I.11Классификация, ранжирование и сопоставление

Карточка модели SirZQ/VeraRetouch_llava_Qwen2 на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B-Instruct, поэтому описание составлено по ней. Qwen/Qwen2.5-0.5B-Instruct — компактная инструктивно настроенная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов, выполнения инструкций и генерации текста, включая длинные ответы, структурированные данные и JSON; также может применяться для простых задач по коду и математике. Модель построена на архитектуре Qwen2 с причинным языковым моделированием и содержит 494 млн параметров. В карточке указаны 24 слоя, RoPE, SwiGLU, RMSNorm и группированное внимание; контекст — 32 768 токенов, генерация — до 8 192 токенов. Модель работает с текстом, поддерживает чат и интерфейс вызова инструментов. Семейство Qwen2.5 заявляет поддержку более 29 языков, включая русский и английский. Небольшой размер упрощает запуск по сравнению с крупными языковыми моделями, но ограничивает сложность задач, которые она может надёжно решать. Модель распространяется по лицензии Apache-2.0; для загрузки через Transformers рекомендуется актуальная версия библиотеки.

Это квантованные версии wisenut-nlp-team-wisenut-llama-3-8B-0.6-Instruct в формате GGUF, подготовленные командой featherless-ai-quants. Базовая модель предназначена для генерации текста и выполнения инструкций, поэтому может применяться в диалоговых системах, локальных ассистентах, подготовке и преобразовании текстов и других сценариях text-generation. Модель относится к семейству Llama и содержит 8 млрд параметров, однако сведения об архитектуре, поддерживаемых языках, модальностях и размере контекста в README не указаны. Доступны варианты квантования IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0; их размер составляет примерно от 3 до 8,1 ГБ. Разные варианты позволяют выбирать компромисс между требованиями к памяти, скоростью работы и сохранением качества, но конкретные показатели производительности и качества не приведены. Формат GGUF удобен для локального запуска совместимыми инструментами, однако README не содержит инструкций по использованию, системных требований или результатов тестирования. Лицензия модели и условия её распространения в предоставленных данных не указаны.

XYZ-Aquila-mini-APEX-I-MiniPlus-V2-GGUF — это квантованная версия модели XYZ-Aquila-mini, подготовленная IsValorum в формате GGUF для запуска через совместимые средства, включая llama.cpp. Модель ориентирована на мультимодальные сценарии image-text-to-text и, согласно указанным тегам, может применяться для работы с изображениями и текстом, агентского поиска, задач search-agent и computer use. В карточке указаны архитектура MoE и мультимодальная поддержка с vision-компонентом, однако точный размер модели, число экспертов и слоёв, максимальный контекст и подробные характеристики входных и выходных модальностей не приведены. Заявлена поддержка английского, китайского, испанского, французского, немецкого, португальского, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Квантование APEX-I-MiniPlus описывается как настраиваемое для отдельных тензоров: с сохранением высокоточной маршрутизации и защитой чувствительных компонентов, но конкретная конфигурация файлов этой версии в доступном фрагменте не указана. Сильными сторонами являются компактный GGUF-формат, мультимодальная направленность, поддержка широкого набора языков и возможность использования в локальных агентских и визуальных сценариях. Ограничения связаны с тем, что приведённые независимые бенчмарки относятся к другим моделям или выпускам семейства и не подтверждают характеристики именно этой версии; также отсутствуют точные сведения о производительности, требованиях к памяти и максимальной длине контекста. Модель распространяется по лицензии Apache-2.0.

MaziyarPanahi/YamshadowInex12_Inex12Experiment26 — объединённая языковая модель семейства Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Веса объединены из automerger/YamshadowInex12-7B и automerger/Inex12Experiment26-7B. Модель предназначена для генерации текста и принимает текстовые запросы, формируя текстовые ответы. Контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors, а лицензия указана как Apache-2.0.

AIArchiveInfo публикует побайтную архивную копию модели 01-ai/Yi-6B-200K: веса не обучались, не дообучались и не изменялись. Это плотная авторегрессионная языковая модель семейства Yi с архитектурой LlamaForCausalLM; она содержит около 5,8 млрд параметров и поддерживает контекст до 200 000 токенов. В README серия Yi описана как двуязычная, прежде всего ориентированная на китайский и английский языки, и предназначенная для понимания языка, рассуждений, чтения и генерации текста. Модель подходит для локальной генерации текста и экспериментов с длинными документами и запросами. Репозиторий содержит веса PyTorch в формате Safetensors. Модель лицензирована по Apache-2.0. Хотя архитектура совместима с подходами Llama, README подчёркивает, что Yi обучена с нуля и не использует веса Llama.

