II.8Инженерия данных и аналитика

Trinity-13B — модель серии Trinity от WhiteRabbitNeo, предназначенная для программирования и создания автономных агентов. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, рассчитанная на контекст до 16 384 токенов. Карточка демонстрирует ответы с примерами кода на Python и пояснениями по созданию API-сервера и работе с аутентификацией AWS S3. Модель подходит для генерации и объяснения кода, а также для текстовых сценариев, связанных с программными агентами. Заявлена лицензия Llama 2; условия карточки возлагают ответственность за результаты использования на пользователя и предоставляют модель без гарантий. По приведённым примерам нельзя установить качество на разных языках программирования и устойчивость к ошибкам или небезопасным запросам.

OliviaRossi/UltiMerge-Q5_K_M-GGUF — это квантованная версия модели OliviaRossi/UltiMerge в формате GGUF, подготовленная разработчиком OliviaRossi с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для генерации текста и может применяться в задачах программирования, рассуждений, создания агентных сценариев и локального запуска через llama.cpp или совместимые инструменты, включая vLLM. В карточке указаны поддерживаемые языки English и Chinese, а также код. Модель относится к text-generation и отмечена как MoE; также заявлены связи с семействами и методами Qwen3.5, Qwen3.6, model merge, DARE, STAR и DeltaNet. Используется квантование Q5_K_M, однако точный размер модели, архитектурные параметры и исходные характеристики UltiMerge в README не приведены. Для запуска приведён контекст 2048 токенов. К сильным сторонам относятся компактный GGUF-формат, возможность локального инференса и поддержка сценариев, ориентированных на код и рассуждения. Ограничения — отсутствие подробных результатов оценки, точных сведений о размере, производительности, мультимодальности и дополнительных языках. Лицензия указана как Apache-2.0; подробные условия и характеристики следует уточнять в карточке исходной модели OliviaRossi/UltiMerge.

Карточка модели MyAlbum/ViT-B-16-SigLIP2 на Hugging Face совпадает с карточкой timm/ViT-B-16-SigLIP2, поэтому описание составлено по ней. timm/ViT-B-16-SigLIP2 — визуально-языковая модель семейства SigLIP 2, обученная на наборе WebLI и преобразованная из исходных контрольных точек JAX проекта Big Vision для использования в OpenCLIP. Это контрастивный энкодер изображений и текста, предназначенный для классификации изображений без дополнительного обучения: пользователь задаёт текстовые описания классов, а модель сопоставляет их с изображением. Модель принимает изображения и текстовые описания, оценивает их соответствие и подходит для поиска изображений по тексту и классификации с произвольными текстовыми метками. В карточке указана поддержка многоязычного визуально-языкового обучения SigLIP 2; конкретные языки этой версии не перечислены. Модель распространяется в форматах PyTorch и safetensors и доступна на условиях Apache-2.0. Это конверсия исходных контрольных точек, а не отдельное дообучение. Карточка не сообщает конкретный размер модели, длину контекста или ограничения качества; результаты могут зависеть от формулировок текстовых меток и домена изображений.

ViT-L-14-CLIPA-336-datacomp1B — контрастивная модель изображения и текста на основе CLIPA-v2, предназначенная для классификации изображений по текстовым описаниям без дополнительного обучения. Карточка связывает её с набором данных DataComp-1B и указывает сценарий zero-shot image classification; модель загружается через библиотеку OpenCLIP. Модель принимает изображения и текстовые метки или описания, сопоставляет их в общем пространстве и позволяет выбирать наиболее подходящее текстовое описание для изображения. В названии указаны архитектура ViT-L-14 и разрешение 336 пикселей. Веса доступны в форматах PyTorch и safetensors. Модель подходит для классификации изображений по пользовательским категориям и поиска изображений по текстовым запросам. Карточка не сообщает поддерживаемые естественные языки, размер параметров или длину контекста. Лицензия — Apache-2.0.

timm/ViT-L-16-SigLIP2-512 — модель «зрение–язык» семейства SigLIP 2, обученная на наборе данных WebLI и преобразованная из исходных контрольных точек JAX проекта Big Vision для использования в OpenCLIP. Она сопоставляет изображения и текст и предназначена для классификации изображений по текстовым описаниям без предварительного обучения на заданных классах: пользователь задаёт возможные категории словами, а модель оценивает соответствие изображения каждой из них. Модель использует контрастивное обучение изображений и текста с сигмоидной функцией потерь. Репозиторий содержит веса в форматах PyTorch и safetensors; лицензия — Apache 2.0. Карточка указывает многоязычную направленность семейства SigLIP 2, но не перечисляет конкретные поддерживаемые языки или размеры модели.

