IV.9Медиа, журналистика, культура, архивы и игры

pankajrajdeo/Bioformer-8L-UMLS-Pubmed_PMC-Forward_TCE-Epoch-2-MSMARCO-Epoch-2 — модель Sentence Transformer на базе BERT, разработанная автором репозитория. Она преобразует предложения и абзацы в плотные векторы размерностью 512 для поиска по смыслу и сравнения текстов с помощью косинусного сходства. В README указано обучение на парах anchor–positive с MultipleNegativesRankingLoss; метаданные отмечают возможность извлечения признаков и вычисления сходства предложений. Модель содержит 50,3 млн параметров, принимает последовательности длиной до 512 токенов и использует среднее объединение токеновых представлений. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В README названы Bioformer, UMLS, PubMed и PMC в идентификаторе модели, но описание обучения говорит о наборе parquet и не подтверждает отдельно медицинскую специализацию или языковой состав. Лицензия в предоставленных данных не указана.

GrayLine-Qwen3-8B-i1-GGUF — квантизированная GGUF-версия текстовой модели GrayLine-Qwen3-8B, разработанной soob3123 и подготовленной в виде imatrix-квантов mradermacher. Модель основана на Qwen3-8B и дообучалась на наборах GrayLine-QA и GrayLine-QA-Reasoning. В README указаны сценарии генерации текста, прямых ответов, поиска информации и работы с общими знаниями; также отмечается нефильтрованный характер модели. Модель содержит около 8 миллиардов параметров, работает с текстом и предназначена для английского языка. Доступна в нескольких вариантах GGUF-квантизации размером примерно от 2,2 до 6,8 ГБ. Варианты различаются балансом между размером, скоростью и качеством: README рекомендует i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S называет оптимальным по соотношению размера, скорости и качества. Более агрессивные низкобитные варианты экономят память, но могут заметно уступать в качестве; конкретный размер контекста в README не указан. Сильными сторонами являются широкий выбор вариантов квантизации и возможность запуска в средах, поддерживающих GGUF. Ограничения включают потенциальное снижение качества при низкой битности, отсутствие заявленных мультимодальных возможностей и отсутствие данных о результатах бенчмарков. Лицензия модели указана как Apache-2.0.

TensorVizion/MiMo-V2.6-Distill-Qwen-Abliterated — производная версия мультимодальной модели MiMo-V2.6-Distill-Qwen-9B от Xiaomi, представленная в карточке как 2-битная конверсия для MLX. Метаданные указывают архитектуру Qwen3.5 и класс Qwen3_5ForConditionalGeneration; модель принимает текст и изображения и генерирует текст. Она предназначена для диалоговых и агентных сценариев, программирования, использования инструментов и анализа изображений. README сообщает, что исходная модель преобразована в формат MLX с помощью mlx-lm 0.31.3; метаданные указывают лицензию MIT. В метаданных также отмечена дистилляция исходной базовой модели, но сведения о конкретном процессе дообучения или об «abliterated»-изменениях не приведены. Доступная информация не подтверждает языковой охват и длину контекста. 2-битное представление ограничивает точность чисел, а конкретные последствия для качества в карточке не описаны.

Это англоязычная модель Sentence Transformer, разработанная автором репозитория bbmb и дообученная на данных json от sentence-transformers/all-MiniLM-L6-v2. Она кодирует предложения и абзацы в плотные семантические векторы размерностью 384 для поиска и сравнения текстов. Архитектура основана на BERT с усреднением токенных представлений и нормализацией векторов; метаданные указывают контекст до 512 токенов, а карточка — максимальную длину последовательности 256 токенов. Модель ориентирована на английские тексты и поддерживает оценку сходства, семантический поиск, поиск перефразирований, кластеризацию и классификацию текстов. В README приведены низкие значения cosine_accuracy для информационного поиска, поэтому качество на практических данных следует проверять отдельно. Лицензия Apache-2.0.