Youtu-HiChunk — модель Tencent Youtu Lab для иерархической структуризации документов и настройки гранулярности фрагментов при поиске в RAG-системах. Она представляет собой плотную причинную языковую модель семейства UTU v1 с 3,6 млрд параметров и контекстом до 32 768 токенов; репозиторий содержит веса SafeTensors и рассчитан на Transformers. Вместе с алгоритмом Auto-Merge модель помогает выбирать подходящий уровень фрагмента — например, раздел, подраздел или абзац — чтобы извлекаемые сведения сохраняли контекст и смысловую полноту. Метаданные также указывают поддержку генерации текста и извлечения признаков, а карточка заявляет китайский язык и интерфейсы чата и вызова инструментов. Модель предназначена для построения иерархических представлений документов и улучшения извлечения контекста в RAG. В метаданных указана лицензия other; конкретные условия следует сверить с лицензией репозитория. Описание не приводит результатов оценки качества.

bartowski/zai-org_GLM-4.5-GGUF — это набор GGUF-квантизаций модели GLM-4.5, разработанной zai-org. Квантизация выполнена bartowski с использованием llama.cpp b6115 и метода imatrix. Модель предназначена для генерации текста и локального запуска через LM Studio, llama.cpp и другие проекты на базе llama.cpp. Доступны варианты с разными уровнями сжатия: от Q8_0 размером около 381 ГБ до IQ1_S размером около 80 ГБ. В README наиболее рекомендуемыми названы Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS; более компактные варианты Q3, Q2 и IQ2 обеспечивают экономию памяти ценой снижения качества, а IQ1 характеризуются крайне низким качеством. Все файлы разделены на части. Сильная сторона набора — широкий выбор квантизаций для подбора баланса между качеством и требованиями к памяти, включая варианты, ориентированные на CPU и Apple Silicon. Ограничения — очень большой размер даже у наиболее сжатых файлов, отсутствие в README сведений об архитектуре исходной модели, числе параметров, поддерживаемых языках, модальностях, размере контекста и формате промпта. Лицензия в предоставленных данных не указана.

Anthropic-ai/Aiaudio — модельный проект, представленный в README как сочетание аудиосервиса Claude Audio и независимой открытой языковой модели Claude OSS 9B. При этом README прямо указывает, что Claude OSS 9B не является официальным выпуском Anthropic. Разработчик и точная связь между идентификатором Anthropic-ai/Aiaudio и описанными компонентами не уточняются. Аудиочасть предназначена для автоматической транскрипции речи и её перевода с сохранением смысла, тона, идиом и культурных нюансов. Среди заявленных сценариев — работа исследователей, авторов контента и международных команд; также заявлена идентификация говорящих и распознавание технической терминологии. Для языковой модели указаны диалоги общего назначения, следование инструкциям, рассуждения, написание и суммаризация текстов, многоязычное взаимодействие и помощь в лёгких задачах программирования. Claude OSS 9B описывается как модель с 9 млрд параметров, дообученная на базе Qwen3.5 9B на смеси примерно из 200 000 строк открытых датасетов Hugging Face. Заявлена поддержка более 200 языков и фокус на стабильном поведении ассистента, сохранении идентичности и инструкций. В README приведены ориентиры на базе Qwen3.5 9B: 82,5% на MMLU-Pro, 81,7% на GPQA Diamond и 81,2% на MMMLU. Архитектура, размер контекста, точный набор поддерживаемых аудиомодальностей и параметры инференса не указаны. Лицензия заявлена как MIT.

