II.8Инженерия данных и аналитика

plato-9b — диалоговая языковая модель на 9 млрд параметров, разработанная DeepVK дообучением google/gemma-2-9b-it. Она предназначена прежде всего для генерации ответов на русском языке и общения в формате диалога. Модель обучали с supervised fine-tuning и оптимизацией предпочтений на инструкционных данных, включавших диалоги, математику, биологию, химию, код и общие знания. Архитектура — плотная Gemma 2 для причинной генерации текста; контекст — до 8192 токенов. Метаданные указывают поддержку русского и английского языков. В карточке приведены оценки на русскоязычных наборах arena-general-ru и arena-hard-ru с оцениванием LLM-as-a-judge. Эти результаты характеризуют конкретные тесты и не гарантируют качество для каждой задачи. Модель принимает текст и генерирует текст. Распространяется по лицензии Apache-2.0.

Querit-Reranker — мультиязычная модель ранжирования текстов, разработанная командой Querit. Она предназначена для оценки релевантности и переупорядочивания текстовых результатов, например при поиске и подготовке контекста для RAG-систем. Модель создана на основе собственной базовой MoE-модели Querit и дополнительно обучена для задач ранжирования на открытых и проприетарных данных. В карточке указана архитектура из 24 слоёв и 16 голов внимания, контекст до 128 тысяч токенов. Метаданные каталога указывают семейство DeepSeek V3, плотную архитектуру и 459,1 млн параметров; карточка README приводит для модели другой показатель общего числа параметров — 4,92 млрд с активными 0,43 млрд. Поддерживаются китайский, английский, испанский, французский, немецкий, русский, корейский и японский языки. Модель принимает текст и выдаёт оценки ранжирования. Распространяется по лицензии Apache-2.0.

MMOPD/Qwen3-4B-OT3-tau — плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, разработанная MMOPD. Это дообученная версия MMOPD/Qwen3-4B-OT3-2ep: к модели рассуждений добавили supervised fine-tuning на 33 531 траектории Tau2 из inclusionAI/AReaL-tau2-data. Модель сохраняет исходный шаблон чата и режим рассуждений, рассчитана на многошаговое взаимодействие с инструментами и вызовы инструментов в диалоге. Контекст составляет до 32 768 токенов; вход и выход — текст.

FTK11558/Qwen3.6-35B-A3B-APS — производная мультимодальная модель семейства Qwen3.5 MoE, представленная как вариант Qwen3.6 с адаптивным probe-based steering (APS). Карточка заявляет ориентацию на агентное программирование, работу с репозиториями, генерацию интерфейсов и вызов инструментов. Модель принимает текст и изображения и выдаёт текст; общая архитектура включает языковую модель с vision encoder и смесь экспертов: 35 млрд параметров всего, около 3 млрд активных, 40 слоёв и 256 экспертов, из которых активируются 8 маршрутизируемых и один общий. Указан контекст 262 144 токена с возможностью расширения до 1 010 000. Модель предназначена для чата, программирования и мультимодальных задач; в README приведены оценки на программных, агентных, математических и vision-language бенчмарках, но таблицы результатов опущены. Репозиторий содержит веса и конфигурацию в формате Transformers/Safetensors и заявляет совместимость с Transformers, vLLM, SGLang и KTransformers. Лицензия — Apache-2.0. Название и README указывают на APS steering, однако не приводят базовую модель или детали обучения APS. Поэтому происхождение от конкретного чекпойнта установить нельзя. README также содержит рекламные заявления о качестве, которые по приведённым данным независимо оценить невозможно.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — модель семейства Qwen3.8 с 27 млрд параметров, представленная в виде GGUF-квантовок. По README, это многоэтапная fine-tune-модель и результат объединения нескольких обученных версий, созданная с использованием Unsloth, методов Cold Fusion и Fable Fusion. В репозитории доступны обычные GGUF-варианты и варианты с MTP, включая 4- и 8-битные квантовки. Заявлены поддержка английского и китайского языков; максимальный размер контекста не указан. Метаданные также содержат тег image-text-to-text, однако подробности мультимодальных возможностей не приведены. Модель ориентирована на широкий спектр сценариев: решение задач и рассуждение, программирование, творческое письмо, художественную прозу, ролевые диалоги и другие универсальные задачи. Основной заявленный акцент — повышение качества при одновременном сокращении объёма внутренних thinking-токенов, что должно уменьшать задержку и расход вычислительных ресурсов. Автор README заявляет превосходство над базовой Qwen3.8-27B и рядом других моделей по семи ключевым бенчмаркам, а также высокие результаты ARC-C и ARC-E, но эти утверждения требуют независимой проверки. К сильным сторонам относятся ориентация на потребительское оборудование, наличие разных уровней квантования, поддержка MTP и заявленное сочетание подробных ответов с более быстрым выводом. Ограничения включают отсутствие в README точных сведений о контекстном окне, архитектурных деталях, системных требованиях, качестве мультимодальной обработки и воспроизводимых результатах тестов. Модель распространяется по лицензии Apache-2.0.

