II.8Инженерия данных и аналитика

swardiantara/bert-tiny-yelp-k3-fixed-cosine — компактная модель Sentence Transformers, дообученная автором на базе google/bert_uncased_L-2_H-128_A-2. Она кодирует предложения и абзацы в плотные векторы размерностью 128 и предназначена для поиска по смыслу, извлечения текстовых признаков и сравнения текстов по косинусному сходству. Архитектура состоит из BERT с усреднением токенных представлений; модель содержит 4,4 млн параметров и работает с текстом. В README указана максимальная длина последовательности 128 токенов, тогда как метаданные сообщают контекст до 512 токенов; для практического использования следует учитывать ограничение конфигурации модели и проверять фактическую длину входа. Карточка описывает обучающий набор из 585 120 примеров с парами текстов и оценками. Модель подходит для поиска похожих отзывов и ранжирования текстов по семантической близости. Лицензия в предоставленных данных не указана.

Xenova/bge-large-en-v1.5 — модель векторных представлений текста, основанная на BAAI/bge-large-en-v1.5, разработанной BAAI. Репозиторий содержит ONNX-веса, адаптированные для работы с библиотекой Transformers.js и JavaScript-приложениями. Модель предназначена для преобразования предложений и документов в эмбеддинги размерностью 1024. Её можно применять для семантического поиска, retrieval-сценариев, сопоставления текстов и ранжирования документов по косинусному сходству. Для поиска рекомендуется добавлять к запросу инструкцию «Represent this sentence for searching relevant passages:». Поддерживаются пакетное вычисление эмбеддингов, mean pooling и нормализация векторов. К сильным сторонам относятся готовность к использованию в средах, совместимых с Transformers.js, формат ONNX и возможность выполнять вычисления непосредственно из JavaScript. По имеющимся данным, модель ориентирована на английский язык, однако сведения о точной архитектуре, количестве параметров, длине контекста, производительности и ограничениях не приведены. Лицензия в README не указана.

aneforge/bge-small-en-v1.5 — копия англоязычной модели BAAI/bge-small-en-v1.5, опубликованная для запуска через ANEForge на Apple Neural Engine. Это компактная плотная BERT-модель примерно на 40 млн параметров, преобразующая текст в эмбеддинги для семантического поиска и сравнения предложений. Она принимает текст и выдаёт векторные представления; максимальная длина контекста — 512 токенов. По README, веса побайтно совпадают с исходной моделью и не изменялись. Репозиторий размечен для ANEForge, который компилирует граф модели для запуска на Apple Neural Engine; лицензия — MIT. Модель рассчитана на англоязычные тексты, а её применение в первую очередь связано с поиском и оценкой семантической близости предложений.

bilingual-embedding-small — модель векторных представлений предложений от Lajavaness для французского и английского языков. Она дообучена на базе Multilingual-MiniLM-L12-H384 и использует архитектуру Sentence Transformers: MiniLM-кодировщик, усреднение токенных представлений и нормализацию. Модель содержит 124,3 млн параметров, кодирует предложения в 384-мерные векторы и принимает последовательности длиной до 512 токенов. Модель предназначена для сравнения смысловой близости предложений, семантического поиска и кластеризации текста на французском и английском. В обучении использовались SNLI, XNLI и STS Benchmark для обоих языков, а также аугментация обучающих пар. Доступна по лицензии Apache-2.0. Карточка не содержит результатов оценки качества, поэтому точность для конкретных задач по ней определить нельзя. Контекст ограничен 512 токенами; модель рассчитана на французский и английский языки.

