II.8Инженерия данных и аналитика

Карточка модели dengcao/bge-reranker-v2-m3 на Hugging Face совпадает с карточкой BAAI/bge-reranker-v2-m3, поэтому описание составлено по ней. BAAI/bge-reranker-v2-m3 — многоязычная модель переранжирования от BAAI, построенная на базе bge-m3 и использующая архитектуру XLM-RoBERTa для классификации последовательностей. Она принимает запрос и текстовый фрагмент и выдаёт оценку их релевантности; более высокий балл означает более подходящий фрагмент. При необходимости оценку можно преобразовать сигмоидой в значение от 0 до 1. Модель предназначена для повторной сортировки результатов поиска, например, для уточнения порядка документов, найденных системой извлечения, и повышения качества выдачи в многоязычных сценариях. В README она описана как быстрая и удобная для развёртывания; метаданные указывают 658,7 млн параметров и контекст до 8194 токенов. Карточка характеризует её как многоязычную, но не перечисляет отдельные языки. Модель доступна по лицензии Apache-2.0. Релевантность оценивается для пары «запрос — фрагмент», поэтому для поиска по корпусу сначала нужны кандидаты, полученные отдельной системой извлечения; модель сама не выполняет полный поиск. Скорость и пригодность к развёртыванию заявлены в карточке, но конкретные показатели производительности не приведены.

Модель 1Developer/cali-whisper-tiny.en-drop-005-production — дообученная версия Whisper tiny.en, созданная на основе 1Developer/cali-whisper-tiny.en-drop-004-production и обученная на датасете audiofolder. Она предназначена для автоматического распознавания речи и преобразования аудио в текст. В карточке приведены результаты оценки: loss 0,0002 и WER 0,0; этих значений недостаточно, чтобы судить о качестве на других данных. Используются архитектура Whisper и библиотека Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0.

cksghl1004/cpp_moondream2 — компактная модель визуального языка из семейства Moondream, опубликованная 25 июня 2025 года. Репозиторий содержит релиз Moondream от 21 июня 2025 года; модель предназначена для эффективного запуска на широком спектре устройств. Доступны веса в форматах GGUF F16 и safetensors, лицензия — Apache-2.0. Модель принимает изображения и текстовые запросы и формирует текстовые ответы. Она подходит для описания изображений, ответов на визуальные вопросы, распознавания текста в документах и таблицах, понимания диаграмм и интерфейсов, обнаружения и подсчёта объектов, а также тегирования изображений. В README отмечены улучшения OCR и понимания диаграмм, документов и экранов в обновлениях 2025 года. Рекомендуется фиксировать конкретную ревизию при использовании в производственном приложении, поскольку модель часто обновляется. Для свежего релиза в README указано, что подробные примечания к выпуску ещё не опубликованы.

DeepSeek-V4.1-Flash-UNCENSORED-DwarfStar-Q2 — независимая общественная конверсия модели DeepSeek-V4.1-Flash, разработанной DeepSeek AI, и производного abliterated-чекпойнта dealignAI. Конверсию, упаковку и локальное тестирование выполнил pyrodog; обучение, дообучение, слияние моделей и дополнительная abliteration не проводились. Модель предназначена для генерации текста и программного кода, а также для сценариев с вызовом инструментов, что было проверено через OpenCode. Это текстовая модель с вводом и выводом в виде текста, представленная в специальном формате Q2 GGUF для inference engine DwarfStar. Файл занимает около 340,6 GiB; используются различные схемы квантования, включая IQ2_XXS, Q2_K, Q8_0, F16 и F32. Визионные веса и веса для speculative decoding DSpark удалены, поэтому данная сборка не поддерживает соответствующие возможности исходного чекпойнта. Языки, точный размер архитектуры и полный перечень параметров в карточке не указаны. В примерах запуска задан контекст до 262 144 токенов. Главные особенности — существенно меньший размер по сравнению с исходным чекпойнтом, возможность работы на Apple Silicon с SSD-streaming и поддержка инструментов через DwarfStar. Ограничения включают нестандартную раскладку тензоров: файл не предназначен для llama.cpp, Ollama, LM Studio и других обычных GGUF-рантаймов. Для работы требуются DwarfStar с поддержкой DeepSeek V4.1, быстрый локальный SSD и значительный объём дискового пространства; на тестовой системе Apple M5 Max с 128 GB unified memory основные веса превышали доступную оперативную память и загружались потоково. Качество не гарантируется эквивалентным опубликованной activation-calibrated Q2-сборке. Распространение указано под лицензией MIT.