AIFT-ko-orca-plat-Yi-ko-6b-v1.5 — корейская instruct-модель для генерации текста, дообученная разработчиком AIFT на базе KOR-OpenOrca-Platypus. В карточке указано, что для обучения отобрали и очистили часть данных KOR-OpenOrca-Platypus, затем добавили около 40 тысяч примеров по истории, науке, математике, чтению с пониманием, анализу отзывов, обобщению, грамматике и переводу между английским и корейским. Также включены примеры для проверки распространённых утверждений на истинность. Модель основана на плотной архитектуре семейства Llama, содержит 5,9 млрд параметров и принимает контекст до 2048 токенов. Для дообучения использовался LoRA; веса опубликованы в формате safetensors. Модель предназначена для ответов на инструкции, вопросов и задач на корейском языке, а также для перевода между корейским и английским. Данные обучения закрыты, поэтому проверить состав датасета независимо нельзя. Лицензия — CC BY-SA 4.0.

Florence-2-DocLayNet-Fixed — визуальная модель, которую разработчик дообучил на базе microsoft/Florence-2-large-ft с использованием датасета DocLayNet-v1.1. Она предназначена для анализа макета документов: находит области вроде подписей, сносок и формул и возвращает их классы и ограничивающие рамки по изображению страницы. В README сообщается об улучшении mAP50-95 на 7% после переименования классов в короткие токены. На тестовом наборе DocLayNet модель достигла 70%, а на подмножестве научных статей — 87%; авторы отмечают, что рамки получаются аккуратнее, чем у сравниваемых YOLO-моделей. Вес опубликован для дальнейшего исследования. Модель принимает изображение и выдаёт текстовое представление предсказаний; репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

INTELLECT-1-step-59200 — промежуточный контрольный чекпойнт языковой модели INTELLECT-1, созданной Prime Intellect совместно с участниками сообщества и Arcee AI. Модель обучалась с нуля; в этом чекпойнте зафиксирован шаг 59 200. Архитектура — плотная LlamaForCausalLM примерно на 9,7 млрд параметров, формат весов — safetensors. Контекст составляет 8192 токена. Модель предназначена для генерации текста на английском языке и кода. Семейство INTELLECT-1 обучалось на триллионе токенов английского текста и кода, включая веб-материалы, образовательные данные и математические тексты; для обучения применялась распределённая инфраструктура Prime. Это базовая генеративная модель, а не финальная или инструктивная версия. Промежуточный статус чекпойнта означает, что его поведение и качество могут отличаться от финальной версии INTELLECT-1; README указывает на наличие отдельной финальной и instruct-версии. Модель распространяется по лицензии Apache 2.0.

KnowLM-13B-Diff — дифференциальные веса проекта KnowLM, разработанные для восстановления ZhiXi-13B на основе LLaMA-13B. Авторы обучили ZhiXi на китайских и английских корпусах, чтобы расширить понимание китайского языка и обогатить знания, сохранив возможности английского языка и программирования; затем модель дообучили на инструкциях для извлечения знаний. Веса этой карточки нужно объединить с исходными весами LLaMA-13B, чтобы получить рабочую модель. Модель предназначена для генерации текста и извлечения знаний по инструкциям, включая распознавание сущностей, извлечение отношений и извлечение информации. Это плотная авторегрессионная модель семейства LLaMA примерно на 13 млрд параметров с контекстом 2048 токенов; в метаданных указаны английский и китайский языки и формат PyTorch. README предупреждает, что проект оптимизируется и результаты могут отличаться у fp16-варианта. Для восстановления дифференциальных весов требуется LLaMA-13B; лицензия в метаданных — Apache-2.0.

MSH-v1 (Marsh Harrier) — польская диалоговая языковая модель MedIT Solutions, созданная слиянием чекпойнтов Speakleash Bielik 11B v2.3 Instruct и Bielik 11B v2. Она основана на плотной архитектуре Mistral и содержит 11 млрд параметров; доступна в формате safetensors. Модель генерирует текст и отвечает на инструкции, прежде всего на польском языке. Контекст — до 32 768 токенов. В README приведены результаты оценки на польских бенчмарках: модель показывает улучшения в среднем относительно Bielik v2.3, но уступает на отдельных задачах, в том числе MT-Bench-PL и PolQA reranking. Лицензия — Apache-2.0.,

