I.14Автоматизация процессов и AI-агенты

Qwen3.5-35B-A3B-APEX-GGUF — набор GGUF-квантований базовой модели Qwen3.5-35B-A3B, подготовленный командой LocalAI. Модель относится к семейству MoE: в исходной версии 35 млрд параметров, из которых около 3 млрд активируются для каждого токена; заявлены 256 экспертов в MoE-слое и выбор восьми экспертов вместе с общим экспертом. APEX распределяет точность квантования по слоям и типам тензоров, а варианты с индексом I используют калибровку imatrix для разных сценариев. В репозитории есть несколько конфигураций для баланса качества, размера и скорости, включая файлы около 12–24 ГБ, а также проектор зрения mmproj. Модель предназначена для локального диалога и генерации текста, в том числе для интерактивного использования и развёртывания через llama.cpp или LocalAI. README сообщает о сравнительных метриках квантований и заявляет, что некоторые варианты близки к Q8_0 и F16 по качеству при меньшем размере; эти результаты относятся к экспериментам авторов. Метаданные указывают поддержку чата и лицензию Apache-2.0. Хотя базовая модель описана как мультимодальная, карточка этой сборки определяет главную задачу как генерацию текста; наличие mmproj само по себе не уточняет поддерживаемый визуальный сценарий в данной конфигурации.

Mungert/Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2-GGUF — GGUF-версия дообученной модели Qwen3.5-9B, ориентированной на рассуждения. Модель создана на базе Qwen/Qwen3.5-9B с использованием материалов, связанных с проектом Jackrong, библиотеки Unsloth и llama.cpp. Для обучения заявлены наборы данных с примерами рассуждений в стиле Claude Opus 4.6 и другие коллекции reasoning-данных. Модель предназначена для задач, требующих пошагового анализа: математики, текстовых задач, логической дедукции, общих знаний и выполнения инструкций. Во второй версии использовано около 14 000 образцов рассуждений с акцентом на более короткие и экономичные цепочки рассуждений, чтобы снижать вычислительные затраты без потери качества. Также приводятся результаты HumanEval и HumanEval+, которые используются как оценка переноса общих навыков рассуждения на программирование, а не как прямая цель обучения. Ключевая характеристика — размер базовой модели 9B и распространение в формате GGUF, удобном для запуска через совместимые инструменты локального инференса. В карточке указаны языки English, Chinese и Korean, а также тег image-text-to-text, однако подробности о мультимодальных возможностях, размере контекста и поддерживаемых форматах входных изображений не приведены. Ограничением является возможное снижение широких универсальных способностей из-за объема и направленности SFT-обучения; кодовая специализация также не была основной частью обучения. Модель распространяется по лицензии Apache-2.0.

mradermacher/Qwen3.5-KETI-HAECHI-27B-i1-GGUF — GGUF-квантизированная версия модели KETI-NLP/Qwen3.5-KETI-HAECHI-27B, подготовленная mradermacher. Модель ориентирована на корейский и английский языки и относится к мультимодальным vision-language моделям. Она предназначена для задач image-text-to-text, распознавания текста на изображениях, работы с материалами культурного наследия, использования инструментов и сценариев с длинными цепочками рассуждений. Поддерживаются текстовые и визуальные входные данные; для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Размер базовой модели составляет 27B параметров. Репозиторий содержит варианты GGUF-квантизации от IQ1_S до Q6_K размером примерно от 7,2 до 22,2 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Более агрессивные варианты могут заметно снижать качество; Q4_K_M обозначен как рекомендуемый по сочетанию скорости и качества. Точный размер контекста и архитектурные детали в README не указаны. Модель распространяется по лицензии Apache-2.0. К ограничениям относятся зависимость качества от выбранного уровня квантизации, необходимость дополнительного multimodal-компонента для обработки изображений и отсутствие в README подробных результатов оценки, характеристик контекста и требований к аппаратному обеспечению.

