II.8Инженерия данных и аналитика

Qwen3.8-27B-Uncensored-Cyber — GGUF — это квантизированная версия модели philbert440/Qwen3.8-27B-Uncensored-Cyber, опубликованная paubau. Репозиторий содержит только GGUF-квантизацию и калибровочную матрицу imatrix, построенную на реальном трафике агентного программирования; дообучение, слияние моделей и изменение поведения не выполнялись. Модель ориентирована на агентные сценарии, связанные с написанием кода, вызовом инструментов и задачами в области кибербезопасности, включая offensive security. Это de-refusal-модель без стандартных ограничений на отказы, унаследованных от базовой модели. Модель имеет размер 27B параметров и распространяется в формате GGUF с квантизацией IQ4_XS. Доступны вариант без MTP-тензоров размером около 14,96 ГиБ и вариант с совместимой MTP speculative-decoding head размером около 15,38 ГиБ; последний требует поддержки со стороны используемого runtime. В базовой модели сохранены vision tower и MTP-голова, поэтому поддерживаются мультимодальный путь и ускоренное декодирование при совместимом загрузчике. Заявлен контекст до 262K токенов. Калибровка специально учитывает tool-call JSON, специальные токены шаблона чата, длинные точные литералы, пути, имена пакетов, хэши и смешанный китайско-английский текст, что должно быть полезно для агентного кодинга и точного воспроизведения строк. Ограничения модели связаны с потерями, неизбежными при квантизации, причём веса были получены повторной квантизацией из Q8_0, а не напрямую из BF16. Показатели сравнения в README имеют узкую область применимости и основаны на агентном корпусе. Для обычной загрузки рекомендуется файл без MTP, если поддержка MTP не проверена. Модель лицензирована по Apache-2.0; исходный корпус калибровки не опубликован и содержит приватные данные рабочих сессий.

Qwen3.8-27B Uncensored ROCmFP4-STRIX-MTP-GGUF — это исследовательская квантованная версия модели Qwen3.8-27B, опубликованная пользователем kingjones777. Модель поставляется в формате GGUF и оптимизирована для запуска через llama.cpp на графике AMD Strix Halo (gfx1151) с ROCm. Вариант Uncensored создан методом abliteration, уменьшающим отказы от ответов на вредоносные запросы; этот метод не добавляет модели новых возможностей. Модель предназначена для генерации текста и кода, локального инференса и экспериментов со speculative decoding через отдельную MTP-модель-черновик. Доступны варианты ROCmFP4 FAST и STRIX_LEAN, а также Q6-квантизации; размер STRIX_LEAN составляет около 13,59 GiB, FAST — около 13,33 GiB. Для заявленной производительности рекомендуется AMD Ryzen AI Max+ 395 с Radeon 8060S, ROCm 7.2.4, контекстом 8192 и MTP с параметром n=4; в этих условиях приведены скорости до 24,73 токена/с для прозы и около 42,70 токена/с для кода. Для работы требуется совместимая сборка llama.cpp или ROCmFPX и отдельный draft-файл Q4_0. Преимущества модели — локальный запуск, поддержка AMD ROCmFP4 и сниженное число отказов, а ограничения — экспериментальный статус, зависимость производительности от оборудования и настроек, отсутствие гарантий сохранения выравнивания и потенциальные проблемы совместимости отдельных сборок. Лицензия — Apache-2.0.

Rune 26B-A4B v3 — разработанная Surogate модель принятия решений на основе Gemma 4 26B-A4B-it. Она принимает текст, структурированные данные или изображение вместе с вопросом и вариантами ответа и за один проход выбирает вариант, оценивая вероятности всех вариантов. Поддерживает задачи выбора одного из N вариантов, оценки истинности утверждения и выставления балла по порядковой шкале. Для обработки изображений сервер нужно запускать с поддержкой vision. Модель предназначена для классификации и ранжирования вариантов в тестах, извлечения решений из документов и скриншотов, автоматизации выбора и выставления оценок. По README, контекст составляет 262 тысячи токенов. Режим рассуждения включается отдельно, доступен только для текстовых запросов и может добавлять до 512 токенов рассуждения; по данным README, он повышает результаты на части тестов, но снижает качество вероятностных прогнозов в ForecastBench. Вероятности текстовых ответов при стандартной температуре описаны как избыточно уверенные; температура решения 2 улучшает их калибровку, не меняя выбранный вариант. Для изображений доступно сокращение числа визуальных токенов ценой точности. Это дообученная мультимодальная модель с архитектурой Gemma 4, публикуемая в формате safetensors и использующая библиотеку Transformers. Лицензия — Apache 2.0. Заявленные результаты бенчмарков являются результатами авторского запуска; часть тестовых данных и оценок основана на собственных выборках и не является закрытой оценкой лидерборда.

