II.8Инженерия данных и аналитика

Это квантованная публикация модели Qwen3.8-27B-Brainwaves-WFH-BF16 в формате GGUF от mradermacher. В репозитории приведены варианты квантования и дополнительные файлы mmproj для мультимодального использования; метаданные указывают размер формата BF16 и поддержку чата и следования инструкциям. Модель предназначена для генерации текста в диалогах и выполнения инструкций. Метаданные также описывают её как многоязычную и отмечают задачи программирования, математики, рассуждений и творческого письма. Для GGUF указана лицензия Apache-2.0. README не содержит сведений о точном контекстном окне или конкретных ограничениях качества.

Qwen3.8-27B-Cold-Fusion-GAIN-V1.1-YMQ-GGUF — это GGUF-квантизированная версия модели Qwen3.8-27B Cold-Fusion GAIN V1.1, исходно разработанной DavidAU. Квантизация выполнена проектом ZeroDigest с использованием собственного YMQ-Compiler v2.0 и архитектурно-ориентированного подхода к смешанной точности на основе исходных файлов BF16. Модель предназначена прежде всего для генерации текста и задач программирования, включая работу с API и агентскими инструментами вроде RooCode и Aider. В репозитории заявлена поддержка параллельного multi-token prediction (MTP) для спекулятивной генерации, а также оптимизация для сценариев с большим контекстом. Архитектура описана тегами как включающая Mamba/SSM и multi-token prediction; размер исходной модели — 27B параметров. Языки и точный размер контекстного окна в README не указаны. Доступно несколько пресетов смешанной точности размером примерно от 9,1 до 14,5 ГБ, рассчитанных на видеокарты с 12, 16 и 24 ГБ VRAM. Варианты различаются балансом качества, объёма памяти и запаса под контекст; среди рекомендуемых указаны M-TI и S-Pro для 16 ГБ VRAM, а M и L-TI — для 24 ГБ. Заявленные преимущества включают сохранение логики при квантизации и пригодность для длительных агентских циклов, однако приведённые оценки качества ограничены отдельными тестами perplexity и не заменяют независимой проверки в прикладных задачах. Лицензия — Apache-2.0.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU-MXFP4-1M — это релиз Solstice-AI на базе модели DavidAU Qwen3.8-27B-TURBO-Fable-Cold-Fusion. Solstice-AI выполнила квантование, масштабирование контекста и упаковку, а исходную модель и её GAIN-merge разработал DavidAU. Модель предназначена для рассуждений, программирования, агентной разработки ПО, отладки репозиториев, управления компьютером и мобильными устройствами, а также обработки длинных контекстов. README также заявляет поддержку визуального понимания через комплектный модуль mmproj-BF16.gguf, включая схемы, интерфейсы кода и видеокадры. Модель содержит 27 млрд параметров и распространяется в формате OCP Microscaling MXFP4. Заявлена гибридная архитектура Qwen 3.8: 75% слоёв используют линейное внимание Gated Delta Recurrent Network, а 25% — глобальное Grouped-Query Attention. Указаны аппаратное Multi-Token Prediction с генерацией двух токенов за проход и потенциальным ускорением 1,72–2,20 раза, а также контекст до 1 048 576 токенов благодаря YaRN RoPE scaling. Заявлены языки English и Chinese. Для запуска упоминаются vLLM, Anvil Runtime и совместимость с AMD ROCm, Intel Gaudi и современными Tensor Core. К сильным сторонам относятся большой контекст, низкоразрядное представление MXFP4, поддержка рассуждений и программирования, мультимодальность и заявленные высокие результаты в SWE-bench Pro, LiveCodeBench, OSWorld, AndroidWorld и других тестах. Ограничения включают зависимость производительности от совместимого оборудования и программного стека, а также то, что приведённые в README сравнительные результаты и характеристики не сопровождаются подробным описанием методики и независимой проверкой. Модель описана как uncensored и с удалёнными отказными ограничениями, что может повышать риски небезопасных ответов. Лицензия — Apache 2.0.

