II.8Инженерия данных и аналитика

BuzzASR/macedonian — одноязычная модель автоматического распознавания речи на македонском языке, созданная командой BuzzASR дообучением Whisper large-v3 от OpenAI. Она принимает аудио и генерирует текстовую транскрипцию; подсказка языка и задачи уже задана в конфигурации генерации. Модель содержит около 905,2 млн параметров, построена на архитектуре Whisper и распространяется в формате safetensors для Transformers. Модель предназначена для транскрибации македонской речи. В README приведены результаты на тестовых наборах FLEURS и Common Voice 25, где авторы сообщают о снижении CER относительно Whisper large-v3 без дообучения. Лицензия — MIT. Проверка охватывает указанные тестовые наборы; точность на других предметных областях, диалектах и условиях записи может отличаться.

MetaCLIP H/14 — модель семейства CLIP, выпущенная командой MetaCLIP и представленная в работе Xu и соавторов «Demystifying CLIP Data». Это крупная версия с разрешением патчей 14, обученная на 2,5 миллиарда примеров CommonCrawl. Модель сопоставляет изображения и текст в общем пространстве эмбеддингов. Она предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений по запросу и поиска текста по изображению. Карточка не приводит сведения о поддерживаемых языках или длине контекста. Доступны веса PyTorch и Safetensors; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

MEXMA — мультиязычный кросс-языковой энкодер предложений, разработанный авторами исследования «MEXMA: Token-level objectives improve sentence representations». Модель дообучена на основе FacebookAI/xlm-roberta-large и объединяет цели обучения на уровне предложений и токенов: представление предложения на одном языке используется для предсказания маскированных токенов на другом языке. Модель предназначена для получения представлений предложений и сопоставления текстов на разных языках. Авторы сообщают о более высоком качестве в поиске соответствующих переводных фрагментов и ряде последующих задач по сравнению с другими предварительно обученными кросс-языковыми энкодерами предложений. В репозитории указаны архитектура XLM-RoBERTa, 658,7 млн параметров и контекст до 514 токенов; модель использует Transformers и формат safetensors. Для представления предложения следует брать выход энкодера CLS напрямую: pooler модели не обучался. Лицензия — MIT. README не приводит количественные результаты по конкретным задачам и не перечисляет поддерживаемые языки по отдельности.

mMiniLM-L6-v2-en-pt-msmarco-v2 — мультиязычная модель семейства MiniLM, разработанная Unicamp-DL и дообученная на двуязычной версии набора MS MARCO Passage Ranking. Набор включает исходные англоязычные passages и их переводы на португальский, выполненные Google Translate. Модель предназначена для сопоставления запросов с passages и ранжирования результатов поиска на английском и португальском языках. В метаданных указана архитектура XLM-RoBERTa с головой классификации последовательностей, 110,2 млн параметров и контекст до 514 токенов. Репозиторий содержит веса PyTorch; лицензия — MIT. Метаданные Hugging Face классифицируют модель как text-classification, поэтому для поиска в каталоге используется этот pipeline-тег. Карточка описывает обучение на двуязычных данных MS MARCO, но не приводит метрик качества. Португальская часть обучающих данных получена машинным переводом, что может влиять на качество ранжирования.

benjamintli/modernbert-code — модель Sentence Transformers, созданная дообучением answerdotai/ModernBERT-base на наборе code-retrieval-combined. Она преобразует текстовые запросы и фрагменты кода в плотные векторы размерностью 768 и подходит для семантического поиска и сопоставления запросов с релевантным кодом. В README указана максимальная длина последовательности 1024 токена; метаданные каталога указывают контекст до 8192 токенов, поэтому фактическую длину входа следует сверять с конфигурацией используемого чекпойнта и библиотеки. Для сравнения векторов рекомендуется косинусное сходство. Модель основана на encoder-only архитектуре ModernBERT, содержит 149 млн параметров и распространяется в формате safetensors. Основные сценарии — поиск кода по текстовому описанию, семантический поиск и ранжирование кандидатов по близости к запросу, а также поиск похожих текстов и кластеризация. В README приведены результаты оценки поиска информации, однако они относятся к указанному в карточке набору оценки. Модель не генерирует код или ответы: она выдаёт векторы для последующего сравнения. Лицензия в предоставленных данных не указана.

