II.8Инженерия данных и аналитика

FuseChat-Llama-3.2-1B-Instruct — компактная чат-модель семейства Llama, выпущенная FuseAI в рамках проекта FuseChat-3.0. Она создана на базе Llama-3.2-1B-Instruct с применением двух этапов обучения: supervised fine-tuning и Direct Preference Optimization на ответах и предпочтениях, полученных от более крупных языковых моделей. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 1,2 млрд параметров; заявленная длина контекста составляет 131 072 токена. Модель предназначена для диалога и выполнения инструкций, включая общие вопросы, математические задачи, программирование и запросы на китайском языке. Подходит для компактных сценариев развёртывания, где важны чат-возможности при меньшем размере модели. В README сообщаются улучшения на бенчмарках FuseChat-3.0, однако приведённые численные результаты относятся к варианту с Llama-3.1-8B и не должны переноситься на эту модель. Модель принимает текст и генерирует текст. В метаданных указана лицензия? Условия лицензии не приведены, поэтому перед использованием следует проверить их на странице репозитория Hugging Face.

deepset/gelectra-large-germanquad — немецкоязычная модель ответов на вопросы от deepset, построенная на GELECTRA Large и дообученная для извлечения ответов из текста. Она предназначена для поиска ответа на вопрос в предоставленном документе или наборе документов, в том числе в конвейерах Haystack и Transformers. Модель обучали на 11 518 парах вопрос–ответ из GermanQuAD; перед дообучением использовали немецкий перевод SQuAD 1.1. Архитектура — ElectraForQuestionAnswering, размер — 434,5 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст на немецком языке и выдаёт извлечённый из него фрагмент ответа. Лицензия модели — MIT. Она рассчитана на экстрактивный QA: ответ должен присутствовать в контексте, поэтому модель не предназначена для свободной генерации ответов или надёжного ответа без предоставленного текста. Оценка в карточке приведена на тестовой выборке GermanQuAD.

GujaratiSBERT — модель L3Cube-Pune для получения векторных представлений предложений на гуджарати. Она основана на GujaratiBERT и дообучена на наборе данных NLI; архитектура — BERT с плотными эмбеддингами, размер модели составляет 264,8 млн параметров. Модель предназначена для поиска похожих предложений и других сценариев сравнения текстов; в README приведён пример кодирования предложений в эмбеддинги с помощью sentence-transformers или Transformers и mean pooling. Модель принимает текст на гуджарати и выдаёт векторные представления. Максимальная длина контекста — 512 токенов. Лицензия — CC BY 4.0. README отмечает, что существует более качественная версия для сходства предложений, дообученная на основе этой модели.

IndicConformer-600M-Multi — многоязычная модель распознавания речи от AI4Bharat. Она преобразует аудио в текст на 22 официальных языках Индии и предназначена для транскрибирования устной речи. Модель основана на архитектуре Conformer и сочетает методы CTC и RNNT; размер составляет 600 млн параметров. Доступны оба способа декодирования: CTC и RNNT. Репозиторий содержит модель в формате ONNX, а лицензия — MIT.

Jazari-4B-SFT-TR — модель на 4 млрд параметров семейства Qwen3.5, разработанная автором репозитория mahsum и адаптированная для турецкого языка. Она прошла продолженное предобучение на турецких текстах и дообучение с учителем на 73 182 примерах из 13 категорий. Модель предназначена для диалогов, классификации, анализа системных журналов и формирования структурированных ответов; автор сообщает о применении в мониторинге Linux и поддержке интерфейса вызова инструментов. В тестах автора модель показала хорошую связность на турецком и стабильное создание JSON для задач классификации при структурированном запросе и temperature=0. Скорость и потребление памяти в карточке указаны как результаты конкретных конфигураций и не гарантируют такие же показатели в других средах. Известные ограничения включают чрезмерную уверенность, слабую точность на специализированных категориях без дополнительного обучения, ненадёжный перевод с турецкого на английский и более низкий результат по математике, чем у базовой модели. Лицензия — Apache-2.0.