Llama-Krikri-8B-Instruct-GGUF — инструкционная большая языковая модель, разработанная ILSP на основе Llama 3.1 8B. Модель ориентирована прежде всего на греческий язык, сохраняя двуязычные возможности для греческого и английского. Она создана с помощью дополнительного предварительного обучения на корпусе объёмом 91 млрд токенов с последующим увеличением эффективного объёма до 110 млрд токенов, а также многоэтапного дообучения на инструкциях и предпочтениях пользователей. Модель предназначена для диалогов, следования инструкциям, генерации, понимания, редактирования и суммаризации текста, анализа тональности и сущностей, перевода между греческим и английским, французским, немецким, итальянским, португальским и испанским языками. Также заявлены применение в юридических, финансовых, медицинских и научных сценариях, Retrieval-Augmented Generation по нескольким документам, структурированное преобразование данных в XML или JSON, программирование, использование инструментов и агентские задачи. Модель имеет архитектурную основу Llama 3.1 8B, расширенный токенизатор с греческими токенами и контекстное окно 128 тысяч токенов, что соответствует примерно 80 тысячам греческих слов. В обучающих данных представлены греческие, английские, параллельные, математические и программные тексты; постобучение проводилось на греческих и английских инструкциях, многошаговых диалогах и preference triplets с применением Length Normalized DPO. К сильным сторонам относятся специализация на греческом языке, поддержка английского, длинный контекст и широкий набор текстовых и структурированных задач. Ограничения, точные показатели качества и требования к аппаратному обеспечению в README не указаны. Лицензия обозначена как llama3.1.

unsloth/Kimi-K3-GGUF — GGUF-версия открытой мультимодальной агентной модели Kimi K3, разработанной Moonshot AI и подготовленной Unsloth. Модель предназначена для длительных задач программирования, работы с большими репозиториями, использования терминальных инструментов, глубокого исследования, автоматизации знаний и мультимодальных сценариев, включая работу с визуальными материалами, интерактивными интерфейсами, CAD и видеомонтажом. Модель построена на архитектуре Mixture-of-Experts с общим числом параметров 2,8 трлн и примерно 104 млрд активируемых параметров. Она использует Kimi Delta Attention (KDA), Attention Residuals и Stable LatentMoE: из 896 экспертов для каждого токена выбираются 16. Архитектура включает 93 слоя, в том числе 69 KDA- и 24 Gated MLA-слоя, а также один плотный слой. Kimi K3 поддерживает нативную работу с текстом, изображениями и видео и имеет контекстное окно до 1 млн токенов. К сильным сторонам относятся большой контекст, нативная мультимодальность, высокая масштабируемость MoE и ориентация на автономные многоэтапные задачи с минимальным контролем человека. Для запуска GGUF-версии требуется совместимый llama.cpp fork Unsloth или Unsloth Studio; доступны варианты квантования, при этом Q8 обозначен как вариант без потерь точности относительно полной точности и существенно больше Q4. Языки модели в README не указаны. Веса распространяются по лицензии Kimi K3 License; точные условия следует проверять в тексте этой лицензии.

Matryoshka Text Embedding v1 — мультиязычная модель эмбеддингов текста на базе энкодера XLM-RoBERTa, дообученная с применением Matryoshka Representation Learning. Она преобразует тексты в векторы для семантического поиска, сравнения предложений и извлечения документов; поддерживает семь размерностей эмбеддинга от 64 до 1024, что позволяет выбирать компромисс между качеством, скоростью и объёмом хранения. Максимальная длина последовательности — 8194 токена по метаданным модели; README указывает 8192 токена. Модель предназначена для поиска по научной литературе, правовым и медицинским документам, веб-страницам и каталогам товаров, а также для рекомендаций и индексации больших коллекций. В карточке заявлена поддержка более 100 языков; метаданные отдельно перечисляют английский, арабский, немецкий, испанский, французский, китайский, русский, турецкий, корейский, японский, итальянский, португальский и нидерландский. Метаданные указывают 658,7 млн параметров, тогда как README приводит около 568 млн. Модель выпущена hasankursun и дообучена на FacebookAI/xlm-roberta-base. Для лучшего соответствия исходному качеству используют полную размерность или крупные векторы; усечение уменьшает требования к хранению и вычислениям, но может снизить качество. Лицензия CC-BY-NC-4.0 разрешает использование с обязательной атрибуцией и ограничивает коммерческое применение.

