II.8Инженерия данных и аналитика

Это модель Sentence Transformers на базе XLM-RoBERTa, дообученная из lighteternal/stsb-xlm-r-greek-transfer командой IoannisKat1. Она преобразует текстовые предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, извлечения информации и сопоставления текстов; сходство оценивается косинусной мерой. Модель поддерживает усечение вектора до меньших размерностей, что позволяет выбирать компромисс между размером представления и качеством поиска. Обучение выполнено на 4 268 парах текстов с функцией MatryoshkaLoss и MultipleNegativesRankingLoss. В примерах обучающих данных есть греческие вопросы и ответы, а карточка указывает английский как язык модели; базовая модель предназначена для английского и греческого. Максимальная длина последовательности в README — 400 токенов, а метаданные указывают контекст до 514 токенов. Модель принимает и выдаёт текстовые представления в виде векторов. Лицензия — Apache-2.0.

multi-qa-MiniLM-L6-cos-v1 — модель эмбеддингов предложений и абзацев, разработанная в ходе Community week проекта Hugging Face по обучению моделей для семантического поиска. Она преобразует запросы, вопросы и текстовые фрагменты в нормализованные плотные векторы размерности 384 для поиска релевантных документов и сравнения смысловой близости. Модель основана на MiniLM-L6-H384-uncased с архитектурой BERT и содержит 25,9 млн параметров. Для получения эмбеддинга применяется mean pooling; обучение проводилось на 215 млн пар «вопрос — ответ» из разных источников с использованием контрастивной цели. Метаданные указывают библиотеку PyTorch, а карточка описывает применение через Sentence-Transformers или Transformers. Модель предназначена прежде всего для семантического поиска по текстам и вопросам. Контекст ограничен 512 токенами WordPiece, а при обучении использовались входы длиной до 250 токенов, поэтому качество на более длинных текстах может снижаться. Лицензия в предоставленных данных не указана.

Whisper Small — модель распознавания речи семейства Whisper, разработанная OpenAI. Это мультиязычная модель Transformer типа encoder-decoder с 153,1 млн параметров, обученная на размеченных аудиоданных. Она преобразует речь в текст на языке исходного аудио и может переводить речь с разных языков на английский. Для обработки аудио в Transformers используется вместе с WhisperProcessor. Модель подходит для транскрибирования записей, в том числе длинных: базовая обработка рассчитана на фрагменты до 30 секунд, а разбиение на фрагменты позволяет обрабатывать аудио произвольной длины и получать временные метки. Whisper демонстрирует устойчивость к акцентам, фоновому шуму и технической лексике, но точность различается между языками, диалектами и группами говорящих. Возможны галлюцинации, повторы и ошибки распознавания. Модель распространяется по лицензии Apache-2.0.

Wiederchat-7b-dpo-laser — чат-модель для генерации текста, созданная mayflowergmbh. Это объединение трёх моделей на архитектуре Mistral: mlabonne/OmniTruthyBeagle-7B-v0, mayflowergmbh/Wiedervereinigung-7b-dpo-laser и cognitivecomputations/openchat-3.5-0106-laser. Веса представлены в формате safetensors; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и генерации ответов. В README приведены результаты оценки Mt-Bench-De, включая категории письма, ролевого общения, рассуждений, математики, программирования, извлечения информации, STEM и гуманитарных дисциплин. Базовая модель описана как немецкоязычная, поэтому немецкий — основной язык модели; результаты теста сами по себе не гарантируют качество в конкретных сценариях. Условия лицензирования в предоставленных данных не описаны.

