I.14Автоматизация процессов и AI-агенты

MiniMax M2.5 JANG_3L-CRACK — модель от Jinho Jang на основе MiniMaxAI/MiniMax-M2.5, представленная как смешанно-квантованный вариант для генерации текста и диалогов. В основе лежит архитектура MiniMax M2 MoE: 230 млрд параметров, 256 экспертов и около 10 млрд активных параметров на токен; заявлены стандартное внимание и цепочка рассуждений. В метаданных указано 2,9 млрд параметров, что расходится с размером базовой модели, заявленным в README. Веса обработаны профилем JANG_3L со смешанной точностью 8/4/3 бита; README указывает размер 89 ГБ и запуск на Apple Silicon через MLX Studio или пакет jang-tools. CRACK — заявленное авторами удаление отказов в ответах на уровне весов. Модель предназначена для диалогов и генерации ответов; метаданные указывают интерфейс вызова инструментов. Заявлены английский, китайский и корейский языки, контекст 196 608 токенов. README приводит результаты MMLU, но это заявления авторов карточки. Удаление защитных механизмов может приводить к выдаче опасного или неприемлемого контента. Лицензия в метаданных — Apache-2.0; карточка рекомендует запускать модель в vMLX.

MiniMax M2.7 JANGTQ + CRACK — производная модель Jinho Jang на базе MiniMaxAI/MiniMax-M2.7, предназначенная для генерации текста и диалогового рассуждения. Это разреженная MoE-модель: в README указаны 230 млрд параметров, 256 экспертов и около 10 млрд активных параметров на токен; метаданные каталога указывают 2,9 млрд параметров, поэтому размер модели в источниках расходится. Контекст составляет 196 608 токенов. Модель рассчитана на английский, китайский и корейский языки. Веса подвергнуты экстремальной квантизации JANGTQ: эксперты хранятся в 2-битном формате TurboQuant, а пути внимания, эмбеддинги и выходная голова — в 8-битном; README указывает размер файлов около 55 ГБ. CRACK — вмешательство в веса, удаляющее защитные отказы. Модель ориентирована на запуск через MLX на Apple Silicon; README называет MLX Studio и пакет jang-tools поддерживающими её средствами. Лицензия обозначена как other, поэтому условия распространения следует сверять с карточкой репозитория.

MiniMax M2.7 JANGTQ_K + CRACK — модифицированная версия MiniMaxAI/MiniMax-M2.7, созданная Jinho Jang. Это причинная языковая модель семейства MiniMax M2 в архитектуре MoE для генерации текста, диалога, рассуждений и вызова инструментов. В README указано 230 млрд параметров, около 10 млрд активных на токен и 256 экспертов; в метаданных репозитория указан размер 2,9 млрд параметров. Эти сведения расходятся, поэтому фактический размер модели по доступным данным определить нельзя. Указанное окно контекста — 196 608 токенов. Веса подвергнуты смешанной квантизации JANGTQ_K: слои down_proj хранятся в 4-битном формате, gate_proj и up_proj — в 2-битном, а attention, общие эксперты, embeddings и lm_head — в 8-битном. README сообщает, что размер файла составляет 74 ГБ и что формат поддерживается MLX Studio и пакетом jang-tools; метаданные указывают библиотеку MLX и формат safetensors. Модель также подвергнута CRACK-abliteration: автор заявляет, что вмешательство снимает защитное выравнивание и направлено на сохранение возможностей рассуждения. Модель предназначена для генерации ответов и рассуждений, но её поведение может быть менее безопасным и отказоустойчивым. README описывает её как reasoning-only и предупреждает о возможных циклах при жадной генерации. В языковых тегах указаны английский, китайский и корейский. README заявляет о постоянной цепочке рассуждений перед итоговым ответом и рекомендует длинный лимит генерации для сложных запросов. Лицензия в метаданных обозначена как other; README содержит оговорку о предоставлении модели для исследовательских и образовательных целей, но точные условия лицензии не раскрыты.

