II.8Инженерия данных и аналитика

nreimers/mmarco-mMiniLMv2-L6-H384-v1 — мультиязычная модель перекрёстного ранжирования текстовых пар, опубликованная под именем nreimers. Она оценивает релевантность пары «запрос — документ» и предназначена для поиска информации и семантического поиска, в том числе в многоязычных сценариях. Модель построена на архитектуре XLM-RoBERTa и содержит около 110,2 млн параметров; максимальная длина контекста по метаданным — 514 токенов. Карточка Hugging Face помечает её как text-classification, а поиск по карточке родственной версии семейства подтверждает применение mmarco-mMiniLMv2 для многоязычного поиска и ранжирования. Лицензионные условия в доступных данных не подтверждены.

mmBERT-32K-YaRN — многоязычная модель семейства ModernBERT, разработанная для семейства vLLM Semantic Router Mixture-of-Models на основе jhu-clsp/mmBERT-base. Контекстное окно расширено с 8 192 до 32 768 токенов с помощью масштабирования RoPE методом YaRN. Модель содержит около 307 млн параметров и предназначена для заполнения масок в тексте; её также можно применять для понимания длинных документов, семантической маршрутизации запросов, классификации документов и поиска информации в длинных текстах. Модель обучалась на многоязычном корпусе CC-100. В карточке указана поддержка более 1 800 языков базовой модели, а метаданные перечисляют английский, немецкий, французский, испанский, китайский, японский, русский, арабский, корейский и португальский. Доступны веса Safetensors и экспорт ONNX; лицензия — MIT. По данным карточки, точность извлечения существенно снижается для удалённых фрагментов дальше 2 048 токенов, несмотря на окно в 32 768 токенов. Для полного контекста требуется значительный объём видеопамяти — около 180 ГБ на один пример. Данные CC-100 могут наследовать смещения веб-краула.

cuadron11/mrbert-bopv-ft — дообученная модель Sentence Transformers на основе многоязычного энкодера BSC-LT/MrBERT. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения смысловой близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из ModernBERT и mean pooling; сходство векторов можно оценивать косинусной мерой. Максимальная длина последовательности — 8192 токена. Модель обучена на парах текстов с помощью MultipleNegativesRankingLoss; карточка сообщает о наборах обучения и оценки на баскском языке. Она подходит для построения поиска по смыслу и сопоставления баскских запросов с релевантными документами. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

NeoMME-800M-Retriever — мультимодальная модель поиска документов, разработанная Hcompany и дообученная на основе Hcompany/NeoMME-800M. Она кодирует текстовые запросы и текстовые документы или изображения страниц общим двунаправленным Transformer-энкодером, формируя плотные и многовекторные представления за один проход. Для многовекторного поиска применяется оценка MeanMaxSim, для плотных векторов — косинусное сходство. Модель предназначена для поиска по текстовым коллекциям и визуальным документам, включая страницы, представленные скриншотами. При обучении использовались текстовые данные и изображения страниц документов, а совместная контрастивная цель сочетала late interaction и Matryoshka dense learning. Репозиторий использует Transformers и распространяется по лицензии Apache-2.0.

NLLB-SigLIP-MRL — мультиязычная модель сопоставления изображений и текста, объединяющая текстовый энкодер NLLB с визуальным энкодером SigLIP. Модель предназначена для поиска соответствий между изображениями и текстовыми запросами или описаниями на 201 языке Flores-200. Модель формирует эмбеддинги размером 1152, а обучение с Matryoshka Representation Learning позволяет получать также векторы размером 32, 64, 128, 256 и 512. По данным карточки, варианты размером 256 и 512 сохраняют более 90% качества полного представления; модель показывает высокие результаты мультиязычного поиска на наборах XTD10 и Crossmodal-3600. Поддерживается библиотекой OpenCLIP и распространяется в формате PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель предназначена для сопоставления изображений и текста; генерация изображений или описаний в свободной форме не заявлена.

