II.8Инженерия данных и аналитика

Gradience-T1-3B-preview — экспериментальная многоязычная чат-модель Tesslate, дообученная на Qwen/Qwen2.5-3B-Instruct с использованием набора данных Tesslate/Gradient-Reasoning. Она предназначена для генерации текста и ответов с пошаговым разбором задач; авторы описывают её как попытку ускорить рассуждения и предлагают включать такой режим системным запросом. Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2 и принимает контекст до 32 768 токенов. Модель поддерживает английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. Доступна в формате safetensors через Transformers. Лицензия — Apache-2.0. Версия обозначена как preview/beta, поэтому качество и скорость рассуждений могут быть нестабильными.

Granite-4.1-8B-TNG-Coder-V11-2800-Heretic-BF16 — объединённая модель на базе IBM Granite-4.1-8B и нескольких производных Granite-чекпойнтов. Автор карточки сообщает о дополнительном обучении на задачах серверной разработки с примерами на Haskell, Go и Python, а также о дистилляции ответов Qwen и Claude. Модель использует плотную архитектуру GraniteForCausalLM, содержит 8,4 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста и кода в диалоговом режиме; режим рассуждений включён по умолчанию. Её можно применять для помощи при разработке серверной части, написания и объяснения кода и ответов на технические вопросы. В метаданных указаны библиотека Transformers и формат safetensors. Лицензия — Apache-2.0. Заявленная специализация на серверной разработке и приведённые в карточке результаты тестов не дают полной оценки качества на реальных задачах. В описании также нет подробных сведений о тестировании, рекомендуемых настройках генерации или поддерживаемых языках естественного общения.

Hemlock-Qwopus3.5-9B-Coder-i1-GGUF — квантизированная версия модели Hemlock-Qwopus3.5-9B-Coder, опубликованная mradermacher и созданная на базе nbeerbower/Hemlock-Qwopus3.5-9B-Coder. Модель дообучалась на наборах hemlang/Hemlock2-DPO, hemlang/hemlock-formulary-SFT и hemlang/hemlock-codex-SFT; для базовой версии заявлено около 9 млрд параметров. В карточке также указаны теги vision-language-model и image-text-to-text, поэтому модель предназначена для работы с текстом и изображениями, включая задачи генерации и анализа кода, однако подробные сценарии применения не описаны. Распространяется в формате GGUF с imatrix-квантизациями различных уровней — от i1-Q2_K до i1-Q6_K, размером примерно от 4,0 до 7,7 ГБ. Для запуска мультимодальных возможностей могут потребоваться файлы mmproj из статического репозитория. Заявлен английский язык; сведения о размере контекста, точной архитектуре, поддерживаемых форматах изображений и результатах тестирования отсутствуют. Более компактные варианты требуют меньше памяти, а варианты более высокого качества занимают больше места; в README отдельно отмечены рекомендации по i1-Q4_K_M как быстрому варианту и i1-Q4_K_S как компромиссу размера, скорости и качества. Лицензия в карточке модели не указана, поэтому условия коммерческого и иного использования необходимо уточнять отдельно. Модель опубликована как набор готовых квантованных файлов и также содержит imatrix-файл для самостоятельного создания квантов.

InternVL2_5-4B-MPO — мультимодальная чат-модель OpenGVLab, дообученная на основе OpenGVLab/InternVL2_5-4B с применением Mixed Preference Optimization. Она предназначена для диалога и генерации текстовых ответов на запросы об изображениях, нескольких изображениях и видеокадрах, включая распознавание текста и визуальные вопросы. Модель построена по схеме ViT-MLP-LLM: визуальная часть InternViT-300M-448px-V2_5 связана через MLP-проектор с языковой частью Qwen2.5-3B-Instruct; изображения обрабатываются с динамическим разрешением и разбиением на тайлы 448×448 пикселей. Модель подходит для визуальных помощников, анализа изображений и видео, ответов по содержимому диаграмм и документов. Для запуска в README приведён пример использования Transformers с весами bf16 или fp16; также описаны инференс с несколькими изображениями, потоковая генерация и развёртывание через LMDeploy. Репозиторий использует формат safetensors и распространяется по лицензии MIT. Модель может ошибаться при интерпретации изображений и видео; обработка нескольких изображений увеличивает расход входных токенов. README не приводит размер контекста и перечень поддерживаемых языков, поэтому эти характеристики здесь не уточняются.