Wukong-0.1-Mistral-7B-v0.2-GGUF — это набор квантизированных версий текстовой генеративной модели Wukong-0.1-Mistral-7B-v0.2, опубликованный и подготовленный пользователем bartowski с использованием llama.cpp. Исходная модель разработана RESMPDEV. В README также указаны наборы данных OpenHermes-2.5, CodeFeedback-Filtered-Instruction и Code-Feedback, использованные в связанном с моделью обучении или подготовке. Модель предназначена для генерации текста, выполнения инструкций и задач, связанных с программным кодом. Доступны файлы в формате GGUF с различными уровнями квантизации — от Q8_0 до IQ1_M — что позволяет выбирать баланс между качеством, размером файла и требованиями к оперативной памяти. Размер исходной модели составляет 7B параметров, однако точные архитектурные характеристики, поддерживаемые языки и длина контекста в README не указаны. Модель работает через llama.cpp; формат шаблона чата явно не задан, поэтому приведённый шаблон может быть неточным. К сильным сторонам относятся широкий выбор квантизаций и возможность локального запуска на устройствах с ограниченными ресурсами. Варианты Q6_K, Q5_K_M, Q5_K_S и Q4_K_M отмечены как рекомендуемые благодаря высокому качеству при меньшем размере, тогда как низкоразрядные варианты экономят память ценой заметного снижения качества. Лицензия — Apache-2.0.

Arcee-SuperNova-v1 — текстовая модель Arcee AI для диалогов и выполнения инструкций. В основе лежит Llama-3.1-70B-Instruct; модель объединяет дистиллированную версию Llama-3.1-405B-Instruct, вариант, дообученный на синтетических данных Evol-Kit, и вариант, оптимизированный с помощью Direct Preference Optimization (DPO). В метаданных указаны архитектура LlamaForCausalLM, 69,5 млрд параметров и контекст до 131 072 токенов. Модель предназначена для ответов на разнообразные запросы, следования инструкциям, математических задач и использования как основы для дальнейшего обучения с подкреплением на основе человеческой обратной связи. Поддерживает генерацию текста и диалоговый сценарий; в метаданных также заявлен интерфейс вызова инструментов. Для использования указана лицензия Llama 3. Карточка описывает объединение нескольких подходов к обучению, но не приводит количественных оценок качества или результатов сравнительных тестов.

raul-delarosa99/bge-small-en-v1.5-RIRAG_ObliQA — англоязычная Sentence Transformer модель, дообученная разработчиком на базе BAAI/bge-small-en-v1.5 для поиска и сопоставления текстов в сценариях вопросов и ответов. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 512; архитектура включает BERT, пулинг по CLS-токену и нормализацию векторов. Для сравнения используется косинусное сходство. Модель содержит 40 млн параметров и обрабатывает до 512 токенов на входе. Модель подходит для семантического поиска релевантных фрагментов по вопросу, оценки сходства предложений и абзацев, поиска перефразировок, кластеризации и классификации текстов. В приведённой оценке на qa_eval дообученная версия показала более высокие значения точности и полноты поиска на первых десяти результатах, чем базовая модель. Обучающий набор содержит 29 547 пар anchor-positive с примерами вопросов и фрагментов ответов, в том числе юридического содержания. Для практического использования модель формирует векторные представления текста; она не генерирует ответы сама по себе. Лицензия в предоставленных данных не указана.

Damysus-2.7B-Chat — англоязычная диалоговая модель Prince Canuma, дообученная на базе Microsoft Phi-2 для следования инструкциям. Это плотный Transformer для генерации текста с 3,5 млрд параметров по метаданным и контекстом до 2048 токенов. Модель рассчитана на ответы на вопросы, извлечение данных, структурированные ответы, включая JSON, и объяснения; её также можно использовать как компонент RAG для синтеза ответов, суммаризации и переформулирования запросов. Модель обучали на данных SlimOrca и наборах TinyOrca; автор сообщает, что лучшие результаты получил при дообучении на 200 примерах. Репозиторий содержит веса Safetensors, для работы предусмотрена библиотека Transformers. Лицензия — MIT. Модель в первую очередь рассчитана на стандартный английский; сленг и другие языки могут обрабатываться хуже. Ответы и фрагменты кода могут быть фактически неверными, а знания о программировании в основном связаны с Python и распространёнными библиотеками, поэтому результаты следует проверять.