Это GGUF-квантизированная версия языковой модели Llama-3.1-Tulu-3.1-8B, разработанной Allen Institute for AI (allenai) и опубликованной в формате квантизаций пользователем bartowski. Модель предназначена для генерации текста и запуска локально с помощью llama.cpp, LM Studio и других совместимых проектов на базе llama.cpp. Указан английский язык; поддержка других языков и мультимодальность не заявлены. Модель содержит 8 миллиардов параметров и распространяется в нескольких вариантах квантизации от Q2 до Q8, размером примерно от 3,7 до 8,5 ГБ. Доступны форматы Q4, Q5, Q6, Q8 и IQ, позволяющие выбирать между качеством ответов и требованиями к памяти; наиболее сбалансированным вариантом автор README называет Q4_K_M, а варианты Q5 и Q6 — высококачественными. Для взаимодействия рекомендуется использовать шаблон с ролями system, user и assistant. Сведения о размере контекста, точной архитектуре, производительности и ограничениях исходной модели в README не приведены. Основные преимущества — широкий выбор квантизаций, возможность локального запуска и адаптация под устройства с разным объёмом оперативной памяти. Более сильное сжатие уменьшает требования к ресурсам, но снижает качество, особенно у вариантов Q2 и Q3. Модель распространяется под лицензией llama3.1; перед использованием следует учитывать условия этой лицензии.

AquilaChat-7B — диалоговая языковая модель BAAI, дообученная методом supervised fine-tuning и с использованием обучения с подкреплением на базе Aquila-7B. Модель содержит 6,9 млрд параметров, построена на плотной архитектуре семейства Aquila и рассчитана на контекст до 2048 токенов. Модель предназначена для ведения диалогов и генерации текста на китайском и английском языках. Расширяемый формат инструкций поддерживает вызов внешних моделей и инструментов; в README приведены примеры интеграции с генерацией и редактированием изображений, но сама AquilaChat-7B принимает и выдаёт текст. Модель обучена с нуля на двуязычном корпусе, в котором около 40% данных составляют китайские тексты. В карточке упомянуты оценки на C-Eval, MMLU и BoolQ, однако результатов недостаточно, чтобы судить о качестве во всех сценариях. Для кода указан тип лицензии «other»; README описывает отдельную лицензию BAAI для весов и допускает коммерческое использование с учётом её ограничений.

Jebadiah/Aria-dolphin-1m-sand-stone — языковая модель, созданная разработчиком Jebadiah слиянием методом linear через mergekit моделей Jebadiah/Aria-7b-128k-v4 и cognitivecomputations/dolphin-2.9-llama3-8b-1m. Это плотная архитектура MistralForCausalLM с 7,1 млрд параметров; веса сохранены в формате safetensors, с точностью float16. Модель предназначена для генерации текста и принимает текстовые запросы, выдавая текст. Заявленная длина контекста — 32 768 токенов. Карточка не описывает специализированные предметные области или конкретные языки. Условия лицензирования в предоставленных данных не приведены.

EpistemeAI/Audiogemma-3N-finetune — это дообученная разговорная мультимодальная модель на архитектуре Gemma 3n, основанная на unsloth/gemma-3n-e4b-it-unsloth-bnb-4bit. Она принимает изображения и текст и формирует текстовые ответы; карточка также описывает семейство Gemma 3n как способное работать с аудио и видео, но для этой версии такие входы отдельно не подтверждены. Gemma 3n использует выборочную активацию параметров для экономии ресурсов и рассчитана на эффективную работу на устройствах с ограниченными ресурсами. Модель подходит для диалоговых приложений, извлечения и пересказа информации с изображений, создания текстов и суммаризации. В метаданных указан английский язык и датасет kadirnar/Emilia-DE-B000000; README сообщает о многоязычном обучении семейства Gemma 3n на более чем 140 разговорных языках, но не подтверждает поддержку каждого языка именно этой донастройкой. Лицензия — Apache-2.0. Возможны фактические ошибки, предвзятость и затруднения с тонкими языковыми нюансами или сложными открытыми задачами; ответы требуют проверки, особенно в приложениях с высокими требованиями к точности.

Aurora-10.7B — слитая плотная авторегрессионная модель семейства Mistral, опубликованная SteelStorage. По README она собрана из слоёв mistralai/Mistral-7B-Instruct-v0.2 методом passthrough и предназначена как базовая модель для дальнейшего обучения; автор указывает, что после слияния она не дообучалась. В репозитории доступны веса Safetensors, лицензия — Apache-2.0. Модель принимает текст и генерирует текст; метаданные также отмечают поддержку чата. Контекст составляет 32 768 токенов, размер — около 10,6 млрд параметров. README приводит результаты оценок на ARC, HellaSwag, MMLU, T-QA, Winogrande и GSM8K, но они не гарантируют качество на конкретных пользовательских задачах. Языки и специальные предметные области в предоставленных данных не обозначены.

