I.11Классификация, ранжирование и сопоставление

mlx-community/openai-privacy-filter-8bit — 8-битная модель для MLX, созданная сообществом mlx-community на основе openai/privacy-filter и подготовленная с помощью mlx-embeddings 0.1.1. Это двунаправленный разреженный MoE-классификатор токенов: он размечает BIOES-фрагменты с персональными данными в восьми категориях — имя человека, адрес электронной почты, телефон, URL, адрес, дата, номер счёта и секрет. Модель предназначена для локального обнаружения и последующего маскирования персональных данных в тексте. Репозиторий содержит 145,4 млн параметров и использует формат safetensors; указанное окно контекста — 131072 токена. Лицензия — Apache-2.0. README описывает конверсию в формат MLX, а метаданные классифицируют связь с базовой моделью как дообучение.

VMware/open-llama-0.7T-7B-open-instruct-v1.1 — диалоговая модель генерации текста на базе архитектуры LLaMA, дообученная на наборе Open-instruct-v1.1, включающем OASST, Dolly и HH-RLHF. В README указаны обучение на 700 млрд токенов и шаблон запросов Alpaca; метаданные сообщают о 6,6 млрд параметров, контекстном окне 2048 токенов и реализации для Transformers в форматах PyTorch и Safetensors. Модель предназначена для ответов на инструкции и диалоговых сценариев на английском языке. В таблице оценки приведён средний результат 39,33, а также результаты ARC и HellaSwag; эти цифры характеризуют оценивание, но не гарантируют качество на конкретных пользовательских запросах. Лицензия — CC; README рекомендует использовать финальную версию Open LLaMA 7B Open Instruct.

leo009/paligemma-3b-mix-224 — версия мультимодальной модели PaliGemma с открытыми весами, разработанной Google и размещённой пользователем leo009. Модель построена на архитектуре PaliGemma, объединяющей зрительный энкодер SigLIP и языковую модель Gemma; принимает изображение размером 224 × 224 пикселя и текстовые последовательности до 256 токенов, а генерирует текст. В карточке указана настройка на смесь задач переноса, а метаданные обозначают формат safetensors и библиотеку Transformers. Модель предназначена для одношаговых сценариев «изображение и запрос — текстовый ответ»: описания изображений и коротких видео, визуальных вопросов и ответов, чтения текста на изображении, обнаружения и сегментации объектов. Лучше подходит как основа для дообучения под конкретную задачу, чем как готовый универсальный помощник; диалог из нескольких ходов не поддерживает. Заявлена поддержка нескольких языков, но конкретный список в предоставленных данных отсутствует. Лицензия — Gemma.

Это GGUF-квантизированная версия языковой модели pokee_research_7b, разработанной PokeeAI. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может запускаться через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. В доступных данных указано, что модель содержит около 7 миллиардов параметров и распространяется в форматах с различными уровнями квантизации — от BF16 до Q2_K_L. Размер файлов составляет примерно от 3,55 до 15,24 ГБ. Более точные сведения об архитектуре, поддерживаемых языках, модальностях и размере контекста в карточке отсутствуют. Квантизация позволяет снизить требования к памяти, при этом варианты Q5 и Q6 заявлены как обеспечивающие высокое качество, а Q4_K_M — как оптимальный вариант по размеру для большинства сценариев. Модель подходит для локального вывода на совместимом оборудовании, однако качество зависит от выбранного варианта квантизации: компактные форматы экономят память, но могут сильнее снижать точность. Шаблон чата в карточке не указан, поэтому приведённый формат промпта может быть неточным; рекомендуется проверить оригинальную карточку базовой модели. Лицензия в предоставленных данных не указана.

Nitral-AI/Poppy_Porpoise-v0.7-L3-8B — объединённая автором модель на архитектуре Llama для генерации текста и диалогового общения. В метаданных указаны 7,5 млрд параметров и контекст до 8192 токенов; для работы с изображениями README упоминает мультимодальную версию с файлом Llava MMProj и актуальными версиями Koboldcpp. Модель может использоваться для диалогов и генерации текстовых ответов, а при подключении указанного проектора — для сценариев с изображениями. Веса опубликованы в формате safetensors. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой репозитория.

