель представляет собой BERT для классификации последовательностей, содержит 136,7 млн параметров и обрабатывает до 512 токенов. В карточке указана поддержка английского языка и базовая модель BERT-base, обученная на MS MARCO. Репозиторий содержит веса PyTorch. Реранкер можно применять в поисковых системах и RAG-конвейерах перед передачей найденных фрагментов генеративной модели. Лицензия Apache 2.0 разрешает использование и модификацию на её условиях. Модель оценивает релевантность пар запроса и фрагмента, но сама не выполняет генерацию ответов и наследует ограничение контекста в 512 токенов.

TextAttack дообучила RoBERTa-base для классификации пар предложений на датасете MRPC из набора GLUE. Модель содержит 151,8 млн параметров и принимает текстовые пары; максимальная длина контекста по метаданным — 514 токенов. При дообучении использовались 5 эпох, размер пакета 16, скорость обучения 3e-05 и максимальная длина последовательности 256 токенов. Модель предназначена для определения, выражают ли два предложения одинаковый смысл. В карточке указана точность 0,912 на оценочной выборке, достигнутая после двух эпох обучения. Доступны веса PyTorch и Flax; лицензия в предоставленных данных не указана.

DMetaSoul выпустила эту дистиллированную модель для общего семантического сопоставления предложений. Это плотная BERT-модель с четырьмя слоями, примерно 54 млн параметров по метаданным и контекстом до 512 токенов. Она формирует векторные представления текста и подходит для поиска семантически близких фраз и сравнения предложений. По оценке авторов, относительно исходного 12-слойного учителя модель примерно вдвое быстрее, а средняя точность на приведённых наборах данных ниже примерно на 6 процентных пунктов. Модель ориентирована на китайский язык; результаты оценки приведены на китайских задачах сопоставления. Для использования указаны Sentence-Transformers и Hugging Face Transformers. Лицензия в предоставленных данных не указана.

OpenASR/sensevoice-small — компактная модель автоматического распознавания речи, созданная командой FunAudioLLM компании Alibaba и перепакованная проектом OpenASR в формат .oasr для нативного выполнения. Модель предназначена для преобразования речи в текст, включая полностью локальную и офлайн-транскрипцию на CPU и GPU без Python во время инференса. SenseVoice Small использует быструю неавторегрессионную архитектуру и обучена более чем на 400 000 часах аудио. Она автоматически определяет язык и ориентирована на мандаринский китайский, кантонский, английский, японский и корейский языки. В исходной модели также заявлены распознавание эмоций и аудиособытий, однако в пакетах OpenASR сейчас доступна только обычная транскрипция речи. Для модели предлагаются варианты fp16 размером около 470 МБ, q8_0 — 252 МБ и q4_k — 136 МБ; квантованные версии подходят для устройств с ограниченной памятью. По данным разработчиков, инференс значительно быстрее Whisper-Large, а модель особенно сильна в китайской и кантонской речи, однако приведённые показатели точности относятся к исходной модели и отдельным открытым бенчмаркам. Пакеты распространяются по лицензии FunASR Model License v1.1, унаследованной от исходной модели. Лицензия разрешает коммерческое использование при сохранении требуемой атрибуции и уведомлений об авторских правах.

Lajavaness/sentence-flaubert-base — франкоязычная модель эмбеддингов предложений, разработанная Lajavaness на основе flaubert/flaubert_base_uncased. Модель с архитектурой Flaubert и 137 млн параметров дообучена в сиамской схеме Sentence Transformers с использованием Augmented SBERT, набора STS и стратегий подбора пар; при подготовке данных применялись CrossEncoder-camembert-large и dangvantuan/sentence-camembert-large. Модель преобразует французские предложения в векторы для сравнения их смысловой близости. Её можно применять для поиска семантически похожих фраз, сопоставления формулировок и вычисления сходства пар предложений. В README приведены результаты на STS-B и нескольких французских бенчмарках семантического сходства. Модель принимает текст и возвращает эмбеддинги; контекст ограничен 512 токенами. Модель распространяется под лицензией Apache-2.0. Она ориентирована на французский язык, поэтому качество для других языков не подтверждено приведёнными данными; эмбеддинги также не следует трактовать как готовые ответы или метки без дополнительной логики приложения.

sonoisa/sentence-t5-base-ja-mean-tokens — японская модель Sentence-T5, разработанная автором репозитория. Она преобразует предложения на японском языке в векторные представления для извлечения признаков и оценки сходства предложений. Модель основана на T5-base Japanese, содержит 123,8 млн параметров и принимает последовательности длиной до 512 токенов. По сообщению автора, на его закрытом наборе данных качество сопоставимо с sonoisa/sentence-bert-base-ja-mean-tokens. Для работы требуется SentencePiece. Веса доступны в форматах PyTorch и Safetensors по лицензии CC BY-SA 4.0.

abenzerps/Spark-X2.5-4B-GGUF — набор GGUF-квантизаций модели Spark-X2.5-4B, разработанной XHToken и предназначенной для генерации текста. Модель ориентирована на рассуждения, программирование, использование инструментов и агентские рабочие процессы. Доступны варианты квантизации Q4_0, Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером от 2,41 до 4,38 ГБ. Модель имеет около 4 млрд параметров и поддерживает нативный контекст до 1 048 576 токенов. README не указывает поддерживаемые языки и результаты конкретных бенчмарков, поэтому оценить качество по языкам и задачам нельзя. Квантизация уменьшает требования к памяти, но может снижать точность по сравнению с исходной моделью; степень компромисса зависит от выбранного варианта. Для запуска требуется llama.cpp версии b10828 или новее с поддержкой архитектуры Spark-X2.5 (spark2_5). Распространяется по лицензии Apache-2.0.

Это англоязычный разреженный кодировщик SPLADE, разработанный авторами модели на основе Luyu/co-condenser-marco и дообученный для поиска по текстам. Он преобразует запросы и документы в разреженные векторы размерностью 30 522; их сходство вычисляется скалярным произведением. Модель построена на BERT с головой masked language modeling и max-пулингом SPLADE. Модель предназначена для семантического поиска и разреженного извлечения документов, в том числе для поиска по запросам и абзацам. Максимальная длина последовательности — 512 токенов. В README приведены оценки на небольших наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR; они не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии Apache-2.0.