II.8Инженерия данных и аналитика

Florence-2-base-ft — конвертированный для Transformers чекпойнт модели Florence от Microsoft, дообученный на наборе задач компьютерного зрения. Это плотная encoder-decoder модель семейства Florence-2 с архитектурой последовательность-в-последовательность и размером 0,23 млрд параметров. Она принимает изображения и текстовые запросы, позволяя одной моделью выполнять описание изображений, обнаружение объектов, генерацию описаний областей, локализацию фраз, OCR и визуальные вопросы и ответы. Модель предназначена для универсального анализа изображений через prompt-запросы, включая сценарии, где нужно получить текстовое описание, распознать надписи или найти и описать объекты и области. В карточке для этого чекпойнта указано продолжение предобучения Florence-2-large с контекстом 4K, но также отмечено, что использовалось лишь 0,1 млрд примеров и модель могла быть обучена недостаточно хорошо; для OCR изменён разделитель строк. Эти сведения расходятся с таблицей README, где Florence-2-base-ft указан как дообученный вариант размером 0,23 млрд параметров, поэтому характеристики обучения именно этого репозитория описаны в карточке неоднозначно. Файлы доступны в формате safetensors, библиотека — Transformers; лицензия MIT.

nightmedia/granite-4.1-8B-TNG-Coder-V11-3000-Heretic-BF16 — диалоговая языковая модель на архитектуре Granite, созданная nightmedia на основе Granite-4.1-8B и производных чекпойнтов. По карточке модель дообучалась на задачах серверной разработки; автор также сообщает об использовании синтетических трасс Qwen3.6-35B-A3B и Claude и о режиме рассуждений, включённом по умолчанию. Модель предназначена для генерации кода и помощи в backend-разработке, а также для диалоговых запросов. Она содержит 8,4 млрд параметров, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors. В метаданных указаны текстовая генерация и чат-возможности; базовая Granite-4.1-8B описана как многоязычная модель для текста, кода и вызова инструментов. Лицензия — Apache-2.0. Карточка приводит результаты нескольких бенчмарков, но не описывает подробно методику обучения или пределы качества; специализация модели на backend-разработке не гарантирует корректность сгенерированного кода.

IndoBERT Base p2 uncased — предварительно обученная языковая модель для индонезийского языка, созданная командой IndoBenchmark на основе архитектуры BERT. Модель обучена на корпусе Indo4B объёмом 23,43 ГБ с задачами masked language modeling и next sentence prediction; версия Base содержит 124,5 млн параметров согласно README, а метаданные каталога указывают 151,6 млн параметров. Длина контекста — 512 токенов. Модель предназначена для извлечения контекстных представлений текста и может служить основой для построения или дообучения приложений NLP на индонезийском языке, включая классификацию текстов и поиск похожих текстов. Доступны реализации весов для PyTorch, TensorFlow и Flax. Лицензия — MIT.

Jack-3.8-27B-Coder-16GB-VRAM — локальная модель для программирования, разработанная независимым исследователем Джонатаном Майклом Лэнгфордом в рамках The Jack Project. Она основана на Qwen3.8-27B и предназначена для многоэтапной разработки ПО: планирования, реализации, отладки, ревью кода, проектирования тестов, работы с репозиториями и использования инструментов в длительных агентных сценариях. Модель поставляется в формате GGUF для запуска через llama.cpp и рассчитана на работу на GPU с 16 ГБ видеопамяти. Архитектура Jack использует структурирование актуального рабочего состояния и повторную привязку доказательств, чтобы отделять действующие требования и проверенные результаты от устаревших планов, предположений и неудачных экспериментов. В README заявлена поддержка длинных контекстов и многоходовых задач, но конкретная длина контекста не приведена. Лицензия — Apache-2.0. Заявленные преимущества относятся к управлению состоянием в длительных инженерных задачах; README не приводит независимых количественных сравнений, поэтому практическое качество этих улучшений не установлено. Модель предназначена для генерации текста и кода, а не для обработки изображений или видео, несмотря на мультимодальность базовой модели, указанную в каталожном описании.

