I.11Классификация, ранжирование и сопоставление

tiledfloor-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная MaziyarPanahi слиянием Mistral-7B-Instruct-v0.2 и Ansoi/tiledfloor методом SLERP. Она предназначена для генерации текста и ответов на инструкции в формате чата. Модель использует плотную архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не описывает специализированные области применения или дополнительные языки.

Tucano2-qwen-3.7B-Instruct — компактная языковая модель Polygl0t для диалогов и выполнения инструкций на португальском языке. Она основана на Tucano2-qwen-3.7B-Base и дообучена в два этапа: supervised fine-tuning и Anchored Preference Optimization (APO). Модель построена на плотной архитектуре Transformer семейства Qwen3, содержит около 3,4 млрд параметров и принимает контекст до 4096 токенов. Модель подходит для генерации ответов, суммаризации, формирования структурированных данных, сценариев RAG, вызова функций и использования инструментов. Разработчики сообщают о результатах на португальских и других бенчмарках, включая задачи на знания, следование инструкциям и программирование. Модель рассчитана прежде всего на исследования и разработку португалоязычных систем; для других языков возможны ошибки понимания и ответов. Модель может галлюцинировать, воспроизводить предвзятость и токсичность обучающих данных, повторяться или давать избыточные ответы. Для применения в реальных системах рекомендуется самостоятельно оценивать риски и качество. Лицензия — Apache 2.0.

Tulpar-7b-v2-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная MaziyarPanahi слиянием методом SLERP моделей Mistral-7B-Instruct-v0.2 и Tulpar-7b-v2. Она предназначена для генерации текста и ответов на инструкции в формате чата. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров; контекст — до 32 768 токенов. Модель принимает текст и выдаёт текст. В карточке указана лицензия Apache-2.0. README описывает способ слияния и базовые модели, но не приводит оценки качества или специальные ограничения применения.

UNA-ThePitbull-21.4B-v2 — разговорная языковая модель от fblgit, основанная на saltlux/luxia-21.4b-alignment-v1.0. Это плотная авторегрессионная модель семейства Llama с 20,9 млрд параметров и контекстом до 32 768 токенов, предназначенная для генерации текста и диалогов. Версия 2 получила дополнительное обучение SFT на Replete-AI/code_bagel_hermes-2.5 и DPO на mlabonne/orpo-dpo-mix-40k и jondurbin/py-dpo-v0.1; автор также описывает применение стратегии UNA к части MLP- и attention-слоёв. Модель подходит для разговорных помощников, ответов на вопросы и генерации связного текста. В карточке приведены результаты нескольких бенчмарков, однако заявленные автором оценки не гарантируют аналогичного качества в конкретных сценариях. Доступны веса в формате Safetensors, библиотека Transformers; лицензия — AFL-3.0. README указывает отдельную GGUF-квантизацию в репозитории bartowski/UNA-ThePitbull-21.4B-v2-GGUF.

Unlimited-OCR MLX — мультимодальная модель для распознавания и структурированного разбора документов, портированная на Apple MLX. Она основана на модели Unlimited-OCR команды Baidu PaddlePaddle и предназначена для работы на компьютерах Apple с чипами Silicon. Модель принимает изображения документов, включая страницы PDF и одно- или многостраничные изображения, распознаёт китайский, английский и другой многоязычный текст, извлекает таблицы и сохраняет структуру документа: абзацы, заголовки, списки и элементы разметки. Динамическое разбиение изображений позволяет обрабатывать документы произвольной длины в рамках последовательной обработки страниц. Доступны режимы повышенной точности с тайлингом и быстрого сканирования в одном масштабе. Архитектура включает визуальные кодировщики SAM-ViT-B и CLIP-L, объединяемые через проекционный слой, а также 12-слойную языковую модель DeepSeek-V2 MoE с 64 маршрутизируемыми и 2 общими экспертами. Всего модель содержит около 3,34 млрд параметров, поддерживает контекст до 32 768 токенов, использует FP16 и занимает примерно 6,2 ГБ. Модель оптимизирована для Apple Silicon и требует macOS 14 или новее, Python 3.10+ и MLX 0.20+. Сильные стороны модели — специализированная обработка документов, распознавание текста и таблиц, анализ компоновки, высокая точность соответствия исходной реализации и ускорение на Apple Silicon. Ограничения включают зависимость от платформы Apple Silicon, значительный объём модели и отсутствие подробных данных о качестве на независимых наборах. Модель распространяется по лицензии MIT.