jina-reranker-v3.5-GGUF — это квантизированная GGUF-версия мультиязычной listwise-модели переранжирования jina-reranker-v3.5, разработанной Jina AI. Модель предназначена для оценки релевантности документов относительно поискового запроса и улучшения результатов информационного поиска, включая доменно-ориентированные сценарии. Она может использоваться локально через llama.cpp и Python-обёртку GGUFReranker. Модель работает с текстом и поддерживает мультиязычные входные данные. В основе используется архитектура с гибридным вниманием и само-дистилляцией; исходная реализация требует некаузального режима encoder и отдельного MLP-проектора. Доступны варианты квантизации от BF16 до низкобитных IQ- и Q-форматов размером примерно от 1,2 ГБ до 199 МБ. Для работы также необходимы projector.safetensors, tokenizer.json, совместимая сборка llama-embedding и зависимости Python; официальная версия llama.cpp на момент описания не поддерживает все требуемые функции. К сильным сторонам относятся мультиязычность, возможность listwise-переранжирования и широкий выбор вариантов квантизации для различного баланса качества и потребления памяти. Ограничениями являются необходимость специальной сборки llama.cpp, отдельных файлов проектора и токенизатора, а также потенциальная потеря качества в низкобитных вариантах. Модель и её GGUF-реализация распространяются по лицензии CC BY-NC 4.0, допускающей использование с некоммерческими ограничениями; по вопросам коммерческого применения рекомендуется обращаться к Jina AI.

jina-reranker-v3-GGUF — это версия модели jina-reranker-v3 от Jina AI, преобразованная в формат GGUF для эффективного запуска с использованием llama.cpp. Модель предназначена для многоязычного переранжирования документов: она оценивает релевантность документов поисковому запросу и возвращает их в порядке соответствия. Поддерживаются пользовательские инструкции ранжирования, выбор top_n результатов и опциональный возврат эмбеддингов. Модель содержит около 0,6 млрд параметров и распространяется как GGUF-веса BF16 размером примерно 1,1 ГБ, дополнительно требуя MLP-проектор размером около 3 МБ. Для работы предусмотрены Python-реализация GGUFReranker и бинарные файлы llama.cpp; рекомендуется форк llama.cpp от Hanxiao. Модель рассчитана на мультиязычные текстовые сценарии, однако конкретный перечень языков и максимальная длина контекста в README не указаны. К сильным сторонам относятся компактный размер, возможность локального инференса через llama.cpp и применение в поиске, вопросно-ответных системах и других задачах, где требуется уточнить порядок уже найденных документов. Ограничения включают необходимость ручной настройки окружения и наличие отдельных компонентов, а также отсутствие в README подробных бенчмарков и сведений о производительности. Модель распространяется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование; по вопросам коммерческого применения рекомендуется обращаться к Jina AI.

KaLM-Reranker-V1-Small — модель-реранкер семейства KaLM-Reranker-V1, разработанная командой KaLM-Embedding. Она предназначена для повторного ранжирования найденных документов по релевантности запросу, в том числе в конвейерах поиска и RAG. Модель построена на encoder-decoder архитектуре T5Gemma2 и дообучена на базе google/t5gemma-2-1b-1b; в карточке указано около 1 млрд активируемых параметров. Энкодер позволяет заранее кодировать документы, а декодер учитывает инструкции и намерение запроса; перекрёстное внимание связывает запрос с представлением документа. Поддерживается Matryoshka pooling с диапазоном 1x–32x. README указывает длину последовательности 128 тыс. токенов для этой версии, тогда как пример использования ограничивает длину документов 1024 токенами и запросов 512 токенами. Модель рассчитана на оценку пар «запрос—документ» и сортировку документов по релевантности. Авторы сообщают о конкурентных результатах на BEIR, MIRACL и LMEB; также отмечают, что модель не обучалась на больших объёмах многоязычных данных. Метаданные классифицируют её как мультиязычную, но конкретные языки не перечислены. Для инференса описана интеграция с Sentence Transformers и поддержка vLLM. Лицензия — Apache-2.0.