Jan-code-4b-GGUF — это квантизированная версия языковой модели Jan-code-4b, разработанной janhq. Репозиторий подготовлен bartowski с использованием llama.cpp и метода imatrix; модель предназначена для генерации текста и ориентирована на сценарии работы с кодом и агентами. Модель доступна в формате GGUF с вариантами квантизации от BF16 и Q8_0 до более компактных Q2–Q6 и IQ-вариантов. Размер файлов составляет примерно от 1,98 до 8,83 ГБ. В README указана поддержка английского языка. Архитектура, максимальная длина контекста, точное число параметров и поддерживаемые модальности не описаны; по назначению и формату это текстовая авторегрессионная модель. Сильной стороной является широкий выбор уровней квантизации, позволяющий подобрать баланс между качеством, требованиями к памяти и скоростью работы. В качестве рекомендуемых указаны Q4_K_M, Q5_K_M, Q6_K и близкие варианты. Модель можно запускать через llama.cpp, LM Studio, koboldcpp, Jan AI и другие совместимые инструменты, однако для новых поддерживаемых архитектур может потребоваться обновление программного обеспечения. Лицензия — Apache-2.0.

OsaurusAI/Laguna-M.1-JANG_1L — версия модели Poolside Laguna-M.1, подготовленная Osaurus для локального запуска на компьютерах Apple Silicon. Это MoE-модель для генерации текста и агентного программирования; в README указаны 225 млрд параметров и около 23 млрд активных параметров. Профиль JANG_1L использует аффинную квантизацию: 2 бита для gate/up/down, 4 бита для shared/dense и 8 бит для attention; размер сборки около 72 ГБ. Метаданные указывают 17,1 млрд параметров и контекст до 262 144 токенов, что расходится с числом параметров в README. Модель предназначена для написания и анализа кода, а также длительных агентных задач с инструментами. Для запуска требуется Laguna-совместимая среда, например Osaurus или vMLX: архитектура использует нестандартные механизмы внимания и маршрутизации MoE, которые не поддерживаются обычными загрузчиками. Базовая модель распространяется по лицензии Apache-2.0; README указывает эту же лицензию для сборки.

bartowski/Llama-3.1-8B-Open-SFT-GGUF — набор GGUF-квантизаций языковой модели Llama-3.1-8B-Open-SFT, разработанной prithivMLmods и дообученной на датасете O1-OPEN/OpenO1-SFT. Квантизации созданы bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, ответов на вопросы, решения математических задач и сценариев, связанных с Chain-of-Thought. Указана поддержка английского языка. Модель содержит 8 млрд параметров и работает в текстовой модальности. Доступны варианты от F16 до низкобитных Q2 и IQ-квантизаций размером примерно от 3,66 до 16,07 ГБ, что позволяет выбирать баланс между качеством, требованиями к памяти и скоростью инференса. Для локального запуска рекомендуется использовать LM Studio; также заявлена совместимость с text-generation-inference и Ollama. Формат промптов основан на шаблоне Llama 3.1. Размер контекста в README не указан. Сильными сторонами являются широкий выбор квантизаций, возможность локального запуска и специализация на вопросно-ответных и математических задачах. Более компактные варианты экономят память, но обеспечивают более низкое качество; наиболее качественными названы F16, Q8_0 и варианты Q5–Q6. Модель распространяется по лицензии creativeml-openrail-m.

Meta-Llama-3-11.5B-Instruct — созданная mpasila экспериментальная инструкционная языковая модель, полученная слиянием слоёв Undi95/Meta-Llama-3-8B-Instruct-hf методом passthrough с помощью mergekit. Модель предназначена для диалогов и генерации текста в ответ на инструкции; архитектура — плотная Llama с причинным языковым моделированием, объём — около 11 млрд параметров, контекст — 8192 токена. Карточка указывает английский язык и формат safetensors. Модель может подойти для чат-ботов, ответов на вопросы, написания и продолжения текстов, а также генерации кода. Доступна по лицензии llama3. Карточка описывает способ слияния, но не приводит сравнительных оценок качества; как экспериментальная Frankenmerge, она может отвечать менее стабильно, чем исходная модель.

