II.8Инженерия данных и аналитика

LED Large 16384 — модель семейства Longformer Encoder-Decoder, разработанная AllenAI для обработки длинных текстов. Она использует архитектуру BART-large; матрица позиционных эмбеддингов была расширена копированием, чтобы модель могла обрабатывать последовательности длиной до 16 384 токенов. Веса доступны в форматах PyTorch и TensorFlow, размер модели — 252,8 млн параметров. Модель подходит для суммаризации длинных документов и ответов на вопросы по их содержимому, а также для дообучения под другие задачи обработки текста. Карточка указывает английский язык. Модель распространяется по лицензии Apache 2.0.

konic-labs выпустила 50%-ную обрезанную по экспертам версию LiquidAI/LFM2.5-8B-A1B, созданную методом REAP (Ranking and Eliminating Experts via Activation Patterns). Это причинная MoE-модель для генерации текста и диалогов. В каждом MoE-слое оставлено 16 из 32 экспертов; по README, размер сократился на 45,5% относительно базовой модели. Сохранившиеся веса экспертов и веса маршрутизатора побитно совпадают с исходными, дополнительного дообучения не проводилось. Модель рассчитана на диалоговое использование, математические задачи и вызов инструментов; README приводит результаты тестов MATH500 и BFCLv3. Метаданные указывают контекст до 128 000 токенов и английский язык. Модель можно запускать в bf16, в том числе через vLLM; лицензия — Apache-2.0. Обрезка снижает качество относительно исходной модели: в приведённых результатах точность на MATH500 составляет 77,0%, а на BFCLv3 — 59,07%. README позиционирует её как промежуточный этап сжатия и допускает дальнейшую квантизацию; результаты тестов не гарантируют качество на других задачах.

Bunnycore Llama-3.2-3B-ProdigyPlusPlus — объединённая диалоговая языковая модель на архитектуре Llama, созданная с помощью mergekit методом TIES. В качестве базовой модели README указывает huihui-ai/Llama-3.2-3B-Instruct-abliterated; в объединение также вошли модели Bunnycore для кода, научных рассуждений, длинных рассуждений, ролевого общения и смешанных навыков. Модель предназначена для генерации текста и ответов в чате. Она содержит 3,2 млрд параметров, работает с текстом и имеет заявленный контекст до 131 072 токенов. Метаданные отмечают интерфейс вызова инструментов; фактическое качество этой возможности не описано. Модель опубликована в формате safetensors и использует библиотеку Transformers. В README приведены результаты Open LLM Leaderboard, включая средний балл 6,44, но не дано подробного описания методики или результатов по всем задачам. Сведения о лицензии в предоставленных данных отсутствуют.

Metis-0.4 — диалоговая текстовая модель семейства Mistral, разработанная Mihaiii. Она предназначена для рассуждений и понимания текста, особенно в сценариях с длинными системными инструкциями; модель не рассчитана на универсальную генерацию, например на сочинение историй. В README указано, что веса получены слиянием Metis-0.3 и Metis-0.1 с помощью mergekit, причём Metis-0.1 использовалась как базовая модель. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Для работы передайте системное сообщение, затем запрос. Модель обучена на частном наборе данных. Лицензия — Apache-2.0; качество за пределами задач рассуждения и понимания текста может быть ограничено.

Moonlight-16B-A3B-Instruct-Bruno — чат-модель rawcell, полученная модификацией MoonshotAI Moonlight-16B-A3B-Instruct методом MoE gate abliteration с настройкой Bruno. Она предназначена для генерации текста и ответов на инструкции; модификация снижает частоту отказов. Модель использует архитектуру Mixture-of-Experts: 16 млрд параметров всего и около 3 млрд активных. По метаданным, контекст составляет 8192 токена; модель работает через Transformers и распространяется в формате safetensors. В README сообщается о проверке на MMLU, HellaSwag и GSM8K, а также о снижении отказов на тестовом наборе запросов. Эти результаты приведены авторами карточки и не гарантируют аналогичное качество в других сценариях. Для запуска указаны минимум 32 ГБ VRAM с квантизацией и рекомендация от 48 ГБ VRAM. Лицензия — Apache-2.0.

