I.11Классификация, ранжирование и сопоставление

DistilCamemBERT-NER — модель распознавания именованных сущностей на французском языке, разработанная на базе cmarkea/distilcamembert-base и дообученная для классификации токенов. Она выделяет в тексте имена людей, географические названия, организации и сущности категории MISC, например названия книг и фильмов. Для обучения использован датасет wikiner_fr примерно из 170 тысяч размеченных предложений. Модель содержит 81,2 млн параметров и имеет контекст длиной до 514 токенов. В опубликованной оценке общий F1 составил 98,18%; авторы также сообщают об уменьшении времени инференса примерно вдвое по сравнению с CamemBERT при сопоставимом энергопотреблении. В тесте на процессоре AMD Ryzen 5 4500U указано среднее время 43,44 мс; результаты зависят от оборудования и способа запуска. Модель подходит для извлечения сущностей из французских текстов, например при индексации документов и подготовке данных для последующего анализа. Она рассчитана на французский язык и конкретные категории разметки, поэтому результаты на других языках и для иных типов сущностей не подтверждены. Лицензия — MIT.

Elva-Phi3-3.8B — мультимодальная модель семейства LLaVA-Phi, представленная в работе «On Efficient Language and Vision Assistants for Visually-Situated Natural Language Understanding: What Matters in Reading and Reasoning». Она предназначена для диалогового понимания изображений, включая чтение текста на изображениях и рассуждения по визуально представленным данным. Модель содержит 3,7 млрд параметров, использует плотную архитектуру LlavaPhiForCausalLM и принимает контекст длиной до 4096 токенов. Репозиторий содержит веса в формате safetensors. Лицензия в доступных данных не указана.

Falcon3-7B-Instruct-abliterated-GGUF — это GGUF-квантизированная версия инструкционной модели Falcon3-7B-Instruct-abliterated, подготовленная пользователем bartowski на основе модели huihui-ai. Квантизация выполнена с использованием llama.cpp и метода imatrix; доступны варианты от F16 до низкобитных Q3 и IQ3/IQ4. Модель предназначена для локального запуска и генерации текста, в том числе через LM Studio и другие совместимые приложения на базе llama.cpp. Модель относится к классу примерно 7-миллиардных языковых моделей и работает в текстовой модальности. В README заявлена поддержка английского, французского, испанского и португальского языков. Для диалогов используется формат с ролями system, user и assistant. Варианты Q6 и выше ориентированы на высокое качество, Q4 предлагают компромисс между качеством и требованиями к памяти, а Q3 предназначены для систем с ограниченным объёмом RAM. F16-файл занимает около 14,92 ГБ, наиболее компактные варианты — около 3,4–4,3 ГБ. К сильным сторонам относятся широкий выбор уровней квантизации, возможность локального запуска и сохранение высокого качества у вариантов Q5–Q8. Ограничения включают возможное снижение качества на низких уровнях квантизации; сведения об архитектуре, размере контекстного окна, производительности и мультимодальных возможностях в README не указаны. Модель распространяется по лицензии Falcon LLM License; для условий использования следует обратиться к официальной странице лицензии.

GALACTICA 120B — авторегрессионная языковая модель на основе decoder-only Transformer из семейства OPT, разработанная командой Papers with Code в Meta AI и размещённая на Hugging Face Мануэлем Ромеро. Модель содержит 161,6 млрд параметров и обучена на 106 млрд токенов научных текстов и данных: статей, учебников, энциклопедий, научных сайтов и баз знаний. Контекст — 2048 токенов. Модель предназначена для научных задач: ответов на вопросы, математических рассуждений, суммаризации и генерации документов, предсказания цитирований, извлечения сущностей и оценки свойств молекул. Она также может применяться в научных инструментах для поиска и работы с литературой. Обучение на крупном научном корпусе помогает выполнять задачи, требующие научных знаний, но модель может галлюцинировать, в том числе при генерации цитат, и проявлять смещения. Для применения в производстве нужны меры предосторожности и проверка результатов. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