OLMo 2 32B Instruct — англоязычная открытая языковая модель Allen Institute for AI, выпущенная в марте 2025 года. Это плотная авторегрессионная модель семейства OLMo 2 с 31,7 млрд параметров, принимающая текст и генерирующая текст; длина контекста составляет 4096 токенов. Модель предназначена для диалогов и выполнения инструкций, а также для решения математических задач и оценки следования инструкциям. Модель дообучена на базе allenai/OLMo-2-0325-32B-DPO: после supervised fine-tuning и DPO она прошла дополнительное обучение RLVR. Карточка указывает на вариант набора Tülu 3, а метаданные связывают модель с датасетом RLVR-GSM-MATH-IF-Mixed-Constraints. Веса доступны в формате safetensors для Transformers. Лицензия — Apache 2.0. Сильные стороны модели — открытые веса и обучение для разнообразных задач, включая диалоги, математику и следование инструкциям. Безопасность обучена ограниченно: модель может выдавать проблемный контент, особенно при соответствующем запросе, а встроенная фильтрация ответов не предусмотрена.

Sorawiz/Phi-4-Base — объединённая языковая модель, созданная автором репозитория с помощью mergekit и метода TIES на основе нескольких моделей семейства Phi-4. В состав вошли Phi-4-Empathetic, LoRA-phi-4-abliterated, Phi-4-Math-IO, Phi-4-o1 и Phi-4-QwQ. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 14,1 млрд параметров и использует контекст до 16 384 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Состав исходных моделей ориентирует её на эмпатичные ответы, математику, рассуждения и задачи в стиле QwQ и o1. Репозиторий распространяет веса в формате safetensors для библиотеки Transformers. Лицензия в предоставленных данных не указана.

Phi-tiny-MoE-instruct — компактная языковая модель Microsoft для диалогов и следования инструкциям. Это декодерный Transformer с архитектурой смеси экспертов (MoE): в README указаны 3,8 млрд параметров и 1,1 млрд активных, тогда как метаданные каталога приводят 1,6 млрд параметров. Модель создана методом SlimMoE на основе модели, общей для Phi-3.5-MoE и GRIN-MoE, а затем дообучена на инструкциях и предпочтениях пользователей. Для этого варианта точный идентификатор базовой модели в метаданных не указан. Модель предназначена для англоязычных универсальных ассистентов, а также сценариев с ограничениями по памяти, вычислениям или задержке. Принимает текстовые запросы в формате чата и генерирует текст; контекст — до 4096 токенов. Данные включают синтетические учебные материалы, отфильтрованные открытые документы, код и диалоговые примеры; сведения в README указывают на преимущественное обучение на английском. Модель может помогать с ответами на вопросы, объяснениями, рассуждениями и генерацией кода. Возможны неточности и выдуманные утверждения, предвзятые или оскорбительные ответы; качество для языков, отличных от английского, ниже. Для важных и чувствительных сценариев ответы следует проверять. Лицензия — MIT, допускающая коммерческое использование.

Qwen2.5-Coder-7B-VN-Master-Polymath — дообученная чат-модель автора khoin68 на базе Qwen2.5-Coder-7B-Instruct. Это полноразмерная версия в формате 16-битных весов Safetensors с архитектурой Qwen2 и 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации и анализа кода, работы в роли ReAct-агента с инструментами, а также для ответов на вопросы о Вьетнаме. Среди заявленных сценариев — разработка на C++20/23 и Python, создание веб-приложений на React, Vite и Tailwind, поиск и исправление уязвимостей по CWE, ответы о провинциях, истории и законодательстве Вьетнама, а также написание стихов в форме луат бат. В карточке указаны вьетнамский и английский языки, интерфейс для вызова инструментов и лицензия Apache-2.0. Описание обучения на более чем 150 000 примерах и перечисленные возможности приведены автором; независимые оценки качества не представлены.