Qwen3-Coder-30B-A3B-Instruct — причинная языковая модель семейства Qwen3-Coder, разработанная командой Qwen. Представленная карточка относится к GGUF-версии Userb1az. Модель предназначена прежде всего для генерации и анализа кода, агентского программирования, работы с инструментами и агентского взаимодействия с браузером, а также для понимания репозиториев и выполнения задач разработки в средах вроде Qwen Code и CLINE. Модель использует mixture-of-experts (MoE) архитектуру: всего 30,5 млрд параметров, из которых при обработке активируются 3,3 млрд; предусмотрено 48 слоёв, 128 экспертов и 8 активируемых экспертов. Используется Grouped Query Attention с 32 головами запросов и 4 головами ключей/значений. Нативная длина контекста составляет 262 144 токена, а с применением YaRN может быть расширена до 1 млн токенов. Это текстовая модель без мультимодальных возможностей, поддерживающая только режим без рассуждений и не генерирующая блоки <think></think>. Языки в карточке явно не указаны. К сильным сторонам относятся заявленная производительность в задачах агентского программирования и browser-use, эффективная MoE-активация и большой контекст для работы с кодовыми базами. Ограничения включают необходимость значительных вычислительных ресурсов при работе с полным контекстом, возможные ошибки нехватки памяти и зависимость от совместимого программного обеспечения; для GGUF-версии конкретные требования к квантизации и аппаратному обеспечению не приведены. Модель распространяется по лицензии Apache-2.0.

ighina/RoBERTa_topseg_wikidisease_ARP — модель на базе архитектуры RoBERTa, опубликованная в формате PyTorch. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу и кластеризации. Модель можно использовать через Sentence-Transformers или Transformers с подходящей операцией pooling для получения вектора из контекстных представлений токенов. В карточке указано около 151,8 млн параметров и контекст длиной до 514 токенов. Модель подходит для построения семантического поиска, сопоставления текстов и группировки похожих предложений и абзацев. Лицензия и конкретные ограничения применения в предоставленных данных не описаны.

afschowdhury/semantic-xlmr-bn — модель Sentence Transformers, разработанная Asif Faisal Chowdhury для сопоставления предложений и абзацев в общем векторном пространстве. Она предназначена для семантического поиска и сходства, кластеризации текстов, поиска документов и извлечения информации, а также может применяться в рекомендательных системах и FAQ-системах. Модель основана на XLM-RoBERTa Large и содержит 305,2 млн параметров. Её дообучили методом мультиязычной дистилляции знаний: paraphrase-distilroberta-base-v2 использовалась как учитель, а XLM-RoBERTa Large — как ученик. На выходе — плотные векторы размерности 768; максимальный размер контекста — 514 токенов. Основной целевой язык — бенгальский, при этом модель заявлена как мультиязычная. Модель принимает текст и формирует эмбеддинги для сравнения, кластеризации и поиска. Для задач поиска её можно использовать вместе с индексом векторного поиска; качество для конкретного корпуса и других языков следует проверять отдельно. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

Daniel Park публикует дообученную версию sentence-transformers/all-MiniLM-L6-v2 для получения эмбеддингов предложений и сравнения их семантической близости. Модель основана на архитектуре BERT, содержит 25,9 млн параметров и принимает текстовые последовательности с контекстом до 512 токенов. В README описано контрастивное дообучение на парах предложений с косинусным сходством; указана длина последовательности 128 токенов при обучении. Модель подходит для поиска похожих предложений, семантического поиска и сопоставления вопросов или текстовых фрагментов. Карточка указывает английский язык и обучающие данные из нескольких источников, включая S2ORC, MS MARCO, SNLI и MultiNLI. Распространяется под лицензией Apache-2.0. README не приводит оценок качества именно этой версии.

