II.8Инженерия данных и аналитика

XProvence-reranker-bgem3-v2 — многоязычная модель для сокращения контекста в системах RAG, разработанная Naver Labs Europe. Она получает вопрос и найденный текстовый фрагмент, удаляет предложения, не относящиеся к вопросу, и может возвращать оценку релевантности для переранжирования результатов. Модель дообучена на основе BAAI/bge-reranker-v2-m3 с задачами отбора предложений и сохранения возможностей ранжирования; архитектура относится к семейству XLM-RoBERTa. В метаданных указано 658,7 млн параметров, контекст до 8194 токенов и формат safetensors. Модель предназначена для подготовки контекста перед генерацией ответа на вопрос: сокращение нерелевантных фрагментов может уменьшить шум и ускорить генерацию. Нативно поддерживаются 16 языков, а благодаря переносному обучению заявлена работа более чем со 100 языками. Обучающие примеры были размером с абзац, поэтому качество на длинных контекстах может отличаться; порог отсечения следует подбирать под конкретный сценарий. Лицензия — CC BY-NC-ND 4.0, не допускающая коммерческого использования и распространения производных материалов на иных условиях.

google/xtr-base-en — англоязычная модель семейства T5 для многовекторного поиска по токенам, представленная Google. Она предназначена для извлечения и ранжирования релевантных документов по запросу в системах поиска и retrieval-augmented generation. Архитектура — плотный энкодер T5EncoderModel, размер — 123,8 млн параметров; доступны веса PyTorch и Safetensors. XTR формирует многовекторные представления текста и поддерживает поиск по токенам, что позволяет точнее сопоставлять запросы и документы, чем единое представление текста. Карточка описывает запуск реализации на PyTorch и ссылается на исследовательскую работу о роли извлечения токенов в многовекторном поиске. Модель распространяется по лицензии Apache-2.0.

Карточка модели punitkandoi/zerank-2-reranker на Hugging Face совпадает с карточкой zeroentropy/zerank-2-reranker, поэтому описание составлено по ней. zerank-2 — открытый реранкер ZeroEntropy на базе плотной причинной языковой модели Qwen3-4B с 3,7 млрд параметров. Он оценивает релевантность пар «запрос — документ» и сортирует найденные документы, чтобы улучшить порядок результатов поиска после первичного извлечения. Модель предназначена для повторного ранжирования в поисковых и retrieval-системах, в том числе в диалоговых сценариях и в областях финансов, права, программирования, STEM и медицины. Для запуска доступны Sentence Transformers, API ZeroEntropy и AWS Marketplace. В README приведены сравнительные оценки NDCG@10 на выборке из 100 документов-кандидатов после первичного поиска по эмбеддингам. Контекст модели составляет 40 960 токенов по метаданным. Она принимает текстовые запросы и документы и выдаёт оценки релевантности, пригодные для сортировки; после изменения интерфейса predict возвращает сырые логиты «Yes», а не вероятности, хотя порядок ранжирования сохраняется. Модель дообучена на Qwen/Qwen3-4B и распространяется по лицензии Apache 2.0. Заявленные результаты оценивания зависят от набора данных и настроек поиска; приведённые в карточке оценки охватывают лишь часть описанных областей.

AltCLIP — двуязычная модель сопоставления изображений и текста, разработанная авторами проекта AltCLIP и опубликованная командой FlagAI. Она предназначена для получения совместимых представлений изображений и текстов и классификации изображений по описаниям без отдельного обучения на каждом наборе классов. Модель использует архитектуру AltCLIP и доступна в формате PyTorch. AltCLIP обучали в два этапа: дистилляцией на параллельных текстовых корпусах и двуязычным контрастивным обучением на примерно двух миллионах китайско-английских пар изображение—текст. Она поддерживает китайский и английский языки и может служить компонентом генеративной модели AltDiffusion. Лицензия репозитория — CreativeML OpenRAIL-M.

