II.8Инженерия данных и аналитика

kwondw/reranker-ModernBERT-base-gooaq-bce — англоязычный кросс-энкодер, дообученный автором на основе answerdotai/ModernBERT-base с помощью Sentence Transformers. Модель оценивает пары текстов одним числовым баллом релевантности и предназначена для переранжирования результатов поиска и семантического поиска, например ответов на вопросы. Модель использует архитектуру ModernBertForSequenceClassification и содержит около 149 млн параметров. Она принимает только текст, поддерживает последовательности длиной до 8192 токенов и обучена на 292 161 примере GooAQ с вопросами, ответами и метками. В README приведены результаты оценки на GooAQ и нескольких наборах для поиска; метрики различаются между наборами. Лицензия — Apache-2.0. Модель рассчитана на английский язык; качество на других языках не подтверждено. Как кросс-энкодер, она оценивает пары текстов и подходит для повторной сортировки кандидатов, а не для самостоятельного поиска по большой коллекции без предварительного этапа извлечения.

SauerkrautLM-Multi-Reason-ModernColBERT — многоязычная модель поиска с поздним взаимодействием ColBERT, разработанная VAGOsolutions. Она преобразует запросы и документы в многовекторные представления, а затем сопоставляет их по токенам с помощью MaxSim, чтобы находить релевантные документы, в том числе для сложных запросов и задач, требующих рассуждений. Модель основана на ModernBERT и PyLate, содержит 149 млн параметров и принимает документы длиной до 8192 токенов; длина запроса оптимизирована до 256 токенов. Обучение включает дистилляцию на синтетических примерах и низкоранговое сжатие LaserRMT. Разработчики заявляют о высокой эффективности на задачах многоязычного и рассуждающего поиска, но приведённые в карточке сравнительные результаты являются заявлениями авторов. Модель ориентирована на немецкий, английский, испанский, французский, итальянский, нидерландский и португальский языки. Лицензия — Apache 2.0.

Secrets Sentinel xsmall-v1 — компактная модель классификации текста от hypn05, созданная дообучением microsoft/deberta-v3-xsmall для обнаружения секретов и учётных данных в строках кода и конфигурациях. Она присваивает строке метку «секрет» или «безопасно» и предназначена для проверок в pre-commit, pre-receive hooks и GitHub Actions, а также для сканирования репозиториев. Модель основана на архитектуре DeBERTa-v3-xsmall, имеет около 77,5 млн параметров по метаданным и контекст до 512 токенов. В README указаны 3 слоя вместо 12 у базовой модели, дообучение на размеченных примерах и примерно в 4,3 раза более высокая скорость относительно базовой версии; заявлена одинаковая точность на девяти тестовых сценариях, однако подробные значения F1 и числа ложных срабатываний для этой версии не приведены. Поддерживаемый язык карточки — английский. Модель распространяется по лицензии MIT.

Это плотная языковая модель Qwen3 с 507,9 млн параметров, дообученная командой Utah NLP в рамках Tevatron-Elastic для поиска релевантных документов. Чекпойнт поддерживает эластичное сжатие токенов M-LTC: из одной модели можно выбирать разные коэффициенты сохранения токенов и настраивать точку работы через Tevatron-Elastic. Модель предназначена для получения представлений запросов и документов и их сопоставления в информационном поиске. В README указаны обучающие данные rlhn/rlhn-680K, максимальная длина при обучении 512 токенов и префиксы `query:` и `passage:`. Для полной конфигурации приведён результат 0,511 nDCG@10 на BEIR-15. Это ресурс для воспроизводимости экспериментов, а не заявление о превосходстве над современными моделями. Базовая модель имеет нативный контекст 32 768 токенов; лицензия — Apache-2.0.

deepset/tinybert-6l-768d-squad2 — англоязычная модель для извлекающего ответа на вопросы, разработанная deepset. Она находит в переданном тексте фрагмент, отвечающий на вопрос, и предназначена для поиска ответов в документах, в том числе в конвейерах Haystack. Модель основана на TinyBERT General 6L 768D и обучена методом дистилляции промежуточных и предсказательных слоёв с учителем deepset/bert-base-uncased-squad2. Для обучения использовались данные SQuAD 2.0; оценка проводилась на dev-разбиении этого набора. Это плотная BERT-модель класса BertForQuestionAnswering с 80,1 млн параметров и контекстом до 512 токенов. Модель принимает текст и возвращает текстовый ответ, работает на английском языке. Опубликованные форматы весов — PyTorch и Safetensors. Лицензия — MIT. Модель рассчитана на извлечение ответов из предоставленного контекста, а не на свободную генерацию или универсальный чат. Её качество зависит от соответствия вопроса и текста; контекст ограничен 512 токенами, поэтому для длинных документов требуется предварительное разбиение на фрагменты.