kompress-v2-base — модель-экстрактор для сжатия запросов и результатов инструментов перед передачей большой языковой модели. Её разработал chopratejas на основе ModernBERT-base: к энкодеру добавлены LoRA-адаптер и две классификационные головы, которые оценивают важность каждого токена. Модель оставляет выбранные токены в исходном порядке, поэтому результат представляет собой подпоследовательность входного текста, а не его перефразирование или генерацию. Модель обучена на 126 617 размеченных примерах из разных источников, включая диалоги, код, трассы агентов, научные, медицинские, финансовые и государственные тексты. Контекст — до 8 192 токенов. Основной артефакт для интеграции — ONNX-модель с квантизацией int8 для запуска на CPU; также доступна версия fp32. В тестах при стандартном пороге 0,5 удалялось около 13% субсловных токенов, F1 составлял 0,920, а полнота сохранения важных фрагментов — 0,989. Модель предназначена для сокращения длинного контекста в LLM-прокси, в частности при обработке длинных ответов инструментов. Она не генерирует текст и не восстанавливает удалённое содержимое; более высокий порог усиливает сжатие, но может повысить риск потери нужных деталей. Распространяется по лицензии Apache 2.0, разрешающей коммерческое использование.

Kuray107/librispeech-100h-supervised — модель распознавания речи, дообученная на основе facebook/wav2vec2-large-lv60. Она использует архитектуру wav2vec2 с выходной головой CTC и содержит 402,7 млн параметров. Модель предназначена для преобразования аудио в текст; в карточке указано значение WER 0,0345 на оценочном наборе, но подробности о наборе и методике оценки не приведены. Модель принимает аудио и выдаёт текст. Идентификатор и описание указывают на связь с LibriSpeech, однако README не раскрывает языки, конкретные сценарии применения и ограничения качества. Веса доступны в формате PyTorch по лицензии Apache 2.0.

Карточка модели miromind-ai/MiroThinker-v1.5-235B на Hugging Face совпадает с карточкой miromind-ai/MiroThinker-v1.5-30B, поэтому описание составлено по ней. MiroThinker v1.5-30B — поисковый агент для многошагового рассуждения и поиска информации, разработанный MiroMind и дообученный на базе Qwen/Qwen3-30B-A3B-Thinking-2507. Модель использует архитектуру Qwen3 MoE и предназначена для работы в диалоговом режиме с внешними инструментами через агентный фреймворк. Модель поддерживает контекст до 262 144 токенов и, согласно карточке, может выполнять до 400 вызовов инструментов за задачу. Она рассчитана на глубокие исследовательские запросы, требующие поиска, проверки сведений и последовательного уточнения ответа по обратной связи от среды. Метаданные указывают 2,6 млрд параметров; в README модель включена в серию, также представленную вариантом на 235 млрд параметров. В карточке заявлены результаты на бенчмарках HLE-Text, BrowseComp, BrowseComp-ZH и GAIA-Val-165; это заявления разработчика, а подробный технический отчёт на момент публикации карточки ещё не представлен. Для полноценного использования рекомендуется агентная инфраструктура с подключёнными инструментами и включённым режимом рассуждения. Модель распространяется по лицензии MIT.

Xenova/mobilebert-uncased-mnli — это версия модели typeform/mobilebert-uncased-mnli с весами в формате ONNX, подготовленная для работы с библиотекой Transformers.js. Разработчик исходной модели — Typeform; репозиторий Xenova адаптирует её для веб-сред и JavaScript-приложений. Модель предназначена для классификации текстов без дополнительного обучения по заранее заданным категориям (zero-shot classification). Она может оценивать, насколько входной текст соответствует меткам, например «positive» и «negative», что подходит для анализа тональности, тематической маршрутизации и других задач классификации с динамическим набором классов. Основная архитектура — MobileBERT; в README не указаны размер модели, максимальная длина контекста, точный набор поддерживаемых языков и модальности, поэтому предполагается работа только с текстом. Ключевое преимущество модели — возможность запуска через Transformers.js и ONNX, в том числе в веб-средах, без использования исходного формата весов. Ограничения включают зависимость от качества и формулировки заданных меток, а также отсутствие в README подробностей о точности, производительности и языковых возможностях. Лицензия в предоставленных данных не указана.