Модель andreasmartin/apertus-v1.5-swiss-embed-4.9b-bidir-langmoe — экспериментальная модель эмбеддингов Sentence Transformers от автора репозитория, созданная адаптацией двунаправленной модели Apertus. В ней финальная плотная проекция заменена разрежанным слоем SparseMixtureOfExperts с семью экспертами и маршрутизацией Top-2; языковые метки экспертов описывают эксперимент, но сам слой не содержит языковой логики. Всего модель имеет около 4,93 млрд параметров, а в Sentence Transformers использует модули Transformer, Pooling, новую проекцию и Normalize. Модель предназначена для построения эмбеддингов предложений, семантического и межъязыкового поиска, особенно для немецкого, английского, французского, итальянского и швейцарских языковых вариантов. Она обучена на 31 483 триплетах из Wikipedia и швейцарских наборов данных; README приводит внутренние диагностические результаты, а не внешние бенчмарки. Базовые представления замораживались и кэшировались при обучении, а голова MoE обучалась на последовательностях до 512 токенов. Несмотря на контекст базовой модели в 262 144 токена, качество MoE за пределами обучавшего контекста отдельно не проверено; README также указывает на необходимость trust_remote_code=True до регистрации модуля в Sentence Transformers. Лицензия — Apache-2.0.

smerchi/Arabic-Morocco-Speech_To_Text — дообученная модель распознавания речи на основе Whisper large-v3 от OpenAI. Она предназначена для преобразования аудио на арабском языке в текст; в карточке указан датасет Voice_Cleverlytics. Модель содержит 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration; веса представлены в формате Safetensors. Для запуска предусмотрена библиотека Transformers. Модель подходит для транскрибации речи на арабском языке, в частности марокканского варианта, о котором говорит название репозитория. Базовая Whisper large-v3 поддерживает многоязычное распознавание речи и перевод аудио в текст, однако карточка этой производной модели не приводит отдельные оценки качества или подробности обучения. Лицензия — Apache-2.0.

AmberYifan/capsd-marin-8b-base-code_cap_b12000_s0 — дообученная модель семейства Llama на основе marin-community/marin-8b-base. Она содержит 7,5 млрд параметров и предназначена для генерации и продолжения текста; в метаданных также отмечена поддержка диалогового режима. Обучение проводилось на наборе capsd_marin-8b-base-n80000-opc__mix_code_cap_b12000_s0, название которого указывает на смесь данных, связанных с кодом и подписями, однако подробности датасета и результаты оценки в карточке не приведены. Модель использует плотную архитектуру LlamaForCausalLM, формат весов safetensors и контекст до 4096 токенов. Базовая marin-8b-base описана как англоязычная; отдельные языки или специализация этой производной в карточке не уточняются. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория и правообладателем перед применением.

zeromodels/clip_vit_g_14 — конверсия CLIP от zeromodels в формате Keras 3 на основе laion/CLIP-ViT-g-14-laion2B-s12B-b42K. Это двухэнкодерная модель зрения и текста: она кодирует изображения и текстовые запросы в общее пространство эмбеддингов и предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах. Также модель подходит для поиска изображений по тексту или текстов по изображению и получения эмбеддингов. Для работы подаются изображения и текстовые промпты; размер изображения и токенизатор согласуются через соответствующий процессор. Реализация на Keras 3 запускается с TensorFlow, Torch или JAX. Модель основана на CLIP ViT-g/14 LAION, обученной на парах изображений и подписей с контрастивной функцией потерь. Репозиторий распространяется по лицензии MIT. Карточка не приводит конкретные языки обучения или ограничения точности; качество классификации зависит от формулировок текстовых промптов.