MiniCPM4-MCP — диалоговая языковая модель команды MiniCPM, основанная на MiniCPM4-8B и предназначенная для выполнения запросов с помощью MCP-инструментов. Она принимает запрос пользователя и доступные инструменты, выбирает подходящие вызовы и использует их для выполнения задачи. Модель относится к плотной архитектуре MiniCPMForCausalLM, содержит 7,9 млрд параметров и поддерживает контекст до 32 768 токенов. Модель входит в семейство MiniCPM4, разработанное для эффективной работы на устройствах с ограниченными ресурсами. Карточка указывает поддержку китайского и английского языков, интерфейс чата и вызова инструментов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Заявленные свойства семейства не гарантируют аналогичную скорость для каждой конфигурации оборудования.

robro612/ModernBERT-XTR — модель PyLate для поиска и ранжирования текстов на основе архитектуры ColBERT с трансформером ModernBERT. Она обучена методом дистилляции на lightonai/ms-marco-en-bge-gemma и дополнительно контрастивно обучена на bclavie/msmarco-10m-triplets; в метаданных указано 149 млн параметров. Модель преобразует запросы и документы в последовательности плотных 128-мерных векторов и сопоставляет их оператором MaxSim. Подходит для семантического поиска по коллекции документов и для переранжирования результатов первичного поиска. README указывает ограничения длины в 32 токена для запроса и 512 токенов для документа; метаданные указывают контекст до 8192 токенов. Для запуска и построения индекса предназначена библиотека PyLate, а для эффективного поиска README описывает индекс FastPLAID. Модель рассчитана на английский язык. В карточке приведены оценки на наборах Nano BEIR и задачах PyLate Information Retrieval. Лицензия в предоставленных данных не указана.

cross-encoder/ms-marco-electra-base — англоязычный кросс-энкодер на базе ELECTRA, разработанный для ранжирования фрагментов MS MARCO. Модель совместно обрабатывает запрос и каждый кандидатный текст и оценивает их релевантность; её используют после первичного поиска, чтобы пересортировать найденные документы. Архитектура — ElectraForSequenceClassification, размер — 136,7 млн параметров, библиотека — Sentence Transformers. Контекст ограничен 512 токенами; доступны форматы PyTorch, Safetensors, ONNX и OpenVINO. Модель подходит для повышения качества поиска по коллекциям документов, например в схеме retrieve-and-rerank с ElasticSearch. Она дообучена на задаче ранжирования фрагментов MS MARCO и распространяется по лицензии Apache-2.0. Модель рассчитана на английский язык; совместная обработка каждой пары «запрос — фрагмент» требует отдельного вычисления для каждого кандидата.

multi-modal-embed-small — компактная мультимодальная модель семейства MoM (Mixture of Models) для создания векторных представлений текста, изображений и аудио в общем семантическом пространстве. Разработчик в предоставленных данных не назван. Модель объединяет текстовый энкодер MiniLM-L6-v2, визуальный энкодер SigLIP-base-patch16-512, аудиоэнкодер на базе Whisper-tiny и двухслойный трансформер для межмодального объединения; размер — около 120 млн параметров. Полные эмбеддинги имеют размерность 384, а Matryoshka Representation Learning позволяет сокращать её до 32, 64, 128 или 256 измерений; изображение обрабатывается при разрешении 512×512, аудио — длительностью до 30 секунд и частотой 16 кГц. Модель предназначена для поиска и сопоставления текстов, изображений и аудиозаписей, включая межмодальный поиск. В README приведены результаты retrieval на COCO Validation и LibriSpeech, однако они не гарантируют аналогичного качества на других данных. Модель поддерживает английский язык и не предназначена для генерации; обработка изображений и аудио ограничена указанными параметрами. Репозиторий содержит форматы ONNX и SafeTensors, лицензия — Apache-2.0.

