I.14Автоматизация процессов и AI-агенты

Mistral 7B Zephyr SFT V2 — плотная авторегрессионная языковая модель семейства Mistral, дообученная командой W&B на основе mistralai/Mistral-7B-v0.1 по рецепту Zephyr SFT. Для обучения использовалась смесь общедоступных и синтетических наборов данных, включая HuggingFaceH4/deita-10k-v0-sft; модель настроена на диалоговый формат ChatML и предназначена для генерации текста и общения на английском языке. Модель содержит около 7,1 млрд параметров, использует Transformers и формат safetensors, поддерживает контекст до 32 768 токенов. Лицензия — MIT. Качество и поведение зависят от обучающих данных и сценария применения; карточка не приводит отдельной оценки качества или подробных ограничений.

SillyTilly/mistralai_Mistral-Nemo-Base-2407 — копия предварительно обученной языковой модели Mistral-Nemo-Base-2407, разработанной Mistral AI совместно с NVIDIA. Это плотный трансформер MistralForCausalLM с 12,1 млрд параметров, 40 слоями и групповой обработкой ключей и значений (GQA). Модель предназначена для генерации текста и может служить базой для адаптации под конкретные задачи; README также описывает её как замену Mistral 7B. Модель обучена на многоязычных данных и коде. В README заявлено контекстное окно 128 тыс. токенов, тогда как метаданные каталога указывают 1 024 000 токенов; это расхождение не позволяет однозначно определить поддерживаемую длину контекста. Указаны английский, французский, немецкий, испанский, итальянский, португальский, русский, китайский и японский языки. Репозиторий создан 18 июля 2024 года и содержит веса safetensors; лицензия — Apache 2.0. Это базовая, а не инструкционно настроенная модель, поэтому для диалоговых сценариев или специализированных задач может потребоваться дообучение и подходящая обвязка. В README отмечено отсутствие механизмов модерации; качество генераций и следование инструкциям не гарантируются.

ehristoforu/mistral-distil-test-2 — текстовая генеративная модель на архитектуре Mistral, созданная с помощью mergekit методом passthrough из unsloth/Mistral-Nemo-Instruct-2407. В конфигурации указаны слои 0–16 и 18–32 исходной модели; метаданные каталога относят её к дообученным моделям. Репозиторий содержит веса в формате safetensors, число параметров — 9,2 млрд. Модель предназначена для генерации текста в диалоговом формате и может использоваться для ответов на запросы и ведения беседы. Для работы требуется Transformers. В метаданных указан контекст длиной до 1 024 000 токенов, однако README не описывает качество модели или проверку работы с такой длиной контекста. Лицензия в предоставленных данных не указана.

Это конвертированная в формат MLX модель MOSS-Transcribe-Diarize, опубликованная vanch007 для запуска на компьютерах Apple Silicon. Она принимает аудио и предназначена для распознавания речи с диаризацией говорящих; базовая модель также поддерживает обработку длинных записей, временные метки и аннотации акустических событий. В репозитории указаны веса safetensors, а исходную модель скачивать и конвертировать отдельно не требуется. Модель подходит для расшифровки записей с несколькими участниками и подготовки транскриптов с разделением по говорящим. Лицензия — Apache-2.0. README не приводит подробностей о поддерживаемых языках или точном формате результата.

sigridjineth/ModernBERT-korean-large-preview — модель Sentence Transformers, дообученная автором на корейском наборе korean_nli_dataset_reranker_v1 на основе answerdotai/ModernBERT-large. Это плотный энкодер ModernBERT с 394,7 млн параметров: он преобразует предложения и абзацы в векторы размерности 1024, а сходство между ними оценивается косинусной мерой. Максимальная длина входа — 8192 токена; модель предназначена прежде всего для корейского языка. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации на основе эмбеддингов. В README приведены результаты оценки на задачах поиска и сравнения предложений; показатели относятся к указанным оценочным наборам и не гарантируют такую же точность на других данных. Для практического применения модель можно использовать в системах поиска и анализа корейских текстов, передавая её эмбеддинги поисковому индексу или последующим алгоритмам. В предоставленных данных сведения о лицензии отсутствуют.

