I.14Автоматизация процессов и AI-агенты

BERTimbau Base — предварительно обученная модель BERT для бразильского португальского языка, разработанная Neuralmind. Это базовая версия архитектуры BERT с 12 слоями и примерно 136,1 млн параметров по метаданным; она предназначена для заполнения замаскированных токенов и получения текстовых представлений, которые можно использовать в задачах обработки португальского языка. В README также отмечены результаты на распознавании именованных сущностей, оценке семантического сходства предложений и распознавании текстового следования; для этих задач модель обычно требуется дообучить. Модель принимает текст и предсказывает пропущенные токены. Контекстное окно составляет 512 токенов. В карточке указаны варианты весов для PyTorch, TensorFlow и Flax, а лицензия — MIT. Модель ориентирована на бразильский португальский и обучалась на корпусе brWaC.

BitCPM-CANN-8B — языковая модель OpenBMB для генерации текста и диалогов, созданная на основе MiniCPM4-8B с применением обучения с учетом тернарной квантизации. Модель имеет плотную архитектуру MiniCPMForCausalLM, содержит 7,9 млрд параметров и поддерживает контекст до 32 768 токенов. Веса хранятся в стандартном формате PyTorch, но после обучения принимают тернарные значения; для обычного инференса модель загружается через Transformers без специальных библиотек или ядер квантизации. Модель рассчитана на диалоги, генерацию текста и задачи рассуждения. По отчету авторов, модели BitCPM-CANN размером от 1B сохраняют 95,7–97,2% результатов соответствующих полноточных моделей MiniCPM4 на 11 тестах, а тернарное представление позволяет примерно в шесть раз сократить память при инференсе. Эти показатели относятся к оценкам авторов и конкретным бенчмаркам; для модели 8B отдельные результаты по каждой задаче в карточке приведены не полностью. Модель поддерживает китайский и английский языки. Лицензия — Apache-2.0. Возможности и качество следует проверять на целевых задачах, а ответы модели — перепроверять.

Blur-4x7b-MOE-v0.1 — объединённая методом LazyMergekit модель Mixtral Mixture of Experts, созданная liminerity на основе четырёх моделей семейства Blur. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов; веса опубликованы в формате safetensors. Модель предназначена для генерации текста и общих языковых задач. В README приведены результаты Open LLM Leaderboard, включая показатели на тестах AI2 Reasoning Challenge и HellaSwag. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает, для каких языков она оптимизирована, поэтому конкретные языки не перечислены.

Cypher-Laser-Mixtral-2x1.8B-v0.1 — языковая модель, созданная aloobun путём объединения двух моделей Cypher с применением техники LASER и инструмента LazyMergekit. Это архитектура Mixtral с разреженной смесью экспертов (MoE), предназначенная для генерации текста и диалогового использования. В репозитории указаны 1,7 млрд параметров, контекст до 16 384 токенов и формат safetensors. Модель можно использовать для диалоговых ответов и генерации текста, включая задачи с рассуждениями. В её основе лежат aloobun/Cypher-Mini-Laser-1.8B и aloobun/Cypher-CoT-Laser-1.8B; среди датасетов карточки указаны CoT-Collection и Hercules-v3.0. Модель распространяется по лицензии Apache-2.0. Языки обучения или приоритетные языки карточка не подтверждает.

datagemma-rag-27b-it-IMat-GGUF — GGUF-квантизированная версия модели google/datagemma-rag-27b-it, разработанной Google. Модель предназначена для генерации текста и диалоговых сценариев, включая задачи, связанные с retrieval-augmented generation (RAG). В репозитории представлены варианты от BF16 и FP16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K. Часть вариантов использует IMatrix для более эффективной квантизации; исходный тип данных модели — BF16, квантизация выполнена с помощью llama.cpp. Размер исходной модели — 27B параметров, а размер файлов зависит от варианта квантизации и составляет примерно от 10,45 до 54,46 ГБ. Модель подходит для локального запуска через совместимые инструменты экосистемы llama.cpp, когда требуется снизить требования к памяти за счёт квантизации. Более компактные варианты удобнее для ограниченных ресурсов, но могут сильнее уступать исходной точности; конкретные показатели качества в README не приведены. Архитектура, поддерживаемые языки, размер контекста и мультимодальные возможности не указаны, поэтому их характеристики нельзя достоверно определить по представленным данным. Использование регулируется лицензией Gemma от Google; для доступа на Hugging Face требуется принять условия лицензии.