tomaarsen/csr-mxbai-embed-large-v1-nq — англоязычный CSR sparse encoder, дообученный на Natural Questions на базе mixedbread-ai/mxbai-embed-large-v1 с использованием Sentence Transformers. Модель преобразует запросы, предложения и абзацы в разреженные векторы размерностью 4096; векторы могут содержать до 256 активных измерений. Для сравнения используется косинусное сходство. Модель предназначена для семантического поиска и разреженного поиска релевантных документов по запросу. Её обучали на 99 000 примерах Natural Questions; максимальная длина входной последовательности — 512 токенов. Карточка приводит результаты оценки поиска на наборах nq_eval с разным числом активных измерений. Это производная BERT-модели с 433,9 млн параметров, доступная в формате safetensors. Лицензия — Apache-2.0. Модель рассчитана на английский язык; качество на других языках не подтверждено. Показатели в карточке получены на Natural Questions, поэтому они не гарантируют такое же качество на других предметных областях и поисковых коллекциях.

Это модель для плотного поиска по текстовым пассажам на основе шестислойного DistilBERT. Её разработчик, Sebastian Hofstätter, обучил веса методом Margin-MSE с дистилляцией оценок ансамбля из трёх BERT_Cat на парах запросов и пассажей из MSMARCO-Passage. Для представления запроса или документа используется вектор CLS; одна и та же модель кодирует оба типа текста. Модель подходит для ранжирования кандидатов, например результатов BM25, и для прямого поиска по векторному индексу. В README приведены результаты на MSMARCO и TREC-DL’19. Репозиторий содержит веса PyTorch; заявленная длина контекста — 512 токенов. Она обучена на англоязычных коротких пассажах, поэтому качество на длинных текстах и вне домена обучения может быть ниже. Карточка отмечает наследуемые социальные смещения DistilBERT и MSMARCO. Условия лицензии в предоставленных данных не указаны.

OpenVINO/distil-whisper-large-v3-int8-ov — версия модели distil-large-v3 от Distil-whisper, преобразованная в формат OpenVINO IR и сжата до INT8 с помощью NNCF. Модель предназначена для автоматического распознавания речи по аудио; архитектура основана на Whisper и содержит около 905,2 млн параметров. Квантизация выполнена с параметрами INT8_ASYM и group_size 128. Модель совместима с OpenVINO версии 2025.2.0 и выше и Optimum Intel 1.23.0 и выше. В метаданных указан английский язык. Лицензия — MIT, как у исходной модели. Карточка отсылает к описанию исходной модели за подробностями об ограничениях. Заявленная совместимость ограничена указанными версиями OpenVINO и Optimum Intel.

Docopilot-2B — мультимодальная модель OpenGVLab для понимания документов на уровне целых страниц, представленная в статье «Docopilot: Improving Multimodal Models for Document-Level Understanding». Она принимает изображения документов и текстовые запросы и формирует текстовые ответы в диалоговом режиме; архитектура — InternVLChatModel, формат весов — safetensors. Модель предназначена для вопросов и задач, требующих анализа содержимого документа целиком. В карточке указана лицензия MIT. В доступных сведениях нет подробностей о размере контекста, поддерживаемых языках и конкретных оценках качества.

Eklav-0.6B-Reranker — компактный реранкер пассажей на базе Qwen3-0.6B, дообученный методом Eklav с дистилляцией рассуждений. При обучении модель учится продолжать частичный след рассуждений учителя и самостоятельно получать ответ; на этапе применения подсказка учителя не используется. Для ранжирования модель генерирует рассуждение с итогом true или false, а релевантность определяется по логитам финального токена. В README описаны оценки на BRIGHT и NevIR, а также снижение вычислений обучения на 29% относительно стандартного обучения с полным следом рассуждений; приведённый результат BRIGHT на 11% ниже по nDCG@10, чем у такого базового обучения. Модель содержит 507,9 млн параметров, использует плотную архитектуру Qwen3ForCausalLM и формат safetensors. Она предназначена для точечного переранжирования пассажей по запросу и может применяться в поисковых системах и конвейерах retrieval-augmented generation. Контекстное окно составляет 40 960 токенов. Модель опубликована AdarshSingh7647 и основана на Qwen/Qwen3-0.6B; метаданные указывают библиотеку Transformers и возможность диалогового взаимодействия. Лицензия в предоставленных данных не указана.