Dolphin 2.6 Phi-2 — разговорная языковая модель, созданная Eric Hartford и Fernando Fernandes при спонсорской поддержке Convai на базе Phi-2 от Microsoft. Это плотная авторегрессионная модель семейства Phi с архитектурой PhiForCausalLM, дообученная методом qLoRA на трёх эпохах. Она принимает текст и ведёт диалог в формате ChatML; заявленное окно контекста — 2048 токенов. Модель предназначена для общения с ассистентом и генерации текста, в том числе для задач, представленных в наборах данных Dolphin, Dolphin Coder, Airoboros, OpenHermes, Magicoder и Capybara. Авторы описывают модель как «uncensored»: обучающие данные были отфильтрованы для уменьшения alignment и bias, поэтому модель может охотно отвечать на вредоносные и неэтичные запросы. Перед предоставлением доступа пользователям авторы рекомендуют добавить собственный слой выравнивания и безопасности. Для загрузки модели требуется trust_remote_code. Лицензия — MIT; качество генерации не гарантировано.

Dolphin3.0-Llama3.2-3B-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Dolphin3.0-Llama3.2-3B, опубликованный пользователем bartowski. Базовая модель разработана cognitivecomputations. Модель предназначена для локального запуска в llama.cpp и совместимых приложениях, включая LM Studio, а также для генерации текста, следования инструкциям, решения математических задач, программирования и сценариев с вызовом функций. Модель содержит около 3 млрд параметров и работает с текстом на английском языке. В обучении использовались датасеты для instruction tuning, программирования, математических задач, function calling, агентных сценариев и диалогов. В репозитории представлены варианты от полноточных F32 и F16 до квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ; размеры файлов варьируются примерно от 1,5 до 12,9 ГБ. Квантизации выполнены с использованием imatrix и llama.cpp. Сильными сторонами являются небольшой размер базовой модели, возможность локального запуска на ограниченных ресурсах и выбор между качеством и потреблением памяти. Более высококачественные варианты Q6 и Q5 отмечены как близкие к исходной модели, а Q4_K_M рекомендован как сбалансированный вариант. Ограничения включают небольшой размер модели, заявленную поддержку только английского языка и снижение качества на более сильной степени квантизации. Для работы рекомендуется использовать указанный chat-шаблон с маркерами ролей. Лицензия указана как llama3.2.

EvoEmbedding-4B — модель эмбеддингов из семейства EvoEmbedding, представленная под аккаунтом ClareNie. Она предназначена для поиска по длинным контекстам, динамического извлечения информации и организации памяти в агентных системах и длительных диалогах. В отличие от независимого векторного представления отдельных фрагментов, модель использует обновляемую очередь латентной памяти для формирования контекстно-зависимых представлений, учитывающих изменения во времени. Модель построена на архитектуре Qwen3-4B и содержит 4 млрд параметров. Она принимает текст и выдаёт векторные представления для задач поиска и извлечения; в метаданных указаны английский и китайский языки. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. В карточке не приведены результаты оценки качества и подробности о пределах поддерживаемой длины контекста; эффективность на конкретных корпусах следует проверять отдельно.

Карточка модели allenai/Flex-public-7B-1T на Hugging Face совпадает с карточкой allenai/FlexOlmo-7x7B-1T, поэтому описание составлено по ней. FlexOlmo-7x7B-1T — языковая модель семейства FlexOlmo, разработанная Allen Institute for AI (AI2). Это модель типа Mixture-of-Experts: в ней объединены семь независимо обученных экспертов для публичных данных, новостей, математики, кода, академических текстов, творческого письма и публикаций Reddit. Общий размер указан в карточке как 6,9 млрд параметров, а в README — как 33 млрд; README также сообщает, что публичный эксперт обучен на 1 трлн токенов, а остальные получены его дообучением на отдельных корпусах. Маршрутизатор экспертов не обучен. Модель предназначена для генерации текста и диалогового применения, в том числе для задач, связанных с перечисленными тематическими корпусами. Поддерживает английский язык, работает с текстом и имеет контекст до 4096 токенов. Для запуска README рекомендует Transformers версии 4.57.0 или новее. Репозиторий распространяется под лицензией Apache-2.0. В README приведены результаты оценки по ряду языковых и тематических бенчмарков, однако они относятся к отдельным плотным моделям, а не обязательно к этому MoE-чекпойнту. Отсутствие обученного маршрутизатора ограничивает выводы о фактическом выборе экспертов и качестве итоговой модели.