SigLIP 2 So400m — модель семейства SigLIP 2, разработанная Google. Это визуальный энкодер, обученный на WebLI и предназначенный для сопоставления изображений с текстовыми описаниями. Модель поддерживает классификацию изображений по произвольным текстовым меткам без отдельного обучения и поиск изображений по тексту или текста по изображению; её также можно использовать как визуальную часть мультимодальных систем и в других задачах компьютерного зрения. Модель принимает изображения и текстовые описания, кодирует их для сравнения и выдаёт оценки соответствия. Архитектура SigLIP, вариант So400m; доступные веса представлены в формате safetensors и используются через Transformers. В README отмечены улучшенное семантическое понимание, локализация и плотные визуальные признаки. Лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

SigLIP base — мультимодальная модель Google на архитектуре SigLIP, предварительно обученная на англоязычных парах изображение–текст из набора WebLI. Вариант обучен для работы с изображениями разрешением 512×512; текст токенизируется с длиной до 64 токенов. Модель использует sigmoid loss для сопоставления изображений и текста. Модель предназначена для классификации изображений по текстовым описаниям без дообучения и поиска соответствий между изображениями и текстом. Её можно применять для подбора меток к изображениям по заданным формулировкам и для поиска изображений по текстовому запросу или наоборот. Карточка указывает лицензию Apache-2.0.

Squirtle — компактная модель эмбеддингов на архитектуре BERT, созданная Mihaiii дистилляцией bge-base-en-v1.5. Она предназначена прежде всего для семантического автодополнения, а также может использоваться для сравнения сходства предложений и извлечения признаков текста. Модель содержит 16,4 млн параметров, работает с текстом и поддерживает контекст до 512 токенов. Для получения эмбеддингов в сценарии semantic-autocomplete README рекомендует использовать CLS-пулинг и нормализацию; модель также доступна в форматах Safetensors и ONNX. Лицензия — MIT. README не приводит оценок качества или подробностей о поддерживаемых языках; название базовой модели указывает на англоязычное назначение.

STAR1-R1-Distill-7B — языковая модель, дообученная исследователями UCSC-VLAA на наборе STAR-1 из 1 000 примеров для повышения безопасности ответов моделей с многошаговыми рассуждениями. Она основана на DeepSeek-R1-Distill-Qwen-7B и использует архитектуру Qwen2; размер составляет 7,1 млрд параметров, формат весов — safetensors, библиотека — Transformers. Модель предназначена для диалоговой генерации текста и ответов с учётом принципов безопасности, сохраняя способности к рассуждению, в том числе в математике и программировании. Контекст модели — до 131 072 токенов. В README описана оценка и фильтрация обучающих примеров, однако конкретные языки, поддерживаемые моделью, не перечислены. Модель распространяется по лицензии Apache-2.0. Улучшения безопасности заявлены по результатам бенчмарков, но их величина и устойчивость в разных сценариях требуют проверки; дообучение на 1 000 примерах не гарантирует безошибочную обработку небезопасных запросов.

Модель yjoonjang/stsb-quora-distilroberta-linear-merge — демонстрационное линейное слияние двух англоязычных Cross-Encoder-моделей на базе DistilRoBERTa: cross-encoder/stsb-distilroberta-base и cross-encoder/quora-distilroberta-base. Разработчик объединил их веса методом linear с коэффициентами 0,5 и 0,5; это пример работы функции слияния CrossEncoder в Sentence Transformers, а не выпуск модели, специально настроенной под отдельную задачу. Модель предназначена для оценки и ранжирования пар текстов по семантической близости, в частности для сценариев семантического сходства и поиска похожих вопросов. Архитектура — RobertaForSequenceClassification, размер — 95,2 млн параметров, максимальный родной контекст — 514 токенов. Модель принимает текстовые пары и выдаёт оценки релевантности или сходства. Доступны форматы safetensors, Flax и OpenVINO. Это демонстрационная объединённая модель; README не приводит результатов оценки качества, поэтому её пригодность для конкретной задачи следует проверять отдельно. Лицензия в предоставленных данных не указана.