MaziyarPanahi/Topxtral-4x7B-v0.1 — текстовая генеративная модель семейства Mixtral с архитектурой Mixture of Experts, предназначенная для создания ответов и продолжения текста. Карточка содержит пример запроса о плюсах и минусах Docker, что указывает на использование модели для ответов на вопросы и объяснений. Модель имеет 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Репозиторий использует формат Safetensors и библиотеку Transformers; модель опубликована под лицензией Apache-2.0. Метаданные помечают её как merge, однако не указывают базовые модели, поэтому состав слияния установить нельзя.

UME-R1-7B — мультимодальная модель на архитектуре Qwen2-VL, разработанная авторами проекта UME-R1. По карточке, модель прошла этапы supervised fine-tuning с холодным стартом и обучения с подкреплением. Она формирует представления текста, изображений, нескольких изображений и видео: поддерживает как различительные, так и генеративные эмбеддинги, а повторная генерация представлений может улучшать результаты при выводе. Модель содержит 7,1 млрд параметров, использует библиотеку Transformers и имеет контекст длиной до 32 768 токенов. Модель предназначена для мультимодального поиска и сопоставления текста с изображениями или видео, а также для задач сравнения и классификации по сходству. В README заявлено, что она превосходит различительные эмбеддинги, но сведения о наборах обучения и оценки отсутствуют, поэтому это утверждение нельзя независимо оценить по карточке. В метаданных указаны чат и зрительные возможности; основной тег задачи — image-text-to-text. Лицензия — Apache-2.0.

Tiancheng Gu и соавторы разработали UniME-V2 — дообученную мультимодальную модель для сопоставления запросов и кандидатов по смыслу. Она предназначена для получения эмбеддингов, которые помогают находить релевантные изображения и текстовые материалы, а также различать близкие по смыслу варианты. В README описан подход с оценкой семантического соответствия пар с помощью MLLM и использованием этих оценок как мягких меток при обучении. Архитектура — плотная Qwen2-VL, около 1,5 млрд параметров; модель основана на Qwen/Qwen2-VL-2B-Instruct, принимает текст и изображения и выдаёт текст. Контекст — до 32 768 токенов. Репозиторий также упоминает отдельную модель UniME-V2-Reranker, но это описание относится к UniME-V2, а не к реранкеру. Модель распространяется по лицензии Apache-2.0.

P2Enjoy/VibeVoice-ASR-BitNet-slim — облегчённая GGUF-перепаковка модели распознавания речи Microsoft VibeVoice-ASR-BitNet. Разработчик удалил из весов дублирующую матрицу выходной проекции: повторно обучение не проводилось, а основная тернарная часть трансформера сохранена. Размер языковой модели сократился примерно с 993 до 526 МБ, общий размер весов — с 1,70 до 1,23 ГБ. Модель предназначена для транскрибации аудио, в том числе длинных записей на фрагментах примерно по 60 секунд. Карточка приводит оценки для английского, французского, итальянского, португальского, испанского и немецкого; исходная модель обучалась также на китайском, корейском и вьетнамском. Перепаковка почти не изменила точность относительно исходных весов, однако на коротких клипах в приведённом сравнении Whisper точнее. Лицензия — MIT. При обработке аудио длиннее примерно 80 секунд за один проход модель может преждевременно завершить распознавание и отбросить остаток записи, поэтому длинные материалы следует делить на части. Модель не выполняет диаризацию и не выдаёт метки говорящих; качество заметно зависит от языка и типа речи.

cahya/wav2vec2-base-turkish — модель автоматического распознавания речи, дообученная на турецком наборе Common Voice 7.0. Она построена на архитектуре Wav2Vec2 с CTC-головой и содержит 113,3 млн параметров. Модель принимает аудио и преобразует турецкую речь в текст. В README приведены результаты оценки на Common Voice 6.1, 7.0 и 8.0: WER составляет соответственно 9,437, 8,147 и 8,335, а CER — 3,325, 2,802 и 2,336. Для дообучения также использовались Media Speech и Magic Hub. Модель распространяется по лицензии Apache-2.0; показатели оценки относятся к указанным наборам данных и не гарантируют аналогичное качество на других типах записей.