Qwen3-48B-A4B-Savant-Commander-Distill-12X-Closed-Open-Heretic-Uncensored-GGUF — специализированная текстовая модель, разработанная DavidAU на базе Qwen3-48B-A4B-Savant-Commander-Distill-12X-Closed-Open-Heretic-Uncensored. Она объединяет 12 дистиллированных экспертных моделей, включая модели закрытого и открытого исходного кода, в архитектуре Mixture of Experts. Версия является uncensored/abliterated: отдельные эксперты обработаны с использованием Heretic для удаления отказов и ограничений. Модель распространяется в формате GGUF по лицензии Apache-2.0. Модель предназначена для генерации текста, рассуждений, математики, программирования, ответов на вопросы и творческого письма, включая создание художественных историй, сцен, сюжетов, научной фантастики, романтики и контента для взрослой аудитории. Пользователь может указывать в запросе имена экспертов или их группы, например Gemini, Claude, GPT51, Kimi, GLM, AllAI, Closed-AI или Open-AI, чтобы управлять выбором активных компонентов. Заявлены контекст до 256 тысяч токенов и одновременная активация двух экспертов по умолчанию; всего доступно до 12 экспертов. Модель поддерживает запуск на CPU и частичную выгрузку с GPU. В README не указаны точный список языков, детальные параметры архитектуры и результаты стандартизированных тестов. Для приемлемой работы рекомендуются квантизации не ниже Q4_KS или IQ3_M, контекст от 4–8 тысяч токенов и температура около 0,7; увеличение числа активных экспертов снижает скорость генерации, а разные эксперты могут давать существенно различающиеся результаты.

Карточка модели willhx/Qwen3-8B-Base-Math на Hugging Face совпадает с карточкой Qwen/Qwen3-8B-Base, поэтому описание составлено по ней. Qwen3-8B-Base — плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это базовая модель на этапе предобучения, рассчитанная на дальнейшую адаптацию и генерацию текста. В карточке указаны 36 слоёв, 32 головы внимания для Q и 8 для KV; метаданные каталога оценивают размер в 7,6 млрд параметров, а README приводит 8,2 млрд параметров всего и 6,95 млрд без эмбеддингов. Контекст — 32 768 токенов. Модель предназначена для продолжения текста и служит основой для создания специализированных моделей и диалоговых систем. Семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; README отмечает отдельное внимание к программированию, STEM, рассуждениям, книгам и многоязычным данным. Модель использует архитектуру Qwen3 для причинного моделирования языка и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка советует использовать актуальную версию Transformers: версии ниже 4.51.0 не распознают архитектуру qwen3. Поскольку это базовая, а не инструктивно настроенная версия, для диалогового применения и следования инструкциям может понадобиться дополнительная настройка.

Qwen3-VL-Reranker-2B-5bit — версия мультимодального реранкера из семейства Qwen3-VL, опубликованная mlx-community для запуска в формате MLX. В README указано, что модель преобразована из Qwen/Qwen3-VL-Reranker-2B с помощью mlx-lm версии 0.1.0; метаданные связывают её с дообученной Qwen/Qwen3-VL-2B-Instruct и определяют основную задачу как text-ranking. Модель предназначена для переупорядочивания текстовых результатов поиска по релевантности запросу. Базовая модель поддерживает анализ изображений и видео, однако в данных этой карточки подтверждена только задача текстового ранжирования. Репозиторий содержит веса safetensors, а условия использования определяются лицензией Apache-2.0.

