II.8Инженерия данных и аналитика

LLaVE-7B — мультимодальная модель эмбеддингов на 7,1 млрд параметров, разработанная авторами проекта LLaVE на базе lmms-lab/llava-onevision-qwen2-7b-ov. Она предназначена для получения представлений текста, изображений, нескольких изображений и видео, в частности для поиска и сопоставления между модальностями. В карточке заявлены высокие результаты на бенчмарке MMEB при обучении на 662 тысячах пар и перенос на поиск по видео без специального обучения на видеоданных. Модель основана на архитектуре LLaVA с языковой частью Qwen2, использует формат safetensors и доступна через Transformers. Метаданные указывают контекст до 32 768 токенов; README приводит значение 4K токенов. Лицензия — Apache-2.0. В метаданных указана поддержка английского языка.

illuin-conteb/modernbert-large-insent — модель эмбеддингов предложений на базе ModernBERT-large, разработанная авторами проекта Contextual Embeddings. Она дообучена на ConTEB с использованием подхода InSeNT для построения контекстных представлений документов и поиска нужных фрагментов с учётом окружающего контекста. Модель выдаёт векторы размерности 768; для сравнения используется косинусное сходство. Максимальная длина входа — 8192 токена. Модель предназначена для контекстного поиска и сопоставления текстовых фрагментов, где релевантность зависит от соседнего материала. В карточке описан экспериментальный чекпойнт: авторы сообщают о перспективных результатах, но также о снижении качества на стандартных задачах эмбеддингов и необходимости дальнейшего улучшения устойчивости и обобщения на новые данные. Сведения о лицензии в предоставленных источниках отсутствуют.

multilingual-e5-small-int8 — это ONNX-модель для построения текстовых эмбеддингов, разработанная на основе Xenova/multilingual-e5-small и подготовленная как неизменяемый пакет для ZimaOS Photos с автоматическим эмбеддингом в Manticore. Модель распространяется под лицензией MIT и предназначена для семантического поиска и сопоставления текстов, в частности двуязычных описаний и подробных сводок, создаваемых VLM для фотографий. Модель использует архитектуру и параметры исходной multilingual-e5-small, но точный размер исходной модели в README не указан. Опубликованный артефакт — ONNX-модель с INT8-квантизацией для выполнения через ONNX Runtime. Размер выходного вектора составляет 384 значения, применяется mean pooling с учётом attention mask и последующая L2-нормализация. Максимальная длина входа — 512 токенов. Для запросов используется префикс «query: », а для индексируемых текстов — «passage: »; соблюдение этих префиксов является частью фиксированного контракта эмбеддингов. Поддерживается многоязычный текст, однако конкретный перечень языков не указан. Сильные стороны модели — компактное 384-мерное представление, INT8-формат, совместимость с ONNX Runtime и пригодность для эффективного семантического поиска по многоязычным описаниям. Ограничения включают максимальную длину контекста в 512 токенов, необходимость корректно использовать разные префиксы для запросов и passages, а также отсутствие в README сведений о точной архитектуре, числе параметров и результатах бенчмарков. В репозитории опубликованы config.json, tokenizer.json и единственный файл model.onnx; альтернативные форматы весов не предоставляются.

AhmadAfles/NeoAraBERT-STS-Genre — дообученная модель Sentence Transformer на базе U4RASD/NeoAraBERT-STS, предназначенная для преобразования предложений и абзацев в эмбеддинги и поиска по смыслу. Она использует архитектуру NeoBERT с усредняющим pooling, выдаёт плотные векторы размерностью 768 и сравнивает их косинусным сходством. Модель принимает текст, поддерживает последовательности длиной до 512 токенов и подходит для семантического поиска и извлечения релевантных текстов. Модель обучена на 465 парах предложений с MultipleNegativesRankingLoss. Примеры обучающих данных содержат арабский литературный и разговорный текст. В метаданных указано 314,2 млн параметров и формат safetensors. Лицензия в предоставленных данных не указана.

Модель cross-encoder/nli-deberta-v3-large разработана на базе microsoft/deberta-v3-large и обучена с помощью SentenceTransformers Cross-Encoder на наборах SNLI и MultiNLI. Для пары предложений она оценивает три отношения: противоречие, следование и нейтральность. Модель предназначена для вывода отношений между текстами и классификации без примеров, когда метки задаются пользователем. Модель содержит 533,8 млн параметров, использует архитектуру DeBERTa V2 для классификации последовательностей и рассчитана на контекст до 512 токенов. В README приведены точности 92,20% на SNLI-test и 90,49% на MNLI mismatched. Доступны форматы PyTorch, Safetensors и ONNX; лицензия — Apache-2.0. Карточка указывает поддержку английского языка.

