II.8Инженерия данных и аналитика

OBLITERATUS/Ornith-1.5-9B-OBLITERATED — это модифицированная версия модели Ornith-1.5-9B, разработанной DeepReinforce. Модель создана командой OBLITERATUS с применением precision abliteration surgery: из неё удалено исходное поведение отказа от потенциально вредных запросов при сохранении возможностей кодирования, рассуждений и агентных задач. Она предназначена для генерации текста, программирования, исследовательского анализа механизмов отказа и red-teaming-сценариев, где требуется более неограниченное поведение модели. Модель имеет архитектуру Qwen3.5 hybrid, объединяющую Gated DeltaNet и полное внимание, и содержит около 9 млрд параметров. Указан английский язык, поддерживается текстовая генерация и режим рассуждений; в поставке также присутствует vision encoder, однако возможности мультимодального применения явно не описаны. Доступны веса bf16 и варианты GGUF от Q8_0 до Q2_K. Для большинства сценариев рекомендуется отключать thinking mode, а для максимального сохранения свойств abliteration — использовать Q8_0 или Q6_K. По сравнению с исходной моделью версия демонстрирует более высокую готовность отвечать на ограниченные запросы и сохраняет результаты в генерации кода, однако её показатель MMLU снизился с 78,82% до 74,82%. Частично ухудшена поддержка function calling, а на низких уровнях квантования возможны дополнительные отказы или уклончивые ответы. Как модель с 9 млрд параметров, она может галлюцинировать в сложных химических и синтетических задачах, поэтому технические сведения требуют независимой проверки. Лицензия — MIT.

Ornith-9B Custom — Damien FLETY (damfle) выполнил дообучение модели Ornith-1.0-9B. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; метаданные указывают 7,5 млрд параметров. Модель поддерживает диалог и работу с изображениями, а её основное назначение по карточке — интеграция в RAG-сценарии и эффективный инференс. Модель можно применять для вопросов по документам с контекстом из поиска и для диалога с визуальными входными данными. В README упомянуты планы оптимизации для 4-битной квантизации и FP8, однако они обозначены как будущие; среди форматов репозитория указаны safetensors. Метаданные задают языки карточки как французский и английский. Лицензия указана как ISC, хотя README говорит, что модель наследует лицензию базовой модели и предлагает свериться с её условиями.

Карточка модели pcuenq/Qwen2.5-0.5B-Instruct-with-new-merges-serialization на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B-Instruct, поэтому описание составлено по ней. Qwen/Qwen2.5-0.5B-Instruct — компактная инструктивно настроенная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов, выполнения инструкций и генерации текста, включая длинные ответы, структурированные данные и JSON; также может применяться для простых задач по коду и математике. Модель построена на архитектуре Qwen2 с причинным языковым моделированием и содержит 494 млн параметров. В карточке указаны 24 слоя, RoPE, SwiGLU, RMSNorm и группированное внимание; контекст — 32 768 токенов, генерация — до 8 192 токенов. Модель работает с текстом, поддерживает чат и интерфейс вызова инструментов. Семейство Qwen2.5 заявляет поддержку более 29 языков, включая русский и английский. Небольшой размер упрощает запуск по сравнению с крупными языковыми моделями, но ограничивает сложность задач, которые она может надёжно решать. Модель распространяется по лицензии Apache-2.0; для загрузки через Transformers рекомендуется актуальная версия библиотеки.

MInAlA/Qwen3-4B-Instruct-2507-DPO-merged — языковая модель на архитектуре Qwen3, дообученная методом Direct Preference Optimization (DPO) на наборе предпочтений argilla/ultrafeedback-binarized-preferences. Она предназначена для диалогов и генерации текста по инструкциям. Модель содержит около 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Модель основана на Qwen/Qwen3-4B-Instruct-2507 и сохранена в формате safetensors. Карточка не уточняет, какие языки поддерживаются, лицензию и результаты оценки качества; эти сведения здесь не приводятся.