Hasanur525/deed_summarization_mt5_version_1 — дообученная Hasanur525 модель Google mT5-base для суммаризации текстов. Она построена на архитектуре MT5ForConditionalGeneration и содержит 291,2 млн параметров. Многоязычная базовая модель преобразует текст в текст; модель сохранена в формате safetensors. Модель предназначена для создания краткого содержания входного текста. В README приведены метрики на оценочном наборе: Loss 0,5863, ROUGE-1 1,0138, ROUGE-2 0,6875, ROUGE-L 1,0233, ROUGE-Lsum 1,0941 и средняя длина генерации около 288 токенов. Датасет указан как None, поэтому по карточке нельзя установить предметную область обучения или проверить приведённые значения метрик. Лицензия — Apache-2.0. README не сообщает об ограничениях применения или подтверждённых целевых языках; многоязычность относится к базовой модели и сама по себе не подтверждает качество суммаризации на каждом языке.

DeltaP2S-Gemma2-9B-SameFormula-Code-S13 — объединённый чекпойнт на базе google/gemma-2-9b, созданный с помощью экспериментального пакета Delta-P2S с учётом семейства моделей. Это плотная авторегрессионная языковая модель Gemma 2 с 9 млрд параметров, предназначенная для генерации текста; контекстное окно составляет 8192 токена. В названии указано назначение для кода, однако README не описывает конкретные возможности или результаты в задачах программирования. Модель загружена в формате safetensors и использует библиотеку Transformers. Условия лицензии в доступных данных не приведены.

sentence-transformers/distilbert-base-nli-max-tokens — модель sentence-transformers, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации текстов. Архитектура основана на DistilBERT; модель принимает текст и формирует эмбеддинги. Максимальная длина контекста — 512 токенов. Репозиторий содержит веса в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель распространяется по лицензии Apache-2.0. Карточка помечает её как устаревшую и предупреждает о низком качестве эмбеддингов, поэтому для новых проектов рекомендуется выбрать более современную модель эмбеддингов.

BuzzASR/dutch — одноязычная модель автоматического распознавания речи на нидерландском языке, разработанная как часть набора BuzzASR из 102 специализированных ASR-моделей. Это дообученная версия Whisper large-v3 от OpenAI: модель использует архитектуру Whisper и токенизатор исходной модели, а настройка выполнена для распознавания речи. Веса доступны в формате Safetensors; размер модели — около 905,2 млн параметров. Модель предназначена для транскрибации нидерландской речи. В README приведены результаты на тестовых наборах FLEURS и Common Voice 25; авторы сообщают о снижении CER относительно Whisper large-v3 без дообучения на объединённом тесте. Модель поддерживает только нидерландский язык. Качество на других доменах и диалектах может отличаться от результатов на указанных тестовых наборах. Модель распространяется по лицензии MIT.

Experiment28M7_YamShadow — объединённая языковая модель на архитектуре Mistral, созданная слиянием automerger/Experiment28M7-7B и automerger/YamShadow-7B. Она предназначена для генерации текста и работы в сценариях, где требуется продолжать или создавать текст по текстовому запросу. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель опубликована в формате safetensors под лицензией Apache-2.0. Данных о специализации по предметной области и языковой поддержке в карточке нет; характеристики и ограничения унаследованных моделей здесь не описаны.

Experiment28T3q_Experiment29Pastiche — объединённая модель на архитектуре Mistral, созданная из automerger/Experiment28T3q-7B и automerger/Experiment29Pastiche-7B. Она содержит 7,1 млрд параметров, принимает текст и предназначена для генерации текста, включая диалоги. Контекст составляет до 32 768 токенов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. README не описывает специальные сценарии применения или сравнительные преимущества модели.

flammen11X-mistral-7B — слитая с помощью mergekit модель на архитектуре Mistral, созданная объединением предварительно обученных языковых моделей nbeerbower/flammen11-mistral-7B и ChaoticNeutrals/Prima-LelantaclesV5-7b методом SLERP. Модель содержит 7,1 млрд параметров и предназначена для генерации текста; заявленная длина контекста составляет 32 768 токенов. Модель принимает текст и выдаёт текст. Карточка не сообщает о специализации на конкретной области или языке. Распространяется в формате safetensors; лицензия — Apache-2.0. README не приводит оценок качества или дополнительных ограничений применения.