morisien-embed — модель эмбеддингов предложений на основе XLM-RoBERTa, разработанная для текста на маврикийском креольском языке (Kreol Morisien, mfe) и поиска между ним, английским и французским. Она дообучена на multilingual-e5-base на 35 064 парах предложений из MorisienMT и маврикийской части Kreyòl-MT; содержит 305,2 млн параметров, принимает текстовые последовательности длиной до 514 токенов и создаёт плотные векторы для семантического поиска, извлечения документов для RAG, кластеризации и поиска параллельных текстов. На тестовых данных MorisienMT модель превзошла проверенные универсальные мультиязычные эмбеддинги в измеренных направлениях поиска. Преимущество над LaBSE относится к этому домену: на более сложной проверке с отвлекающими примерами модель не превосходит нетронутую LaBSE. Неформальный и технический регистры мало проверены; смешение маврикийского и гаитянского креольских текстов ухудшает поиск, а длинные документы нужно делить на части из-за усечения входа. Модель распространяется по лицензии MIT.

MOSS-Transcribe-Diarize GGUF — это набор весов в формате GGUF для движка moss-transcribe.cpp, представляющий порт модели OpenMOSS MOSS-Transcribe-Diarize. Исходную модель разработала команда OpenMOSS / MOSI.AI, а конвертацию и C++/ggml-инференс подготовила команда LocalAI. Модель предназначена для распознавания речи в длинных аудиозаписях, определения говорящих и формирования временных меток за один проход. Результат содержит текст, идентификаторы говорящих и интервалы начала и окончания реплик. Модель работает локально на CPU, а также может использовать GPU через доступные бэкенды ggml; для инференса не требуются Python, PyTorch или CUDA toolkit. Веса, токенизатор, mel-фильтрбанк и конфигурация полностью включены в GGUF. Доступны варианты от F16 до Q4_0; квантованные версии значительно меньше и быстрее, при этом варианты до Q5 сохраняют побайтное совпадение транскрипта с эталонной моделью на проверочном примере, а Q4 дают совпадение слов с небольшими отличиями во временных метках. Размеры файлов составляют примерно от 511 МБ до 1,8 ГБ. Языки, максимальная длина контекста и точные архитектурные параметры в карточке не указаны. Модель распространяется по лицензии Apache-2.0; движок moss-transcribe.cpp имеет лицензию MIT.

zelk12 создал эту объединённую языковую модель на основе Gemma 2, объединив методом SLERP две модели: zelk12/MT4-Gen5-GP-gemma-2-MTMMT3g4-9B и zelk12/MT4-Gen5-MA-gemma-2-MT4g2MT3g4-9B. Модель использует плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров и рассчитана на генерацию текста и диалоги; для запуска доступна в формате safetensors через Transformers. Модель принимает текст и генерирует текст, а её контекстное окно составляет 8192 токена. Карточка не описывает отдельные специализированные области или языки, поэтому её назначение следует считать общим. Условия лицензии в предоставленных данных не приведены.

zelk12 выпустил эту диалоговую языковую модель как слияние двух предварительно обученных моделей Gemma 2 с помощью метода SLERP в mergekit. Модель содержит 9 млрд параметров, использует архитектуру Gemma2ForCausalLM и предназначена для генерации текста и общения в чате. Контекст модели составляет 8192 токена; файлы доступны в формате safetensors. Модель подходит для диалоговых ассистентов, ответов на вопросы и генерации текста. README не описывает её языковое покрытие, поэтому нельзя определить приоритетный язык. Модель распространяется с лицензией базовой модели Gemma 2.

Mursit-Embed-Qwen3-1.7B-TR — модель эмбеддингов, разработанная newmindai для семантического поиска и извлечения информации на турецком языке. Она основана на Mecellem-Qwen3-1.7B-TR и преобразована из авторегрессионной архитектуры Qwen3 в двунаправленную модель с mean pooling. Модель содержит 1,7 млрд параметров, формирует векторы размерности 2048 и рассчитана в README на последовательности до 1024 токенов; метаданные указывают контекст до 40960 токенов. Модель обучалась для поиска по турецким документам, в том числе юридическим, на наборе MS MARCO-TR из 920 106 триплетов. Она подходит для семантического поиска, ранжирования релевантности, сопоставления предложений и поиска по документам; README также называет сценарии вопросно-ответных систем и межъязыкового поиска. В бенчмарке MTEB-Turkish указана оценка 56,84, однако в юридических задачах модель заметно уступает некоторым encoder-only моделям. Доступны форматы Safetensors и ONNX, библиотека — Sentence Transformers. Лицензия — Apache-2.0.