YamshadowStrangemerges_32_Strangemerges_32M7 — объединённая модель на архитектуре Mistral, созданная из automerger/YamshadowStrangemerges_32-7B и automerger/Strangemerges_32M7-7B. Репозиторий указывает на слияние этих моделей; число параметров составляет 7,1 млрд, формат весов — safetensors, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалога. Она принимает текстовые запросы и выдаёт текст. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает специальные предметные области или дополнительные возможности модели.

YetAnotherMerge-v0.7a — объединённая диалоговая языковая модель, созданная автором Nohobby с помощью mergekit. Она предназначена для генерации текста и ведения диалогов. Модель использует плотную архитектуру MistralForCausalLM и содержит 12,1 млрд параметров; в карточке указано контекстное окно до 1 024 000 токенов. Для объединения применён метод della, базой послужила Nohobby/YetAnotherMerge-v0.3, также включены Epiculous/Crimson_Dawn-V0.1 и nbeerbower/mistral-nemo-gutenberg-12B-v3. Модель подходит для диалоговых ответов и свободной генерации текста. Веса доступны в формате safetensors. Языки и специальные предметные области в предоставленных материалах не обозначены. Лицензия в доступных данных не указана.

Youtu-Parsing — специализированная модель Tencent для разбора документов, созданная на основе Youtu-LLM 2B. Она сочетает языковую модель с визуальным энкодером динамического разрешения в стиле NaViT и предназначена для извлечения структуры и содержания из изображений документов. Архитектура модели — YoutuVLForConditionalGeneration; число параметров — 2,1 млрд, контекст — до 20 480 токенов. Модель принимает изображения документов и выдаёт текст с распознанным содержимым и его структурой. Модель локализует текстовые области, восстанавливает порядок чтения и распознаёт текст, таблицы, формулы и диаграммы. Формулы преобразуются в LaTeX, таблицы — в HTML, а диаграммы могут представляться таблицами Markdown, картами мыслей или схемами Mermaid. README заявляет ускорение вывода в 5–11 раз за счёт параллельной обработки токенов и дополнительное ускорение запросов примерно вдвое. Модель предназначена для анализа документов и исследований и разработок в области понимания документов. В метаданных указан интерфейс Transformers и формат Safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в лицензии репозитория.

robertgshaw2/zephyr-7b-beta-channelwise-gptq — это производная версия Zephyr-7B-β, опубликованная пользователем Robert Shaw на Hugging Face. Модель предназначена для генерации текста и диалоговых сценариев; её можно запускать через Transformers, vLLM и SGLang как conversational language model. В основе лежит Zephyr-7B-β от HuggingFaceH4 — GPT-подобная языковая модель примерно на 7 млрд параметров, дообученная на базе Mistral-7B-v0.1 с применением Direct Preference Optimization (DPO). Она ориентирована преимущественно на английский язык, работу в формате ассистента и следование инструкциям. Данная версия использует 4-битное GPTQ-квантование с channel-wise схемой, что уменьшает требования к памяти и может повысить эффективность локального запуска, но потенциально сопровождается потерей качества по сравнению с полной точностью. Карточка производной модели не содержит отдельного описания ограничений, контекстного окна или лицензии. Для исходной Zephyr-7B-β указана лицензия MIT; применимость этой лицензии к конкретной квантованной публикации следует проверять по её файлам и условиям распространения.