NuExtract-2.0-8B-GGUF — мультимодальная и многоязычная модель компании NuMind, предназначенная для структурированного извлечения информации. Она принимает текстовые и визуальные входные данные, а также JSON-шаблон с описанием требуемых полей, и возвращает извлечённые значения в структурированном виде. Модель подходит для обработки документов, форм, изображений и других источников, где требуется преобразовать неструктурированные данные в JSON. Модель основана на Qwen2.5-VL-7B-Instruct и содержит около 8 млрд параметров; распространяется в формате GGUF для запуска с совместимыми средствами, включая llama.cpp. Поддерживаются строковые значения, verbatim-string для дословного извлечения, числа, даты и времени в формате ISO, массивы, перечисления и multi-label-категории. При отсутствии подходящей информации модель возвращает null или пустой массив. Для задач извлечения рекомендуется температура, равная или близкая к 0. К сильным сторонам относятся специализированная настройка на извлечение, поддержка текста и изображений, многоязычность и возможность задавать целевую структуру результата. README не указывает точный размер контекста, перечень поддерживаемых языков и количественные результаты бенчмарка; также не описывает ограничения качества для отдельных языков или типов документов. Модель распространяется по лицензии MIT.

GRM-OCR — компактная модель оптического распознавания символов от OrionLLM на 300 млн параметров, дообученная на основе tiiuae/Falcon-OCR. Она использует архитектуру Falcon-OCR с ранним объединением изображений и текста в одном Transformer без отдельного визуального энкодера и принимает изображения документов для извлечения текста. Модель предназначена для распознавания печатного и рукописного текста на сканах и фотографиях, а также для извлечения таблиц, формул, заголовков, подписей и других элементов документов. Для страниц со сложной структурой доступен двухэтапный сценарий: PP-DocLayoutV3 выделяет области, после чего GRM-OCR распознаёт содержимое каждого фрагмента. Модель рассчитана на локальный запуск, периферийные устройства и высокопроизводительную обработку; заявлена совместимость с vLLM. Репозиторий выпущен по лицензии Apache 2.0. README описывает OCR для разных типов документов, однако не приводит перечень поддерживаемых языков или измерения качества; результаты могут зависеть от качества изображения и сложности макета.

Marco-Mini-Instruct — мультиязычная языковая модель с настройкой на выполнение инструкций от Alibaba International Digital Commerce, принадлежащая к семейству Marco-MoE. Это декодерный Transformer с разреженными слоями Mixture-of-Experts, созданный на основе Qwen3-0.6B-Base методом upcycling и затем дообученный на инструкциях и методом on-policy distillation. Всего модель содержит 17,3 млрд параметров, но активирует около 0,86 млрд на токен; метаданные Hugging Face указывают 507,9 млн параметров. Эти оценки размера расходятся, поэтому их следует трактовать с учётом источника. Модель предназначена для диалогов, следования инструкциям, ответов на общие и специализированные вопросы, рассуждений, структурированного вывода и перевода. Она поддерживает 29 языков, включая русский, английский и китайский, и имеет контекст длиной 32 768 токенов. В карточке приведены результаты сравнительных тестов, где модель показывает сильные результаты на англоязычных и мультиязычных бенчмарках; они не гарантируют качество для каждого языка или прикладной задачи. Для развёртывания README рекомендует vLLM; для SGLang требуется специальная сборка из-за ограничений поддержки MoE с tied embeddings. Лицензия — Apache-2.0.