vantk85/my-embedding-gemma — модель Sentence Transformer, созданная дообучением google/embeddinggemma-300m. Она кодирует предложения и абзацы в плотные векторы размерностью 768 для сравнения по косинусному сходству; максимальная длина последовательности — 2048 токенов. Модель подходит для семантического поиска, оценки сходства текстов, поиска перефразировок, классификации и кластеризации. Дообучение описано на наборе из трёх парных примеров вопросов о финансовых и страховых продуктах с использованием MultipleNegativesRankingLoss. Такая малая выборка не подтверждает надёжное качество на широком круге задач и предметных областей. Репозиторий содержит веса safetensors и рассчитан на работу с библиотекой Sentence Transformers. Лицензия в предоставленных данных не указана.

MaziyarPanahi/NeuralsirkrishnaShadow_Experiment27Experiment28 — объединённая модель на архитектуре Mistral, созданная слиянием automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment27Experiment28-7B. Она предназначена для генерации текста и может использоваться в сценариях, где требуется продолжение текста или ответы в текстовой форме. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов; веса доступны в формате safetensors. Лицензия — Apache 2.0.

NeuralsirkrishnaShadow_Strangemerges_32Shadow — объединённая модель семейства Mistral от MaziyarPanahi, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/Strangemerges_32Shadow-7B. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров для генерации текста; контекст поддерживает до 32 768 токенов. Модель подходит для генерации продолжений и ответов на текстовые запросы в приложениях, которым нужна языковая модель общего назначения. Она распространяется в формате safetensors по лицензии Apache-2.0. Доступные сведения не описывают специальную настройку под отдельные языки или предметные области, а также не приводят оценок качества.

NeuralsirkrishnaT3qm7x-7B — автоматически объединённая Maxime Labonne языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием Kukedlc/NeuralSirKrishna-7b и nlpguy/T3QM7X методом SLERP; веса представлены в формате safetensors и типе bfloat16. Модель предназначена для генерации текста и диалогов. Она принимает текст и выдаёт текст, поддерживая контекст до 32 768 токенов. В метаданных не указаны специальные предметные области или конкретные языки. Модель распространяется по лицензии Apache-2.0. Карточка содержит краткий пример загрузки через Transformers, но не приводит оценок качества или сведений о специальных возможностях.

nztinversive собрал эту плотную языковую модель методом TIES с помощью mergekit на основе NousResearch/Llama-2-7b-hf, объединив веса Mistral-7B-Instruct-v0.2 и Orca-2-7b. Модель содержит 6,6 млрд параметров, распространяется в формате safetensors и предназначена для генерации текста по запросам и инструкциям. Максимальная длина контекста составляет 4096 токенов. Модель можно применять для диалоговых ответов, черновиков и других текстовых задач общего назначения. В карточке не указаны отдельные языковые предпочтения или специализированная предметная область. Лицензия в предоставленных данных не указана; качество и ограничения этого конкретного слияния отдельно не описаны.

julianmb опубликовал экспериментальные GGUF-квантизации базовой модели NVIDIA Nemotron 3.5 Lightning 30B-A3B из BF16 с использованием семейства ROCmFP4. Это языковая модель для генерации текста с гибридной архитектурой Mamba-2, Attention и MoE: 52 слоя, около 31,6 млрд параметров всего и 3,5 млрд активных на токен; задействуются 6 из 128 маршрутизируемых экспертов и один общий эксперт. Заявленная длина контекста — 262 144 токена. В репозитории есть три варианта квантования, ориентированные на разные компромиссы скорости и качества, включая профиль для AMD Strix Halo. Карточка сообщает результаты замеров производительности и perplexity на указанном оборудовании; они не гарантируют такие же показатели на других системах. Модель предназначена для локального запуска через специальный форк ROCmFPX llama.cpp: нестандартные типы тензоров ROCmFP4 не загружаются в основной версии llama.cpp. Конвертацию выполнил julianmb, исходные веса и архитектура — NVIDIA. Лицензия — OpenMDW-1.1.