deepset/electra-base-squad2 — англоязычная модель для извлекающего ответа на вопросы, разработанная командой deepset. Она дообучена на ELECTRA-base для поиска ответа в предоставленном тексте: на вход подаются вопрос и контекст, а модель определяет фрагмент контекста, который отвечает на вопрос. Обучение и оценка проводились на SQuAD 2.0; модель умеет воздерживаться от ответа, когда контекст не содержит ответа. Модель построена на архитектуре ELECTRA и содержит 136,7 млн параметров. Контекст ограничен 512 токенами. Её можно применять в Haystack для поиска ответов в документах и в Transformers. Лицензия — CC BY 4.0.

Esper 70B — квантованная версия модели ValiantLabs/Esper-70b в формате GGUF, подготовленная brooketh для библиотеки Backyard AI. Это ассистент на базе CodeLlama с ориентацией на задачи DevOps и генерацию кода. Модель предназначена для работы со скриптовыми языками, файлами Terraform, Dockerfile, YAML и другими сценариями разработки и автоматизации инфраструктуры. Указан английский язык, текстовая модальность и контекст до 4096 токенов. Формат GGUF совместим с приложениями на базе llama.cpp и позволяет распределять вычисления между CPU и GPU, что упрощает локальный запуск на различном оборудовании. К сильным сторонам относятся специализация на DevOps и коде, а также возможность локального использования с меньшими требованиями к ресурсам благодаря квантованию. При этом README не указывает точный размер файлов, варианты квантования и их влияние на качество; для низких уровней квантования возможна потеря связности. Модель не рекомендуется для ролевых сценариев. Лицензия — Apache-2.0.

FalconMind3B — языковая модель генерации текста, разработанная Faris Allafi и дообученная на основе tiiuae/Falcon3-3B-Instruct с помощью PEFT/LoRA на платформе Hugging Face AutoTrain. Модель предназначена для пошагового рассуждения и структурированных ответов на вопросы, решения задач и объяснения кода. Модель использует плотную архитектуру семейства Llama с причинным языковым моделированием, содержит 2,8 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке заявлен английский язык; базовая модель также ориентирована на французский, испанский и португальский. Распространяется по лицензии Apache 2.0. Дообучение использует синтетические данные, которые могут вносить смещения и снижать обобщающую способность. Надёжность следует проверять на целевых задачах; для решений с высокими ставками модель требует особой проверки.

Harness-1B — компактная языковая модель Algo Science Lab, разработанная Shahrear Hossain. Это плотная авторегрессионная модель семейства Llama примерно на 1 млрд параметров, дообученная на базе TinyLlama/TinyLlama-1.1B-intermediate-step-1431k-3T для следования инструкциям и диалогов. Модель принимает текст и генерирует текст; заявленный контекст — 2048 токенов. Репозиторий содержит веса SafeTensors и вариант GGUF в формате F16. Модель предназначена для чат-ботов, локального помощника по программированию и инженерным вопросам, генерации и отладки кода, объяснения математики и технических концепций, подготовки документации, а также помощи в электронике, FPGA, ASIC и проектировании VLSI. В карточке заявлена поддержка английского языка. Лицензия — Apache-2.0. Модель может ошибаться, выдавать устаревшие сведения и допускать ошибки в рассуждениях; ответы для критически важных задач и производственного применения требуют проверки человеком.