illuin-conteb/modern-colbert-insent — контекстная модель встраиваний документов на основе Sentence Transformers и архитектуры ModernBERT с механизмом ColBERT. Её дообучили из lightonai/GTE-ModernColBERT-v1 на ConTEB с использованием подхода InSeNT, описанного в исследовательской статье. Модель выдаёт векторы размерности 128; для сравнения использует MaxSim и принимает последовательности длиной до 8192 токенов. Модель предназначена для поиска релевантных фрагментов с учётом контекста документа, в частности для контекстного семантического поиска и ранжирования пассажей. Карточка характеризует её как экспериментальную: авторы сообщают о перспективных результатах, но отмечают ухудшение на стандартных задачах встраиваний и необходимость дальнейшего обучения для повышения устойчивости и обобщения на новые данные. Лицензия в предоставленных данных не указана.

RainbowPiBubbles/Nathanael-Embedding-8M — компактная энкодер-свободная модель зрения и языка на базе SupraLabs/SupraCMA-8M. Она предназначена для извлечения признаков из текста и изображений: принимает токены текста, пиксели изображения и признак наличия изображения, а выдаёт представления в скрытом пространстве языковой модели. Визуальные представления дистиллированы с использованием эмбеддингов SigLIP-2; вместо отдельного тяжёлого визуального энкодера используются математические патчи, отображающие визуальные токены в целевое представление. Модель доступна в форматах SafeTensors и ONNX: FP32 рассчитан на CPU и WASM, а FP16 — на ускорение через WebGPU или WebGL. Граф ONNX включает масштабирование и нормализацию изображений, что подходит для интеграции в браузерные и терминальные приложения. Лицензия — MIT. Карточка не описывает конкретные сценарии генерации ответов по изображениям, поэтому модель следует рассматривать прежде всего как средство извлечения признаков, а не как полноценный чат-интерфейс.

Needle 3 — компактная языковая модель компании Cactus Compute для локального запуска на мобильных устройствах, носимой электронике, роботах, системах умного дома, автомобилях и микроконтроллерах. В метаданных указаны 175,4 млн параметров, плотная архитектура NeedleForToolCalling и контекст до 8192 токенов. Модель распространяется под лицензией Apache-2.0. Needle 3 предназначена прежде всего для вызова функций и инструментов: она выбирает подходящие функции из заданных приложением и заполняет их аргументы по запросу пользователя. Также модель извлекает структурированные данные из неформатированного текста с ограничением формата ответа грамматикой и создаёт векторные представления предложений для локального поиска, сопоставления и маршрутизации. Разработчик указывает, что модель оптимизирована для этих задач на устройствах с ограниченными ресурсами, жертвуя возможностями общего чата. Архитектура сочетает Monarch Hadamard MLP, групповое внимание с причинными свёрточными связями, память n-грамм engram и многоканальные гиперсвязи; доступны варианты глубиной от 2 до 20 слоёв. README также описывает сжатие весов и грамматическое ограничение вывода. Для распознавания речи модель может работать вместе с отдельной моделью Whistle, но Needle 3 сама по себе не является моделью распознавания речи. Ограничения включают меньшие возможности общего диалога и зависимость качества вызова инструментов от описаний функций и заданных схем.

Nemotron-3.5 ASR Streaming 0.6B — мультиязычная модель автоматического распознавания речи, разработанная NVIDIA. Данная версия портирована в CoreML для локального запуска на устройствах Apple Silicon и предназначена для пакетной и потоковой транскрипции аудио. Модель поддерживает 40 языковых локалей, включая английский, немецкий, французский, русский, китайский, японский и хинди, а также выполняет пунктуацию и капитализацию. На вход подаётся монофонический звук с частотой 16 кГц. Архитектура представляет собой кэшируемый FastConformer с RNN-T и механизмом языкового кондиционирования. Модель содержит около 600 млн параметров; кодировщик состоит из 24 слоёв и квантизован в INT8, а декодер и joint-сеть используют FP16. Потоковая обработка выполняется фрагментами по 320 мс с сохранением внутренних кэшей. Размер набора на диске составляет около 612 МБ. Сильными сторонами являются низкая задержка, высокая скорость потоковой обработки и почти неизменная точность после квантизации. Ограничения включают ориентацию на экосистему CoreML и Apple Silicon, значительное потребление оперативной памяти — около 1 ГБ после загрузки и до 1,24 ГБ во время работы, — а также зависимость качества от языка и акустических условий. Модель распространяется по лицензии OpenMDW 1.1, соответствующей лицензии исходной модели NVIDIA; для исходной модели NVIDIA указана возможность коммерческого использования.