Solstice-AI/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-NEO-CODER-mlx-oQ4e-1M — релиз модели на базе Qwen3.8-27B TURBO Fable Cold Fusion, разработанной DavidAU, с последующей квантизацией, масштабированием контекста и упаковкой от Solstice-AI. Модель предназначена для программирования, рассуждений, агентной разработки, отладки репозиториев и работы с длинными документами и проектами. В README также указана совместимость с задачами image-text-to-text, однако подробности о поддерживаемых визуальных входах не приведены. Модель содержит 27 млрд параметров и поставляется в формате Apple MLX oQ4e mixed precision с размером около 17,02 ГБ. Заявлены гибридная архитектура с блоками Gated Delta Recurrent Network и Grouped-Query Attention, механизм Multi-Token Prediction для ускорения генерации, а также YaRN-масштабирование RoPE до 1 048 576 токенов. Указаны языки English и Chinese. Основная среда применения — компьютеры Apple Silicon с unified memory, включая MacBook с 16 или 24 ГБ памяти, через Anvil и MLX-LM. Сильными сторонами заявлены высокая эффективность на Apple Silicon, большой контекст, поддержка задач кодирования и рассуждений, а также хорошие результаты на SWE-bench Pro, LiveCodeBench, QwenSWEBench, OSWorld, AndroidWorld, IFBench, CoWorkBench и ARC. Эти показатели приведены в README и не подтверждены независимой проверкой. Ограничениями являются зависимость от MLX и Apple Metal, требования к объёму unified memory, возможные потери качества из-за 4-битной квантизации и неполная информация о фактической мультимодальности и поведении на длинном контексте. Лицензия — Apache 2.0.

Furiosa AI публикует этот репозиторий для запуска Qwen3-VL-32B-Instruct на ускорителях FuriosaAI RNGD с Furiosa-LLM. Это плотная мультимодальная модель на 32 млрд параметров из семейства Qwen3-VL: визуальный энкодер работает совместно с трансформерным декодером, а Interleaved-MRoPE и многоуровневое объединение признаков DeepStack поддерживают обработку изображений и видео вместе с текстом. Репозиторий содержит веса в safetensors и исполняемый пакет Furiosa; квантизация не применена. Также модель можно запускать через vLLM, SGLang и Transformers. Модель предназначена для диалога по изображениям и текстовым запросам, распознавания текста на изображениях, анализа документов и графиков, пространственных рассуждений и понимания видео. Она поддерживает вызов инструментов через парсер hermes. Вариант Instruct не использует режим рассуждений. Для запуска на RNGD описана конфигурация с 32 PE на четырёх картах. Лицензия — Apache 2.0.