PearsonKyle/Qwen3.8-27B-GPTQ-W4A16 — это квантованная версия мультимодальной модели Qwen/Qwen3.8-27B, разработанной командой Qwen и опубликованной PearsonKyle. Модель предназначена для генерации и понимания текста, работы с изображениями, агентных сценариев, вызова инструментов и function calling. Она ориентирована прежде всего на запуск через vLLM. Модель содержит около 27 млрд параметров и использует квантование GPTQ в формате compressed-tensors W4A16: основная часть весов представлена в int4 с группами размера 128 и симметричным квантованием. Размер загрузки составляет около 18,1 GiB. Калибровка выполнена на 4,26 млн токенов агентных сессий программирования при контексте 32 768 токенов. В состав также входят MTP-голова для speculative decoding и vision tower, сохранённый в bf16; заявлена скорость декодирования до 1,71 раза выше при принятии 71,2% черновых токенов. К сильным сторонам относятся поддержка текста и изображений, tool calling, интеграция с vLLM без конвертации, а также возможность speculative decoding. Ограничения связаны с потерями и особенностями 4-битного квантования: embed_tokens и lm_head оставлены в bf16, поэтому итоговый размер и средняя точность отличаются от полностью 4-битной модели; для работы требуется совместимая версия vLLM и соответствующая аппаратная память. В карточке указан английский язык, поэтому поддержка других языков не подтверждена. Модель распространяется по лицензии Apache-2.0.

Llama-3.2-1B-Instruct-GGUF — квантизированная GGUF-версия 1B-инструкционной модели семейства Llama 3.2, разработанного Meta и опубликованная Unsloth. Это авторегрессионная языковая модель на основе оптимизированной архитектуры Transformer с Grouped-Query Attention (GQA). Модель работает в текстовом формате и предназначена для диалоговых сценариев, включая агентский поиск с извлечением данных и суммаризацию. Доступны варианты с разной точностью квантования: 16, 8, 6, 5, 4, 3 и 2 бита, что позволяет выбирать компромисс между качеством, размером и требованиями к памяти. Официально поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки; модель также обучалась на более широком наборе языков, но качество для них может различаться. Инструкционная версия обучалась с использованием supervised fine-tuning (SFT) и reinforcement learning from human feedback (RLHF) для повышения полезности и безопасности. Ограничения включают меньший размер по сравнению с более крупными моделями семейства, возможное снижение качества при сильном квантовании и отсутствие гарантии высокого качества для языков, не входящих в официальный список. Использование регулируется Llama 3.2 Community License — специальной коммерческой лицензией Meta.

Карточка модели Abu-Dju/Marco-Mini-Instruct на Hugging Face совпадает с карточкой ATH-MaaS/Marco-Mini-Instruct, поэтому описание составлено по ней. Marco-Mini-Instruct — мультиязычная языковая модель с настройкой на выполнение инструкций от Alibaba International Digital Commerce, принадлежащая к семейству Marco-MoE. Это декодерный Transformer с разреженными слоями Mixture-of-Experts, созданный на основе Qwen3-0.6B-Base методом upcycling и затем дообученный на инструкциях и методом on-policy distillation. Всего модель содержит 17,3 млрд параметров, но активирует около 0,86 млрд на токен; метаданные Hugging Face указывают 507,9 млн параметров. Эти оценки размера расходятся, поэтому их следует трактовать с учётом источника. Модель предназначена для диалогов, следования инструкциям, ответов на общие и специализированные вопросы, рассуждений, структурированного вывода и перевода. Она поддерживает 29 языков, включая русский, английский и китайский, и имеет контекст длиной 32 768 токенов. В карточке приведены результаты сравнительных тестов, где модель показывает сильные результаты на англоязычных и мультиязычных бенчмарках; они не гарантируют качество для каждого языка или прикладной задачи. Для развёртывания README рекомендует vLLM; для SGLang требуется специальная сборка из-за ограничений поддержки MoE с tied embeddings. Лицензия — Apache-2.0.

PathummaLLM-text-1.0.0-7B — мультиязычная текстовая большая языковая модель, разработанная командой NECTEC и дообученная на базе nectec/OpenThaiLLM-Prebuilt-7B. Модель рассчитана на выполнение инструкций и поддерживает тайский, китайский и английский языки. Модель предназначена для генерации текста, диалоговых ассистентов, задач Retrieval-Augmented Generation (RAG), управляемой генерации и рассуждений. В README также указана применимость к сценариям в химии, биологии, финансах, праве, программировании и медицине. Архитектурные детали, кроме принадлежности к семейству Qwen2 и поддержки загрузки через Transformers, не раскрыты; заявлен размер около 7 миллиардов параметров. Для GGUF-применения приведён контекст 8192 токена, однако это значение может относиться к конкретному примеру запуска. Среди сильных сторон заявлены конкурентоспособные результаты по сравнению с Openthaigpt1.5-7b-instruct и оптимизация для прикладных сценариев. Ограничения включают отсутствие подробных сведений о составе и методике подготовки датасета, точных характеристиках архитектуры и гарантированной эффективности в отдельных прикладных областях. Модель распространяется по лицензии Apache-2.0.