unicamp-dl/mt5-base-mmarco-v2 — модель на архитектуре mT5, дообученная на многоязычной версии набора MS MARCO для ранжирования пассажей. Версия Multi MS MARCO включает коллекции пассажей MS MARCO на девяти языках; для версии v2 данные переведены с помощью Google Translate. Модель содержит 291,2 млн параметров и распространяется в формате PyTorch. Модель предназначена для оценки релевантности пассажей поисковому запросу в многоязычных задачах поиска информации. Её можно использовать для ранжирования найденных фрагментов текста, например, при поиске ответов в корпусе документов. В карточке указана лицензия MIT. Перевод обучающих данных машинный, поэтому качество может зависеть от языка и особенностей перевода.

Ornith-1.5-35B-A3B-Vision-MTPLX-4bit — квантизированный производный релиз модели ornith-ai/Ornith-1.5-35B-A3B, опубликованный zwcf5200. Модель предназначена для задач преобразования изображений и текста в текст, включая визуальный анализ и чтение графиков, и рассчитана на запуск через MLX/oMLX на устройствах Apple Silicon. Она сохраняет штатную vision tower и одност layer MTPLX head для multi-token prediction и speculative decoding. В основе используется mixture-of-experts архитектура Qwen3_5MoeForConditionalGeneration с 35 млрд параметров, из которых примерно 3 млрд активируются на токен. Основная модель и runtime sidecar MTP выполнены в 4-битной affine-квантизации с размером группы 64; компоненты vision и нормализации используют BF16. В README указан английский язык, а поддержка контекстов продемонстрирована на длине до 32 768 токенов. Рекомендуемая глубина MTP для смешанных визуально-текстовых запросов — 2. Сильными сторонами являются мультимодальность, MoE-эффективность, снижение требований к памяти благодаря 4-битной квантизации и ускорение генерации с MTP примерно на 20–22% в локальных тестах на Mac Studio с M3 Ultra. При этом MTP увеличивает пиковое потребление памяти примерно на 1,7–1,75 ГБ, а результаты зависят от конфигурации, размера пакета и программного стека; приведённые показатели являются локальными измерениями, а часть тестов пакетной обработки не является контролируемым сравнением. Модель распространяется по лицензии MIT.

Prompsit/paraphrase-bert-pt — португалоязычная модель Prompsit для оценки того, является ли одна фраза перефразированием другой. Это дообученная модель BERT на базе neuralmind/bert-base-portuguese-cased, реализованная как BertForSequenceClassification; в репозитории указаны веса PyTorch и SafeTensors, размер составляет 136,1 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для классификации пар фраз по соответствию перефразированию. Её можно применять для поиска перефраз, проверки семантической близости формулировок и сопоставления вариантов пользовательского запроса. В README упомянуты результаты оценки на 16 500 вручную размеченных парах фраз, но конкретные метрики не приведены. Модель создана в рамках проекта TSI-100905-2019-4 при софинансировании Министерства экономики и цифровой трансформации Испании. Лицензия в предоставленных данных не указана.

Pathumma-whisper-th-medium — модель распознавания речи команды Pathumma Audio Team, дообученная на основе openai/whisper-medium. Она предназначена для преобразования аудиозаписей в текст и запускается через библиотеку Transformers. Модель содержит 455,8 млн параметров и распространяется в формате safetensors. В метаданных указаны тайский и английский языки; отдельные сценарии применения и результаты оценки в карточке не описаны. Лицензия — Apache-2.0.