Qwen3-VL-4B-Instruct от Unsloth — весовой репозиторий мультимодальной модели для диалога и задач с изображениями и видео. Это дообученная версия Qwen/Qwen3-VL-4B-Instruct с плотной архитектурой Qwen3-VL и примерно 4 млрд параметров; модель распространяется в формате safetensors и работает с библиотекой Transformers. Модель принимает текст и изображения, отвечает текстом и поддерживает визуальное рассуждение, OCR, анализ видео, понимание пространственных отношений и взаимодействие с инструментами. В README заявлены контекст 256 тыс. токенов с возможностью расширения до 1 млн и OCR на 32 языках. Также описаны сценарии визуального управления интерфейсами и генерации кода или разметки по визуальному примеру. Лицензия — Apache-2.0. README не содержит численных результатов раздела производительности; заявленные преимущества и возможности следует считать описанием разработчика, а качество проверять на целевых данных.

Qwentile 2.5 32B Instruct — экспериментальная текстовая модель для генерации и диалогов, созданная автором карточки путём интерполяции и объединения нескольких моделей семейства Qwen2.5 в пространстве сигналов. В метаданных указана архитектура Qwen2ForCausalLM с 32 млрд параметров и контекстом 32 768 токенов; модель работает через Transformers и распространяется в формате safetensors. Модель предназначена для диалогов, задач на рассуждение и генерации структурированных ответов, в частности XML. Автор отмечает хорошую управляемость инструкциями и стабильность вывода, однако модель иногда пропускает закрывающие XML-теги, поэтому такие ответы следует проверять и при необходимости исправлять. Лицензия — Apache-2.0.

Карточка модели CrossNow/Qwythos-27B-v1 на Hugging Face совпадает с карточкой empero-ai/Qwythos-27B-v1, поэтому описание составлено по ней. Qwythos-27B-v1 — открытая полноразмерная дообученная модель Empero AI на базе Qwen/Qwen3.5-27B. Это плотная мультимодальная модель с 64 текстовыми слоями, гибридным вниманием Gated-DeltaNet и полным модулем зрения; она принимает текст и изображения и генерирует текст. Модель прошла полнопараметрические этапы SFT, DPO и ESFT до обучения с подкреплением, сохранив штатную поддержку вызова инструментов и предсказания нескольких токенов. Модель предназначена для диалогов и рассуждений, задач STEM, работы с терминальными и инструментальными сценариями, а также технических вопросов в областях кибербезопасности и биомедицины. Заявлена конфигурация контекста до 1 048 576 токенов с расширением YaRN. Шаблон чата поддерживает нативный формат вызова функций Qwen3.5. Зрение унаследовано от базовой модели: параметры визуального модуля не дообучались, а понимание изображений не оценивалось. Большой контекст с YaRN может немного ухудшать качество на коротком контексте. Модель намеренно не ограничивает ответы на чувствительные технические темы, поэтому для использования нужны подходящие правила и проверка результатов. Лицензия — Apache-2.0.

Карточка модели ceggian/sbert_pt_reddit_mnr_64 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_mnr_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_mnr_32 — модель Sentence-Transformers на базе BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель обучена с функцией потерь MultipleNegativesRankingLoss на данных Reddit; размер составляет 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт векторные представления, поэтому подходит для поиска похожих сообщений, группировки текстов и ранжирования кандидатов по семантической близости. В репозитории находятся веса PyTorch. Лицензия и сведения о поддерживаемых языках в предоставленных данных отсутствуют.

Это Sentence Transformer, разработанный myrkur и дообученный на базе myrkur/sentence-transformer-parsbert-fa на наборе персидских вопросов и ответов myrkur/persian-blog-QA. Модель использует архитектуру BERT с усреднением токенных представлений и преобразует предложения и абзацы на персидском языке в плотные векторы размерностью 768 для сравнения по косинусному сходству. Модель подходит для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текстов на персидском языке. Она содержит около 190 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт векторы. Для использования распространяется по лицензии Apache-2.0.