Signal 3.8 27B — дообученная AgentionAI мультимодальная модель на архитектуре Qwen3.5 с 27 млрд параметров, предназначенная для более краткой и быстрой генерации ответов. По данным разработчика, при сохранении качества на их проверочных наборах модель сокращала число токенов в ответах и рассуждениях; после обновления весов 13 сентября 2026 года эти показатели ещё не были повторно измерены. Изменена только матрица выходного слоя lm_head, остальные веса, включая vision encoder, проектор и MTP draft head, совпадают с Qwen/Qwen3.8-27B. Модель поддерживает диалог, анализ изображений и интерфейс вызова инструментов. Её можно использовать для лаконичных ответов на вопросы, программирования, рассуждений и задач с изображениями; автор приводит настройки запуска с контекстом до 65 536 токенов. Для стабильной краткой генерации рекомендуются параметры семплирования и кэширования, указанные в карточке модели. Модель распространяется в формате BF16 через Transformers и совместима с vLLM, SGLang и конвейерами квантизации. Лицензия — Apache-2.0. Приведённые сравнения качества и скорости относятся к конкретным тестам разработчика; измерения токеновой экономии для обновлённых весов ещё не завершены.

Mozilla/smart-tab-embedding — англоязычная модель Sentence Transformer, разработанная Mozilla и дообученная на базе sentence-transformers/all-MiniLM-L6-v2. Она кодирует предложения и абзацы в плотные векторы размерностью 384 для семантического сравнения текстов; близость векторов оценивается косинусным сходством. Архитектура основана на BERT: токеновые представления усредняются, затем вектор нормализуется. В репозитории представлены форматы ONNX и safetensors; размер модели — 25,9 млн параметров, контекст по метаданным — до 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов, а также оценки сходства предложений. Карточка описывает обучение на 49 800 парах предложений с CosineSimilarityLoss. Указанная оценка Spearman cosine равна 0,2402, поэтому качество на конкретной задаче следует проверять на собственных данных. Лицензия в предоставленных данных не указана.

Smaug-Llama-3-70B-Instruct-GGUF — квантизированная версия инструкционной языковой модели Smaug-Llama-3-70B-Instruct, разработанной Abacus AI. Квантизацию выполнил bartowski с использованием imatrix и поддержки Smaug в llama.cpp. Модель предназначена для генерации текста по инструкциям, решения математических задач и работы с кодом; в качестве исходных данных указаны aqua_rat, microsoft/orca-math-word-problems-200k и m-a-p/CodeFeedback-Filtered-Instruction. Формат GGUF позволяет запускать её через llama.cpp, начиная с версии b3001. Модель содержит 70 миллиардов параметров и относится к текстовым моделям; сведения о поддерживаемых языках и размере контекста в README не указаны. Доступны варианты квантизации от Q8_0 до IQ1_M с размером файлов примерно от 75 ГБ до менее 20 ГБ. Варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и некоторые IQ-квантизации отмечены как рекомендуемые: они предлагают компромисс между качеством и требованиями к памяти. Более сильная квантизация сохраняет качество, но требует значительных ресурсов, тогда как варианты Q2 и Q1 экономят память за счёт заметного снижения качества. Для корректной работы следует использовать указанный формат приглашений Llama 3 с системным сообщением, запросом пользователя и ответом assistant. README указывает лицензию llama2; дополнительные ограничения и условия коммерческого использования не описаны.

Spec-T1-Base-7B — плотная языковая модель на 7 млрд параметров от SVECTOR-CORPORATION, обученная с нуля для рассуждений. Она предназначена для генерации текста и диалогов, в частности для решения математических задач и рассуждений о коде. В карточке указаны интерфейс чата и интерфейс вызова инструментов; модель принимает текст и генерирует текст. Модель предварительно обучали примерно на 5 трлн токенов в течение 5,5 месяцев на данных с акцентом на математику и программирование. Контекст составляет до 32 768 токенов. В README приведены результаты внутренних оценок; команда уточняет, что измерения проводились в контролируемой среде и не проверялись внешними организациями. Репозиторий содержит веса в формате safetensors. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в карточке модели. Заявления о сравнении с моделями большего размера относятся к оценкам авторов; результаты могут зависеть от условий тестирования.