German-RAG-BGE-M3-TRIPLES-HESSIAN-AI — модель Sentence Transformers, разработанная командой German-RAG AI. Она дообучена на наборе примерно из 300 тысяч троек примеров для представления предложений и абзацев в виде плотных эмбеддингов и затем объединена с базовой BAAI/bge-m3, чтобы сохранить качество на других языках. Архитектура основана на XLM-RoBERTa, размер модели — 658,7 млн параметров, размерность векторов — 1024, максимальная длина входа — 8194 токена. Векторы нормализуются; для сравнения предусмотрено косинусное сходство. Модель предназначена для семантического поиска, ранжирования релевантных документов и сравнения текстов, в частности в немецкоязычных RAG-сценариях. В README также приведены результаты классификации текстов, поиска и оценки семантического сходства. В тесте на немецком RAG-бенчмарке указана точность 0,8857 против 0,8806 у BGE-M3. Поддержка других языков связана с объединением с BGE-M3; основное назначение модели — немецкоязычный поиск. Лицензия в предоставленных данных не указана.

GLM-5.3-MLX — это MLX-сборка официальной модели GLM-5.3 от Z.AI, подготовленная OrcaRouter для Apple Silicon и MLX CUDA backend. Модель предназначена для генерации текста, программирования, задач рассуждения и длительных агентских инженерных сценариев, включая анализ кода и проверку pull request. Поддерживаются английский и китайский языки. Модель использует разреженную MoE-архитектуру glm_moe_dsa с MLA и механизмом sparse attention в стиле DeepSeek с общим индексатором. Заявленный объём составляет 753 млрд параметров, из которых около 39 млрд активны одновременно; контекстное окно — до 1 млн токенов. Модель поставляется в вариантах 2-, 3-, 4- и 6-битной квантизации OrcaSAQ, причём 4-битная версия является рекомендуемой и размещена также в корне репозитория. В методе OrcaSAQ чувствительные компоненты получают повышенную точность, attention сохраняется в 8-битном формате, а индексатор DSA — в BF16. Главное преимущество сборки — существенное снижение требований к памяти при сохранении качества по сравнению с исходной FP8-версией, а также оптимизация для экосистемы MLX. Ограничением остаются чрезвычайно высокие требования к оперативной памяти: размер файлов составляет примерно 322–671 ГБ в зависимости от варианта, поэтому даже 4-битная версия требует около 480 ГБ RAM, а 6-битная не помещается на одном современном Apple Silicon компьютере. Модель распространяется по лицензии GLM-5.3; точные условия определяются файлом лицензии по указанной ссылке.

SirSahOl подготовил 16-битную версию модели IFM/K2-Horizon-0.9B для запуска на компьютерах Apple Silicon с помощью MLX. Это плотная причинная языковая модель примерно на 924,5 млн параметров с контекстом до 8192 токенов, предназначенная для диалогов и генерации текста. Базовая модель описана как компактная модель для рассуждений, математики и программирования; эти возможности унаследованы от неё. Модель распространяется в формате safetensors и рассчитана на запуск через MLX. README приводит замеры на Apple M1 и рекомендации по объёму памяти для разных вариантов точности. Для этой версии требуется Apple Silicon M1 или новее; при работе с контекстами длиннее 8 тысяч токенов качество может снижаться. Лицензия — Apache 2.0.