Elsephire/Qwen3.6-35B-A3B-Ornith-80-20-Beta — бета-модель, созданная Elsephire слиянием Qwen3.6-35B-A3B и Ornith-1.0-35B в соотношении 80/20 методом Task Arithmetic. Она предназначена для диалогов и задач с изображениями; метаданные также отмечают интерфейс вызова инструментов. Архитектура — Qwen3.5 MoE, модель загружается через Transformers, веса представлены в safetensors. Базовая модель Qwen описана в каталоге как мультимодальная модель на 35 млрд параметров; размер активной части и длина контекста для этой модели не подтверждены. Модель принимает текст и изображения и генерирует текст. Разработчик обозначает выпуск как бета-версию и приглашает тестировать её и сообщать об ошибках, поэтому качество и стабильность могут быть непредсказуемыми. Лицензия — MIT.

Qwen3.8-27B-NVFP4-GGUF — квантизированная версия мультимодальной модели Qwen3.8-27B, разработанной Qwen и подготовленной LibertAI. Модель предназначена для текстовых и визуальных сценариев, включая генерацию текста по изображениям и видео, а также обычный текстовый inference через llama.cpp. Поддерживается английский язык; данные о других языках в карточке не приведены. Веса представлены в формате GGUF и используют NVFP4-квантизацию с размером группы 16 только для линейных слоёв MLP языковой модели. Attention-слои, vision tower, MTP-блок, embeddings и lm_head сохранены в BF16. Доступны варианты Q4_K_M, Q8_0 и BF16 для неквантизированных тензоров; рекомендуемый Q4_K_M занимает около 15,8 ГБ. Для обработки изображений и видео требуется отдельный файл mmproj с vision tower F16. Заявленный контекст — до 32 768 токенов при использовании приведённой конфигурации llama.cpp. Главное преимущество модели — ускоренная обработка, особенно prefill и пакетное обслуживание нескольких запросов, на GPU NVIDIA Blackwell с native NVFP4 tensor-core math. Для этого требуется llama.cpp с CUDA 12.8 или новее и архитектура sm_120; на более старых GPU модель запускается, но преимущество NVFP4 не гарантируется. К ограничениям относятся калибровка преимущественно на англоязычных новостных текстах, отсутствие измерений для многоязычных и программных задач, а также ограниченная проверка качества vision tower. Модель распространяется по лицензии Apache 2.0 с условиями и политиками исходной Qwen3.8-27B.

Mantisec выпустил FP16-представление модели Qwen3.8-27B-OBLITERATED, преобразованное из OBLITERATUS/Qwen3.8-27B-OBLITERATED. Это плотная мультимодальная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для диалогового взаимодействия и обработки изображений с текстом. Версия рассчитана на инференс и дообучение на видеокартах NVIDIA V100, где FP16 подходит для тензорных ядер Volta. Веса переведены из BF16 в FP16 со стратегией проверки диапазона: значения, не представимые в конечном диапазоне FP16, отклоняются, а не обрезаются. README сообщает об успешной проверке генерацией и полном совпадении токенов с исходной моделью в этой проверке, при небольшом расхождении логитов. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Условия лицензии в предоставленных данных не описаны.