MaziyarPanahi/Qwen2.5-1.5B-Instruct-GGUF — это набор файлов модели в формате GGUF для Qwen2.5-1.5B-Instruct, разработанной командой Qwen. Квантованные варианты подготовлены MaziyarPanahi. Модель предназначена для генерации текста и использования в локальных приложениях и чат-интерфейсах, совместимых с GGUF. Модель относится к семейству Qwen2.5 и имеет размер 1,5 млрд параметров. В репозитории представлены варианты квантования с разрядностью 2, 3, 4, 5, 6 и 8 бит, что позволяет выбирать между снижением требований к памяти и сохранением качества. Формат поддерживается llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другими инструментами. README не содержит сведений о языках, размере контекста, точной архитектуре, показателях качества или лицензии. Сильная сторона модели — возможность локального запуска на широком спектре устройств благодаря компактному размеру и квантованию. Ограничения включают потенциальное снижение качества в более агрессивных вариантах квантования и отсутствие подтверждённых в README характеристик мультимодальности, языкового охвата и контекстного окна. Условия лицензирования в предоставленных данных не указаны.

jaeyong2/Qwen2.5-1.5B-Instruct-Viet-SFT — дообученная разработчиком на вьетнамских данных модель Qwen2.5-1.5B-Instruct для диалогов и генерации текста. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров, рассчитанная на работу через Transformers; модель принимает текст и генерирует текст, поддерживая контекст до 32 768 токенов. Метаданные указывают на поддержку вьетнамского и английского языков, а также на интерфейсы чата и вызова инструментов. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-3B-Instruct-IMat-GGUF — набор GGUF-версий модели Qwen/Qwen2.5-3B-Instruct, подготовленный пользователем legraphista. Это инструкционно настроенная текстовая модель для генерации текста и диалоговых сценариев, запускаемая через llama.cpp и совместимые инструменты. В README указана поддержка английского языка. Доступны варианты с исходной точностью BF16/F16 и различными уровнями квантования: от Q8_0 и Q6_K до Q2_K, а также форматы IQ и другие варианты семейства K-quants. Размер файлов составляет примерно от 1,27 до 6,18 ГБ. Для ряда вариантов квантования применена IMatrix-калибровка, предназначенная для сохранения качества при уменьшении размера модели. Точное описание архитектуры и размера контекста в README не приведено. Ключевое преимущество модели — возможность локального запуска с выбором компромисса между качеством, требованиями к памяти и скоростью инференса. Ограничения связаны с потерей качества в более агрессивно квантованных вариантах, а также с тем, что README не содержит результатов бенчмарков и подробных характеристик применения. Модель распространяется по лицензии qwen-research; ссылка на полный текст лицензии указана в карточке исходной модели.

Qwen2.5-3B-Instruct-KAI — дообученная чат-модель на базе Qwen/Qwen2.5-3B-Instruct, разработанная KAI Lab. Она предназначена для понимания и генерации текста на вьетнамском языке, включая ответы на вопросы, извлечение информации, понимание прочитанного и суммаризацию. Модель использует плотную архитектуру Qwen2ForCausalLM и содержит 3,1 млрд параметров. Принимает текстовые запросы и генерирует текст; заявленная длина контекста — 32 768 токенов. Для загрузки указана библиотека Transformers, веса представлены в формате safetensors. Модель оптимизирована для вьетнамского языка. В README приведены результаты оценки на вьетнамских бенчмарках и указано, что модель может ошибаться в вопросах, связанных с культурной спецификой, и хуже справляться со специализированными техническими темами. Лицензия обозначена как other; конкретные условия следует сверить с карточкой модели.

Это 4-битная версия модели Qwen2.5-VL-3B-Instruct, подготовленная сообществом mlx-community и преобразованная в формат MLX с помощью mlx-vlm 0.1.11. Модель принимает текст и изображения и формирует текстовые ответы; архитектура — плотная Qwen2.5-VL для условной генерации. Размер базовой модели — 3,1 млрд параметров, контекст — до 128 000 токенов. Модель предназначена для диалогового анализа изображений и визуальных вопросов и ответов. Её можно использовать для описания изображений, извлечения сведений из визуальных материалов и построения структурированных ответов; метаданные также отмечают интерфейс вызова инструментов. В карточке сообщества подробности возможностей отсылаются к оригинальной карточке Qwen2.5-VL-3B-Instruct. Лицензия в предоставленных сведениях не указана.