ZGCM-1-7B — плотная авторегрессионная языковая модель Zhongguancun Academy и Zhongguancun Institute of Artificial Intelligence, обученная с нуля для математических рассуждений и поиска с использованием инструментов. Модель содержит 6,3 млрд параметров по метаданным каталога (в README указано 7,39 млрд), использует архитектуру ZGCM и поддерживает контекст до 262 144 токенов. Для работы требуется Transformers и включение trust_remote_code=True. Модель рассчитана на решение математических задач, многошаговый поиск в интернете и диалоговое текстовое взаимодействие; доступны режимы с внутренними рассуждениями и прямым ответом. В техническом отчёте авторы приводят высокие результаты на математических бенчмарках и оценках агентного поиска. Обучение включало предварительное обучение, расширение контекста и дообучение для общих и агентных задач. Весовые файлы опубликованы в формате safetensors. Лицензия — MIT. Модель работает с текстом и не описана как мультимодальная; качество ответов зависит от задачи и используемого инструментария для поиска. Возможность загрузки собственного кода модели требует осторожности при запуске.

ZraldAI v1.1 — сжатая дообученная версия Qwen3-8B от Zrald для генерации текста и диалогов. Это плотная авторегрессионная языковая модель на 7,6 млрд параметров с контекстом до 40 960 токенов; репозиторий содержит веса в формате safetensors. Модель загружается через Transformers и предназначена для генерации ответов и ведения диалога.

Zurich 7B GammaCorpus v2-5m — диалоговая языковая модель, разработанная на основе Qwen/Qwen2.5-7B-Instruct и дообученная на наборе GammaCorpus v2-5m. Это плотная авторегрессионная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM; в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Карточка также описывает 28 слоёв, RoPE, SwiGLU, RMSNorm и групповое внимание с 28 головами Q и 4 головами KV. Модель предназначена для многоходовых диалогов и генерации ответов на инструкции. Её можно применять в чат-ботах и сценариях генерации текста; в метаданных также отмечен интерфейс вызова инструментов. Карточка не приводит отдельных результатов сравнительной оценки, поэтому заявленное стремление превзойти модели сходного размера не подтверждено приведёнными метриками. Модель поддерживает английский язык согласно языковым тегам карточки и выпущена по лицензии Apache 2.0. Разработчик предупреждает о возможности предвзятых ответов. Для работы рекомендуется актуальная версия Transformers.

Это набор GGUF-квантизаций модели AIGym/Llama-3-8B-Instruct-Gradient-1048k-Agent, подготовленный командой featherless-ai-quants. Модель предназначена для генерации текста и использования в сценариях, где требуется инструкционно настроенный языковой агент, включая локальный запуск совместимых с GGUF инструментов. README не уточняет конкретные прикладные задачи, поведение агента или методику обучения. В основе лежит модель семейства Llama 3 с заявленным размером 8B параметров. Указано контекстное окно до 1 048 000 токенов, однако подробности архитектуры, поддерживаемые языки и модальности не приведены; по назначению это текстовая, а не мультимодальная модель. Доступны варианты квантизации 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 размером примерно от 3 до 8 ГБ. Выбор варианта позволяет находить компромисс между требованиями к памяти и сохранением качества, но README не содержит сравнительных оценок производительности. Лицензия в README не указана, поэтому условия коммерческого и иного использования необходимо уточнить в источнике базовой модели и для опубликованных квантизаций. Также не приведены результаты тестирования, системные требования, рекомендуемые параметры запуска и сведения о совместимых рантаймах.

AI-Sweden-Models-Llama-3-8B-GGUF — набор GGUF-квантизированных версий языковой модели AI-Sweden-Models/Llama-3-8B. Файлы подготовлены и опубликованы командой featherless-ai-quants на базе модели, разработанной AI-Sweden-Models. Модель предназначена для генерации текста и локального или ресурсоограниченного запуска совместимых Llama-моделей. В репозитории доступны варианты квантования Q2_K, Q3_K, Q4_K, Q5_K, Q6_K, Q8_0 и IQ4_XS с размером файлов примерно от 3 до 8 ГБ. Более сильное квантование уменьшает требования к памяти, но может снижать точность по сравнению с менее сжатыми вариантами. Формат GGUF ориентирован на использование в совместимом локальном программном обеспечении; конкретные языки, размер контекста, архитектурные детали, результаты оценки и мультимодальные возможности в README не указаны. Лицензия также не указана, поэтому условия использования следует уточнять у исходной модели AI-Sweden-Models/Llama-3-8B и автора квантований.

