II.8Инженерия данных и аналитика

MiroThinker-1.7-mini — языковая модель-агент семейства MiroThinker, разработанного miromind-ai для многошаговых исследовательских задач и длинных рабочих процессов с инструментами. В карточке указаны контекст до 256K токенов и поддержка до 300 вызовов инструментов за задачу; для полноценной работы авторы рекомендуют агентскую инфраструктуру с включённым режимом рассуждений. Модель основана на Qwen3-235B-A22B-Thinking-2507 и дообучена; метаданные описывают архитектуру Qwen3 MoE и 2,6 млрд параметров. Она принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. README заявляет высокие результаты семейства MiroThinker-1.7 в исследовательских бенчмарках, но конкретные показатели не относятся однозначно к версии mini. Модель предназначена для глубокого поиска, обобщения сведений и решения сложных задач с последовательным использованием инструментов. Выпускается по лицензии Apache-2.0. Для ожидаемого агентского поведения требуются совместимая среда выполнения, инструменты и подходящий системный промпт; доступные сведения не подтверждают, что приведённые в README результаты измерены именно на версии mini.

Xenova/ms-marco-MiniLM-L-12-v2 — это версия модели cross-encoder/ms-marco-MiniLM-L-12-v2 с весами в формате ONNX, подготовленная для работы в библиотеке Transformers.js. Модель предназначена для оценки релевантности пары текстов: например, поискового запроса и найденного документа или ответа на вопрос и контекста. Она возвращает числовой балл, который можно использовать для ранжирования результатов информационного поиска и переранжирования кандидатов. Модель относится к архитектуре MiniLM с 12 слоями и работает как модель классификации последовательностей, обрабатывая два текста совместно. В README указана совместимость с JavaScript-окружением и запуском непосредственно через Transformers.js; приведён пример применения к англоязычному запросу и двум фрагментам текста. ONNX-веса могут существовать в квантованном и неквантованном вариантах, что позволяет выбирать между меньшим размером и потенциально более высокой точностью. Сильная сторона модели — совместная оценка запроса и документа, обычно более подходящая для точного переранжирования, чем независимое построение эмбеддингов. Ограничения, параметры контекста, точный размер, поддерживаемые языки, показатели качества и лицензия в README не указаны. Условия использования следует уточнять в исходном репозитории cross-encoder/ms-marco-MiniLM-L-12-v2.

Mtreelva Dune 12B — экспериментальная текстовая генеративная модель на 12 млрд параметров, созданная слиянием моделей команд CompiwerAI, MuXodious и Reelva с помощью mergekit и метода flux. Архитектура — Gemma 4 12B; веса опубликованы в формате safetensors и доступны через Transformers. Лицензия — Apache-2.0. Модель предназначена для диалогов, задач рассуждения, программирования и многошаговых агентных сценариев. В описании заявлена поддержка индонезийского, английского, арабского, французского и марокканского дариджа; базовые модели дополнительно заявляют возможности для компаньонского общения и настраиваемую глубину рассуждения. Карточка также описывает мультимодальные возможности семейства Gemma 4, включая входные изображения, аудио и видео, однако не подтверждает их отдельно для этого слитого чекпойнта. Автор характеризует модель как экспериментальную и частично снявшую ограничения безопасности: защитные отказы всё ещё встречаются, но их можно обходить. Производительность и поведение могут отличаться от базовых моделей; карточка не приводит независимых оценок качества.

mxbai-rerank-xsmall-v1 — компактная модель-реранкер от Mixedbread AI из семейства crispy rerank. Она оценивает релевантность пары «запрос — текст» и предназначена для повторной сортировки результатов поиска, например, после полнотекстового поиска или первичного извлечения кандидатов. Модель построена на архитектуре DeBERTa-v2 с классификационной головой и содержит 77,5 млн параметров; максимальная длина контекста — 512 токенов. Для работы авторы рекомендуют актуальную версию sentence-transformers. Модель ориентирована на улучшение поиска и, согласно README, хорошо сочетается с поиском по ключевым словам. В метаданных указан английский язык. Репозиторий содержит веса в форматах Safetensors и ONNX. Лицензия — Apache-2.0.