Thea 3B 25r — дообученная Piotr Zalewski диалоговая модель семейства Llama 3.2 для генерации ответов и рассуждений по текстовым запросам. В основе лежит chuanli11/Llama-3.2-3B-Instruct-uncensored; для обучения использован набор KingNish/reasoning-base-20k. Модель имеет плотную архитектуру LlamaForCausalLM с 3,2 млрд параметров, принимает текст и формирует текстовые ответы. Заявленная длина контекста — 131 072 токена. Разработчик заявляет улучшенную производительность на задачах рассуждения и ускоренное обучение с использованием собственного кода. В метаданных также указаны возможности диалога и интерфейс вызова инструментов. Модель помечена как uncensored; качество и безопасность ответов зависят от запроса и способа применения. Распространяется по лицензии llama3.2.

Upshot-NeuralHermes-2.5-Mistral-7B-slerp — диалоговая языковая модель, созданная слиянием mlabonne/NeuralHermes-2.5-Mistral-7B и Aditya685/upshot-sih методом SLERP с помощью LazyMergekit. В репозитории представлены веса Safetensors; модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для диалоговой генерации текста и ответов на запросы. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В метаданных указана лицензия MIT. Карточка не сообщает о специализированной предметной области или языковом охвате.

Osolon разработал wav2vec2-large-xls-r-300m-pl — модель распознавания речи, полученную дообучением facebook/wav2vec2-xls-r-300m на Common Voice 10.0. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. На указанной в карточке оценочной выборке модель показала WER 0,1338 и loss 0,1589. Модель распространяется по лицензии Apache-2.0.

m3hrdadfi/wav2vec2-large-xlsr-lithuanian — акустическая модель распознавания литовской речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной выборках Common Voice. Она принимает аудио с частотой дискретизации 16 кГц и выдаёт распознанный текст; архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров. Модель предназначена для автоматической транскрипции литовской речи, в том числе без отдельной языковой модели. В оценке на тестовых данных Common Voice указана метрика WER 34,66%. Репозиторий содержит веса PyTorch и Flax. Лицензия — Apache-2.0.

Whisper large-v3 Persian — модель распознавания речи, созданная дообучением openai/whisper-large-v3 на персидских аудиозаписях из Mozilla Common Voice 17.0. Модель построена на архитектуре Whisper, содержит 905,2 млн параметров и принимает аудио, выдавая распознанный текст. Для запуска используется библиотека Transformers; веса представлены в формате safetensors. Модель предназначена для транскрибации речи на персидском языке. В README указано, что при дообучении использовали более 200 тысяч примеров; на оценочной выборке WER составил 26,5381. Авторы отмечают, что ошибки написания в датасете приводят к грамматическим недостаткам распознанного текста. Лицензия — Apache-2.0.

bofenghuang/whisper-small-cv11-french — модель автоматического распознавания речи, полученная дообучением openai/whisper-small на французской части набора Mozilla Common Voice 11.0. Она принимает аудио и выдаёт расшифровку на французском языке, включая регистр букв и пунктуацию. Для распознавания входную речь следует подавать с частотой дискретизации 16 кГц. Модель построена на архитектуре Whisper и содержит 153,1 млн параметров. В карточке приведены результаты WER для Common Voice 11.0, Multilingual LibriSpeech, VoxPopuli и Fleurs; тестовые данные были отфильтрованы и предобработаны, поэтому эти оценки не обязательно отражают качество на произвольной речи. Модель распространяется по лицензии Apache-2.0.

xLAM-8x7b-r-GGUF — это GGUF-квантизированная версия языковой модели xLAM-8x7b-r, разработанной Salesforce и подготовленной для распространения пользователем bartowski. Модель ориентирована на text-generation, function calling, использование инструментов и создание LLM-агентов. Обучение связано с датасетом Salesforce/xlam-function-calling-60k; заявленный язык — английский. Модель основана на архитектуре, обозначенной в карточке тегом mistral, и имеет конфигурацию 8x7B; точные сведения о числе активируемых параметров и размере контекста не указаны. Доступны варианты от F16 до сильно сжатых квантов GGUF, включая Q8_0, Q6_K, Q5_K, Q4_K и Q3/Q2, с размером файлов примерно от 17 до 93 ГБ. Квантизация выполнена с использованием llama.cpp и метода imatrix; некоторые варианты оптимизированы для ARM и CPU-инференса. Сильная сторона модели — специализация на вызове функций и взаимодействии с внешними инструментами, а также широкий выбор квантов для компромисса между качеством и требованиями к памяти. Ограничения включают заявленную ориентацию на английский язык, отсутствие данных о мультимодальности и контекстном окне, а также снижение качества у малобитных вариантов. Модель распространяется по лицензии CC BY-NC 4.0, предусматривающей некоммерческое использование; для доступа к репозиторию требуется подтверждение согласия с лицензией.