DhruvalLabs/Qwen2.5-VL-3B-Instruct-GGUF — это квантованные версии мультимодальной модели Qwen2.5-VL-3B-Instruct, разработанной Qwen и подготовленные Dhptl с использованием quant-kit. Модель предназначена для работы с текстом и изображениями: она может отвечать на вопросы по изображениям, описывать визуальное содержимое и выполнять обычную генерацию текста. Поддерживаются llama.cpp, LM Studio, Jan и Ollama, что делает модель подходящей для локального запуска на устройствах с ограниченными ресурсами. Архитектура состоит из двух компонентов: текстовой основы Qwen2.5-VL-3B-Instruct в формате GGUF и отдельного vision encoder в файле mmproj. Доступны варианты квантования от Q2_K до Q8_0; рекомендуемым указан Q4_K_M, размер которого составляет 1,80 ГБ при потребности примерно в 3,3 ГБ RAM. Vision encoder всегда поставляется в формате F16 и требует около 1,25 ГБ. Для работы с изображениями необходимо скачать оба файла и разместить их в одной папке. Сильные стороны модели — мультимодальность, небольшие размеры квантованных файлов и возможность локального запуска через популярные инструменты. Более сильное квантование экономит память, но приводит к заметной потере качества; варианты Q6_K и Q8_0 ближе к качеству оригинала, но требуют больше RAM. В README не указаны точные характеристики контекстного окна и полный список поддерживаемых языков; заявлен английский язык. Модель распространяется по лицензии qwen-research.

Qwen2-VL-2B-Instruct-GGUF — мультимодальная модель для понимания изображений и генерации текста на их основе. Базовая модель разработана командой Qwen, а GGUF-версии квантизированы компанией Second State Inc. Модель предназначена для сценариев image-text-to-text: анализа изображений, ответов на вопросы по визуальному содержимому и выполнения инструкций с учётом изображения. В README указан английский язык. Модель основана на Qwen2-VL-2B-Instruct и имеет размер 2B параметров. Доступны варианты GGUF с квантизацией от 2 до 8 бит, а также f16; размеры файлов варьируются примерно от 676 МБ до 3,09 ГБ, без учёта отдельного vision encoder размером 2,66 ГБ. Для запуска через LlamaEdge используется мультимодальный vision encoder, шаблон prompt типа qwen2-vision и контекст до 32 000 токенов. Рекомендуемыми вариантами в README названы Q4_K_M, Q5_K_M и Q5_K_S; более сильная квантизация уменьшает размер, но может заметно снижать качество. Преимущества модели — мультимодальность, сравнительно компактный размер и поддержка нескольких уровней квантизации для локального запуска. Ограничения включают возможную потерю качества в низкобитных вариантах и необходимость отдельного vision encoder для обработки изображений. Модель распространяется по лицензии Apache-2.0.

Dohyeon1/Qwen3-30B-A3B-Sub-MoE-ngroups64 — языковая модель с архитектурой Qwen3 MoE, опубликованная пользователем Dohyeon1 на Hugging Face. Карточка модели автоматически сгенерирована и не сообщает подробностей о разработке, назначении или обучении; по метаданным и примерам использования модель поддерживает генерацию текста в диалоговом формате. В метаданных указаны 40 960 токенов контекста и библиотека Transformers. Репозиторий содержит веса Safetensors; на странице Hugging Face отображается размер около 31 млрд параметров, тогда как переданные метаданные каталога указывают 2,6 млрд. Источники не позволяют надёжно установить языки, лицензию, базовую модель или конкретные ограничения, поэтому эти характеристики не уточняются.

Samll/qwen3-4b-thinking-thinkprune-b4000 — плотная языковая модель семейства Qwen3, дообученная на основе Qwen/Qwen3-4B-Thinking-2507. В карточке она связана с работой «Efficient Reasoning Training Does Not Always Harm CoT Faithfulness and Monitorability» и предназначена для генерации текста в диалоговом режиме, включая задачи, требующие рассуждений. Модель содержит 3,7 млрд параметров, принимает текст и имеет контекстное окно до 262144 токенов. Для загрузки указана библиотека Transformers и формат safetensors. Модель подходит для диалоговых ответов и экспериментов с эффективным обучением рассуждению и наблюдаемостью цепочки мыслей. Карточка не приводит результатов оценки качества или конкретного перечня ограничений. Лицензия в предоставленных данных не указана.

zeromodels/qwen3.5-2b-base — конверсия модели Qwen3.5-2B-Base в реализацию на Keras 3, подготовленная zeromodels. Это мультимодальная модель «зрение—язык» с визуальным энкодером Qwen3-VL и плотным текстовым декодером, сочетающим Gated-DeltaNet и обычное gated attention; веса хранятся в bfloat16. Реализация запускается на TensorFlow, PyTorch и JAX. Модель предназначена для генерации текста по изображению и текстовому запросу; текстовую часть можно использовать отдельно, без визуального энкодера. Размер базовой модели — 2 млрд параметров. В метаданных указан английский язык, а лицензия — Apache 2.0. Карточка направляет к исходной модели Qwen за подробностями об использовании.