MyAwesomeModel — модель на базе BERT, опубликованная для использования с библиотекой Transformers и PyTorch. В метаданных Hugging Face она классифицирована для задачи извлечения признаков. README описывает обновлённую версию как модель с улучшенными возможностями рассуждения, логического вывода, генерации кода, суммаризации, диалога, классификации и ответов на вопросы, однако эти сценарии не подтверждены отдельными pipeline-тегами или техническими характеристиками конфигурации. Модель распространяется по лицензии MIT. README также заявляет о снижении частоты галлюцинаций, поддержке системных промптов и function calling, а для работы рекомендует температуру 0,6. Конкретные сведения о размере модели, длине контекста, поддерживаемых естественных языках и точной конфигурации отсутствуют в предоставленных данных.

damand2061/negasibert-mnrl — модель Sentence Transformers, дообученная автором на базе indobenchmark/indobert-base-p1 для построения векторных представлений индонезийских предложений и абзацев. Архитектура объединяет BERT с усреднением токенных представлений; модель содержит 151,6 млн параметров и выдаёт плотные векторы размерности 768. Для сравнения текстов используется косинусное сходство. Модель предназначена для оценки семантического сходства и поиска похожих текстов, а также может применяться для поиска по смыслу, поиска перефразировок, кластеризации и классификации текста. Она обучена с MultipleNegativesRankingLoss на 12 000 парах предложений. Метаданные указывают контекст до 512 токенов, однако карточка модели задаёт максимальную длину последовательности 32 токена, что ограничивает эффективную длину входа. Это текстовая модель для индонезийского языка, распространяемая в формате safetensors и доступная через библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

Карточка модели navteca/nli-deberta-v3-xsmall на Hugging Face совпадает с карточкой cross-encoder/nli-deberta-v3-xsmall, поэтому описание составлено по ней. Cross-Encoder for Natural Language Inference — англоязычная модель от Sentence Transformers на базе microsoft/deberta-v3-xsmall. Она принимает пару предложений и оценивает их отношение, выдавая оценки для противоречия, следования и нейтральности. Модель содержит 77,5 млн параметров, использует архитектуру DeBERTa V2 и рассчитана на контекст до 512 токенов. Модель обучена на SNLI и MultiNLI. Её можно применять для проверки текстовых гипотез и классификации без дополнительного обучения, задавая категории в виде гипотез. В README приведены точности 91,64% на тестовой выборке SNLI и 87,77% на наборе MNLI mismatched. Лицензия — Apache-2.0.

NLLB-CLIP-SigLIP — мультиязычная модель сопоставления изображений и текста, объединяющая текстовый энкодер NLLB с визуальным энкодером SigLIP. Она предназначена для классификации изображений по текстовым описаниям без специального обучения на целевых классах и для поиска соответствий между изображениями и текстом. Модель расширяет мультиязычные возможности CLIP до 201 языка набора Flores-200 и, согласно карточке, особенно хорошо работает на языках с малым объёмом ресурсов. На наборе Crossmodal-3600 она достигла лучших на момент публикации результатов. Модель доступна в формате PyTorch и интегрирована с OpenCLIP. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка отмечает, что существует более сильная версия; результаты классификации могут зависеть от формулировок текстовых меток и от того, насколько они соответствуют обучающим данным.