Qwen3-4B-Kimi2.5-Reasoning-Distilled-GGUF — языковая модель для генерации текста и структурированного рассуждения, разработанная khazarai. Она создана на основе Qwen3-4B-Thinking-2507 и дообучена методом дистилляции на данных, сгенерированных моделью Kimi-2.5-Thinking, с использованием Unsloth и QLoRA. Объём обучающего набора составляет 250 примеров и около 1,11 млн токенов. Модель предназначена для задач, требующих пошагового анализа, разбиения сложных проблем на этапы, самопроверки и подготовки подробных аналитических ответов. Она ориентирована на сочетание небольшого размера и сравнительно развитых возможностей рассуждения, поэтому может использоваться в сценариях локального запуска и приложениях, где важны умеренные требования к ресурсам. В метаданных указаны текстовая генерация и английский язык; сведения о поддерживаемой длине контекста и дополнительных модальностях отсутствуют. Модель распространяется в формате GGUF с вариантами BF16, Q8_0, Q6_K и Q4_K_M, различающимися размером, скоростью и качеством. Для Q4_K_M заявлен размер около 2,5 ГБ, для Q6_K — 3,3 ГБ, для Q8_0 — 4,2 ГБ, для BF16 — 8 ГБ. В README приведён результат 76,09 из 100 на khazarai/Multi-Domain-Reasoning-Benchmark, однако независимые результаты и подробная методика оценки не указаны. Ограничениями являются небольшой объём модели по сравнению с крупными системами и отсутствие данных о длине контекста, мультиязычности и типичных ошибках. Лицензия — Apache-2.0.

voodooquant/Qwen3.5-2B-MTP-Voodoo — это GGUF-квантизированная версия базовой мультимодальной модели Qwen3.5-2B-Base, созданная Voodoo Quant. Модель предназначена для исследовательских и прикладных сценариев, связанных с обработкой текста и изображений, включая мультимодальное понимание, рассуждения, программирование и агентские задачи. Базовая модель рассчитана преимущественно на дообучение, эксперименты с in-context learning и разработку, а не на непосредственное диалоговое использование без дополнительной настройки. Модель представляет собой причинную языковую модель с vision encoder, объединяющую Gated Delta Networks, разреженную Mixture-of-Experts и Gated Attention. Она содержит около 2 млрд параметров, 24 слоя, скрытую размерность 2048 и поддерживает контекст длиной 262 144 токена с возможностью расширения до 1 010 000 токенов. Заявлена поддержка 201 языка и диалекта. Архитектура обучалась с использованием multi-step training (MTP). Квантизация Voodoo Quant выбирает уровни сжатия отдельно для разных тензоров; заявлено снижение perplexity до 89% по сравнению с обычными схемами квантизации. Чекпойнты работают в неизменённом Llama.cpp и не являются дообученными версиями исходной модели. Сильными сторонами являются мультимодальность, большой контекст, относительно компактный размер и оптимизация GGUF для эффективного локального запуска. Ограничения включают необходимость учитывать особенности конкретного уровня квантизации, а также то, что README не приводит подробных количественных результатов, требований к памяти и аппаратных рекомендаций. Модель распространяется по лицензии Apache-2.0.

Salamandra-2B — базовая авторегрессионная языковая модель семейства Salamandra, разработанная командой проекта Salamandra и обученная с нуля. Это плотная decoder-only модель на архитектуре Llama с примерно 2,25 млрд параметров по карточке модели и контекстом до 8192 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache 2.0, допускающая коммерческое использование. Модель предназначена для генерации текста на европейских языках и коде, а также для дальнейшего дообучения под конкретные задачи. Она предварительно обучена на 12,875 трлн токенов тщательно отобранных данных из 35 европейских языков и кода. Её можно применять для продолжения текста, черновой генерации и многоязычных сценариев; это базовая версия, а не вариант, настроенный как диалоговый помощник. В опубликованных оценках отмечены общественные и когнитивные смещения: модель может предпочитать ранние варианты ответа в списках и зависеть от формулировки подсказки. Данные обучения преимущественно отражают стандартные языковые варианты, поэтому качество для диалектов и малоресурсных языков может быть ниже. Перед применением в продуктивных системах необходимы проверка качества и адаптация к целевому сценарию.