ModernBERT-Large-Instruct — слегка дообученная на инструкциях версия ModernBERT-large, разработанная Answer.AI. Модель с плотной архитектурой ModernBERT и головой masked language modeling обучена на 20 млн примеров из коллекции FLAN со смешанной целью: предсказание токена ответа и вспомогательная задача заполнения маски. Модель предназначена для заполнения пропусков в тексте и может служить основой для классификации и других задач обработки текста с нулевым обучением или дополнительной тонкой настройкой. В README приведены результаты на наборах для оценки знаний и классификации. Модель содержит 394,7 млн параметров, принимает текстовые последовательности длиной до 8192 токенов и поддерживается библиотекой Transformers. Обучающие данные преимущественно на английском языке и включают код, поэтому лучше всего модель работает с английским текстом и кодом. README предупреждает, что это первая версия и у неё вероятны ошибки. Лицензия — Apache-2.0.

ModernBERT-TR — плотный энкодер на архитектуре ModernBERT, разработанный авторами проекта ModernBERT-TR и опубликованный организацией ytu-ce-cosmos. Модель содержит около 149 млн параметров, состоит из 22 слоёв и использует чередование глобального и локального внимания. Она предварительно обучена с нуля как masked-language model и принимает последовательности длиной до 8 192 токенов. Основное назначение модели — предсказывать скрытые токены в тексте. Её можно применять как основу для дообучения классификаторов, задач попарного вывода и поиска, а также для извлечения представлений текста. Обучающие данные преимущественно турецкие; также использовались английский язык, код и небольшой объём параллельных текстов. В описанных оценках модель показала сильные результаты при замороженном энкодере и высокие позиции на турецких бенчмарках. Для запуска доступна через Transformers; в репозитории представлены веса Safetensors и формат ONNX. Лицензия — Apache-2.0. Карточка сообщает о результатах бенчмарков, но не приводит подробных ограничений по качеству или безопасности, поэтому пригодность для конкретного сценария следует проверять отдельно.

RinKana/ms-marco-MiniLM-L12-v2-cross-lingual-reranker — дообученная cross-encoder-модель на базе cross-encoder/ms-marco-MiniLM-L12-v2, созданная с использованием библиотеки sentence-transformers. Она оценивает пары текстов и выдаёт один числовой балл релевантности, который подходит для повторного ранжирования результатов поиска и семантического поиска. Модель принимает текст; архитектура основана на BERT и имеет около 40 млн параметров. Максимальная длина последовательности — 512 токенов. Карточка называет модель cross-lingual, однако приведённые сведения о данных и примерах относятся к английскому языку, поэтому поддержку других языков подтвердить нельзя. Лицензия в предоставленных данных не указана. Модель подходит для ранжирования пар запроса и найденного фрагмента, но её вход ограничен 512 токенами.

cross-encoder/ms-marco-MiniLM-L2-v2 — англоязычная модель ранжирования от команды Sentence Transformers, обученная на задаче MS MARCO Passage Ranking. Она оценивает релевантность пары «поисковый запрос — пассаж» и подходит для повторной сортировки результатов, предварительно найденных поисковой системой. Модель построена на архитектуре BERT и имеет 16,4 млн параметров; принимает текстовые пары и выдаёт оценку релевантности. Длина контекста — до 512 токенов. В README приведены результаты на TREC Deep Learning 2019 и наборе MS MARCO Passage Reranking; скорость измерялась на V100. Доступны форматы PyTorch, Safetensors, ONNX, OpenVINO и Flax. Модель предназначена прежде всего для англоязычного поиска. Для каждого кандидата запрос и пассаж оцениваются совместно, поэтому её обычно применяют после первичного поиска, а не для сравнения с большим корпусом напрямую. Распространяется по лицензии Apache-2.0.