jina-embeddings-v2-base-code — модель эмбеддингов от Jina AI для представления текста и исходного кода в виде векторов. Она предназначена для семантического поиска по коду и техническим материалам, сопоставления запросов с фрагментами кода и извлечения контекста для технических вопросов и ответов. Модель использует архитектуру JinaBert на основе BERT с двунаправленным вариантом ALiBi и содержит около 160 млн параметров. Она принимает последовательности длиной до 8192 токенов; обучение эмбеддингов проводилось на длине 512 токенов с экстраполяцией на более длинный контекст. Основа модели предварительно обучена на наборе GitHub Code, а затем модель обучалась на парах вопросов, ответов, docstring и исходного кода. Поддерживаются английский и 30 языков программирования. Для получения эмбеддингов предложено использовать mean pooling. Доступны форматы PyTorch, Safetensors и ONNX. Модель рассчитана на эффективный поиск по коду и длинным техническим фрагментам; README также называет технический вопросно-ответный поиск одним из сценариев применения. Для других языков естественного языка и произвольных задач качество не заявлено. Лицензия — Apache-2.0.

jina-embeddings-v5-omni-nano-classification-GGUF — мультимодальная модель эмбеддингов, разработанная Jina AI и предназначенная для запуска через llama.cpp. Это GGUF-квантизированная версия модели jina-embeddings-v5-omni-nano-classification с поддержкой текстовых, графических, видео- и аудиоданных. Модель преобразует входные данные в 768-мерные векторы общего пространства, поэтому документы можно индексировать с помощью текста, а выполнять поиск — по изображениям, видео, аудио или тексту без переиндексации. Модель содержит около 0,95 млрд параметров с текстовой, визуальной и аудиобашнями, использует pooling по последнему токену и поддерживает контекст до 8192 токенов. Она ориентирована на задачи классификации, мультимодального поиска и семантического сходства. Доступны матрёшечные размерности эмбеддингов от 32 до 768, а текстовая часть представлена в F16 и нескольких уровнях int-квантизации; мультимодальные проекторы используют F16. Заявлена мультиязычность, однако конкретный перечень языков в README не указан. Сильные стороны модели — единое векторное пространство для нескольких модальностей, относительно небольшой размер, возможность квантизации и поддержка различных форматов изображений, видео, аудио и PDF. Ограничения связаны с тем, что вариант предназначен только для classification-задач, а мультимодальная работа требует специальной ветки llama.cpp с патчами Jina AI, которые ещё не включены в upstream-версию. Лицензия — CC BY-NC 4.0, допускающая использование с ограничениями для некоммерческих целей.

K2 Think V2 — открытая модель с 70,5 млрд параметров для рассуждений, разработанная командой IFM и основанная на дообученной модели K2-V2-Instruct. Это плотная авторегрессионная модель семейства Llama для генерации текста и диалогов, с акцентом на сложные математические задачи и сильными результатами на конкурсных бенчмарках. Модель также показывает результаты на задачах программирования. В README указана длина контекста 131 072 токена с расширением вдвое через YaRN; метаданные каталога указывают нативный контекст 262 144 токена. Шаблон чата унаследован от K2-V2-Instruct, по умолчанию задан высокий уровень рассуждений; режимы low и medium доступны, но не проверялись. Карточка сообщает о хороших агрегированных результатах оценки безопасности, однако отмечает потенциал улучшения в обработке чувствительных персональных данных. Лицензия Apache-2.0; условия использования запрещают незаконное и вредоносное применение и предоставляют модель без гарантий.

KannadaSBERT-STS — модель L3Cube-Pune для сопоставления смысловой близости предложений на каннада. Это плотная модель на архитектуре BERT, созданная дообучением l3cube-pune/kannada-sentence-bert-nli на датасете STS. Она формирует векторные представления предложений, которые можно использовать для оценки семантического сходства, поиска похожих фраз и построения систем поиска по смыслу. Модель относится к проекту MahaNLP; для использования доступны веса PyTorch и интеграция с Sentence-Transformers или Hugging Face Transformers с подходящим pooling. Модель содержит 264,8 млн параметров и принимает последовательности длиной до 512 токенов. Поддерживает каннада; лицензия — Creative Commons Attribution 4.0 (CC BY 4.0).