SciPhi-Self-RAG-Mistral-7B-32k-Mistral-7B-Instruct-v0.2-slerp — объединённая методом SLERP модель на базе Mistral-7B-Instruct-v0.2 и SciPhi-Self-RAG-Mistral-7B-32k. Это плотная авторегрессионная языковая модель архитектуры Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалоговых ответов; контекст — до 32 768 токенов. Объединение сочетает возможности исходных моделей, включая ориентированность SciPhi Self-RAG на ответы с использованием извлечённых сведений. Модель подходит для диалоговых приложений и генерации ответов по контексту, например при работе с материалами, предоставленными пользователем. В репозитории представлены веса Safetensors, а лицензия — Apache-2.0. README не приводит результатов сравнительных оценок, поэтому качество merge-модели для конкретных задач по карточке определить нельзя.

SRBedding-base-v1 — модель Smartcat для семантического поиска и извлечения информации на сербском языке. Это Sentence Transformer на архитектуре XLM-RoBERTa, дообученный на базе e5-multilingual-base. Модель преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения сходства и ранжирования результатов поиска. Модель рассчитана на поиск релевантных документов по запросу, в том числе в коллекциях сербской Википедии, новостей и других текстов. В README указана максимальная длина входа 512 токенов; метаданные сообщают о 305,2 млн параметров и контекстном окне в 514 токенов. Для использования нужен текстовый запрос или документ; результатом служат векторные представления. README описывает оценку на сербских версиях MS MARCO, Natural Questions и SQuAD, но результаты относятся к указанным наборам и не гарантируют такое же качество на других данных. Модель выпущена по лицензии MIT.

Kyutai STT — потоковая модель автоматического распознавания речи, разработанная Kyutai. Вариант kyutai/stt-1b-en_fr предназначен для транскрибации английской и французской речи и содержит около 1,1 млрд параметров. Модель использует декодерную архитектуру Transformer и многопоточный подход Moshi: аудио кодируется токенизатором Mimi, а модель предсказывает текстовые токены с задержкой около 0,5 секунды. Модель начинает выдавать транскрипт по мере поступления аудио, поддерживает потоковую обработку и работает с длинными записями. Она рассчитана на шумные условия и формирует текст с заглавными буквами и пунктуацией; временные метки текста можно восстановить с учётом задержки потока. Для работы через Transformers требуется версия 4.53.0 или новее. Веса распространяются по лицензии CC-BY 4.0.

TopEvolutionWiz — языковая модель для генерации текста, созданная сообществом mergekit-community путём слияния моделей методом SLERP. В слияние вошли mergekit-community/TopEvolution и lucyknada/microsoft_WizardLM-2-7B; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель доступна в формате Safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации ответов и диалогового взаимодействия. Конфигурация слияния задаёт V-образное распределение весов: вклад Hermes используется на входе и выходе, а WizardMath — в средних слоях. Лицензия в предоставленных данных не указана.

robinhad/wav2vec2-xls-r-300m-uk — модель распознавания украинской речи, созданная дообучением facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; в метаданных указан Common Voice как набор данных. Для оценки приведены WER 0,1222 и CER 0,0204. Модель предназначена для автоматической транскрипции украинской речи. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Подробности о тренировочных данных, условиях записи и известных ограничениях в карточке не раскрыты.

A3ON-1B-i1-GGUF — это GGUF-квантизация базовой модели A3ON-1B, разработанной Kaiiddo и подготовленной к распространению пользователем mradermacher. Модель предназначена для генерации текста и помощи в программировании; в метаданных указана поддержка английского языка. Формат GGUF рассчитан на локальный запуск в совместимом программном обеспечении. Модель имеет размер 1 млрд параметров, однако сведения об архитектуре, длине контекста и поддерживаемых модальностях в README не приведены. Доступны многочисленные варианты квантизации, включая IQ- и Q-семейства, размером примерно от 0,5 до 1,1 ГБ. В README отмечается, что IQ-квантизации часто обеспечивают лучшее качество при сопоставимом размере; среди вариантов отдельно рекомендуются i1-Q4_K_M и i1-Q4_K_S, а i1-Q6_K по качеству практически соответствует статической Q6_K. Более агрессивные варианты могут заметно снижать качество. Лицензия модели — CC BY 4.0. README не содержит подробных результатов тестирования, поэтому её преимущества и ограничения следует оценивать с учётом выбранного уровня квантизации и конкретного сценария использования.