SILMA STS Arabic Embedding Model 0.1 — модель Sentence Transformers от SILMA AI для оценки смысловой близости предложений и абзацев. Она преобразует текст в плотные векторы размерности 768; близость векторов рассчитывается косинусным сходством. Модель основана на BERT, дообучена в два этапа: сначала на арабских и английских триплетах, затем на парах текстов с оценками сходства. Базовая модель из карточки — silma-ai/silma-embeddding-matryoshka-0.1; в README также указан aubmindlab/bert-base-arabertv02. Модель подходит для семантического поиска, сопоставления вопроса с абзацем, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Карточка приводит оценку на MTEB STS17 для арабского языка и примеры сценариев на арабском и английском. Максимальная длина последовательности — 512 токенов. Модель распространяется по лицензии Apache-2.0.

Snowflake Arctic Embed M Long — текстовая модель эмбеддингов компании Snowflake для поиска и сопоставления запросов с документами. Она преобразует текст в плотные векторы, пригодные для построения семантического поиска, ранжирования кандидатов и других систем извлечения информации. Модель относится к семейству Arctic Embed, обученному на основе открытых моделей представления текста с многоэтапной оптимизацией retrieval-задач: на парах запрос–документ и триплетах с трудными негативными примерами. Архитектура — NomicBert; максимальная длина контекста — 8192 токена. Доступны веса Safetensors и формат ONNX. В README семейство описано как оптимизированное для качества поиска; в карточке этой версии отдельно не приведены размер модели, размерность эмбеддинга или языковой охват. Подходит для семантического поиска по документам, поиска ответов в корпусах и сравнения текстов по смыслу. README сообщает о высоких результатах Arctic Embed на наборах MTEB/BEIR, но более поздние версии семейства названы предпочтительными для многоязычных задач. Модель распространяется по лицензии Apache-2.0.

Thalassic-Alpha-LLaMa-70B — объединённая модель для генерации текста, созданная автором TareksGraveyard на основе DeepSeek-R1-Distill-Llama-70B и нескольких моделей семейства Llama. Для слияния предварительно обученных моделей автор использовал mergekit и метод Linear DELLA. Модель предназначена для диалогов и генерации ответов; автор сообщает о многообещающих ранних результатах, но отмечает, что другой вариант его эксперимента показался ему лучше. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 69,5 млрд параметров и поддерживает контекст до 131 072 токенов. Она принимает текст и генерирует текст. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — llama3.3.

Trinas_Nectar-8B-model_stock — объединённая автором DreadPoor с помощью mergekit языковая модель на архитектуре Llama 3.1. Она предназначена для диалоговой генерации текста и выполнения инструкций; в состав слияния вошли Configurable-Llama-3.1-8B-Instruct, Dolphin 2.9.4, Hermes 3, Lumimaid v0.2 и ScaduTorrent, с базовой моделью Sao10K/L3-8B-Stheno-v3.2. Модель содержит 7,5 млрд параметров, работает с текстом и имеет контекст до 8192 токенов. В карточке приведены результаты Open LLM Leaderboard: средняя оценка 27,27, IFEval — 72,59, BBH — 31,98. Модель представлена в формате safetensors и рассчитана на использование через Transformers. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

UForm uform3-image-text-multilingual-base — компактная мультимодальная модель Unum Cloud для сопоставления изображений и текста. Она кодирует оба типа входных данных в общее векторное пространство, формируя эмбеддинги размерностью до 256, и подходит для семантического поиска и ранжирования соответствий между изображениями и текстовыми запросами на 21 языке. Модель сочетает текстовый энкодер BERT из 12 слоёв и визуальный энкодер ViT-B/16; четыре слоя общие для обеих частей. Текстовый вход ограничен 50 токенами, изображения обрабатываются с разрешением 224 × 224. Доступны веса в форматах PyTorch, ONNX и CoreML, а также предварительно квантованные варианты и код для инференса. Модель предназначена для извлечения признаков, а не для генерации текста или изображений. Поддерживаются английский, арабский, армянский, китайский, французский, немецкий, иврит, хинди, индонезийский, итальянский, японский, корейский, персидский, польский, португальский, русский, испанский, тайский, турецкий, украинский и вьетнамский языки. В карточке приведены результаты поиска по изображениям на нескольких мультиязычных наборах данных; для MS-COCO отмечено, что обучающая часть набора присутствовала в обучающих данных, поэтому этот результат следует интерпретировать с учётом возможного пересечения. Модель распространяется по лицензии Apache-2.0.