Это конвертация модели nomic-ai/nomic-embed-vision-v1.5 в формат GGUF для CrispEmbed. Модель преобразует изображения в 768-мерные L2-нормализованные эмбеддинги, совместимые с пространством эмбеддингов nomic-embed-text-v1.5, что позволяет искать изображения по текстовым запросам. Репозиторий содержит варианты GGUF в точности F16 и F32. Для сопоставления с текстовыми эмбеддингами README описывает дополнительную нормализацию LayerNorm без обучаемых параметров перед L2-нормализацией. По карточке заявлено совпадение результатов с Transformers на проверочных изображениях. Модель распространяется по лицензии Apache-2.0 с атрибуцией Nomic AI.

vmajor/Orca2-13B-selfmerge-26B — языковая модель для генерации текста, созданная слиянием microsoft/Orca-2-13b с самой собой с помощью mergekit-legacy. В репозитории указаны параметры слияния weight 0.5 и density 0.5; метаданные описывают модель как плотную LlamaForCausalLM с 12,9 млрд параметров и контекстом 4096 токенов. Файлы опубликованы в формате safetensors. Модель предназначена для генерации текста и решения задач общего назначения, включая ответы на вопросы и математические задачи. В README сообщается о небольшом улучшении perplexity и росте результата GSM8K относительно исходной Orca-2-13b; остальные приведённые бенчмарки показывают близкие результаты. Лицензия — Microsoft Public License (MS-PL).

Parakeet TDT 0.6B V2 — модель автоматического распознавания речи, разработанная NVIDIA и преобразованная в формат GGUF для использования с transcribe.cpp. Она предназначена для офлайн-транскрибации английской речи с автоматическими пунктуацией и капитализацией, а также прогнозированием временных меток на уровне токенов. Модель подходит для расшифровки записей, голосовых заметок, интервью и других аудиоматериалов. Архитектура включает 600-миллионный FastConformer-подобный Conformer-энкодер и декодер TDT/RNNT transducer. На вход подаётся монофонический WAV-файл с частотой 16 кГц, на выходе формируется текстовая расшифровка. Доступны варианты квантования F32, F16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 475 МБ до 2,47 ГБ. На наборе LibriSpeech test-clean показатель WER составляет 1,68% для F32 и 1,72% для Q4_K_M. Сильные стороны модели — высокая точность английской транскрибации, поддержка пунктуации, капитализации и временных меток, а также возможность локального запуска с различными уровнями квантования. Ограничения — отсутствие потокового режима, поддержки других языков, автоматического определения языка и перевода; для работы требуется предварительно подготовленный звук в формате 16 кГц, моно WAV. Использование регулируется лицензией CC-BY-4.0, унаследованной от базовой модели.

Perception Encoder PE-Core-L14-336 — модель Meta для визуального понимания, обученная с помощью контрастивного обучения изображений и текста и дообученная на синтетически согласованных видео. Это вариант размера L: визуальный энкодер с архитектурой ViT-L/14 содержит 0,32 млрд параметров и обрабатывает изображения с разрешением 336 пикселей. Для извлечения глобальных признаков используются attention pooling и class token. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и видео по тексту, а также извлечения визуальных признаков для последующих задач. В README указаны результаты на наборах ImageNet, ObjectNet и Kinetics-400; версия L/14 показывает сильные результаты, в том числе на сложных наборах ObjectNet и ImageNet-A. Репозиторий содержит веса PyTorch и код загрузки через библиотеку perception-encoder. Лицензия — Apache-2.0. README описывает семейство PE Core как включающее визуальную и текстовую башни, но таблица именно для L/14 приводит характеристики только визуальной башни; отдельные размер и длина контекста текстовой части этого чекпойнта не установлены приведёнными данными. Для работы с видео требуется декодирование в тензоры PyTorch.

0xnu/pmmlv2-fine-tuned-igbo — модель векторных представлений предложений, дообученная для языка игбо на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она использует архитектуру BERT и библиотеку Sentence-Transformers; в репозитории указано 124,3 млн параметров и контекст до 512 токенов. Модель предназначена для получения эмбеддингов и сравнения сходства предложений, в том числе на игбо. Модель принимает текст и выдаёт векторные представления, применимые для семантического поиска, сопоставления предложений и группировки похожих текстов. Метаданные указывают поддержку множества языков, включая игбо, русский и английский. Лицензия — MIT. README не приводит результатов оценки качества, поэтому надёжность на разных вариантах орфографии и диакритики игбо по предоставленным данным определить нельзя.