multi-modal-embed-small — компактная мультимодальная модель эмбеддингов из семейства MoM (Mixture of Models), объединяющая представления текста, изображений и аудио в общем семантическом пространстве. По карточке модель насчитывает около 120 млн параметров и использует текстовый энкодер MiniLM-L6-v2, визуальный энкодер SigLIP-base-patch16-512, аудиоэнкодер Whisper-tiny и двухслойный трансформер для слияния представлений. Модель предназначена для поиска и сравнения объектов между модальностями: например, поиска изображения по тексту или текста по аудио. Эмбеддинги имеют размерность 384; Matryoshka Representation Learning позволяет сокращать её до 32, 64, 128 или 256 измерений, а 2DMSE поддерживает адаптивные вычисления. Изображения обрабатываются при разрешении 512×512, аудио — длительностью до 30 секунд с частотой 16 кГц. Поддерживается только английский язык; генерация не является назначением модели. В README приведены результаты поиска по изображениям на COCO и аудио на LibriSpeech, однако они сами по себе не гарантируют аналогичное качество на других данных. Репозиторий содержит веса SafeTensors; метаданные также указывают ONNX-формат и библиотеку Transformers. Лицензия — Apache-2.0.

Muse-Glimmer-30B-Hermes-Agentic — дообученная Виктором Крузом (vcruz305) модель на базе Muse Glimmer 30B от Meta Superintelligence Lab. Это плотный трансформер с энкодером восприятия, обученный выполнять короткие последовательности вызова инструментов в Hermes Agent и совместимых OpenAI-style агентных оболочках: использовать один или два инструмента, затем остановиться и сформировать ответ. Дообучение проводилось на синтетических англоязычных трассах Hermes; визуальные веса заморожены, поэтому основное назначение этой версии — работа с текстом и инструментами, а не улучшение анализа изображений. Модель содержит около 29,6 млрд параметров и сохраняет архитектуру, токенизатор и контекст базовой модели — 131 072 токена и более. В тестах автора она показала 16/20 на симулированных задачах с инструментами и 7/7 на небольшой нативной батарее Hermes; результаты относятся к ограниченным тестовым наборам и не являются сертификацией. Англоязычное дообучение может ухудшать поведение при работе на других языках; также отмечены ошибки в отдельных сценариях, включая простые команды и удаление файлов. Использование инструментов требует собственных защитных мер, особенно для необратимых действий. Лицензия — Apache 2.0.

North-Micro-Vision-Instruct-bf16 — преобразованная для Apple MLX версия мультимодальной модели CohereLabs North-Micro-Vision-Instruct. Она использует архитектуру Cohere Compass и принимает текст и изображения, чтобы отвечать на вопросы о визуальном содержимом в диалоговом формате. Модель подходит для анализа изображений и документов, включая распознавание текста на изображениях; подробные сценарии и ограничения описаны в карточке исходной модели. В репозитории размещены веса MLX в формате safetensors с точностью bfloat16, без квантизации весов. Для работы используется MLX-VLM; MLX оптимизирована для компьютеров Apple с Apple silicon. Лицензия — Apache-2.0. Это преобразование формата и точности исходных весов, поэтому модель сохраняет исходную архитектуру и назначение.

OdiaSBERT-STS — модель семейства SBERT от команды L3Cube-Pune, входящая в проект MahaNLP. Это модель на архитектуре BERT, дообученная на датасете оценки семантического сходства предложений (STS) поверх l3cube-pune/odia-sentence-bert-nli. Она преобразует тексты на одия в плотные векторные представления для сравнения смысловой близости предложений и поиска семантически похожих текстов. Модель содержит 264,8 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель подходит для оценки сходства пар предложений, семантического поиска и кластеризации текстов на одия. Для работы с эмбеддингами в Transformers требуется применять соответствующую операцию pooling к контекстным представлениям токенов; README также описывает использование Sentence-Transformers. Лицензия — CC BY 4.0. Карточка не сообщает результаты качества или ограничений помимо указанных характеристик.