Это экспериментальная квантизация GGUF модели huihui-ai/Huihui-Kimi-Linear-48B-A3B-Instruct-abliterated, подготовленная ENOSYS. Она предназначена для генерации текста в диалоге, включая ответы на запросы, связанные с кодом, математикой и инструментами. В README указаны калибровочные данные для английского и русского текста, кода, математики и инструментов, а также экспериментальная глобальная квантизация с целевым диапазоном 3,0–3,5 бит на вес. Тензоры записаны в F16 для совместимости с архитектурой Nvidia Pascal, включая P100; для квантования использовалась нестандартная ветка LLaMA C++, а репозиторий содержит небольшие патчи. Модель основана на Kimi Linear 48B A3B Instruct и предназначена для локального запуска в формате GGUF; карточка описывает её как разговорную мультиязычную модель. Квантизация уменьшает размер весов, но приводит к потерям качества: в README приведены сравнительные метрики perplexity и KL divergence для нескольких вариантов битности. Лицензия — MIT.

x2bee/KoModernBERT_SBERT_compare_mlmlv5 — модель Sentence Transformers, дообученная разработчиком x2bee на базе x2bee/KoModernBERT-base-mlm_v02 на корейском NLI-датасете. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для оценки семантического сходства, поиска по смыслу, поиска перефразировок, кластеризации и классификации текста. Сходство между векторами оценивается косинусной мерой. Архитектура основана на ModernBERT, число параметров — 185,7 млн; метаданные указывают контекст до 8192 токенов, тогда как README задаёт максимальную длину последовательности 512 токенов. Модель рассчитана прежде всего на корейский язык. В README приведены результаты оценки сходства на sts_dev: коэффициент корреляции Спирмена для косинусного сходства — 0,6328. Модель принимает текст и выдаёт векторы; качество для языков помимо корейского не подтверждено приведёнными данными. Лицензия в предоставленных сведениях не указана.

Kotoba-Whisper-v2.1 — японская модель автоматического распознавания речи, разработанная Kotoba Technologies совместно с Асахи Усио. Она основана на kotoba-tech/kotoba-whisper-v2.0 и использует архитектуру Whisper с 905,2 млн параметров. Встроенный конвейер дополнительно расставляет пунктуацию в распознанном тексте. Модель предназначена для транскрибации японской речи. В README приведены оценки CER на японских тестовых наборах CommonVoice 8, JSUT Basic 5000 и ReazonSpeech; для нормализованного CER результаты совпадают с версией v2.0, поскольку добавленная пунктуация при нормализации удаляется. Модель доступна через Transformers версии 4.39 и новее. Лицензия — Apache-2.0.

KURE-v2 — двуязычная корейско-английская модель поиска документов, разработанная nlpai-lab на основе skt/A.X-Encoder-base. Она предназначена для извлечения релевантных документов по запросу и повторного ранжирования кандидатов в поисковых системах и RAG-сценариях. Модель использует архитектуру ModernBERT и позднее взаимодействие: представляет каждый токен 128-мерным вектором, а релевантность пары «запрос — документ» оценивает через MaxSim. Размер по метаданным — 148,7 млн параметров; контекст — до 16 384 токенов. В карточке сообщается, что модель обучалась в два этапа и показала средний nDCG@10 0,8160 на девяти корейских задачах MTEB Retrieval. Для запросов и документов не нужны инструкции-префиксы. Модель подходит для корейского и английского поиска, включая длинные документы. Позднее взаимодействие хранит несколько векторов на документ, поэтому размер индекса и стоимость поиска зависят от выбранного способа индексации и сжатия; для больших коллекций README рекомендует индекс, формирующий кандидатов, например PLAID или BinaryIVF. Лицензия — Apache-2.0.

LFM2.5-2.6B-Fable5-Coding-Agent-heretic — компактная языковая модель для генерации текста и работы в роли coding agent. Она создана автором RACER IS OP как decensored-вариант модели AyoubChLin/lfm2.5-2.6b-fable5-coding-agent, которая, в свою очередь, является полноразмерной SFT-модификацией LiquidAI/LFM2.5-2.6B на датасете saidutta69/fable-5-premium. Модель предназначена для генерации кода, многошагового диалога, следования инструкциям и формирования tool calls. Модель содержит около 2,6 млрд параметров и использует гибридную архитектуру LFM2 с комбинацией свёрточных и attention-компонентов. Указана поддержка английского языка и текстовой модальности. Доступны веса в форматах GGUF, включая F16 и варианты квантования от Q2_K до Q8_0; модель рассчитана на локальный запуск через llama.cpp, Ollama, LM Studio или Transformers. Заявленная особенность — подавление отказов с помощью направленной абляции весов в attention output и MLP down-projections без дополнительного fine-tuning. По данным README, доля отказов в тесте снижена с 96 до 7 из 100 при KL-дивергенции 0,014. Сильными сторонами являются небольшой размер, быстрый локальный inference, поддержка генерации кода, tool-use и многоходового поведения ассистента. При этом это не улучшение базовых возможностей, а та же модель с удалёнными защитными ограничениями. В README прямо предупреждается, что дополнительной фильтрации безопасности нет и модель может выполнять опасные или нежелательные запросы, поэтому ответственность за применение и развёртывание лежит на пользователе. Лицензия обозначена как other; приведена ссылка на лицензию базовой модели LiquidAI/LFM2.5-2.6B.