Это модель CLIP с архитектурой ViT-L/14, обученная на данных LAION-400M. Репозиторий timm предоставляет веса, совместимые с open_clip и timm, в форматах PyTorch и safetensors; библиотека модели — open_clip. Модель сопоставляет изображения и текстовые описания, поэтому её можно применять для классификации изображений по текстовым меткам без отдельного обучения классификатора. Она подходит для поиска подходящей подписи или категории среди заданных вариантов. В метаданных Hugging Face основная задача указана как zero-shot image classification. Модель распространяется по лицензии MIT. Результаты зависят от формулировок текстовых меток и распределения данных; карточка не описывает специальные ограничения или оценку качества.

jonatasgrosman/wav2vec2-large-xlsr-53-french — модель распознавания французской речи от Jonatas Grosman, дообученная на базе facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной выборках Common Voice 6.1. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель преобразует аудиозаписи французской речи в текст и рассчитана на распознавание речи с частотой дискретизации 16 кГц. В карточке описана прямая расшифровка без языковой модели; также приведены сценарии оценки на тестовой выборке Common Voice 6.0 и наборе speech-recognition-community-v2. Модель распространяется по лицензии Apache-2.0. Точность может зависеть от качества записи и отличий речи от данных Common Voice, на которых модель дообучалась.

facebook/wav2vec2-large-xlsr-53-spanish — модель распознавания испанской речи, опубликованная Facebook. Она основана на архитектуре Wav2Vec2 и имеет около 402,7 млн параметров. Модель принимает аудио и выдаёт текстовую транскрипцию; в карточке указана оценка 17,6% на тестовой части Common Voice для испанского языка. Модель предназначена для автоматической транскрипции испанской речи, например записей и голосовых сообщений. Доступны веса в форматах PyTorch и Flax. Лицензия — Apache 2.0. README сообщает результат оценки, но не уточняет, какой именно метрикой он измерен.

smutuvi/wav2vec2-large-xlsr-sw — модель автоматического распознавания речи, дообученная на facebook/wav2vec2-large-xlsr-53 на датасете Common Voice 11.0. Она построена на архитектуре wav2vec 2.0 с классом Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст. На указанной в карточке оценочной выборке приведены loss 0,4334 и WER 0,3231; описание не уточняет язык записей или условия оценки. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

Kompress-v2-base — англоязычная модель сжатия промптов для прокси LLM, разработанная на базе ModernBERT-base. Она предсказывает для каждого токена метку сохранения или удаления, чтобы сократить входной текст, сохранив его смысл и важные фрагменты. Архитектура включает LoRA-адаптер и две головы: классификатор токенов и свёрточную голову для оценки непрерывных фрагментов. Базовая модель содержит 149 млн параметров, адаптер — 3,4 млн обучаемых параметров; заявлена поддержка контекста до 8192 токенов. Модель предназначена для снижения объёма текста, передаваемого LLM, в том числе в диалогах, коде, трассах агентов и материалах из разных предметных областей. На тестовой выборке при пороге 0,5 указаны F1 0,918, сохранение 81,5% токенов и полнота сохранения критически важных фрагментов 0,974. Порог можно настраивать для компромисса между степенью сжатия и сохранением важных сведений. Выпущена по лицензии Apache-2.0.