Nemotron-4-340B-Instruct-SafeTensors — текстовая языковая модель NVIDIA, опубликованная пользователем failspy. Это веса Nemotron-4-340B-Instruct, перенесённые из архитектуры NVIDIA NeMo в формат SafeTensors; автор репозитория предупреждает, что на момент публикации запуск инференса не поддерживается. Исходная модель дообучена на базе Nemotron-4-340B-Base с помощью SFT, DPO и RPO и предназначена для англоязычного чата и генерации синтетических данных для обучения и настройки языковых моделей. Модель использует авторегрессионный decoder-only Transformer с Grouped-Query Attention и RoPE, содержит 466,8 млрд параметров и рассчитана на контекст до 4096 токенов. В карточке описаны способности к следованию инструкциям, математическим рассуждениям и программированию; исходная модель обучалась на английских текстах, более чем 50 естественных языках и коде, но её основное назначение — английский язык. Для инференса в BF16 исходная карточка указывает на необходимость нескольких ускорителей H100, H200 или A100. Для репозитория указана лицензия other; README называет лицензию исходной модели NVIDIA Open Model License и сообщает о возможности коммерческого использования и создания производных моделей. Следует учитывать предупреждение автора о неподдерживаемом инференсе, а также риск неточных ответов, токсичных высказываний и усиления смещений из обучающих данных.

NLLB-CLIP-Large-SigLIP — мультиязычная модель для сопоставления изображений и текста, объединяющая текстовый энкодер NLLB и визуальный энкодер SigLIP. Её можно применять для классификации изображений по текстовым описаниям без дополнительного обучения: пользователь задаёт варианты подписей, а модель оценивает их соответствие изображению. Модель расширяет возможности CLIP на 201 язык набора Flores-200 и, согласно карточке, особенно хорошо работает с языками с ограниченными ресурсами. В README заявлено, что версия превосходит стандартный вариант и показывает state-of-the-art результат на Crossmodal-3600. Модель интегрирована с OpenCLIP; веса доступны в формате PyTorch. Лицензия CC-BY-NC-4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение. Карточка не приводит численный размер модели или длину контекста.

OS-Software выпустила North-Mini-Code-1.0-Uncensored-Heretic — изменённую с помощью abliteration версию CohereLabs/North-Mini-Code-1.0, модели для генерации кода и агентных задач. Это текстовая модель с архитектурой decoder-only Transformer и разреженным Mixture-of-Experts. В метаданных указаны 1,2 млрд параметров и контекст до 500 000 токенов; README базовой модели описывает 30 млрд общих и 3 млрд активных параметров, контекст 256 тыс. токенов и до 64 тыс. токенов вывода. Источники расходятся в размере и длине контекста. Модель предназначена для генерации и анализа кода, агентной разработки ПО и задач в терминале; поддерживает чат и может работать с инструментами через шаблон чата Transformers. Abliteration существенно ослабила защитное выравнивание: в приведённом README тесте refusals снизились с 84/100 у исходной модели до 0/100. Это повышает вероятность вредных, неточных, предвзятых или оскорбительных ответов. README рекомендует исследовательское применение, эксперименты, исследования безопасности и red-teaming, а также независимую проверку результатов и защитные меры. Для модели указана лицензия Apache 2.0. Она принимает текст и генерирует текст; сведения о поддерживаемых естественных языках не приведены.