infinitejoy/wav2vec2-large-xls-r-300m-arabic — модель распознавания речи, полученная дообучением facebook/wav2vec2-xls-r-300m на арабской части набора Mozilla Common Voice 7.0. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2ForCTC семейства wav2vec2, число параметров — около 402,8 млн. Модель предназначена для автоматической транскрипции арабской речи. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка описывает оценивание на тестовой выборке Common Voice 7, но метрики WER и loss приведены как NA. Поэтому по карточке нельзя оценить точность распознавания или устойчивость модели на других акцентах, условиях записи и типах речи.

Модель infinitejoy/wav2vec2-large-xls-r-300m-slovak — дообученная версия facebook/wav2vec2-xls-r-300m для распознавания словацкой речи. Она использует архитектуру Wav2Vec2ForCTC и обучена на словацкой части набора Mozilla Common Voice 7.0. Модель принимает аудио и преобразует речь в текст; в карточке приведены результаты оценки на тестовой выборке: WER 0,2481 и loss 0,2915. Модель подходит для транскрибирования записей и голосовых высказываний на словацком языке. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка не описывает условия записи и оценки подробно, поэтому качество на других типах аудио по указанным метрикам определить нельзя.

jonatasgrosman/wav2vec2-large-xlsr-53-arabic — модель распознавания арабской речи, созданная Jonatas Grosman на основе facebook/wav2vec2-large-xlsr-53. Модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC содержит 402,7 млн параметров и принимает аудио с частотой дискретизации 16 кГц, преобразуя его в текст на арабском языке. Модель дообучена на обучающей и валидационной частях Common Voice 6.1 и Arabic Speech Corpus. В оценке на тестовых данных Common Voice для неё указаны WER 39,59% и CER 18,18%; результаты зависят от набора данных и процедуры оценки. Подходит для преобразования арабской речи в текст и транскрибирования аудиозаписей. Распространяется по лицензии Apache-2.0.

Это модель автоматического распознавания финской речи, созданная Jonatas Grosman на основе facebook/wav2vec2-large-xlsr-53. Модель семейства wav2vec2 с архитектурой Wav2Vec2ForCTC содержит 402,7 млн параметров и дообучена на финском языке на обучающей и валидационной выборках Common Voice 6.1 и CSS10. Модель преобразует аудиозаписи на финском языке в текст и подходит для транскрибирования речи. Для подачи аудио требуется частота дискретизации 16 кГц. В README приведены результаты оценки WER и CER на тестовой выборке Common Voice; качество может отличаться на других данных и при иных настройках оценки. Лицензия — Apache-2.0.

Wav2vec 2.0 With Open Brazilian Portuguese Datasets v2 — модель распознавания речи на базе Wav2Vec2, дообученная автором lgris для бразильского варианта португальского языка. Чекпойнт содержит 402,7 млн параметров и предназначен для преобразования аудиозаписей речи в текст. Для обучения объединили корпуса CETUC, Multilingual Librispeech, VoxForge, Common Voice 6.1 и Lapsbm; исходная модель дообучалась с помощью fairseq, а веса для этой версии конвертированы из исходного формата. В README приведены результаты WER 10,69% на тестовой выборке Common Voice и 34,53% на аудио TEDx вне обучающего домена. Автор отмечает возможное пересечение дикторов между обучающей и тестовой выборками Common Voice, поэтому первый результат может быть завышен; на записи вне домена качество заметно ниже. Модель распространяется по лицензии Apache-2.0.

vumichien/whisper-medium-jp — дообученная модель автоматического распознавания речи на основе openai/whisper-medium, разработанная с использованием набора данных Mozilla Common Voice 11.0. Она предназначена для преобразования японской речи в текст. Модель семейства Whisper содержит около 455,8 млн параметров и представлена в формате PyTorch; оценка на тестовой выборке Common Voice 11.0 составляет WER 9,0355 и loss 0,3029. Распространяется по лицензии Apache-2.0.