Noql — компактная модель эмбеддингов предложений на персидском языке от shekar-ai. Она основана на ALBERT, использует mean pooling и L2-нормализацию и предназначена для поиска и сравнения текстов. README сообщает о 11,9 млн параметров, тогда как метаданные Hugging Face указывают 142,4 млн; размер модели поэтому не удаётся согласовать. Контекст составляет 512 токенов. Модель обучена на наборе Shiraz в два этапа: на парах запрос–документ с внутрипакетными отрицательными примерами, затем с добавлением сложных отрицательных примеров. Matryoshka-обучение позволяет сокращать 768-мерные эмбеддинги до 512, 256, 128 или 64 измерений с небольшим снижением результатов на FaMTEB. Подходит для семантического поиска, извлечения документов и оценки сходства персидских текстов. Модель распространяется по лицензии Apache-2.0. Ее область применения ограничена персидским языком; результаты на других языках не описаны.

Open-Instruct Baize 7B — модель генерации текста на базе LLaMA с 6,6 млрд параметров, дообученная командой Allen Institute for AI на наборе Baize. Она предназначена для ответов на инструкции и вопросы в формате диалога, а также для исследовательской оценки instruction-tuning-моделей. Для работы требуется базовая модель LLaMA в формате Hugging Face: опубликованный репозиторий содержит diff весов, а не самостоятельный полный чекпойнт. Модель использует архитектуру LLaMA и контекст до 2048 токенов; карточка указывает английский язык. В опубликованных бенчмарках модель оценивалась на задачах общего понимания, математики, вопросов и ответов и генерации кода. Качество зависит от соблюдения формата ввода, включая перевод строки после маркера начала ответа. Лицензия определяется лицензией AI model из LICENSE.txt и исходной лицензией LLaMA; условия следует проверить в этих файлах перед использованием.

OxCoder-9B-GGUF — GGUF-версия модели OxCoder-9B, разработанной OrionLLM на основе Qwen3.5-9B. Модель предназначена для агентного программирования на длительном горизонте, автоматизации работы в терминале, рассуждений и практических задач разработки программного обеспечения, включая работу со сложными многофайловыми кодовыми базами. Указан английский язык; README также содержит тег image-text-to-text и файл mmproj, однако подробности мультимодальных возможностей не описаны. Модель содержит 9 миллиардов параметров и поддерживает нативное контекстное окно 262 144 токена. Она обучалась на дистиллированных агентных траекториях, созданных с использованием Fable-5.1 и GLM-5.3 в средах Claude Code, OpenCode и Codex. Среди заявленных сильных сторон — агентное программирование в терминале, фронтенд-рассуждения, понимание UI-логики и архитектуры компонентов, а также восстановление после ошибок с чтением перед записью и минимальными изменениями на основе диагностик LSP. В README приведены высокие результаты на Terminal-Bench 2.1, SWE-bench Verified, SWE-bench Pro, GPQA Diamond и ClawEval, но методика оценки не раскрыта. Модель выпускается в нескольких вариантах квантования GGUF, включая BF16, Q3, Q4 и Q5, с размером файлов примерно от 4,26 до 17,9 ГБ; это позволяет выбирать между качеством и требованиями к памяти. Для запуска рекомендуется llama.cpp. Ограничения включают компактный размер по сравнению с более крупными моделями и отсутствие подробной информации о фактическом качестве, системных требованиях и мультимодальном режиме. Распространяется по лицензии Apache 2.0.

0xnu/pmmlv2-fine-tuned-hausa — модель эмбеддингов на базе BERT, дообученная для хауса на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует тексты в векторы для сравнения предложений и семантического поиска. Модель содержит 124,3 млн параметров, использует библиотеку Sentence-Transformers и поддерживает контекст до 512 токенов; в карточке также заявлена поддержка множества языков. Модель предназначена прежде всего для работы с текстом на хауса: её можно применять для поиска похожих предложений, сопоставления запросов с документами и построения многоязычного семантического поиска. Лицензия — MIT. Ограничения качества и оценки на тестовых наборах в карточке не приведены.