OdiaSBERT — модель L3Cube-Pune для получения векторных представлений предложений на языке одия. Она основана на OdiaBERT и дообучена на наборе данных NLI; модель выпущена в рамках проекта MahaNLP. Её применяют для измерения сходства предложений и построения эмбеддингов, в том числе для поиска или группировки близких по смыслу текстов на одия. Модель использует архитектуру BERT, содержит около 264,8 млн параметров и обрабатывает до 512 токенов контекста. Репозиторий содержит веса PyTorch; лицензия — CC BY 4.0. Для получения эмбеддингов README описывает использование Sentence-Transformers либо применение подходящей операции pooling поверх выходов трансформера. Модель предназначена для одия и не заявлена как многоязычная: для поддержки основных индийских языков и межъязыковых задач авторы указывают отдельную мультиязычную модель. README также упоминает более качественную модель сходства, дообученную на основе этой; поэтому для максимального качества сходства стоит учитывать это ограничение.

Ornith-1.0-35B-GGUF — открытая модель семейства Ornith-1.0, разработанная deepreinforce-ai и представленная в формате GGUF при участии Unsloth. Это 35-миллиардная MoE-модель, ориентированная на агентное программирование и эффективный запуск на одной GPU. Модель обучалась с применением обучения с подкреплением и самоулучшающегося подхода, при котором оптимизируются как траектории решения, так и scaffolding, управляющий их построением. Модель предназначена для автономных задач разработки ПО, включая работу с терминалом, исправление ошибок и решение инженерных задач в репозиториях. В README заявлены результаты 64,2 на Terminal-Bench 2.1 (Terminus-2), 62,8 на Terminal-Bench 2.1 (Claude Code) и 75,6 на SWE-bench Verified. К сильным сторонам относятся высокая эффективность в агентном кодировании и возможность локального развертывания на одной GPU. Данные о поддерживаемых языках, размере контекста и мультимодальности не указаны; по назначению модель относится к текстовой генерации. Модель распространяется по лицензии MIT и заявлена как доступная без региональных ограничений. Поскольку это GGUF-квантизация, фактические требования к памяти и качество зависят от конкретного варианта квантизации, однако сведения о доступных уровнях квантизации в представленном README отсутствуют.

Ornith-1.0-9B-GGUF — GGUF-квантизированная версия Ornith-1.0-9B, разработанная Unsloth на базе модели deepreinforce-ai/Ornith-1.0-9B. Это компактная открытая модель для агентного программирования, ориентированная на эффективное развёртывание на одной GPU и решение задач, связанных с разработкой и изменением кода. Модель относится к семейству Ornith-1.0, в котором применяется обучение с подкреплением для совместной оптимизации решений и scaffolding, управляющего поиском решения. Для версии 9B заявлены результаты 43,1 на Terminal-Bench 2.1 (Terminus-2), 40,6 на Terminal-Bench 2.1 (Claude Code) и 69,4% на SWE-bench Verified. README не содержит точных сведений о размере контекста, языках программирования, поддерживаемых модальностях или конкретной архитектуре; из тегов следует принадлежность к семейству Qwen 3.5 MoE, но это не позволяет достоверно описать архитектуру данной версии. К сильным сторонам относятся специализация на агентном кодинге, компактный размер и возможность локального запуска с использованием GGUF. Ограничения связаны с отсутствием в представленных данных подробностей о квантизации, требованиях к памяти, контекстном окне и языковом покрытии, поэтому практические характеристики следует уточнять отдельно. Модель распространяется по лицензии MIT.

Карточка модели facebook/PE-Spatial-S16-512 на Hugging Face совпадает с карточкой facebook/PE-Core-L14-336, поэтому описание составлено по ней. 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.

CBTW/PromptSegmentation-MiniLM-L6-v2 — модель классификации текста на базе SetFit, дообученная на sentence-transformers/all-MiniLM-L6-v2. Она сочетает энкодер предложений с классификационной головой LogisticRegression и предназначена для отнесения текста к одному из 12 классов, включая роли, инструкции и ответы. Модель использует эффективное обучение на небольшом числе примеров: контрастивное дообучение энкодера и обучение классификатора на полученных признаках. Модель содержит 25,9 млн параметров и принимает текстовые последовательности длиной до 512 токенов по метаданным; в README указана максимальная длина 256 токенов. Карточка описывает примеры обучающих текстов и классов, но не устанавливает поддерживаемые языки. Лицензия в предоставленных данных не приведена.