OLMo 2 32B — авторегрессионная языковая модель на архитектуре Transformer, разработанная Allen Institute for AI (Ai2). Это базовая плотная модель с 31,7 млрд параметров, предназначенная для генерации текста и дальнейшей адаптации под прикладные задачи. В README указано обучение на 6 трлн токенов: предварительное обучение на OLMo-mix-1124 и промежуточное обучение на Dolmino-mix-1124. Модель поддерживается библиотекой Transformers. Модель рассчитана прежде всего на английский язык и принимает текст, генерируя текст в контекстном окне 4096 токенов. Весовые файлы доступны в формате safetensors. Разработчики опубликовали код, контрольные точки и материалы обучения. Модель выпущена по лицензии Apache 2.0. Как и другие большие языковые модели, OLMo 2 32B может выдавать фактические ошибки, предвзятые или вредоносные ответы; сгенерированные сведения следует проверять. Дата отсечения знаний, указанная в карточке, — декабрь 2023 года.

Карточка модели OpenBuddy/openbuddy-llama2-70b-v10.1-bf16 на Hugging Face совпадает с карточкой OpenBuddy/openbuddy-llama2-13b-v11.1-bf16, поэтому описание составлено по ней. OpenBuddy — многоязычная чат-модель на базе LLaMA 2, представленная в варианте с 13 млрд параметров и весами bf16. Она предназначена для диалогов и генерации текста; в метаданных указаны языки китайский, английский, французский, немецкий, японский, корейский, итальянский и русский. Модель использует плотную архитектуру LlamaForCausalLM, работает через Transformers и поддерживает контекст до 4096 токенов. Модель подходит для чат-ботов, ответов на вопросы и генерации текста на поддерживаемых языках. README предупреждает, что ответы могут быть ошибочными, вредными или оскорбительными, поэтому модель не следует применять в критически важных сценариях, включая медицинские, финансовые и юридические решения, или для управления потенциально опасными системами. Использование зависит от лицензии Meta на LLaMA: требуется одобрение Meta и соответствие её условиям.

OpenBuddy/openbuddy-llama3-70b-v21.2-32k — многоязычная чат-модель, разработанная OpenBuddy на базе Meta Llama 3 70B Instruct. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров, предназначенная для диалога и генерации текста. В карточке заявлена поддержка английского и китайского; метаданные также перечисляют французский, немецкий, японский, корейский, итальянский и финский языки. Указанный в названии вариант 32k, однако метаданные сообщают нативный контекст в 131 072 токена. Модель подходит для ответов на вопросы и других диалоговых сценариев. Для использования автор рекомендует быстрый токенизатор Transformers; карточка предупреждает, что некоторые альтернативные реализации могут некорректно обрабатывать специальные токены. Лицензия указана как other, а README приводит условия OpenBuddy и отсылает к Acceptable Use Policy. Авторы предупреждают, что ответы могут быть ошибочными или вредными, и не рекомендуют применять модель в критических и высокорисковых ситуациях.

bunnycore/Phi-4-Avg — объединённая языковая модель, созданная с помощью mergekit линейным слиянием предварительно обученных моделей. В слияние вошли JackCloudman/phi-4-unsloth-jackterated и mergekit-community/mergekit-passthrough-ywynqau; конфигурация задаёт для обеих моделей вес 1.0. В метаданных указаны архитектура LlamaForCausalLM, плотная модель размером 14,1 млрд параметров и библиотека Transformers. Модель предназначена для генерации текста и диалогового взаимодействия. Репозиторий содержит веса в формате Safetensors; заявленная длина контекста — 16 384 токена. Дата публикации на Hugging Face — 11 января 2025 года. Сведения о лицензии в предоставленных данных отсутствуют.

Это квантизированная версия Phi-4-reasoning-plus, разработанная AMD на основе модели Microsoft с использованием LLM Compressor. Модель предназначена для генерации текста и задач рассуждения, включая сценарии локального вывода на процессорах AMD EPYC. Она поддерживает только текстовые входы и выходы, указанный язык — английский, а запуск рассчитан на Linux с использованием vLLM. Архитектура модели обозначена как Phi3ForCausalLM. Применена 4-битная квантизация только весов W4A16 методом GPTQ: веса INT4 имеют симметричное групповое представление с размером группы 128, а активации сохраняются в формате BF16. Квантизация выполнена в формате compressed-tensors, при этом lm_head не квантизировался. Для CPU-инференса предусмотрена оптимизация через ZenDNN и ZenTorch; заявлена совместимость с AMD EPYC, ZenDNN 6.1.0, ZenTorch 2.11.0.3, PyTorch 2.11.0 и vLLM 0.26.0. Главное преимущество модели — уменьшенный размер весов и возможность эффективного вывода на AMD CPU при сохранении качества, близкого к исходной BF16-модели: на GSM8K получено 0,8688 против 0,8704 у базовой версии, то есть восстановлено 99,82% результата. Ограничения включают привязку к указанным версиям программного стека, ориентацию на CPU AMD EPYC и возможное снижение точности из-за агрессивной 4-битной квантизации. Модель распространяется по лицензии MIT; README также указывает, что она предоставляется на условиях лицензии исходной модели.