Arlo Extract 1.0 — модель NoaberAI для извлечения конкретных значений из текста по вопросу. Она дообучена на многоязычной основе microsoft/mdeberta-v3-base и использует архитектуру DeBERTa V2 с головой extractive question answering: модель выбирает начальную и конечную позиции ответа в исходном тексте, а не генерирует его заново. Размер по метаданным — 306 млн параметров, длина контекста — 512 токенов. Модель предназначена для извлечения дат, сумм, характеристик, мест и имён из документов и свободного текста. Она возвращает найденный фрагмент вместе с оценкой уверенности и может сообщить, что ответ отсутствует. Основной язык обучения — нидерландский; многоязычная основа позволяет применять её и к текстам на других языках, хотя README отмечает обучение именно на нидерландских данных. Лицензия — MIT.

Карточка модели shtilev/medical_embedded_v4 на Hugging Face совпадает с карточкой onelevelstudio/MPNET-0.3B, поэтому описание составлено по ней. onelevelstudio/MPNET-0.3B — многоязычная модель эмбеддингов предложений, основанная на архитектуре XLM-RoBERTa и библиотеке Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. В README указана модель sentence-transformers/paraphrase-multilingual-mpnet-base-v2 как описание и источник сведений о назначении; разработчиком базовой модели названа команда Sentence-Transformers. Модель содержит 305,2 млн параметров и принимает текстовые фрагменты с контекстом до 514 токенов. Доступны веса и реализации в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Поддерживаются многие языки, в том числе русский и английский. Лицензия — Apache-2.0. Подходит для семантического поиска, оценки сходства текстов и кластеризации предложений и абзацев. Как и другие модели эмбеддингов, она выдаёт векторы, а не готовые ответы или разметку; качество зависит от языка и предметной области, а предел контекста ограничивает длину обрабатываемого фрагмента.

Ttimms/Spark-X2.5-4B-NVFP4 — это квантизированная 4-битная версия языковой модели XHToken/Spark-X2.5-4B, подготовленная Ttimms. Модель предназначена для генерации текста и кода, агентских сценариев и задач с длинным контекстом; заявленная поддержка языков — английский и китайский. Она совместима с Transformers и рассчитана на запуск через vLLM с внешним плагином Spark2_5, преимущественно на GPU NVIDIA Blackwell. Модель содержит около 4,1 млрд параметров и использует архитектуру Spark2_5ForCausalLM с гибридным вниманием, сочетающим скользящее и полное внимание, а также поэлементным выходным затвором внимания. Контекстное окно достигает 1 млн токенов. Применена квантизация весов NVFP4 W4A16 методом GPTQ с активациями bf16; отдельные компоненты сохранены в bf16. Размер модели на диске составляет около 2,7 ГиБ против 7,7 ГиБ у базовой bf16-версии, что снижает требования к памяти, но на SM120 выигрыш относится главным образом к занимаемому объёму, а не к скорости вычислений. По представленным оценкам, относительно базовой bf16-модели качество снизилось примерно на 4,3 процентного пункта в HumanEval-instruct и на 2,0 пункта в MBPP. GPTQ заметно сохраняет качество лучше, чем округление RTN, однако для максимального сохранения исходных характеристик рекомендуется FP8-версия базовой модели. Для запуска требуются vLLM, внешний плагин Spark2_5 и параметр trust_remote_code; заявлена поддержка tool calling. Модель распространяется по лицензии Apache-2.0.