QuantFactory/gemma-2-baku-2b-it-GGUF — квантованная версия инструкционной языковой модели rinna/gemma-2-baku-2b-it, подготовленная QuantFactory с использованием llama.cpp. Исходную модель разработала команда rinna: Xinqi Chen, Toshiaki Wakatsuki и Kei Sawada. Модель предназначена для генерации текста и диалогового взаимодействия с выполнением инструкций, прежде всего на японском и английском языках. Модель основана на Gemma 2 Baku 2B и имеет архитектуру трансформера с 26 слоями и размером скрытого представления 2304; заявленный масштаб — около 2 миллиардов параметров. Инструкционные способности получены посредством слияния с Gemma 2 2B Instruct методом Chat Vector, а затем дополнительной оптимизации предпочтений ORPO на части внутреннего датасета rinna. Используется оригинальный токенизатор google/gemma-2-2b-it и формат чата Gemma 2. README не указывает размер контекста и конкретный тип или уровень квантования GGUF. К сильным сторонам относятся небольшой размер, поддержка японского языка и адаптация к диалоговым сценариям и следованию инструкциям. Ограничения включают отсутствие подробных результатов бенчмарков в карточке, неизвестные характеристики квантования и неуказанные ограничения качества по сравнению с более крупными моделями. Для исходной модели указана лицензия Gemma Terms of Use; отдельные условия для квантованного файла в README не приведены.

unsloth/gemma-3-270m-it — компактная текстовая инструкционная модель из семейства Gemma 3, опубликованная Unsloth на основе google/gemma-3-270m-it. Это плотная авторегрессионная модель с 257 млн параметров, предназначенная для диалогов и генерации текста: она может отвечать на вопросы, создавать черновики и кратко пересказывать материалы. В карточке базового семейства описаны также мультимодальные возможности Gemma 3, однако этот репозиторий обозначен как текстовая модель и поддерживает задачу text-generation. Модель работает с библиотекой Transformers, использует формат safetensors и имеет контекст до 32 768 токенов. В README указана лицензия Gemma; применение регулируется её условиями. Возможности небольшого чекпойнта могут быть ограничены сложными задачами и нюансами языка, а ответы могут содержать фактические ошибки или отражать смещения обучающих данных.

OBLITERATUS/gemma-4-E4B-it-OBLITERATED — модифицированная версия Google Gemma 4 E4B Instruct, созданная проектом OBLITERATUS. Модель предназначена для генерации текста и диалогового использования, а также может поддерживать работу с изображениями и аудио при применении специального vision/audio-проектора. Доступны форматы GGUF для llama.cpp, Ollama, LM Studio и других совместимых инструментов, а также веса Safetensors для Transformers. Модель содержит около 4 млрд параметров и основана на архитектуре Gemma 4. В версии v3 сохранены все 720 тензоров, исправлена проблема с общими K/V-весами в слоях 24–41, а модификации затронули 21 из 42 слоёв. Основное изменение — удаление поведения, связанного с отказами и защитными ограничениями, с заявленной частотой жёстких отказов 0%. При этом модель сохраняет ограничения исходной компактной модели: возможны отклонение от темы, повторяющиеся или вырожденные ответы, а также редкие ответы на другом языке. Для снижения повторов рекомендуется использовать repeat_penalty 1.1 и системный промпт на английском языке. Для запуска требуются актуальные версии совместимых инструментов: например, Ollama 0.20+, llama.cpp начиная со сборки b8665, а для LM Studio, koboldcpp и text-generation-webui — свежие версии с поддержкой архитектуры gemma4. Контекстное окно, точный список поддерживаемых языков и другие характеристики в README не указаны. Лицензия — Apache 2.0.