Whisper medium.en — англоязычная модель распознавания речи от OpenAI, представленная в исследовании по устойчивому распознаванию речи на основе масштабного слабого обучения. Это Transformer-энкодер-декодер с архитектурой sequence-to-sequence и 455,8 млн параметров. Модель обучена на 680 тысячах часов размеченной речи и принимает аудио, выдавая текстовую расшифровку на английском языке. Модель подходит для транскрибирования английской речи, в том числе записей с акцентами, фоновым шумом и технической лексикой. Базовая обработка рассчитана на аудиофрагменты до 30 секунд; с чанкингом в Transformers можно обрабатывать записи произвольной длительности и получать временные метки. Чекпойнт использует только английский язык и не предназначен для многоязычного распознавания или перевода речи. Модель демонстрирует хорошую устойчивость, но может добавлять слова, которых нет в аудио, повторять текст и ошибаться; качество зависит от акцента и условий записи. Распространяется по лицензии Apache-2.0.

Whisper Telugu Large-v2 — модель распознавания речи, созданная дообучением openai/whisper-large-v2 на телугуязычных данных. Она разработана в рамках Whisper fine-tuning sprint с использованием нескольких общедоступных корпусов распознавания речи. Модель принимает аудио и генерирует текстовую транскрипцию на телугу. Архитектура — WhisperForConditionalGeneration, число параметров — около 905,2 млн. Доступны веса PyTorch и Flax; в карточке также упоминается использование whisper_jax для оценки модели. Для обучения использовались корпуса CSTD IIIT-H, ULCA, Shrutilipi, Microsoft Speech Corpus (Indian Languages), Google/Fleurs и Babel. Оценка проводилась на тестовых данных Microsoft Speech Corpus, Google/Fleurs, OpenSLR и Babel. Модель предназначена для автоматической транскрипции речи на телугу. Карточка не приводит метрик качества или сведений о поддержке других языков. Лицензия — Apache-2.0.

XORTRON — мультимодальная диалоговая модель семейства Qwen3.5, опубликованная darkc0de. По метаданным, это результат слияния coder3101/Qwen3.5-27B-heretic и двух моделей XORTRON; она поддерживает анализ изображений, диалог и интерфейс вызова инструментов. Автор позиционирует её как uncensored-модель с сильными возможностями программирования и агентной работы, рассчитанную на быстрые ответы при локальном запуске. Модель принимает текст и изображения и выдаёт текст. Репозиторий использует Transformers и формат Safetensors. Лицензия — WTFPL. В карточке заявлены общие возможности, но подробных оценок качества, требований к оборудованию и результатов тестирования нет.

Модель anton-l/xtreme_s_xlsr_300m_fleurs_asr — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Она использует архитектуру Wav2Vec2ForCTC и содержит около 409,5 млн параметров. Модель принимает аудио и выдаёт распознанный текст; репозиторий содержит веса PyTorch. В README приведены метрики оценки: CER 0,3330 и WER 0,8344. Датасет и языки обучения не определены в доступной карточке, поэтому применимость к конкретным языкам и условиям записи по этим данным оценить нельзя. Лицензия — Apache-2.0.

all-MiniLM-L12-v2-code-search-512 — это компактная модель Sentence Transformers, дообученная на парах кода и документации из CodeSearchNet для семантического поиска по коду. Она сопоставляет текстовые запросы на естественном языке с исходным кодом и возвращает 384-мерные нормализованные эмбеддинги для поиска по косинусному сходству. Модель основана на архитектуре BERT семейства MiniLM, содержит 40 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для поиска фрагментов кода по запросу, сопоставления кода с документацией, поиска похожего кода и кластеризации, в том числе при интеграции в инструменты разработчика и IDE. В README приведены результаты на валидационной выборке CodeSearchNet: Accuracy@1 91% и MRR@10 0,9338. Поддерживаются запросы на естественном языке и код на Python, Java, JavaScript, PHP, Ruby и Go; возможны и другие языки из CodeSearchNet. Модель не предназначена для генерации или автодополнения кода. Входы длиннее 512 токенов обрезаются, а качество может различаться между языками программирования и предметными областями. Лицензия — Apache-2.0.