aashish1904/Qwen3.5-2B-Base-GGUF — квантизированная версия базовой модели Qwen3.5-2B-Base, созданная с помощью llama.cpp и опубликованная пользователем aashish1904. Исходную модель разработала команда Qwen. Формат GGUF предназначен для локального запуска, в частности через llama.cpp и Ollama, а также для экспериментов с генерацией текста, дообучением и in-context learning. Исходная карточка указывает, что базовая модель предназначена прежде всего для исследований и разработки, а не для непосредственного диалогового использования. Модель имеет около 2 млрд параметров и представляет собой каузальную языковую модель с vision encoder, то есть поддерживает текстово-визуальное обучение и обработку мультимодальных токенов. Архитектура сочетает Gated Delta Networks и Gated Attention; модель содержит 24 слоя, скрытое измерение 2048 и контекст длиной 262 144 токена с возможностью расширения до 1 010 000 токенов. Заявлена поддержка 201 языка и диалекта. Доступны варианты квантизации от Q2_K до Q8_0: более компактные варианты требуют меньше памяти, но сильнее теряют в качестве; Q4_K_M и Q5_K_M обозначены как рекомендуемые сбалансированный и высококачественный варианты соответственно. Основные преимущества — небольшой размер, широкий контекст, мультимодальная архитектура и возможность эффективного локального инференса. Ограничения включают неизбежную потерю качества при низких уровнях квантизации и базовый, а не специализированный чатовый характер исходной модели. Лицензия в предоставленном README не указана.

Qwen3.6-27B-Architect-Polaris2-Fable-B-F451-F32 — мультимодальная модель на архитектуре Qwen3.5 с 27 млрд параметров, созданная слиянием NuSLERP нескольких моделей Qwen для чата, следования инструкциям и работы с изображениями. В карточке также приведены оценки на наборах задач на понимание текста и результаты измерения perplexity, расхода памяти и скорости для нескольких вариантов квантования. Модель подходит для диалогов, задач с изображениями, генерации текста и творческого письма, включая рассказы и продолжение сцен. Метаданные указывают английский, китайский, японский и испанский языки, поддержку интерфейса вызова инструментов и лицензию Apache-2.0. README не сообщает длину контекста; теги содержат упоминания 256k и 1M context, но не позволяют подтвердить конкретное значение.

Qwen3.8-27B Heretic — производная мультимодальная модель на 27 млрд параметров, созданная на основе Qwen/Qwen3.8-27B. Автор применил к исходным весам направленную абляцию отказов с помощью Heretic 1.4.0; модель не обучалась с нуля. Она предназначена для диалогов и задач с изображениями в сценариях, поддерживаемых базовой моделью Qwen3.8-27B. В описании эксперимента указано, что после абляции число отказов в проверке снизилось с 87 до 53 из 100, а расхождение с исходной моделью составило KL 0,0081. Модель опубликована в формате safetensors под лицензией Apache-2.0. Абляция отказов может ослаблять защитные ограничения, поэтому ответы на чувствительные запросы требуют отдельной оценки.

Qwen3.8-27B-Heretic-Abliterated-Uncensored-GGUF — это GGUF-квантизированная версия модели Qwen3.8-27B-Heretic-Abliterated-Uncensored. Базовая модель указана за авторством 0bserverx, а квантизацию выполнил mradermacher. Модель предназначена для генерации текста и может использоваться с библиотеками и средами Transformers, vLLM и SGLang. Модель имеет размер 27B параметров и ориентирована на работу с текстом; в карточке заявлен английский язык. Доступны варианты квантизации Q2_K, Q3_K, IQ4_XS, Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K и Q8_0 объёмом примерно от 10,8 до 28,7 ГБ. Более лёгкие варианты требуют меньше памяти, но могут заметно уступать по качеству; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с лучшим качеством. Карточка не содержит сведений об архитектуре в технических деталях, размере контекста, дополнительных модальностях, обучающих данных, результатах оценки или конкретных сценариях применения. Модель распространяется по лицензии Apache-2.0. Для использования требуются совместимые инструменты и объём памяти, соответствующий выбранному GGUF-файлу.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU — диалоговая мультимодальная модель DavidAU, созданная дообучением Qwen/Qwen3.8-27B. Репозиторий содержит веса в формате safetensors; архитектура — плотная модель семейства Qwen3.5 с 27 млрд параметров. Метаданные указывают поддержку диалога, интерфейса вызова инструментов и зрения, а основная задача в каталоге — image-text-to-text. Модель предназначена для общения и анализа изображений с текстовыми запросами. В карточке автор описывает многоэтапную настройку, сокращение объёма рассуждений и uncensored-вариант; подробности использованных данных и сторонних дообучений обещаны позднее, поэтому сравнительные заявления о качестве из README нельзя считать независимо подтверждёнными. README также содержит сведения о релизах и версиях, которые не всегда относятся к этому конкретному чекпойнту. Модель рассчитана на английский язык. Репозиторий распространяется по лицензии Apache-2.0. Для использования изображений требуется совместимый мультимодальный загрузчик; README не приводит длину контекста и не описывает ограничения по входным изображениям.