GLM-5.2-MLX-mixed-3_6bit — это MLX-конверсия и смешанно-квантованная версия модели GLM-5.2, разработанная PipeNetwork на базе zai-org/GLM-5.2. Модель предназначена для генерации текста и запуска локально на устройствах Apple Silicon с использованием библиотеки mlx-lm. Архитектура модели — glm_moe_dsa: разреженная MoE-модель с 256 экспертами и механизмом sparse attention в стиле DeepSeek-V3.2. Вариант использует смешанную квантование: экспертные слои представлены в 3-битном формате, остальные параметры — в 6-битном. Размер файлов составляет около 360 ГБ, модель рассчитана на запуск в системах с 512 ГБ оперативной памяти. Другие характеристики, включая число параметров, поддерживаемые языки, модальности и размер контекста, в README не указаны. Сильная сторона модели — существенно сниженные требования к памяти по сравнению с однородными 4-, 5-, 6- и 8-битными вариантами при сохранении совместимости с MLX. Репозиторий включает исправленный runtime для корректной работы разреженного индексатора на длинных контекстах; для загрузки требуется параметр --trust-remote-code. Ограничения — крайне большой объём модели, привязка к Apple Silicon и необходимость специального runtime. Модель распространяется по лицензии MIT, унаследованной от базовой модели.

DevQuasar/google.gemma-4-12B-it-GGUF — квантованная версия Gemma 4 12B Instruct, подготовленная DevQuasar в формате GGUF на основе Google Gemma 4. Это диалоговая мультимодальная модель с архитектурой gemma4 и примерно 12 млрд параметров; карточка указывает поддержку анализа изображений и ответов на текстовые запросы. Репозиторий предлагает варианты квантования от 2 до 8 бит, включая Q4_K_M. Модель предназначена для локального диалога, генерации текста и ответов по изображениям; карточка показывает использование через llama.cpp и другие локальные инструменты. Языковые возможности и длина контекста в доступных источниках не подтверждены. Репозиторий описывает модель как квантованную версию Google Gemma 4 12B Instruct; лицензионные условия следует проверять в карточке базовой модели Google.

GrayLine-Qwen3-14B-i1-GGUF — это набор взвешенных imatrix-квантизаций в формате GGUF базовой модели GrayLine-Qwen3-14B, разработанной soob3123 и квантизированной mradermacher. Модель основана на Qwen3 с заявленным размером 14 миллиардов параметров. В README указаны английский язык и библиотека Transformers, однако сведения о точной архитектуре, размере контекста и поддерживаемых модальностях отсутствуют. Модель предназначена для генерации текста, прямых ответов, информационного поиска и работы с общими знаниями. В метаданных она также описана как uncensored, unfiltered и amoral-ai, поэтому её поведение может быть менее ограниченным стандартными защитными настройками. Доступны варианты квантизации от IQ1 и Q2 до Q6, размером примерно от 3,7 до 12,2 ГБ; README рекомендует i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Более низкие уровни квантизации могут заметно снижать качество. Лицензия модели указана как Apache-2.0. Ограничения включают возможную потерю качества из-за квантизации, особенно у малых вариантов, а также отсутствие в README подробных результатов оценки, описания обучающих процедур базовой модели и гарантий точности ответов.

Hotal1.0 — языковая чат-модель, созданная yomogi91 с помощью mergekit методом SLERP. Она объединяет Qwen/Qwen2.5-3B-Instruct и jaeyong2/Qwen2.5-3B-Instruct-Ja-SFT, поэтому предназначена для диалогов и генерации текста по инструкциям, в том числе на японском языке. Модель имеет плотную архитектуру Qwen2ForCausalLM, около 3,1 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors; в README указано, что результат сохранён в bfloat16. Лицензия в предоставленных данных не указана.

Ice0.32-10.11-RP — текстовая генеративная модель на архитектуре Mistral, созданная с помощью mergekit объединением предварительно обученных моделей методом SLERP. В README указаны Ice0.31-08.11-RP и Ice0.15-06.11-RP-orpo; каталожные метаданные также отмечают Ice0.31-08.11-RP как базовую модель. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового общения. Она может применяться для ответов на вопросы, ведения беседы и составления текстов на основе пользовательского запроса. README не сообщает целевые языки или специализированные области применения. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. В карточке нет результатов оценки качества или подробных сведений об ограничениях ответов; поведение унаследовано от объединённых моделей.