LFM2.5-ColBERT-350M-int4 — 4-битная квантованная версия многоязычной двунаправленной модели ColBERT от Liquid AI, подготовленная в формате MLX для Apple Silicon. Модель формирует 128-мерные векторы для каждого токена, а документы и запросы сопоставляет методом позднего взаимодействия MaxSim; для кодирования нужны маркеры [Q] и [D]. В метаданных указано 443,4 млн параметров и контекст до 128 000 токенов. Модель предназначена для многоязычного поиска документов и ранжирования результатов. README приводит замеры на ограниченной выборке англоязычного NanoBEIR: квантованная версия сохранила в среднем 99,4% NDCG@10 относительно fp16 на использованных наборах. Для корректного получения векторов нужен специализированный загрузчик из репозитория: обычные причинные загрузчики LFM2 дают неверные эмбеддинги. Репозиторий создан на основе LiquidAI/LFM2.5-ColBERT-350M и лицензирован как other; конкретные условия следует сверять с карточкой базовой модели и файлами лицензии.

sahilchachra/LFM2.5-ColBERT-350M-mxfp4 — версия модели LiquidAI LFM2.5-ColBERT-350M, квантованная автором репозитория в формат MLX mxfp4 с группами по 32 значения и 4-битными весами для запуска на компьютерах Apple Silicon. Это двунаправленный энкодер с поздним взаимодействием ColBERT: он формирует 128-мерные векторы для каждого токена через проекцию Dense(1024→128), а релевантность пары запроса и документа вычисляется методом MaxSim. Для запросов и документов нужны маркеры `[Q] ` и `[D] ` соответственно. Модель предназначена для многоязычного поиска документов и ранжирования результатов. В карточке приведены результаты на подмножестве англоязычного NanoBEIR: среднее сохранение NDCG@10 после квантования составляет 98,7% относительно fp16; это сравнение не охватывает весь многоязычный набор задач. Репозиторий указывает скорость кодирования 12 740 токенов в секунду на системе с процессором серии M. Метаданные указывают 443,4 млн параметров и контекст до 128 000 токенов; README сообщает о 4-битной квантовке и весах размером 188 МБ. Лицензия в метаданных обозначена как other, поэтому условия следует сверить с карточкой базовой модели и файлами лицензии репозитория. Модель требует специализированного загрузчика для двунаправленного энкодера; обычные загрузчики причинных LFM2 могут формировать неверные векторы.

LightOn-rerank-LW-4B — мультимодальная модель-реранкер от LightOn для повышения релевантности результатов поиска. Это генеративный listwise cross-encoder на базе Qwen/Qwen3.5-4B с гибридной архитектурой линейного и полного внимания; модель содержит около 4,5 млрд параметров и опубликована в формате bfloat16 весов Safetensors. Она совместно дообучена на текстовых фрагментах и изображениях страниц документов. На вход модель принимает текстовый запрос и до четырёх кандидатов — текстовых отрывков или изображений страниц PDF, слайдов и сканов. Она генерирует порядок кандидатов; для больших наборов применяется скользящее окно размером 4 с шагом 2. Реранкер предназначен для второго этапа поискового конвейера после BM25, плотного поиска или ColPali-подобного извлечения. В описанном протоколе ViDoRe V3 модель показала nDCG@10 64,69 и превзошла указанный в карточке Qwen3-VL-Reranker-8B. Модель обучалась на английских данных; французский поддерживается благодаря переносу с многоязычной базовой модели, но качество в среднем немного ниже английского. Listwise-декодирование на версии 4B требует существенно больше времени: при переранжировании 100 кандидатов оно примерно в пять раз медленнее pointwise-модели 2B. Для запуска README указывает transformers версии 5.4.0 или новее и необходимость добавить пустой thinking-блок перед генерацией. Лицензия — Apache-2.0.