chowder-embed — модель Sentence Transformers, дообученная на корпусе chowder на базе sentence-transformers/allenai-specter. Она преобразует предложения и абзацы в плотные векторы размерности 768; архитектура состоит из BERT и CLS-пулинга. Модель принимает текст на английском языке, поддерживает последовательности длиной до 512 токенов, а близость векторов можно оценивать косинусным сходством. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации. В карточке приведены результаты оценки на наборах NanoSCIDOCS, NanoSciFact, NanoNFCorpus, chowder-val и NanoBEIR. Обучающий набор содержит 70 764 пары anchor-positive. Лицензия в предоставленных данных не указана.

dealignai выпустила Spark-X2.5-4B-CRACK-JANG_8M — дообученную текстовую модель семейства Spark 2.5 на базе XHToken/Spark-X2.5-4B, подготовленную для запуска через MLX на компьютерах Apple Silicon. Это плотная причинная языковая модель примерно на 3,8 млрд параметров; репозиторий содержит JANG8M-сборку с 8-битным аффинным представлением весов и масштабами bf16. В README заявлены контекст до 131 тыс. токенов, двуязычная работа на английском и китайском, режим рассуждения, который можно включать и выключать, и вызов инструментов через XML-интерфейс. В метаданных каталога для семейства указано окно до 1 048 576 токенов, поэтому фактический предел этой сборки требует проверки в используемом движке. Модель рассчитана на диалог, генерацию текста и кода, рассуждения и агентные сценарии с вызовом инструментов. Разработчик сообщает об удалении отказов на уровне весов и приводит результаты MMLU и HarmBench; эти результаты относятся к тестам автора и не гарантируют аналогичное качество в других условиях. Из-за отсутствия защитных отказов модель может выдавать опасные ответы. Для работы требуется совместимый стек MLX/vMLX на Apple Silicon. Лицензия — Apache-2.0; README также описывает выпуск как предназначенный для исследований безопасности ИИ и авторизованного тестирования.

swardiantara/bert-tiny-yelp-k1-adaptive-cosine — компактная модель Sentence Transformers, дообученная автором на основе google/bert_uncased_L-2_H-128_A-2. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 128 и использует косинусное сходство; модель предназначена для семантического поиска, извлечения текстов и сравнения предложений. В архитектуре применяются BERT и mean pooling. Модель обучена на 585 010 примерах с парными текстами и метками; базовая BERT имеет 4,4 млн параметров. Метаданные указывают контекст до 512 токенов, а README — максимальную длину последовательности 128 токенов; для непосредственного применения следует учитывать ограничение README. Поддерживается английский язык. Формат весов — safetensors; лицензия в предоставленных данных не указана.

Hiro-MOSS-OCR-0.3B — компактная мультимодальная модель OCR от PatSnap, обученная с нуля на более чем 50 млн примеров для распознавания содержимого документов по отдельным областям изображения. Она преобразует изображения в структурированную разметку: формулы записывает в LaTeX, таблицы — в HTML, основной текст — в Markdown. Модель насчитывает около 320,8 млн параметров и использует визуальный энкодер NaViT с 2D RoPE и коннектор SwiGLU с объединением патчей; поддерживает изображения произвольного разрешения. Модель предназначена для извлечения текста, распознавания формул и восстановления таблиц в документах на японском, китайском и английском языках. Её можно применять для оцифровки документов, обработки научных материалов и преобразования табличных или математических фрагментов в пригодную для дальнейшей обработки разметку. Для ускоренного локального запуска и обслуживания предусмотрены CUDA Graph и vLLM; быстрый путь через Transformers указан как более медленный и подходящий для пробных запусков и небольших одиночных изображений. Веса опубликованы в форматах FP32 и BF16, лицензия — Apache-2.0. README приводит сравнительные результаты на OmniDocBench и внутреннем патентном тесте, но доступные данные не дают оснований обобщать их на все документы и условия съёмки.