PSST medium — модель распознавания речи, созданная дообучением openai/whisper-medium.en на сегментах корпуса Santa Barbara Corpus of Spoken American English. Она предназначена для преобразования аудиозаписей разговорного американского английского в текст. Модель основана на архитектуре Whisper и содержит 455,8 млн параметров. Модель подходит для расшифровки разговорной речи, представленной в обучающем корпусе. Веса доступны в формате PyTorch по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробных ограничений.

netcat420/Qwen2.5-Coder-Scholar-7B-Abliterated-MFANN — дообученная разговорная модель семейства Qwen2.5-Coder, созданная автором репозитория netcat420 на основе instruct-варианта. По README, модель обучали на датасете MFANN в течение 18 000 шагов и 52 эпох; архитектура — плотная причинная языковая модель Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате и ориентирована на задачи, связанные с кодом и материалами MFANN. В метаданных также отмечен интерфейс вызова инструментов. Карточка не уточняет качество на отдельных задачах или конкретные сценарии применения MFANN. Модель принимает текст и генерирует текст. В метаданных указан английский язык. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. README характеризует модель как abliterated, но не описывает методику и последствия этого изменения; качество и поведение следует оценивать на целевых задачах.

Qwen3.6-27B — постобученная модель с открытыми весами от hamishivi, основанная на семействе Qwen3.6. Это причинная языковая модель с визуальным энкодером, поддерживающая диалог и интерфейс вызова инструментов. В README заявлен размер 27 млрд параметров и нативный контекст 262 144 токена с возможностью расширения до 1 010 000 токенов. Модель предназначена для агентного программирования, включая работу с фронтендом и анализ репозиториев, а также для диалоговых задач с изображениями и вызовом инструментов. Шаблон чата изменён для сохранения промежуточных рассуждений в истории сообщений. Для запуска указана совместимость с Transformers, vLLM, SGLang и KTransformers; репозиторий содержит веса в формате safetensors. README приводит результаты и сценарии оценки для программирования, работы в терминале, генерации веб-интерфейсов и мультимодальных задач, но таблицы с численными результатами отсутствуют. Метаданные указывают лицензию Apache-2.0. Для развёртывания с длинным контекстом требуется значительная память GPU; README рекомендует уменьшать контекст при нехватке памяти.

armand0e/Qwen3.6-35B-A3B-Fable-5-Distill — мультимодальная модель семейства Qwen3.5 MoE, дообученная armand0e на базе Qwen/Qwen3.6-35B-A3B. Она предназначена для диалогов, анализа изображений и агентных сценариев программирования; поддерживает интерфейс вызова инструментов. В метаданных указан английский язык, архитектура Qwen3_5MoeForConditionalGeneration и формат safetensors. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель принимает текст и изображения и генерирует текст. Репозиторий распространяется по лицензии Apache-2.0. README не сообщает размер контекстного окна или конкретные результаты оценки качества.

Это исследовательский чекпойнт семейства Qwen3.5 MoE, подготовленный Minjae Choi. В нём веса routed experts в 40 слоях модели Qwen36 35B-A3B квантованы методом E2M-ATQ/TWLA до троичного алфавита {-1, 0, +1}; для каждой группы из 64 входных столбцов используются отдельные смещение и масштаб. Активации и остальные параметры сохранены в BF16. Квантование выполнено без градиентного обучения, с калибровочным корпусом из текстов общего, программного, математического, научного и длинноконтекстного содержания. Модель предназначена для генерации текста и диалогового вывода. В репозитории лежит fake-quant чекпойнт: троичная реконструкция сохранена как BF16-тензоры, поэтому размер файлов и требования к памяти не соответствуют реальному хранению весов в 1,58 бита. Для запуска требуется память, достаточная для BF16-чекпойнта, либо распределение модели по устройствам. Лицензия в предоставленных данных не указана.