Qwen3.8-27B-TURBO-Fable-MXFP4-awq — мультимодальная квантованная модель, опубликованная just1moremodel. Она основана на Qwen3.8-27B и производной модели DavidAU Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU, созданной с применением многоэтапного обучения Cold Fusion и GAIN, а также модификации с неограниченным поведением. Модель предназначена для следования инструкциям, генерации творческого текста и диалоговых сценариев без встроенного защитного выравнивания; заявлен английский язык. Модель имеет плотную архитектуру на 27 млрд параметров и 64 слоя, представлена архитектурой Qwen3_5ForConditionalGeneration с сохранённой vision tower, поэтому поддерживает текстовые и визуальные входы. Контекст при рекомендованном запуске через vLLM составляет до 32 768 токенов. Веса сжаты методом AMD Quark MXFP4 W4A8 с AWQ: веса используют fp4 с размером группы 32, активации — динамический fp8. Размер файла модели составляет около 18,04 GiB вместо примерно 55 GB для исходной BF16-версии; предусмотрена поддержка speculative decoding через MTP. К сильным сторонам относятся существенное снижение требований к памяти, поддержка мультимодальности, режимов рассуждения и совместимого с OpenAI API сервинга через vLLM. Модель проверена на AMD RDNA4 в конфигурации TP2 и обеспечивает связные ответы, однако требуется совместимый стек vLLM с ядрами Quark/MXFP4; на одной видеокарте с 32 GB памяти запуск может быть слишком тесным. Квантование может немного ухудшать качество по сравнению с BF16, а формальные сравнительные бенчмарки не представлены. Модель не имеет встроенных ограничений безопасности и предназначена для взрослых, исследовательских и ответственных сценариев использования. Лицензия — Apache-2.0.

Qwen3.8-27B-Uncensored-GGUF — набор GGUF-квантов 27-миллиардной модели Qwen3.8, подготовленный OrcaRouter на основе Qwen/Qwen3.8-27B. Это abliterated-версия с существенно удалёнными механизмами отказа от ответов. Модель предназначена для локального запуска через llama.cpp, включая сценарии исследований интерпретируемости, AI-безопасности, red-teaming и оценки устойчивости. Для практического применения требуется самостоятельно добавлять механизмы модерации и безопасности. Модель представляет собой плотную hybrid-attention архитектуру, сочетающую линейное внимание Gated DeltaNet и обычное full attention. Она поддерживает текст и изображения, reasoning, tool calling и MTP-голову для speculative decoding. Заявлены английский и китайский языки. Для обработки изображений нужен отдельный vision-проектор mmproj; поддерживаются CPU, CUDA, Metal и ROCm. Доступны варианты квантования от 2 до 16 бит, размер файлов — примерно от 8,9 до 54,7 ГБ; Q4_K_M указан как основной баланс качества и размера, а IQ4_XS — как предпочтительный вариант среди низкобитных квантов. К сильным сторонам относятся широкий выбор квантований, локальный запуск на различных аппаратных платформах, мультимодальность, поддержка инструментов и более эффективное speculative decoding с MTP. Ограничения включают необходимость свежей версии llama.cpp с поддержкой архитектуры qwen35 и MTP, заметное снижение качества у низкобитных вариантов, а также отсутствие встроенных защитных ограничений: модель может выполнять вредоносные или незаконные запросы. Лицензия — Apache 2.0, унаследованная от базовой модели; использование должно соответствовать законодательству и условиям лицензии.

bartowski/Qwen_QwQ-32B-GGUF — это набор GGUF-квантизаций текстовой генеративной модели QwQ-32B, разработанной Qwen и подготовленной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для диалогового применения и генерации текста, включая сценарии локального запуска через LM Studio, llama.cpp и совместимые проекты. Модель содержит около 32 миллиардов параметров и работает с текстовой модальностью; в метаданных указан английский язык. Доступны варианты квантования от Q8_0 до Q2_K и IQ-квантов размером примерно от 10,39 до 34,82 ГБ. Более высокие варианты сохраняют лучшее качество, но требуют больше оперативной или видеопамяти, тогда как низкоразрядные версии экономичнее, но заметно уступают по качеству. Архитектура и размер контекста в README не указаны. Сильной стороной набора является широкий выбор квантизаций для различного объёма доступной памяти и возможность локального запуска. Ограничения связаны с компромиссом между размером файла и качеством, а также с тем, что некоторые варианты имеют низкое качество и не рекомендуются. Модель распространяется по лицензии Apache-2.0.