ICE-GRT — диалоговая языковая модель, разработанная как исследовательский проект на основе Vicuna-13B. Модель дообучена с помощью обучения с подкреплением на основе обратной связи людей (RLHF); в метаданных указана архитектура Llama с 12,9 млрд параметров и контекстом до 4096 токенов. Модель предназначена для генерации ответов на инструкции и многоходового диалога. В карточке приведены примеры генерации рекламных текстов, стихов и кода, преобразования текста в таблицу, ответов по химии и присвоения текстам меток тональности. Для повышения качества авторы рекомендуют использовать формат промпта с инструкцией и разделителями USER/ASSISTANT. Карточка описывает применение в исследованиях и экспериментах с языковыми моделями и чат-ботами. Модель унаследовала лицензию Vicuna-13B; использование строго ограничено некоммерческими, не приносящими дохода и исследовательскими целями. Примеры в карточке не содержат результатов оценки качества, поэтому фактическую точность ответов следует проверять.

Imp-v1.5-4B-Phi3 — компактная мультимодальная языковая модель проекта Imp, построенная на Phi-3 и визуальном энкодере SigLIP. По метаданным модель содержит 3,7 млрд параметров; в README указаны примерно 4 млрд параметров, включая Phi-3 (3,8 млрд) и SigLIP (0,4 млрд). Для обучения использовался смешанный набор данных объёмом 1 млн примеров; метаданные также указывают датасеты LLaVA-Pretrain и LLaVA-Instruct-150K. Модель предназначена для диалога по изображениям и задач визуальных вопросов и ответов. README сообщает об оценке на VQAv2, GQA, ScienceQA, TextVQA, POPE и других мультимодальных бенчмарках. Метаданные указывают контекст 4096 токенов, поддержку чата и формат весов safetensors. Модель принимает текст и изображения и генерирует текст. Модель выпущена под лицензией Apache-2.0. README описывает её как лёгкую модель и приводит результаты бенчмарков, но подробный технический отчёт и код обучения на момент публикации обещаны к выпуску позднее.

syafiqfaray/indobert-model-ner — дообученная модель BERT для распознавания именованных сущностей с помощью классификации токенов. Она создана на основе indolem/indobert-base-uncased и содержит 137,8 млн параметров. Модель принимает текст, использует контекст до 512 токенов и возвращает метки для токенов. В карточке приведены результаты оценки: F1 0,838, точность 0,8307, полнота 0,8454 и accuracy 0,953. Датасет и набор классов сущностей не описаны, поэтому пригодность для конкретной предметной области и языка, помимо ориентации базовой модели на индонезийский, по карточке определить нельзя. Распространяется по лицензии MIT.

InternVL3-2B-Instruct — мультимодальная модель с открытыми весами от OpenGVLab, версия supervised fine-tuning семейства InternVL3 без этапа MPO. Она построена по схеме ViT-MLP-LLM: использует визуальный энкодер InternViT-300M-448px-V2_5, MLP-проектор и языковую часть на базе Qwen2.5-1.5B. Модель принимает текст и изображения, включая несколько изображений в одном запросе, и предназначена для диалога и ответов на вопросы по визуальному содержимому. Сценарии применения включают понимание изображений и видео, мультимодальные рассуждения, работу с научными диаграммами, GUI и 3D-сценами, а также использование инструментов. Динамическое разбиение изображений на тайлы 448×448 и Variable Visual Position Encoding помогают обрабатывать изображения разного размера и длинные мультимодальные последовательности. Карточка заявляет многоязычную поддержку; точный список языков и размер контекста не приведены. Модель распространяется по лицензии Apache-2.0. Это SFT-версия без MPO; README рекомендует обычную версию InternVL3-2B тем, кто не уверен, какую выбрать. Как и другие мультимодальные модели, качество ответов зависит от изображения, запроса и выбранного контекста; обработка нескольких изображений увеличивает число входных токенов.