PE-Core-bigG-14-448 — версия Perception Encoder, преобразованная в формат OpenCLIP; исходную модель разработала Meta. Это контрастивный vision-language энкодер с визуальным и текстовым башнями, обученный на изображениях и дообученный на данных синтетических видео. Вариант bigG/14 принимает изображения с разрешением 448 пикселей; представленный репозиторий содержит веса PyTorch в формате safetensors. Модель предназначена для классификации изображений по текстовым меткам без специального дообучения, а также для извлечения сопоставимых признаковых представлений изображений и текста, поиска и задач понимания видео. Её сильная сторона — универсальные визуальные признаки и высокая эффективность на задачах классификации и поиска. Длина текстового контекста для этого конкретного чекпойнта в предоставленных данных не указана. Лицензия — Apache-2.0.

Карточка модели facebook/PE-Spatial-L14-448 на Hugging Face совпадает с карточкой facebook/PE-Core-L14-336, поэтому описание составлено по ней. Perception Encoder PE-Core-L14-336 — модель Meta для визуального понимания, обученная с помощью контрастивного обучения изображений и текста и дообученная на синтетически согласованных видео. Это вариант размера L: визуальный энкодер с архитектурой ViT-L/14 содержит 0,32 млрд параметров и обрабатывает изображения с разрешением 336 пикселей. Для извлечения глобальных признаков используются attention pooling и class token. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и видео по тексту, а также извлечения визуальных признаков для последующих задач. В README указаны результаты на наборах ImageNet, ObjectNet и Kinetics-400; версия L/14 показывает сильные результаты, в том числе на сложных наборах ObjectNet и ImageNet-A. Репозиторий содержит веса PyTorch и код загрузки через библиотеку perception-encoder. Лицензия — Apache-2.0. README описывает семейство PE Core как включающее визуальную и текстовую башни, но таблица именно для L/14 приводит характеристики только визуальной башни; отдельные размер и длина контекста текстовой части этого чекпойнта не установлены приведёнными данными. Для работы с видео требуется декодирование в тензоры PyTorch.

grounded-ai/phi4-r1-guard — языковая модель, разработанная Jlonge4 и дообученная на unsloth/phi-4-bnb-4bit с использованием Unsloth и TRL. Она предназначена для оценки текстов: выявляет токсичность, проверяет ответы на галлюцинации по эталонному материалу и оценивает релевантность найденного контекста запросу в RAG-сценариях. Модель имеет 14,1 млрд параметров, архитектуру LlamaForCausalLM и контекстное окно 16 384 токена. Принимает текст и выдаёт объяснение решения с бинарной классификацией: toxic/non-toxic, yes/no или relevant/unrelated. В карточке заявлена поддержка английского языка. Модель выпущена под лицензией Apache-2.0. Её оценки и объяснения могут ошибаться; проверки галлюцинаций зависят от качества эталонного материала, а классификацию следует валидировать на данных целевого применения.

Phi-4-Super-1 — слитая языковая модель семейства Phi-4, опубликованная пользователем prithivMLmods. Она объединяет базовую unsloth/phi-4 с несколькими моделями Phi-4, включая варианты для рассуждений, математики, диалогов и вызова функций. Слияние выполнено методом Model Stock с помощью mergekit; модель имеет плотную архитектуру LlamaForCausalLM, около 14,1 млрд параметров и контекст до 16 384 токенов. Модель предназначена для генерации текста и диалогов, в том числе для решения математических задач и пошаговых рассуждений. README также описывает акцент на полезных и безопасных ответах и упоминает обучение SFT и DPO, однако конкретные возможности и качество на задачах не подтверждены оценками. Указана лицензия исходного компонента в предоставленных данных отсутствует.