Onyx-Whisper-Tiny — компактная модель распознавания речи на базе Whisper Tiny от OpenAI, подготовленная для движка OnyxSTT на устройствах Apple с MLX. В модели 29,4 млн параметров; аудиоэнкодер квантован до 4 бит с размером группы 64, а декодер, эмбеддинги и свёрточные слои сохранены в fp16. Такой смешанный формат занимает около 66 МБ вместо примерно 151 МБ в fp32. Модель предназначена для преобразования аудио в текст, включая локальную транскрибацию записей. По данным карточки, смешанная точность сохраняет качество базовой версии на проверенных фрагментах с числами, именами и кодами; полная 4-битная квантизация декодера могла бы ухудшить их распознавание. Поддерживается мультиязычный режим. Лицензия — Apache-2.0, унаследованная от базовой модели.

OpenHands/openhands-lm-1.5b-v0.1 — компактная языковая модель для программирования, разработанная OpenHands. Это плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 1,5 млрд параметров, дообученная на основе Qwen/Qwen2.5-Coder-1.5B-Instruct на данных SWE-Gym/SWE-Gym по рецепту OpenHands LM. Модель рассчитана на диалоговое взаимодействие и интерфейс вызова инструментов; её заявленное назначение — speculative decoding. Модель подходит для генерации и анализа кода, а также для работы агента разработки над задачами из GitHub, включая исправление ошибок и решение проблем в репозиториях. Метаданные указывают контекст до 32 768 токенов и английский язык. Модель распространяется в формате safetensors по лицензии MIT. README описывает исходную 32B-модель и её результаты, поэтому приведённые там показатели производительности и контекст 128K не следует переносить на эту версию 1.5B. Карточка предупреждает, что компактная версия предназначена для speculative decoding; её качество может быть ниже на разнообразных задачах разработки, она может повторять шаги и чувствительна к квантизации.

PaliGemma 2 28B — разработанная Google базовая модель компьютерного зрения и языка. Она объединяет визуальный энкодер SigLIP с языковой моделью Gemma 2 и принимает изображения размером 448×448 пикселей вместе с текстом; длина текстовой последовательности на входе и выходе — до 512 токенов. Веса доступны в формате bfloat16 для дообучения. Модель предназначена прежде всего для настройки под конкретные задачи: описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображениях, обнаружения и сегментации объектов. Возможные специализированные сценарии включают анализ снимков дистанционного зондирования, описание элементов интерфейса и ответы на визуальные вопросы. Модель поддерживает несколько языков, но их перечень в предоставленных данных не уточнён. Лицензия — Gemma; применяются условия использования и политика запрещённого использования Gemma. Это базовая модель для однократного запроса с изображением и текстом, а не многоходовый чат-бот; для специализированных задач рекомендуется дообучение. Она может ошибаться в фактах и рассуждениях, хуже справляться с неоднозначными или сложными открытыми запросами, а также отражать предвзятость данных обучения. Для применения нужны проверки качества и меры безопасности.

PE-Core-L-14-336 — версия энкодера Perception Encoder в формате OpenCLIP, разработанного Meta. Это контрастивная модель с визуальной и текстовой башнями, предназначенная для сопоставления изображений и текстовых описаний. Репозиторий содержит вариант L/14 с разрешением изображений 336 пикселей; в семействе модели L и B дистиллированы из основной версии G. Для визуального кодирования используется attention pooling, а L-версия дополнительно имеет class token для глобальной агрегации признаков. Модель подходит для классификации изображений по текстовым меткам без отдельного обучения на этих метках, а также для извлечения признаков и поиска соответствий между изображениями и текстом. В карточке семейства также описаны результаты для видеоклассификации и видеопоиска, однако этот репозиторий размечен для zero-shot классификации изображений. Веса доступны в форматах PyTorch и safetensors; лицензия — Apache-2.0. Число параметров именно этой конфигурации в карточке не приведено.

BuzzASR Polish — одноязычная модель автоматического распознавания польской речи, разработанная в рамках набора BuzzASR и дообученная полным циклом на основе openai/whisper-large-v3. Модель использует архитектуру WhisperForConditionalGeneration и содержит около 907,3 млн параметров; для польского заменён токенизатор, а при дообучении применялись речевые и текстовые данные. Модель предназначена для преобразования польской речи в текст, например для транскрибации записей и аудио. В README приведены результаты на тестовых выборках FLEURS и Common Voice 25.0; на объединённой выборке указаны CER 7,75% и WER 23,31%. Лицензия модели — MIT. Модель рассчитана только на польский язык. README предупреждает, что качество на других предметных областях и диалектах может отличаться от результатов на использованных тестовых наборах.

