I.11Классификация, ранжирование и сопоставление

Карточка модели Shidokaizaki/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 tiondoubl/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.

jphme/em_german_leo_mistral — диалоговая языковая модель семейства EM German, разработанная для генерации и понимания немецкого текста. Это плотная модель Mistral с 7,1 млрд параметров, обученная следовать разнообразным инструкциям на немецком языке и основанная на LeoLM Mistral — модели Mistral с дополнительным предварительным обучением на немецких текстах. Модель рассчитана на ответы ассистента, диалог и другие сценарии генерации текста на немецком языке; в карточке также упоминается специальный формат промпта для RAG. Она использует формат запросов Vicuna, а размер контекста составляет 32 768 токенов. Для запуска нужны совместимые библиотеки: README отмечает, что новая на момент публикации архитектура Mistral поддерживалась не всеми библиотеками. Модель выпущена под лицензией Apache-2.0. Авторы рекомендуют её как сбалансированный по качеству и вычислительным требованиям вариант семейства, но предупреждают, что результаты могут различаться в зависимости от версии и сценария; при неудовлетворительном качестве предлагают попробовать другую или более крупную модель. В README также сказано, что модель предназначена только для исследовательского использования.

Equatorium-v3-12B — языковая модель на 12,1 млрд параметров, созданная grimjim с помощью mergekit путём слияния нескольких предварительно обученных моделей семейства Mistral. В качестве базовой использована grimjim/mistralai-Mistral-Nemo-Base-2407; также в слияние вошли Rei-V3-KTO-12B, AbMagnolia-v1-12B и Mistral-Nemo-Instruct-2407. Модель использует плотную архитектуру MistralForCausalLM и принимает текст для генерации текста. Модель предназначена для генерации связных ответов и продолжения текста в сценариях, типичных для языковых моделей этого семейства. Автор отмечает, что слияние выбиралось с учётом устойчивости и связности ответов при температуре 1,0 и параметре minP 0,02. Поддерживается контекст до 131 072 токенов. Указана лицензия Apache-2.0.

EvolLLM — слитая модель Beyoru на архитектуре Qwen3, объединяющая Qwen/Qwen3-4B-Instruct-2507 и Qwen/Qwen3-4B-Thinking-2507. Это плотная языковая модель примерно на 3,7 млрд параметров с контекстом до 262 144 токенов; она предназначена для генерации текста в диалогах и выполнения инструкций, а автор позиционирует её как основу для дальнейшего SFT- или GRPO-обучения. В карточке приведены результаты авторских сравнений: преимущество около 3% над instruct-моделью в собственном агентном бенчмарке и превосходство над openfree/Darwin-Qwen3-4B и базовой моделью в ACEBench. Описание не сообщает языки, качество на независимых тестах или ограничения применения. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия в предоставленных данных не указана.

Experiment26T3qm7xp_Inex12Strangemerges_32 — объединённая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и принимает запросы на естественном языке, выдавая текстовые продолжения или ответы. Модель рассчитана на контекст до 32 768 токенов и распространяется в формате Safetensors. Веса получены слиянием automerger/Experiment26T3qm7xp-7B и automerger/Inex12Strangemerges_32-7B. Лицензия — Apache-2.0. В карточке не приведены сведения о специализированных областях или языках модели.

Experiment28M7_T3qT3qm7 — объединённая модель Mistral, созданная из automerger/Experiment28M7-7B и automerger/T3qT3qm7-7B. Она предназначена для генерации текста и может использоваться для диалога и ответов на математические запросы. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Опубликована в формате safetensors под лицензией Apache-2.0. Карточка не сообщает о конкретных языках обучения или ограничениях качества; применимость к отдельным задачам зависит от поведения объединённых моделей.

Experiment28T3q_Multi_verse_modelExperiment28 — объединённая языковая модель семейства Mistral, созданная на основе automerger/Experiment28T3q-7B и automerger/Multi_verse_modelExperiment28-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста по текстовому запросу. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. В метаданных базовая модель описана как экспериментальная и DPO-дообученная математическая модель; дополнительных сведений о специализации или языках карточка не содержит. Лицензия — Apache-2.0.