Dmeta-embedding-zh — плотная модель эмбеддингов на архитектуре BERT, разработанная командой DMetaSoul. Она преобразует китайские и английские тексты в векторы для семантического поиска, сопоставления предложений и других задач, основанных на близости текстовых представлений. Модель предназначена для поиска, вопросно-ответных систем, интеллектуальной поддержки клиентов и приложений с дополненной генерацией по поиску (RAG); поддерживает интеграцию через Transformers, Sentence-Transformers и LangChain. В модели 129,5 млн параметров, размерность эмбеддингов — 768, а контекстное окно составляет до 1024 токенов. В README заявлены обучение на разнообразных слабых и размеченных парах, включая данные из нескольких предметных областей, и оптимизация для задач поиска. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0. Результаты MTEB, приведённые в карточке, относятся к опубликованной оценке 2024 года; фактическое качество может зависеть от данных и сценария применения.

Erlangshen-SimCSE-110M-Chinese — китайская модель эмбеддингов предложений из семейства Erlangshen, разработанного командой Fengshenbang (IDEA-CCNL). Она основана на BERT-base и обучена контрастивному обучению SimCSE: использованы неразмеченные данные и китайские пары из набора NLI. Модель формирует вектор предложения непосредственно из представления [CLS], поэтому может оценивать семантическое сходство без дополнительной настройки под конкретную задачу. Модель предназначена для сравнения китайских предложений и получения их векторных представлений, например для поиска семантически близких фраз или ранжирования кандидатов по сходству. Архитектура — BERT, размер по метаданным 129,5 млн параметров, максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0.

Grafted-Hermetic-Platypus-A-2x7B — чат-модель семейства Mixtral, созданная объединением Platyboros-Instruct-7B и Hermes-Instruct-7B-v0.2. Она предназначена для генерации текста в ответ на инструкции и диалоговые запросы; карточка приводит форматы запросов Mistral-Instruct и Alpaca. Модель имеет архитектуру Mixtral с разреженной смесью экспертов (MoE), около 7,1 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса Safetensors. В README приведены результаты Open LLM Leaderboard, включая среднее значение 64,23, но эти оценки сами по себе не гарантируют качество в конкретном сценарии. Модель распространяется по лицензии Apache-2.0.

GTE-ModernColBERT-SauerkrautLM-linear-merge — демонстрационная модель, созданная слиянием весов двух чекпойнтов средствами Sentence Transformers: lightonai/GTE-ModernColBERT-v1 и VAGOsolutions/SauerkrautLM-Multi-ModernColBERT. Для объединения применён линейный метод с равными весами 0,5; модель сохранена в формате safetensors. Это не специализированный релиз, дообученный под конкретную задачу. Модель на архитектуре ModernBERT предназначена для получения много-векторных представлений текста и задач семантического сходства, поиска документов и переранжирования результатов. Она принимает текст, поддерживает контекст до 8192 токенов и содержит 149 млн параметров. Базовые модели ориентированы на англоязычный семантический поиск; отдельные языковые возможности слитой версии в карточке не уточнены. Модель может служить компонентом поискового конвейера, где эмбеддинги используются для сопоставления запросов и документов. Поскольку это демонстрационное слияние, качество для конкретных наборов данных и задач не гарантируется. Лицензия в предоставленных данных не указана.