AxeronAI/axeron-mf-39 — текстовая модель для диалогов и генерации текста, созданная методом SLERP с помощью forgelm. В слияние вошли Qwen/Qwen2.5-7B и Qwen/Qwen2.5-7B-Instruct; архитектура — плотная Qwen2 с классом Qwen2ForCausalLM, размер — 7,1 млрд параметров. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. Она подходит для диалоговых сценариев и задач генерации текста. README и метаданные не описывают отдельные специализированные области применения или ограничения качества. Сведения о лицензии в предоставленных источниках отсутствуют.

duyntnet/aya-23-8B-imatrix-GGUF — это набор квантованных форматов GGUF с использованием imatrix для модели Aya-23-8B, разработанной CohereForAI. Модель предназначена для генерации текста и может применяться в диалоговых сценариях, написании текстов и других задачах на основе языковой генерации. Известно, что это каузальная языковая модель размером 8B параметров, работающая с текстовой модальностью. В README явно указан английский язык, однако пример использования демонстрирует запрос на турецком языке; полный перечень поддерживаемых языков и размер контекста не приведены. Для работы требуется совместимая поддержка GGUF и соответствующее программное обеспечение; исходная модель использует Transformers и шаблон чата Command R Plus. Ключевое преимущество этой версии — квантованные представления, потенциально снижающие требования к памяти и вычислительным ресурсам по сравнению с полной моделью, однако конкретные уровни квантования и их влияние на качество не указаны. Лицензия обозначена как other, без дополнительных условий в README.

Baichuan-13B-Chat — диалоговая версия языковой модели Baichuan-13B, разработанная Baichuan Intelligent Technology. Это плотная авторегрессионная модель с примерно 12,9 млрд параметров, выровненная для общения и генерации текста; в README базовой указана Baichuan-13B-Base. Модель поддерживает китайский и английский языки, использует позиционные смещения ALiBi и имеет контекстное окно 4096 токенов. Модель предназначена для диалоговых приложений, ответов на вопросы и генерации текста на китайском и английском языках. README также описывает варианты квантования INT8 и INT4 для снижения требований к памяти, однако метаданные этого репозитория указывают формат PyTorch. Для академических исследований использование открыто; коммерческое применение требует предварительно получить письменное разрешение Baichuan. Как и другие большие языковые модели, она может генерировать неточные или нежелательные ответы.

BatGPT-15B-sirius — большая языковая модель семейства BatGPT, разработанная совместными NLP-командами Уханьского университета и Шанхайского университета Цзяотун. Это плотная авторегрессионная модель для генерации текста и диалога; в карточке Hugging Face указано 24,7 млрд параметров, а README приводит 15,03 млрд. Модель предобучена на корпусе из 1 трлн токенов на китайском и английском языках и выложена в формате PyTorch. Модель использует RoPE, Multi-Query Attention и двунаправленную авторегрессионную цель предобучения. Заявленная максимальная длина контекста — 32 тыс. токенов; предобучение проводилось на последовательностях длиной 2048 токенов, а контекст расширялся при настройке инструкций. Модель предназначена для генерации текста и диалоговых сценариев на китайском и английском языках. Исходный код распространяется по Apache 2.0, веса — по GNU AGPL 3.0. README просит связаться с авторами для коммерческого использования или публичного развёртывания; по его формулировке разрешение выдаётся без платы, а сведения об использовании собираются для учёта.

QuantFactory/bloom-560m-GGUF — квантизированная версия языковой модели bigscience/bloom-560m, разработанной исследовательским сообществом BigScience. Модель основана на архитектуре Transformer и предназначена для генерации текста, изучения поведения языковых моделей и использования в качестве предобученной основы для дообучения. Модель поддерживает широкий набор языков, включая английский, французский, испанский, португальский, арабский, китайский, хинди, бенгальский, вьетнамский и другие, а также работу с кодом. Возможные прикладные задачи включают извлечение информации, ответы на вопросы и суммаризацию. Размер исходной модели — 560 миллионов параметров; формат GGUF получен с использованием llama.cpp. Данные о размере контекста и конкретном уровне квантизации в README не указаны. Ключевое преимущество модели — открытая многоязычная архитектура, пригодная для исследований, обучения и локального запуска в оптимизированном формате. При этом модель может генерировать фактически неверный контент и не предназначена для критически важных решений, оценки людей, медицинских, юридических, политических или финансовых сценариев. Также не следует использовать её для спама, дезинформации, мошенничества, травли, несанкционированной имитации или наблюдения. Распространение и использование регулируются лицензией bigscience-bloom-rail-1.0, основанной на RAIL License v1.0, включая установленные ограничения на применение.