Кросс-энкодер для французского языка, разработанный командой Leviatan Research Team на основе distilroberta-base. Модель объединяет два сценария: определяет, можно ли найти ответ на вопрос в заданном контексте, и оценивает смысловое сходство двух текстов. В Hugging Face модель отмечена как text-classification; она принимает пары текстов и выдаёт оценку или бинарную классификацию релевантности и сходства. Модель предназначена для поиска релевантных фрагментов в системе RAG, проверки соответствия контекста вопросу и сравнения предложений. В README приведены результаты на тестах команды и STS-B, включая корреляции и метрики бинарной классификации. Доступны веса в формате safetensors. Условия лицензии в предоставленных данных не описаны.

huihui-ai выпустила uncensored-версию DeepSeek-R1-Distill-Qwen-14B, созданную методом abliteration для удаления отказов модели. Это экспериментальная версия с грубой реализацией концепции; архитектура — плотная Qwen2ForCausalLM на 14 млрд параметров, формат весов — safetensors. Модель предназначена для диалогов и генерации текста, включая задачи рассуждения, математики и программирования; поддерживает контекст до 131072 токенов. Модель основана на deepseek-ai/DeepSeek-R1-Distill-Qwen-14B. Автор указывает, что доступна более новая версия v2. Условия лицензии в предоставленных данных не указаны.

huihui-ai/DeepSeek-R1-Distill-Qwen-14B-abliterated-v2 — модифицированная версия DeepSeek-R1-Distill-Qwen-14B от huihui-ai. Автор применил abliteration — экспериментальный метод изменения весов, предназначенный для ослабления отказов модели. Это плотная причинная языковая модель семейства Qwen2 на 14 млрд параметров; она принимает текст и генерирует текст, в том числе в диалоговом формате. Метаданные указывают контекст до 131 072 токенов и использование Transformers. Модель предназначена для диалогов и генерации текста, включая сценарии, где требуется меньше отказов на запросы. Базовая модель рассчитана на рассуждения, математику и программирование, однако карточка этой модификации называет её изменение грубым proof of concept и не приводит оценки качества. Лицензия в предоставленных данных не указана.

mobiuslabsgmbh выпустила DeepSeek-R1-ReDistill-Qwen-1.5B-v1.1 — повторно дистиллированную версию DeepSeek-R1-Distill-Qwen-1.5B для повышения качества генерации текста и рассуждений. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров и контекстом до 131 072 токенов; веса представлены в формате safetensors. Модель подходит для диалогов и решения задач, в том числе по математике и программированию. В README приведены сравнительные результаты на ARC, HellaSwag, MMLU, GPQA, MMLU PRO и MUSR: версия v1.1 показывает более высокие значения, чем исходная DeepSeek-R1-Distill-Qwen-1.5B, на перечисленных тестах. Модель распространяется по лицензии MIT. В карточке не приведены сведения о языковом охвате и подробные ограничения; качество ответов следует проверять для конкретного сценария.

e5-R-mistral-7b — языковая модель для поиска и извлечения релевантных текстов, созданная дообучением Mistral-7B-v0.1 на наборе BeastyZ/E5-R. Это плотная причинная модель семейства Mistral с 7,1 млрд параметров, работающая через Transformers и представленная в формате safetensors. Модель рассчитана на английский язык; её контекстное окно составляет 32 768 токенов. Модель можно применять для извлечения документов по запросу и построения поисковых компонентов, например, в системах RAG. В метаданных Hugging Face указана задача text-generation, хотя в README модель описана как ретривер. Лицензия — Apache-2.0. Подробности о качестве поиска и инструкции по использованию в карточке не приведены.

E5-small-trm-nl — модель эмбеддингов на архитектуре BERT, разработанная как дообученная версия clips/e5-small-trm. Она преобразует запросы и тексты в векторы для поиска и сравнения смысловой близости; карточка приводит пример кодирования запросов и фрагментов MS MARCO. Модель предназначена для нидерландского языка и обучалась на наборах BEIR-NL для поиска, ответов на вопросы и проверки фактов. Модель содержит 47,5 млн параметров, принимает текст, поддерживает контекст до 512 токенов и распространяется в формате safetensors. Лицензия — MIT. Доступны эмбеддинги для задач сходства предложений и извлечения признаков. В README приведена таблица результатов MTEB-NL, однако соответствующая строка этой модели в предоставленном фрагменте отсутствует, поэтому её качество по этим данным оценить нельзя.