Huginn-0125 — экспериментальная языковая модель исследовательской группы TomG Group при University of Maryland. Это плотная decoder-only модель на 3,5 млрд параметров, обученная с нуля на 800 млрд токенов и реализованная как рекуррентная модель с латентной глубиной: при генерации можно задавать число итераций вычислений num_steps, увеличивая глубину обработки без фиксированного числа слоёв. Модель работает с текстом, поддерживает диалоговый шаблон и ориентирована на генерацию текста, рассуждения, математические задачи и код. Модель обучалась 47 000 шагов на открытых данных и не проходила дообучение или постобучение, хотя в предварительное обучение включались инструкции. Авторы характеризуют её как proof of concept; увеличение num_steps улучшает результаты на бенчмарках примерно до 64 шагов, а при числе меньше четырёх ответы становятся грубыми. Для инференса рекомендуется bfloat16; для кэширования KV требуется специальная реализация HuginnDynamicCache, которая может быть чувствительна к обновлениям Transformers. Доступна по лицензии Apache-2.0.

INEX4-7b — языковая модель, созданная Liminerity с помощью mergekit путём слияния моделей liminerity/merge2 и liminerity/merge1. Она предназначена для генерации текста и решения задач на рассуждение; в карточке приведены результаты оценивания на Open LLM Leaderboard, включая AI2 Reasoning Challenge и HellaSwag. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Опубликованные веса доступны в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0.

Jina CLIP v2 — модель мультимодальных эмбеддингов общего назначения, разработанная Jina AI. Она совместно обучает текстовый энкодер Jina-XLM-RoBERTa и визуальный энкодер EVA02-L14, чтобы представлять текст и изображения в общем векторном пространстве для поиска и сопоставления. Модель содержит около 0,9 млрд параметров: 561 млн в текстовом энкодере и 304 млн в визуальном. Она принимает текст длиной до 8192 токенов и изображения разрешением до 512 × 512 пикселей, формируя эмбеддинги размерностью до 1024; размер векторов можно сократить до 64 с помощью Matryoshka-представлений. Модель предназначена для мультиязычного поиска по изображениям и текстам, поиска похожих изображений и текстов, а также для извлечения признаков в мультимодальных приложениях. В README заявлена поддержка 89 языков для мультиязычного поиска изображений; метаданные перечисляют языковые коды лишь для части из них. По словам разработчиков, версия v2 улучшает результаты v1 на 3% в задачах поиска текст-текст и текст-изображение. Модель доступна в форматах PyTorch, ONNX и Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с обязательной атрибуцией, но исключает коммерческое применение.

daekeun-ml/KoSimCSE-unsupervised-roberta-base — корейская модель для получения эмбеддингов предложений, основанная на RoBERTa base и методе SimCSE с контрастивным обучением без разметки. Её можно использовать для сравнения смысловой близости корейских текстов и поиска похожих предложений. В README приведены результаты оценки на KLUE-STS и Kor-STS: для версии RoBERTa base без учителя средние показатели составляют 81,17 и 81,20 соответственно. Репозиторий также описывает обучение SimCSE, включая распределённое обучение и supervised-вариант, но данный чекпойнт обозначен как unsupervised. Размер модели и длина контекста в предоставленных данных не указаны. Лицензия — MIT.

LettuceDetect v2 mmBERT-base — разработанная KRLabsOrg модель-энкодер для поиска галлюцинаций в ответах, созданных с опорой на контекст, включая RAG, код и вывод инструментов. Это дообученный на базе jhu-clsp/mmBERT-base классификатор токенов: он получает контекст, вопрос и ответ и помечает токены ответа как подтверждённые или неподтверждённые, формируя бинарные фрагменты без категорий и подтипов. Модель содержит 306,9 млн параметров, поддерживает контекст до 8192 токенов и распространяется в формате safetensors. Модель рассчитана на многоязычное выявление неподтверждённых утверждений в прозе и коде, включая ответы кодовых агентов и результаты RAG. Однопроходный энкодер работает без генерации текста и ориентирован на высокую пропускную способность и низкую стоимость. README приводит результаты на тестах по прозе, коду и многоязычным данным; качество зависит от типа данных, а для типизированных фрагментов предлагается отдельная модель или каскад с таксономической головой. Лицензия — Apache-2.0. Указанные языки: английский, немецкий, французский, испанский, итальянский, польский и китайский; README также сообщает о многоязычной проверке на 14 языках, но не перечисляет остальные языки.