Карточка модели BasedBoba2/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.

sentence-transformers/nli-bert-base — модель Sentence Transformers, разработанная командой sentence-transformers и основанная на архитектуре BERT. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости, поиска по смыслу и кластеризации текстов. Модель принимает текст и выдаёт векторные представления; максимальная длина контекста составляет 512 токенов. Доступны варианты весов в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель подходит для семантического поиска, сопоставления предложений и группировки похожих текстов. В README указано, что качество её эмбеддингов низкое и модель устарела; авторы рекомендуют выбрать более новые модели Sentence Transformers. Лицензия — Apache-2.0.

sentence-transformers/nli-bert-base-cls-pooling — модель Sentence Transformers, разработанная командой sentence-transformers. Она построена на BERT и преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель устарела: авторы предупреждают, что она создаёт низкокачественные эмбеддинги, и рекомендуют выбрать более новые модели из каталога SBERT.net. Лицензия — Apache-2.0.

omniASR-CTC-1B-v2 — конвертированная в формат Hugging Face модель распознавания речи на архитектуре Wav2Vec2, созданная автором репозитория на основе контрольной точки OmniLingual fairseq2 omniASR_CTC_1B_v2. Модель содержит 1,3 млрд параметров, использует 48 слоёв энкодера и скрытый размер 1280; она выдаёт CTC-логиты по словарю SentencePiece. Численное соответствие исходной контрольной точке проверено на аудиопримере. Модель предназначена для автоматической транскрипции речи на нескольких языках. Её можно применять для преобразования аудиозаписей в текст и для многоязычного распознавания речи. Карточка не приводит список поддерживаемых языков. Репозиторий содержит веса safetensors для Transformers; сведения о лицензии в доступных данных отсутствуют.

ziywang50/omniASR-LLM-300M — совместимая с Hugging Face копия модели omniASR-LLM-300M от Meta AI, подготовленная для интеграции с vLLM. Согласно карточке, веса совпадают с оригиналом; изменена упаковка: добавлены конфигурация модели и токенизатора, а также таблица языковых идентификаторов. Модель предназначена для автоматического распознавания речи и поддерживает более 1600 языков. Она принимает аудио и преобразует речь в текст. Репозиторий содержит веса в формате safetensors; в README приведён запуск через vLLM. Модель относится к семейству OmniASR-LLM, архитектура — плотная условная генерация. Лицензия Apache 2.0. В README не указаны точный размер именно этой версии и длина контекста. Для обработки аудио в исходной инструкции также упоминается необходимость libsndfile при использовании справочного пайплайна; требования vLLM могут отличаться.

patched-coder-34b — модель для работы с кодом, разработанная codelion на основе CodeLlama-34b-Python и дообученная следовать инструкциям по внесению исправлений. Она предназначена для исправления ошибок, устранения уязвимостей, миграции API и других задач сопровождения кода. Модель принимает инструкции в формате Alpaca; в качестве основы использует архитектуру Code Llama с 33,5 млрд параметров и контекстом до 16 384 токенов. Для дообучения использовались относящиеся к исправлению ошибок коммиты Python из открытого набора bigcode/commitpackft. В README приведены результаты оценки на HumanEval, HumanEval Fix Python и Static Analysis Eval; они указывают на улучшение относительно CodeLlama-34b-Python в задачах исправления кода и уязвимостей, но не гарантируют качество в реальных проектах. Модель прошла ограниченное тестирование, поэтому перед практическим применением её ответы и исправления следует проверять. Лицензия — Llama 2.

Qwable-v1 — открытая по весам модель для агентного программирования, созданная lordx64 на основе Qwen3.6-35B-A3B. Это цепочка дообучений: сначала Qwen обучили на трассировках рассуждений Claude Opus 4.7, затем на примерах агентного использования инструментов Claude Fable-5. Модель имеет архитектуру Qwen MoE с 35 млрд параметров и примерно 3 млрд активных параметров; в репозитории опубликованы веса safetensors в bf16. Она принимает текст и генерирует текст, включая рассуждения и команды инструментам в XML-формате. В первую очередь предназначена для сценариев агентного программирования: чтения и редактирования файлов, анализа кода и запуска команд. Для вызова инструментов нужен системный промпт с описанием формата и доступных инструментов; XML-вызовы требуют обёртки для интеграции с API инструментов vLLM. Модель также подходит для чата и общих вопросов, но узкий набор примерно из 5 тысяч примеров ограничивает надёжность на задачах за пределами агентного программирования. Указана лицензия AGPL-3.0.