Salience-27B-R6-GGUF — это квантизированная версия мультимодальной модели Salience-27B-R6, разработанной vectionlabs и опубликованной в формате GGUF пользователем bartowski. Модель содержит около 28 млрд параметров и предназначена для запуска через llama.cpp. Она поддерживает текстовый и визуальный ввод; для работы с изображениями требуется дополнительный файл mmproj. Модель ориентирована на рассуждения, эффективное пошаговое мышление, следование инструкциям, программирование и задачи software engineering. Заявлена поддержка агентных сценариев, терминального взаимодействия, tool use и function calling. Также доступны speculative decoding с использованием MTP и квантизация с imatrix. Указан английский язык, однако точные сведения о размере контекстного окна и внутренней архитектуре в предоставленных данных отсутствуют. Репозиторий предлагает варианты от BF16 и Q8_0 до компактных IQ3 и Q3, что позволяет выбирать между качеством, скоростью и требованиями к памяти. В качестве универсального варианта рекомендован Q4_K_M размером около 17,44 ГБ; более высокие уровни квантизации обеспечивают лучшее сохранение качества, но требуют больше памяти. Ограничениями являются необходимость совместимого рантайма llama.cpp, отдельного mmproj для изображений и отсутствие в предоставленной карточке подробных результатов оценки. Лицензия модели — Apache-2.0.

deAPI-ai/whisper-large-v3-ct2 — локальный комплект для распознавания речи на основе Whisper large-v3, подготовленный в формате CTranslate2 для работы через faster-whisper. В комплект входят распознаватель речи, выравниватели на wav2vec2 для английского и польского языков, а также опциональный компонент pyannote для определения говорящих. Компоненты разрешаются из локальной директории, без загрузки файлов во время работы. Модель предназначена для транскрибирования аудио, получения временных меток слов и символов на английском и польском языках, а также диаризации при подключении соответствующих компонентов. Whisper large-v3 обеспечивает многоязычное распознавание речи; README отдельно указывает, что точные метки времени доступны для английского и польского. Комплект распространяется по лицензии other, поэтому условия использования следует проверять в карточке репозитория.

PaDaS-Lab/xlm-roberta-base-msmarco-webfaq — модель Sentence Transformers от PaDaS-Lab для сопоставления предложений и абзацев по смыслу. Она основана на XLM-RoBERTa-base-MSMARCO и обучена на наборе WebFAQ Retrieval Dataset из 2,56 млн пар текстов с функцией потерь MultipleNegativesRankingLoss. Архитектура объединяет XLM-RoBERTa с усредняющим пулингом токенов; модель формирует плотные векторы размерности 768, а близость текстов оценивается косинусным сходством. Модель подходит для семантического поиска, поиска похожих вопросов и ответов, сопоставления перефразировок, кластеризации и классификации текстов. Она принимает последовательности длиной до 512 токенов; в примерах обучающего набора есть тексты на немецком языке. Репозиторий распространяется в формате safetensors, лицензия — MIT. Качество на конкретных языках и прикладных задачах в карточке не оценено.

Это 65-миллиардная языковая модель семейства LLaMA, опубликованная ycros. Она получена дообучением модели airoboros-65b-gpt4-1.4.1 с помощью QLoRA и масштабирования RoPE; веса представлены в формате PyTorch fp16. Обучающие данные airoboros-gpt4-1.4.1 синтетически созданы GPT-4. Модель предназначена для генерации ответов в диалогах, следования инструкциям, ответов на вопросы по предоставленному контексту, написания кода и творческих задач. В обучении уделено внимание многоходовым разговорам, ролевым диалогам, загадкам, шуткам и вариантам запросов на код с выводом в формате PLAINFORMAT. README приводит рекомендованный формат диалога и отмечает, что исходная версия ещё не была протестирована. Указанный нативный контекст составляет 2048 токенов. Карточка описывает вариант с RoPE scaling на 8192 токена, однако не приводит подтверждения его проверки. Модель основана на LLaMA-65B; отдельные квантизованные варианты упомянуты в README, но данный репозиторий содержит PyTorch fp16. Условия лицензии в предоставленных данных не указаны.