nileq/kazakh-omni-asr-ctc — модель автоматического распознавания казахской речи, разработанная Nileq на базе OmniASR wav2vec2.5 large и дообученная с функцией потерь CTC. Она использует архитектуру Wav2Vec2ForCTC с 24 слоями энкодера, размером скрытого состояния 1024 и 16 головами внимания; словарь SentencePiece содержит 9812 токенов. Модель принимает монофоническое аудио с частотой дискретизации 16 кГц и преобразует речь в текст. Вес модели составляет 412,7 млн параметров; файлы опубликованы в формате safetensors. Модель предназначена для транскрибации казахской речи и интеграции в системы распознавания аудио. Указанная лицензия — Apache-2.0. Карточка сообщает о 20 000 шагах обучения; качество на реальных записях и устойчивость к шуму отдельно не охарактеризованы.

jhgan/ko-sbert-multitask — модель на базе Sentence-BERT и архитектуры BERT, дообученная для получения векторных представлений корейских предложений и абзацев. Она преобразует текст в плотные эмбеддинги размерности 768 и подходит для семантического поиска, оценки сходства и кластеризации текстов. Модель обучалась на наборах KorSTS и KorNLI в режиме многозадачного обучения. В карточке приведены результаты оценки на KorSTS: корреляция Спирмена для косинусного сходства составляет 84,71. Максимальная длина контекста — 512 токенов; доступны веса PyTorch и TensorFlow. Модель рассчитана прежде всего на корейский язык. Её можно применять для поиска похожих фраз и группировки текстов, но качество за пределами корейских данных не подтверждено. Лицензия в предоставленных данных не указана.

Redis дообучила эту модель Cross-Encoder на базе Alibaba-NLP/gte-reranker-modernbert-base для оценки релевантности пар текстов в задачах семантического кэширования LangCache. Модель принимает пару текстов и выдаёт один числовой score, который можно использовать для классификации пар и ранжирования ответов или документов по запросу. Модель построена на ModernBERT, содержит около 149 млн параметров и обрабатывает последовательности длиной до 8192 токенов. Она обучена на англоязычном наборе LangCache Sentence Pairs из 1 452 533 примеров с помощью sentence-transformers и MultipleNegativesRankingLoss. Лицензия — Apache-2.0.

mradermacher/lexi-coder-v4.4-GGUF — это набор статически квантизованных файлов модели lexi-coder-v4.4, базовая версия которой разработана reallexi. Репозиторий подготовлен mradermacher в формате GGUF для запуска модели в совместимом локальном программном обеспечении. В метаданных указан английский язык, а название указывает на специализацию исходной модели в задачах, связанных с кодом, однако подробное описание её назначения в README отсутствует. Доступны варианты от Q2_K до Q8_0, IQ4_XS и f16 объёмом примерно от 1,8 до 7,8 ГБ. Более сильное квантование обычно уменьшает требования к памяти, но может снижать качество; README отдельно отмечает Q4_K_S и Q4_K_M как быстрые рекомендуемые варианты, Q6_K как вариант очень хорошего качества, а Q8_0 — как быстрый вариант наилучшего качества. Архитектура, число параметров, размер контекста, поддерживаемые модальности и точные языковые возможности не указаны. Модель подходит для локального инференса в приложениях, поддерживающих GGUF, при выборе компромисса между размером файла, скоростью и качеством. Для weighted/imatrix-квантований приведена отдельная коллекция. Лицензия обозначена как other с условием inherits-base-model-and-dataset-terms, поэтому использование должно соответствовать лицензиям базовой модели и использованных наборов данных.

Модель promotion/Llama-3.1-8B-NBPO-UltraFeedback-clean разработана на основе meta-llama/Llama-3.1-8B-Instruct и дообучена методом Nash Bargaining Preference Optimization (NBPO) на парах предпочтений из UltraFeedback. В этой версии обучающие пары отфильтрованы так, чтобы их запросы не пересекались с 698 оценочными запросами; после фильтрации осталось 34 026 пар по 5 671 запросу. Модель предназначена для диалоговой генерации текста с выполнением инструкций. Обучение ориентировано на следование инструкциям, правдивость, честность и полезность ответов. Основа — плотная архитектура Llama с 7,5 млрд параметров; заявленный контекст — до 131 072 токенов. Репозиторий использует Transformers и формат safetensors. В README описана исследовательская оценка на отложенных запросах UltraFeedback, но конкретные численные результаты для этой модели не приведены. Модель распространяется по лицензии Llama 3.1; применяются её условия использования.