radlab/polish-cross-encoder — модель перекрёстного ранжирования польскоязычных текстов, опубликованная пользователем или организацией radlab. Она предназначена для оценки релевантности пары текстов и сортировки кандидатов по соответствию запросу; метаданные также указывают поддержку классификации текста. Модель построена на архитектуре RoBERTa с классификационной головой RobertaForSequenceClassification и содержит около 533,7 млн параметров. Для работы с ней указана библиотека sentence-transformers; контекст — до 514 токенов. Модель ориентирована на польский язык и обучена с использованием radlab/polish-sts-dataset. Её можно применять для поиска и ранжирования польских документов, например как этап reranking в поисковой системе. Репозиторий содержит веса PyTorch и safetensors. Лицензия — CC BY-SA 4.0; README содержит лишь заголовок и пример использования, поэтому подробностей о методике обучения и оценке качества в нём нет.

Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2 — дообученная версия Qwen3.5-9B, разработанная Jackrong с использованием Unsloth. Модель ориентирована на эффективное рассуждение и обучалась на 14 000 образцах в стиле Claude 4.6 Opus, а также на наборах данных по математике, логическим задачам, общеобразовательным вопросам и инструкциям. Заявленная цель версии v2 — повысить точность и сократить избыточную длину цепочек рассуждений. Модель предназначена для задач, требующих многошагового анализа: решения математических и словесных задач, логической дедукции, ответов на общие вопросы, выполнения инструкций, а также для агентских сценариев и локального развёртывания с ограниченным бюджетом инференса. Авторы также приводят результаты HumanEval и HumanEval+, рассматривая их как проверку переноса общего навыка рассуждения на программирование, хотя код не был основным направлением обучения. Из известных характеристик: размер базовой модели — 9B параметров; заявлены языки English, Chinese и Korean. В карточке указана модальность image-text-to-text, однако подробности о поддерживаемых визуальных входах и контекстном окне не приведены. Сильной стороной модели считается более экономичное рассуждение: авторы заявляют сокращение потребления символов и токенов более чем на 20% при сохранении или повышении точности. Ограничение заключается в возможном снижении широких универсальных возможностей из-за небольшого объёма и направленности SFT-обучения; заявленные результаты основаны преимущественно на HumanEval и HumanEval+. Модель распространяется по лицензии Apache-2.0.

Qwen3.6-27B-Della-Deckard-v1 — мультимодальная модель с 27 млрд параметров, собранная автором репозитория YFC-112358 методом слияния весов. В основе лежит Qwen/Qwen3.6-27B; в карточке описаны слияние DELLA с двумя моделями для рассуждений и добавление небольшого вектора задач из инженерной модели Qwen3.5. Модель плотная, построена на архитектуре Qwen3.5, поддерживает зрительный ввод и диалог. Веса сохранены в BF16 в формате safetensors; лицензия — Apache-2.0. Модель предназначена для мультимодальных диалогов и задач, где нужно отвечать на текстовые запросы и учитывать изображения. Автор также ориентирует её на рассуждения и инженерные задачи, включая программирование, но количественных бенчмарков нет. Карточка сообщает о тестировании генерации на 13 текстовых запросах; работу с изображениями и поведение на контексте длиннее 16K не проверяли. Слияние структурно проверено, но это не подтверждает улучшения качества; при проблемах автор рекомендует отключить кросс-поколенческий вклад. Указанный контекст базовой модели в README — 16K, за его пределами поведение не оценивалось.

Qwen3.6-27B-F451-AND-TRI-Polar-Ultra-Pro-Writer-Uncensored-Heretic — плотная модель семейства Qwen3.5 на 27 млрд параметров, опубликованная DavidAU как дообучение с Unsloth. Автор сообщает, что обучал её на локальном оборудовании, чтобы повысить базовые интеллектуальные способности модели; в карточке приведены результаты тестов ARC, BoolQ, HellaSwag, OpenBookQA, PIQA и WinoGrande для вариантов с разной точностью. Указанные бенчмарки проверялись в режиме Instruct. Модель позиционируется для диалогов, письма и программирования; метаданные также отмечают обработку изображений и интерфейс вызова инструментов. Указанные в карточке языки — английский и китайский. Репозиторий содержит веса safetensors в формате bfloat16 и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не сообщает длину контекста и не приводит конкретных результатов на задачах зрения или вызова инструментов. Заявления о превосходстве в бенчмарках основаны на описании автора; приведённые значения неполны. Название модели указывает на uncensored и heretic-вариант, но README не поясняет поведение модели в отношении такого содержимого.