Это порт мультимодальной модели Qwen/Qwen3-VL-2B-Instruct в формат Core ML, подготовленный mlboydaisuke для запуска на устройствах Apple. Он принимает текстовые запросы и изображения и формирует текстовые ответы; рассчитан на локальный запуск на iOS 18+ и macOS 15+, включая ускорение на Apple Neural Engine. Модель включает 28-слойную текстовую основу с GQA и визуальный ViT-энкодер; изображения обрабатываются при их наличии в запросе, с фиксированным размером 448×448. Визуальные признаки DeepStack передаются в текстовые слои. Репозиторий содержит INT8-модель, разделённую на Core ML-компоненты. Для работы нужны токенизатор и процессор базовой модели, которые следует получать отдельно. Эта версия использует рекуррентный путь и сохранена для совместимости; автор рекомендует для новых проектов stateful-вариант, которому приписывает меньший расход памяти и более быстрое декодирование. Лицензия — Apache-2.0. Базовая модель поддерживает диалог и анализ изображений и видео, включая OCR, пространственное рассуждение и работу с визуальными интерфейсами; README этой версии описывает текст и изображения.

mlx-community/Qwen3-VL-4B-Instruct-4bit — мультимодальная instruction-tuned модель, преобразованная сообществом mlx-community в формат MLX из Qwen/Qwen3-VL-4B-Instruct с использованием mlx-vlm версии 0.3.4. Модель предназначена для задач image-text-to-text, включая обработку изображений и генерацию текстовых ответов по инструкциям, например описание изображений. Для работы используется библиотека mlx-vlm. Модель имеет размер 4B параметров и поставляется в 4-битном формате, что ориентировано на более эффективное использование памяти и вычислений на совместимом оборудовании Apple MLX. README не содержит подробностей об архитектуре, поддерживаемых языках, максимальной длине контекста, перечне модальностей и результатах оценки качества. Ограничения производительности и совместимости также зависят от исходной модели и среды MLX. Модель распространяется по лицензии Apache-2.0.

Карточка модели ersindemirel94/qwen_ps_v1v на Hugging Face совпадает с карточкой ersindemirel94/qwen_ps_v1, поэтому описание составлено по ней. ersindemirel94/qwen_ps_v1 — дообученная разработчиком ersindemirel94 мультимодальная модель семейства Qwen3.5 на базе Qwen/Qwen3.5-2B. Она предназначена для диалогов и задач преобразования изображений и текста; архитектура — плотная Qwen3_5ForConditionalGeneration, веса представлены в формате safetensors. В метаданных заявлены поддержка зрения и интерфейс вызова инструментов. Базовая модель содержит 2 млрд параметров; карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0. README сообщает, что при обучении использовались Unsloth и библиотека TRL, но не описывает конкретный набор данных, специализацию дообучения или результаты оценки. Поэтому качество на отдельных задачах и практические ограничения по сценариям использования карточка не устанавливает.