Athena-R3-1.5B — причинная языковая модель на 1,5 млрд параметров, разработанная Aayan Mishra и дообученная на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B для усиления навыков рассуждения. Она предназначена для решения сложных задач, логического анализа, ответов на вопросы по математике и науке, а также для генерации, дополнения и суммаризации текста. Модель использует архитектуру Qwen2 с RoPE, SwiGLU, RMSNorm и Grouped Query Attention; в ней 24 слоя, 16 голов для запросов и 2 для ключей и значений. Контекст — до 131 072 токенов. Карточка указывает поддержку многих языков, включая английский, китайский, русский, французский, испанский, немецкий, японский и другие; лучше всего модель работает на английском. Доступны веса в формате safetensors, библиотека Transformers, лицензия MIT. Модель может ошибаться и наследует смещения обучающих данных; её знания ограничены августом 2024 года. Она не предназначена для критически важных систем реального времени или обработки чувствительных персональных данных.

Azerbaijani Whisper Small — модель распознавания речи на азербайджанском языке, созданная дообучением openai/whisper-small. Она использует архитектуру Whisper с 153,1 млн параметров и предназначена для преобразования азербайджанской речи в текст; в README приведены результаты оценки на тестовой части FLEURS Azerbaijani. Для работы требуется аудио с частотой 16 кГц и одним каналом: аудио с другой частотой дискретизации нужно предварительно пересэмплировать. Модель доступна в формате safetensors и рассчитана на использование через Transformers. Лицензия — Apache-2.0. README заявляет качество выше whisper-large-v3 при меньшем размере, однако приведённая таблица результатов неполная, поэтому это сравнение нельзя независимо проверить по карточке.

deepset/bert-base-cased-squad2 — англоязычная модель компании deepset для извлекающего ответа на вопросы. Это дообученная для задачи question-answering версия BERT base cased, обученная на SQuAD 2.0; архитектура — BertForQuestionAnswering, размер — 135,5 млн параметров, максимальный контекст — 512 токенов. Модель принимает вопрос и текстовый фрагмент и извлекает из него ответ, а также подходит для сценариев с документами, например для конвейеров Haystack. Обучение и оценка проводились на SQuAD 2.0, поэтому модель ориентирована на англоязычные вопросы и контексты. Лицензия — CC BY 4.0.

sentence-transformers/bert-base-nli-stsb-mean-tokens — модель Sentence-Transformers на базе BERT, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов; для построения эмбеддингов используется pooling контекстных представлений BERT. Модель доступна в форматах PyTorch, TensorFlow, JAX, ONNX и OpenVINO и распространяется по лицензии Apache-2.0. Авторы пометили её как устаревшую и предупреждают о низком качестве эмбеддингов, поэтому для новых систем семантического поиска и сравнения предложений рекомендуются более современные модели.

hon9kon9ize/bert-large-cantonese-sts — модель Sentence Transformers на основе BERT, разработанная hon9kon9ize и дообученная на наборах yue-stsb, STS-B и C-MTEB/STSB. Она преобразует предложения и абзацы в плотные векторы размерности 1024; косинусное сходство между ними служит оценкой семантической близости. Модель подходит для поиска похожих текстов, сравнения предложений, поиска перефразировок, кластеризации и классификации текста. Модель использует архитектуру BERT с усреднением токенных представлений и поддерживает последовательности длиной до 512 токенов. Она ориентирована прежде всего на кантонский язык; среди примеров обучающих данных есть также английский. Для работы с моделью указана библиотека sentence-transformers. В README приведены результаты оценки сходства на STS-B: коэффициент Спирмена составляет 0,7996 на dev и 0,7605 на test. Лицензия в предоставленных сведениях не указана. Качество зависит от языка и предметной области: обучение и примеры сосредоточены на задачах сходства предложений, поэтому результаты для иных задач и языков требуют отдельной проверки.

Augmented SBERT STSb — модель cross-encoder на основе BERT, представленная как демонстрационный пример в курсе NLP for Semantic Search. Она предназначена для оценки семантического сходства пары предложений и примеров поиска по смыслу; в README модель используется в главе о расширении внутридоменного набора данных с помощью BERT. Модель содержит 136,7 млн параметров, принимает текстовые пары, обрабатывает последовательности длиной до 512 токенов и выдаёт оценку сходства. Для работы используются PyTorch и архитектура BertForSequenceClassification. Модель пригодна для ранжирования кандидатов по сходству с запросом и поиска похожих предложений, но предназначена прежде всего для демонстрации и не является универсальной чат-моделью. В карточке не приведены сведения о лицензии и поддерживаемых естественных языках.