Qwen3-Embedding-0.6B-AWQ-INT4 — квантованная версия модели Qwen/Qwen3-Embedding-0.6B, опубликованная drawais. Это производный артефакт с 4-битным квантованием весов по схеме AWQ и размером около 0,5 ГБ на диске. Модель предназначена для эффективного запуска задач, основанных на текстовых представлениях, включая сценарии, где важны компактность и низкие требования к ресурсам. В README указана поддержка английского языка. Для запуска рекомендуется использовать vLLM; заявленная максимальная длина контекста составляет 32 768 токенов. Модель относится к текстовым и не поддерживает другие модальности согласно представленным данным. К сильным сторонам относятся малый размер, потенциально высокая скорость работы и возможность запуска на ограниченных ресурсах. При этом INT4-квантование может снижать точность по сравнению с исходной моделью, а сведения о конкретных результатах оценки, архитектуре, точных требованиях к видеопамяти и поддерживаемых сценариях применения не приведены. Модель распространяется по лицензии Apache License 2.0; для производного артефакта требуется учитывать атрибуцию исходной модели и материалы из LICENSE и NOTICE.

Reason-ModernColBERT — англоязычная модель много-векторных текстовых эмбеддингов, разработанная LightOn и дообученная на наборе reasonir-hq на основе lightonai/GTE-ModernColBERT-v1. Модель использует архитектуру ModernBERT с проекцией векторов с 768 до 128 измерений и поздним взаимодействием в стиле ColBERT: она кодирует текст в последовательности векторов, а сходство оценивается оператором MaxSim. Контекст документа — до 8192 токенов, длина запроса — до 128 токенов; модель содержит около 149 млн параметров и работает через PyLate. Она предназначена для семантического поиска и ранжирования документов по запросам, в том числе для поиска, требующего сопоставления нескольких смысловых фрагментов. В README сообщается о сильных результатах на бенчмарке BRIGHT для запросов, требующих рассуждений, однако показатели зависят от набора данных и сценария оценки. Модель принимает текст и выдаёт последовательности векторов, поэтому для получения результатов поиска её используют с индексом и поисковой системой либо для ранжирования переданных пар запрос-документ. Лицензия CC BY-NC 4.0 допускает использование с некоммерческими ограничениями.

retrieval-mpnet-bn — модель Sentence Transformers, разработанная Asif Faisal Chowdhury для семантического поиска и извлечения релевантных текстов на бенгальском языке. Она преобразует предложения и абзацы в плотные векторы размерности 768 и поддерживает поиск по запросу в корпусе документов, кластеризацию и задачи сравнения предложений. Модель построена на XLM-RoBERTa large с усреднением токенов и дообучена методом многоязычной дистилляции с использованием multi-qa-mpnet-base-cos-v1 как учительской модели. Репозиторий содержит веса PyTorch; максимальная длина контекста — 514 токенов, но обучение проводилось на текстах до 250 токенов, поэтому более длинные входы могут обрезаться или обрабатываться хуже. Эмбеддинги не нормализованы: для поиска сходства рекомендуется косинусная мера. Лицензия в предоставленных данных не указана.