duyntnet/aya-expanse-8b-imatrix-GGUF — набор GGUF-квантизаций модели Aya Expanse 8B, разработанной Cohere For AI. Это открытая исследовательская большая языковая модель для генерации текста и диалоговых сценариев с выраженной ориентацией на мультиязычность. Модель основана на предварительно обученном семействе Command и дополнительно улучшалась с применением исследований Cohere For AI в области оптимизации данных, мультиязычного обучения на предпочтениях, настройки безопасности и объединения моделей. Модель содержит около 8 миллиардов параметров и поддерживает 23 языка: арабский, китайский упрощённый и традиционный, чешский, нидерландский, английский, французский, немецкий, греческий, иврит, хинди, индонезийский, итальянский, японский, корейский, персидский, польский, португальский, румынский, русский, испанский, турецкий, украинский и вьетнамский. README не указывает размер контекста и точную архитектуру. Для работы с GGUF-квантизациями заявлена совместимость с llama.cpp, KoboldCPP, Ollama, text-generation-webui, GPT4All и Jan. Сильная сторона модели — широкая языковая поддержка и ориентация на мультиязычную генерацию текста. Ограничения включают исследовательский статус, отсутствие сведений о конкретных вариантах квантизации, контекстном окне и результатах бенчмарков. Исходная модель распространяется по лицензии CC-BY-NC с обязательным соблюдением политики допустимого использования C4AI; условия для данного набора квантизаций следует проверять отдельно.

Blind Text 1 — русско- и англоязычная языковая модель семейства Blind, представленная разработчиком Blind. Это универсальный текстовый ассистент для диалога, объяснений, ответов на вопросы, выполнения инструкций и создания писем, публикаций, статей и кратких пересказов. Модель имеет MoE-архитектуру с 20,9 млрд параметров и 32 экспертами, из которых для каждого токена активны четыре; контекст составляет до 131 072 токенов. Весы распространяются в формате GGUF с квантизацией MXFP4 для экспертных весов и Q8_0 для эмбеддингов и выходного слоя. Модель предназначена для локального запуска через llama.cpp, Ollama или llama-cpp-python, включая работу без облачного сервиса. Карточка заявляет хорошее удержание контекста и естественные ответы на русском и английском. По приведённому в README замеру на RTX 5080 скорость генерации составляет около 10 токенов в секунду; CPU-запуск также возможен, но медленнее. Количественные результаты MMLU и других инструментальных бенчмарков пока не приведены. Лицензия — Apache-2.0.

Citaman/command-r-21-layer — языковая модель Cohere, созданная методом слияния SLERP на основе Citaman/command-r-22-layer. Модель содержит 19,4 млрд параметров, использует плотную архитектуру CohereForCausalLM и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для генерации текста и диалогов; в метаданных также отмечен интерфейс вызова инструментов. Она принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. Данных о конкретных языках и специализированных областях применения нет. Карточка описывает слияние двух срезов одной базовой модели с использованием SLERP и конфигурации bfloat16. Лицензия в предоставленных данных не указана. Качество и ограничения модели отдельно не описаны; перед применением следует проверить корректность генерации и вызова инструментов в целевых сценариях.

Citaman/command-r-7-layer — языковая модель для генерации текста, опубликованная пользователем Citaman. Это плотная причинно-языковая модель семейства Cohere с 7,9 млрд параметров; репозиторий содержит веса в формате safetensors и создан с помощью mergekit методом SLERP на основе Citaman/command-r-8-layer. По метаданным модель рассчитана на диалог и интерфейс вызова инструментов; контекст составляет 8192 токена. Подходит для генерации ответов в чат-ботах и для сценариев, где языковая модель взаимодействует с инструментами. Модель принимает текст и генерирует текст. README описывает объединение с перекрывающимися диапазонами слоёв одной базовой модели. В предоставленных материалах нет сведений о лицензии и поддерживаемых естественных языках, поэтому условия коммерческого использования и языковые возможности определить нельзя.