Это полноточная сборка в формате GGUF BF16 модели KAT-Coder V2.5 Dev 35B-A3B от moeshawky: к базовой модели добавлена встроенная MTP-голова для спекулятивного декодирования. Архитектура — Qwen3.6-35B-A3B-класса, гибрид SSM и полного внимания; всего 35 млрд параметров, около 3 млрд активных на токен, 256 экспертов, из которых активны 8. Модель принимает текст и предназначена для генерации текста в диалоговом режиме, в том числе для задач программирования; MTP-голова может ускорять декодирование при поддержке со стороны сборки llama.cpp. В карточке указаны английский и китайский языки. Репозиторий содержит один файл GGUF v3 размером около 66,2 ГиБ; для размещения весов требуется ориентировочно 75 ГБ или более свободной оперативной памяти или видеопамяти. Для использования нужна совместимая сборка llama.cpp с поддержкой MTP. Лицензия — Apache-2.0.

Keural-Cortex-8B — разговорная модель компании MKD Co., Ltd. из Пусана, Южная Корея, созданная на базе Qwen/Qwen3-8B-Base. Модель содержит 7,6 млрд параметров и поддерживает контекст до 65 536 токенов. Её обучали на корейских текстах, расширяли контекст с помощью YaRN и дообучали на инструкциях и диалогах; веса опубликованы в формате safetensors. Модель предназначена для общения на корейском и английском языках, ответов на вопросы, помощи с текстами и кодом, а также для сценариев с вызовом инструментов. По результатам сравнительных тестов из карточки она достигает заявленной цели по корейскому языку, а по английскому сопоставима с Qwen3-8B-Instruct. При этом у неё есть заметная слабость на тестах с выбором фиксированного ответа, включая задачи на логическое следование и ответы «да/нет»; результаты таких тестов могут недооценивать способность модели отвечать на те же вопросы в обычном диалоге. Модель может уверенно выдавать неверные сведения и не проходила оптимизацию предпочтений. Разработчик не рекомендует использовать её для медицинских, юридических и финансовых советов, сведений о самой MKD Co., Ltd., сценариев, требующих thinking mode, или цепочек зависимых вызовов инструментов без внешнего управления порядком. Лицензия — Apache-2.0.

onnx-community/LFM2.5-350M-ONNX — ONNX Runtime-версия универсальной текстовой модели LFM2.5-350M, разработанной Liquid AI. Модель предназначена для кроссплатформенного развёртывания и аппаратно ускоренного вывода в облачных, периферийных и мобильных средах, включая локальные устройства с ограниченными ресурсами. Рекомендуемые сценарии — извлечение данных, структурированный вывод и использование инструментов с поддержкой function calling. Модель текстовая, содержит 350 млн параметров и имеет контекст до 32 768 токенов. Архитектура включает 16 слоёв: 10 блоков double-gated LIV convolution и 6 блоков GQA; размер словаря — 65 536 токенов. Она обучалась на 28 трлн токенов, поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки. Заявлена работа менее чем с 1 ГБ памяти, а ONNX-формат облегчает переносимость между различными аппаратными платформами. Сильными сторонами являются малый размер, высокая скорость edge-инференса и удобство интеграции в разнообразные среды выполнения. Модель не рекомендуется для задач, требующих глубоких знаний, и программирования; дата отсечения знаний — середина 2024 года. Указана лицензия lfm1.0; дополнительные условия следует проверять в файле лицензии репозитория.