LeroyDyer разработал эту дообученную модель семейства Mistral на основе LeroyDyer/Mixtral_AI_CyberTron_DeepMind_III. Это языковая модель с 7,1 млрд параметров для генерации текста; заявленная длина контекста — 32 768 токенов. Веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для диалогов и выполнения инструкций, включая помощь с программированием, анализом текста, извлечением сущностей, расчётами и генерацией идей. В карточке также заявлены сценарии консультативного общения и работа с медицинской информацией, однако результаты таких применений не подтверждены приведёнными оценками. Обучающие данные включают наборы для кода, диалогов, математики, преобразования текста в SQL и английского и суахили. Автор описывает модель как разговорную, способную использовать историю диалога и выдавать разнообразные ответы; приведены результаты Open LLM Leaderboard, но не полная таблица. Практическая точность и надёжность заявленных специализированных возможностей могут зависеть от формулировки запроса. Модель принимает текст и генерирует текст.

StrangeMerges_18-7B-dare_ties — объединённая языковая модель, созданная Gille с помощью LazyMergekit на основе Gille/StrangeMerges_17-7B-dare_ties и teknium/OpenHermes-2.5-Mistral-7B. В ней используется архитектура Mistral с плотной сетью и 7,1 млрд параметров; модель распространяется в формате Safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно применять для ответов на вопросы, написания текстов и помощи с кодом; README приводит результаты оценки на бенчмарках рассуждений и понимания текста. Указана лицензия Apache-2.0. README не уточняет языковой охват и отдельные гарантии качества, поэтому результаты на бенчмарках не следует считать обещанием качества для любых сценариев.

Jiunsong/SuperDeepseek-V4-Flash-abliterated-MQ-2xDGX — производная от DeepSeek-V4-Flash-0731 модель для генерации текста, рассуждений, программирования, работы с длинным контекстом и вызова инструментов. Она создана на базе официального чекпойнта DeepSeek и распространяется как самостоятельно загружаемый дообученный чекпойнт без LoRA-адаптера или адаптера времени выполнения. Заявленная архитектура — MoE класса 304B: 43 основных слоя и 3 MTP-слоя, 256 маршрутизируемых экспертов с выбором top-6. Поддерживаются английский и корейский языки, а заявленный контекст составляет 1 048 576 токенов; README сообщает об успешном извлечении данных из запроса длиной 1 028 621 токенов. Модель использует смешанную точность: FP4 для весов экспертов, FP8 E4M3 для блочно-квантизированных путей и отдельных обновлений, BF16 для чувствительных к качеству компонентов, а также NVFP4 для KV-кэша при измерениях. Ключевые преимущества — значительно меньше отказов в тестовом режиме, сохранённые показатели вызова инструментов, проверенная работа с контекстом около миллиона токенов и высокая совокупная скорость декодирования на двух узлах DGX Spark. Ограничения — модель ориентирована на специализированную конфигурацию ускорителей, имеет крупный размер около 169,5 ГБ, использует квантизацию и не предназначена для оценки как полноразмерный BF16-чекпойнт; приведённые показатели производительности относятся к конкурентной генерации, а не к одному потоку. Лицензия — MIT.

Zybg выпустил дообученную модель Sentence Transformer на базе dunzhang/stella_en_1.5B_v5. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для сравнения текстов по косинусному сходству. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и распространяется в формате safetensors; в метаданных указан контекст до 131 072 токенов, а в README — максимальная длина последовательности 512 токенов. Модель предназначена для семантического поиска и сопоставления текстов, включая оценку сходства, поиск перефразировок, кластеризацию и классификацию. README указывает на дообучение на 1 040 парах anchor-positive с использованием MultipleNegativesRankingLoss. Несмотря на название репозитория, описание данных не подтверждает медицинскую специализацию. Лицензия в предоставленных источниках не указана.

mlx-community/tasksource-ModernBERT-base-embed-bf16 — англоязычная encoder-only модель эмбеддингов на архитектуре ModernBERT, подготовленная сообществом mlx-community в формате MLX для использования с mlx-embeddings. Это преобразованная версия tasksource/ModernBERT-base-embed; исходная модель дообучена на основе answerdotai/ModernBERT-base и предназначена для извлечения признаков и оценки сходства предложений. Модель содержит 149 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. Её можно применять для семантического поиска, сопоставления запросов с документами, поиска ответов и ранжирования текстов по смысловой близости. Английский язык подтверждён карточкой модели; обучение включало наборы данных для поиска, сходства предложений и вывода на естественном языке. Модель распространяется в формате safetensors, а README указывает на применение через mlx-embeddings. Лицензия в предоставленных данных не указана.