Qwen2-VL-7B-Instruct — мультимодальная модель компании Qwen с архитектурой Qwen2-VL и 7,1 млрд параметров. Это версия, дообученная для выполнения инструкций на основе Qwen/Qwen2-VL-7B; она принимает текст и изображения, а также анализирует видео по визуальным кадрам. Модель поддерживает динамическое разрешение изображений и использует M-ROPE для представления текстовых, двумерных визуальных и трёхмерных видеопозиций. Контекст — 32 768 токенов. Модель предназначена для диалога по изображениям и видео, визуального анализа и ответов на вопросы о содержимом, включая разбор документов и графиков. В README отмечена поддержка чтения текста на изображениях на многих языках, включая европейские языки, японский, корейский, арабский и вьетнамский; метаданные также указывают английский язык карточки. Модель не обрабатывает аудио в видео; её ограничения включают устаревание знаний об изображениях после июня 2023 года, неточный подсчёт объектов, слабое пространственное рассуждение и трудности со сложными многошаговыми инструкциями. Лицензия — Apache-2.0.

Это дообученная hungpill модель Qwen3-0.6B-JSON-SFT-GRPO на архитектуре Qwen3 с плотной авторегрессионной языковой моделью Qwen3ForCausalLM. Она предназначена для генерации текста в диалоговом режиме и может применяться для задач, где нужен текстовый ответ в формате JSON. Параметры модели — около 507,9 млн, контекст — до 40 960 токенов. Обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Модель принимает текст и генерирует текст; в метаданных также заявлен интерфейс вызова инструментов. Карточка указывает на дообучение модели NotoriousH2/Qwen3-0.6B-JSON-SFT. Поддержка английского отмечена в метаданных, но подробностей о дополнительных языках и качестве на них карточка не приводит. Лицензия — Apache-2.0.

Это квантованный GGUF-чекпойнт модели Qwen3.5-35B-A3B, подготовленный mtrpires для локального запуска на Raspberry Pi 5 с 16 ГБ памяти. Базовая модель Alibaba — архитектура Mixture of Experts с 35 млрд параметров всего и примерно 3,3 млрд активных на токен. Для инференса используется ik_llama.cpp; смешанная схема IQK сохраняет повышенную точность для слоёв внимания и общих экспертов, сильнее сжимая маршрутизируемые эксперты. Размер файла — около 11,38 ГиБ, заявленный расход памяти — около 12,5 ГБ. Модель предназначена для генерации текста и диалога в локальном помощнике: она может помогать с кодом, обработкой документов и вызовами инструментов. Автор приводит результаты тестирования на Raspberry Pi 5: около 30,85 токена/с при обработке промпта и 4,53 токена/с при генерации. Карточка указывает контексты калибровки, связанные с чатом, кодом и вызовами инструментов, но не перечисляет отдельные поддерживаемые языки сверх меток en и pt. Для практического запуска на Raspberry Pi 5 рекомендуется окно контекста 16 тыс. токенов и активное охлаждение при длительной нагрузке; устройство с 8 ГБ памяти не подходит. Форматы IQ4_KS и IQ2_KS специфичны для ik_llama.cpp, поэтому модель не будет корректно работать в стандартных llama.cpp и Ollama. Репозиторий распространяется по лицензии Apache-2.0.

Dzluck опубликовал GGUF-сборку Qwen3.5 Claude Coder — дообученной модели для автономной работы в Claude Code в роли агента-программиста и системного администратора. Репозиторий содержит варианты на 4 и 9 млрд параметров; карточка указывает базовую модель Qwen/Qwen3.5-9B. Модель рассчитана на контекст до 64 тыс. токенов, диалог и вызов инструментов через совместимый с Anthropic API. Она предназначена для локальных задач с кодом, файлами, диском и сетью: README подчёркивает выполнение действий через инструменты и опору на их фактический вывод. Указана лицензия Apache-2.0. Заявления о качестве и скорости основаны на тестировании автора на компьютерах Apple Silicon через Ollama; приведённые результаты не являются независимой оценкой.