hellohazime/Qwen3.8-2.4T-A95B-REAP-256GB-GGUF — это сжатая версия крупной MoE-модели Qwen3.8-2.4T-A95B, разработанная на основе unsloth/Qwen3.8-2.4T-A95B-GGUF. Модель предназначена для генерации текста и прежде всего для англоязычных задач и программирования на компьютерах с примерно 256 ГБ оперативной или унифицированной памяти. Она загружается и работает в стандартной основной ветке llama.cpp без специального runtime или форка. В модели сохранены 304 из 512 экспертов в каждом MoE-слое, выбранные по частоте маршрутизации на англоязычном и кодовом корпусе объёмом 200 тысяч токенов. Внутренняя ширина каждого оставшегося эксперта уменьшена с 2048 до 1536 каналов. Квантизация не выполнялась повторно: сохранённые данные побайтово соответствуют исходной квантизованной модели UD-IQ1_S с плотностью 1,56 бит на вес. Итоговый размер составляет 246 ГБ, или 229 ГиБ. Сильная сторона модели — существенное уменьшение требований к памяти при сохранении значительной части поведения исходной модели: на отложенных данных совпадение главного токена составило 79,2% для английского языка и 86,6% для кода. При этом модель заметно отклоняется от исходной на редких и сложных случаях; показатель perplexity вырос с 9,05 до 10,90 на английском и с 1,89 до 2,38 на коде. Авторы предупреждают, что неанглоязычные и выходящие за пределы калибровочного корпуса задачи намеренно принесены в жертву, поэтому модель не рекомендуется для многоязычной работы и сложного рассуждения. Лицензия указана как qwen3.8-max, тип лицензии — other.

Qwen3-ASR-0.6B-int8-QAD — сжатая версия Qwen/Qwen3-ASR-0.6B для распознавания речи, подготовленная VinRobotics. Модель размером около 0,6 млрд параметров использует архитектуру Qwen3-ASR и принимает аудио, выдавая текстовую транскрипцию. Веса квантизированы до INT8 методом SmoothQuant, после чего модель дообучена с помощью дистилляции с учителем на псевдоразметке для восстановления части точности, потерянной при квантизации. Модель рассчитана на многоязычную транскрибацию речи; в метаданных перечислены 23 языка, включая русский, английский, китайский, арабский, французский, испанский и японский. В README приведены результаты WER для английского LibriSpeech dev-clean-2 и вьетнамского VIVOS; на этих наборах QAD улучшает результат относительно одной только INT8-квантизации, хотя показатели остаются немного хуже базовой FP16-модели. Квантизация предназначена для снижения потребления памяти и ускорения вывода на оборудовании с INT8 tensor cores. Лицензия — Apache-2.0.

Qwen3-Reranker-8B-AWQ-INT4 — это квантизированная версия модели Qwen3-Reranker-8B, опубликованная drawais и основанная на модели Qwen/Qwen3-Reranker-8B от оригинальных авторов Qwen. Модель предназначена для переранжирования текстовых результатов, например для выбора наиболее релевантных документов или фрагментов в поисковых и retrieval-системах. В README явно указан английский язык; другие языки не заявлены. Используется весовая квантизация INT4 в формате AWQ, что уменьшает размер модели примерно до 6,1 ГБ и позволяет запускать её на потребительском GPU с 8 ГБ видеопамяти при наличии запаса под KV-кэш. Заявлена поддержка запуска через Transformers и vLLM; пример конфигурации использует максимальную длину контекста 32 768 токенов. Сильными сторонами являются сниженные требования к памяти и сохранение назначения специализированного reranker, однако квантизация может влиять на качество по сравнению с исходной моделью, а сведения о точных характеристиках архитектуры, качестве на тестах и поддерживаемых модальностях в README отсутствуют. Модель распространяется по лицензии Apache License 2.0; это производная работа Qwen/Qwen3-Reranker-8B, для которой указаны требования к атрибуции.