sayed0am/arabic-english-bge-m3 — модель для семантического сходства и поиска по фрагментам текста, разработанная автором репозитория sayed0am на основе BAAI/bge-m3. Она предназначена прежде всего для задач на арабском языке, включая sentence similarity, passage retrieval и построение арабских RAG-систем. В метаданных также указаны арабский и английский языки. Модель представляет собой обрезанную версию BAAI/bge-m3 и примерно на 36,2% меньше исходной, что снижает требования к памяти. Для неё доступна ONNX-квантизованная версия размером около 363 МБ — примерно на 75% меньше обрезанной модели — с заявленным сохранением около 98% качества исходной. Модель поддерживает использование через Transformers, sentence-transformers и ONNX Runtime; размер контекста и точная архитектура в README не указаны. Согласно README, модель заняла третье место в общем рейтинге и первое среди open source-моделей на The-Arabic-Rag-Leaderboard. Основное ограничение связано с сокращением словаря: токены, редко используемые в арабском языке, были удалены, поэтому модель может работать хуже с другими языками исходной мультиязычной BGE-M3. Модель распространяется по лицензии MIT.

zeromodels/bart_base — реализация базового чекпойнта BART в формате Keras 3 от проекта zeromodels, перенесённая с facebook/bart-base. Это трансформер encoder-decoder для извлечения признаков и дообучения на задачах понимания и генерации текста; веса доступны в формате TensorFlow, а реализация рассчитана на работу с TensorFlow, Torch и JAX. Модель обучена восстанавливать искажённый текст: двунаправленный энкодер сочетается с авторегрессионным декодером, используется токенизатор byte-level BPE, общий с RoBERTa. Чекпойнт предназначен прежде всего как языковой backbone: его можно применять для получения признаков или дообучать для суммаризации, перевода, классификации последовательностей и других задач text-to-text. Головы задач, отсутствующие в репозитории, инициализируются случайно и требуют дообучения; готовые специализированные веса можно загружать отдельно. Лицензия — Apache-2.0.

Xenova/bge-large-zh-v1.5 — веб-совместимая версия модели BAAI/bge-large-zh-v1.5, подготовленная с весами в формате ONNX для работы с библиотекой Transformers.js. Разработчик исходной модели — BAAI; данный репозиторий предназначен для использования модели в JavaScript- и веб-приложениях. Модель предназначена для извлечения признаков из текста и может применяться в задачах, где требуются текстовые эмбеддинги, например для семантического поиска, сравнения текстов и построения систем поиска по смыслу. В README приведён пример запуска через pipeline с задачей feature-extraction. Известно, что модель использует ONNX-веса и совместима с Transformers.js. Назначение исходной модели предполагает работу с китайским языком, однако другие языки, размер модели, архитектура, максимальная длина контекста, точные показатели качества и поддерживаемые модальности в README не указаны. Лицензия также не указана, поэтому условия использования необходимо уточнять в карточке исходной модели BAAI/bge-large-zh-v1.5.

PM-AI/bi-encoder_msmarco_bert-base_german — немецкоязычная модель двунаправленного кодировщика, разработанная PM-AI для семантического поиска и извлечения релевантных фрагментов документов по запросу. Она основана на BERT и содержит 137,1 млн параметров; принимает текст и формирует эмбеддинги для запроса и пассажей, которые можно сопоставлять для поиска. Максимальная длина контекста — 512 токенов. Модель дообучена на немецком машинном переводе набора MS MARCO Passage Ranking: примерно 500 тысячах вопросов и 8,8 миллиона пассажей. При обучении применялись сложные отрицательные примеры и функция потерь Margin MSE, что предназначено для асимметричного поиска — например, когда короткий вопрос сопоставляется с более длинными фрагментами документов. Модель подходит для поиска по разнородным текстам; заявленное качество зависит от коллекции и требует проверки на целевых данных. Модель распространяется по лицензии MIT. Карточка описывает применение через библиотеку Sentence Transformers; модель предназначена для текстового поиска и не является генеративной системой.