Capybara Tess Yi 34B 200K GGUF — квантизированная версия языковой модели Capybara Tess Yi 34B 200K, созданной brucethemoose и преобразованной в формат GGUF пользователем TheBloke. Модель относится к семейству Yi, предназначена для генерации текста и диалоговых сценариев, включая работу через локальные приложения и библиотеки, совместимые с llama.cpp. В README заявлена поддержка английского языка. Модель имеет 34 млрд параметров и заявленное контекстное окно до 200 тыс. токенов. Формат GGUF поддерживает варианты квантования от 2 до 8 бит, что позволяет выбирать баланс между размером файла, требованиями к памяти, скоростью работы и сохранением качества. Доступны сценарии инференса на CPU и GPU; совместимы llama.cpp, text-generation-webui, KoboldCpp, LM Studio, llama-cpp-python и другие инструменты. Для запросов рекомендуется шаблон Orca-Vicuna с секциями SYSTEM, USER и ASSISTANT. Сильными сторонами являются большое контекстное окно, широкий выбор уровней квантования и возможность локального запуска на различном оборудовании. Ограничения включают потенциальную потерю качества при сильном квантовании, высокие требования к ресурсам для 34-миллиардной модели и отсутствие в README подробных сведений о данных обучения, результатах оценки и поддержке других языков. Модель распространяется по лицензии yi-license; условия следует уточнять в лицензии исходной модели Yi-34B.

Capytessborosyi 34B 200K DARE Ties GGUF — это квантизированная языковая модель для генерации текста, разработанная brucethemoose и преобразованная в формат GGUF пользователем TheBloke. Модель основана на архитектуре Yi и предназначена для работы с текстовыми запросами, включая диалоговые сценарии и локальный запуск через совместимые приложения и библиотеки. Модель имеет размер 34B параметров и заявленный контекст до 200K токенов; в метаданных указан английский язык. Доступны варианты квантизации от 2 до 8 бит, рассчитанные на инференс с использованием CPU и GPU. Формат GGUF поддерживается, в частности, llama.cpp, text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Для диалогового взаимодействия в README приведён шаблон Orca-Vicuna с ролями SYSTEM, USER и ASSISTANT. К сильным сторонам относятся большой заявленный контекст, широкий выбор уровней квантизации и возможность локального запуска на различном оборудовании. К ограничениям относятся возможное снижение качества по сравнению с исходной неквантизированной версией при использовании агрессивной квантизации, а также отсутствие в README результатов тестирования и подробного описания специализации модели. Распространение регулируется лицензией yi-license; ссылка ведёт на лицензию исходной модели Yi-34B.

Celestial-Order-24B-2.75 — языковая модель для генерации текста и диалогового общения, собранная Sorihon методом DARE TIES с помощью mergekit. В объединение вошли Sorihon/CYDR-24B и модель Celestial-Order-V2.5, указанная в README как базовая; метаданные каталога связывают модель с Sorihon/CYDR-24B. Архитектура — плотная MistralForCausalLM, размер — 23,4 млрд параметров, формат весов — Safetensors, библиотека — Transformers. Заявленная длина контекста — 131 072 токена. Модель предназначена для генерации продолжений и диалоговых ответов. README описывает рецепт объединения весов, но не приводит оценок качества, подробных сценариев или списка поддерживаемых языков, поэтому конкретные сильные стороны и языковые возможности по этим данным определить нельзя. Лицензия в предоставленных сведениях не указана.