arthurcollet/Qwen3-VL-Embedding-2B-mlx — конвертированная в формат MLX мультимодальная модель эмбеддингов на основе Qwen3-VL-Embedding-2B. README указывает, что конверсия выполнена с помощью mlx-vlm версии 0.3.11; метаданные связывают модель с Qwen/Qwen3-VL-2B-Instruct и относят её к семейству Qwen3-VL. Модель предназначена для извлечения признаков из мультимодальных данных. Формат MLX рассчитан на запуск в экосистеме Apple MLX. Репозиторий распространяется по лицензии Apache-2.0. README отсылает к карточке исходной модели за подробностями; конкретные языки и ограничения в предоставленных данных не описаны.

Карточка модели unsloth/QwQ-32B на Hugging Face совпадает с карточкой Qwen/QwQ-32B, поэтому описание составлено по ней. 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.

Cross-encoder-модель для оценки релевантности пар текстов, опубликованная в репозитории cross-encoder-testing. Она дообучена на базе prajjwal1/bert-tiny с использованием библиотеки sentence-transformers и обучалась на данных GooAQ. Модель предназначена для англоязычных задач семантического поиска, ранжирования результатов, оценки текстового сходства, поиска перефразирований, классификации и кластеризации. Модель принимает пару текстов и вычисляет для неё единый score, поэтому особенно подходит для переранжирования кандидатов после этапа первичного поиска. Максимальная длина последовательности составляет 512 токенов, предусмотрена одна выходная метка. Заявленные метрики включают MAP, MRR@10 и NDCG@10, однако конкретные значения результатов в карточке не приведены. К сильным сторонам относятся компактная архитектура BERT-tiny и поддержка стандартного интерфейса CrossEncoder, что может облегчать применение в сценариях, где важны небольшие вычислительные затраты. Ограничения включают работу только с английским языком, обработку текстов парами и ограничение контекста 512 токенами; сведения о точности на конкретных прикладных наборах данных отсутствуют. Модель распространяется по лицензии Apache-2.0.

deepset/roberta-large-squad2 — модель deepset для извлечения ответов на вопросы из текста. Это RobertaForQuestionAnswering на базе FacebookAI/roberta-large, дообученная на SQuAD 2.0, включая вопросы без ответа. Модель содержит 454,1 млн параметров и принимает контекст до 514 токенов. Модель предназначена для поиска фрагмента текста, отвечающего на вопрос, в том числе в документах, подключённых к конвейеру Haystack. Она рассчитана на английский язык и поддерживает задачу question-answering. Веса доступны в форматах PyTorch, Flax и Safetensors. Лицензия — CC BY 4.0. Ограничения: модель обучена на SQuAD 2.0 и ориентирована на английский язык; качество ответов за пределами этого распределения данных может снижаться. Длина обрабатываемого контекста ограничена 514 токенами.

Rolodex-12B — модель Polygramme для поиска по личным и командным базам знаний в агентных системах. Это дообученная на траекториях поиска производная zai-org/GLM-4.5-Air: применялся LoRA-адаптер, затем его веса были объединены с базовой моделью. Архитектура — GLM-4 MoE; в README указаны 12 млрд активных и 106 млрд общих параметров, тогда как метаданные каталога указывают 8,5 млрд параметров. Модель принимает текстовые запросы и использует инструменты для многошагового поиска, обращения к памяти и синтеза ответов с опорой на найденные данные. Контекст — до 131 072 токенов. Модель предназначена для retrieval- и memory-augmented агентных сценариев, включая поиск фактов и сбор свидетельств из индексированных источников. По внутренней оценке разработчика, она улучшает ответы на короткие фактологические вопросы по сравнению с GLM-4.5-Air и требует меньше вызовов инструментов, однако независимые бенчмарки ещё не представлены. В открытом чате может уступать универсальным инструкционным моделям; при скудных результатах поиска возможны галлюцинации, поэтому ответы следует сверять с источниками. Лицензия — MIT.