Irixxed-Magcap-12B-Slerp — разговорная языковая модель, созданная Nitral-AI слиянием методом SLERP моделей DreadPoor/Irix-12B-Model_Stock и Nitral-AI/Violet_Magcap-12B. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM и 12,1 млрд параметров; для генерации текста она использует библиотеку Transformers и формат весов safetensors. Модель предназначена для диалогов и генерации ответов с акцентом на рассуждения. В README указаны формат общения ChatML, пресеты для SillyTavern, блок рассуждений и быстрые ответы. Заявленная длина контекста — 1 024 000 токенов. Веса доступны также в вариантах GGUF Q8_0, Q5_K_M, Q4_K_M и ExL2 4bpw. Качество и поведение могут зависеть от шаблона диалога, пресета и выбранного варианта весов; README не приводит результаты оценки или подробное описание ограничений. Лицензия в предоставленных данных не указана.

Jais Adapted 7B — двуязычная языковая модель семейства Jais, разработанная Inception Institute of Artificial Intelligence и адаптированная на основе Meta Llama 2 7B. Это базовая модель с причинной архитектурой Decoder, предназначенная для генерации текста на арабском и английском языках. Семейство ориентировано на задачи арабской обработки естественного языка и приложения для арабоязычных и двуязычных пользователей. Модель подходит для генерации и понимания текста, суммаризации арабско-английских документов и дальнейшей адаптации под прикладные задачи. Карточка указывает на необходимость загрузки с пользовательским классом модели и параметром trust_remote_code=True. Модель распространяется по лицензии Apache 2.0. Ограничения включают возможные ошибки, предвзятость и оскорбительные или вводящие в заблуждение ответы. Её не следует считать равноэффективной на других языках и диалектах или применять для высокорисковых решений без участия человека; карточка также предостерегает от обработки персональных и конфиденциальных данных.

koOpenChat-sft-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, полученная объединением mistralai/Mistral-7B-Instruct-v0.2 и maywell/koOpenChat-sft методом SLERP. Она основана на плотной архитектуре Mistral и содержит 7,1 млрд параметров; репозиторий предоставляет веса в формате Safetensors. Модель предназначена для генерации текста и диалоговых ответов на инструкции, с контекстом до 32 768 токенов. Модель подходит для чат-ботов, ответов на вопросы и других сценариев общения на естественном языке. Метаданные не подтверждают специализированные предметные области или перечень поддерживаемых языков. Лицензия — Apache-2.0.

Laguna-XS-2.1-4bit — это 4-битная квантованная версия модели poolside/Laguna-XS-2.1, преобразованная сообществом mlx-community в формат MLX. Модель предназначена для генерации текста и локального запуска на устройствах Apple Silicon; в метаданных указана архитектура Laguna. Размер исходной модели и число параметров не приведены, язык модели и размер контекстного окна также не указаны. Ключевая характеристика этой версии — квантование до 4 бит с group size 64 и эффективной плотностью 4,503 бита на вес. Размер файлов составляет около 18 ГБ. Модель совместима с mlx-vlm и oMLX при принудительном включении режима VLM, однако mlx-lm пока не поддерживает архитектуру Laguna. В README отмечается редкое появление пустого тега </think> в начале ответа, не влияющее на работу модели. По приведённым измерениям на MacBook Pro с M5 Max, 128 ГБ памяти и 40-ядерным GPU скорость генерации составляет от 126,0 токена в секунду для запроса с контекстом 1 тыс. токенов до 91,3 токена в секунду для 32 тыс. токенов; пиковое потребление памяти — от 18,2 до 19,8 ГБ. Эти показатели зависят от оборудования и относятся к одиночным запросам с генерацией 128 токенов. Модель распространяется по лицензии OpenMDW-1.1, унаследованной от базовой модели.

LaMini-Flan-T5-248M — модель серии LaMini-LM, разработанной MBZUAI. Это дообученная на 2,58 млн примеров инструкций модель google/flan-t5-base с архитектурой T5 и примерно 123,8 млн параметров. Она предназначена для выполнения инструкций на естественном языке и генерации текстовых ответов; пример в карточке показывает запрос с просьбой оценить место для посещения. Модель работает с текстом и имеет контекстное окно 512 токенов. В карточке описаны автоматическая оценка на задачах NLP и человеческая оценка ответов на пользовательские инструкции. Использование ограничено условиями лицензии CC BY-NC 4.0, которая не допускает коммерческое использование.