Это GGUF-квантизированная версия инструкционной модели LlamaThink-8B-instruct, разработанной DavidBrowne17 и подготовленной квантизатором bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска локально через LM Studio, llama.cpp и другие совместимые проекты на базе llama.cpp. В README также приведён специальный шаблон prompt с системными и пользовательскими сообщениями. Модель имеет размер 8B параметров; конкретная архитектура, поддерживаемые языки, модальности и размер контекстного окна не указаны. Доступны варианты квантования от Q8_0 до Q2_K_L, с размером файлов примерно от 3,69 до 8,54 ГБ. Более высокие варианты квантования обеспечивают лучшее качество, тогда как менее точные требуют меньше оперативной памяти; рекомендуемым вариантом общего назначения назван Q4_K_M, а Q6_K и Q6_K_L характеризуются как варианты очень высокого качества. Основное преимущество этой версии — возможность локального запуска при выборе подходящего уровня квантования и аппаратных ресурсов. Ограничения связаны с потерями качества на низких уровнях квантования, а также с отсутствием в предоставленных данных подробных сведений о результатах оценки, языках и фактических возможностях модели. Лицензия — Apache-2.0.

TehVenom/Dolly_GPT-J-6b — объединённая модель на основе GPT-J-6B и LoRA-адаптера Dolly, опубликованная для использования возможностей Dolly без зависимости от PEFT. Она предназначена для генерации текста по инструкциям и диалоговых запросов, в сценариях, похожих на Alpaca, но на базе GPT-J вместо LLaMA. В карточке указано, что LoRA обучена samwit на очищенной версии датасета Alpaca; архитектура — плотная авторегрессионная GPT-J, формат весов — PyTorch, контекст — 2048 токенов. Автор README отмечает, что качество модели хорошее, но уступает Alpaca, связывая это с меньшим объёмом предварительного обучения GPT-J-6B по сравнению с LLaMA 7B. Поддерживаемые языки отдельно не указаны. Лицензия в предоставленных данных не указана.

Модель yaneivan/dolphin-2.9.4-llama3.1-8b-Q4_K_M-GGUF представляет собой конвертированную в формат GGUF версию cognitivecomputations/dolphin-2.9.4-llama3.1-8b. Конвертацию выполнили с помощью llama.cpp через сервис GGUF-my-repo; исходная модель основана на Llama 3.1 с размером 8 миллиардов параметров. Модель предназначена для локального запуска и использования через llama.cpp, включая работу в командной строке и развёртывание сервера для генерации текста. В README не указаны поддерживаемые языки, модальности, архитектурные особенности исходной модели, назначение обучения, максимальный контекст или результаты оценки. Для примеров запуска используется контекст длиной 2048 токенов, однако это не подтверждает максимальное значение контекстного окна. Ключевое свойство данной версии — квантизация Q4_K_M, снижающая требования к памяти и вычислительным ресурсам по сравнению с полноразмерными вариантами, но потенциально ухудшающая точность генерации. Модель совместима с llama.cpp и рассчитана на локальное выполнение; конкретные показатели качества и аппаратные требования в карточке не приведены. Указана лицензия llama3.1.

Dolphin3.0-Llama3.2-1B-GGUF — это GGUF-квантизации языковой модели Dolphin3.0-Llama3.2-1B, опубликованные и подготовленные пользователем bartowski. Модель основана на cognitivecomputations/Dolphin3.0-Llama3.2-1B и предназначена для генерации текста, включая работу через llama.cpp и LM Studio. Указан английский язык. Модель имеет размер 1B параметров и представлена в вариантах от F32 и F16 до разных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 0,64 до 4,95 ГБ, что позволяет выбирать между качеством и требованиями к оперативной памяти. В README приведён формат диалога с ролями system, user и assistant. Среди обучающих данных указаны наборы для программирования, математических задач, function calling, instruction tuning и диалогов. К сильным сторонам относятся широкий выбор квантизаций, возможность локального запуска и сравнительно небольшие требования к ресурсам; варианты Q4_K_M, Q5 и Q6 отмечены как рекомендуемые для разных сценариев. Более агрессивная квантизация снижает качество, а конкретные возможности модели, например мультимодальность, длина контекста и поддержка других языков, в README не указаны. Лицензия обозначена как llama3.2.