CamemBERTa-L2 — компактная обрезанная версия предварительно обученной модели CamemBERTa, из которой удалены верхние слои энкодера. Модель разработана автором репозитория antoinelouis и содержит 43,5 млн параметров; её архитектура относится к DeBERTa-v2, длина контекста — 512 токенов. Модель предназначена для получения признаковых представлений текста и последующего дообучения под задачи, где решение зависит от всего предложения: классификацию текста, извлечение ответов на вопросы и семантический поиск. Также её можно применять для masked language modeling. Для генерации текста README рекомендует авторегрессионные модели. Модель ориентирована на французский язык. Удаление верхних слоёв уменьшает размер по сравнению с базовой CamemBERTa, но README не приводит отдельной оценки качества или скорости именно этой версии. Лицензия MIT.

Cerebrum-1.0-7b — языковая модель для генерации текста и решения задач, требующих рассуждений. Её разработала AetherResearch на основе Mistral-7B-v0.1: модель дообучили на небольшом наборе примеров с цепочками рассуждений и дополнительно настроили с помощью целевого RLHF. Она содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов, математических задач, ответов на вопросы, мозгового штурма и творческих запросов. В карточке приводятся результаты сравнений на ARC Challenge и GSM8k, однако условия оценки различались для моделей, поэтому эти результаты не гарантируют превосходства в других сценариях. README рекомендует шаблон диалога в стиле Alpaca с просьбой описать ход рассуждений. Лицензия Apache-2.0.

CodeGemma 2B — компактная языковая модель для генерации и обработки исходного кода, представленная Google и распространяемая в GGUF-квантизации пользователем bartowski. Данная версия предназначена для локального запуска через llama.cpp и поставляется в нескольких вариантах квантизации с разным соотношением качества, размера файла и требований к памяти. Модель ориентирована на задачи программирования и генерации текста; исходная модель codegemma-2b доступна на Hugging Face. В README не указаны точная архитектура, длина контекста, поддерживаемые языки программирования или естественные языки, а также мультимодальные возможности. Формат GGUF и отсутствие специального формата промпта упрощают использование в совместимых локальных инструментах. Размер файлов варьируется примерно от 0,77 до 2,66 ГБ; наиболее качественными и рекомендуемыми названы варианты Q6_K, Q5_K_M, Q5_K_S и Q4_K_M. Сильная сторона модели — возможность локального запуска на устройствах с ограниченными ресурсами благодаря широкому выбору квантизаций; при этом низкие уровни квантизации заметно уступают по качеству и некоторые из них не рекомендуются. Квантизация выполнена с использованием llama.cpp и imatrix. Для доступа к исходной модели на Hugging Face требуется принять лицензию Google Gemma; применимая лицензия — Gemma.

yjoonjang/colbert-ko-en-v2 — двуязычный поисковый энкодер на основе ColBERT, разработанный для поиска документов на корейском и английском языках. Модель дообучена на skt/A.X-Encoder-base, использует архитектуру ModernBERT и содержит 148,7 млн параметров. Она формирует 128-мерный вектор для каждого токена, а затем сопоставляет запрос и документ методом MaxSim, сохраняя детальные сигналы совпадения между терминами вместо сведения всего текста к одному вектору. Модель предназначена для поиска по коллекциям документов, отбора top-k результатов и переранжирования кандидатов. Она не требует инструкционных префиксов; запрос может расширяться до 64 токенов, длина документа — до 8192 токенов по README, а нативный контекст в метаданных указан как 16384 токена. В тестах MTEB(kor, v2) README сообщает среднее значение nDCG@10 0,8063 по девяти задачам поиска. Модель принимает текст запросов и документов и выдаёт токенные векторы и оценки релевантности. Репозиторий распространяется в формате safetensors через библиотеку PyLate по лицензии Apache-2.0. Как и другие модели поиска, качество зависит от соответствия корпуса и запросов языкам и типам данных, на которых модель оценивалась.