Это компактная модель автоматического распознавания речи на базе OpenAI Whisper Tiny, дообученная автором репозитория akimbabananan для русского и английского языков. Она принимает аудио и преобразует речь в текст; автор описывает её как эксперимент с полным дообучением, направленный на специализацию модели в двуязычном режиме. В карточке указаны архитектура Whisper, библиотека Transformers, формат safetensors и лицензия MIT. По заявлению автора, обучение шло 4000 шагов на датасете Common Voice 22.0, а знания языков помимо русского и английского намеренно вытеснялись. Поэтому модель подходит для транскрибации речи на этих двух языках, но может молчать или транслитерировать речь на других языках. Заявления о высокой точности в README не подкреплены приведёнными метриками; для практического применения качество стоит проверять на целевых аудиозаписях.

xLAM-8x22b-r-GGUF — квантованный вариант языковой модели Salesforce/xLAM-8x22b-r, подготовленный пользователем bartowski в формате GGUF с использованием llama.cpp и imatrix-калибровки. Модель обучалась на наборе Salesforce/xlam-function-calling-60k и предназначена для генерации текста, function calling, использования инструментов и построения LLM-агентов. Указанный язык — английский; формат взаимодействия предполагает шаблон <s>[INST] {prompt}[/INST]. Модель относится к семейству Mistral и имеет размер 8×22B; поддерживаемые модальности, размер контекста и дополнительные архитектурные параметры в README не указаны. Доступны варианты квантования от IQ1_M до Q8_0 с размером файлов примерно от 32,74 до 149,43 ГБ. Более высокие уровни квантования обычно обеспечивают лучшее качество, а отдельные варианты оптимизированы для ARM и CPU-инференса, однако требуют значительных ресурсов. Сильная сторона модели — специализация на вызове функций и применении инструментов, а также широкий выбор квантований для различных ограничений по памяти. К ограничениям относятся преимущественно англоязычная специализация, необходимость совместимого инференсного ПО и большой объём файлов; снижение точности при низких уровнях квантования также отмечено в README. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями для некоммерческих целей.

ZAYA1-base — базовая языковая модель Zyphra с архитектурой MoE (смесь экспертов), предназначенная для генерации текста и диалоговых сценариев. По README в модели активны 800 млн из 8,3 млрд параметров; метаданные каталога указывают 7,7 млрд параметров. Модель использует плотные слои и собственные механизмы Compressed Convolutional Attention, маршрутизатор экспертов ZAYA1 и масштабирование остаточных связей. Она обучалась с нуля на аппаратном, программном и сетевом стеке AMD. Модель рассчитана на продолжение текста, диалог и задачи рассуждения, особенно математические и STEM-задачи. В README заявлены конкурентные результаты относительно базовых моделей сопоставимого масштаба, однако приведённых численных бенчмарков нет. Контекстное окно составляет 32 768 токенов; используется токенизатор Gemma 3. Для запуска требуется специальная ветка библиотеки Transformers от Zyphra. Модель распространяется по лицензии Apache 2.0.

Qwen2.5-72B-Instruct-GPTQ-Int8 — инструкционно дообученная крупная языковая модель семейства Qwen2.5, разработанная командой Qwen, связанной с Alibaba Cloud. Это каузальная текстовая модель для диалоговых ассистентов, генерации и обработки текста, следования инструкциям, программирования, математических задач, работы со структурированными данными и формирования структурированных ответов, включая JSON. Модель содержит 72,7 млрд параметров, из которых 70 млрд не относятся к эмбеддингам, и построена на архитектуре Transformer с RoPE, SwiGLU, RMSNorm, смещениями QKV в механизме внимания и GQA. Она имеет 80 слоёв, 64 головы внимания для Q и 8 для KV. Модель поддерживает более 29 языков, включая английский, китайский, французский, испанский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. Заявленная длина контекста составляет до 131 072 токенов, а максимальная длина генерации — 8192 токена; для контекстов свыше 32 768 токенов требуется настройка YaRN. К сильным сторонам относятся улучшенные способности к программированию и математике, следование инструкциям, генерация длинных текстов, понимание таблиц и устойчивость к разнообразным системным промптам. GPTQ-квантизация до 8 бит снижает требования к памяти по сравнению с исходной версией, но модель остаётся ресурсоёмкой из-за большого размера. При использовании статического YaRN производительность на коротких запросах может снижаться. Для работы рекомендуется актуальная версия Transformers; лицензия указана как Qwen с отдельным файлом условий.