use-cmlm-multilingual — версия на PyTorch модели universal-sentence-encoder-cmlm/multilingual-base-br, опубликованная в репозитории sentence-transformers. Она преобразует тексты на 109 языках в векторы общего пространства, чтобы сопоставлять предложения между языками. Модель основана на LaBSE и предназначена для получения эмбеддингов и задач семантического сходства. Модель использует архитектуру BERT и содержит около 498,1 млн параметров. Максимальная длина контекста — 512 токенов. Доступны веса PyTorch, Safetensors и TensorFlow; лицензия — Apache-2.0. Карточка отмечает сопоставимое с LaBSE качество на последующих задачах, но не приводит конкретных оценок или бенчмарков.

uzbek-minilm — модель эмбеддингов предложений на базе BERT, дообученная разработчиком sukhrobnurali на многоязычной sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 для семантического поиска и извлечения документов на узбекском языке, а также поиска между узбекским и английским. Модель содержит 124,3 млн параметров, преобразует текст в нормализованные векторы и принимает предложения или документы без специальных префиксов; максимальная длина контекста — 512 токенов. По README, дообучение на парах узбекских текстов заметно улучшило результаты поиска относительно базовой модели. Модель подходит для поиска фрагментов в узбекских корпусах и RAG, сравнения сходства предложений, кластеризации и двуязычного поиска uz↔en. Разработчик сообщает высокие результаты на тесте узбекского поиска, но на кросс-языковой оценке модель уступает своей модели uzbek-e5-small. Качество кириллического узбекского проверено ограниченно; редкие тематики представлены хуже, а часть параллельных данных содержит шум машинного перевода. Лицензия — Apache 2.0.

Larryvrh опубликовал версию Yi-6B-200K от 01.AI, преобразованную для совместимости с архитектурой Llama и удобства использования. Это плотная авторегрессионная языковая модель с примерно 5,8 млрд параметров и контекстом до 200 000 токенов, распространяемая в формате Safetensors. Она предназначена для генерации текста, включая ответы на вопросы, понимание длинных текстов, рассуждения, математику и задачи по коду; карточка описывает оценивание на наборах MMLU, CMMLU, C-Eval и других бенчмарках. Модель поддерживает китайский и английский языки. Лицензия — Apache-2.0. Результаты генерации могут быть ошибочными или проблематичными; в README также отмечено, что оценки бенчмарков зависят от промптов, постобработки и настроек декодирования.

ZynDwarf-1.1 — компактная текстовая языковая модель общего назначения, разработанная Zyn Models / itsZyn на основе Liquid AI LFM2.5-350M. Модель содержит около 354,5 млн параметров и предназначена прежде всего для локального запуска на CPU-ориентированном оборудовании, встраивания в локальные инструменты и использования в агентских системах. Модель ориентирована на повседневный диалог на испанском и английском языках, объяснение и генерацию кода, отладку, преобразование программ, лёгкое планирование, структурированный вывод, выбор инструментов и обработку результатов их работы. Она поддерживает сценарии с function calling и многошаговыми агентскими циклами, при этом выполнение инструментов и проверка их результатов остаются ответственностью внешнего приложения. Доступны форматы Transformers Safetensors, GGUF F16 и GGUF Q4_K_M, совместимые с Transformers, llama.cpp и Ollama. Архитектура модели — Lfm2ForCausalLM, тип lfm2. Архитектурный максимум контекста составляет 128 000 токенов, однако рекомендуемый рабочий контекст — 32 768 токенов, а максимальная длина обучающих последовательностей — 768 токенов. Модель поддерживает только текст и не имеет возможностей работы с изображениями или аудио. Её сильные стороны — малый размер, низкие требования к ресурсам, поддержка испанского и английского языков, программирования и структурированных агентских взаимодействий. Ограничения связаны с компактным масштабом: модель не позиционируется как крупная система рассуждений, исследовательская модель или замена значительно более мощным моделям; для надёжной работы агентов необходимы внешний runtime, валидация и контроль выполнения инструментов. Распространяется по лицензии Apache-2.0.