Это плотная авторегрессионная языковая модель семейства Llama 3.1, дообученная barc0 на базе Meta-Llama-3.1-8B-Instruct. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов; для работы с весами используется Transformers и формат safetensors. Модель предназначена для генерации текста в диалоговом формате и задач транскодирования, на что указывают обучающие наборы barc0/transduction_heavy_100k_jsonl и barc0/transduction_heavy_suggestfunction_100k_jsonl. Карточка сообщает значение loss 0,0319 на оценочном наборе, но не приводит подробностей методики оценки или результатов по конкретным сценариям. У модели есть интерфейс вызова инструментов. Лицензия — Llama 3.1. Карточка не описывает ограничения и целевые языки; поэтому пригодность для конкретного языка и качество в прикладных сценариях следует проверять отдельно.

Macaron-V1-Preview-749B — предварительная агентная модель MindLab Research, дообученная на GLM-5.1 с помощью MinT. В README она описана как модель класса 749B: база на 744B параметров и пять специализированных LoRA-адаптеров. В метаданных указаны 30,4B параметров и контекст 202 752 токена; архитектура обозначена как GLM MoE DSA, формат весов — SafeTensors. Модель предназначена для многоходовой персональной помощи: планирования, работы с поиском и календарём, вызовов инструментов, задач с кодом и терминалом, а также генерации интерфейсов по протоколу A2UI. README указывает английский и китайский языки. Работа с адаптерами организована через маршрутизатор: базовый адаптер отвечает за общий диалог, а специализированные — за агентные, программные и другие сценарии. Для полного поведения требуется совместимая среда обслуживания с маршрутизацией LoRA, инструментами, состоянием и поддержкой A2UI; простая загрузка одного адаптера не запускает всю агентную систему. Модель выпущена по лицензии MIT. README называет её исследовательским предварительным выпуском и предупреждает, что результаты зависят от инструментов, маршрутизации и рендерера, а длинные задачи ограничены вычислительными ресурсами.

SakaiSec/Macaron-V1-Tall-mlx-fp16 — конверсия модели mindlab-research/Macaron-V1-Tall в формат MLX с помощью mlx-lm 0.31.2. Это диалоговая генеративная модель семейства Qwen3.5 MoE, предназначенная для персональных агентов, вызова инструментов, программирования и генерации интерфейсов. В метаданных указаны поддержка английского и китайского языков, а также лицензия MIT. Модель принимает текстовые запросы и генерирует текстовые ответы. Карточка не приводит сведений о размере и длине контекста. Указание fp16 в названии относится к формату этой версии; репозиторий описывает конверсию, а не новое дообучение. Для запуска README предлагает mlx-lm.

MalayalamSBERT-STS — модель семейства SBERT, выпущенная L3Cube-Pune в рамках проекта MahaNLP. Это дообученная на наборе STS версия модели l3cube-pune/malayalam-sentence-bert-nli для сравнения сходства предложений на малаялам. Она строит векторные представления текста на основе BERT и предназначена для оценки семантической близости фраз, поиска похожих предложений и ранжирования текстов по смысловому сходству. Модель содержит 264,8 млн параметров, работает с входом длиной до 512 токенов и доступна в формате PyTorch. Для получения представлений можно использовать Sentence-Transformers либо Transformers с подходящей операцией pooling поверх контекстных представлений токенов. Модель ориентирована на малаялам; README также указывает на отдельную многоязычную версию для основных индийских языков и межъязыкового сравнения. Лицензия в предоставленных данных не указана.

Meta-Llama-3-8B-Instruct-heretic-mlabonne — разговорная текстовая модель семейства Llama 3, основанная на Meta Llama 3 8B Instruct. В README описана архитектура авторегрессионного трансформера с Grouped-Query Attention; метаданные указывают формат safetensors и возможность чата. По тегам uncensored, decensored и abliterated модель позиционируется как вариант Llama 3 с ослабленными ограничениями на ответы, однако карточка не уточняет метод модификации и параметры обучения. Модель принимает текст и генерирует текст, включая код. Она предназначена для диалогов с ассистентом и генерации текста на английском языке; может использоваться для ответов на вопросы, написания черновиков и помощи с кодом. В README приведены условия Llama 3 Community License и Acceptable Use Policy: применение должно им соответствовать. Указанная в метаданных лицензия — llama3.