IntervitensInc/Llama-3.1-Minitron-4B-Width-Base-chatml — текстовая авторегрессионная модель семейства Llama, разработанная NVIDIA. Это базовая модель для генерации текста и адаптации к различным задачам обработки естественного языка; в этой версии добавлены токены ChatML для дообучения в формате диалога. Модель получена структурным прореживанием Llama-3.1-8B по размеру эмбеддингов и промежуточному слою MLP, после чего прошла дальнейшее обучение с дистилляцией на 94 млрд токенов. Архитектура включает 32 слоя, 32 головы внимания, Grouped-Query Attention и RoPE; число параметров — 3,9 млрд. Модель принимает и выдаёт текст. В README заявлена поддержка английского и многоязычного текста, а также кода; корпус включал веб-страницы, диалоги и документы из разных областей. Метаданные указывают контекстное окно 131 072 токена. Модель предназначена для генерации текста и дальнейшей адаптации под прикладные сценарии; README также сообщает о готовности к коммерческому использованию. Указана лицензия other, поэтому перед использованием следует свериться с условиями NVIDIA. Модель может выдавать неточные, неполные или избыточные ответы и воспроизводить токсичность и предвзятость из обучающих данных.

Карточка модели lovedheart/MiMo-V2.6-Distill-Qwen-9B-FP8 на Hugging Face совпадает с карточкой XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B, поэтому описание составлено по ней. MiMo-V2.6-Distill-Qwen-9B — плотная мультимодальная модель на 9 млрд параметров, разработанная Xiaomi MiMo посредством supervised fine-tuning Qwen3.5-9B на данных, созданных MiMo. Модель предназначена для диалогов и агентных сценариев, включая программирование, визуальное программирование и задачи кибербезопасности; также поддерживает обработку изображений. Карточка публикует результаты SFT-чекпойнта на бенчмарках по программированию. Это контрольная точка для дальнейших исследований в области агентного обучения с подкреплением. Для запуска README рекомендует свежую сборку SGLang с поддержкой Qwen3.5; модель включает токенизатор и шаблон чата MiMo v2.6. Репозиторий содержит веса safetensors. Лицензия — MIT. README не описывает конкретные ограничения качества или безопасности модели.

openbmb/MiniCPM-V-4_5-gguf — квантизированная версия мультимодальной модели MiniCPM-V 4.5, разработанной OpenBMB. Модель предназначена для понимания одиночных и нескольких изображений, видео, OCR, разбора документов и визуально-языковых диалогов, включая локальное использование на компьютерах и мобильных устройствах. Модель построена на Qwen3-8B и SigLIP2-400M и содержит около 8 млрд параметров. Она поддерживает мультиязычные сценарии более чем на 30 языках, обработку изображений высокого разрешения до 1,8 млн пикселей при любом соотношении сторон, а также видео с высокой частотой кадров и длинным контекстом. Унифицированный 3D-ресэмплер обеспечивает сжатие видеотокенов до 96 раз. Доступны управляемые режимы быстрого и глубокого рассуждения. Формат GGUF ориентирован на эффективный локальный инференс через llama.cpp и совместимые инструменты. Сильные стороны модели — высокие заявленные результаты в задачах vision-language, OCR и разбора PDF-документов, эффективная обработка видео, экономное использование визуальных токенов и возможность запуска на локальных устройствах. Ограничения включают зависимость качества от используемой квантизации, аппаратных ресурсов и программной совместимости; конкретные требования к памяти и поддерживаемые варианты квантизации в предоставленных данных не указаны. В README лицензия модели не указана.

Mini-InternVL-Chat-2B-V1-5 — мультимодальная модель OpenGVLab для диалогов и анализа изображений. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель InternLM2-Chat-1.8B; общий размер составляет 2,2 млрд параметров. Архитектура InternVL поддерживает изображения с динамическим разрешением, обрабатывая до 40 фрагментов размером 448 × 448 пикселей, в том числе изображения с разрешением до 4K. Модель предназначена для ответов на вопросы по изображениям и документам, распознавания текста и диаграмм, визуального рассуждения и многошагового общения с изображениями. В карточке приведены результаты оценки на наборах DocVQA, ChartQA, TextVQA, OCRBench, MathVista и других. Для обучения использовался контекст длиной 8K; актуальный предел контекста в метаданных не приведён. README описывает запуск через Transformers и варианты квантования при инференсе. Модель может выдавать предвзятые или вредоносные ответы. Лицензия — MIT.