Qwermes3.8 — это дообученная модель Qwen3.8-27B, опубликованная в формате GGUF с квантизацией NVFP4. Автор карточки описывает гибридную плотную архитектуру из 64 слоёв: 48 слоёв Gated DeltaNet с линейным вниманием и 16 слоёв полного внимания. Модель предназначена для генерации текста и диалогов; визуальная оболочка исходной модели удалена, поэтому этот вариант работает только с текстом. Репозиторий рассчитан на запуск через llama.cpp или Ollama, в том числе на рабочих станциях с GPU Blackwell. Заявлен контекст до 262 тыс. токенов, но KV-кэш требует около 117 КБ на токен: для контекста 128 тыс. токенов потребуется примерно 14,7 ГБ видеопамяти, а для 262 тыс. — около 30 ГБ. README приводит замеры скорости и perplexity, но качество проверялось лишь на небольшом наборе ручных запросов без формальной оценки. Лицензия — Apache-2.0.

Seraph-openchat-3.5-1210-Slerp — текстовая генеративная модель на архитектуре Mistral, созданная Weyaxi слиянием моделей через mergekit и метод Slerp. В конфигурации указаны Weyaxi/Seraph-7B и openchat/openchat-3.5-1210; базовой моделью названа mistralai/Mistral-7B-v0.1. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового использования. Она распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит сравнительных оценок качества или детальных результатов тестирования.

Карточка модели mitra-mir/setfit-model-Miscellaneous-Misinformation на Hugging Face совпадает с карточкой mitra-mir/setfit-model-Misinformation-on-Global-Support, поэтому описание составлено по ней. Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.

Карточка модели mitra-mir/setfit-model-Misinformation-on-Convoy на Hugging Face совпадает с карточкой mitra-mir/setfit-model-Misinformation-on-Global-Support, поэтому описание составлено по ней. Это модель Sentence-Transformers на архитектуре MPNet, разработанная автором репозитория mitra-mir. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. В метаданных указано 136,7 млн параметров и контекст до 514 токенов; модель распространяется в формате PyTorch. Название репозитория указывает на тему дезинформации о глобальной поддержке, однако README не описывает специализированные функции или результаты классификации по этой теме. Модель подходит для получения текстовых эмбеддингов и поиска семантически близких фрагментов. Для использования описан интерфейс библиотеки Sentence-Transformers. Лицензия в предоставленных данных не указана.

ShadowCalme-7B — объединённая модель для генерации текста, созданная Maxime Labonne автоматическим слиянием CorticalStack/shadow-clown-7B-dare и MaziyarPanahi/Calme-7B-Instruct-v0.1.1. В ней использована архитектура Mistral с плотной структурой и около 7,1 млрд параметров; конфигурация слияния применяет метод SLERP. Модель принимает текст и выдаёт текст, а её контекст составляет до 32 768 токенов. Модель подходит для генерации текста и диалоговых сценариев, где нужна языковая модель общего назначения. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Shark-1-Ogno-7b-passthrough — текстовая генеративная модель, созданная объединением powermove72/Shark-1 и eren23/OGNO-7b-dpo-truthful с помощью LazyMergekit. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. При объединении слои 0–15 взяты из Shark-1, а слои 16–31 — из OGNO-7b-dpo-truthful; применён метод passthrough, объединённый токенизатор и формат float16. Модель предназначена для генерации текста и диалоговых сценариев. Контекстное окно составляет 32 768 токенов; карточка также отмечает поддержку классификации текста. Для запуска можно использовать Transformers. Ограничения качества и поддерживаемые естественные языки в карточке не описаны. Сведения о лицензии отсутствуют в предоставленных данных, поэтому условия использования по ним определить нельзя.

nisten/shqiponja-90 — языковая модель для генерации текста, созданная с помощью mergekit на основе моделей семейства Qwen. В карточке указано, что в объединении использован метод passthrough и модели Smaug-72B-v0.1, Qwen1.5-72B и smallsmaug-fine2; метаданные связывают репозиторий с Qwen/Qwen1.5-72B. Архитектура — плотная Qwen2ForCausalLM, размер — 88,5 млрд параметров, формат весов — safetensors, библиотека — Transformers, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно применять для ответов на запросы, составления текстов и ведения беседы. README не сообщает о специализированной предметной области или языковом охвате. Лицензия — MIT.