Это многоязычная модель-реранкер на архитектуре ModernBERT, разработанная авторами репозитория vllm-sr. Она построена на vllm-sr/mmbert-32k-yarn и оценивает релевантность пары «запрос — текст», чтобы упорядочивать результаты поиска. Модель содержит около 307 млн параметров, принимает до 32 768 токенов и поддерживает сокращение числа слоёв и размерности представления по схеме 2D Matryoshka для выбора компромисса между качеством и скоростью. Модель предназначена для многоязычного поиска, включая ранжирование длинных документов, где ответ может находиться в середине или конце текста. В карточке заявлена поддержка более 1800 языков; метаданные перечисляют английский, китайский, немецкий, французский, испанский, русский, японский, корейский, арабский и хинди. README приводит результаты тестов, но часть из них основана на синтетических длинных документах; на коротких документах специализированные конкуренты могут показывать лучшие результаты. Ограничения: обучение преимущественно проводилось на коротких фрагментах, поэтому качество на очень длинных текстах зависит также от возможностей базовой модели с расширенным контекстом. Для узкоспециализированных областей может потребоваться дообучение; сокращение числа слоёв само по себе даёт небольшой прирост скорости без механизмов раннего выхода. Лицензия — Apache-2.0.

Y-J-Ju/ModernBERT-base-ColBERT — англоязычная модель поиска и ранжирования документов, созданная с помощью PyLate дообучением answerdotai/ModernBERT-base. Она кодирует запросы и документы в последовательности плотных 128-мерных векторов и сопоставляет их оператором MaxSim; в README указана архитектура ColBERT с ModernBERT и линейным слоем проекции с 768 до 128 измерений. Модель рассчитана на документы длиной до 180 токенов и запросы до 32 токенов; контекст базовой архитектуры — 8192 токена. Её можно применять для семантического поиска по коллекции документов и для повторного ранжирования кандидатов, полученных на первом этапе поиска. Обучение описано как дистилляция на данных для поиска; метаданные указывают датасет lightonai/ms-marco-en-bge и 808 728 примеров. В README приведены результаты nDCG@10 на нескольких наборах оценки, но они не гарантируют аналогичного качества на других данных. Модель использует библиотеку PyLate и опубликована в формате safetensors; лицензия в предоставленных сведениях не указана.

Англоязычная модель Cross-Encoder на базе microsoft/deberta-v3-base, обученная с помощью SentenceTransformers для распознавания логических отношений между парами предложений. Для каждой пары она выдаёт оценки трёх классов: противоречие, следование и нейтральное отношение. Модель также подходит для классификации без примеров, если формулировать категории как гипотезы и сопоставлять их с входным текстом. Модель содержит 211,6 млн параметров, использует архитектуру DeBERTa v2 для классификации последовательностей и принимает текстовые пары с контекстом до 512 токенов. Обучающие данные — SNLI и MultiNLI; в README приведены точность 92,38% на тестовой выборке SNLI и 90,04% на наборе MNLI mismatched. Доступны веса PyTorch, Safetensors и ONNX. Лицензия — Apache-2.0.

orca_mini_v2_13b — языковая модель Pankaj Mathur, созданная в сотрудничестве с Eric Hartford на основе LLaMA-13B. Это плотная авторегрессионная модель с 12,9 млрд параметров, предназначенная для генерации текста и выполнения инструкций. Для обучения использованы наборы WizardLM, Alpaca и Dolly-V2, подготовленные с подходами из исследовательской работы Orca; в README также отмечено улучшение генерации кода по сравнению с предыдущей версией orca_mini_13b. Модель рассчитана на текстовые запросы и ответы на английском языке; максимальная длина контекста составляет 2048 токенов. Автор публикует результаты оценивания на наборах задач ARC и HellaSwag и указывает на uncensored-настройку. Модель распространяется в форматах PyTorch и safetensors по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