Это дообученная модель генерации текста на архитектуре Llama 2 с 12,9 млрд параметров, созданная автором репозитория на основе NousResearch/Yarn-Llama-2-13b-64k. К модели применён merged QLoRA fine-tune ранга 64 на наборе инструкций Airoboros 2.1; базовая версия использует YaRN для расширения рабочего контекста до 65 536 токенов. Модель предназначена для ответов на инструкции и вопросы, а также генерации текста с учётом длинного контекста. В описании приведены результаты тестов на ARC, Hellaswag и MMLU и сравнение perplexity на разных длинах контекста. Репозиторий содержит веса safetensors; для запуска через Transformers требуется trust_remote_code=True и совместимая реализация YaRN. Автор указывает, что короткоконтекстные результаты конкурентны с некоторыми моделями сравнения, но также отмечает необходимость дальнейшей проверки качества на длинном контексте. Лицензия в доступных данных не указана.

Xenova/all-MiniLM-L6-v2 — версия модели sentence-transformers/all-MiniLM-L6-v2, подготовленная сообществом Xenova. Она содержит веса в формате ONNX и предназначена для использования с библиотекой Transformers.js, в том числе непосредственно в JavaScript-приложениях и веб-среде. Модель используется для получения векторных представлений предложений и текстов. Такие embeddings подходят для семантического поиска, сравнения текстов, кластеризации, классификации и других задач обработки естественного языка, где требуется сопоставлять тексты по смыслу. В приведённом примере модель формирует векторы размерности 384; поддерживаются усреднение признаков и нормализация результата. Сведения о языках, максимальной длине контекста и точном количестве параметров в README не указаны. К сильным сторонам относятся компактный формат ONNX и совместимость с Transformers.js, что упрощает запуск модели в JavaScript-приложениях. Ограничение заключается в том, что модель предназначена для создания embeddings, а не для генерации текста. Модель распространяется по лицензии Apache-2.0.

Lajavaness/bilingual-embedding-base — модель эмбеддингов предложений, разработанная Lajavaness для английского и французского языков. Она основана на XLM-RoBERTa и реализована как SentenceTransformer: использует усреднение токенов, затем нормализует векторы. Модель содержит 305,2 млн параметров и кодирует предложения в 1024-мерное векторное пространство; максимальная длина последовательности — 512 токенов по README и 514 токенов по метаданным. Модель предназначена для сравнения семантической близости предложений, семантического поиска, кластеризации текстов и ранжирования похожих фраз на английском и французском. Обучение включало данные SNLI/XNLI и STS Benchmark для обоих языков, а также дообучение с аугментацией пар предложений. Репозиторий использует формат safetensors и лицензию Apache-2.0.

Blaze.1-27B-Preview — языковая модель на 27,6 млрд параметров, разработанная на базе Google Gemma 2 27B IT и дообученная на синтетических наборах данных для многошаговых рассуждений. Это плотная авторегрессионная модель семейства Gemma 2, предназначенная для генерации текста и диалога; веса опубликованы в формате Safetensors, исходная точность — bfloat16. Размер контекста — 8192 токена. Модель подходит для ответов на вопросы, суммаризации, следования инструкциям, решения математических и логических задач, сложного анализа и генерации длинных текстов. Основной заявленный язык — английский. Для запуска и дообучения требуются значительные вычислительные ресурсы. Модель может ошибаться в рассуждениях и фактах, а качество ответов зависит от формулировки запроса; на длинных входах связность может снижаться. Лицензия — Gemma.