Это англоязычная cross-encoder-модель семейства BERT, опубликованная организацией cross-encoder-testing и дообученная на базе prajjwal1/bert-tiny с использованием библиотеки Sentence Transformers. Модель обучена на данных GooAQ объёмом 578 402 примера с функцией потерь BinaryCrossEntropyLoss и выдаёт один числовой балл для пары текстов. Размер модели составляет около 4,4 млн параметров, максимальная длина входной последовательности — 512 токенов. Доступны форматы ONNX и Safetensors. Модель предназначена для ранжирования и оценки релевантности пар «запрос—текст», включая переранжирование результатов семантического поиска, оценку семантического сходства, поиск перефразировок и классификацию пар текстов. Благодаря компактной архитектуре она подходит для быстрого инференса и развёртывания через Sentence Transformers или совместимые инструменты. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0. Она не генерирует текст, а только оценивает пары входных текстов; качество на других языках, доменах и типах данных может быть ограничено.

Модель tomaarsen/reranker-ModernBERT-large-gooaq-bce разработана на базе answerdotai/ModernBERT-large и дообучена автором tomaarsen как Cross Encoder с библиотекой Sentence Transformers. Она оценивает пары текстов одним числовым баллом релевантности и предназначена для переранжирования результатов поиска и семантического поиска, например, для выбора наиболее подходящих ответов на вопрос. Модель содержит 394,7 млн параметров, принимает последовательности длиной до 8192 токенов и обучена для английского языка на 578 402 примерах с вопросами, ответами и бинарными метками. В README приведены результаты оценки на GooAQ и наборах NanoBEIR; качество зависит от данных и сценария применения. Лицензия — Apache-2.0.

SA-STS-Embeddings-0.2B — модель плотных текстовых эмбеддингов от Omartificial-Intelligence-Space, дообученная на базе SA-BERT-V1 для семантического поиска и сравнения предложений на саудовских вариантах арабского языка. Она построена на архитектуре BERT, содержит 190 млн параметров и принимает последовательности длиной до 512 токенов, возвращая векторы размерности 768. Обучение на триплетах из 21 прикладной области использовало MultipleNegativesRankingLoss и Matryoshka Representation Learning. Модель предназначена для семантического поиска, извлечения контекста для RAG, кластеризации, определения намерений, оценки сходства и ранжирования текстов. Она ориентирована на диалекты Наджда и Хиджаза, а также на саудовскую речь с влиянием залива; карточка приводит высокие результаты на тестах сходства и триплетного ранжирования. Для длинных документов рекомендуется разбивать текст на фрагменты. В метаданных указана лицензия CC-BY-NC-4.0, которая ограничивает коммерческое использование. README указывает Apache 2.0, поэтому сведения о лицензии в источниках расходятся; перед использованием следует проверить лицензию репозитория на Hugging Face.

Sensei-7B-V1 — языковая модель SciPhi для генерации ответов по результатам веб-поиска и сценариев RAG. Она дообучена на синтетических данных от OpenPipe/mistral-ft-optimized-1218, основанной на Mistral-7B, и рассчитана на создание точных, снабжённых ссылками сводок по нескольким результатам поиска. Модель использует плотную архитектуру Mistral с 7,1 млрд параметров, Grouped-Query Attention, Sliding-Window Attention и токенизатор BPE с поддержкой байтов. Родной контекст составляет 32 768 токенов. На вход подают текстовый запрос и контекст поиска; модель генерирует текстовый ответ, который можно оформить в JSON с полями summary и other_queries. Карточка рекомендует использовать один поисковый запрос и также описывает подачу собственного контекста напрямую. Весовые файлы представлены в формате safetensors. Модель предназначена для интеграции в RAG-процесс с веб-поиском; результаты зависят от качества и релевантности предоставленных поисковых данных. Лицензия в доступных данных не указана.

SIGMA-BERT-base — словенская языковая модель на архитектуре ModernBERT, разработанная командой LHRS-UM-FERI и предварительно обученная с нуля на словенских текстах методом masked language modeling. Это плотный encoder-чекпойнт примерно на 148,7 млн параметров с контекстом до 8192 токенов; модель использует токенизатор SentencePiece BPE с 50 000 токенов. Модель предназначена для заполнения пропусков и как основа для дообучения на задачах понимания словенского текста: классификации, распознавания именованных сущностей, извлечения ответов, оценки семантического сходства, поиска по документам и ранжирования в RAG-системах. Длинное контекстное окно подходит для анализа больших документов. SIGMA-BERT-base не генерирует связный текст: это encoder для предсказания замаскированных токенов и извлечения языковых представлений. Модель рассчитана прежде всего на словенский язык и может отражать предубеждения обучающих данных. Лицензия — CC BY-SA 4.0.