LumynaX Embed IBM Granite 278M Multilingual — архивный эксперимент AbteeX AI Labs на базе многоязычной модели эмбеддингов IBM Granite. Веса базовой модели сохранены без изменений; интеграция выполнялась через маршрутизацию во время работы и привязку идентичности. Архитектура — плотный энкодер XLM-RoBERTa с 305,2 млн параметров, реализованный на Sentence Transformers; репозиторий содержит веса PyTorch в формате Safetensors. Нативная длина контекста — 514 токенов. Модель предназначена для получения текстовых эмбеддингов, семантического поиска, извлечения релевантных документов и сравнения предложений. В метаданных отмечены английский и маори; базовая модель заявлена как многоязычная. Карточка помечает выпуск как устаревший и не рекомендует его для промышленного применения. Лицензия — Apache 2.0.

M2H AI UnSensored 8B — разговорный ИИ-ассистент, созданный Prince Kumar из M2H Web Solution на основе Dolphin 2.9 Llama 3 8B. Это дообученная модель семейства Llama 3 с архитектурой Meta Llama 3; репозиторий содержит GGUF-версию для локального запуска через Ollama и совместимые инструменты. Размер базовой модели — 8 млрд параметров. Модель предназначена для помощи в программировании и веб-разработке, работе с API и Linux, а также для задач кибербезопасности. Она поддерживает диалог и позиционируется автором как модель с менее ограниченными ответами. В карточке указан английский язык; максимальная длина контекста не приведена. Для запуска автор рекомендует локальную среду, совместимую с GGUF, и указывает минимум 16 ГБ оперативной памяти и видеокарту RTX 3050 с 6 ГБ памяти. Модель распространяется на условиях лицензии Meta Llama 3; использование должно соответствовать её условиям и применимому законодательству. Ответы модели могут быть неточными, особенно в задачах кибербезопасности и при выдаче инструкций для командной строки, поэтому результаты требуют проверки.

osiria разработала MiniLM L6 H384 Italian Cross Encoder — компактную модель на базе MiniLMv2, предназначенную для ранжирования текстовых пар на итальянском языке. Она получена на основе mmarco-mMiniLMv2-L6-H384-v1 с адаптацией embedding-слоя к итальянскому языку с использованием частот слов из Википедии. Архитектура в метаданных указана как XLM-RoBERTa для классификации последовательностей; размер — 25,9 млн параметров, контекст — до 514 токенов. Модель поддерживает ранжирование и классификацию текста. Выпущена по лицензии MIT.

tasksource/ModernBERT-base-nli — англоязычная модель-классификатор, созданная tasksource на основе answerdotai/ModernBERT-base и дообученная на наборах данных для вывода на естественном языке (NLI), включая MNLI, ANLI, SICK, WANLI и другие. Это версия ModernBERT, настроенная на следование инструкциям и классификацию пар текстов по отношениям следования, противоречия и нейтральности. Модель предназначена для NLI, классификации тональности, рассуждений по длинным текстам и классификации с пользовательскими метками без отдельного обучения. В карточке приведены результаты на MNLI, QNLI и RTE; модель также предлагается как основа для дальнейшего дообучения. Архитектура — ModernBERT для классификации последовательностей, 149 млн параметров, контекст до 2048 токенов; для использования описан интерфейс Transformers. Модель распространяется по лицензии Apache-2.0. Она обучена преимущественно на англоязычных NLI-данных, поэтому заявленные возможности для других языков не подтверждены. Показатели на отдельных тестах не гарантируют качество на произвольных данных; для специализированных задач может потребоваться дополнительное дообучение.