Ornith-1.0-35B-FP8 — открытая языковая модель семейства Ornith-1.0, разработанная командой Deep Reinforce AI. Модель предназначена прежде всего для агентного программирования и автоматизации задач разработки ПО, включая работу с терминалом, исправление ошибок и решение задач из репозиториев. Она позиционируется как облегчённый вариант семейства для эффективного развёртывания на одной GPU. Модель относится к классу текстогенерации и имеет размер 35 млрд параметров; доступна в формате FP8. В материалах семейство Ornith описывается как включающее плотные и MoE-варианты, обученные поверх Gemma 4 и Qwen 3.5, однако точная архитектура именно Ornith-1.0-35B-FP8, поддерживаемые языки и размер контекста в README не указаны. Обучение включает reinforcement learning, при котором оптимизируются как итоговые решения, так и scaffolding для поиска траекторий решения. Сильной стороной модели заявлена высокая эффективность в агентном программировании: в приведённых результатах она показывает 64,2 на Terminal-Bench 2.1 с Terminus-2, 62,8 с Claude Code, 75,6 на SWE-bench Verified и 50,4 на SWE-bench Pro. Ограничения включают узкую специализацию на задачах разработки, отсутствие подробных сведений о мультимодальности, языковой поддержке и контексте, а также возможную потребность в мощной GPU для локального запуска. Модель распространяется по лицензии MIT, без региональных ограничений.

Ornith-1.5-9B-OBLITERATED — модифицированная версия модели Ornith-1.5-9B, разработанной DeepReinforce. Модель подготовлена проектом OBLITERATUS и создана с применением abliteration — хирургического удаления направлений, связанных с отказами модели. Она предназначена для генерации текста, программирования, рассуждений, агентских задач, исследований выравнивания и red teaming, где требуется менее фильтруемое поведение. Заявлена поддержка английского языка. Модель построена на гибридной архитектуре Qwen3.5 с Gated DeltaNet и полноразмерными механизмами внимания и содержит около 9 млрд параметров. Доступны веса bf16 и варианты GGUF от Q2_K до Q8_0; также указан vision encoder, однако возможности мультимодального применения в описании подробно не раскрыты. Поддерживается режим рассуждений, но для общего использования рекомендуется отключать его. Для запуска доступны Transformers и llama.cpp, рекомендуемый размер контекста в примере llama.cpp — 8192 токена. Сильной стороной является существенно сниженная склонность к отказам: в приведённых тестах модель показала высокую готовность отвечать на ограниченные запросы, сохранив результаты в генерации кода и агентских сценариях. Ограничения включают снижение MMLU примерно на 4 процентных пункта относительно базовой модели, частично ухудшенную поддержку function calling, возможные дополнительные отказы в низкобитных квантизациях и риск галлюцинаций в сложных химических и синтетических задачах. Удаление защитных механизмов повышает риски небезопасного использования, поэтому результаты требуют независимой проверки. Лицензия — MIT.

Pallas-0.5-frankenmerge — 35,6-миллиардная плотная языковая модель семейства Llama, созданная Mihaiii с помощью mergekit на основе Mihaiii/Pallas-0.5. Она предназначена для генерации текста, рассуждений и понимания текста; автор отмечает, что модель хорошо работает с длинными системными инструкциями, но не подходит для универсального применения, например для написания художественных историй. Заявленная длина контекста — 200 000 токенов. Модель принимает текст и генерирует текст; для диалога используется формат SYSTEM / USER / ASSISTANT. Она обучена на частном наборе данных. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

SirSahOl преобразовал Phi-4-mini-instruct от Microsoft в формат MLX с 16-битными весами для запуска на компьютерах Apple Silicon. Это плотная авторегрессионная языковая модель семейства Phi-4 с 3,8 млрд параметров, рассчитанная на диалоговую генерацию текста. Модель подходит для ответов на вопросы, написания и редактирования текстов, генерации кода и рассуждений в приложениях с ограниченными ресурсами. Репозиторий содержит веса в формате safetensors и использует библиотеку MLX. В метаданных указан контекст 4096 токенов; автор README предупреждает о возможном ухудшении качества при очень длинном контексте и указывает, что для запуска с MLX требуется Apple Silicon M1 или новее. Бенчмарки для этой версии пока не приведены. Лицензия — MIT.