Fialka-13B-v4 — русскоязычная языковая модель семейства Fialka, представленная автором 0x7o. Это третья версия Fialka, оптимизированная с помощью RLHF; модель настроена следовать инструкциям и поддерживать диалог на русском языке. Карточка описывает её как более отзывчивую и информативную по сравнению с предыдущей версией. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на запросы и выполнение инструкций на русском языке. Она основана на архитектуре GPT-2, принимает текст и выдаёт текст, имеет контекст длиной 2048 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0.

flammen25-mistral-7B — созданная flammenai объединённая языковая модель на архитектуре Mistral, полученная методом SLERP с помощью mergekit из flammenai/flammen24X-mistral-7B и nbeerbower/KawaiiMahou-mistral-7B. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста, включая чатовые и ролевые диалоги. Базовая модель nbeerbower/KawaiiMahou-mistral-7B описана как дообученная на японских данных предпочтений; карточка данной модели не уточняет отдельные языковые характеристики результата. Лицензия — Apache-2.0.

chanwit/flux-7b-base-stage-00 — объединённая языковая модель на архитектуре Mistral, созданная методом SLERP с помощью mergekit из mistralai/Mistral-7B-Instruct-v0.2 и teknium/OpenHermes-2.5-Mistral-7B. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и рассчитана на генерацию текста и диалоговое взаимодействие; максимальный контекст составляет 32 768 токенов. Модель предназначена для генерации ответов и продолжения текста в диалоге. Она объединяет две инструкционно настроенные модели Mistral; в README описана схема слияния, задающая разные веса для слоёв внимания и MLP. Данных о языковом охвате и лицензии в предоставленных источниках нет.

jambroz/FNCARL-7b — диалоговая языковая модель, созданная автором репозитория методом слияния DARE TIES через mergekit. В качестве основы использована mistralai/Mistral-7B-Instruct-v0.2; также объединены Nexusflow/Starling-LM-7B-beta, mlabonne/NeuralBeagle14-7B и CorticalStack/pastiche-crown-clown-7b-dare-dpo. Модель построена на архитектуре Mistral с 7,1 млрд параметров и рассчитана на генерацию текста в диалоге и ответы на инструкции. Поддерживает контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. Лицензия в предоставленных данных не указана. Качество и ограничения модели отдельно не описаны.

djuna/G2-Noranum-27B — это объединённая с помощью SLERP модель генерации текста на базе Gemma 2, созданная из anthracite-org/magnum-v3-27b-kto и mergekit-community/GutenBerg_Nyxora_magnum-v4-27b. Модель содержит 27,6 млрд параметров, использует архитектуру Gemma2ForCausalLM и рассчитана на контекст до 8192 токенов. Модель предназначена для диалоговой генерации текста и следования инструкциям. Её можно использовать для ответов на вопросы, продолжения прозы и ведения беседы. Веса опубликованы в формате safetensors и рассчитаны на работу с Transformers. Сведений о лицензии в предоставленных данных нет.

Карточка модели stevenlearns/gemma-2-2b-it на Hugging Face совпадает с карточкой google/gemma-2-2b-it, поэтому описание составлено по ней. Gemma 2 2B IT — компактная текстовая модель Google, дообученная для следования инструкциям и диалогового взаимодействия на базе google/gemma-2-2b. Это декодерная языковая модель семейства Gemma, работающая по схеме «текст на входе — текст на выходе»; она поддерживается библиотекой Transformers и распространяется в формате Safetensors с открытыми весами по лицензии Gemma. Модель предназначена для генерации текста, ответов на вопросы, суммаризации и диалоговых интерфейсов. Её небольшой размер позволяет запускать её на ноутбуке, настольном компьютере или собственной облачной инфраструктуре с ограниченными ресурсами. В README семейство описано как англоязычное. Ответы могут содержать фактические ошибки и отражать смещения обучающих данных; качество зависит от формулировки запроса и предоставленного контекста. Модель может испытывать трудности со сложными задачами, языковыми нюансами и здравым смыслом. Для приложений, где важны точность и безопасность, необходима проверка результатов и защитные меры.