AfriTeVa V2 Base — мультиязычная модель семейства T5 версии 1.1, разработанная авторами исследования о качестве предобучающих данных и моделей T5 для африканских языков. Модель предобучена на корпусе Wura с размером словаря 150 000 токенов. В метаданных каталога указано 214,4 млн параметров; в README приведено другое значение — 428 млн параметров. Модель служит базой для дообучения на классификацию текста, машинный перевод, суммаризацию и межъязыковой вопросно-ответный поиск. В исследовании она превзошла существовавшие базовые модели на этих задачах, а на оценке межъязыкового QA показала результат более чем вдвое выше multilingual T5. Она ориентирована на африканские языки, включая амхарский, хауса, игбо, суахили, йоруба и зулу, а также поддерживает английский, французский и португальский. Лицензия — Apache-2.0. При дообучении рекомендуется повторно включить dropout, отключённый во время предобучения. Приведённые результаты относятся к оценкам из исследования и не гарантируют качество на произвольных данных.

F1ow421/all-MiniLM-L6-v2-ru-hnp — русскоязычная доменно-адаптированная версия sentence-transformers/all-MiniLM-L6-v2, дообученная автором репозитория на 20 000 триплетов из набора deepvk/ru-HNP с функцией потерь TripletLoss. Это компактная модель на архитектуре BERT с 25,9 млн параметров; она преобразует предложения в эмбеддинги для сравнения смысловой близости и поиска парафраз. Модель рассчитана на русский язык, использует библиотеку sentence-transformers и принимает последовательности длиной до 512 токенов. Репозиторий распространяет веса в формате safetensors по лицензии Apache-2.0. В README приведена оценка на RuBQ Retrieval: Recall@5 и Recall@10 составили 0,36%, ниже показателей базовой модели. Автор связывает это с различием между обучением на симметричном поиске парафраз коротких предложений и оценкой на асимметричном поиске ответов по Википедии. Поэтому результаты не подтверждают пригодность модели для вопросно-ответного поиска такого типа; перед применением в конкретной задаче качество стоит оценить на целевых данных.

Alpaca Dragon 72B V1 — плотная языковая модель семейства Llama на 71 млрд параметров, созданная автором карточки дообучением Smaug 72B v0.1 на наборе данных Alpaca с примерами планирования и рассуждений. Она предназначена для генерации текста и разбиения сложных запросов на последовательные шаги и логический план, в том числе при планировании технических и разработческих задач. Модель принимает текст и выдаёт текст; карточка описывает её как англоязычную, а метаданные указывают контекст до 32 768 токенов. В карточке приведены результаты оценок, включая ARC Challenge и HellaSwag, однако заявленное улучшение отдельных тестов отмечено автором как неожиданное, а подробностей о методике обучения и лицензии нет. Репозиторий содержит веса в формате safetensors. Метаданные указывают лицензию other; условия использования следует сверить с файлами репозитория.

Darwin-27B-RSI — плотная языковая модель семейства Qwen3.5, разработанная FINAL-Bench как версия Darwin-27B-Opus после рекурсивного самоулучшения. Модель дообучалась на собственных решениях: человеческие ответы и цепочки рассуждений не использовались, а корректность автоматически проверялась по согласованности выборок и выполнению кода. Для модели заявлены 22,3 млрд параметров в метаданных и 27 млрд в README, контекст до 262 144 токенов по метаданным; веса представлены в safetensors, точность BF16. Лицензия — Apache 2.0. Модель предназначена для генерации текста и диалогов с режимом рассуждения, в особенности для сложных научных и математических вопросов. В README сообщается об улучшении результатов относительно Darwin-27B-Opus на GPQA Diamond и SuperGPQA, а также о применении модели как движка рассуждений Darwin-27B-JEV. Описанный сценарий предполагает предоставление модели достаточного бюджета токенов для рассуждений. Заявленные улучшения проверены на задачах научного reasoning; перенос этих результатов на другие области не гарантирован. Модель может генерировать длинные рассуждения, что увеличивает задержку; для сценариев с ограничениями по времени рекомендуется ограничивать число генерируемых токенов. README также указывает на пересечение 31 обучающей задачи с набором MMLU в Decision Index.