PunjabiSBERT — модель семейства BERT от L3Cube-Pune, дообученная на наборе данных NLI для получения представлений предложений на пенджабском языке. Она предназначена для вычисления семантического сходства между предложениями и извлечения эмбеддингов для поиска или группировки текстов. Модель содержит 264,8 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель подходит для сравнения пенджабских предложений и построения приложений на основе векторного поиска. Для использования по лицензии CC-BY-4.0 требуется атрибуция. В README отмечена отдельная улучшенная версия для сходства предложений; сведения о её сравнительных результатах здесь не приведены.

Qwen2.5-Coder-0.5B-GGUF — это набор GGUF-квантизованных версий языковой модели Qwen2.5-Coder-0.5B. Исходную модель разработала команда Qwen, а квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена прежде всего для генерации и обработки программного кода, включая локальный запуск через llama.cpp и LM Studio. Модель содержит около 0,5 млрд параметров, работает в текстовом режиме и заявлена для английского языка. README не указывает архитектуру и размер контекстного окна. Доступны варианты от F16 размером около 0,99 ГБ до компактных квантизаций Q3–Q8 размером примерно 0,34–0,53 ГБ. Более точные варианты обычно сохраняют лучшее качество, тогда как низкобитные версии экономят память, но могут заметнее терять в качестве. Отдельные варианты оптимизированы для ARM и требуют поддержки SVE или i8mm. Модель удобна для локального запуска на устройствах с ограниченными ресурсами и поддерживает специальный шаблон prompt в формате ChatML. Ограничения включают небольшой размер модели, возможное снижение качества при сильной квантизации и отсутствие в README подробных данных о результатах тестирования, архитектуре и контекстном окне. Модель распространяется по лицензии Apache-2.0.

SeongryongJung/Qwen3-8B-ToolUse-SRPO-TR — дообученная версия Qwen3-8B для использования инструментов, обученная методом SRPO-TR с размером батча 32. В репозитории размещён лучший и одновременно финальный чекпойнт global_step_100, выбранный по валидационному показателю mean@16; для набора Tool use указано значение 66,45%. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 7,6 млрд параметров. Она принимает текст и генерирует текст; контекстное окно составляет 40 960 токенов. Карточка демонстрирует загрузку через Transformers. Базовая Qwen3-8B описана как многоязычная модель, но конкретные языки этой настройки отдельно не перечислены. Модель предназначена для сценариев, где языковая модель должна выбирать и вызывать инструменты. Результат в таблице относится к указанному набору и метрике, поэтому сам по себе не гарантирует аналогичного качества на других наборах задач. Лицензия — Apache-2.0.

Это экспорт многоязычной модели распознавания речи Qwen3-ASR-0.6B, разработанной Alibaba. Репозиторий подготовлен для loom.cpp и содержит веса в формате GGUF; README указывает, что параметры модели не изменены относительно Qwen/Qwen3-ASR-0.6B. Модель предназначена для преобразования аудио в текст. Её можно запускать через библиотеку loom-py-rt; экспорт включает необходимые для работы графы и драйвер. Поддерживаются китайский, английский, кантонский и ряд других языков, включая русский. Модель распространяется по лицензии Apache-2.0. Это экспорт исходных весов, поэтому его возможности и ограничения определяются базовой моделью Qwen3-ASR-0.6B; подробные сведения о точности и условиях аудиозаписи в карточке не приведены.