MISCHIEVOUS-12B-Mix_0.3v — слитая с помощью SLERP модель генерации текста, созданная bamec66557 на основе двух предыдущих версий MISCHIEVOUS-12B-Mix. Это плотная Mistral-модель с 12,1 млрд параметров для генерации текста и диалогов; в метаданных заявлена длина контекста 1 024 000 токенов и поддержка английского и корейского языков. Модель предназначена для диалогового взаимодействия и других задач генерации текста. В метаданных также отмечен интерфейс вызова инструментов, но подробности его применения в карточке не описаны. Репозиторий использует Transformers и формат safetensors; README дополнительно упоминает вариант GGUF Q4_K_M. Лицензия — Apache-2.0. Метка карточки предупреждает, что модель подходит не для всех аудиторий.

miscii-14b-1028-GGUF — это квантизированная версия языковой модели miscii-14b-1028, разработанной sthenno-com и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста, диалогов, roleplay, conversational-сценариев и, согласно тегам, использования инструментов. Указаны английский и китайский языки, а также датасеты HelpSteer2, Synthetic-Persona-Chat и orpo-dpo-mix-40k. Модель относится к классу примерно 14B параметров; точная архитектура и размер контекста в README не указаны. Доступны варианты от F16 до Q3_K_XL, включая рекомендуемые Q4_K_M, Q5 и Q6-квантизации, что позволяет выбирать между качеством и требованиями к памяти. Модель рассчитана на запуск через llama.cpp и LM Studio. В README приведены результаты Open LLM Leaderboard по IFEval, BBH, MATH, GPQA, MuSR и MMLU-PRO, однако они характеризуют базовую модель, а не обязательно каждый квантизированный файл. Ограничениями являются отсутствие информации о точной архитектуре, максимальном контексте, системных требованиях и детальной оценке качества в прикладных сценариях. Лицензия — Apache-2.0.

MaziyarPanahi/Mistral-7B-Merge-14-v0.1-Mistral-7B-Instruct-v0.1 — текстовая чат-модель, созданная слиянием Mistral-7B-Instruct-v0.1 от Mistral AI и EmbeddedLLM/Mistral-7B-Merge-14-v0.1. В README указано, что использован метод SLERP с настройками смешивания для слоёв self-attention и MLP; результат сохранён в формате bfloat16. Архитектура — плотная MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и ответов на инструкции и диалоговые запросы. В метаданных указан английский язык и возможность чата. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о дополнительных возможностях слияния.

mattshumer/mistral-8x7b-chat — чат-модель на архитектуре Mistral MoE, дообученная Matt Shumer на SlimOrca в течение одной эпохи с помощью QLoRA. Она предназначена для диалогов и генерации ответов по запросу; запуск возможен через Transformers с AutoModelForCausalLM и AutoTokenizer. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. В репозитории представлены веса PyTorch. Карточка описывает обучение на шести H100 в течение девяти часов, но не приводит оценок качества или подробностей о языках и ограничениях ответов. Лицензия в предоставленных данных не указана.

KakaoL0L/mistral_CVetOFFRElast_16bit — дообученная языковая модель KakaoL0L на базе unsloth/mistral-7b-instruct-v0.2-bnb-4bit. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалогового общения. Для обучения использовались Unsloth и библиотека Hugging Face TRL; модель принимает текст и генерирует текст, а заявленная длина контекста составляет 32 768 токенов. Модель может служить основой для чат-ботов и генерации ответов на текстовые запросы. В карточке указаны английский язык и лицензия Apache-2.0. Специализированная область применения и ограничения качества в описании модели не приведены.

MixtureofMerges-MoE-v2 — языковая модель с архитектурой Mixtral MoE, созданная автором jsfs11 с помощью LazyMergekit. Она объединяет четыре модели на основе 7B-чекпойнтов: NeuralBeagle14-7B, TurdusTrixBeagle-DARETIES-7B, WestSeverus-7B-DPO-v2 и Wernicke-7B-v7. Модель предназначена для генерации текста, диалогов, следования инструкциям, рассуждений и творческих ответов. Веса опубликованы в формате safetensors; размер составляет 7,1 млрд параметров, контекст — до 32 768 токенов. В README приведены результаты оценки на Open LLM Leaderboard, включая среднее значение 74,82, AI2 Reasoning Challenge — 72,44 и HellaSwag — 88,41. Модель распространяется по лицензии Apache-2.0. Карточка не уточняет поддерживаемые языки и не приводит подробностей о качестве в прикладных сценариях.

plaincompute/mlx-MOSS-Transcribe-Diarize-8bit — восьмибитная версия MOSS-Transcribe-Diarize для запуска через MLX на Apple Silicon. Веса текстовой части модели квантизированы методом MLX affine quantization с bits=8 и group_size=64; аудиоэнкодер Whisper и VQ-адаптер не квантизированы. Репозиторий основан на vanch007/mlx-MOSS-Transcribe-Diarize. Модель предназначена для распознавания речи из аудиофайлов и разделения транскрипта по говорящим. Метаданные указывают задачу automatic-speech-recognition и поддержку speaker diarization. Используется архитектура MossTranscribeDiarizeForConditionalGeneration с аудиоэнкодером Whisper. Лицензия — Apache-2.0.