Это модель Sentence Transformers, созданная iambestfeed дообучением вьетнамского энкодера vinai/phobert-base-v2 на наборе vnexpress-data-similarity из 74 620 пар текстов. Архитектура основана на RoBERTa: токенные представления объединяются усреднением, а на выходе модель строит плотный вектор размерности 768; сходство векторов оценивается косинусной мерой. В метаданных указано 162,4 млн параметров и контекст до 258 токенов, а карточка модели описывает максимальную длину последовательности в 256 токенов. Модель предназначена для поиска семантически близких вьетнамских предложений и документов, сравнения текстов, поиска перефразирований, кластеризации и использования эмбеддингов в классификации. Обучение на новостных данных VnExpress адаптирует её к поиску сходства в этом корпусе; это не универсальная генеративная модель. Лицензия в предоставленных данных не указана.

ProSparse-MiniCPM-1B-sft — языковая модель с причинной архитектурой MiniCPM, разработанная и дообученная ModelBest, OpenBMB и THUNLP на основе MiniCPM-1B-sft-bf16. Она предназначена для генерации текста и выполнения задач с продолжением текста; обучение для разреживания активаций ориентировано на ускорение инференса при сохранении сопоставимого качества. Модель содержит 1,4 млрд параметров, принимает текст и имеет контекст до 4096 токенов. В ходе обучения активации FFN заменены на ReLU, применена прогрессивная L1-регуляризация, затем использована FATReLU с положительным порогом. В README сообщается о разреженности активаций 87,89% для версии MiniCPM-1B и о проверке на задачах генерации кода, рассуждений и понимания прочитанного. Указаны английский и китайский языки. Модель опубликована в формате PyTorch под лицензией Apache-2.0. README отмечает, что больше обучающих токенов и более широкие или качественные данные могли бы улучшить качество на конкретных задачах.

Карточка модели prompt-agnostic-language-models/Qwen-1B_ties на Hugging Face совпадает с карточкой Qwen/Qwen3-0.6B-Base, поэтому описание составлено по ней. Qwen3-0.6B-Base — базовая плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это предварительно обученная модель примерно с 508 млн параметров: 28 слоёв, группированное внимание с 16 головами Q и 8 головами KV. Она принимает текст и генерирует продолжение, служит основой для дообучения и адаптации под прикладные задачи. Модель предназначена для языкового моделирования общего назначения, включая генерацию текста, работу с кодом, STEM-темами, логическими рассуждениями и многоязычными данными. Контекстное окно составляет 32 768 токенов. В README указано, что семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; перечень языков, поддерживаемых именно этой базовой версией, отдельно не приведён. Модель распространяется под лицензией Apache-2.0. Это базовая предобученная версия, поэтому для диалогового помощника или специализированного приложения обычно потребуется дообучение либо настройка шаблона запросов; карточка не приводит конкретных гарантий качества для таких сценариев.

AvoCahDoe/qwen2-5-7b-rlmpq-balanced — вариант Qwen2.5-7B, подготовленный методом RL-MPQ (Reinforcement Learning Mixed-Precision Quantization) для сбалансированного соотношения размера и качества. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Базовая модель — Qwen/Qwen2.5-7B; средняя точность квантования составляет 3,3929 бита на вес. Репозиторий содержит fake-quantized веса FP16 и политику распределения битности по слоям; модель совместима с Transformers и имеет контекстное окно до 131 072 токенов. В README качество проверяется по perplexity на WikiText-2, однако численное значение для сценария Balanced в доступной части карточки отсутствует. Модель может применяться для диалога и генерации текста, но квантование смешанной точности способно влиять на качество, а приведённые сведения не подтверждают результаты для других задач или языков. Лицензия — Apache-2.0.