Qwen3-Reranker-4B-AWQ-INT4 — это производная версия модели Qwen3-Reranker-4B, разработанная сообществом drawais на основе исходной модели Qwen. Она предназначена для переранжирования результатов поиска и построения полностью локальных стеков семантического поиска в сочетании с embedding-моделью. Модель может использоваться в задачах retrieval, где требуется уточнить порядок найденных документов или сопоставить запрос с кандидатами. Модель представляет собой 4-битную квантизацию весов в формате INT4 с использованием AWQ и имеет размер на диске около 2,7 ГБ. Указанная максимальная длина контекста составляет 32 768 токенов при использовании vLLM. Поддерживается английский язык; другие языки в карточке не заявлены. Это текстовая модель, доступная через библиотеку Transformers и совместимая с vLLM. Ключевое преимущество версии — существенно уменьшенный размер по сравнению с полной моделью, что упрощает локальное развертывание. Ограничения включают поддержку только английского языка, необходимость достаточного запаса видеопамяти для KV-кэша и потенциальные потери качества, связанные с 4-битной квантизацией. Модель распространяется по лицензии Apache License 2.0; для производной работы указаны исходная модель и требования по атрибуции.

Qwopus3.6-27B-Coder — плотная языковая модель с 27 млрд параметров от Jackrong, дообученная на базе Jackrong/Qwopus3.6-27B-v2 для агентного программирования и работы с инструментами. Она предназначена для генерации и исправления кода на уровне репозитория, анализа ошибок, подготовки патчей, обзора кода и многошаговых задач разработки. Модель обучалась на траекториях работы агентов и поддерживает диалог и структурированные вызовы инструментов; README приводит результат 67% на SWE-bench Verified в режиме без рассуждений для запуска GGUF Q5_K_M. В карточке заявлена поддержка длинного контекста, но для контекстов свыше 32 тысяч токенов может понадобиться масштабирование RoPE/YaRN. Формат весов в метаданных — safetensors. Основные языки в метаданных: английский, китайский, испанский, русский и японский. Модель выпущена как экспериментальная версия сообщества; она специализируется на коде, не проходила полной оценки безопасности и широкого тестирования на общих задачах. Поведение вызова инструментов зависит от формата промпта и схемы инструментов. Лицензия — Apache-2.0.

QwQ-32B — reasoning-модель семейства Qwen от команды Qwen, основанная на Qwen2.5-32B и дообученная с supervised fine-tuning и reinforcement learning. Это плотная причинная языковая модель на 32 млрд параметров для генерации текста и диалогов, рассчитанная на сложные задачи, где полезны рассуждения, в частности решение математических задач и ответы на трудные вопросы. Поддерживает интерфейс вызова инструментов. Архитектура Qwen2 использует RoPE, SwiGLU, RMSNorm и смещение в QKV attention; в модели 64 слоя и grouped-query attention с 40 головами Q и 8 головами KV. README заявляет контекст до 131 072 токенов, тогда как метаданные указывают нативный контекст 40 960 токенов. Для входов длиннее 8 192 токенов README рекомендует включать YaRN; статическое масштабирование в vLLM может снижать качество на коротких текстах. Модель описана как конкурентоспособная с другими reasoning-системами, но конкретные результаты оценки в карточке не приведены. Модель принимает текст и генерирует текст. Карточка указывает английский язык. Для снижения повторов README рекомендует не использовать жадное декодирование и настраивать параметры sampling; при повышении presence penalty возможны смешение языков и небольшое снижение качества. Лицензия — Apache-2.0.

Replete-Coder-V2-Llama-3.1-8b-GGUF — это набор GGUF-квантизаций модели Replete-Coder-V2-Llama-3.1-8b, разработанной Replete-AI и сконвертированной и квантованной bartowski с использованием llama.cpp и метода imatrix. Модель относится к классу text-generation и предназначена прежде всего для генерации и обработки программного кода. В README явно указан английский язык; другие языки не заявлены. Модель основана на архитектуре Llama 3.1 и имеет 8 миллиардов параметров. Доступны варианты от F16 до Q2_K, с размером файлов примерно от 3,18 до 16,07 ГБ. Квантизации позволяют запускать модель локально с различными компромиссами между качеством и требованиями к памяти; для работы рекомендуется llama.cpp, в частности через LM Studio. Наиболее качественными и рекомендуемыми названы варианты Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M и некоторые другие. Более сильное сжатие уменьшает требования к оперативной памяти, но снижает качество. Модель поддерживает текстовый ввод и вывод; сведения о мультимодальности и размере контекстного окна в README отсутствуют. Для корректного взаимодействия следует использовать указанный шаблон промпта с ролями system, user и assistant. Модель распространяется под лицензией Apache-2.0. Описанные ограничения включают зависимость качества от выбранного уровня квантизации и отсутствие данных о бенчмарках, точности, безопасности и применимости за пределами заявленного английского языка.