Модель kelompoknlp2026dsindo/retriever_260511070554_FINAL — энкодер предложений на архитектуре BERT, дообученный разработчиком на базе sentence-transformers/all-MiniLM-L6-v2 для поиска по тексту. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 384; для сравнения векторов используется косинусное сходство. Обучение проводилось на примерах пар «запрос — релевантный документ» с MultipleNegativesRankingLoss. Модель подходит для семантического поиска и извлечения подходящих документов по запросу. В README приведены результаты оценки на наборе dev: cosine_accuracy@1 — 0,2389, @3 — 0,469 и @5 — 0,5752. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; README задаёт максимальную длину последовательности 256 токенов, поэтому при использовании следует учитывать более короткое ограничение Sentence Transformers. Модель принимает и выдаёт текстовые представления в виде векторов. Данные не подтверждают поддержку русского языка или наличие специализированного предметного домена. Лицензия в предоставленных источниках не указана.

DatologyAI CLIP Retrieval Optimized ViT-B/32 — контрастивная модель «изображение—текст», разработанная DatologyAI на базе архитектуры CLIP и обученная с помощью OpenCLIP. Она предназначена для поиска соответствий между изображениями и текстовыми запросами: поддерживает поиск изображений по описанию и подбор описаний к изображениям, а также классификацию изображений по текстовым меткам без отдельного обучения на этих классах. Модель использует визуальный энкодер ViT-B/32 с патчами 32×32 и входным размером изображения 224×224, а также 12-слойный текстовый Transformer с контекстом 77 токенов; размерность эмбеддингов — 512. Обучающие пары изображений и текста отобраны из DataComp-XL с использованием пайплайна курирования DatologyAI. В README приведены результаты на MSCOCO и Flickr30K, однако они не гарантируют аналогичного качества на других распределениях данных. Модель принимает изображения и текст, выдаёт векторные представления для сопоставления и оценки близости. Лицензия — Apache 2.0.

sentence-transformers/roberta-base-nli-mean-tokens — модель sentence-transformers, обученная командой Sentence Transformers на основе RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768; архитектура содержит около 151,8 млн параметров, а максимальная длина контекста составляет 514 токенов. Модель принимает текст и выдаёт эмбеддинги, которые можно использовать для семантического поиска, сравнения предложений и кластеризации. Репозиторий содержит веса в форматах PyTorch, TensorFlow, ONNX и OpenVINO; лицензия — Apache-2.0. В README модель помечена как устаревшая: качество её эмбеддингов низкое, поэтому для новых проектов рекомендуется выбрать более современную модель для эмбеддингов предложений. Карточка не указывает поддерживаемые естественные языки.

Salamandra-VL-7B-2512 — мультимодальная модель семейства Salamandra от BSC-LT, построенная на архитектуре LLaVA OneVision. Она объединяет языковую модель Salamandra 7B, настроенную на следование инструкциям, с визуальным энкодером SigLIP 2 Giant и двухслойным MLP-проектором. Модель обучали на мультиязычных инструкциях, включая коллекцию Aya, и визуальных данных PixMo для детального понимания изображений, привязки объектов и подсчёта. Модель предназначена для диалога по изображениям и тексту: она отвечает на вопросы о содержимом изображений, описывает сцены, считает объекты, интерпретирует диаграммы и таблицы и помогает разбирать документы. Карточка отмечает фокус на европейских языках; метаданные перечисляют поддержку многих языков, включая русский. Модель также может отвечать на текстовые инструкции и вопросы по коду. В карточке приведены улучшения относительно предыдущей версии на ряде визуальных бенчмарков, в том числе AI2D, ChartQA и CountBenchQA. Это ранний прототип без RLHF-выравнивания и полной оценки когнитивных и социальных предубеждений; модель может выдавать вредные или неуместные ответы. Лицензия в метаданных обозначена как other, поэтому условия использования следует сверить с файлами репозитория.