Embedding-Amharic-Base — модель Sentence Transformers, разработанная rasyosef и дообученная на базе rasyosef/roberta-base-amharic для поиска по амхароязычным текстам. Она преобразует предложения и абзацы в плотные векторы размерности 768, нормализует их и сравнивает по косинусному сходству. Архитектура включает XLM-RoBERTa с усреднением токенных представлений; максимальная длина последовательности в карточке указана как 510 токенов, а контекст в метаданных — 512 токенов. Модель подходит для семантического поиска и извлечения релевантных фрагментов, оценки сходства предложений, поиска перефразирований, кластеризации и классификации текстов. В README приведены результаты оценки поиска на датасете dim_768: cosine recall@10 — 0,9051 и cosine nDCG@10 — 0,8037; при усечении векторов до 256 измерений указаны 0,902 и 0,7978 соответственно. Лицензия — MIT.

ProCreations/grug-v1.1-qwen-3.8-27b-qgguf — это GGUF-версия модели grug-v1.1-qwen-3.8-27b, разработанная ProCreations для локального запуска через llama.cpp. Модель предназначена для генерации текста, программирования и агентских сценариев, включая работу с инструментами. Заявлена поддержка английского языка и режим text-generation. Модель имеет размер 27B и поставляется в нескольких вариантах квантования: Q8_0, Q6_K, Q5_K_M, Q4_K_M и Q3_K_M, занимающих примерно от 13,3 до 28,6 ГБ. Для работы с изображениями предусмотрен отдельный multimodal-проект mmproj в формате F16 размером около 0,9 ГБ, используемый вместе с llama-mtmd-cli. Размер контекста в README не указан. Ключевая особенность модели — оптимизированное рассуждение: в описании заявлено существенно меньшее число токенов в блоке размышлений по сравнению с базовой моделью. Для большинства случаев рекомендуется средний уровень reasoning effort; режим xhigh может ухудшать выбор инструментов. Квантование позволяет подобрать баланс между качеством и требованиями к памяти, но более компактные варианты могут уступать полноразмерным весам по качеству. Все варианты, согласно README, проверены с помощью llama-bench. Модель распространяется по лицензии Apache-2.0. Для запуска требуется совместимое окружение llama.cpp; конкретные требования к оперативной памяти, производительности и максимальному контексту не указаны.

gte-multilingual-reranker-base — мультиязычная модель ранжирования текстов из семейства GTE, разработанная Alibaba NLP. Она предназначена для повторной сортировки найденных документов или фрагментов по релевантности запросу, например, в поисковых системах и конвейерах RAG. Модель использует encoder-only архитектуру трансформера и содержит около 305,3 млн параметров; максимальная длина входа — 8192 токена. По README, она показывает высокие результаты в мультиязычном поиске и при сопоставлении с моделями-реранкерами близкого размера, а её скорость инференса примерно в десять раз выше, чем у упомянутых decoder-only моделей, при меньших требованиях к оборудованию. Поддерживает более 70 языков; метаданные карточки перечисляют языки от арабского до польского, включая английский и русский. Модель принимает текстовые пары «запрос — документ» и оценивает их релевантность, чтобы упорядочить кандидатов. Распространяется под лицензией Apache-2.0. Результаты зависят от качества исходного набора кандидатов: реранжирование само по себе не находит документы, отсутствующие среди входных вариантов. README не приводит подробностей об оценках для каждого языка или домена.