SJT-1.5B-Alpha — компактная языковая модель Sakalti, созданная слиянием моделей семейства Qwen2.5 методом TIES. В слиянии использована Qwen/Qwen2.5-1.5B-Instruct; базовой моделью указана Qwen/Qwen2.5-1.5B. Модель имеет плотную архитектуру Qwen2ForCausalLM и 1,5 млрд параметров. Модель предназначена для генерации текста и диалоговых сценариев, включая подготовку структурированных ответов. Она работает с текстом и поддерживает контекст до 131 072 токенов. Репозиторий содержит веса Safetensors; для работы предусмотрена библиотека Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов сравнительных оценок или подробных ограничений качества; фактическую пригодность для конкретной задачи следует проверять отдельно.

Это компактная англоязычная модель на архитектуре BERT, созданная дообучением Snowflake/snowflake-arctic-embed-xs на первых 300 000 примерах датасета Zyphra/Zyda-2. Модель содержит 25,9 млн параметров, принимает текст с контекстом до 512 токенов и использует цель обучения Masked Language Modeling. Модель предназначена для построения текстовых эмбеддингов, классификации текста и заполнения пропусков в английских предложениях. В карточке приведены результаты оценки: loss 3,0689 и accuracy 0,4676. Лицензия — MIT.

Speechless Llama2 Hermes Orca Platypus WizardLM 13B — текстовая генеративная модель, созданная объединением NousResearch/Nous-Hermes-Llama2-13b, Open-Orca/OpenOrca-Platypus2-13B и WizardLM/WizardLM-13B-V1.2. Модель основана на архитектуре Llama 2 и содержит 12,9 млрд параметров; автор README рекомендует подавать инструкции в формате Alpaca. Контекст составляет 4096 токенов. Модель предназначена для генерации текста по инструкциям: диалоговых ответов, объяснений и помощи в решении задач. README приводит результаты lm-evaluation-harness на ARC, HellaSwag и MMLU. Доступны упоминания вариантов AWQ, GPTQ и GGUF для GPU- и CPU+GPU-инференса, тогда как файлы этого репозитория представлены в формате safetensors. Карточка указывает английский как целевой язык. Для базовой модели Llama 2 указана лицензия Meta; перед использованием весов необходимо принять условия лицензии. Как и другие LLM, модель может выдавать неточные, предвзятые или нежелательные ответы; перед внедрением требуется проверка в целевом сценарии.

sentence-transformers/stsb-roberta-base — модель Sentence Transformers, обученная командой sentence-transformers на архитектуре RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, кластеризации и семантического поиска. Модель содержит 151,8 млн параметров, принимает текст и поддерживает контекст до 514 токенов; доступны версии в форматах PyTorch, TensorFlow, ONNX и OpenVINO. Карточка модели предупреждает, что эмбеддинги имеют низкое качество и модель устарела, поэтому для новых проектов рекомендуется выбрать более современную модель эмбеддингов. Лицензия — Apache-2.0.

nlpguy/T3QM7X — объединённая авторегрессионная языковая модель семейства Mistral на 7,1 млрд параметров, созданная с помощью mergekit методом SLERP из nlpguy/T3QM7 и nlpguy/MergeX. Она предназначена для генерации текста и диалоговых ответов по текстовым запросам. Модель принимает текст и выдаёт текст; заявленная длина контекста составляет 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Сведения о конкретных сильных сторонах и ограничениях качества в карточке не приведены; как и другие языковые модели, она может генерировать неточные или вымышленные ответы.