Карточка модели Mafasasa/Dolphin-Mistral-24B-Venice-Edition на Hugging Face совпадает с карточкой dphn/Dolphin-Mistral-24B-Venice-Edition, поэтому описание составлено по ней. Dolphin Mistral 24B Venice Edition — разговорная модель общего назначения, созданная в совместном проекте Dolphin и Venice.ai на основе Mistral-Small-24B-Instruct-2501. Это плотная модель семейства Mistral 3 с 24 млрд параметров, представленная в формате safetensors и рассчитанная на работу через Transformers; для развёртывания авторы рекомендуют vLLM. Модель предназначена для диалогов и выполнения инструкций в приложениях, где владелец задаёт системный промпт и самостоятельно определяет стиль и правила ответов. Авторы позиционируют её как менее ограниченную настройками поведения, чем обычные коммерческие чат-модели, и сообщают, что она используется как модель Venice Uncensored. В карточке указан стандартный шаблон чата Mistral; авторы рекомендуют низкую температуру генерации, например 0,15. Модель принимает текст и генерирует текст. README не сообщает поддерживаемые естественные языки и длину контекста. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на управляемое поведение, однако её следование инструкциям зависит от системного промпта и параметров генерации; заявленная сниженная цензура означает, что ответы могут включать потенциально вредный или неподходящий контент.

Карточка модели rbinrs/Dolphin-Mistral-24B-Venice-Edition на Hugging Face совпадает с карточкой dphn/Dolphin-Mistral-24B-Venice-Edition, поэтому описание составлено по ней. Dolphin Mistral 24B Venice Edition — разговорная модель общего назначения, созданная в совместном проекте Dolphin и Venice.ai на основе Mistral-Small-24B-Instruct-2501. Это плотная модель семейства Mistral 3 с 24 млрд параметров, представленная в формате safetensors и рассчитанная на работу через Transformers; для развёртывания авторы рекомендуют vLLM. Модель предназначена для диалогов и выполнения инструкций в приложениях, где владелец задаёт системный промпт и самостоятельно определяет стиль и правила ответов. Авторы позиционируют её как менее ограниченную настройками поведения, чем обычные коммерческие чат-модели, и сообщают, что она используется как модель Venice Uncensored. В карточке указан стандартный шаблон чата Mistral; авторы рекомендуют низкую температуру генерации, например 0,15. Модель принимает текст и генерирует текст. README не сообщает поддерживаемые естественные языки и длину контекста. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на управляемое поведение, однако её следование инструкциям зависит от системного промпта и параметров генерации; заявленная сниженная цензура означает, что ответы могут включать потенциально вредный или неподходящий контент.

Многоязычная модель bards.ai для обнаружения и разметки персональных и чувствительных данных в тексте, предназначенная для последующего обезличивания. Она основана на XLM-RoBERTa-base и дообучена для классификации токенов с BIO-метками; охватывает 36 классов сущностей, включая идентификационные и контактные данные, финансовые и технические идентификаторы, сведения о здоровье, биометрические и генетические данные, а также специальные категории GDPR. Модель рассчитана на 24 официальных языка ЕС. Доступны веса Safetensors и ONNX, включая версию ONNX с INT8-квантизацией для CPU; размер модели — 305,2 млн параметров, контекст — до 514 токенов. Подходит для поиска данных перед сохранением документов, писем, обращений и переписок, очистки наборов данных и фильтрации текста в RAG-конвейерах и поисковых индексах. Лицензия — Apache-2.0. Точность зависит от языка, предметной области и качества входа; OCR-ошибки, смешение языков и неоднозначные упоминания могут ухудшать обнаружение. Для соответствия требованиям модель следует использовать как часть процесса проверки и обезличивания, а не как самостоятельную гарантию юридической достаточности.

PS4Research/EVPdEf4TUz3pRa2u — дообученная языковая модель семейства Qwen3, разработанная PS4Research на базе unsloth/Qwen3-14B-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель содержит 14 млрд параметров, построена на плотной архитектуре Qwen3ForCausalLM и принимает текст для генерации текста; поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Модель предназначена для генерации текста и диалоговых сценариев. Её контекстное окно составляет 40 960 токенов. В карточке указан английский язык. Модель распространяется по лицензии Apache-2.0. Специализация дообучения и его качество в карточке не раскрыты.