SIGMA-BERT-short — словенская языковая модель с архитектурой ModernBERT, разработанная командой LHRS-UM-FERI. Это энкодер, обученный с нуля на задаче восстановления замаскированных токенов на корпусе примерно из 13,88 млрд словоупотреблений из словенских веб-текстов, новостей, парламентских материалов, научных публикаций и пользовательского контента. Модель содержит около 149 млн параметров, имеет 22 слоя и контекст до 1 024 токенов; используется библиотека Transformers и формат весов safetensors. Модель предназначена для дообучения под задачи понимания словенского текста: классификации, распознавания именованных сущностей, извлечения ответов на вопросы, вывода и семантического сходства, поиска и ранжирования документов. Она подходит для предложений и документов стандартной длины, но не генерирует текст и не рассчитана на обработку текстов длиннее контекстного окна. При подстановке [MASK] важно размещать токен вплотную к предыдущему слову согласно особенностям токенизатора. Лицензия — CC BY-SA 4.0.

SPLADE CoCondenser SelfDistil — разреженный энкодер для поиска по предложениям и абзацам. Модель на базе Luyu/co-condenser-marco использует архитектуру BERT с MLM-преобразователем и max-пулингом SPLADE; она преобразует текст в разреженные векторы размерности 30 522, сравниваемые скалярным произведением. Максимальная длина входа — 512 токенов, а для воспроизведения оценки в README использовалось ограничение 256 токенов. Модель предназначена для семантического поиска и разреженного извлечения пассажей, включая расширение запросов и документов. В тесте MS MARCO dev в README указаны MRR@10 37,6 и R@1000 98,4. Репозиторий предоставляет веса PyTorch и использует библиотеку Sentence Transformers; лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

cl-nagoya/sup-simcse-ja-large — японская модель эмбеддингов предложений, разработанная на основе cl-tohoku/bert-large-japanese-v2. Она дообучена методом Supervised SimCSE на датасете JSNLI и использует архитектуру BERT с вектором CLS и стратегией pooling CLS; дополнительный MLP-слой применялся только при обучении. Модель содержит 436,2 млн параметров и рассчитана на последовательности длиной до 512 токенов по метаданным; в обучении использовалась максимальная длина 64 токена. Модель предназначена для получения векторных представлений японских предложений и оценки их смыслового сходства, например для поиска похожих фраз или построения семантического поиска. Для работы указана библиотека Sentence-Transformers; веса представлены в формате PyTorch. Лицензия — CC BY-SA 4.0.

Это экспериментальная англоязычная модель Sentence Transformer, созданная tomaarsen дообучением answerdotai/ModernBERT-base на наборе Natural Questions с функцией потерь DebiasedMultipleNegativesRankingLoss. Encoder-архитектура ModernBERT преобразует предложения и абзацы в плотные векторы размерности 768; для сравнения векторов используется косинусное сходство. Модель рассчитана на семантический поиск и оценку сходства текстов, а также может применяться для поиска перефразировок, кластеризации и классификации текстов. Максимальная длина последовательности составляет 8192 токена. В README приведены результаты оценки на небольших наборах для поиска информации; карточка описывает модель как тестовый эксперимент с новой функцией потерь, поэтому результаты не следует считать гарантией качества в прикладной системе. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

wav2vec2-large-xlsr-53-spanish-ep5-944h — акустическая модель для автоматического распознавания испанской речи, дообученная Карлосом Даниэлем Эрнандесом Меной на основе facebook/wav2vec2-large-xlsr-53. Модель использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Дообучение длилось пять эпох на примерно 944 часах испаноязычных аудиоданных, включая речь из CIEMPIESS, Common Voice, Fisher, CALLHOME и других корпусов. Модель предназначена для преобразования испанской речи в текст, в том числе для распознавания мексиканского испанского и речи из разных испаноязычных регионов. В карточке приведён результат оценки 0,112, но метрика и условия оценки не уточнены. Модель распространяется в форматах PyTorch и safetensors по лицензии CC BY 4.0.