mlx-community/Qwen3-Reranker-0.6B-4bit — модель для переранжирования текстовых результатов, разработанная сообществом mlx-community на основе Qwen/Qwen3-Reranker-0.6B от Qwen. Она предназначена для оценки релевантности пар «запрос — документ», например при веб-поиске и retrieval-сценариях, чтобы упорядочивать найденные passages по соответствию запросу. Модель использует cross-encoder на базе causal language model и вычисляет оценку релевантности через вероятности ответов «yes» и «no». Для работы требуется MLX; модель была конвертирована с использованием mlx-lm 0.31.3. Доступна в аффинной 4-битной квантизации с group_size=64, примерно 4,5 бита на вес. Размер на диске составляет около 331 МБ. В README не указаны точный размер архитектуры, поддерживаемые языки и максимальная длина контекста. К преимуществам относятся компактный размер и возможность применять модель для переранжирования найденных документов с вероятностной оценкой релевантности. Ограничения включают необходимость подавать пары «запрос — документ» и возможное снижение точности из-за 4-битной квантизации. Модель распространяется по лицензии Apache-2.0.

qwen-indic-v1-i1-GGUF — это набор квантованных GGUF-версий модели qwen-indic-v1, разработанной LingoIITGN и подготовленной к квантованию пользователем mradermacher. Модель ориентирована на получение эмбеддингов и извлечение признаков в сценариях sentence-transformers, включая семантический поиск, сопоставление текстов и другие задачи многоязычной обработки текста. Она предназначена для индийских языков, среди которых ассамский, бенгальский, гуджарати, хинди, каннада, кашмири, малаялам, маратхи, непальский, ория, пенджаби, санскрит, тамильский, телугу, урду и ряд других языков Южной Азии. Модель распространяется в формате GGUF с imatrix-квантованием и представлена в вариантах от i1-IQ1_S до i1-Q6_K размером примерно от 2,0 до 6,3 ГБ, а также отдельным файлом imatrix для создания собственных квантованных версий. README не содержит сведений о размере исходной модели, архитектуре, максимальной длине контекста, поддерживаемых модальностях помимо текста или точных показателях качества. Разные варианты предлагают компромисс между размером, скоростью и качеством: низкобитные версии требуют меньше памяти, но могут заметно ухудшать результаты, тогда как Q4_K_M отмечен как быстрый и рекомендуемый вариант. К сильным сторонам относятся специализация на индийских языках, поддержка локального запуска через GGUF и широкий выбор уровней квантования. Ограничения связаны с отсутствием подробных архитектурных и оценочных характеристик, а также с возможной потерей качества в наиболее компактных вариантах. Указана лицензия Apache-2.0.

timm/resnet50_clip.cc12m — модель семейства CLIP с визуальным энкодером ResNet-50, представленная как совместимая с open_clip и timm. Она обучена на наборе CC12M и предназначена для классификации изображений по текстовым описаниям без обучения на конкретных классах: модель сопоставляет изображение с предложенными текстовыми вариантами. Репозиторий доступен в форматах PyTorch и Safetensors; лицензия — MIT. Модель подходит для поиска по изображениям и отнесения изображений к заданным категориям с помощью текстовых меток. Карточка не сообщает размер модели, языковую поддержку или ограничения качества; результаты могут зависеть от формулировок текстовых описаний и набора предложенных классов.

Shitao/RetroMAE_MSMARCO_finetune — BERT-подобная модель семейства RetroMAE, разработанная Shitao Xiao и соавторами для задач нейронного информационного поиска. Она представляет собой дообученную на коллекции MS MARCO passage версию RetroMAE_MSMARCO и предназначена для построения retrieval-ориентированных языковых представлений и плотного поиска.

rmihaylov/roberta-base-nli-stsb-bg — многоязычная модель на архитектуре XLM-RoBERTa для построения эмбеддингов предложений на болгарском языке. Разработчик обучил её на закрытых параллельных данных на болгарском и английском языках, используя подход Sentence-BERT: переводы одного предложения должны располагаться близко друг к другу в векторном пространстве. Модель чувствительна к регистру. Модель предназначена для оценки сходства предложений и задач, где требуется сопоставлять болгарские тексты по смыслу. Она содержит 305,2 млн параметров, принимает текст и выдаёт векторные представления; максимальный контекст — 514 токенов. Репозиторий содержит веса PyTorch, лицензия — MIT. Обучающие данные закрыты, поэтому состав и охват обучающей выборки нельзя независимо проверить. Карточка описывает создание эмбеддингов болгарских предложений, но не приводит количественных оценок качества.