Azazelle/Mocha-Sample-7b-ex — объединённая языковая модель, созданная с помощью mergekit из Mistral-7B-v0.1, WizardMath-7B-V1.1, Mistral-7B-v0.1-Open-Platypus и Mistral-7B-OpenOrca. В README указан метод sample_ties и Mistral-7B-v0.1 как базовая модель; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста, в том числе ответов и рассуждений по запросу. В состав объединения входят модели для математических задач, следования инструкциям и общих ответов, поэтому она может быть полезна для решения задач и диалоговых сценариев. Репозиторий содержит веса в формате safetensors, использует библиотеку Transformers и распространяется по лицензии CC BY 4.0.

Monarch-7B-slerp — объединённая модель для генерации текста на основе архитектуры Mistral, созданная mlabonne с помощью LazyMergekit. Она объединяет mlabonne/OmniTruthyBeagle-7B-v0 и mlabonne/NeuBeagle-7B методом SLERP; размер модели — 7,1 млрд параметров, формат файлов — safetensors. Модель предназначена для генерации и продолжения текста, включая диалоговые ответы. Она поддерживает контекст до 32 768 токенов. В README не описаны специальные предметные области или языки; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

zelk12 создал эту диалоговую языковую модель, объединив с помощью SLERP двух предварительно обученных моделей Gemma 2: recoilme/recoilme-gemma-2-9B-v0.3 и zelk12/recoilme-gemma-2-Ifable-9B-v0.1. Модель использует плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров и рассчитана на генерацию текста и диалоговое общение; поддерживает контекст до 8192 токенов. Модель подходит для чат-ботов и генерации ответов на текстовые запросы. В карточке указаны формат safetensors и библиотека Transformers. Сведения о лицензии и конкретных языках в доступных данных отсутствуют, поэтому условия распространения и языковой охват по этой карточке определить нельзя.

mALBERT Base Cased 32k — предварительно обученная многоязычная модель на архитектуре ALBERT от автора репозитория cservan. Она обучена на задаче masked language modeling и предназначена для предсказания скрытых токенов, извлечения признаков текста и дообучения для задач классификации последовательностей, разметки токенов и ответов на вопросы. Модель учитывает регистр символов и использует общие веса для повторяющихся слоёв Transformer. В карточке указаны 12 повторяющихся слоёв, размер скрытого представления 768, 12 голов внимания, словарь SentencePiece размером 32 тыс. токенов и 11 млн параметров; метаданные каталога указывают 137,8 млн параметров и контекст до 512 токенов. Модель обучалась на многоязычной Википедии; метаданные перечисляют поддержку широкого набора языков, включая русский, английский, французский, немецкий, испанский и китайский. Доступна в форматах PyTorch и Safetensors. Модель подходит для заполнения масок и как основа для дообучения на прикладных задачах понимания текста. Это не авторегрессионная модель для свободной генерации текста. Лицензия — Apache-2.0.

RedHatAI/Muse-Glimmer-30B-NVFP4 — мультимодальная генеративная модель, разработанная RedHatAI на основе meta-models/Muse-Glimmer-30B. Она принимает текстовые и графические входные данные и генерирует текст, поэтому предназначена для задач image-text-to-text, мультимодального диалога и инференса с визуальным контекстом. Архитектура указана как MuseGlimmerForConditionalGeneration; точное число параметров базовой модели в README не приведено, но идентификатор указывает на 30B. Модель оптимизирована для инференса с vLLM и использует NVFP4-квантизацию весов и активаций. Квантизуются линейные операторы внутри transformer-блоков, а vision-компоненты, lm_head и embed_tokens исключаются. Переход с 16 на 4 бита уменьшает размер на диске и требования к памяти GPU примерно на 75%, что является ключевым преимуществом для развертывания. README не указывает поддерживаемые языки, размер контекста и количественные показатели качества; приведённый пример калибровки использует последовательности длиной до 2048 токенов, но это не заявленный максимальный контекст модели. Для обслуживания рекомендуется vLLM с поддержкой мультимодального инференса, автоматического выбора инструментов и специализированных reasoning- и tool-call-парсеров. Квантизация может снижать точность по сравнению с исходной моделью, однако конкретное влияние в README не измерено. Модель распространяется по лицензии Apache-2.0.