Карточка модели Voilabois/Qwen3.8-2.4T-A95B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-2.4T-A95B, поэтому описание составлено по ней. Qwen3.8-2.4T-A95B — текстовая причинная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для генерации текста, диалогов, программирования, профессиональных и исследовательских задач, а также многошаговой работы агентных систем с использованием обратной связи от среды и инструментов. Архитектура — MoE на основе Qwen3.5 с 2,4 трлн параметров суммарно и 95 млрд активируемых параметров. В модели 92 слоя и 512 экспертов, из которых для токена активируются 10 маршрутизируемых и один общий эксперт. Контекст составляет 262 144 токена нативно и может расширяться примерно до 1,01 млн токенов. Модель принимает только текст, работает в режиме рассуждений, который нельзя отключить, и поддерживает интерфейс вызова инструментов. Репозиторий содержит веса и конфигурацию в формате Transformers; README указывает совместимость с vLLM, SGLang и другими движками. Модель рассчитана на сложную генерацию текста, программирование, исследования и длительные задачи с планированием; глубину рассуждений можно настраивать параметром reasoning_effort. Она не поддерживает мультимодальный ввод. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории Hugging Face.

Qwen2.5-14B-Instruct-AWQ — инструкционная причинно-следственная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для диалоговых систем, генерации и обработки текста, следования инструкциям, работы с кодом и математическими задачами, а также создания структурированных ответов, включая JSON. Модель содержит около 14,7 млрд параметров, из них 13,1 млрд без учёта эмбеддингов, и включает 48 слоёв. Архитектура использует RoPE, SwiGLU, RMSNorm и смещения в QKV-проекциях внимания; применяется GQA с 40 головами для Q и 8 для KV. Это AWQ-квантизированная версия с точностью 4 бит, предназначенная для более экономичного развёртывания. Заявлена поддержка более 29 языков, включая английский, китайский, русский, французский, испанский, немецкий, итальянский, японский, корейский, арабский и другие. Полная заявленная длина контекста составляет до 131 072 токенов, а максимальная длина генерации — 8192 токена. В текущей конфигурации доступно 32 768 токенов; для более длинных входов требуется настройка YaRN, причём статическое масштабирование может ухудшать качество или производительность на коротких текстах. Сильные стороны модели — улучшенное следование инструкциям, работа с длинными текстами, структурированными данными, программированием и математикой. Ограничения включают возможные потери качества из-за 4-битной квантизации и повышенные требования к настройке при использовании длинного контекста. Модель распространяется по лицензии Apache 2.0.

Qwen2.5-14B-Instruct-GGUF — инструкционная языковая модель из серии Qwen2.5, разработанная командой Qwen. Она предназначена для диалоговых приложений, генерации и обработки текста, следования инструкциям, программирования, математических задач, работы со структурированными данными и формирования структурированных ответов, включая JSON. Модель подходит для локального запуска в формате GGUF, в том числе с использованием llama.cpp. Модель представляет собой causal language model на архитектуре transformers с RoPE, SwiGLU, RMSNorm и смещениями в QKV-проекциях внимания. Она содержит 14,7 млрд параметров, включая 13,1 млрд параметров без учёта embedding, 48 слоёв и механизм GQA с 40 головами для Q и 8 для KV. Поддерживаются квантизации q2_K, q3_K_M, q4_0, q4_K_M, q5_0, q5_K_M, q6_K и q8_0. Полная длина контекста GGUF-версии составляет 32 768 токенов, а максимальная длина генерации — 8192 токена. Серия поддерживает более 29 языков, включая английский, китайский, русский, французский, испанский, немецкий, итальянский, японский и корейский. Сильные стороны модели — улучшенные способности к программированию и математике, следование инструкциям, генерация длинных текстов, обработка таблиц и других структурированных данных, а также устойчивость к разнообразным системным промптам. Для GGUF-версии заявлена поддержка контекста до 131 072 токенов только при использовании YARN в vLLM; для этого сценария рекомендуется обращаться к не-GGUF моделям. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-7B-Instruct-GGUF — инструкционная языковая модель, разработанная командой Qwen. Это GGUF-версия модели Qwen2.5-7B-Instruct, предназначенная для диалоговых приложений, генерации текста, следования инструкциям, программирования, математических задач, работы со структурированными данными и формирования структурированных ответов, включая JSON. Модель поддерживает более 29 языков, в том числе русский, английский, китайский, французский, немецкий, испанский, японский и корейский. Модель использует архитектуру causal language model на базе transformers с RoPE, SwiGLU, RMSNorm и смещениями в QKV attention. Она содержит 7,61 млрд параметров, 28 слоёв и механизм GQA с 28 головами Q и 4 головами KV. Полная длина контекста GGUF-версии составляет 32 768 токенов, максимальная длина генерации — 8192 токена. Доступны варианты квантования q2_K, q3_K_M, q4_0, q4_K_M, q5_0, q5_K_M, q6_K и q8_0. Сильные стороны модели — улучшенные следование инструкциям, кодирование, математика, генерация длинных текстов, понимание таблиц и устойчивость к разнообразным системным промптам. Ограничение GGUF-версии — контекст до 131 072 токенов не поддерживается напрямую: для такого расширения README рекомендует использовать не-GGUF версии, а текущая конфигурация с YARN поддерживается только в vLLM. Модель распространяется по лицензии Apache-2.0.