QUEST-9B — плотная языковая модель семейства Qwen3.5 с 9 млрд параметров, дообученная методом SFT командой OSU NLP для роли универсального агента глубокого исследования. Модель предназначена для диалогового взаимодействия и выполнения исследовательских задач; в карточке приведены результаты на BrowseComp, Mind2Web 2 и HLE. Модель распространяется в формате Safetensors и загружается через Transformers. Лицензия Apache-2.0 разрешает её использование на условиях этой лицензии. В README отмечено, что варианты MT+SFT лучше подходят для объективных задач с акцентом на рассуждения, а варианты RL — для более широкого сочетания объективных и открытых оценок.

Qwen3.5-9B Reasoning Distilled GGUF (R3 Crown) — квантизированная в формате GGUF версия Qwen3.5-9B, дообученная командой cudabenchmarktest методом LoRA SFT на 2160 примерах с трассами рассуждений Opus 4.6 из набора Crownelius/Opus-4.6-Reasoning-3300x. Модель предназначена для диалогов и генерации ответов с рассуждениями, включая математические задачи, планирование и многошаговые запросы. Это ранняя итерация R3, которую авторы считают устаревшей: обучение на однообразных данных ухудшило следование инструкциям, а последующие версии R5/R7 описаны как улучшенные. При использовании стандартного рендерера qwen3.5 в Ollama для обычного диалога, следования инструкциям и вызова инструментов следует передавать think: false; без этого часть длинных запросов может завершаться без видимого ответа. Для задач, где нужны рассуждения, автор рекомендует think: true. Модель распространяется по лицензии Apache-2.0.

ZiRoX112 подготовил GGUF-квантизацию Qwen3.8-27B-Uncensored Q38mix v6 для локального запуска. В основе — дообученная модель OrcaRouter на 27 млрд параметров с гибридной архитектурой gated-delta-net и attention, а также MTP-головой. Файл v6 занимает 19,32 ГБ при 5,655 битах на вес; автор ориентирует его на кодинг-агентов на потребительских GPU с 24–32 ГБ видеопамяти. Квантизация выполнена с помощью собственной importance matrix и распределения точности по тензорам, которое учитывает изменения, связанные с удалением отказов в базовой модели. README сообщает о сохранении такого поведения в проведённых проверках и приводит сравнение качества с BF16-эталоном. Модель предназначена для генерации текста и диалогового использования; метаданные указывают английский, итальянский и китайский языки. Это производный GGUF-файл, основанный на Q8_0-версии модели и созданный с разрешением повторной квантизации. В README раскрыты ограничения оценки: часть распределения eval-токенов совпадала с калибровочным корпусом, а измерения отказов проводились на небольшом наборе запросов. Лицензия в предоставленных данных не указана.

G37A/Qwen3-Embedding-0.6B-80k-squad — дообученная модель семейства Qwen3 от G37A на базе Qwen/Qwen3-Embedding-0.6B. Она предназначена для создания текстовых эмбеддингов и семантического поиска в сценариях вопросов и ответов на украинском языке; при дообучении использованы наборы FIdo-AI/ua-squad и G37A/ua-retrieval-80k-silver. Модель содержит 507,6 млн параметров, использует архитектуру Qwen3ForCausalLM, формат safetensors и контекст до 32 768 токенов. Лицензия — Apache-2.0. Карточка указывает специализацию на украинских QA и retrieval; сведений о сравнительных оценках качества нет.

Qwen3-VL-8B-Instruct-Unredacted-MAX-GGUF — мультимодальная vision-language модель в формате GGUF, разработанная prithivMLmods на базе Qwen3-VL-8B-Instruct-Unredacted-MAX. Модель предназначена для обработки изображений и текста, выполнения инструкций, генерации подписей, объяснений и анализа визуальной информации. Заявленные сценарии включают аннотирование данных, повышение доступности контента, творческое повествование, подготовку исторических и медицинских наборов данных, а также red-teaming и исследование смещений моделей. Модель содержит 8 миллиардов параметров и ориентирована на мультимодальное рассуждение и следование сложным инструкциям. Доступны варианты BF16 и Q8_0, а также отдельные мультимодальные проекторы mmproj в форматах BF16 и Q8_0; размеры файлов варьируются от 752 МБ до 16,4 ГБ. В карточке указаны английский язык и pipeline image-text-to-text. Длина контекста, точные поддерживаемые языки, результаты тестирования и требования к оборудованию не приведены. К заявленным сильным сторонам относятся работа с комплексными визуальными входными данными, подробная генерация текста и снижение ограничений на отказы благодаря unredacted/abliterated дообучению. При этом степень фактической точности и надежности таких возможностей не подтверждена бенчмарками в README, а уменьшение механизмов отказа может повышать риск небезопасных или некорректных ответов. Модель распространяется по лицензии Apache-2.0.