mxbai-embed-xsmall-v1 — модель для создания текстовых векторных представлений, разработанная mixedbread-ai. Она предназначена для семантического поиска и задач retrieval, включая поиск релевантных документов, ранжирование результатов и построение систем, работающих с embedding-представлениями текста. В README указано, что модель использует библиотеку sentence-transformers и основана на mixedbread-ai/mxbai-embed-mini-v1. В представленном описании не указаны размер модели, архитектура, размерность эмбеддингов, поддерживаемые языки, модальности и максимальная длина контекста. Доступные результаты оценки относятся к retrieval-задачам бенчмарка MTEB, включая ArguAna и различные поднаборы CQADupstack; показатели приведены для NDCG, MAP, recall, precision и accuracy при разных значениях k. Это подтверждает применимость модели для оценки качества поиска, однако не позволяет сделать выводы о её производительности в других сценариях или языках. Лицензия и условия коммерческого или иного использования в README не указаны. Поэтому перед применением модели необходимо отдельно проверить лицензионные условия и совместимость с конкретной задачей.

NaSE (News-adapted Sentence Encoder) — многоязычный энкодер предложений, разработанный для текстов новостной тематики. Модель основана на предварительно обученном энкодере LaBSE и адаптирована к новостному домену на корпусах Polynews и PolyNewsParallel с помощью денойзинг-автокодирования и машинного перевода в формате sequence-to-sequence. Это плотная архитектура BERT с 498,1 млн параметров и контекстом до 512 токенов. На вход модель принимает текст и формирует векторное представление его смысла. Эмбеддинги подходят для оценки сходства предложений, информационного поиска и кластеризации новостных материалов. Модель мультиязычная; карточка перечисляет языки от африкаанс и амхарского до корейского, а метаданные содержат языковые коды более чем для 50 языков. Доступны веса PyTorch, Safetensors и TensorFlow. Лицензия — Apache-2.0. Модель обучалась на одной NVIDIA A100 в течение 100 тысяч шагов. Её специализация на новостях делает её подходящей для сопоставления и поиска новостных текстов, однако качество на других доменах и для языков с малым объёмом обучающих данных может быть ниже; README сообщает, что для обучения отбирались языки и языковые пары с минимум 100 примерами.

Nemotron-Labs-Diffusion-8B-Base — базовая плотная языковая модель на 8 млрд параметров от NVIDIA, построенная на архитектуре Nemotron-Labs-Diffusion. Она поддерживает авторегрессионную генерацию и параллельное декодирование на основе диффузии, переключаясь между режимами изменением шаблона внимания. Режим self-speculation сочетает диффузионное черновое предсказание с авторегрессионной проверкой и общим KV-кешем. Модель предназначена для генерации текста и диалоговых сценариев, где важна скорость декодирования при разных уровнях параллельной нагрузки. В README NVIDIA приводит результаты ускорения self-speculation на конкретных GPU и сравнениях; эти показатели относятся к указанным конфигурациям и не гарантируют ту же скорость в других условиях. Контекст составляет 4096 токенов; репозиторий содержит веса Safetensors, а для работы указана библиотека Transformers версии 5.0 или новее. Карточка обозначает лицензию как other, поэтому перед использованием следует проверить условия NVIDIA для репозитория. Модель — базовый вариант семейства; README также упоминает instruct и vision-language варианты семейства, но эта модель описана как текстовая. Языки обучения или поддержки в предоставленных данных не перечислены.

NightOwl-CodeEmbedding — компактная модель плотных эмбеддингов для поиска по программному коду, сопоставления изменений кода и поиска технических ответов. Модель разработана на основе Shuu12121/NightOwl и дообучена на данных для поиска кода с трудными отрицательными примерами. Использует архитектуру ModernBERT, CLS-пулинг и выдаёт один вектор размерности 768 на входной фрагмент; совместима с sentence-transformers и поиском по косинусному сходству или скалярному произведению. Размер — около 150,7 млн параметров, в репозитории есть форматы safetensors и ONNX. Модель предназначена для семантического поиска по коду и техническим материалам: поиска кода по текстовому запросу, поиска похожих функций, сопоставления намерения с изменением кода и построения RAG-систем по кодовым базам и документации. Поддерживаются Go, Java, JavaScript, PHP, Python, Ruby, Rust и TypeScript; для других языков программирования качество не проверено. Несмотря на указанное в метаданных окно контекста 8192 токена, README сообщает, что входы длиннее 1024 токенов обрезаются, поэтому большие файлы следует делить на фрагменты. Модель специализирована на задачах поиска кода и может уступать универсальным эмбеддинг-моделям на обычном тексте; заявленные результаты бенчмарков в основном относятся к знакомым обучению областям. Лицензия — Apache-2.0.