flax-sentence-embeddings/multi-qa_v1-MiniLM-L6-mean_cos — модель SentenceTransformers для преобразования предложений и вопросов в векторные представления. Её разработали участники Hugging Face Community Week в рамках проекта по обучению моделей эмбеддингов; за основу взяли nreimers/MiniLM-L6-H384-uncased и дообучили на парах «вопрос — ответ» с помощью сиамской сети и контрастивного обучения. Вектор предложения формируется усреднением скрытых состояний BERT-подобной архитектуры MiniLM с 25,9 млн параметров. Модель предназначена для семантического поиска, сравнения сходства вопросов и ответов, кластеризации текстов и других сценариев, где нужно сопоставлять предложения по смыслу. Она принимает текст и выдаёт эмбеддинги; модель обучалась на данных Stack Exchange, MSMARCO, Natural Questions и TriviaQA. Контекст ограничен 512 токенами, а при обучении длина последовательности ограничивалась 128 токенами. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

MuXodious/Muse-Glimmer-30B-SOMPOA-heresy — дообученная версия мультимодальной Muse-Glimmer-30B, созданная автором репозитория с помощью движка Heretic и абляции SOMPOA. Это плотный трансформер для условной генерации, содержащий около 29,6 млрд параметров; принимает текст и изображения и предназначен для диалоговой работы с визуальными данными. Модель подходит для анализа изображений, документов, диаграмм и снимков экрана в диалоге, а также для многошаговых агентных задач и вызова инструментов. В README описаны результаты снижения числа отказов, однако автор отмечает, что модель всё ещё ссылается на свои правила и требует дальнейшей проверки и перенастройки; приведённые результаты не гарантируют надёжность в реальных сценариях. Языки и длина контекста этой версии отдельно не описаны. Модель распространяется по лицензии Apache 2.0. README предупреждает о возможных неточных, предвзятых или нежелательных ответах и рекомендует проводить собственную оценку безопасности для целевого применения. Аудиоввод и аудиовывод не поддерживаются.

OLMo-2-1124-13B-DPO-Preview — англоязычная плотная авторегрессионная языковая модель семейства OLMo 2, разработанная Allen Institute for AI (AI2). Это вариант OLMo-2 на 13,2 млрд параметров, прошедший supervised fine-tuning на варианте набора Tülu 3, а затем обучение методом DPO на данных предпочтений. Модель предназначена для диалогов, выполнения инструкций и широкого круга задач генерации текста; карточка отмечает задачи MATH, GSM8K и IFEval. Модель принимает текст и выдаёт текст, поддерживает чат-шаблон и имеет контекстное окно 4096 токенов. Она рассчитана прежде всего на английский язык. Веса распространяются в формате PyTorch по лицензии Apache 2.0. В карточке отмечено, что у OLMo 2 ограничено обучение безопасности, поэтому модель может выдавать проблемные ответы, особенно при соответствующих запросах; встроенной фильтрации ответов нет. Сведения о качестве следует рассматривать с учётом того, что это предварительный DPO-вариант.

pandafish-2-7b-32k — объединённая модель на архитектуре Mistral, созданная ichigoberry с помощью LazyMergekit из Mistral-7B-Instruct-v0.2 и dolphin-2.8-mistral-7b-v02. Она предназначена для генерации текста и диалоговых ответов по инструкциям; в карточке указан шаблон Mistral Instruct. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. README приводит результаты сравнительных оценок AGIEval, GPT4All, TruthfulQA и Bigbench, но не описывает конкретные гарантии качества для отдельных задач. Опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