Модель reazon-research/japanese-hubert-base-k2-rs35kh — акустическая модель для автоматического распознавания японской речи. Её разработала команда Reazon Research: HuBERT Base дообучена на корпусе ReazonSpeech v2.0 с использованием фреймворка k2. Модель содержит около 117,3 млн параметров, реализована как HubertForCTC и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для преобразования японской речи в текст, включая длинные записи. В тестах авторов она показала CER 11,23% в среднем по указанным наборам и 27,05% на JSUT-BOOK; результаты зависят от данных и условий распознавания. Модель принимает аудио и выдаёт текст. Лицензия Apache-2.0.

daekeun-ml/KoSimCSE-supervised-roberta-large — корейская модель для построения эмбеддингов предложений на основе SimCSE и архитектуры RoBERTa-large. Она обучена с учителем на данных NLI и предназначена для сравнения смысловой близости текстов, поиска похожих предложений и использования в системах семантического поиска. В README приведены результаты оценки KoSimCSE на KLUE-STS и Kor-STS; таблицы для варианта supervised RoBERTa-large неполны, поэтому отдельные показатели этой модели подтвердить нельзя. Модель принимает текст и выдаёт векторные представления. Обучение описано для корейских наборов KLUE-NLI и Kor-NLI; метаданные также указывают язык ko. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

KoarAI/LFM2.5-350M-Thinking — компактная языковая модель для генерации текста с пошаговыми рассуждениями. KoarAI дообучила её методом полного fine-tuning на базе LiquidAI/LFM2.5-350M, используя примеры рассуждений, агентные сценарии, задания MMLU-Pro и математические задачи AIME. Архитектура — плотная LFM2; в метаданных указано 444,6 млн параметров и контекст до 128 000 токенов. Модель предназначена для диалогов, решения математических задач, многошаговой логики и структурированного ответа. Она поддерживает английский, русский и китайский языки и генерирует текст; карточка заявляет режим рассуждений в специальных блоках. Доступна в формате safetensors для Transformers. Лицензия — Apache-2.0. Модель небольшая, но качество рассуждений зависит от задачи и может быть нестабильным; результаты математических вычислений и многошаговых выводов следует проверять. Указанные в README квантизированные GGUF-варианты размещены в отдельном репозитории, а не в этой карточке.

mamba-gpt-3b-v3 — языковая модель на 3,3 млрд параметров от CobraMamba, дообученная на основе openlm-research/open_llama_3b_v2. Она предназначена для генерации текста, диалогов и ответов на инструкции; в обучающих данных использованы Stanford Alpaca, Open Assistant, LIMA и CodeAlpaca 20k. Модель построена на архитектуре LlamaForCausalLM и запускается через библиотеку Transformers. Контекст составляет 2048 токенов; карточка указывает английский и многоязычные данные Open Assistant. В README приведены результаты тестов MMLU, ARC и HellaSwag, однако их следует считать заявлениями авторов. Модель подходит для экспериментов и приложений с генерацией текста, включая ответы на вопросы и помощь с кодом. Она может выдавать неточные, нерелевантные или предвзятые ответы, а небольшой контекст ограничивает работу с длинными запросами. Лицензия репозитория — Apache-2.0.

OpenOrca-Preview1-13B — языковая модель, созданная командой Open-Orca путём дообучения LLaMA-13B на отобранных 200 тысячах примеров GPT-4 из датасета OpenOrca. Это предварительный выпуск, предназначенный для генерации ответов на инструкции и решения задач на рассуждение. Для запросов используется формат Alpaca с разделами Instruction и Response. Модель имеет плотную архитектуру LLaMA и около 12,9 млрд параметров; она принимает текст и генерирует текст. В карточке указаны английский язык и контекст 2048 токенов. Авторы сообщают об оценке на BigBench-Hard и AGIEval, но отмечают, что выпуск обучен лишь на небольшой части данных и детали обучения будут опубликованы позднее. Лицензия — MIT.

OPSD-PI Qwen3.5-9B Strong Trailing — публичная объединённая версия модели Qwen3.5-9B после 32 обновлений оптимизатора в экспериментальном обучении на 1024 примерах Strong PI с режимом trailing_user. Репозиторий содержит объединённую инициализацию expert-SFT, обновления LoRA основной модели и MTP, а также непосредственно обученные тензоры MTP; для загрузки не требуется отдельный адаптер или этап слияния. Модель загружается через Transformers и предназначена для генерации текста в диалоговых сценариях и задачах с кодом. Это ранний экспериментальный чекпойнт, опубликованный после ограниченного числа шагов обучения, поэтому его качество и обобщение следует проверять на отложенных задачах, а не по 1024 обучающим примерам. README не сообщает лицензию, точный контекст или перечень поддерживаемых естественных языков. Метаданные указывают архитектуру Qwen3.5 dense и формат safetensors; основная задача по карточке — генерация текста.