unsloth/gemma-2-2b-it-bnb-4bit — 4-битная квантованная версия Gemma 2 2B Instruct, опубликованная Unsloth на базе модели Google Gemma 2. Модель предназначена для диалоговых сценариев, генерации и завершения текста, а также дообучения на пользовательских наборах данных с использованием Transformers и bitsandbytes. Модель содержит около 2 миллиардов параметров, использует архитектуру Gemma 2 и поддерживает английский язык. В README не указаны модальности, размер контекста и конкретные показатели качества. Ключевая особенность — прямая 4-битная квантизация, снижающая требования к памяти и подходящая для запуска и дообучения на ограниченных GPU-ресурсах, однако квантизация может повлиять на точность по сравнению с полноразмерной версией. README также не содержит подробных сведений об ограничениях применения. Модель распространяется по лицензии Gemma. Для работы рекомендуется библиотека Transformers, при этом в README отдельно указана необходимость использовать её dev-версию.

Gemma-2-Ataraxy-v2-9B-GGUF — набор GGUF-квантизаций модели Gemma-2-Ataraxy-v2-9B, разработанной lemon07r и квантизированной bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, в том числе в LM Studio. В README указано использование mergekit, однако подробности исходного объединения моделей не приведены. Это текстовая модель размером 9B параметров в форматах от F16 до различных вариантов 2–8-битной квантизации. Доступны варианты с разным балансом между качеством, размером файла и требованиями к памяти; наиболее качественными названы F16, Q8_0 и Q6_K/Q6_K_L, а Q4-варианты предлагают более экономичный запуск. Отдельные форматы оптимизированы для ARM-процессоров и требуют поддержки соответствующих инструкций. Языки, размер контекста, мультимодальность и специализированные сценарии применения в README не указаны. Сильной стороной является широкий выбор квантизаций для локального инференса и совместимость с llama.cpp и LM Studio. При уменьшении разрядности снижаются требования к памяти, но может ухудшаться качество генерации; самые низкоразрядные варианты обозначены как низкокачественные или нежелательные. Лицензия модели в предоставленных данных не указана. Для работы следует использовать рекомендованный шаблон prompt format Gemma с маркерами ролей и начала/окончания хода.

gemma-3-4B-T1-it — текстовая инструкционная модель Twinkle AI, разработанная Liang Hsun Huang, Min Yi Chen, Wen Bin Lin и Dave Sung на базе google/gemma-3-4b-pt. Это плотная модель семейства Gemma 3 с 4 млрд параметров; карточка указывает контекст до 131 072 токенов. Модель дообучена для традиционного китайского языка и тайваньского культурного контекста, также поддерживает английский. Это текстовая версия без обработки изображений. Модель предназначена для диалогов и генерации ответов, учитывающих тайваньскую лексику и общественно-культурные реалии. Её можно применять для базового толкования законов Тайваня, подготовки учебных материалов, повседневных запросов, а также для вызова функций и построения агентных сценариев с внешними инструментами. Разработчики сообщают об обучении на наборах данных по рассуждениям, инструкциям, договорам и длинным документам и приводят результаты собственных оценок, в том числе BFCL. Модель распространяется по лицензии Gemma, доступ к репозиторию Hugging Face ограничен условиями Google. Ответы по праву следует использовать только как вспомогательные: модель не заменяет профессиональную юридическую консультацию. Вызов инструментов требует заданных приложением описаний инструментов и логики управления; опубликованные показатели получены в оценках разработчиков и не гарантируют качество в конкретной задаче.

prithivMLmods/gemma-4-E4B-it-Uncensored-MAX — оптимизированная публикация Gemma 4 E4B Instruct, подготовленная для работы с актуальными версиями Transformers. README указывает, что веса не менялись, а обновлены разбиение на шарды и упаковка; метаданные связывают модель с google/gemma-4-E4B-it как с базовой моделью. Архитектура — Gemma4ForConditionalGeneration, файлы представлены в формате safetensors; размер E4B указан в названии модели. Модель предназначена для мультимодальных и языковых экспериментов, проверки устойчивости к сложным и состязательным запросам, прототипирования и запуска на ограниченных ресурсах. Описание базовой модели указывает на диалог, рассуждения, программирование, анализ изображений и обработку аудио; классификатор каталога определяет задачу как any-to-any. В README подчёркивается, что опубликованные оценки относятся к другой модели и здесь не перепроверялись. Ответы могут быть ошибочными, неполными или непоследовательными и зависят от параметров генерации и формулировки запроса. Для оптимальной производительности рекомендуется GPU, а результат зависит от оборудования и настроек среды. Лицензия — Apache-2.0; авторы позиционируют модель для исследований и обучения и возлагают ответственность за использование результатов на пользователя.