Creekside/lfm-230-CoT — компактная языковая модель семейства LFM2, разработанная Creekside и дообученная на Creekside/lfm-230-cpt-logic-v1. Модель предназначена для генерации текста и диалогового использования; в метаданных также отмечен интерфейс вызова инструментов. Обучение выполнялось с использованием Unsloth и библиотеки TRL. Модель имеет плотную архитектуру Lfm2ForCausalLM и 221,2 млн параметров, поддерживает контекст до 128 000 токенов и опубликована в формате safetensors. В карточке указан английский язык. Модель распространяется по лицензии Apache-2.0.

LFM2.5-350M-MLX-4bit — компактная мультиязычная языковая модель, разработанная Liquid AI. Это экспорт модели LFM2.5-350M в формате MLX, предназначенный для эффективного запуска на устройствах с Apple Silicon. Модель относится к задачам генерации текста и может использоваться для локального вывода, ответов на текстовые запросы и других сценариев, где важны небольшой размер и низкие требования к памяти. Модель содержит 350 млн параметров, использует 4-битную точность с размером группы 64 и занимает около 212 МБ. Она построена на гибридной архитектуре Liquid AI, объединяющей свёрточные и attention-слои для эффективной обработки длинного контекста; заявленная длина контекста составляет 128K токенов. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. К сильным сторонам относятся компактность, экономичное использование памяти, поддержка нескольких языков и оптимизация для Apple Silicon через MLX. Ограничения связаны с небольшим размером модели и 4-битным квантованием: по качеству и универсальности она может уступать более крупным моделям, а её целевая среда запуска — устройства Apple Silicon. Модель распространяется по лицензии LFM 1.0.

Карточка модели Yukang/Llama-2-13b-chat-longlora-32k-sft на Hugging Face совпадает с карточкой Yukang/Llama-2-70b-chat-longlora-32k-sft, поэтому описание составлено по ней. Yukang выпускает эту модель как часть семейства LongAlpaca — набора моделей для следования длинным инструкциям. Это дообученная версия Llama 2 Chat с 70 млрд параметров, созданная с применением LongLoRA и SFT; автор README сообщает, что данный SFT-чекпойнт снят с поддержки. Модель предназначена для генерации текста в ответ на инструкции и запросы с длинным контекстом. В названии заявлена настройка на контекст до 32 тысяч токенов, однако метаданные указывают native context в 4096 токенов, поэтому поддержку более длинного контекста следует считать ограниченной или требующей отдельной настройки. Доступен формат PyTorch; основным языком в предоставленных данных не обозначен. Модель основана на Llama 2 Chat и предназначена для экспериментального применения в сценариях диалогового следования инструкциям. Лицензия в предоставленных данных не указана.

Yukang выпускает эту модель как часть семейства LongAlpaca — набора моделей для следования длинным инструкциям. Это дообученная версия Llama 2 Chat с 70 млрд параметров, созданная с применением LongLoRA и SFT; автор README сообщает, что данный SFT-чекпойнт снят с поддержки. Модель предназначена для генерации текста в ответ на инструкции и запросы с длинным контекстом. В названии заявлена настройка на контекст до 32 тысяч токенов, однако метаданные указывают native context в 4096 токенов, поэтому поддержку более длинного контекста следует считать ограниченной или требующей отдельной настройки. Доступен формат PyTorch; основным языком в предоставленных данных не обозначен. Модель основана на Llama 2 Chat и предназначена для экспериментального применения в сценариях диалогового следования инструкциям. Лицензия в предоставленных данных не указана.