Gearnode/Qwen3-ASR Uzbek (v2) — дообученная Gearnode версия Qwen/Qwen3-ASR-1.7B для распознавания узбекской речи и преобразования аудио в текст. Модель построена на плотной архитектуре Qwen3ASRForConditionalGeneration и распространяется в формате Safetensors; она принимает аудио и выдаёт текстовую транскрипцию. Модель обучали пять эпох на примерно 160 тысячах примеров из Google FLEURS, Uzbek Speech Corpus и узбекских видео с YouTube по темам IT, новости и подкасты. В README модель названа лучшей среди сравниваемых вариантов для узбекской речи; для уменьшения повторов применяется постобработка. Модель предназначена прежде всего для транскрибации узбекской речи, в том числе записей новостей, подкастов и материалов по IT. Лицензия — Apache-2.0.

Scarlett-Llama-3-8B-v1.0 — диалоговая модель, созданная ajibawa-2023 на основе Llama 3 8B от Meta. Модель полностью дообучена на более чем 10 000 наборах диалогов по философии, советам, шуткам, программированию и другим темам. Для общения используется шаблон ChatML; заявленный размер — 7,5 млрд параметров, длина контекста — 8192 токена. Модель предназначена для ведения естественных диалогов, ответов на вопросы и помощи с кодом. Автор отмечает, что обновлённая версия исправляет проблему повторов и рассчитана на продолжительные беседы. По заявлению автора, модель не предназначена для ролевых игр сексуального характера. Вес опубликован в формате PyTorch; лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

jan-hq/supermario-v2 — языковая модель для генерации текста, созданная Jan с помощью слияния DARE_TIES. В основе лежит Mistral-7B-v0.1; в слиянии также использованы OpenHermes-2.5-neural-chat-v3-3-Slerp, MetaMath-Cybertron-Starling и Marcoroni-7B-v3. Модель содержит 7,1 млрд параметров, использует архитектуру Mistral и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и генерации ответов в формате ChatML, а также может применяться для математических вопросов и задач на рассуждение. В README приведены результаты оценок на бенчмарках ARC и HellaSwag. Запуск поддерживается через Jan Desktop на macOS, Windows и Linux. Модель распространяется по лицензии Apache-2.0.

TopEvolution — объединение предварительно обученных языковых моделей, созданное с помощью mergekit методом SLERP. В него вошли NousResearch/Hermes-2-Pro-Mistral-7B и mergekit-community/mergekit-slerp-ebgdloh; конфигурация использует V-образное распределение весов, отдавая Hermes предпочтение на входе и выходе и WizardMath в средних слоях. Модель построена на архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на генерацию текста с контекстом до 32 768 токенов. Метаданные указывают формат safetensors и библиотеку Transformers. Она предназначена для генерации текста и может быть полезна для диалогов, следования инструкциям и математических запросов благодаря включению Hermes и WizardMath в слияние; конкретные показатели качества в карточке не приведены. Лицензия в предоставленных данных не указана.

vtx-embed-1M — компактная плотная модель эмбеддингов от Vortexa AI для семантического поиска и извлечения признаков. Она содержит 1,05 млн параметров и использует собственный 4-битный формат хранения LF4; в README заявлены объём памяти 0,57 МБ, Matryoshka-представления и задержка на CPU менее миллисекунды. В метаданных архитектура указана как VortexEmbedV4_5, библиотека — tokenizers, формат файлов репозитория — safetensors. Модель предназначена прежде всего для векторизации текста в системах поиска по исходному коду, индексации и retrieval/RAG. Она выдаёт плотные эмбеддинги, которые можно усекать с помощью Matryoshka-подхода для экономии ресурсов. Карточка указывает английский язык. Приведённые в README результаты тестов показывают компромисс между малым размером и качеством: на STSBenchmark модель уступает MiniLM-L6-v2 и bge-small-en-v1.5, хотя на Banking77Classification превосходит их по указанной точности. Модель опубликована под лицензией MIT. Заявленные показатели размера и скорости относятся к описанию автора; подробностей о методике измерений в предоставленном фрагменте нет.