Gemopus-4-E4B-it — дообученная модель Jackrong на базе google/gemma4-E4B-it для диалогового помощника с локальным запуском на мобильных устройствах и маломощных компьютерах. Она принимает текст и изображения и генерирует текст; карточка заявляет поддержку зрения и инструкции для диалога. Модель относится к семейству Gemma 4, имеет плотную архитектуру и распространяется в формате safetensors. В карточке подчёркнуты настройка тона ответов, контекстное ведение многоходового диалога и структурированная подача информации. Указаны английский, китайский, корейский и японский языки. Модель подходит для повседневного помощника на устройстве, написания и редактирования текстов, кратких ответов, форматирования и извлечения сведений из текста или изображений. Автор ориентирует её на сценарии с низкой задержкой и локальной обработкой данных. Контекстное окно и размер модели в карточке не указаны. Лицензия — Apache-2.0. Автор предупреждает, что из-за сравнительно небольшого размера модель уступает крупным облачным моделям в широте знаний и сложных рассуждениях, а на узкоспециализированных темах и сложных математических задачах может допускать ошибки. Модель позиционируется как экспериментальная настройка для локального применения.

GLM-4.5-Air-4bit — это 4-битная версия модели GLM-4.5-Air, преобразованная сообществом mlx-community в формат MLX из исходной модели zai-org/GLM-4.5-Air с использованием mlx-lm 0.26.0. Модель предназначена для генерации текста и может применяться в сценариях диалогового взаимодействия и других задачах текстовой генерации через библиотеку mlx-lm. В карточке указаны поддерживаемые языки English и Chinese, текстовая модальность и совместимость с MLX. Ключевая особенность — 4-битное представление, ориентированное на запуск в экосистеме MLX; точный размер модели, архитектура, максимальная длина контекста и количественные показатели не приведены. Лицензия — MIT. README не содержит подробностей о сильных сторонах, ограничениях качества или требованиях к аппаратному обеспечению, поэтому эти характеристики нельзя определить по имеющимся данным.

jtl11/GLM-4.7-Flash-heretic — это изменённая версия GLM-4.7-Flash от Z.ai с применённой abliteration, предназначенная для генерации текста и диалогов с меньшим числом отказов на запросы. В README приведено сравнение отказов: 32 из 104 у этой версии против 103 из 104 у исходной модели; также указано значение KL divergence 0,0630 относительно оригинала. Метаданные описывают модель как генеративную архитектуру GLM4 MoE Lite с 4,1 млрд параметров, поддержкой чата и контекстом до 202 752 токенов. Карточка связана с исходной моделью zai-org/GLM-4.7-Flash, которая в README описана как MoE-модель класса 30B-A3B; число параметров в метаданных этой копии отличается, поэтому её размер указан по метаданным репозитория. Заявлены английский и китайский языки. Модель распространяется по лицензии MIT.

GLM-5.1 — языковая модель семейства GLM, опубликованная сообществом mlx-community в формате для библиотеки MLX. Модель предназначена для генерации текста и диалогового взаимодействия на английском языке; в метаданных указана архитектурная метка glm_moe_dsa и библиотека mlx. Модель содержит 30,4 млрд параметров и поддерживает контекст длиной до 202 752 токенов. Её можно использовать для продолжения текста, генерации ответов в диалоге и других сценариев text generation на совместимых системах Apple MLX. README не содержит сведений о лицензии, поэтому условия использования по предоставленным данным определить нельзя.