jubaerrr/Qwen2.5-Coder-0.5B-Instruct-Gensyn-Swarm-screeching_iridescent_butterfly — компактная instruction-tuned causal language model, опубликованная пользователем jubaerrr и основанная на семействе Qwen2.5-Coder, разработанном командой Qwen компании Alibaba Cloud. По идентификатору модели и доступным сведениям, она представляет собой вариант Qwen2.5-Coder-0.5B-Instruct, дообученный в рамках Gensyn Swarm. Модель предназначена прежде всего для генерации, понимания и исправления программного кода, а также для диалогового выполнения инструкций, связанных с программированием. Она использует архитектуру Transformer и содержит около 0,5 млрд параметров; поддерживает текстовую генерацию и контекст до 32 768 токенов. Компактный размер облегчает запуск в ограниченных по ресурсам средах, но предполагает более слабые возможности по сравнению с крупными моделями, особенно на сложных задачах программирования. Точный набор языков, результаты оценки, ограничения безопасности и лицензия для этого производного варианта в доступных источниках не указаны.

qingy2019 дообучил плотную языковую модель Qwen2.5-14B-Instruct на базе unsloth/qwen2.5-14b-instruct-bnb-4bit на 400 шагах с использованием Unsloth и TRL. Модель содержит 14 млрд параметров, принимает текст и поддерживает генерацию текста и диалоговый режим с контекстом до 32 768 токенов. Модель предназначена для генерации ответов и диалогов общего назначения. В обучении использовался набор garage-bAInd/Open-Platypus; карточка называет модель Qwen2.5-Math, но не приводит отдельного описания математической специализации. Опубликованные результаты включают оценки IFEval и BBH, однако данных для вывода о качестве на широком наборе задач недостаточно. Модель распространяется по лицензии Apache-2.0.

Dohyeon1/Qwen3-30B-A3B-Sub-MoE-ngroups64-adaptive — языковая генеративная модель на базе архитектуры Qwen3 MoE, доступная для использования через библиотеку Transformers. По метаданным модель содержит 2,6 млрд параметров и поддерживает контекст до 40 960 токенов; назначение и сведения о разработчике в README не описаны. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на запросы, продолжение текста и интеграцию в приложения на базе Transformers. Метаданные также указывают на conversational-режим и формат safetensors. Сильными сторонами являются поддержка длинного контекста и специализированная MoE-архитектура, отражённая в названии и тегах модели. README не содержит результатов оценки, данных о языках, обучении, ограничениях безопасности или лицензии, поэтому пригодность для конкретных задач и условия распространения требуют дополнительной проверки.

Это дообученная компанией clijo диалоговая языковая модель Qwen3-4B-Instruct-2507, обученная с помощью TRL. Она предназначена для генерации текста в ответ на инструкции и вопросы в формате диалога; карточка не уточняет отдельные специализации дообучения. Модель использует плотную архитектуру Qwen3ForCausalLM и содержит 3,7 млрд параметров. Нативная длина контекста — до 262 144 токенов. Репозиторий содержит веса в формате safetensors; метаданные указывают на поддержку чата. Лицензия в предоставленных данных не обозначена.

Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-NEO-MAX-MTP-GGUF — открытая многоэтапно дообученная и объединённая модель на базе Qwen3.6-27B. В создании участвовали DavidAU, Nightmedia, TeichAI, armand0e и trohrbaugh; использовались собственные и внешние наборы данных, включая DavidAU/Polar-STRICT-Datasets и DavidAU/F451-STRICT-Datasets. Модель распространяется в формате GGUF, включая обычные и MTP-квантизации, и рассчитана на использование на потребительском оборудовании. Модель предназначена для широкого спектра задач: следования инструкциям, решения задач, рассуждений, программирования, творческого письма, работы с художественными текстами и ролевых сценариев. Заявлена поддержка текста и изображений, а также английского и китайского языков. По данным авторов, она улучшает следование инструкциям, общий интеллект и reasoning по сравнению с базовой моделью; заявленные результаты превосходят базовый Qwen3.6-27B в шести из семи тестов. Эти показатели представлены авторами и не подтверждены независимой проверкой в README. К ограничениям относятся отсутствие сведений о размере контекстного окна, точных параметрах архитектуры, поддерживаемых форматах изображений и фактическом качестве на разных языках и задачах. Маркировка uncensored и heretic указывает на ослабление стандартных ограничений безопасности, поэтому модель может генерировать нежелательный или рискованный контент. Лицензия — Apache-2.0.