Aleteian/DarkCamelot — объединённая модель генерации текста на базе семейства Mistral, созданная автором репозитория с помощью mergekit. В слиянии использован метод della; базой указана win10/Mistral-Nemo-abliterated-Nemo-Pro-v2, также объединены восемь других языковых моделей. Размер модели — 12,1 млрд параметров, формат весов — SafeTensors; для работы заявлен контекст до 1 024 000 токенов. Модель предназначена для диалогов и генерации текста. Метаданные также отмечают интерфейс вызова инструментов. В карточке нет сведений о специальной отраслевой специализации или подтверждённом наборе языков, поэтому их нельзя приписывать модели на основании описания базовых компонентов. Это экспериментальное слияние нескольких моделей; качество и поведение могут отличаться от каждого исходного чекпойнта, а заявленный размер контекста не гарантирует одинаковую производительность на всей длине. Условия лицензирования в предоставленных данных не приведены.

ZZichen/DeepSeek-V2-Lite — текстовая языковая модель семейства DeepSeek-V2, представленная в карточке как базовая модель для генерации и диалогов. Архитектура использует Multi-head Latent Attention (MLA) для сжатия KV-кэша и разреженные MoE-слои DeepSeekMoE. В README указаны 15,7 млрд параметров, из которых для каждого токена активируется 2,4 млрд; модель имеет 27 слоёв. Метаданные каталога при этом оценивают общий размер в 2,5 млрд параметров. Модель предназначена для продолжения текста и диалогового взаимодействия на английском и китайском языках, включая ответы на вопросы и генерацию текста. README сообщает результаты на англоязычных и китайских бенчмарках и описывает контекст 32 тыс. токенов; метаданные указывают нативный контекст 163 840 токенов. Для инференса в BF16 авторы указывают требование одной GPU с 40 ГБ памяти. В репозитории представлены веса safetensors; README также описывает запуск через Transformers и рекомендует vLLM для более эффективного инференса. Лицензионные условия в предоставленных данных не указаны.

DeepSeek V4 Flash 0731 — DS4 Quality128 — это квантованный GGUF-вариант официальной модели DeepSeek-AI DeepSeek-V4-Flash-0731, подготовленный apetersson. Модель предназначена для генерации текста и работы в среде DS4, прежде всего на компьютерах Apple Silicon с 128 ГБ памяти. Основной файл содержит 43-слойную MoE-архитектуру примерно на 284,33 млрд логических параметров и заявленный обучающий контекст до 1 048 576 токенов. Поддерживаемые языки и мультимодальные возможности в README не указаны. Квантование ориентировано на сохранение качества: часть чувствительных экспертных тензоров хранится в нативном MXFP4, другие экспертные слои используют IQ2_XXS и Q2_K с калибровкой по importance matrix, а attention, общие эксперты и выходная голова — Q8_0. В комплект также входит необязательная трёхэтапная DSpark-модель для speculative decoding; она не является самостоятельной и должна загружаться вместе с целевой моделью. Совокупный размер двух GGUF-файлов составляет около 102,56 ГиБ. Сильными сторонами являются прямое квантование официальных весов без поведенческой модификации, сохранение нативных MXFP4-тензоров и приоритет качества на наиболее чувствительных компонентах. Ограничения связаны с высокими требованиями к памяти и необходимостью свежей версии DS4 из основной ветки. Структурная проверка CPU завершена, однако генерация через Metal, работа DSpark, производительность, пиковое потребление памяти и фактическая работа с контекстом в миллион токенов для этого артефакта ещё не подтверждены. Лицензия — MIT.

Devstral-Small-2507-MLX-4bit — это 4-битная квантованная версия модели Devstral-Small-2507, разработанной Mistral AI и подготовленной командой LM Studio с использованием MLX и mlx_lm. Модель предназначена для генерации и обработки текста, а также для локального запуска на устройствах Apple с процессорами Apple Silicon. В README указано, что модель поддерживает английский, французский, немецкий, испанский, португальский, итальянский, японский, корейский, русский, китайский и ряд других языков. Ключевые характеристики исходной архитектуры Devstral-Small-2507, количество параметров, размер контекста и поддерживаемые модальности в предоставленных данных не указаны. Квантование до 4 бит уменьшает требования к памяти, однако может повлиять на точность по сравнению с полноразмерной версией; оптимизация ориентирована на экосистему Apple Silicon. Модель распространяется по лицензии Apache-2.0. README не содержит дополнительных сведений о конкретных сильных сторонах, ограничениях качества или рекомендуемых сценариях применения, поэтому результаты генерации следует проверять, особенно при использовании в задачах, требующих высокой точности.