Модель создана автором репозитория iambestfeed: это Sentence Transformer, дообученный на датасете wiki-data на основе вьетнамского энкодера vinai/phobert-base-v2. Архитектура RoBERTa содержит около 162,4 млн параметров; модель усредняет токенные представления и преобразует предложение или абзац в плотный вектор размерности 768. Максимальная длина последовательности — 258 токенов по метаданным (в README указано 256); сходство векторов оценивается косинусной мерой. Модель предназначена для семантического поиска и сравнения текстов на вьетнамском языке. Её можно применять для поиска близких по смыслу фрагментов в коллекциях документов, выявления парафразов, кластеризации и классификации текстов на основе эмбеддингов. Для задач, требующих понимания длинных документов, последовательности длиннее указанного предела нужно разбивать на части. Лицензия в предоставленных данных не указана.

OPI-PIB/pl-ModernBERT-512-base — базовая монолингвальная модель-энкодер семейства ModernBERT, предварительно обученная для обработки польского языка. Она предназначена как основа для польских NLP-систем: модель можно дообучать для классификации текстов и документов, разметки последовательностей, регрессии, семантического сходства, поиска и переранжирования. В текущем виде она также поддерживает заполнение пропусков в тексте (fill-mask). Модель содержит 148,7 млн параметров и принимает последовательности длиной до 514 токенов. Архитектура включает 22 слоя, скрытый размер 768, RoPE, слои GeGLU и чередование глобального и локального внимания; используется токенизатор SentencePiece Unigram с размером словаря 50 008. Предобучение проведено на польском корпусе объёмом около 44,5 млрд токенов. В README сообщается о конкурентных результатах на польских задачах NLU, включая KLEJ и FinBench. Для прикладных задач, кроме заполнения пропусков, потребуется адаптация или дообучение. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-0.5B-Instruct-GGUF — это набор GGUF-квантизированных версий инструкционной модели Qwen2.5-Coder-0.5B-Instruct. Исходную модель разработала команда Qwen, а квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и кода, диалогового взаимодействия и работы в локальных приложениях, поддерживающих llama.cpp, включая LM Studio. Модель содержит 0,5 млрд параметров и доступна в вариантах от F16 до низкобитных квантов Q8_0, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 0,34 до 0,99 ГБ. Указан английский язык; мультимодальность не заявлена. В README не указаны архитектура исходной модели, размер контекстного окна и полный перечень поддерживаемых языков. К сильным сторонам относятся небольшой размер, возможность локального запуска на устройствах с ограниченными ресурсами и несколько вариантов компромисса между качеством, скоростью и потреблением памяти. Более высокое качество ожидается у F16, Q8_0 и Q6, а низкобитные варианты подходят для систем с небольшим объёмом оперативной памяти, но могут заметнее терять качество. Версии Q4_0_8_8, Q4_0_4_8 и Q4_0_4_4 оптимизированы для ARM и требуют соответствующих аппаратных возможностей; некоторые из них не рекомендуются для Mac и Windows. Модель распространяется под лицензией Apache-2.0.

Jackrong/Qwen3.5-0.8B-Claude-4.6-Opus-Reasoning-Distilled-GGUF — языковая модель для генерации текста и структурированного рассуждения, созданная Jackrong на основе Qwen/Qwen3.5-0.8B. Она дообучена методом Supervised Fine-Tuning с применением LoRA и Unsloth на отфильтрованных наборах данных с дистиллированными цепочками рассуждений, включая материалы, связанные с Claude Opus, а также специализированные датасеты Qwen. Модель предназначена для офлайн-аналитики, программирования, математики и задач, требующих пошагового логического анализа. Она обучена формировать рассуждение в тегах <think> и затем выдавать итоговый ответ. Заявлена поддержка английского, китайского и корейского языков, текстовый режим работы и контекстное окно до 16 384 токенов. Благодаря небольшому размеру 0,8 млрд параметров модель ориентирована на относительно эффективный локальный запуск, однако README не содержит сведений о конкретной GGUF-квантизации и требованиях к оборудованию. К сильным сторонам относятся структурированное пошаговое рассуждение, обработка многоэтапных задач и снижение избыточных повторов в рассуждениях. Ограничения включают обычный для авторегрессионных моделей риск галлюцинаций и необходимость проверки фактов; заявленные возможности не гарантируют точность решений. Модель обозначена как экспериментальная и предназначенная для обучения, академических исследований и технического изучения. Лицензия — Apache-2.0.