Hy3-GGUF — набор GGUF-квантизаций модели Tencent Hy3, подготовленный пользователем vcruz305. Это MoE-модель для генерации текста, диалогов, программного кода и задач рассуждения. Базовая модель имеет 295 млрд параметров, из которых 21 млрд активируются на токен, использует 192 эксперта с выбором top-8, включает 80 основных слоёв и дополнительный MTP/NextN-слой объёмом 3,8 млрд параметров. Заявлена длина контекста до 256K токенов. Модель работает с текстом; сведения о поддерживаемых языках в README не указаны. Репозиторий содержит варианты от IQ1_M и IQ2_M до Q8_0 размером примерно от 92 до 318 ГБ, рассчитанные на системы с большим объёмом памяти и, для некоторых вариантов, на конфигурации из двух узлов. Квантизации используют importance matrix, рассчитанную на корпусе с примерами программирования, рассуждений и диалогов. Для части вариантов проверена генерация кода и диалогов на реальном оборудовании; также поддерживается speculative decoding через MTP, которое в приведённых измерениях заметно повышало скорость генерации. Для запуска требуется llama.cpp с поддержкой архитектуры Hy3: до включения соответствующих изменений в основную ветку необходима специальная ветка с PR #25364. Для корректного применения шаблона чата требуется параметр --jinja. Ограничениями являются значительные требования к памяти, необходимость совместимого оборудования и специальной сборки llama.cpp; часть квантов не проходила индивидуальное нагрузочное тестирование. Модель распространяется по лицензии Apache-2.0.

Vishwas/intent_classification — модель на архитектуре MPNet, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, кластеризации и сравнения текстов. Веса в формате PyTorch, число параметров — 136,7 млн, максимальная длина контекста — 514 токенов. Модель можно применять для поиска похожих пользовательских запросов и группировки текстов по смыслу. В README указано обучение с CosineSimilarityLoss, однако не приведены сведения о языках обучающих данных или о целевой схеме классификации намерений. Поэтому название репозитория само по себе не подтверждает, что модель выдаёт метки классов интентов. Лицензия в предоставленных данных не указана.

Jantrit-7B — языковая модель на архитектуре Mistral, созданная автором репозитория с помощью LazyMergekit путём слияния OpenHermes-2.5-Mistral-7B и Dolphin-2.6-Mistral-7B методом SLERP. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; заявленная длина контекста — 32 768 токенов. Модель принимает текст и генерирует текст. Базовые модели предназначены для общения, генерации текста и помощи с кодом, однако README не приводит отдельной оценки качества Jantrit-7B. Сведения о лицензии в предоставленных данных отсутствуют.

jina-embeddings-v2-base-code-GGUF — GGUF-квантизированная версия модели jinaai/jina-embeddings-v2-base-code, разработанной jinaai и преобразованной в GGUF компанией Second State Inc. Это модель для получения векторных представлений текста и исходного кода, предназначенная для семантического поиска, сравнения схожести, классификации и других задач feature extraction, включая работу с кодовыми фрагментами. Указан английский язык. Модель поддерживает контекст до 8192 токенов и формирует embedding размерностью 768. Доступны варианты квантования от 2 до 8 бит, а также f16; размеры файлов составляют примерно от 82,7 до 323 МБ. В README вариант Q4_K_M отмечен как сбалансированный и рекомендуемый, тогда как низкобитные варианты обеспечивают меньший размер ценой заметной потери качества. Модель может запускаться через LlamaEdge с prompt type embedding. Распространяется по лицензии Apache-2.0. Ограничения зависят от выбранного варианта квантования: чем сильнее сжатие, тем выше потенциальная потеря качества embeddings. Архитектура исходной модели, точное число параметров и перечень поддерживаемых языков, кроме указанного английского, в предоставленных данных не описаны.

mlx-community/jina-reranker-v3-4bit-mxfp4 — конвертированная в формат MLX 4-битная версия реранкера Jina Reranker v3. Карточка сообщает, что исходные веса взяты из jinaai/jina-reranker-v3, а преобразование выполнено с помощью mlx-embeddings версии 0.0.3. По метаданным, модель основана на дообученной Qwen3-0.6B: архитектура плотная, около 507,9 млн параметров, контекст — до 131 072 токенов. Модель предназначена для ранжирования текстов по релевантности запросу, например для переупорядочивания результатов поиска или кандидатов в системе RAG. Метаданные указывают многоязычную поддержку. Для использования в среде MLX карточка предлагает библиотеку mlx-embeddings. Лицензия — CC BY-NC 4.0, поэтому коммерческое использование не разрешено условиями этой лицензии.