Llama-3.2-3B-All-Mix — объединённая модель семейства Llama, созданная bunnycore с помощью mergekit и метода TIES на основе huihui-ai/Llama-3.2-3B-Instruct-abliterated, с включением bunnycore/Llama-3.2-3B-Pure-RP и Lyte/Llama-3.2-3B-Overthinker. Модель содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, ролевых сценариев, рассуждений с развёрнутыми ответами, ответов на вопросы и суммаризации. Карточка заявляет сбалансированную работу в разных задачах и областях, но не приводит количественных оценок качества. Модель принимает текстовые запросы и генерирует текст; интерфейс поддерживает чат и вызов инструментов. Файлы модели опубликованы в формате safetensors для Transformers. Язык и лицензия в предоставленных данных не указаны, поэтому их нельзя надёжно определить.

QuantFactory/Llama-3.2-3B-GGUF — это компактная квантизированная версия языковой модели Llama 3.2 с примерно 3 млрд параметров, представленная QuantFactory на базе модели Meta. Формат GGUF предназначен для удобного локального запуска и использования средствами, поддерживающими этот формат; в README указана библиотека Transformers и задача генерации текста. Модель рассчитана на текстовые сценарии: генерацию и продолжение текста, диалоговые приложения и другие задачи обработки естественного языка. Заявлена поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Сведения о размере контекста, конкретном методе и уровне квантования, архитектурных деталях, обучении и результатах оценки в README отсутствуют, поэтому производительность и требования к ресурсам определить по этим данным нельзя. Модель распространяется по лицензии Llama 3.2 Community License от Meta. Она разрешает использование, воспроизведение, распространение, модификацию и создание производных работ на указанных условиях, включая передачу текста лицензии, обязательное отображение отметки «Built with Llama» при распространении и соблюдение Acceptable Use Policy. Для организаций с более чем 700 млн ежемесячных активных пользователей предусмотрены дополнительные лицензионные ограничения; модель предоставляется «как есть», без гарантий.

Llama-3-Typhoon-1.5-8B-Instruct — инструктивная языковая модель команды SCB10X AI, созданная на основе Llama 3 8B. Это плотная decoder-only модель семейства Llama с 7,5 млрд параметров и контекстом 8192 токена; для работы используется Transformers версии 4.38.0 или новее. Модель предназначена для диалогов и выполнения инструкций на тайском и английском языках. В карточке приведены результаты на тайских экзаменационных тестах, M3Exam и MMLU. Модель может использоваться для ответов на вопросы, объяснений и помощи в учебных задачах. Разработчики отмечают, что модель всё ещё находится в разработке и может выдавать неточные, предвзятые или нежелательные ответы, несмотря на наличие защитных ограничений. Распространяется по лицензии Llama 3 Community License.

llama-3-wissenschaft-8B — плотная языковая модель семейства Llama 3, созданная nbeerbower с помощью слияния предобученных моделей через mergekit и метод Model Stock. В слиянии использованы nbeerbower/llama-3-slerp-kraut-dragon-8B, VAGOsolutions/Llama-3-SauerkrautLM-8b-Instruct, DeepMount00/Llama-3-8b-Ita и mlabonne/ChimeraLlama-3-8B-v3. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст для генерации продолжений и диалоговых ответов. Контекст составляет 8192 токена. Карточка указывает лицензию Meta Llama 3 Community License Agreement; перед использованием следует соблюдать её условия.

Llama-PLLuM-8B-base-2508 — базовая плотная языковая модель семейства PLLuM, разработанная консорциумом PLLuM и продолжающая развиваться под эгидой HIVE AI. Модель построена на архитектуре Llama и содержит 7,5 млрд параметров; для неё заявлено контекстное окно до 131 072 токенов. Репозиторий предоставляет веса в формате safetensors, лицензия — Llama 3.1. Модель предназначена для генерации текста и как основа для адаптации под прикладные задачи: суммаризацию, ответы на вопросы и специализированных ассистентов. Она ориентирована прежде всего на польский язык и также обучалась на других славянских и балтийских языках и английских данных. README описывает семейство PLLuM в целом; этот чекпойнт обозначен как base-модель, поэтому для диалогового ассистента и конкретных задач может потребоваться дообучение или подключение поиска по документам. Среди ограничений — возможные фактические ошибки и смещения, особенно в спорных темах; длинный контекст может требовать значительных вычислительных ресурсов. Данные обучения отражают источники, доступные до начала 2025 года.