CultriX/Wernicke-7B-dpo — объединённая модель для генерации текста, опубликованная CultriX. В README указано, что она создана с помощью LazyMergekit из FelixChao/WestSeverus-7B-DPO-v2, CultriX/Wernicke-7B-v8 и vanillaOVO/supermario_v2; метаданные описывают архитектуру как Mistral с плотной causal language model на 7,1 млрд параметров. Модель предназначена для генерации текста и работы с длинным контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. README также содержит упоминание DPO-донастройки на датасете truthy-dpo поверх Wernicke-7B-v9, но метаданные классифицируют опубликованную модель как merge.

Это версия модели распознавания речи Whisper Base, преобразованная сообществом mlx-community из openai/whisper-base в формат MLX с точностью FP16. Она предназначена для автоматической транскрипции аудио в текст и работает с библиотекой mlx-audio. Модель содержит около 51,7 млн параметров и поддерживает распознавание речи на множестве языков, включая русский и английский. Модель подходит для преобразования записей, интервью и разговоров в текст. Репозиторий распространяется по лицензии Apache-2.0. Качество распознавания зависит от языка, чистоты аудио и условий записи; карточка рекомендует обращаться к исходной модели для подробностей.

Whisper Medium Russian — модель распознавания речи, созданная дообучением openai/whisper-medium на русскоязычной части набора Mozilla Common Voice 11.0. Она принимает аудио и преобразует русскую речь в текст; архитектура основана на Whisper и содержит около 455,8 млн параметров. Модель подходит для транскрибирования записей и голосовых сообщений на русском языке. В карточке указаны результаты на оценочном наборе: loss 0,2253 и WER 7,5624. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Absolute_Zero_Reasoner-Coder-7b-GGUF — это GGUF-квантизированная версия модели Absolute_Zero_Reasoner-Coder-7b, разработанной andrewzh и подготовленной квантизатором bartowski с использованием llama.cpp версии b5338 и imatrix-калибровки. Модель предназначена для генерации текста и задач, связанных с рассуждениями и программированием, а также для локального запуска через LM Studio, llama.cpp и совместимые проекты. Модель содержит 7 миллиардов параметров; в README не указаны точная архитектура, поддерживаемые языки, модальности и размер контекста. Доступны варианты от BF16 до различных форматов квантования Q8, Q6, Q5, Q4, Q3 и IQ, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Размер файлов варьируется примерно от 3,57 до 15,24 ГБ. Наиболее качественными и рекомендуемыми названы варианты Q6_K_L, Q6_K, Q5 и Q4_K_M; облегчённые варианты подходят для систем с ограниченным объёмом памяти. Сильной стороной модели является возможность эффективного локального использования на широком спектре оборудования, включая CPU и, согласно README, Apple Silicon для некоторых форматов. Ограничения связаны с потерями качества при низком уровне квантования, а также с отсутствием в предоставленных данных подробностей о результатах тестирования, языковой поддержке, контекстном окне и исходной лицензии. Лицензия в README не указана.