Solomennikova/labse_funetuned_hoff — дообученная модель Sentence Transformers на базе cointegrated/LaBSE-en-ru. Она кодирует предложения и абзацы в плотные векторы размерности 768 и предназначена для оценки семантического сходства и поиска текстов по смыслу. Также её можно применять для поиска перефразировок, кластеризации и классификации текстов. Модель использует архитектуру BERT, функцию косинусного сходства и принимает последовательности длиной до 512 токенов. Она обучена на 86 732 парах текстов; примеры в карточке включают короткие русские поисковые запросы и описания товаров. Это позволяет использовать её для семантического поиска по каталогу товаров, хотя карточка не приводит результатов оценки качества. Библиотека модели — Sentence Transformers, веса представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Qwen3.8-27B-Uncensored-GPTQ-Int4-sym-G128-MTP-BF16 — это квантизированная версия модели JonathanColetti/Qwen3.8-27B-Uncensored, созданная на базе Qwen/Qwen3.8-27B. Модель предназначена для генерации текста, включая программирование, работу с прозой и вызов инструментов. Она разработана для эффективного запуска на видеоускорителях Intel Arc через vLLM XPU и поддерживает speculative decoding благодаря сохранённой в формате BF16 MTP-голове. Модель использует GPTQ-квантизацию до 4 бит с симметричными группами размера 128; 400 тензоров весов представлены в целочисленном формате I32, а 15 MTP-тензоров сохранены в BF16. Размер репозитория составляет около 19 ГБ. Заявлены языки English и Chinese. Архитектура основана на гибридной GDN/Mamba-конфигурации Qwen3.8, максимальный проверенный контекст — 120 532 токена, при заявленном лимите до 131 072 токенов. Сильные стороны модели — существенно меньшие требования к памяти по сравнению с BF16-версией, поддержка Intel Arc/XPU, длинного контекста, MTP и высокая измеренная скорость генерации на Intel Arc Pro B70: до 68,5 токена в секунду для кода и 52,4 токена в секунду для прозы. Ограничения включают отсутствие формальных оценок качества, калибровку без примеров кода, необходимость специальных патчей vLLM и режима с одной последовательностью при использовании MTP. Префиксное кэширование не даёт выигрыша, а FP8 KV-кэш обязателен для контекста 128K на GPU с 32 ГБ памяти. Поведение «uncensored» унаследовано от исходной модели и не проходило количественной проверки. Указана лицензия Apache-2.0.

Карточка модели soulfree89/e5-small-ko-v2-fix на Hugging Face совпадает с карточкой dragonkue/multilingual-e5-small-ko-v2, поэтому описание составлено по ней. dragonkue/multilingual-e5-small-ko-v2 — модель Sentence Transformer на архитектуре BERT, дообученная на основе intfloat/multilingual-e5-small и объединённая методом Model Soup с dragonkue/multilingual-e5-small. Она предназначена прежде всего для поиска документов по запросу на корейском языке и других задач семантического поиска. Модель преобразует предложения и абзацы в плотные векторы размерности 384; для сравнения используется косинусное сходство. Максимальная длина входа — 512 токенов, после чего длинный текст обрезается. Модель подходит для семантического поиска, сравнения предложений, поиска перефразировок, кластеризации и классификации текста. В карточке указана поддержка корейского и английского языков; обучение и оценка ориентированы на корейские retrieval-задачи, включая поиск в документах из медицинской, финансовой, правовой и других областей. Компактный размер упрощает использование в лёгких приложениях; для повышения качества поиска автор рекомендует сочетать её с реранкером. Указанная лицензия — Apache-2.0.

pierreguillou дообучил LayoutXLM Base от Microsoft на наборе DocLayNet для распознавания структуры документов на уровне абзацев. Модель LayoutLMv2 содержит 305,2 млн параметров и принимает текстовые токены вместе с расположением элементов на странице; для обработки использовались фрагменты до 512 токенов с перекрытием 128 токенов. На выходе она присваивает абзацам метки одного из 11 типов: заголовок, текст, список, таблица, иллюстрация, формула, подпись, сноска, верхний или нижний колонтитул и название документа. Модель предназначена для анализа PDF и других документов: она помогает выделять структуру страниц и подготавливать содержимое для поиска, извлечения данных и дальнейшей обработки. В README указаны F1 0,7739 и точность на уровне абзацев 86,55%; качество различается по классам, например, для нижних колонтитулов оно высокое, а для сносок и названий заметно ниже. В метаданных заявлены английский, немецкий, французский и японский языки. Лицензия — MIT.