huihui-ai/DeepSeek-R1-Distill-Qwen-32B-abliterated — версия DeepSeek-R1-Distill-Qwen-32B, созданная разработчиком huihui-ai методом abliteration для удаления отказов модели. Это плотная языковая модель семейства Qwen2, предназначенная для диалоговой генерации текста и решения задач рассуждения, математики и программирования с меньшим числом отказов на запросы. Модель содержит 32 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов; для работы указана библиотека Transformers и формат Safetensors. В README разработчик называет реализацию грубой проверкой концепции. Удаление отказов не гарантирует корректности или безопасности ответов. Базовая модель — DeepSeek-R1-Distill-Qwen-32B. Условия лицензии в предоставленных материалах не описаны.

DeepSeek V4 Flash — REAM144 (163B) DS4 Q2 — это чат-модель WaveCut в формате GGUF, созданная на основе DeepSeek-V4-Flash-0731-REAM144-163B. В сборке сохранено 144 из исходных 256 экспертов на слой; модель квантизована до 2 бит для экспертов и 8 бит для attention, с использованием матрицы важности. Файл весит 49,3 ГБ, а автор указывает запуск на Mac с 64 ГБ памяти и контекстом 8 тыс. токенов. Модель предназначена для многоязычного диалога, рассуждений, ответов на вопросы по коду и сценариев с инструментами. По карточке она уверенно справляется с многоязычным чатом, рассуждениями и длинными диалогами, включая русский и переключение между английским и русским. Для запуска нужен DS4 fork с поддержкой переменного числа экспертов; обычный llama.cpp этот файл не загрузит. Квантизация 2 бит может ухудшать качество агентных задач: тесты показали непостоянные сбои при вызове инструментов, рефакторинге кода и цепочках «вызов инструмента — код». Лицензия — MIT.

m3hrdadfi/distilbert-zwnj-wnli-mean-tokens — модель на базе DistilBERT для получения векторных представлений предложений и оценки их сходства. Карточка рекомендует использовать её с библиотекой Sentence-Transformers либо применять pooling к контекстным представлениям токенов при работе через Transformers. Модель подходит для сравнения предложений и поиска текстов, близких по смыслу. Она принимает текст и выдаёт эмбеддинги; заявленная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch. Лицензия и языки модели в предоставленных данных не указаны.

Parallia разработала FMMB-BE-DE — немецкую версию модели эмбеддингов предложений на архитектуре ModernBERT, реализованную как Sentence Transformer. Она преобразует немецкие тексты длиной до 8192 токенов в плотные векторы размерности 768 и предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Для сравнения векторов рекомендуется косинусное сходство; входные тексты можно подавать без специальных префиксов. Модель содержит 148,7 млн параметров и использует немецкий токенизатор и соответствующую таблицу эмбеддингов. Она дообучена на параллельном корпусе предложений с парами английский—немецкий, английский—французский и английский—нидерландский; README характеризует этот вариант как монолингвальный немецкий. Лицензия — Apache-2.0. Модель подходит для построения семантического поиска и сопоставления немецких текстов. Карточка не приводит оценок качества, поэтому пригодность для конкретного сценария следует проверять на собственных данных; для работы с ModernBERT README указывает на необходимость актуальной версии библиотеки Transformers.

ehristoforu/fq2.5-7b-it-normalize_false — объединённая инструктивная языковая модель на архитектуре Qwen2, созданная с помощью mergekit и метода Model Stock на основе Qwen/Qwen2.5-7B-Instruct. В объединение вошли модели для работы с длинным контекстом и RAG, рассуждений, математики, а также неконтролируемой генерации. Модель предназначена для диалоговой генерации текста и ответов на инструкции; заявленный контекст составляет 32 768 токенов. Размер — 7,1 млрд параметров. Репозиторий содержит веса safetensors для библиотеки Transformers и метаданные отмечают интерфейс вызова инструментов. Составное объединение может сочетать возможности исходных моделей, однако карточка не приводит количественных оценок качества или отдельных результатов тестирования. Лицензия в предоставленных источниках не указана.