FrankywestKunai-hermes-1-7b — слитая языковая модель, созданная автором репозитория с помощью mergekit из saishf/West-Hermes-7B и seyf1elislam/KunaiBeagle-Hermes-7b. При слиянии методом passthrough использованы слои 0–19 первой модели и слои 20–31 второй; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров. Модель предназначена для генерации текста по запросу и может использоваться в диалоговых и других текстовых сценариях. Поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel-GPT3_BASEL_FULL-notrescaled_40000 на Hugging Face совпадает с карточкой DragosGorduza/FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel-GPT3_BASEL_FULL-notrescaled_120000, поэтому описание составлено по ней. FRPile_GPL_test_pipeline_DragosGorduza-FRPile_MLM_Basel-GPT3_BASEL_FULL-notrescaled_120000 — модель Sentence-Transformers на архитектуре BERT с 433,9 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, сравнения сходства и кластеризации. В README указано обучение с MarginDistillationLoss; модель принимает текст и выдаёт эмбеддинги. Контекст ограничен 512 токенами. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой sentence-transformers. Карточка не указывает базовую модель или лицензию, поэтому их нельзя надёжно определить. Название и описание обучения указывают на экспериментальную модель, связанную с GPL и F R Pile; качество и применимость за пределами описанных задач не подтверждены.

djuna/G2-BigGSHT-27B-2 — языковая модель для генерации текста и диалогов, созданная объединением моделей с помощью mergekit. В README указан метод Model Stock: в объединение вошли djuna/G2-BigGSHT-27B-calc и unsloth/gemma-2-27b-it, а базой для слияния служила AALF/gemma-2-27b-it-SimPO-37K-100steps. Модель построена на архитектуре Gemma 2, содержит 27,6 млрд параметров и работает с контекстом до 8192 токенов. Модель предназначена для генерации ответов в чате и других сценариев работы с текстом. Метаданные отмечают возможность диалога; базовая Gemma 2 описана как англоязычная. В README приведены результаты Open LLM Leaderboard, включая IFEval и BBH, без дополнительных сведений о методике применения. Репозиторий содержит веса в формате Safetensors, а метаданные указывают библиотеку Transformers. Лицензия в предоставленных данных не указана.

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.

Модель ehristoforu/Gemma2-9b-it-train6-plus_layer-1 — текстовая генеративная модель, созданная из ehristoforu/Gemma2-9b-it-train6 с помощью mergekit. В README указан метод passthrough: модель собрана из диапазонов слоёв исходного чекпойнта; метаданные классифицируют её как дообученную производную Gemma 2 и отмечают поддержку диалогового режима. Модель предназначена для генерации текста и ведения диалога. Она построена на плотной архитектуре Gemma2ForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 8192 токенов. Репозиторий использует формат safetensors, а при создании указан тип данных bfloat16. README не описывает отдельные специализации, языки или гарантии качества, поэтому модель следует рассматривать как универсальную текстовую модель. Лицензия в предоставленных сведениях не указана.

AMD Gemma 4 12B IT W4A16 — квантизированная версия модели RedHatAI/gemma-4-12B-it, созданная AMD с использованием LLM Compressor и формата compressed-tensors. Модель предназначена для генерации текста и CPU-инференса на процессорах AMD EPYC под Linux; запуск рекомендуется через vLLM. Указанный язык — английский. Модель основана на архитектуре Gemma4UnifiedForConditionalGeneration и содержит мультимодальные компоненты, включая vision tower, обработчики изображений и аудио, а также мультимодальный проектор, однако в карточке явно заявлены текстовые входы и выходы. Основные веса сжаты методом 4-битной weight-only-квантизации W4A16 с использованием GPTQ: веса представлены в INT4, симметрично и группами по 128 параметров, а активации остаются в BF16. Мультимодальные модули и lm_head сохранены в BF16. Размер модели — 12B параметров; точное максимальное окно контекста не указано, при квантизации использовалась длина последовательности до 2048 токенов. Ключевое преимущество модели — снижение требований к памяти и оптимизация инференса на AMD CPU с использованием ZenDNN и ZenTorch. По тесту GSM8K модель сохранила 98,38% результата BF16-базовой версии: 0,9249 против 0,9401. Ограничения связаны с потерей качества из-за квантизации, зависимостью от совместимого стека версий и ориентированностью на AMD EPYC; заявленные результаты не охватывают широкий набор задач и языков. Для работы рекомендуются PyTorch 2.11.0, ZenTorch 2.11.0.3, vLLM 0.26.0 и LLM Compressor 0.12.0. Лицензия — Gemma.