Это 4-битная версия модели Nous-Hermes-2-Mixtral-8x7B-DPO, преобразованная в формат MLX сообществом mlx-community. Она основана на дообученной NousResearch модели Mixtral-8x7B и предназначена для диалоговой генерации текста и выполнения инструкций. Архитектура — разреженная Mixture of Experts (MoE); модель поддерживает контекст до 32 768 токенов и рассчитана на английский язык. Модель подходит для чат-ботов, ответов на вопросы, помощи с письмом и других задач генерации текста по инструкциям. Репозиторий содержит веса в формате safetensors и предназначен для запуска с MLX. Лицензия — Apache-2.0.

OpenBuddy/openbuddy-mixtral-7bx8-v18.1-32k — многоязычная чат-модель проекта OpenBuddy на архитектуре Mixtral с разреженной смесью экспертов (MoE). Она предназначена для диалогов и генерации текста; карточка приводит размер 7,1 млрд параметров и контекстное окно до 32 768 токенов. Модель работает с китайским, английским, французским, немецким, японским, корейским, итальянским и русским языками. Модель подходит для чат-ботов, ответов на вопросы и генерации текста на поддерживаемых языках. В README приведены результаты бенчмарков рассуждений и здравого смысла, но они не гарантируют качество в конкретной задаче. Распространяется по лицензии Apache 2.0. Авторы предупреждают о возможности ошибочных, вредных или оскорбительных ответов и не рекомендуют использовать модель в критических и высокорисковых сценариях, включая медицинские, финансовые и юридические решения.

Helsinki-NLP/opus-mt-ja-en — модель машинного перевода японского текста на английский, созданная Helsinki-NLP в рамках проекта OPUS. Она основана на архитектуре Transformer-align и использует библиотеку Marian; при обработке применяются нормализация текста и токенизация SentencePiece. Размер модели — 56,3 млн параметров, контекст — до 512 токенов. Метаданные указывают поддержку PyTorch и TensorFlow. Модель предназначена для перевода предложений с японского на английский. В карточке приведены результаты оценки на наборе Tatoeba.ja.en: BLEU 41,7 и chr-F 0,589. Распространяется по лицензии Apache-2.0.

nectec/Pathumma-whisper-th-large-v3 — модель распознавания речи команды Pathumma Audio Team. Она основана на Whisper large-v3 от OpenAI и дообучена для распознавания тайского языка; карточка также указывает английский среди языков модели. Модель содержит около 905,2 млн параметров и доступна в формате safetensors для библиотеки Transformers. Модель предназначена для преобразования аудиозаписей в текст. Её можно использовать для транскрибации тайской и английской речи. README содержит пример запуска через класс pipeline в Transformers, но не приводит подробностей о данных дообучения или результатах оценки качества. Лицензия — Apache-2.0.

Phi-3.5-mini-instruct-24-9-29 — дообученная на наборе данных lmsys_chat версия компактной плотной языковой модели Phi-3.5-mini-instruct от Microsoft. Модель содержит 3,7 млрд параметров, использует архитектуру Phi-3 и рассчитана на генерацию текста и диалоги; для неё указано контекстное окно 4096 токенов. Модель можно использовать для генерации ответов в чате и других текстовых сценариев на основе инструкций. В README приведён результат оценки на тестовой выборке: loss 1,3194. Метаданные указывают лицензию «other»; дополнительных условий использования карточка не описывает.

pii-layout-synth-v15 — дообученная модель jefftherover на базе answerdotai/ModernBERT-base для классификации токенов. Она предназначена для разметки последовательностей текста; по названию репозитория вероятна связь с синтетическими данными о расположении персональной информации, но README не раскрывает назначение и схему меток. Модель содержит 149 млн параметров, использует архитектуру ModernBERT и поддерживает контекст до 8192 токенов. В карточке приведены метрики на оценочном наборе: precision 0,9912, recall 0,9944, F1 0,9928 и accuracy 0,9987; состав набора и методика оценки не описаны. Распространяется по лицензии Apache-2.0.