Карточка модели Rab007/Qwen3.8-2.4T-A95B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-2.4T-A95B, поэтому описание составлено по ней. Qwen3.8-2.4T-A95B — текстовая причинная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для генерации текста, диалогов, программирования, профессиональных и исследовательских задач, а также многошаговой работы агентных систем с использованием обратной связи от среды и инструментов. Архитектура — MoE на основе Qwen3.5 с 2,4 трлн параметров суммарно и 95 млрд активируемых параметров. В модели 92 слоя и 512 экспертов, из которых для токена активируются 10 маршрутизируемых и один общий эксперт. Контекст составляет 262 144 токена нативно и может расширяться примерно до 1,01 млн токенов. Модель принимает только текст, работает в режиме рассуждений, который нельзя отключить, и поддерживает интерфейс вызова инструментов. Репозиторий содержит веса и конфигурацию в формате Transformers; README указывает совместимость с vLLM, SGLang и другими движками. Модель рассчитана на сложную генерацию текста, программирование, исследования и длительные задачи с планированием; глубину рассуждений можно настраивать параметром reasoning_effort. Она не поддерживает мультимодальный ввод. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории Hugging Face.

Gemma 4 12B Unified — мультимодальная модель с открытыми весами, разработанная Google DeepMind и относящаяся к семейству Gemma 4. Она принимает текст, изображения, видео и аудио, а выдаёт текст; для аудио предусмотрены распознавание речи и перевод речи в текст. Единая архитектура позволяет обрабатывать аудио и изображения без отдельных энкодеров, что подходит для локального запуска на потребительских устройствах. Модель имеет плотную архитектуру и гибридное внимание, сочетающее локальные скользящие окна с глобальным вниманием; заявленное окно контекста для версии 12B — до 256 тысяч токенов. Модель предназначена для диалогов, рассуждений, генерации и исправления кода, вызова инструментов, а также понимания изображений, видео и аудио. Среди визуальных сценариев — извлечение текста из документов, OCR, разбор PDF, диаграмм и экранных интерфейсов; для аудио доступны транскрипция и перевод речи в текст. Семейство поддерживает более 35 языков в обычном использовании и обучалось на более чем 140 языках, но README не перечисляет конкретные языки этой версии. Модель распространяется по лицензии Apache 2.0. Как и другие генеративные модели, она может давать ошибочные ответы; README также указывает, что приведённые сценарии использования не являются исчерпывающими.

Qwen2.5-14B-Instruct-GPTQ-Int8 — инструкцияно дообученная каузальная языковая модель из серии Qwen2.5, разработанная командой Qwen. Модель предназначена для диалоговых приложений, генерации и обработки текста, следования инструкциям, работы с кодом и математическими задачами, понимания таблиц и других структурированных данных, а также формирования структурированных ответов, включая JSON. Поддерживает более 29 языков, среди которых английский, китайский, русский, французский, немецкий, испанский, японский, корейский и арабский. Модель содержит около 14,7 млрд параметров, из которых 13,1 млрд приходятся на параметры без учёта эмбеддингов, и включает 48 слоёв. Архитектура основана на transformers и использует RoPE, SwiGLU, RMSNorm и смещения в Attention QKV; применяется GQA с 40 головами для Q и 8 для KV. Это GPTQ-квантизированная 8-битная версия, что может снизить требования к памяти по сравнению с полноразмерной моделью. Заявленная максимальная длина контекста составляет 131 072 токена, а генерации — 8192 токена; для контекстов свыше 32 768 токенов требуется настройка YaRN, которая может ухудшать производительность на коротких текстах. Модель подходит для локального или серверного развёртывания через Transformers и совместимые инструменты, включая vLLM. Для работы рекомендуется актуальная версия Transformers. Модель распространяется по лицензии Apache-2.0.