SauerkrautLM-Multi-ColBERT-33m — компактная модель позднего взаимодействия для поиска и сопоставления текстов, разработанная VAGOsolutions. Она использует архитектуру ColBERT на базе BERT с 33–34,7 млн параметров и обучалась на 8,2 млрд токенов с дистилляцией знаний от моделей-реранкеров. Для оценки релевантности применяется MaxSim, а выходные представления имеют размерность 128. Модель рассчитана на запросы до 256 токенов и документы до 8192 токенов. Модель предназначена для многоязычного поиска, семантического сопоставления запросов и документов и построения поисковых систем, в том числе с ограниченными вычислительными ресурсами. В первую очередь она поддерживает немецкий, английский, испанский, французский, итальянский, нидерландский и португальский языки; обучение включало многоязычный этап и дополнительный этап на английских данных. Лицензия — Apache 2.0.

nrshoudi/speech_ocean_hubert_mdd — модель автоматического распознавания речи, полученная дообучением HuBERT-Large facebook/hubert-large-ll60k. Она принимает аудио и преобразует речь в текст; архитектура на основе HuBERT с CTC-головой содержит 402,8 млн параметров. В README приведены результаты на тестовой выборке: WER 0,0517, CER 0,0499 и loss 0,2027. Модель подходит для транскрибации аудиозаписей и распознавания речи в речевых интерфейсах. Язык и тематика обучающих данных не описаны, поэтому область языкового применения по имеющимся сведениям определить нельзя. Модель опубликована в формате safetensors по лицензии Apache-2.0.

Это разреженный энкодер SPLADE, созданный автором nickprock на основе dbmdz/bert-base-italian-xxl-uncased и дообученный на наборе CulturaViva-ITA с помощью библиотеки Sentence Transformers. Модель преобразует предложения и абзацы на итальянском языке в разреженные векторы размерности 32 102; сходство оценивается скалярным произведением. Размер модели — 137,9 млн параметров, максимальная длина входа — 512 токенов. Энкодер предназначен для семантического поиска и разреженного поиска документов, а также может применяться для оценки сходства предложений. В README приведена оценка Spearman 0,6016 на sts-dev. Модель принимает текст и возвращает векторные представления. Лицензия в предоставленных данных не указана.

Gille/StrangeMerges_56-7B-model_stock — объединённая модель семейства Mistral, созданная с помощью LazyMergekit из нескольких моделей на базе Mistral; метод слияния — model_stock, базовая модель конфигурации — snorkelai/Snorkel-Mistral-PairRM-DPO. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. В состав слияния входят модели, ориентированные в том числе на математику и диалог, однако README не приводит отдельных оценок качества или результатов тестирования. Файлы представлены в формате safetensors с точностью bfloat16. Лицензия в предоставленных данных не указана.

TeluguSBERT-STS — модель семейства BERT от L3Cube-Pune для получения векторных представлений предложений на телугу и оценки их семантического сходства. Она создана на основе l3cube-pune/telugu-sentence-bert-nli и дообучена на наборе данных STS; модель выпущена в рамках проекта MahaNLP. Модель подходит для сравнения смысла двух предложений, поиска похожих фраз и построения семантического поиска на телугу. Это плотная модель с 264,8 млн параметров и контекстом до 512 токенов; репозиторий содержит веса PyTorch, а метаданные отмечают поддержку эмбеддингов. Лицензия — CC BY 4.0.

dinesh480/telugu-whisper-finetuned — модель распознавания речи на телугу, разработанная на основе Swecha Gonthuka ASR и дообученная на пользовательском наборе телугуязычных аудиозаписей. Она использует архитектуру Wav2Vec2ForCTC и преобразует речь в текст на телугу в Unicode. Модель подходит для транскрибации, голосовых помощников, создания субтитров, образовательных приложений и анализа речи. Модель принимает монофонический звук WAV с частотой дискретизации 16 кГц; размер составляет 113,3 млн параметров. Репозиторий использует Transformers и хранит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Качество может снижаться при сильном фоновом шуме, нескольких говорящих, низком качестве записи и региональных акцентах, отсутствовавших в обучающих данных. README не приводит количественных результатов оценки.