K2-Horizon-0.9B GGUF — набор общественных GGUF-квантизаций компактной плотной reasoning-модели класса 0,9 млрд параметров K2-Horizon-0.9B, разработанной IFM. Квантизации подготовлены сообществом; этот выпуск не является официальным релизом или одобрением IFM. Модель предназначена для локального запуска через llama.cpp. Модель рассчитана на англоязычные и китайскоязычные диалоги, рассуждения, программирование, научные задачи и сценарии с использованием инструментов. Она поддерживает контекст до 128K токенов и использует масштабирование RoPE методом YaRN. В выпуск входят варианты от Q8_0 до Q1_0 и IQ1_M/IQ2_XS; размер файлов составляет примерно от 0,21 до 1,07 ГиБ, что позволяет выбирать баланс между качеством, скоростью и требованиями к памяти. Высокобитные варианты обеспечивают более высокую точность, а Q4_K_M заявлен как рекомендуемый начальный вариант для общего применения. Агрессивные низкобитные варианты снижают требования к памяти, но могут заметно ухудшать рассуждения, следование инструкциям и надёжность вызова инструментов. Поддержка K2-Horizon в llama.cpp находится на стадии предварительного релиза: полнофункциональный шаблон для tool calling не разбирается используемой версией runtime, поэтому вызов инструментов этим выпуском не сертифицирован. Релиз распространяется по Apache License 2.0 с требованием сохранять атрибуцию и лицензию исходной модели при перераспределении.

Kimi-K2.6-GGUF — версия открытой мультимодальной агентной модели Kimi K2.6 от Moonshot AI, подготовленная Unsloth в формате GGUF с использованием квантования. Модель предназначена для длительных и сложных задач программирования, создания интерфейсов по текстовым и визуальным входным данным, автономного выполнения действий и оркестрации групп специализированных агентов. Модель использует архитектуру Mixture-of-Experts (MoE): около 1 трлн общих параметров, из которых 32 млрд активируются для каждого токена. Она содержит 61 слой, 384 эксперта с выбором 8 экспертов на токен, механизм внимания MLA, активацию SwiGLU и словарь размером 160 тысяч токенов. Контекст составляет 256 тысяч токенов. Для обработки изображений используется vision encoder MoonViT с 400 млн параметров. Заявлены сильные результаты в долгосрочном кодировании на Rust, Go и Python, DevOps, оптимизации производительности, генерации веб-интерфейсов и агентном поиске; поддерживается координация до 300 субагентов и 4000 шагов. Ключевые ограничения связаны с чрезвычайно большими требованиями к ресурсам: например, вариант UD-Q8_K_XL занимает около 595 ГБ. README не содержит полного перечня поддерживаемых языков и подробных требований к оборудованию или программному окружению. Указана лицензия modified-MIT; конкретные условия её применения следует проверять в официальных материалах модели.

kimbyl разработал Sentence Transformer на основе kimbyl/klue-roberta-base-klue-sts, дообучив его для получения векторных представлений предложений и абзацев. Модель использует энкодер RoBERTa с усреднением токенных представлений и формирует плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического сравнения текстов, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Примеры обучающих данных и описание датасета указывают на поддержку корейского языка; в README приведена оценка сходства с коэффициентом Спирмена 0,8304 на использованной оценке. Лицензия в предоставленных данных не указана.

LB Reranker v1.0 — компактная модель-реранжировщик, разработанная Питером Девайном для Lightblue. Она оценивает соответствие текста запросу и предназначена для ранжирования результатов поиска и других систем извлечения информации. Модель дообучена на базе Qwen/Qwen2.5-0.5B-Instruct и построена как плотная причинная языковая модель Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. На вход подаются запрос и текстовый фрагмент, а на выходе модель генерирует оценку от «1» до «7». Она обучалась на данных более чем на 95 языках; метаданные также отмечают поддержку широкого набора языков, включая английский, китайский, испанский, немецкий и русский. Модель рассчитана на применение в многоязычном поиске и может ранжировать фрагменты кода; авторы сообщают о результатах оценки на наборе BEIR и о высокой точности ранжирования кода. Формат причинной языковой модели позволяет запускать её через распространённые средства инференса, включая vLLM и LMDeploy. Модель распространяется под лицензией Apache-2.0. Результаты зависят от языка, домена и формулировки запроса; README описывает оценку на первых 250 запросах девяти наборов BEIR и не приводит универсальных гарантий качества.