Карточка модели avsolatorio/30-100-11-1-2-2-0-0-mean-normed-384-512_GIST_st_all-MiniLM-L6-v2-20240202124453-best на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

aneforge/all-MiniLM-L12-v2 — это копия модели sentence-transformers/all-MiniLM-L12-v2, подготовленная для запуска через ANEForge на Apple Neural Engine. По README, веса побайтно совпадают с исходной моделью; архитектура — компактный плотный BERT с 40 млн параметров и контекстом до 512 токенов. Модель кодирует предложения и короткие фрагменты текста в эмбеддинги для семантического сравнения и поиска. Она рассчитана на английский язык; ANEForge компилирует граф модели в одну программу для Apple Neural Engine. Репозиторий распространяется по лицензии Apache-2.0.

KhaledReda/all-MiniLM-L6-v24-pair_score — англоязычная модель Sentence Transformer, созданная KhaledReda дообучением KhaledReda/all-MiniLM-L6-v23-pair_score. Она преобразует предложения и короткие тексты в плотные эмбеддинги размерности 384, предназначенные для оценки семантического сходства с помощью косинусной близости. Модель основана на архитектуре BERT и содержит 25,9 млн параметров. Модель подходит для сравнения запросов и описаний, поиска похожих текстов и ранжирования пар по смысловой близости, в том числе в сценариях поиска товаров по коротким запросам и развернутым описаниям. Она обучена на парах текстов со скалярными оценками сходства; в README указаны 12,58 млн обучающих примеров. Метаданные задают контекст до 512 токенов, тогда как карточка модели указывает максимальную длину последовательности 256 токенов, поэтому фактическое ограничение следует проверять в используемой конфигурации. Для использования доступна лицензия Apache-2.0. Модель ориентирована на английский язык; качество для других языков не подтверждено. Она выдает эмбеддинги, а не готовые текстовые ответы.

tomaarsen/bert-base-uncased-gooaq — англоязычная модель Sentence Transformers, дообученная на парах вопросов и ответов набора GooAQ на базе google-bert/bert-base-uncased. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения по косинусному сходству; архитектура состоит из BERT и mean pooling. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, поиска похожих вопросов и ответов, выявления перефразировок, кластеризации и извлечения признаков для классификации текста. В карточке приведены результаты оценки на наборах Nano BEIR и задачах поиска информации. Модель принимает текст и выдаёт эмбеддинги; она не предназначена для генерации ответов. Обучение на GooAQ и англоязычная специализация могут ограничивать качество на других языках и предметных областях. Лицензия — Apache-2.0.

TesNik369/bge-m3-tqa-merged-v2 — модель Sentence Transformer, дообученная автором на базе BAAI/bge-m3 на наборе tqa-bge-m3-finetune-triplets-verified из 725 примеров. Она преобразует текстовые предложения и абзацы в нормализованные плотные векторы размерности 1024; близость оценивается косинусным сходством. Модель предназначена для семантического поиска и извлечения релевантных текстов, в том числе в системах поиска ответов на вопросы. Архитектура основана на XLM-RoBERTa с CLS-пулингом и нормализацией; длина последовательности в README указана как 512 токенов. Метаданные указывают контекст до 8194 токенов, поэтому фактическую длину ввода следует сверять с используемой конфигурацией модели. README приводит высокую точность на tqa-dev, однако результат относится к описанной оценке и не гарантирует качество на других данных. Модель принимает и выдаёт текстовые представления в виде эмбеддингов; лицензия в предоставленных сведениях не приведена.