mulasan/bistbot-deepseek-math-8b — дообученная языковая модель mulasan на базе unsloth/DeepSeek-R1-Distill-Llama-8B-bnb-4bit. Это плотная архитектура Llama с примерно 7,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Модель принимает текст и генерирует текст, а её родная длина контекста составляет 131072 токена. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой TRL.

Cogito-0.9.1-15B — разговорная аналитическая модель на 14 млрд параметров, разработанная ozaa77 и основанная на архитектуре Qwen3. Она предназначена для генерации ответов с проверкой предпосылок вопроса, поиском противоречий и оценкой уверенности; поддерживает интерфейс вызова инструментов. Модель принимает текст и генерирует текст, включая структурированные рассуждения и ответы. В README приведены результаты на задачах знаний и рассуждений: MMLU-Pro, GPQA Diamond и MATH-500. Доступны веса safetensors для запуска через Transformers и совместимые среды. Контекстное окно составляет 40 960 токенов. Карточка описывает англоязычное применение; метаданные указывают английский язык. Модель может помогать анализировать аргументы, решать математические и научные задачи и отвечать на вопросы с оговоркой об уверенности. Результаты бенчмарков из README не гарантируют качество в конкретном применении. Лицензия — Apache-2.0.

comsat-embed-ja-0.3b-preview — модель для создания текстовых эмбеддингов, разработанная Sionic AI и дообученная на базе cl-nagoya/ruri-v3-310m. Она предназначена для семантического поиска на японском языке: кодирует запросы и документы в векторы, которые можно сопоставлять по косинусному сходству. Подходит для поиска по документам, базам знаний и корпоративным коллекциям, а также для извлечения материалов в системах ответов на вопросы. Модель использует энкодерную архитектуру ModernBERT, содержит 314,6 млн параметров и принимает до 8192 токенов. Выдаёт 768-мерные эмбеддинги со средним объединением токенов и L2-нормализацией. Для запросов и документов предусмотрены разные префиксы: «検索クエリ: » и «検索文書: ». В README заявлен средний результат NDCG@10 0,7785 на 11 задачах поиска JMTEB v2 среди сравниваемых моделей размером до 4 млрд параметров. Модель специализирована на японском языке и поддерживает сценарии семантического поиска, включая поиск научных публикаций, государственных FAQ, веб-страниц и длинных документов. Для сохранения качества поиска следует применять соответствующий префикс к запросу и документу. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Enbeddrus v0.2 — модель эмбеддингов предложений на основе BERT, разработанная автором репозитория evilfreelancer. Она кодирует предложения и абзацы на русском и английском языках в плотные векторы размерности 768, обученные сближать представления сопоставимых фраз на двух языках. Модель подходит для семантического поиска, сравнения текстов и кластеризации, в том числе для поиска русских формулировок по английскому запросу и наоборот. В карточке указана архитектура BERT uncased с 12 слоями, размером скрытого состояния 768 и максимальной длиной последовательности 512 токенов. Обучение проводилось 20 эпох на параллельных англо-русских корпусах, включая технические тексты о PHP и Go, а также книги. Метаданные указывают 194,6 млн параметров и формат весов Safetensors. README сообщает о тестировании на небольшом наборе из 100 пар предложений по PHP, поэтому результаты этой оценки не гарантируют качество на других темах. Лицензия в предоставленных данных не указана.