Ruri-Small v2 — модель эмбеддингов японских текстов от cl-nagoya, созданная дообучением cl-nagoya/ruri-pt-small-v2. Это Sentence Transformer на архитектуре DistilBERT с 68 млн параметров. Модель кодирует предложения и тексты в векторы размерностью 768; для сравнения используется косинусное сходство. Модель предназначена для поиска по смыслу, оценки сходства предложений, ранжирования и других задач, где нужно сопоставлять японские тексты. Максимальная длина входа — 512 токенов. На JMTEB модель получила среднюю оценку 73,30; в README указано, что доступны более новые модели Ruri v3. Модель принимает текст и выдаёт векторы. Распространяется по лицензии Apache 2.0.

RuvLTRA Claude Code — языковая модель для генерации текста и программного кода, разработанная проектом ruv. Она предназначена для интеграции с Claude Code и сценариев ассистированной разработки: генерации, дополнения, объяснения и рефакторинга кода. Модель также ориентирована на многоагентные рабочие процессы через claude-flow, где несколько экземпляров могут совместно выполнять задачи и использовать общую память. Модель построена на архитектуре Transformer и содержит около 0,5 млрд параметров. Она поставляется в формате GGUF с 4-битной квантизацией Q4_K_M, имеет контекст длиной 4096 токенов и размер файла около 398 МБ. Заявлены механизмы SONA для адаптации к стилю и предпочтениям пользователя, включая MicroLoRA, EWC++ и обучение на траекториях взаимодействия. Поддерживается англоязычный текст; другие языки в README не указаны. К сильным сторонам относятся небольшой размер, возможность локального и edge-развертывания, совместимость с llama.cpp, поддержка CPU, CUDA, ROCm и WebGPU, а также заявленная адаптация в реальном времени и ориентация на координацию нескольких агентов. Ограничения включают относительно небольшой объём контекста и размер модели, что может снижать качество сложного программирования по сравнению с крупными моделями; приведённые показатели производительности и возможности самообучения заявлены авторами README и не сопровождаются результатами бенчмарков. Лицензия — Apache 2.0.

SEA-CLIP-Tiny — компактная мультиязычная модель совместного представления текста и изображений, созданная авторами репозитория и дистиллированная из MetaCLIP2-ViT-B-16-worldwide. Она предназначена для поиска изображений по текстовому запросу и классификации изображений без дообучения на заданных классах. Модель содержит 46,11 млн параметров: визуальный энкодер ViT-T/16 и 12-слойный текстовый энкодер шириной 384 с размерностью эмбеддингов 512. Использует токенизатор CLIP BPE с контекстом 77 токенов и библиотеку open_clip. Модель поддерживает английский и семь языков Юго-Восточной Азии: индонезийский, яванский, сунданский, малайский, тайский, вьетнамский и бирманский. В README сообщается о лучших средних показателях retrieval R@1/R@5/R@10 среди компактных моделей, сравнивавшихся в статье, и о меньшей задержке на CPU по сравнению с MobileCLIP2. Лицензия — MIT. Модель выдаёт совместимые векторы текста и изображений, а результаты классификации зависят от формулировки текстовых меток и качества соответствия обучающим данным.

sonoisa разработал Sentence-LUKE — модель для получения векторных представлений японских предложений. Она дообучена на том же наборе данных и с теми же настройками, что и японская Sentence-BERT. По оценке автора на его закрытом наборе данных, количественное качество сопоставимо с Sentence-BERT или выше примерно на 0,5 процентного пункта, а качественные результаты лучше. Модель основана на предварительно обученной studio-ousia/luke-japanese-base-lite, имеет 138,4 млн параметров и контекст до 514 токенов. Модель предназначена для извлечения признаков и сравнения сходства японских предложений, например для поиска семантически близких текстов. Для запуска вывода требуется SentencePiece. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии Apache-2.0.