Minerva-7B-instruct-v1.0 — диалоговая языковая модель Sapienza NLP, созданная в рамках проекта FAIR при сотрудничестве с CINECA и участии Babelscape и проекта CREATIVE PRIN. Это дообученная версия Minerva-7B-base-v1.0 на архитектуре Mistral с 7,2 млрд параметров и контекстом до 4096 токенов. Семейство Minerva предварительно обучалось с нуля на итальянских и английских текстах; в составе данных также был код. Версия instruct прошла настройку инструкциями и оптимизацию предпочтений DPO. Модель предназначена для диалога и генерации текста: она может отвечать на вопросы, объяснять темы, помогать с рассуждениями и решать задачи по коду. В первую очередь она рассчитана на итальянский и английский языки. Разработчики предупреждают, что ответы могут содержать фактические ошибки, стереотипы, оскорбительный или иной нежелательный контент, а также быть нерелевантными или повторяющимися. Лицензия — Apache-2.0.

MistralLite — языковая модель на архитектуре Mistral-7B, дообученная участниками AWS для работы с длинным контекстом. Она предназначена для поиска сведений в длинных текстах, извлечения тем и строк, суммаризации и ответов на вопросы по предоставленному контексту. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. При дообучении использованы адаптация Rotary Embedding с rope_theta = 1 000 000 и окно скользящего внимания размером 16 384 токена. README сообщает об улучшении результатов на задачах извлечения и ответов по длинному контексту; основной язык модели — английский. Указанная лицензия — Apache 2.0. Для запросов с входным контекстом длиннее 12 000 токенов README рекомендует использовать специальный контейнер TGI. Разработчики советуют самостоятельно оценивать качество и проверять соответствие применения местным правилам, лицензиям и требованиям контроля качества.

mmBERT-32K-YaRN — многоязычная модель семейства ModernBERT, разработанная для Semantic Router и семейства Mixture-of-Models проекта vLLM. Она расширяет jhu-clsp/mmBERT-base с 8 192 до 32 768 токенов контекста с помощью масштабирования RoPE методом YaRN. Модель содержит около 307 млн параметров и использует архитектуру ModernBERT с Flash Attention 2; доступны веса Safetensors и экспорт ONNX. Модель предназначена для понимания длинных документов, классификации запросов для семантической маршрутизации, классификации документов, поиска информации и других многоязычных NLP-задач с длинным контекстом. В README заявлена поддержка более 1 800 языков; метаданные перечисляют английский, немецкий, французский, испанский, китайский, японский, русский, арабский, корейский и португальский. Обучение продолжения на CC-100 описано как работа с последовательностями длиной 32 768 токенов. Для длинных фрагментов точность извлечения снижается при расстоянии свыше 2 048 токенов. Обучающие данные собраны из веб-страниц и могут содержать связанные с ними смещения; для обработки полного контекста 32K README указывает потребность примерно в 180 ГБ GPU-памяти при batch size 1. Лицензия — MIT.

mmbert-rerank-32k-2d-matryoshka — многоязычный переранжировщик на архитектуре ModernBERT, дообученный на базе llm-semantic-router/mmbert-32k-yarn. Он оценивает релевантность пары «запрос — текст» как кросс-энкодер и подходит для перестановки результатов поиска, в том числе по длинным документам. Модель содержит около 307 млн параметров, принимает до 32 768 токенов и поддерживает сокращение числа слоёв и размерности представлений для выбора компромисса между скоростью и качеством. Модель обучалась на 1 569 864 парах «запрос — фрагмент» из cfli/bge-m3-data. Карточка заявляет поддержку более 1800 языков; метаданные перечисляют английский, китайский, немецкий, французский, испанский, русский, японский, корейский, арабский и хинди. В приведённых тестах модель показывает хорошие результаты на длинных текстах и языках с малым объёмом ресурсов; на коротких документах некоторые конкуренты немного превосходят её. Лицензия — Apache-2.0. Основное ограничение — обучение преимущественно на коротких фрагментах, поэтому качество на очень длинных текстах может зависеть от расширения контекста базовой модели YaRN. Для специализированных областей может потребоваться дообучение. Сокращение числа слоёв само по себе даёт небольшой прирост скорости без механизмов раннего выхода.