EraX-WoW-Turbo-V1.0 — модель распознавания речи команды EraX, дообученная на базе OpenAI Whisper Large-v3 Turbo. Она преобразует аудио в текст и предназначена для быстрой транскрибации, создания субтитров, расшифровки встреч и работы голосовых приложений. Архитектура Whisper, размер — 905,2 млн параметров. В карточке заявлены обучение на примерно 300 тысячах примеров (около 1000 часов аудио) и поддержка вьетнамского, хинди, китайского, английского, русского, немецкого, украинского, японского, французского, нидерландского и корейского языков; также заявлена обработка аудио в реальном времени. Автор приводит предварительную оценку WER около 12%, но сообщает, что бенчмарки ещё завершаются. Модель может быть полезна для автоматической расшифровки речи, субтитров и голосовых интерфейсов. README отмечает возможные трудности с детской речью и тихим шёпотом. Указана лицензия MIT.

EttinX-nli-s — англоязычный cross-encoder для определения логической связи между парой текстов: противоречие, нейтральное отношение или следование. Модель разработал dleemiller на основе энкодера jhu-clsp/ettin-encoder-68m семейства ModernBERT; она дообучена на наборе all-nli-distill с логитами учителя dleemiller/ModernCE-large-nli. Использует архитектуру классификации последовательностей и содержит 68,1 млн параметров. Модель подходит для проверки гипотез по тексту, оценки семантического соответствия пары предложений и анализа ответов LLM. Автор приводит результаты micro-F1 0,8798 на MNLI mismatched и 0,8967 на SNLI. Заявлена обработка последовательностей до 8192 токенов, что полезно для оценки длинных ответов; метаданные указывают контекст 7999 токенов. Компактный размер делает модель подходящей для инференса на CPU. Лицензия MIT.

ZenML разработала эту модель Sentence Transformers, дообученную на базе Snowflake/snowflake-arctic-embed-m-v1.5 на 36 примерах из набора json. Она преобразует предложения и абзацы на английском языке в плотные векторы размерностью 768 для сравнения семантической близости; архитектура включает BERT, CLS-пулинг и нормализацию, а сходство можно оценивать косинусной мерой. Модель подходит для семантического поиска, сопоставления похожих предложений, поиска перефразировок, кластеризации и подготовки векторных признаков для классификации текста. Максимальная длина входа — 512 токенов. Карточка приводит результаты поиска на небольшом наборе и описывает обучение на 36 примерах, поэтому качество за пределами данных и сценариев ZenML требует отдельной оценки. Лицензия — Apache-2.0.

FIxtral — диалоговая языковая модель, опубликованная zaursamedov1 и основанная на объединении модели mistralai/Mistral-7B-Instruct-v0.2. Она предназначена для генерации текста и ответов на инструкции в дружелюбном пошаговом стиле; в карточке приведён пример использования через Transformers. Модель построена на архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0.

Gemma 2 2B Instruct — компактная языковая модель Google из семейства Gemma, представленная в формате GGUF для запуска через llama.cpp и LM Studio. Квантизацию выполнил bartowski на основе релиза llama.cpp b3496. Модель предназначена для генерации текста и диалоговых сценариев общего назначения, а также может использоваться для автодополнения и черновой генерации на устройствах с ограниченными ресурсами и низким энергопотреблением. Модель содержит около 2 миллиардов параметров и обучена на 2 триллионах токенов, включавших веб-документы, программный код и математические материалы. Она поддерживает работу с текстом; в README отдельно отмечены крупный словарь Gemma 2, потенциальные преимущества для многоязычных задач и программирования, однако точный список языков и размер контекстного окна не указаны. Для корректного диалога требуется шаблон Google Gemma Instruct; системный промпт не поддерживается. Сильными сторонами модели являются небольшой размер, пригодность для локального запуска и специализация на общих текстовых, кодовых и математических задачах. Ограничениями выступают меньшая емкость по сравнению с крупными моделями, отсутствие мультимодальности и неподдержка системных инструкций; модель также может генерировать неточные, вредные или неуместные ответы. Доступ регулируется лицензией Google Gemma: на Hugging Face требуется ознакомиться с условиями и принять лицензию.

onnx-community/gte-multilingual-reranker-base — это ONNX-версия модели Alibaba-NLP/gte-multilingual-reranker-base, подготовленная сообществом onnx-community для совместимости с Transformers.js. По названию модель предназначена для мультиязычного reranking, то есть переоценки и упорядочивания результатов поиска или извлечения документов по их релевантности запросу. Ключевая особенность этой версии — наличие ONNX-весов, размещённых в отдельном репозитории для использования в веб-средах через Transformers.js. В README не указаны точная архитектура, размер модели, поддерживаемые языки, максимальная длина контекста, показатели качества или лицензия. Также не описаны дополнительные ограничения эксплуатации; сведения о лицензии следует проверять в исходном репозитории Alibaba-NLP/gte-multilingual-reranker-base.