NVIDIA Llama NemoRetriever ColEmbed 1B v1 — мультимодальная модель эмбеддингов с поздним взаимодействием, дообученная для поиска документов по запросу. Она принимает текстовые запросы и текстовые либо визуальные страницы документов, включая страницы с диаграммами, таблицами и инфографикой, и формирует ColBERT-подобные многовекторные представления для ранжирования релевантных документов. Модель построена на трансформерной архитектуре с компонентами SigLIP 2 Giant и Llama 3.2 1B. NVIDIA позиционирует её для мультимодального RAG, поиска по визуальным документам и кросс-модального поиска; в README сообщается о втором месте на бенчмарках ViDoRe V1, ViDoRe V2 и MTEB VisualDocumentRetrieval на дату 27 июня 2025 года. Для запуска указаны Transformers 4.49.0 и Flash Attention; README приводит интеграцию с TensorRT и Triton и поддержку GPU A100 и H100 под Linux. Модель предназначена только для некоммерческого использования и исследований. Она возвращает числовые векторы, а не готовые текстовые ответы; качество и скорость зависят от инфраструктуры и не гарантированы за пределами описанных бенчмарков и сценариев поиска.

Luth-2-2B — текстовая языковая модель на 1,88 млрд параметров от Kurakurai, дообученная на основе Qwen/Qwen3.5-2B. Она предназначена для генерации ответов на французском языке: решения математических задач, написания кода, ответов на вопросы, следования инструкциям и вызова инструментов. Модель прошла supervised fine-tuning на французской смеси объёмом 3 млрд токенов и последующую многодоменную дистилляцию на основе собственных ответов модели. Архитектура унаследована от мультимодальной Qwen3.5-2B, но Luth-2-2B обучалась только на текстовых данных и не рекомендуется для задач с изображениями. Компактный размер позволяет использовать модель локально и на устройствах с ограниченными ресурсами. Разработчик сообщает о высоких результатах на выбранных французских бенчмарках по математике, коду, следованию инструкциям, общим знаниям и вызову инструментов; эти оценки относятся к конкретным наборам и настройкам из карточки. Модель доступна в формате safetensors и поддерживается Transformers, vLLM и SGLang. Лицензия — Apache-2.0.

MAmmoTH2-7B-Plus — языковая модель TIGER-Lab для генерации ответов и диалогового общения с усиленными навыками рассуждения. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, дообученная на инструкциях, собранных из веб-корпуса, и дополнительно обученная на открытых наборах инструкций. Модель принимает текст и поддерживает контекст до 32 768 токенов. Модель рассчитана на решение математических задач, ответы на вопросы и общение в формате чат-бота. В README приводятся результаты оценки MAmmoTH2-7B на математических тестах и отмечается, что качество зависит от сложности и особенностей задачи; математические области охвачены не полностью. Эти цифры относятся к MAmmoTH2-7B, а не непосредственно к версии Plus. Модель распространяется по лицензии MIT.

MasherAI-7B-v1 — диалоговая языковая модель, разработанная mahiatlinux и дообученная на openchat/openchat-3.5-0106. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров; для обучения использовались Unsloth и TRL. Модель предназначена для генерации текста в формате диалога: её можно применять для общения, ответов на вопросы и помощи с программированием и математическими рассуждениями — эти возможности описаны для базовой модели OpenChat. Поддерживаемый язык карточки — английский, длина контекста составляет 8192 токена. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Карточка не приводит отдельной оценки качества или подробных ограничений MasherAI-7B-v1.