google/t5gemma-b-b-prefixlm — предварительно обученная текстовая модель семейства T5Gemma от Google с энкодером и декодером размера B, адаптированная с использованием PrefixLM. Это модель типа encoder-decoder, созданная путём адаптации предварительно обученных моделей с декодером; веса опубликованы в формате safetensors. Модель работает с текстом на английском языке и предназначена для генерации текста, ответов на вопросы, суммаризации и рассуждений. Энкодер также можно применять для классификации и задач понимания текста. Компактный размер семейства T5Gemma упрощает развёртывание на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре. В карточке для этого репозитория не приведены точное число параметров и размер контекстного окна. Возможны фактические ошибки, предвзятые ответы и трудности с неоднозначными формулировками, сложными задачами и тонкими языковыми нюансами. Лицензия — Gemma; применяются условия и ограничения использования Gemma.

google/t5gemma-l-l-prefixlm-it — англоязычная инструкция-адаптированная модель Google из семейства T5Gemma. Это модель типа encoder-decoder с энкодером и декодером размера L, адаптированная с помощью PrefixLM; веса представлены в формате safetensors и предназначены для работы через Transformers. Модель генерирует текст по текстовому запросу и подходит для ответов на вопросы, суммаризации, рассуждений и других задач генерации по инструкциям. Модель можно применять для составления черновиков, краткого пересказа материалов и NLP-экспериментов. В карточке описано семейство T5Gemma как компактное и ориентированное на баланс качества и эффективности, однако размер именно этой версии и длина контекста не приведены. Лицензия — Gemma. Как и другие языковые модели, она может воспроизводить смещения обучающих данных, неверно отвечать на фактические вопросы и испытывать трудности с неоднозначностью и сложными инструкциями; результаты следует проверять.

google/t5gemma-s-s-ul2 — предобученная текстовая encoder-decoder-модель семейства T5Gemma от Google. Она создана на основе подхода Gemma: декодерную модель адаптировали к архитектуре encoder-decoder и обучили с использованием UL2. Вариант S-S использует малые энкодер и декодер; в репозитории указаны веса Safetensors и библиотека Transformers. Модель принимает текст и генерирует текст. Она предназначена для англоязычных задач генерации, в том числе ответов на вопросы, суммаризации и рассуждений; также энкодер можно применять в задачах классификации и понимания текста. Компактный размер семейства рассчитан на запуск на компьютерах и собственной облачной инфраструктуре, однако размер именно этого чекпойнта и длина контекста в доступных сведениях не приведены. Модель может ошибаться в фактах, испытывать трудности со сложными инструкциями, языковыми нюансами и контекстом, а результаты могут отражать смещения обучающих данных. Лицензия — Gemma; при использовании необходимо соблюдать политику допустимого использования Gemma.

testllm-c2-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая модель, созданная MaziyarPanahi методом SLERP из Mistral-7B-Instruct-v0.2 и Kiddyz/testllm-c2. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и ответов на инструкции в формате диалога. Она принимает текст и поддерживает контекст до 32 768 токенов. Модель подходит для чат-ботов, ответов на вопросы и генерации текстов по запросу. В карточке указана лицензия Apache-2.0. Данных о специализированной предметной области или языках модели нет.

TildeOpen-30B-MU-Instruct — многоязычная инструкционная языковая модель на 29,9 млрд параметров, созданная автором martinsu дообучением TildeAI/TildeOpen-30b. Это плотная модель семейства Llama для генерации текста и диалогов; она использует формат ChatML и контекст до 65 536 токенов по метаданным. В карточке обучения указана длина последовательности 4096 токенов, поэтому фактическую работу на более длинном контексте следует проверять отдельно. Модель обучена в течение одной эпохи на 163 млн токенов с маскированием функции потерь для системных и пользовательских сообщений. Данные охватывают 25 языков, с акцентом на английский и латышский, а также включают многоязычные диалоги, вопросы и ответы и примеры для RAG. Автор сообщает о кратких ответах и хороших результатах в одном тестовом сравнении EuroBlocks, но подчёркивает, что это предварительная проверка, а не доказательство общего превосходства. Для запуска README рекомендует vLLM с медленным токенизатором и подходящую системную подсказку; ошибочная автоматическая сборка быстрого токенизатора может ухудшить качество. Модель требует значительных вычислительных ресурсов. Она не прошла настройку безопасности с RLHF, проверку на токсичность или оценку вреда и может выдавать ошибочную информацию. Лицензия — CC BY 4.0.