Модель cross-encoder-testing/reranker-bert-tiny-gooaq-bce-tanh-v3 — это англоязычный Cross Encoder, разработанный на базе prajjwal1/bert-tiny с использованием библиотеки Sentence Transformers. Модель дообучена на данных GooAQ и предназначена для оценки пар текстов: она получает два фрагмента на вход и вычисляет один числовой балл их смыслового соответствия. Основные сценарии применения включают семантический поиск и переранжирование результатов, оценку текстового сходства, поиск перефразировок, классификацию текстов и другие задачи, где требуется сравнивать два текстовых фрагмента. Максимальная длина последовательности составляет 512 токенов, модель поддерживает один выходной лейбл и рассчитана на работу с английским языком. В метаданных указаны метрики MAP, MRR@10 и NDCG@10; размер базовой модели обозначен как BERT-tiny, однако точное число параметров не приведено. К сильным сторонам относятся компактность базовой архитектуры и возможность напрямую ранжировать пары запрос–документ или другие пары текстов. Как Cross Encoder, модель совместно анализирует оба текста, что может обеспечивать более точную оценку соответствия, но обычно требует отдельного вычисления для каждой пары и потому менее удобна для первичного поиска по большим коллекциям. README не приводит численных результатов оценки, подробностей о составе обучающей выборки или ограничений по доменам. Лицензия — Apache-2.0.

SciPhi-Mistral-RAG-Hermes-7B-32k — языковая модель на архитектуре Mistral, созданная как слияние модели SciPhi/SciPhi-Self-RAG-Mistral-7B-32k с помощью LazyMergekit. Она предназначена для генерации текста и сценариев RAG, где модель формирует ответы на основе предоставленного контекста. Модель содержит 6,5 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. README и метаданные не уточняют поддерживаемые естественные языки и условия лицензии, поэтому конкретные языки и лицензионные условия здесь не приводятся.

Модель nrshoudi/speech_ocean_wav2vec_mdd разработана на основе facebook/wav2vec2-large-xlsr-53 и дообучена для автоматического распознавания речи. Это аудиомодель архитектуры Wav2Vec2 с примерно 402,8 млн параметров; она принимает аудио и выдаёт текстовую транскрипцию. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. В карточке приведены результаты оценки: WER 0,0863, CER 0,0692 и loss 0,3663. Данные обучения и языки распознавания не описаны, поэтому применимость к конкретным языкам и условиям записи по карточке установить нельзя.

UME-R1-2B — модель семейства Qwen2-VL, представленная в виде плотной архитектуры с 1,5 млрд параметров. По карточке, модель прошла этап обучения с учителем для холодного старта и этап обучения с подкреплением. Она формирует эмбеддинги текста, изображений, нескольких изображений и видео; доступны дискриминативные и генеративные представления. Для генеративных эмбеддингов описан потенциал масштабирования за счёт повторных выборок во время вывода. Контекст составляет 32 768 токенов. Модель предназначена для мультимодального поиска и сопоставления представлений; карточка сообщает о преимуществах в оценках относительно дискриминативных эмбеддингов, но не приводит датасеты и численные результаты. Использование предполагает библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0.

Модель edugp/wav2vec2-xls-r-300m-cv8-es — дообученная на Common Voice версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи. Она принимает аудио и выдаёт текст; архитектура основана на Wav2Vec2ForCTC, число параметров — 402,7 млн. В оценке на наборе Common Voice модель показала WER 0,1931. Модель подходит для транскрибирования аудиозаписей на испанском языке. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. README не сообщает дополнительных сведений о режимах использования и ограничениях качества.

whisper-small-arabic-letters-pod — дообученная модель семейства Whisper, созданная на основе openai/whisper-small. Она предназначена для автоматического распознавания речи и преобразования аудио в текст. В README приведены результаты оценки: loss 0,0493 и WER 6,3830. Модель принимает аудио и выдаёт текст. Базовая Whisper small — мультиязычная модель для транскрибирования речи и перевода аудио на английский язык; карточка этой версии не уточняет языки и специальные сценарии дообучения. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0.

Whisper Small Indonesian — модель распознавания речи, дообученная разработчиком cahya на основе openai/whisper-small. Она преобразует аудио на индонезийском языке в текст и предназначена для сценариев автоматической транскрибации. Архитектура — WhisperForConditionalGeneration; размер модели составляет 153,1 млн параметров. Для обучения использовались наборы Mozilla Common Voice 11.0, Magic Data, TITML и Google FLEURS. В карточке указаны результаты оценки: loss 0,1022 и WER 6,0592. Модель распространяется по лицензии CC; конкретный вариант лицензии в предоставленных данных не уточнён.