BigFalcon3-from10B — языковая модель для генерации текста и диалогов, созданная ehristoforu с помощью объединения весов через mergekit. В README указана модель tiiuae/Falcon3-10B-Instruct как единственная включённая в объединение; метаданные каталога классифицируют результат как дообучение этой базовой модели. Архитектура плотная, семейства Llama; модель содержит 15,8 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и генерации текста, а также может использовать интерфейс вызова инструментов. Метаданные базовой модели указывают на сценарии рассуждений, программирования и математики. Репозиторий содержит веса в формате safetensors. Сведения о лицензии и поддерживаемых языках в предоставленных данных отсутствуют.

aisquared/bolt-embedding-small — компактная модель эмбеддингов Sentence Transformer от AI Squared, дообученная на базе IBM Granite для корпоративного поиска и RAG. Она кодирует запросы, предложения и документы в плотные векторы размерностью 384, используя архитектуру ModernBERT с CLS pooling; близость векторов предназначена для оценки косинусным сходством. Для обработки длинных текстов заявлена длина последовательности до 4096 токенов. Модель подходит для семантического поиска по корпоративным документам и базам знаний, извлечения релевантных фрагментов для RAG, сопоставления запросов с документами, поиска дубликатов и оценки сходства. Её дообучали контрастивным обучением на 500 000 примерах RAG-подобных данных, включая пары запрос–документ и примеры семантического сходства. Доступна библиотекой Sentence Transformers; лицензия указана как other, поэтому конкретные условия использования следует сверить с карточкой модели.

Chimera-Apex-7B — экспериментальная диалоговая языковая модель, созданная объединением нескольких моделей семейства Mistral с помощью mergekit. Она содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Модель предназначена для диалогов, ответов на вопросы, генерации кода и широкого круга текстовых задач. В состав объединения входят Azazelle/Half-NSFW_Noromaid-7b, cognitivecomputations/dolphin-2.0-mistral-7b, Endevor/InfinityRP-v1-7B и FuseAI/FuseChat-7B-VaRM. README отмечает экспериментальный характер модели и возможность ошибок и унаследованных предубеждений; также упоминается возможность генерации NSFW-контента. Модель распространяется по лицензии Apache-2.0.

Codetulu 2 34B — языковая модель-помощник из серии Tulu, разработанная Allen Institute for AI (AI2). Это дообученная на смеси открытых, синтетических и созданных людьми данных модель CodeLlama-34B; в обучающую смесь вошли инструкции и диалоги, в том числе набор allenai/tulu-v2-sft-mixture. Модель предназначена для генерации текста и ответов на пользовательские инструкции, прежде всего на английском языке. Модель построена на архитектуре Llama с плотной causal language model, содержит 33,5 млрд параметров и поддерживает контекст до 8192 токенов. Для корректного форматирования входа карточка рекомендует заключать сообщение пользователя в формат инструкций модели и добавлять завершающий перевод строки. Модель не проходила этап RLHF-настройки на безопасные ответы и не использует фильтрацию ответов во время работы, поэтому может выдавать проблемный контент, особенно в ответ на соответствующие запросы. Распространяется по лицензии AI2 ImpACT Low-risk; перед использованием следует проверить её условия.

Dans-PersonalityEngine-V1.1.0-12b-GGUF — квантизированная GGUF-версия языковой модели Dans-PersonalityEngine V1.1.0 с 12 млрд параметров. Исходную модель разработала PocketDoc, а квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста общего назначения, ролевого общения, написания историй, работы с кодом, математикой, логикой, химией, биологией, климатическими и операционными сценариями, а также для задач с инструментами и функциями. Указан английский язык; поддерживается текстовая модальность и формат диалоговых сообщений ChatML. Модель дообучалась на наборах данных для ассистентских диалогов, персонажей, прозы, программирования, математических и логических задач, научных тем, следования инструкциям, вызова инструментов и работы с командами оболочки. В репозитории доступны варианты от F16 до различных уровней квантования Q4–Q8; это позволяет выбирать между качеством генерации и требованиями к памяти. README не содержит сведений об архитектуре базовой модели, размере контекстного окна, подтвержденных результатах оценки или точных ограничениях применения. Модель выпускается по лицензии Apache-2.0. К основным ограничениям относятся отсутствие заявленных количественных бенчмарков, неполная информация о поддерживаемых языках и контекстной длине, а также возможное снижение качества при использовании более сильного квантования. Для запуска рекомендуется совместимое программное обеспечение, например llama.cpp или LM Studio.