Terra3312/GLM-5.3-Flash-EXL3-4bpw-MUL1 — квантизированная версия GLM-5.3-Flash, разработанного Z.ai, созданная с использованием ExLlamaV3. Модель предназначена для эффективного локального вывода, в частности для ускорения однопоточной генерации на крупных MoE-моделях. Она поддерживает задачи генерации текста и рассчитана на работу с ExLlamaV3; заявлены английский и китайский языки. Модель также включает vision-компонент, однако подробности о поддерживаемых визуальных сценариях в README не указаны. Основной языковой блок использует формат EXL3 с точностью 4,0 bpw, vision-компонент и lm_head — 6 bpw, MTP — 4 bpw. Применяется кодовая книга mul1, совместимая с объединённым путём INT8-активаций GEMV в ExLlamaV3. Это может повысить производительность однопоточного декодирования на совместимых GPU и конфигурациях, но фактическая скорость зависит от архитектуры GPU, длины контекста, tensor parallel, версии среды и нагрузки. Размер модели, архитектура MoE в деталях, максимальная длина контекста и точные характеристики мультимодальности не указаны. Для работы требуется полный каталог репозитория и свежая сборка ExLlamaV3 с поддержкой GLM-5.3-Flash и mul1. Контрольные данные квантизации, промпты, seed и точный commit ExLlamaV3 не были сохранены. Это неофициальный релиз Z.ai или ExLlamaV3. Исходная модель распространяется по лицензии MIT; применимые условия следует уточнять в файле LICENSE и оригинальном репозитории.

GLM-5.3-Flash-Uncensored-GGUF — это квантованные GGUF-версии модели GLM-5.3-Flash от Z.ai, подготовленные и опубликованные OrcaRouter. Модель предназначена для локального запуска в llama.cpp на CPU, CUDA, Metal и ROCm. Она ориентирована на исследовательские задачи, включая интерпретируемость, изучение механизмов отказа, red teaming, оценку устойчивости и контролируемые эксперименты. Вариант uncensored получен удалением значительной части механизмов отказа, поэтому модель может выполнять вредоносные, незаконные или этически проблемные запросы. Модель имеет архитектуру Mixture-of-Experts: около 320 млрд параметров, из которых активно примерно 18 млрд; используется 288 маршрутизируемых экспертов с выбором top-8 и один общий эксперт. Заявлены гибридное линейное и разреженное внимание, Manifold-Constrained Hyper-Connections шириной 4, поддержка текста, изображений и видео, а также контекст до 1 млн токенов. Поддерживаются английский и китайский языки. Доступны квантизации от 2 до 6 бит; Q4_K_M рекомендуется как баланс качества и размера, а Q6_K обеспечивает наивысшую точность среди представленных вариантов. Для обработки изображений требуется отдельный файл mmproj. GGUF-сборки не содержат MTP-голову для спекулятивного декодирования, а для работы необходима свежая версия llama.cpp с поддержкой архитектуры glm5next. Модель распространяется по лицензии MIT, однако её использование требует самостоятельных мер безопасности, модерации и предотвращения злоупотреблений.

GPT4All-MPT — языковая модель Nomic AI, дообученная на базе MPT-7B на корпусе примеров взаимодействия с ассистентом. Она предназначена для генерации ответов в диалоге, решения словесных задач, написания кода, стихов, песен и рассказов. Модель использует архитектуру MPTForCausalLM с плотной структурой и распространяется в формате PyTorch; размер базовой модели — 7 млрд параметров. Модель рассчитана на английский язык и поддерживает генерацию текста в стиле ассистента. Она выпущена под лицензией Apache 2.0. Карточка описывает обучение на датасете nomic-ai/gpt4all-j-prompt-generations, версия v1.3-groovy.

p-e-w/gpt-oss-20b-heretic — текстовая разговорная модель на архитектуре GPT-OSS, созданная на основе openai/gpt-oss-20b с помощью abliteration, направленной на снижение отказов. В карточке приведено сравнение: в тесте на 100 запросах модель отказала в 58 случаях против 100 у исходной модели; KL-дивергенция составила 0,96. README также описывает базовую модель как MoE с 21 млрд параметров и 3,6 млрд активных параметров, контекстом 131 072 токена и форматом Harmony; метаданные репозитория при этом указывают 1,6 млрд параметров. Модель предназначена для диалога, генерации текста и локальных или специализированных сценариев. Базовая модель поддерживает настраиваемый уровень рассуждений, вызов функций и агентные сценарии; в этом репозитории заявлено снижение числа отказов, но приведённый тест не гарантирует поведение на других запросах. Для корректной работы следует использовать формат Harmony. Лицензия — Apache-2.0.