Eclipse-13B-dpo — языковая модель Xenon1, созданная дообучением Mistral-7B-v0.1 на датасете UltraFeedback с применением методов из статьи Self-Rewarding Language Models. Она предназначена для генерации текста и выполнения инструкций в диалоговом формате; для запросов используется шаблон с токенами [INST] и [/INST], также доступный через apply_chat_template(). В основе указана архитектура Mistral с Grouped-Query Attention, Sliding-Window Attention и токенизатором Byte-fallback BPE; метаданные классифицируют веса как MixtralForCausalLM с архитектурой MoE и указывают 7,1 млрд параметров. Контекст составляет 32 768 токенов, формат весов — safetensors, основной язык карточки — английский. Модель распространяется по лицензии Apache-2.0.

Модель rv2307/electra-small-ner — англоязычная модель для распознавания именованных сущностей, разработанная Vipin. Она основана на небольшом дискриминаторе Google ELECTRA и дообучена для классификации токенов; выделяет имена людей, названия организаций и географические объекты. Модель содержит 20,4 млн параметров, принимает текстовые последовательности с контекстом до 512 токенов и предназначена для использования через Transformers. Модель подходит для извлечения сущностей из англоязычных текстов, например для последующей индексации или структурирования документов. В карточке указаны датасеты CoNLL-2003 и ai4privacy/pii-masking-200k. Для объединения меток частей слов автор рекомендует в pipeline Transformers использовать aggregation_strategy="max". На длинных предложениях качество может снижаться; токенизатор distilbert может приводить к ошибочным меткам для частей одного слова. Лицензия — Apache 2.0.

EVA-Qwen2.5-14B-v0.2-GGUF — это набор квантованных моделей в формате GGUF для генерации текста, созданный на основе EVA-Qwen2.5-14B-v0.2 и опубликованный пользователем bartowski. Квантование выполнено с помощью llama.cpp с использованием метода imatrix; доступны варианты от F16 и Q8_0 до более компактных Q3 и IQ3/IQ4. Модель предназначена для локального запуска, в частности через LM Studio, с использованием указанного шаблона чата. Модель имеет размер 14B параметров и относится к семейству Qwen2.5. Она ориентирована на текстовые сценарии, включая следование инструкциям, написание и структурирование текста, ролевые диалоги и генерацию художественного контента, что следует из использованных наборов данных. Поддерживаемые языки, максимальная длина контекста и точные архитектурные характеристики в README не указаны. Главное преимущество — выбор большого числа вариантов квантования с разным компромиссом между качеством и требованиями к памяти: версии Q5 и Q6 описаны как высококачественные, а Q4 — как подходящие для случаев с ограниченными ресурсами. Более агрессивное квантование может снижать качество генерации; заявленные оценки производительности отсутствуют. Некоторые варианты оптимизированы для ARM и требуют соответствующих аппаратных инструкций, при этом README не рекомендует их для Mac или Windows. Указанная лицензия — Apache-2.0.

Experiment26Yamshadow_Experiment27Pastiche — объединённая модель, созданная из automerger/Experiment26Yamshadow-7B и automerger/Experiment27Pastiche-7B. Это плотная авторегрессионная языковая модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалоговых ответов. Модель принимает текст и поддерживает контекст длиной до 32 768 токенов. Веса опубликованы в формате Safetensors. Репозиторий распространяется по лицензии Apache 2.0. В README нет описания специальных предметных областей или языковых возможностей.

Florence-2-base-ft — конвертированный для Transformers чекпойнт модели Florence от Microsoft, дообученный на наборе задач компьютерного зрения. Это плотная encoder-decoder модель семейства Florence-2 с архитектурой последовательность-в-последовательность и размером 0,23 млрд параметров. Она принимает изображения и текстовые запросы, позволяя одной моделью выполнять описание изображений, обнаружение объектов, генерацию описаний областей, локализацию фраз, OCR и визуальные вопросы и ответы. Модель предназначена для универсального анализа изображений через prompt-запросы, включая сценарии, где нужно получить текстовое описание, распознать надписи или найти и описать объекты и области. В карточке для этого чекпойнта указано продолжение предобучения Florence-2-large с контекстом 4K, но также отмечено, что использовалось лишь 0,1 млрд примеров и модель могла быть обучена недостаточно хорошо; для OCR изменён разделитель строк. Эти сведения расходятся с таблицей README, где Florence-2-base-ft указан как дообученный вариант размером 0,23 млрд параметров, поэтому характеристики обучения именно этого репозитория описаны в карточке неоднозначно. Файлы доступны в формате safetensors, библиотека — Transformers; лицензия MIT.