Это англоязычный многовекторный текстовый энкодер ColBERT на базе GTE ModernBERT, разработанный для семантического поиска с поздним взаимодействием токенов. Модель обучена библиотекой Sentence Transformers на 20 тысячах примеров датасета ms-marco-en-bge-gemma с дистилляцией от bge-reranker-v2-gemma. Модель содержит 149 млн параметров и принимает последовательности длиной до 8192 токенов. Для каждого токена она формирует вектор размерности 128, а релевантность запроса и документа оценивает функцией MaxSim. Подходит для многошагового поиска по коллекциям документов и ранжирования результатов по запросу; README приводит оценки на NanoMSMARCO, NanoNQ и NanoFiQA2018. Модель работает с текстом на английском языке. Для инференса указана библиотека Sentence Transformers; веса доступны в формате safetensors. Лицензия Apache-2.0. Результаты в карточке получены на небольших тестовых наборах, поэтому сами по себе не гарантируют качество на иных корпусах; для поиска требуется система, реализующая позднее взаимодействие MaxSim.

Nemotron-3-Nano-30B-A3B-Base — базовая большая языковая модель, разработанная NVIDIA и опубликованная в репозитории Unsloth. Это вариант модели NVIDIA-Nemotron-3-Nano-30B-A3B-Base-BF16; заявленная архитектура — гибрид Mamba2 и Transformer с Mixture of Experts (MoE), общий размер — 30 млрд параметров. Модель предназначена как основа для дообучения под инструкции и создания специализированных ИИ-агентов, а не как готовый чат-ассистент. Модель принимает и генерирует текст, поддерживает длинные последовательности: в README указаны вход и выход до 128 тыс. токенов, а также возможность контекста до 1 млн токенов при соответствующей настройке. Она рассчитана на английский и ряд других естественных языков, включая русский, и обучалась на данных по коду, математике, естественным наукам и общим знаниям. Репозиторий содержит веса в формате safetensors; README отмечает исправления chat template для Unsloth. Модель подходит разработчикам, которые создают и дообучают языковые модели для генерации текста и агентских сценариев. README заявляет готовность к коммерческому использованию, однако в метаданных указана лицензия other, поэтому перед применением следует свериться с её условиями. Для работы рекомендуются NVIDIA GPU; указанная в README совместимость включает H100-80GB и A100.

NeuralDaredevil-7B — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная mlabonne. Это DPO-дообучение модели mlabonne/Daredevil-7B на предпочтениях из набора argilla/distilabel-intel-orca-dpo-pairs. Модель предназначена для генерации текста и ответов в диалоге; использует шаблон запросов Mistral-7B-Instruct-v0.2 и поддерживает контекст до 32 768 токенов. В README приведены результаты оценивания на наборах Nous и Open LLM Leaderboard. Модель распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

NeuralKrishna-7B-slerp — объединённая модель генерации текста, созданная Kukedlc с помощью LazyMergekit. Она объединяет Kukedlc/Neural4gsm8k и Kukedlc/NeuralMaxime-7B-slerp методом SLERP; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель предназначена для диалоговой генерации текста и решения задач на рассуждение, включая математические вопросы. Контекстное окно составляет 32 768 токенов. В карточке приведены результаты Open LLM Leaderboard: среднее значение 75,79, ARC — 73,46 и HellaSwag — 88,96. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Показатели бенчмарков не гарантируют качество на других задачах; сведений о поддерживаемых языках и более подробной оценке ограничений в карточке нет.

cross-encoder/nli-deberta-base — англоязычный кросс-энкодер на базе DeBERTa от Microsoft, дообученный командой Sentence Transformers для распознавания логических отношений между парами предложений. Модель содержит 151,8 млн параметров, использует архитектуру DeBERTa для классификации последовательностей и принимает пары текстов с контекстом до 512 токенов. Для каждой пары модель оценивает три класса: противоречие, следование и нейтральное отношение. Эти оценки можно использовать для классификации без примеров с заранее заданными метками, а также для оценки сходства предложений и задач текстовой классификации. Модель доступна в форматах PyTorch, ONNX и Safetensors; в README приведён способ запуска через библиотеку Sentence Transformers. Модель обучена на SNLI и MultiNLI и ориентирована на английский язык. Качество зависит от соответствия входных данных этим задачам и доменам; README не приводит численных результатов оценки. Лицензия — Apache-2.0.