PunjabiSBERT-STS — модель эмбеддингов предложений, разработанная L3Cube-Pune в рамках проекта MahaNLP. Это дообученная на наборе STS модель PunjabiSBERT, основанная на l3cube-pune/punjabi-sentence-bert-nli. Она предназначена для оценки семантического сходства между предложениями на панджаби и получения векторных представлений предложений для поиска и сравнения текстов. Модель использует архитектуру BERT и содержит 264,8 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch, а для получения эмбеддингов README описывает использование Sentence-Transformers либо трансформера Hugging Face с подходящей операцией pooling. Лицензия — CC BY 4.0.

Quintus-1.7B — компактная англоязычная модель-ассистент, разработанная iamrahulreddy на базе Qwen/Qwen3-1.7B-Base. Модель с плотной архитектурой Qwen3 содержит 1,7 млрд параметров, принимает текст и предназначена для диалоговой генерации, рассуждений и написания кода. Контекст модели — до 32 768 токенов по метаданным; в описании обучения указана упаковка последовательностей длиной 4096 токенов. Студент обучен методом онлайн-дистилляции по полному распределению токенов от Qwen3-8B, а затем дообучен на целевом наборе инструкций для поведения ассистента, согласованности ответов и устойчивости генерации. В README сообщается о лучших результатах по GSM8K, ARC-Challenge и WinoGrande по сравнению с базовой и instruct-версиями Qwen3-1.7B; численные результаты в доступном фрагменте не приведены. Модель выпускается под лицензией MIT и совместима с Transformers и vLLM. Модель ограничена возможностями компактной модели: фактические ответы могут быть уверенно ошибочными, а код — не учитывать сложность и граничные случаи. Результаты в режиме продолжения текста и в формате чата несопоставимы напрямую; README указывает, что дополнительная настройка предпочтений могла бы улучшить калибровку, отказы и качество открытого диалога.

Atomic-Germ/Qwable-Claude-Fable-5-Distilled-NPU2 — это квантованный порт модели empero-ai/Qwable-9B-Claude-Fable-5, подготовленный разработчиком Atomic-Germ для инференса на NPU AMD XDNA. Модель собрана в формате Q4NX для среды выполнения FastFlowLM и не является файлом GGUF. Указанный размер исходной модели — 9 млрд параметров, размер файла весов model.q4nx — 7,11 ГБ. Модель поддерживает языковые и визуальные входы и ориентирована на агентное программирование, работу с кодом и мультимодальные сценарии, включая анализ изображений. В репозитории также присутствуют отдельные веса vision-модуля, токенизатор и шаблон диалога. Для работы требуется FastFlowLM версии 1.0.1 и совместимое оборудование AMD XDNA NPU; запуск предусмотрен через утилиту flm-add и runtime FastFlowLM. Ключевое преимущество модели — адаптация под локальный NPU-инференс с использованием квантования Q4NX, что может снизить требования к памяти и повысить практичность запуска на совместимом оборудовании. Ограничения включают зависимость от FastFlowLM и AMD XDNA, отсутствие совместимости с GGUF, а также отсутствие в карточке сведений о поддерживаемых языках, размере контекстного окна, точных характеристиках архитектуры и результатах оценки качества. Лицензия в предоставленном README не указана.