cstr/sensevoice-small-GGUF — GGUF-квантизированная версия SenseVoiceSmall, разработанной Alibaba и опубликованной под брендом FunAudioLLM. Модель предназначена для автоматического распознавания речи и запуска через backend sensevoice в CrispASR. Помимо транскрипции, она определяет язык речи, эмоцию, аудиособытия и режим текстовой нормализации. Это многозадачная encoder-only ASR-модель с 70-блочным SANM-энкодером, четырьмя головами и CTC-выходом на 25 055 SentencePiece-токенов. Архитектура использует четыре query embedding для языка, аудиособытий, эмоций и нормализации текста. Поддерживается более 50 языков с нативной идентификацией; в карточке явно указаны китайский, кантонский, английский, японский и корейский. Модель неавторегрессионная и, по данным README, значительно быстрее Whisper-Large: около 70 мс на 10 секунд аудио в измерениях upstream. Доступны варианты F16 размером 448 МБ, Q8_0 размером 240 МБ и Q4_K размером 129 МБ; Q4_K рекомендован как вариант по умолчанию. Квантизация сохраняет идентичные транскрипции на проверенных английских и японских примерах, однако возможны изменения на пограничных случаях классификации эмоций. Модель ориентирована на локальный инференс и эффективное распознавание речи, но README не приводит подробных оценок качества по языкам и сценариям. Файлы наследуют FunASR Model License v1.1 для весов; коммерческое использование разрешено с указанием авторства. Код upstream-пакета funasr распространяется по Apache-2.0. При использовании требуется атрибуция Alibaba/FunAudioLLM; репозиторий содержит только конвертацию и квантизацию исходных весов без дообучения или изменения архитектуры.

dangvantuan разработал sentence-camembert-base — модель для получения векторных представлений французских предложений и оценки их семантического сходства. Она дообучена на базе facebook/camembert-base с помощью Siamese BERT-сетей и библиотеки sentence-transformers на данных STSb. Модель содержит 137,8 млн параметров, принимает текст и выдаёт эмбеддинги. Её можно применять для сравнения предложений по смыслу, поиска похожих фраз и построения семантического поиска на французском языке. В тестах на французской части STSb указаны корреляции Пирсона 82,36 и Спирмена 81,64. Модель распространяется по лицензии Apache-2.0. Контекст ограничен 514 токенами; заявленные результаты относятся к оценке на STSb и не гарантируют такое же качество на других данных или задачах.

SmolLM3-3B-Base — базовая языковая модель HuggingFaceTB, обученная предсказывать продолжение текста. Это плотный decoder-only Transformer с GQA и NoPE, содержащий 3,1 млрд параметров; модель опубликована в форматах Safetensors и ONNX. По карточке, предобучение проводилось на 11,2 трлн токенов из веб-текстов, кода, математики и материалов для рассуждений. Это базовая версия семейства; instruct-модель опубликована отдельно. Модель предназначена для генерации и продолжения текста, а также может служить основой для адаптации под прикладные задачи. Она обучалась на английском, французском, испанском, немецком, итальянском и португальском языках; в меньшем объёме также использовались арабский, китайский и русский. Контекст конфигурации — 65 536 токенов; README описывает расширение до 128k токенов с YaRN. Карточка приводит результаты тестирования на задачах рассуждения, математики, кода и многоязычного понимания, но они не гарантируют точность ответов в практическом использовании. Разработчик предупреждает, что текст может содержать фактические ошибки, логические несоответствия и предубеждения из обучающих данных; важную информацию следует проверять. Модель распространяется по лицензии Apache-2.0.