InternLM2-1.8B — базовая плотная авторегрессионная языковая модель второго поколения семейства InternLM, разработанная командой InternLM. Она содержит около 1,7 млрд параметров и предназначена для генерации текста и последующей адаптации под прикладные задачи. В README также описаны отдельные варианты Chat и Chat-SFT, однако этот репозиторий содержит базовую модель. Модель подходит для продолжения текста, а также для экспериментов с рассуждениями, математикой, кодом и обработкой длинных текстов. Метаданные указывают контекст до 32 768 токенов; в карточке семейства InternLM2 заявлена работа с длинными входами до 200 000 символов. Эти сведения относятся к разным формулировкам длины контекста и не гарантируют одинакового качества на любом длинном тексте. Модель принимает и генерирует текст; в карточке приведены оценки на MMLU, AGIEval и BBH. Лицензия репозитория указана как other: код распространяется по Apache-2.0, веса открыты для академических исследований, а для коммерческого использования требуется запросить бесплатное разрешение. Возможны предвзятые или иные нежелательные ответы; характеристики чата и следования инструкциям, отмеченные в README, относятся прежде всего к отдельным Chat-вариантам.

bartowski/Jackrong_Qwen3.5-9B-Neo-GGUF — это набор GGUF-квантизаций модели Jackrong/Qwen3.5-9B-Neo, подготовленный bartowski с использованием llama.cpp и метода imatrix. Модель ориентирована на задачи генерации текста и рассуждений, включая решение задач по программированию; при этом в карточке указан pipeline image-text-to-text, однако подробности поддержки изображений не приведены. Модель имеет размер порядка 9 миллиардов параметров, обучалась с использованием наборов данных Jackrong/Competitive-Programming-python-blend и stepfun-ai/Step-3.5-Flash-SFT. Заявлены английский и китайский языки, а также поддержка reasoning и chain-of-thought. Доступны варианты от BF16 и Q8_0 до компактных Q2_K_L, Q3 и IQ-квантизаций; версии с более высокой точностью обеспечивают лучшее качество, а младшие требуют меньше оперативной памяти, но заметно уступают по качеству. Размер контекста и точная архитектура в README не указаны. Файлы предназначены для локального запуска через llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые приложения. Для корректной работы следует использовать указанный шаблон prompt format с секцией <think>. Модель распространяется по лицензии Apache-2.0. Ограничения включают зависимость качества от выбранного уровня квантизации и отсутствие в карточке подробных сведений о точности, производительности, контекстном окне и фактических возможностях мультимодальной обработки.

Empower Functions v1.1 — плотная причинная языковая модель семейства Llama, разработанная Empower и дообученная на базе Meta Llama 3.1 8B Instruct для использования функций и инструментов в диалоге. Модель содержит около 7,5 млрд параметров, принимает текст, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Модель подходит для автоматического выбора момента вызова инструмента, формирования вызовов функций, параллельных и последовательных вызовов нескольких инструментов, а также обычного общения между вызовами. Предусмотрена потоковая генерация; карточка отмечает применение в длинных разговорах. Модель можно запускать локально или через размещённый API; для версии FP16 разработчик указывает проверку на одном A100 с 40 ГБ памяти, а для GGUF — на MacBook M2 Pro с 32 ГБ ОЗУ. README заявляет высокие результаты на Berkeley Function Calling Leaderboard по оценке от 10 сентября 2024 года, но не приводит численных метрик. Указанные возможности относятся к работе с инструментами через текстовый интерфейс; карточка не подтверждает мультимодальный ввод. Язык модели отдельно не указан в предоставленных метаданных и README.