TinyTeapot — компактная модель генерации текста от TeapotAI для ответов на вопросы по предоставленному контексту, извлечения информации и RAG-сценариев. Она построена на архитектуре T5 и, согласно README, дистиллирована из TeapotLLM; метаданные Hugging Face указывают дообучение google/flan-t5-small. В репозитории заявлено около 77 млн параметров, тогда как метаданные указывают 45,8 млн; это расхождение не позволяет однозначно описать размер модели. Модель принимает текст в формате text-to-text и рассчитана на работу с явным контекстом. В README заявлены низкая задержка на CPU и пригодность для мобильных устройств и других ограниченных по ресурсам сред; метаданные указывают контекст до 512 токенов. Обучение на SynthQA и TeapotChat ориентировано на контекстные ответы, структурированное извлечение и отказ от ответа, когда сведений в контексте недостаточно. Основной язык карточки — английский. TinyTeapot подходит для вопросов по документам, RAG, извлечения полей и краткого пересказа контекста, но не предназначена для свободного диалога, творческого письма или сложных многошаговых рассуждений. Качество зависит от полноты и релевантности переданного контекста; несмотря на обучение для снижения галлюцинаций, модель всё ещё может выдавать неподтверждённые ответы. Лицензия — MIT.

Trismal-Hermecles-7B-Base-Ties — разговорная языковая модель, созданная объединением unsloth/OpenHermes-2.5-Mistral-7B и unsloth/Hermes-2-Pro-Mistral-7B методом TIES с помощью LazyMergekit. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров; репозиторий содержит веса в формате safetensors. Указанная длина контекста — 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на вопросы, написания и редактирования текстов, а также для чат-ботов. README не приводит отдельной оценки качества или перечня поддерживаемых языков. Лицензия в предоставленных данных не указана.

BuzzASR/uzbek — одноязычная модель автоматического распознавания речи на узбекском языке, разработанная как часть набора BuzzASR. Она дообучена методом простого ASR fine-tuning на openai/whisper-large-v3 с исходным токенизатором Whisper. Модель содержит около 905,2 млн параметров и принимает аудио, выдавая текстовую транскрипцию; в конфигурации генерации уже задан языковой и задачный prompt. Модель предназначена для транскрибации узбекской речи. В тестах FLEURS и Common Voice Corpus 25.0 авторы сообщают CER 6,6% и 2,68% соответственно, а на объединённом наборе — CER 3,86% и WER 16,0%. По заявлению авторов, результаты на объединённом тесте превосходят сравниваемые открытые системы; качество на других данных может отличаться. Модель распространяется по лицензии MIT.

VAETKI-20B-A2B — языковая модель NC-AI для генерации текста и диалогов. Она построена на архитектуре Transformer с причинным автодекодированием и смесью экспертов (MoE): всего 19,64 млрд параметров, из которых активируются 2,2 млрд, восемь из 128 экспертов. Модель прошла предобучение и постобучение; в репозитории веса представлены в формате Safetensors. Модель предназначена для эффективного инференса и поддерживает корейский, английский, китайский и японский языки. Карточка указывает контекст 16 тысяч токенов, а метаданные — нативный контекст 32 768 токенов. Лицензия — MIT. Модель может выдавать неточные или неполные ответы и галлюцинировать, особенно на неоднозначных запросах и задачах, требующих высокой фактической точности. Возможны трудности со сложными рассуждениями, точными вычислениями и корректной генерацией кода; ответы могут отражать предубеждения обучающих данных. Модель не предназначена для критически важных решений в медицине, праве, финансах и военной сфере.