FuseO1-DeepSeekR1-QwQ-SkyT1-Flash-32B-Preview-GGUF — это набор GGUF-квантизаций базовой модели FuseO1-DeepSeekR1-QwQ-SkyT1-Flash-32B-Preview, разработанной FuseAI и подготовленной пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp, в том числе в LM Studio. Доступны варианты от полного BF16 до более компактных Q8_0, Q6, Q5, Q4, Q3 и IQ-квантизаций. Размер файлов составляет примерно от 17,25 до 65,54 ГБ. Квантизация выполнена с использованием imatrix и llama.cpp версии b4546. Для работы рекомендуется применять указанный в README формат prompt. Сведения об архитектуре, поддерживаемых языках, модальностях и размере контекста не приведены. Сильная сторона набора — широкий выбор компромиссов между качеством, размером и требованиями к памяти: варианты Q6 и Q5 заявлены как высококачественные, Q4_K_M — как рекомендуемый вариант для большинства сценариев, а Q3 предназначены для систем с ограниченным объёмом оперативной памяти. Ограничения связаны с необходимостью значительных вычислительных ресурсов даже для компактных вариантов и потенциальной потерей качества при использовании низких уровней квантизации. Лицензия модели — Apache-2.0.

G4-31B-it-base10 — мультимодальная модель на архитектуре Gemma 4, созданная ApocalypseParty с помощью слияния SLERP через mergekit. В слиянии использованы google/gemma-4-31B-it и google/gemma-4-31B; веса сохранены в формате safetensors, заявлен тип данных bfloat16. Модель предназначена для диалогов и генерации текста по текстовому запросу, в том числе с анализом изображений. Карточка Hugging Face классифицирует её как image-text-to-text и указывает поддержку vision; описание базовой модели также отмечает длинный контекст. Это производная модель, полученная слиянием предобученной и инструкционно настроенной версий Gemma 4. README не приводит отдельные результаты оценки качества или конкретные ограничения. Условия использования определяются лицензиями исходных моделей; отдельная лицензия для результата в предоставленных данных не указана.

Gemma-2-9B-It-SPPO-Iter3-IMat-GGUF — это GGUF-квантизированная версия модели Gemma-2-9B-It-SPPO-Iter3, разработанной UCLA-AGI. Квантизацию выполнил legraphista с использованием llama.cpp версии b3311 и метода IMatrix, применённого к ряду квантованных вариантов. Исходная модель представлена в формате BF16, а в качестве связанного набора данных указан UltraFeedback. Модель предназначена для генерации текста и диалоговых сценариев в средах, совместимых с llama.cpp и форматом GGUF. Доступны варианты с разной точностью и размером, включая BF16, FP16, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-квантизации; размеры файлов варьируются примерно от 3,81 до 18,49 ГБ. В метаданных указан английский язык. Контекстное окно, поддерживаемые модальности и точные характеристики архитектуры в README не указаны. К сильным сторонам относятся широкий выбор форматов для подбора компромисса между качеством, скоростью и требованиями к памяти, а также применение IMatrix в большинстве вариантов с низкой и средней разрядностью. Ограничения связаны с потерями качества, возможными при агрессивной квантизации, и необходимостью выбирать файл в соответствии с доступной памятью и совместимым программным обеспечением. Модель распространяется по лицензии Gemma; условия лицензии следует учитывать при использовании.

nypgd/gemma-4-e2b-assistant-vllm — дообученная разработчиком nypgd мультимодальная модель семейства Gemma 4 на базе unsloth/gemma-4-E2B-it. Она предназначена для диалогов с текстом и изображениями; каталог также отмечает интерфейс вызова инструментов. Модель представлена в формате safetensors и обучалась с использованием Unsloth и библиотеки TRL. Модель подходит для вопросов по изображениям и документам, а также для ассистентских сценариев с подключением инструментов. В карточке не приведены сведения о размере, длине контекста и конкретных языковых возможностях; метаданные указывают английский язык. Лицензия — Apache-2.0.