Модель popfido/Qwythos-9B-Claude-Mythos-5-1M-BF16-MLX-MTP-Visual — конвертированная в формат MLX версия мультимодальной модели Qwythos-9B-Claude-Mythos-5-1M от empero-ai. Она основана на Qwen3.5-9B с гибридной архитектурой GatedDeltaNet и attention; содержит MTP-голову для предсказания нескольких токенов и башню зрения для анализа изображений. Веса представлены в float16 и рассчитаны на запуск через MLX на Apple Silicon. Модель предназначена для диалогов, генерации и анализа текста, ответов на вопросы об изображениях и описания изображений. В README указано, что текстовый тракт проверяли послойным сравнением с llama.cpp, а генерацию и работу зрения — сравнением с соответствующими реализациями. Для длинного контекста используется YaRN с коэффициентом 4 и исходным контекстом 262144 токена. Репозиторий распространяется по лицензии Apache-2.0. Это конверсия производной модели, а README описывает преобразование весов из GGUF BF16 в float16 MLX; метаданные связывают её с дообученной моделью empero-ai/Qwythos-9B-Claude-Mythos-5-1M. MLX-веса в float16 требуют больше памяти, чем варианты Q8 и 4-bit; стандартный mlx-lm может автоматически удалять MTP-голову.

KingNish/Reasoning-Llama-3b-v0.2 — плотная текстовая модель семейства Llama на 3,2 млрд параметров, разработанная KingNish и дообученная на базе KingNish/Reasoning-Llama-3b-v0.1. Это разговорная модель для генерации ответов с предварительным рассуждением; карточка указывает обучение с использованием Unsloth и библиотеки Hugging Face TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Распространяется по лицензии Apache-2.0.

RevotenJLM-7B-slerp — языковая модель на базе архитектуры Mistral, созданная объединением RakutenAI-7B-instruct и SakanaAI/EvoLLM-JP-A-v1-7B с помощью LazyMergekit и метода slerp. Модель содержит 7,2 млрд параметров и рассчитана на генерацию текста; её контекстное окно составляет 32 768 токенов. Модель подходит для генерации ответов и диалогового использования на японском и английском языках, унаследованных от базовой модели RakutenAI. В README указана конфигурация слияния и формат весов bfloat16; в метаданных файловый формат репозитория обозначен как safetensors. Лицензия в предоставленных данных не указана.

sarvamai_sarvam-m-GGUF — это набор квантизированных версий языковой модели sarvam-m, разработанной Sarvam AI и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. В README указана поддержка английского, бенгальского, хинди, каннада, гуджарати, маратхи, малаялам, ория, пенджаби, тамильского и телугу. Доступны варианты от BF16 размером 47,15 ГБ до низкобитных квантов примерно от 9,28 ГБ; наиболее качественными названы версии Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S и некоторые варианты Q4. Квантизация уменьшает требования к памяти, но может снижать качество по сравнению с исходными весами, особенно у низкобитных вариантов. Архитектура, число параметров и размер контекста в представленном README не указаны. Лицензия модели — Apache-2.0. Конкретные показатели качества, ограничения по сценариям применения и рекомендации по аппаратным требованиям, помимо размеров файлов квантов, не приведены.

SELM-Llama-3-8B-Instruct-iter-1 — диалоговая языковая модель, дообученная на базе meta-llama/Meta-Llama-3-8B-Instruct на обновлённом и исходном наборах данных. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текстовые запросы, генерируя текстовые ответы; заявлена возможность диалога. Модель подходит для генерации текста и ассистентских диалогов. Контекст составляет до 8192 токенов. Доступны веса в формате safetensors. Модель распространяется по лицензии Llama 3; её условия следует учитывать при использовании и распространении.

agurung выпустил дообученную с помощью TRL модель Qwen2.5-7B-Instruct для диалоговой генерации текста. Это плотная языковая модель семейства Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов; она принимает сообщения в формате чата и генерирует текст. Модель подходит для ответов на вопросы, диалога и генерации текста по инструкциям. Модель основана на Qwen/Qwen2.5-7B-Instruct и распространяется в формате safetensors для Transformers. Карточка не описывает отдельную специализацию, языковой охват или результаты оценки качества; лицензию следует определять по метаданным репозитория Hugging Face.

Модель lxyuan/span-marker-bert-base-multilingual-uncased-multinerd — дообученная версия bert-base-multilingual-uncased с архитектурой SpanMarker, созданная в рамках воспроизведения работы Tom. Она предназначена для распознавания именованных сущностей в тексте: людей, организаций и местоположений. Модель обучена на наборе Babelscape/multinerd и поддерживает немецкий, английский, испанский, французский, итальянский, нидерландский, польский, португальский, русский и китайский языки. В карточке приведён общий F1 91,88 на тестовой выборке; автор отмечает, что вариант без учёта регистра может уступать варианту с учётом регистра, поэтому рекомендует сравнивать их на целевых данных. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование. Результаты могут зависеть от языка и предметной области; README также отмечает чувствительность к точкам в контексте распознавания сущностей, связанных с едой.