Kunhao/pile-7b-250b-tokens — языковая модель, опубликованная пользователем или организацией Kunhao на Hugging Face. Она предназначена для авторегрессионной генерации текста и совместима с Transformers, PyTorch, vLLM и SGLang. Карточка Hugging Face помечает её как Llama-модель и показывает использование через AutoModelForCausalLM и pipeline text-generation. По метаданным модель содержит около 5,9 млрд параметров и поддерживает контекст длиной до 4096 токенов. Её можно применять для продолжения текста, генерации ответов и локального или серверного инференса через совместимые инструменты. Мультимодальность и поддерживаемые естественные языки не установлены. Модельная карточка не содержит подробного описания назначения, оценок качества, данных обучения или рекомендаций по безопасному использованию; лицензия также не указана в доступных данных. Поэтому перед коммерческим применением необходимо отдельно проверить условия распространения и качество на целевых данных.

Q2.5-Veltha-14B — объединённая языковая модель на архитектуре Qwen2.5, созданная автором djuna с помощью mergekit и метода della_linear. В качестве основы использована qwen/Qwen2.5-14b, а в объединение вошли пять моделей Qwen2.5-14B, включая диалоговые варианты и модели для ролевого общения и генерации историй. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Она содержит 14 млрд параметров, работает через Transformers и поддерживает контекст до 131 072 токенов. В README приведены результаты оценки, включая 82,92 на IFEval и 49,75 на BBH; описания конкретных сильных сторон и ограничений качества нет. Лицензия в предоставленных данных не указана.

Qwen2.5-3B-Instruct-GGUF — квантованная GGUF-версия языковой модели Qwen2.5-3B-Instruct, разработанной Qwen и подготовленной Second State Inc. Модель предназначена для генерации текста и диалоговых сценариев, включая чат-приложения и развёртывание как локального или серверного сервиса через LlamaEdge. Указан английский язык; модальность — текстовая. Модель содержит около 3 млрд параметров и использует шаблон запросов ChatML. Максимальный размер контекста в конфигурации LlamaEdge составляет 32 000 токенов. Доступны варианты квантования от 2 до 8 бит, f16 и несколько схем GGUF; рекомендуемыми в README названы Q4_K_M, Q5_K_M и Q5_K_S. Квантование уменьшает требования к памяти, однако низкобитные варианты могут заметно терять в качестве, тогда как f16 занимает около 3,09 ГБ. Сильными сторонами модели являются компактный размер, широкий выбор уровней квантования и возможность запуска через LlamaEdge версии 0.14.3 и выше. README не приводит результатов оценки, сведений об архитектуре, кроме формата GGUF и совместимости с LlamaEdge, а также не описывает дополнительные языки или мультимодальные возможности. Модель распространяется по лицензии qwen-research; условия следует уточнять в указанном лицензионном документе Qwen.

Qwen2.5-VL-32B-Instruct-4bit — мультимодальная instruction-tuned модель семейства Qwen2.5-VL, разработанная командой Qwen и преобразованная сообществом mlx-community в формат MLX с помощью mlx-vlm. Модель содержит 32 млрд параметров и использует 4-битное квантование; работать с ней можно через библиотеку Transformers и инструменты MLX. Модель предназначена для обработки изображений вместе с текстовыми запросами: описания изображений, визуального вопросно-ответного диалога, извлечения и интерпретации информации с изображений. В метаданных заявлена поддержка английского языка, контекстное окно составляет 128 000 токенов. Pipeline-модель — image-text-to-text. К сильным сторонам относятся мультимодальное понимание и большой контекст, а 4-битное представление может снизить требования к памяти при локальном запуске. Квантование может повлиять на точность по сравнению с полной версией модели, а заявленная языковая поддержка ограничена английским. Модель распространяется по лицензии Apache-2.0.

dahye58/Qwen3-1.7B-base-MED — текстовая генеративная модель объёмом 1,7 млрд параметров, размещённая на Hugging Face и доступная через библиотеку Transformers. По метаданным она относится к семейству Qwen3, поддерживает контекст до 32 768 токенов и связана с обучением методом supervised fine-tuning (SFT) с использованием TRL; в тегах также указана conversational-направленность. Модель предназначена для генерации текста и может применяться в диалоговых сценариях, создании ответов и последующей интеграции в приложения на базе Transformers. В идентификаторе присутствует суффикс MED, однако README не содержит подтверждённого описания медицинской специализации, данных обучения, результатов оценки, поддерживаемых языков, разработчика или лицензии, поэтому использовать её в критически важных сценариях без дополнительной проверки не следует.