Qwen3-14B-FP8 — FP8-квантизированная версия большой языковой модели Qwen3-14B, разработанной командой Qwen. Это каузальная языковая модель для генерации текста, диалогов и выполнения инструкций, поддерживающая переключение между режимом рассуждений для сложной логики, математики и программирования и обычным режимом для эффективного общения. Модель содержит 14,8 млрд параметров, из которых 13,2 млрд не относятся к эмбеддингам, и имеет 40 слоёв. Она использует Grouped Query Attention: 40 голов для запросов и 8 для ключей и значений. Нативная длина контекста составляет 32 768 токенов, а с применением YaRN поддерживается до 131 072 токенов. Модель ориентирована на более чем 100 языков и диалектов и подходит для многоязычных диалогов, перевода, написания текстов, генерации кода, решения математических задач и агентских сценариев с использованием внешних инструментов. К сильным сторонам относятся сочетание рассуждений и быстрого общего диалога в одной модели, развитое следование инструкциям, многоязычность и поддержка интеграции с инструментами. FP8-квантизация с блочным размером 128 предназначена для повышения эффективности хранения и инференса, однако для распределённого запуска в Transformers указаны известные проблемы; при использовании нескольких устройств может потребоваться переменная CUDA_LAUNCH_BLOCKING=1. Модель распространяется по лицензии Apache-2.0.

Qwen3-235B-A22B-Instruct-2507 — большая языковая модель, разработанная командой Qwen и представленная в формате GGUF компанией Unsloth. Это каузальная модель для генерации текста, дообученная для выполнения инструкций. Она предназначена для диалогов, следования указаниям, логического рассуждения, понимания текста, математики, научных задач, программирования, использования инструментов и работы с открытыми субъективными запросами. Модель поддерживает широкий спектр языков и рассчитана на приложения, требующие высокого качества ответов и обработки длинных документов. Модель построена на архитектуре Mixture of Experts: содержит 235 млрд параметров, из которых 22 млрд активируются при обработке токена, 94 слоя, 128 экспертов и 8 активируемых экспертов. Используется Grouped Query Attention с 64 головами Q и 4 головами KV; контекстное окно составляет 262 144 токена. Модель работает только в нережиме рассуждений и не генерирует блоки <think></think>. К сильным сторонам относятся улучшенные знания, многоязычность, следование инструкциям, математическое и логическое рассуждение, программирование, работа с инструментами и понимание длинного контекста. Ограничения включают отсутствие режима рассуждений и высокие требования к вычислительным ресурсам, характерные для модели такого размера; точные требования к оборудованию в предоставленных данных не указаны. Модель распространяется по лицензии Apache-2.0. Указанный репозиторий содержит GGUF-представление, подготовленное Unsloth; базовая модель — Qwen/Qwen3-235B-A22B-Instruct-2507.

Карточка модели GautamHirawat/Qwen3.8-2.4T-A95B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-2.4T-A95B, поэтому описание составлено по ней. Qwen3.8-2.4T-A95B — текстовая причинная языковая модель семейства Qwen, разработанная командой Qwen. Модель предназначена для генерации текста, диалогов, программирования, профессиональных и исследовательских задач, а также многошаговой работы агентных систем с использованием обратной связи от среды и инструментов. Архитектура — MoE на основе Qwen3.5 с 2,4 трлн параметров суммарно и 95 млрд активируемых параметров. В модели 92 слоя и 512 экспертов, из которых для токена активируются 10 маршрутизируемых и один общий эксперт. Контекст составляет 262 144 токена нативно и может расширяться примерно до 1,01 млн токенов. Модель принимает только текст, работает в режиме рассуждений, который нельзя отключить, и поддерживает интерфейс вызова инструментов. Репозиторий содержит веса и конфигурацию в формате Transformers; README указывает совместимость с vLLM, SGLang и другими движками. Модель рассчитана на сложную генерацию текста, программирование, исследования и длительные задачи с планированием; глубину рассуждений можно настраивать параметром reasoning_effort. Она не поддерживает мультимодальный ввод. Лицензия обозначена как other, поэтому перед использованием следует проверить условия лицензии в репозитории Hugging Face.