Nostr-Llama-3.1-8B — дообученная модель на базе Meta Llama 3.1 8B, созданная some1nostr. При обучении использовались заметки Nostr примерно от 7000 пользователей и наборы инструкций по программированию и математике. Модель предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. В репозитории указаны веса Safetensors. README не уточняет языковую специализацию и результаты оценки качества. Лицензия в предоставленных данных не указана.

Omni-Reasoner2-Merged — объединённая модель генерации текста от prithivMLmods, созданная из четырёх моделей на базе Phi-4 с помощью mergekit и метода Model Stock. В объединение вошли Phi-4-o1, Phi-4-Math-IO, Phi-4-QwQ и Phi-4-Empathetic; архитектура — плотная LlamaForCausalLM с 14,1 млрд параметров. Модель предназначена для диалоговой генерации текста и может применяться для ответов на вопросы и задач, связанных с математикой и рассуждениями. Модель принимает текст и генерирует текст, поддерживает контекст до 16 384 токенов и распространяется в формате safetensors для Transformers. Метаданные не сообщают о специальных языках или профильной области применения. Лицензия и ограничения качества в предоставленных данных не описаны.

Ornith-1.0-397B — открытая модель семейства Ornith от Ornith AI для агентного программирования. Она дообучена с применением обучения с подкреплением на базе Qwen 3.5; в метаданных указаны архитектура семейства qwen3_5_moe и класс Qwen3_5MoeForConditionalGeneration. Репозиторий содержит веса Safetensors, а лицензия — MIT. Модель предназначена для создания и использования coding-агентов: она помогает разбираться в крупных кодовых базах, решать задачи разработки через терминальные инструменты и вызывать подключённые инструменты. В README заявлены высокие результаты на Terminal-Bench 2.1, SWE-Bench, NL2Repo и OpenClaw. Для развёртывания описан OpenAI-совместимый сервер; пример для vLLM использует 8 GPU и контекст до 262 144 токенов. Это крупная модель MoE на 397 млрд параметров, поэтому запуск требует мощной мног GPU инфраструктуры, несмотря на заявление README об эффективном развёртывании.

Pearl-34B-ties — текстовая чат-модель, созданная louisbrulenaudet методом TIES-Merging. В README перечислены модели, использованные при слиянии: jondurbin/bagel-dpo-34b-v0.2 и abacusai/MetaMath-Bagel-DPO-34B; конфигурация также указывает abacusai/Smaug-34B-v0.1 как базовую модель. Модель имеет плотную архитектуру LlamaForCausalLM примерно на 33,9 млрд параметров и доступна в формате Safetensors для Transformers. Модель предназначена для генерации текста в диалогах и решения широкого круга текстовых задач. README приводит результаты оценивания на Open LLM Leaderboard, включая тесты на знания, рассуждения, понимание текста и математику. Заявленная длина контекста — до 200 000 токенов; в карточке указан английский язык. Модель распространяется по лицензии Apache-2.0. Результаты бенчмарков не гарантируют аналогичного качества в прикладных сценариях; README не приводит подробных оценок ограничений или рекомендаций по эксплуатации.

Provence-reranker-debertav3-v1 — модель Naver Labs Europe для отбора релевантного контекста в системах поиска и генерации с дополнением контекста (RAG). Она принимает вопрос и найденный фрагмент текста, оценивает релевантность предложений и удаляет предложения, не относящиеся к вопросу. Модель также сохраняет возможность ранжировать фрагменты по релевантности. Модель основана на DeBERTav3-reranker, дообученном на базе DeBERTa-v3-large, и содержит 533,8 млн параметров по метаданным Hugging Face. Она совместно кодирует предложения фрагмента, что помогает учитывать связи между ними, и автоматически выбирает предложения для сохранения по пороговому значению. Заявленный предел контекста — 512 токенов. Модель рассчитана на английский язык и может использоваться перед любой LLM для сокращения контекста и снижения шума при ответах на вопросы. В README сообщается о проверке на наборах из разных областей и о сохранении качества ответов при удалении нерелевантных предложений; результат зависит от порога сжатия и конкретного сценария. Лицензия в метаданных — CC BY-NC-ND 4.0; README также указывает CC BY-NC-ND 4.0, несмотря на упоминание ShareAlike в тексте названия лицензии.