andreasmartin/apertus-v1.1-swiss-embed-0.4b-bidir-langmoe — экспериментальная модель эмбеддингов для семантического и межъязыкового поиска, созданная адаптацией модели andreasmartin/apertus-v1.1-swiss-embed-0.4b-bidir. Разработчик заменил финальную плотную проекцию эмбеддинга на разреженную смесь из семи экспертов с маршрутизатором Top-2; базовые модули до проекции были заморожены. Модель содержит около 446 млн параметров, принимает текст и формирует векторные представления предложений. Метаданные указывают контекст до 4096 токенов, однако качество MoE-головы обучалось на представлениях длиной до 512 токенов и отдельно не проверялось на более длинном контексте. Модель предназначена для извлечения релевантных документов и поиска сходных предложений, в том числе между языками Швейцарии. В карточке указаны немецкий, английский, французский и итальянский; эксперты также помечены для ретороманского и швейцарского немецкого, но эти метки являются экспериментальными и сами по себе не означают гарантированную поддержку языков. Внутренние диагностические результаты не являются внешними бенчмарками. Для загрузки артефакта требуется trust_remote_code=True, пока модуль не зарегистрирован в Sentence Transformers. Лицензия — Apache-2.0.

Карточка модели unsloth/aya-vision-8b на Hugging Face совпадает с карточкой unsloth/aya-vision-32b, поэтому описание составлено по ней. unsloth/aya-vision-32b — версия с весами, опубликованная Unsloth на основе мультимодальной модели Aya Vision 32B от Cohere For AI. Это плотная vision-language модель для диалога по тексту и изображениям: она принимает текст и изображения, а в ответ генерирует текст. Варианты Aya Vision предназначены для OCR, описания изображений, визуальных рассуждений, суммаризации, ответов на вопросы по изображениям и других задач понимания визуального содержимого. Модель относится к семейству Aya Vision и использует архитектуру AyaVisionForConditionalGeneration; для обработки изображений применяется зрительный энкодер SigLIP2. Она поддерживает многоязычное взаимодействие, включая русский, и работает через библиотеку Transformers. Карточка README относится к версии 8B, поэтому приведённые там сведения о контексте 16K, обработке изображений и подробном списке 23 языков нельзя уверенно переносить на эту версию 32B. Репозиторий основан на CohereForAI/aya-vision-32b и классифицирован как дообученная модель; веса хранятся в формате safetensors. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование и требует соблюдать условия допустимого использования C4AI. Подробности производительности и ограничения именно версии 32B в предоставленной карточке не описаны.

tintnguyen/bert-base-vi-uncased-st-3 — модель Sentence Transformers, разработанная на основе tintnguyen/bert-base-vi-uncased-st-2. Это дообученный BERT с 170,8 млн параметров, который преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству. Максимальная длина входа — 512 токенов; для получения вектора используется усреднение токенных представлений. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Она обучалась на парах положительных и отрицательных примеров из датасета, созданного на основе вопросов вьетнамской Википедии, и рассчитана прежде всего на вьетнамский язык. В метаданных указана библиотека sentence-transformers; веса представлены в формате Safetensors. Лицензия в предоставленных данных не указана. Качество и пригодность для других языков отдельно не подтверждены; максимальная длина последовательности ограничивает обработку длинных текстов.

swardiantara/bert-tiny-sst5-k5-fixed-euclidean — компактная модель Sentence Transformers, разработанная на базе google/bert_uncased_L-2_H-128_A-2 и дообученная для сопоставления предложений. Она кодирует текст в плотные векторы размерности 128 для поиска и сравнения по косинусному сходству; модель можно использовать для семантического поиска и извлечения релевантных текстов. Архитектура включает BERT с двумя слоями и mean pooling. Веса занимают модель размером около 4,4 млн параметров; метаданные указывают контекст до 512 токенов, а карточка модели сообщает максимальную длину последовательности 128 токенов. Модель принимает текст и возвращает эмбеддинги. Данные обучения содержат англоязычные пары фрагментов обзоров фильмов с метками сходства, поэтому подтверждённая языковая специализация — английский. Лицензия в предоставленных данных не указана. Компактный размер подходит для сценариев с ограниченными вычислительными ресурсами, но качество и область применения за пределами описанного обучения отдельно не подтверждены.