msmarco-bert-base-dot-v5 — модель Sentence Transformers, разработанная командой sentence-transformers для семантического поиска. Она преобразует предложения и абзацы на английском языке в плотные векторы размерностью 768, которые можно сопоставлять для поиска релевантных текстов. Модель обучена на 500 тысячах пар «запрос — ответ» из набора MS MARCO и использует архитектуру BERT с 136,7 млн параметров. Модель подходит для построения семантического поиска по документам и ранжирования кандидатов по близости к запросу. Максимальная длина входной последовательности — 512 токенов; эмбеддинги не нормализуются. Доступны реализации в форматах PyTorch, TensorFlow, ONNX и OpenVINO. Лицензия в предоставленных данных не указана.

CompiwerAI/Mtrini-27B-Tellus-IQ2_XS — квантованная сборка IQ2_XS модели Mtrini-27B-Tellus в формате GGUF для запуска через llama.cpp. В README указана архитектура qwen35: 64 блока трансформера, размер эмбеддингов 5120, 24 головы внимания и 4 KV-головы. Файл весит около 8,47 ГиБ; квантование выполнено из F16 GGUF с использованием матрицы важности, построенной на калибровочных данных. Модель предназначена для диалоговой генерации текста, включая задачи программирования, математики и рассуждений; соответствующие специализации отражены в тегах карточки. Также заявлена поддержка арабского языка и дариджи. Квантование до примерно 2,31 бита на вес уменьшает требования к памяти, но может снижать точность и качество ответов по сравнению с исходной моделью. Лицензия — Apache-2.0.

cyankiwi/Ornith-1.0-9B-AWQ-FP8 — квантизированная версия модели Ornith-1.0-9B, разработанной deepreinforce-ai и опубликованной cyankiwi. Модель предназначена прежде всего для агентного программирования, генерации кода и решения задач разработки в средах с терминалом и инструментами. Это наиболее компактная модель семейства Ornith, рассчитанная на эффективный запуск на одной GPU. Базовая модель относится к текстовым генеративным моделям и работает с языками EN, ZH, HI, AR, RU, JA, KO, NL, FR и ES. Ornith-1.0 использует обучение с подкреплением для совместной оптимизации решений и scaffolding, управляющего поиском и выполнением этих решений. Среди заявленных преимуществ — результаты на бенчмарках агентного программирования Terminal-Bench 2.1, SWE-Bench, NL2Repo и OpenClaw; для версии 9B приведены показатели 43,1 и 40,6 на вариантах Terminal-Bench 2.1. Ключевое ограничение — меньший размер по сравнению с версиями 31B и MoE, поэтому модель может уступать им в сложных задачах. Размер опубликованного файла составляет 11,91 ГБ; максимальная длина контекста и точные сведения об архитектуре в карточке не указаны. Модель распространяется по лицензии MIT без региональных ограничений.

ehristoforu/phi-4-25b — языковая модель для генерации текста и диалогов, созданная объединением через mergekit слоёв microsoft/phi-4 методом passthrough. Модель имеет плотную архитектуру семейства Phi-3 с классом Phi3ForCausalLM и содержит 24,4 млрд параметров; для запуска используется библиотека Transformers, веса представлены в формате safetensors. Заявленная длина контекста — 16 384 токена. Модель подходит для диалоговых сценариев и генерации текста. Базовая Phi-4 от Microsoft Research рассчитана на английский язык, рассуждения, математику и программирование; отдельные возможности этой сборки помимо генерации текста в карточке не описаны. Сборка не добавляет отдельной предметной специализации. Лицензия в предоставленных данных не указана.