ZiRA-Researcher — дообученная модель проекта 0xvoid на базе Qwen/Qwen3.5-4B, предназначенная для исследовательских ответов, многошаговых рассуждений и сложных вопросов. Это плотная текстовая причинная модель примерно на 3,4 млрд параметров с контекстом до 262 144 токенов; репозиторий содержит веса в формате Safetensors. Карточка описывает архитектуру Qwen3.5 как гибрид Gated Delta Network и разреженной смеси экспертов. Модель обучена синтезировать сведения, строить последовательные аргументы, отмечать неопределённость и пересматривать ошибки в ходе генерации. Она подходит для анализа длинных документов, многоэтапных логических задач и технических разборов; карточка рекомендует её для локального запуска и сценариев с ограниченным бюджетом. Встроенного доступа к вебу или поиска по источникам нет, поэтому для RAG нужно передавать извлечённые материалы в запросе. Дообучение преимущественно ориентировано на английский, хотя базовая архитектура поддерживает 201 язык. На узкоспециализированных темах модель может выдумывать сведения, а подробные рассуждения могут быть медленными и многословными. Лицензия — Apache-2.0.

Модель naicasc/all-MiniLM-L6-v2-finetuned-it-project-docs-qa-10000-6ep — энкодер предложений Sentence Transformers на архитектуре BERT, дообученный на наборе it_project_docs. Она преобразует предложения и абзацы в плотные семантические векторы размерности 384, нормализованные для сравнения по косинусному сходству. В метаданных указано 25,9 млн параметров и контекст до 512 токенов; README задаёт максимальную длину последовательности 256 токенов. Модель предназначена для семантического поиска и сравнения текстов по тематике набора обучения, поиска перефразировок, кластеризации и классификации текстов на основе эмбеддингов. Её можно применять для сопоставления вопросов с ответами и построения поиска по документам. Базовая модель — sentence-transformers/all-MiniLM-L6-v2; язык в карточке явно не указан, однако базовый энкодер предназначен для английского языка. Сведения о лицензии в предоставленных данных отсутствуют.

Модель seongil-dn/bge-m3-kor-retrieval-451949-bs64-book — Sentence Transformer, дообученный разработчиком на базе BAAI/bge-m3 для представления предложений и абзацев в виде плотных векторов. Она использует трансформер XLM-RoBERTa с пулингом CLS и нормализацией; размерность векторов — 1024, сходство измеряется косинусной метрикой. В карточке указана максимальная длина последовательности 1024 токена, а в метаданных — нативный контекст до 8194 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. Суффикс имени и обучающие данные указывают на настройку для поиска по книгам на корейском языке, однако карточка не приводит оценок качества или подробностей датасета. Метаданные указывают 658,7 млн параметров и формат safetensors. Лицензия в предоставленных данных не приведена.

Eklav-9B-Reranker-CotGen — контрольная модель проекта Eklav для ранжирования пассажей, дообученная на базе zai-org/GLM-Z1-9B-0414. Это плотная причинно-языковая модель семейства GLM-4 с 8,8 млрд параметров и контекстом до 32 768 токенов; веса доступны в формате safetensors. Модель обучена методом CotGen в варианте стандартного обучения с учителем на полных цепочках рассуждений и служит базовой линией для оценки улучшений Eklav. Для ранжирования модель получает запрос и пассаж, генерирует рассуждение, завершающееся меткой true или false, а релевантность оценивается по логитам финального токена. В README указаны оценки nDCG@10 на BRIGHT и NevIR. При использовании авторы рекомендуют запуск через vLLM с условием остановки по строке: при генерации с фиксированным лимитом токенов модель иногда продолжает рассуждение на сотни токенов, зацикливается и не выдаёт ответ. Лицензия в предоставленных данных не указана.

french-bge-m3 — франкоязычная версия модели BAAI/bge-m3, разработанная Antoine Louis. Она предназначена прежде всего для задач семантического сходства и поиска фрагментов текста, включая passage retrieval, во французском языке; модель может использоваться с библиотеками Transformers и Sentence Transformers. Модель создана методом pruning и на 38,4% меньше исходной BAAI/bge-m3, благодаря чему требует меньше памяти. Архитектура и точное число параметров в README не указаны. Это текстовая модель для французского языка, унаследованная от многоязычной BGE-M3, но из её словаря удалены токены, нечасто встречающиеся во французском. Поэтому для французских задач ожидается производительность, близкая к оригинальной модели, тогда как качество на других языках может быть заметно ниже. Модель распространяется по лицензии MIT. Для загрузки в Transformers требуется параметр trust_remote_code=True; также она поддерживается библиотекой Sentence Transformers.