granite-3.0-8b-lab-community-GGUF — это GGUF-квантизированная версия текстовой генеративной модели Granite 3.0 8B lab community, разработанной в экосистеме IBM InstructLab. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; исходная модель указана как instructlab/granite-3.0-8b-lab-community. В метаданных также упоминается набор данных InstructLabCommunity. Модель предназначена для генерации текста и диалоговых сценариев, включая работу через LM Studio и другие совместимые инструменты llama.cpp. Указана поддержка английского языка. Доступны варианты от F16 до разных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Размер базовой модели — 8 миллиардов параметров; сведения об архитектуре и размере контекстного окна в README не приведены. Сильная сторона этой версии — широкий выбор квантизаций: высококачественные варианты Q6 и Q5 рекомендованы для требовательных сценариев, а Q4 и более компактные варианты подходят для запуска при ограниченных ресурсах. Ограничения связаны с потерями качества при низких уровнях квантизации, а также с отсутствием в README подробных данных о производительности, мультиязычности и поддерживаемых модальностях; модель описана как текстовая. Модель распространяется по лицензии Apache-2.0.

Granite Vision 4.1 4B — компактная визуально-языковая модель IBM Research для извлечения структурированных данных из изображений документов и графиков. Архитектура Granite4 Vision объединяет языковую модель на 3,4 млрд параметров и визуальный энкодер с проекторами на 0,6 млрд параметров; модель дообучена на Granite-4.1-3B. Она принимает изображения и текстовые инструкции, а ответы формирует в текстовом виде, включая CSV, HTML, JSON, OTSL, код Python и описания на естественном языке. Модель предназначена прежде всего для преобразования графиков в данные, код или краткие описания, извлечения таблиц со сложной структурой и поиска семантических пар «ключ—значение» в документах с разной вёрсткой. Её также можно применять для описания изображений и в конвейерах обработки документов, в том числе с Docling. Карточка сообщает о 94,2% точности exact match на VAREX в zero-shot режиме; это результат конкретного бенчмарка и не гарантия для других данных. Модель разработана для специализированного извлечения информации и может хуже справляться с открытыми задачами по изображениям. Генеративные ответы могут содержать ошибки, поэтому их следует проверять, особенно в важных процессах. Инструкции обучения были на английском, и качество на документах на других языках может быть ниже. Лицензия — Apache 2.0.

Kwaipilot/HiPO-8B — диалоговая языковая модель Kwaipilot, дообученная на базе Qwen/Qwen3-8B методом, связанным с фреймворком HiPO (Hybrid Policy Optimization for Dynamic Reasoning). Модель предназначена для генерации ответов с управляемым рассуждением: она может выбирать между режимом Think-on с рассуждением и Think-off без него, чтобы сочетать точность с экономией токенов. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 7,6 млрд параметров, работает с текстом и поддерживает контекст до 40 960 токенов. В README описан структурированный формат ответов, в котором путь рассуждения представлен явно. В экспериментах авторы HiPO сообщают об улучшении точности и сокращении длины ответов и частоты включения рассуждений; эти результаты относятся к описанному подходу и не гарантируют аналогичный эффект в каждом сценарии. Репозиторий распространяется по лицензии Apache-2.0. README не уточняет языковой охват и не приводит отдельной оценки качества именно этого чекпойнта.

Locutusque/Hyperion-2.1-Mistral-7B — дообученная версия Locutusque/Hyperion-2.0-Mistral-7B на более высокой скорости обучения. Автор сообщает о небольшом приросте производительности; модель основана на плотной архитектуре MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста. В карточке указано, что она очень охотно выполняет запросы и не отказывает, поэтому перед применением, особенно в корпоративной среде, автор рекомендует дополнительно выровнять её с помощью DPO. Поддержка английского указана в метаданных. Модель опубликована в формате safetensors под лицензией Apache-2.0.