Qwen2.5-Coder-0.5B-Q8_0-GGUF — это версия модели Qwen2.5-Coder-0.5B, преобразованная в формат GGUF проектом ggml-org с использованием llama.cpp и сервиса GGUF-my-repo. Модель предназначена для генерации текста и работы с программным кодом; в карточке указаны теги code и qwen, а заявленный язык — английский. Модель содержит около 0,5 млрд параметров и использует 8-битную квантизацию Q8_0, что делает её подходящей для локального запуска при ограниченных вычислительных ресурсах. Поддерживается работа через llama.cpp в режиме CLI или сервера; в примере запуска указан контекст размером 2048 токенов. Сведения об архитектуре, мультимодальности и точном наборе поддерживаемых языков, кроме английского, в карточке отсутствуют. Компактный размер и формат GGUF являются сильными сторонами для локального развёртывания, однако по сравнению с более крупными моделями модель, вероятно, имеет более ограниченные возможности при сложной генерации кода и рассуждениях. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-1.5B-Instruct-abliterated-GGUF — это набор GGUF-квантизаций инструкционной модели Qwen2.5-Coder-1.5B-Instruct-abliterated. Исходную модель разработала huihui-ai, а квантизации подготовил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, прежде всего для задач, связанных с программированием, и запуска через llama.cpp или LM Studio. Доступны варианты от F16 до низкобитных квантизаций Q3 и IQ3 с размером файлов примерно от 1 до 3,56 ГБ. Указан английский язык; сведения о других языках, архитектуре, длине контекста и поддержке мультимодальности в README отсутствуют. Более точные варианты Q6 и Q5 позиционируются как высококачественные, а Q4_K_M — как сбалансированный вариант для большинства сценариев; низкобитные версии экономят оперативную память, но могут снижать качество. Отдельные Q4-варианты оптимизированы для ARM и требуют соответствующей поддержки инструкций. Модель распространяется по лицензии Apache-2.0. В README также указано, что вариант является abliterated и uncensored, поэтому ограничения исходной модели в отношении отказов могут отличаться; конкретные характеристики безопасности и результаты оценки не приведены.

Модель Hutgaecha/Qwen3-0.6B-JSON-SFT-GRPO разработана Hutgaecha как дообученная версия Hutgaecha/Qwen3-0.6B-JSON-SFT. Это компактная плотная языковая модель семейства Qwen3 с архитектурой Qwen3ForCausalLM и примерно 507,9 млн параметров. Она предназначена для генерации текста в диалоговом формате, в том числе для задач, связанных с формированием JSON; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Контекст составляет до 40 960 токенов. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Данных о специализированных ограничениях или гарантируемом качестве JSON в карточке нет.

dongguanting/Qwen3-14B-ARPO-DeepSearch — чекпойнт модели, выпущенный вместе со статьёй об алгоритме Agentic Reinforced Policy Optimization (ARPO). Это плотная причинно-языковая модель семейства Qwen3 с 14 млрд параметров, предназначенная для генерации текста, диалога и многошагового использования инструментов агентом. Модель работает с текстом, а заявленная длина контекста составляет 40 960 токенов. ARPO обучает агентную политику взаимодействовать с внешними инструментами в ходе решения задач. В статье описаны адаптивный механизм выборки на основе энтропии и оценка вклада отдельных шагов; авторы сообщают об экспериментах на 13 тестах по вычислительным рассуждениям, знаниям и глубокому поиску, а также о снижении бюджета использования инструментов. Для практического применения описан запуск через Transformers; конкретные инструменты и агентная настройка требуют отдельной реализации. Модель опубликована под лицензией MIT. README представляет её как исследовательский чекпойнт к статье, поэтому заявленные результаты следует считать экспериментальными и не гарантировать на новых задачах; подробности о поддерживаемых языках и конкретных внешних инструментах в доступных материалах не приведены.

StephYang выпустил текстовый чекпойнт Qwen3.5-4B, дообученный методом on-policy distillation (OPD) на наборе tmax15k Harbor SWE. Это плотная авторегрессионная модель семейства Qwen3.5 с 3,4 млрд параметров и контекстом до 262 144 токенов; репозиторий содержит объединённый экспорт весов в safetensors, сохранённых в bfloat16. Модель предназначена для генерации текста в диалоговом формате и задач, связанных с разработкой программного обеспечения. Чекпойнт получен после одной эпохи и 35 шагов обучения. Для загрузки README указывает Transformers версии 5.6.0 или новее. Лицензия — Apache 2.0. Это текстовая версия Qwen3.5; возможности понимания изображений базовой мультимодальной модели к этому чекпойнту не следует автоматически приписывать. Карточка не приводит результатов оценки качества, поэтому пригодность для конкретных SWE-сценариев требует проверки.