Huihui-Qwythos-9B-Claude-Mythos-5-1M-abliterated-GGUF — это GGUF-версия модели, разработанная huihui-ai на основе empero-ai/Qwythos-9B-Claude-Mythos-5-1M. Модель предназначена для генерации текста на английском языке и поддерживает сценарии рассуждений, работы с длинным контекстом, function calling, tool use и агентных приложений. В README также указана специализация исходной модели на задачах кибербезопасности и биомедицине, однако подробные результаты оценки не приведены. Модель имеет размер 9B параметров, относится к семейству Qwen3.5 и поддерживает контекст до 1M токенов. Доступна в формате GGUF для запуска через llama.cpp; заявлены поддержка MTP и возможность ускорения генерации с помощью draft-модели. В non-thinking mode она должна следовать инструкциям первого запроса и выдавать результат в требуемом формате без вводных и заключительных фраз. Это uncensored-версия, созданная методом abliteration, поэтому её защитные фильтры значительно снижены. Сильной стороной является ориентация на длинный контекст, инструментальное использование и контролируемый формат вывода, но модель может генерировать чувствительный, спорный или небезопасный контент и не имеет гарантий стандартной safety-оптимизации. Рекомендуются исследовательское и экспериментальное применение, мониторинг и ручная проверка результатов; для публичных и производственных сценариев требуется особая осторожность. Модель распространяется по лицензии Apache-2.0.

IndicConformer — модель автоматического распознавания речи на хинди, разработанная AI4Bharat. Она принимает монофоническое аудио WAV с частотой дискретизации 16 кГц и возвращает распознанную речь в виде текста. Модель построена на архитектуре Conformer-Large: энкодер содержит 17 блоков и около 120 млн параметров, а декодер использует гибридный подход CTC-RNNT. Для инференса предусмотрен выбор CTC- или RNNT-декодера. Модель работает на хинди и распространяется по лицензии MIT; для работы используется библиотека AI4Bharat NeMo.

Это GGUF-квантизации языковой модели Qwen3.5-4B-Neo, разработанной Jackrong и подготовленной quantized_by bartowski с использованием llama.cpp и метода imatrix. Модель ориентирована на генерацию текста и задач с рассуждениями, включая competitive programming; в метаданных также указаны LoRA, chain-of-thought и unsloth. Для запуска подходят llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые приложения. Модель имеет около 4 миллиардов параметров и распространяется в вариантах от BF16 до 3-битных и 4-битных квантизаций. Размер файлов составляет примерно от 2,33 до 8,42 ГБ; варианты различаются балансом между качеством и потреблением памяти. Для отдельных конфигураций заявлены высокое или близкое к исходному качество, а низкобитные варианты предназначены для систем с ограниченным объёмом RAM. В метаданных указаны языки English, Chinese и Korean; контекстное окно и точные архитектурные характеристики не приведены. README описывает текстовую модель, хотя pipeline_tag обозначен как image-text-to-text, поэтому возможности обработки изображений по представленным данным подтвердить нельзя. Модель может использоваться локально для генерации текста, решения задач программирования и экспериментов с reasoning-моделями. Ограничениями являются зависимость качества от выбранного уровня квантизации, отсутствие сведений о контекстном окне и подробных результатах оценки, а также возможная необходимость обновления программ для поддержки новой архитектуры. Указанная лицензия — Apache-2.0.

Nutanix/jina-embeddings-v2-base-code-mbpp — модель Sentence Transformer, дообученная на базе jinaai/jina-embeddings-v2-base-code. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантического сходства, поиска и других задач работы с текстом и кодом. Архитектура основана на BertModel с усреднением токенных представлений; максимальная длина последовательности — 8192 токена, сходство можно оценивать косинусной метрикой. Модель подходит для семантического поиска по исходному коду и техническим текстам, поиска похожих фрагментов и кластеризации. README указывает дообучение с TripletLoss и оценку на sts-dev; приведённые результаты показывают умеренную точность, поэтому качество следует проверять на данных целевого применения. Репозиторий содержит веса safetensors. Лицензия в предоставленных данных не указана.