CRIA v1.3 — языковая модель на базе Llama 2, созданная автором davzoku для чат-платформы и быстрого прототипирования приложений с открытыми LLM. Модель дообучена методом QLoRA на наборе mlabonne/CodeLlama-2-20k, а затем объединена с базовой моделью. В репозитории представлены веса PyTorch и Safetensors; указанный размер — 6,6 млрд параметров, контекст — до 4096 токенов. Модель предназначена для диалоговой генерации текста и задач, связанных с кодом, в составе чат-приложений. README указывает на дообучение Llama 2 Chat, но карточка не приводит результаты оценки качества или подробные сведения о поддерживаемых языках; метаданные отмечают английский. Лицензия — Llama 2 Community License.

huihui-ai выпустил версию DeepSeek-R1-0528-Qwen3-8B, изменённую методом abliteration для ослабления отказов языковой модели. Это экспериментальная proof-of-concept модификация базовой модели deepseek-ai/DeepSeek-R1-0528-Qwen3-8B, предназначенная для диалоговой генерации текста; README описывает запуск через Ollama и использование библиотеки Transformers. Базовая модель рассчитана на диалоги, математику, программирование и логические задачи. Модель доступна в формате safetensors и распространяется по лицензии MIT. Abliteration не гарантирует полного удаления отказов, а переключение режима рассуждений через /no_think может срабатывать непоследовательно.

DenseOn — плотная модель поиска LightOn на базе ModernBERT с 149 млн параметров. Она независимо кодирует запросы и документы в векторы размерности 768 и предназначена для поиска по смыслу и ранжирования документов по близости к запросу. Для запросов используется префикс `query:`, для документов — `document:`; применяется CLS-пулинг и косинусное сходство. Модель рассчитана на англоязычный поиск. В README указана максимальная длина последовательности 512 токенов, тогда как метаданные Hugging Face сообщают о контексте в 8192 токена. В бенчмарке BEIR авторы приводят средний результат 56,75 nDCG@10 на 15 наборах данных и 57,71 на очищенном наборе из 12 датасетов. Модель распространяется по лицензии Apache 2.0.

Erawan 1 — компактная языковая модель Airavat AI Micro Lab с 1,7 млрд параметров, дообученная на базе Qwen3-1.7B. Это декодерный трансформер Qwen3; модель обучали методом QLoRA, после чего адаптер объединили с весами в контрольную точку fp16. Метаданные указывают контекст до 40 960 токенов. Модель предназначена для генерации текста в диалогах, пошаговых рассуждений и агентных сценариев с вызовом инструментов. В карточке приведены небольшие тесты: на GSM8K результат составил 3 из 10 примеров, на HumanEval — 4 из 6, а на тесте вызова функций — 6 из 6; выборки слишком малы для надёжной оценки качества. В качестве обучающих данных использовались наборы для математических рассуждений, вызова функций и диалогов. Указан английский язык. Лицензия — Apache 2.0.

ettin-reranker-68m-v1 — англоязычный кросс-энкодер семейства Ettin, разработанный авторами проекта Ettin и дообученный на jhu-clsp/ettin-encoder-68m с использованием sentence-transformers и набора cross-encoder/ettin-reranker-v1-data. Модель оценивает пару текстов одним числовым баллом, чтобы ранжировать кандидатов по релевантности запросу; её применяют в семантическом поиске и как второй этап двухэтапного поиска после первичного отбора документов. Модель основана на архитектуре ModernBERT, содержит 68,1 млн параметров и обрабатывает последовательности длиной до 7 999 токенов. Она принимает и выдаёт текстовые данные, поддерживает английский язык. Доступны веса в форматах safetensors, ONNX и OpenVINO; для работы указана библиотека sentence-transformers. В README приведены положительные результаты на ряде задач reranking, а также высокая скорость на GPU, однако качество зависит от области и набора кандидатов: на некоторых тестах reranking ухудшал метрики. Лицензия — Apache-2.0.