LLukas22/paraphrase-multilingual-mpnet-base-v2-embedding-all — модель эмбеддингов на архитектуре XLM-RoBERTa, дообученная автором на базе paraphrase-multilingual-mpnet-base-v2. Она предназначена для представления предложений и поиска семантически близких текстов, в том числе для поиска ответов и дубликатов в системах вопросов и ответов. Модель насчитывает 305,2 млн параметров, поддерживает контекст до 514 токенов и рассчитана на применение через Sentence-Transformers. Модель обучалась на SQuAD, NewsQA, CQADupStack, FiQA, SciDocs, GermanQuAD и Natural Questions; автор приводит результаты ранжирования релевантных ответов на нескольких значениях top-k. В метаданных указаны английский и немецкий языки. Модель выпущена под лицензией Apache-2.0. Она формирует векторные представления и оценки сходства, поэтому качество поиска зависит от соответствия запроса и корпуса данным обучения; приведённые результаты относятся к указанным оценочным наборам.

Карточка модели ThomasComics/Phi-3-mini-128k-instruct-LLaMAfied на Hugging Face совпадает с карточкой vonjack/Phi-3-mini-4k-instruct-LLaMAfied, поэтому описание составлено по ней. vonjack/Phi-3-mini-4k-instruct-LLaMAfied — текстовая генеративная модель на 3,7 млрд параметров, опубликованная vonjack. В метаданных указана архитектура LlamaForCausalLM; карточка описывает исходную модель Phi-3 Mini-4K-Instruct и её настройку для следования инструкциям. Контекст составляет 4096 токенов, формат весов — safetensors. Модель предназначена для диалогов и генерации текста, включая задачи на логику, математику и программирование. Компактный размер подходит для сред с ограниченными ресурсами и сценариев, где важна задержка; заявленная ориентация — коммерческое и исследовательское применение на английском языке. Лицензия — MIT. README указывает, что качество на языках кроме английского ниже; ответы могут быть неточными, устаревшими, предвзятыми или оскорбительными. Сгенерированный код и API следует проверять, особенно вне Python. Для чувствительных и высокорисковых сценариев необходимы дополнительные проверки и меры защиты.

PIC_7B_Mistral Full v0.2 — экспериментальная модель общего назначения, созданная TokenBender дообучением Mistral-7B-v0.1. Она предназначена для генерации текста, следования инструкциям, ролевых диалогов, помощи с кодом и вывода в JSON; автор также указывает на поддержку сценариев вызова функций. Рекомендуемый формат запросов — ChatML, также может работать Alpaca. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Заявленная длина контекста — 32 768 токенов. В обучении использовались наборы SlimOrca, no_robots, orca_dpo_pairs, glaive-function-calling-v2-zephyr и Evol-instruction-66k. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Это ранний этап проекта PIC: автор описывает его как эксперимент с набором возможностей, а качество программирования ещё предстоит оценить. Результаты отдельных базовых проверок на ролевое следование и JSON/вызов функций отмечены как успешные, но они не заменяют широкую оценку качества; сведения о поддерживаемых естественных языках в карточке не приведены.

Карточка модели infgrad/Prism-Qwen3.5-Reranker-9B на Hugging Face совпадает с карточкой infgrad/Prism-Qwen3.5-Reranker-4B, поэтому описание составлено по ней. Prism-Qwen3.5-Reranker-4B — модель-реранкер от infgrad на основе архитектуры Qwen3.5, дообученная для поиска и RAG-сценариев. Она оценивает релевантность пары «запрос — документ» и может дополнительно выдать краткий вклад документа в ответ на запрос и самостоятельный фрагмент с релевантными свидетельствами. Для нерелевантных документов возвращает отрицательный результат без этих пояснений. Модель предназначена для переупорядочивания результатов поиска, в том числе в агентных системах, и обработки запросов в форме ключевых слов. Веса содержат 3,4 млрд параметров; архитектура плотная, контекстное окно по метаданным — 262 144 токена. Однако обучение ограничивало примеры 10 тысячами токенов, поэтому на более длинных входах качество может снижаться. Основные языки — английский и китайский; другие языки также поддерживаются, но обучающих данных для них меньше. Модель распространяется под лицензией MIT.