Карточка модели rwiecekgmailcom/qwen35-claude-coder на Hugging Face совпадает с карточкой Dzluck/qwen35-claude-coder-GGUF, поэтому описание составлено по ней. Dzluck опубликовал GGUF-сборку Qwen3.5 Claude Coder — дообученной модели для автономной работы в Claude Code в роли агента-программиста и системного администратора. Репозиторий содержит варианты на 4 и 9 млрд параметров; карточка указывает базовую модель Qwen/Qwen3.5-9B. Модель рассчитана на контекст до 64 тыс. токенов, диалог и вызов инструментов через совместимый с Anthropic API. Она предназначена для локальных задач с кодом, файлами, диском и сетью: README подчёркивает выполнение действий через инструменты и опору на их фактический вывод. Указана лицензия Apache-2.0. Заявления о качестве и скорости основаны на тестировании автора на компьютерах Apple Silicon через Ollama; приведённые результаты не являются независимой оценкой.

Qwen-encoder-0.5B-i1-GGUF — это квантизированная GGUF-версия модели Qwen-encoder-0.5B, разработанной knowledgator и подготовленной к квантизации пользователем mradermacher. Модель относится к энкодерным языковым моделям и связана с подходом LLM2Vec. В качестве обучающего набора указана англоязычная Wikipedia. Модель предназначена для задач классификации, извлечения именованных сущностей и question answering, а также для других сценариев, где требуется получать представления текста и анализировать его содержание. Указан размер около 0,5 млрд параметров, поддерживается английский язык. Модель распространяется в формате GGUF с несколькими вариантами квантизации размером примерно 0,4–0,6 ГБ, что позволяет запускать её на ограниченных по памяти устройствах. Сильными сторонами являются компактный размер, широкий выбор уровней квантизации и возможность локального использования. При этом README не содержит данных о длине контекста, точных характеристиках архитектуры, результатах оценки качества или поддержке других модальностей и языков. Низкобитные варианты могут заметно уступать по качеству; для компромисса между скоростью, размером и качеством рекомендованы Q4_K_S и Q4_K_M. Лицензия модели — Apache-2.0.

Ruri v3 30M — модель эмбеддингов японского текста, разработанная cl-nagoya на базе ModernBERT-Ja и дообученная от cl-nagoya/ruri-v3-pt-30m. Она преобразует предложения и фрагменты текста в векторы размерностью 256 для сравнения смысловой близости, поиска, ранжирования и кластеризации. Модель содержит 36,7 млн параметров, поддерживает последовательности до 8192 токенов и использует токенизатор SentencePiece; для токенизации не требуется внешняя сегментация японского текста. Модель предназначена для японских текстовых задач. В оценке JMTEB версия 30M показала средний результат 74,51; карточка также приводит метрики поиска, семантического сходства, классификации, переранжирования и кластеризации. Указана функция сходства cosine similarity. Репозиторий содержит веса safetensors, лицензия — Apache 2.0.

Sakura-SOLAR-Instruct-DPO-v2 — языковая модель Kyujin Han (kyujinpy), созданная консорциумом LLM-исследований компаний 미디어그룹사람과숲 и 마커. Это плотная авторегрессионная модель семейства Llama на 10,6 млрд параметров, предназначенная для диалоговой генерации текста и ответов на вопросы. Модель обучена методом DPO на наборе argilla/distilabel-math-preference-dpo; карточка приводит результаты бенчмарков рассуждений и общих знаний, включая GSM8K. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 4096 токенов. Веса опубликованы в формате safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных работ на тех же условиях и не допускает коммерческого использования.

Shenava Koochik v1.0 — модель распознавания персидской речи из семейства Shenava-1, разработанная автором репозитория Reza2kn. Это исходный чекпойнт NeMo в формате FP32 с 114 млн параметров, основанный на NVIDIA stt_fa_fastconformer_hybrid_large и дообученный для персидского автоматического распознавания речи. Архитектура FastConformer Hybrid RNNT/CTC; в опубликованных вариантах развёртывания используется CTC-голова. Модель принимает одноканальную персидскую речь с частотой дискретизации 16 кГц и выдаёт текст на персидском языке. Поддерживаются режимы с несколькими настройками контекста; модель предназначена для оценки, дальнейшей тонкой настройки и экспорта. В опубликованных тестах указаны WER 7,49% на visualears-golden-6669 и 10,64% на FLEURS-fa при контексте [70,13] и принятой авторами нормализации текста. Качество распознавания может снижаться из-за акцента, шума, наложения речи, особенностей канала записи и переключения языков; важные по смыслу расшифровки следует проверять. Лицензия — Apache-2.0.