Это совместимая сборка Gemma 4 26B-A4B-it в формате GGUF для llama.cpp, подготовленная TaterTotterson на основе релиза unsloth/gemma-4-26B-A4B-it-GGUF. Модель предназначена для диалоговых задач и сценариев image-text-to-text, включая работу с изображениями через отдельный vision projector. Сборка не является новым fine-tune: основные веса и проектор взяты из upstream-релиза, а шаблон чата изменён так, чтобы принудительно отключать режим рассуждений и использовать no-thinking path. Основной файл использует квантизацию UD Q4_K_M; точный размер модели, максимальная длина контекста и поддерживаемые языки в README не указаны. Для ускорения генерации предусмотрена speculative decoding с совместимыми боковыми моделями MTP Q8_0 или DFlash Q8_0. Они не являются самостоятельными чат-моделями и должны использоваться только с данной целевой моделью Gemma 4 26B-A4B-it. Поддержка vision требует файла mmproj-F16.gguf. Сильные стороны сборки — интеграция с llama.cpp и Tater, поддержка обработки изображений, принудительное отключение рассуждений и возможность ускорения вывода посредством MTP или DFlash. Фактический прирост скорости зависит от запроса, оборудования, длины контекста и доли принятых черновых токенов. Ограничения включают необходимость совместимой свежей версии llama.cpp, отдельного projector для vision и корректно подобранной draft-модели; параметры контекста и языковые возможности не заявлены. Лицензия — Apache 2.0.

Карточка модели GodsDevProject/gemma-4-E4B-it-The-DECKARD-HERETIC-UNCENSORED-Thinking на Hugging Face совпадает с карточкой DavidAU/gemma-4-E4B-it-The-DECKARD-HERETIC-UNCENSORED-Thinking, поэтому описание составлено по ней. DavidAU разработал The-DECKARD-HERETIC-UNCENSORED-Thinking — дообученную модель Google Gemma 4 E4B Instruct с настройкой на внутренних датасетах и изменённым шаблоном чата, который по умолчанию включает режим рассуждения. Модель предназначена для диалога, творческого письма, ролевых сценариев, генерации историй и кода. Автор сообщает о поддержке текста, изображений, видео и аудио, а также контекста до 128 тысяч токенов. Gemma 4 E4B описана как модель примерно с 8 млрд параметров, из которых около 4,5 млрд активны; веса этой версии представлены в формате bfloat16 и safetensors. Карточка приводит внутренние результаты сравнения с базовой моделью, но отмечает, что статистика ещё собирается и instruct-режим иногда показывает лучшие результаты, чем thinking. Использование чата в режиме instruct требует отдельного шаблона. Лицензия — Apache 2.0.

Это GGUF-квантизированная версия Josiefied-Qwen3-14B-abliterated-v3, разработанной Goekdeniz-Guelmez. Квантизацию выполнил bartowski с использованием llama.cpp и imatrix. Модель предназначена для генерации текста и диалоговых сценариев, а также для локального запуска в LM Studio, llama.cpp и других совместимых проектах. В основе лежит модель Qwen3 размером 14 млрд параметров. Доступны варианты от BF16 до различных 8-, 6-, 5-, 4- и 3-битных форматов GGUF, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Размер файлов варьируется примерно от 8,11 до 29,54 ГБ. Для общения используется шаблон с ролями system, user и assistant через специальные токены ChatML. Сведения о поддерживаемых языках, длине контекста и мультимодальности в README не указаны; по представленным данным модель относится к текстовым. Сильной стороной являются многочисленные варианты квантизации, включая рекомендованные конфигурации с высоким качеством и более компактные варианты для систем с ограниченной оперативной памятью. Ограничения зависят от выбранного формата: более сильное сжатие уменьшает требования к ресурсам, но может снижать качество генерации. Лицензия в README не указана, поэтому условия использования необходимо уточнять в исходном репозитории модели Goekdeniz-Guelmez.

Grug 67B A2B Datakit SFT 262K — экспериментальный чекпойнт Grug MoE после дообучения с учителем. Модель создана на основе неопубликованного базового чекпойнта Grug на шаге 157 000; обучение продолжено на подборке данных для агентных задач и рассуждений, включая код, математику, следы использования инструментов и форматирование ответов. В README описана отдельная серия SFT от релиза 11 сентября. Архитектура — GrugMoeForCausalLM с 67,1 млрд параметров, 256 маршрутизируемыми экспертами, выбором четырёх экспертов и общим экспертом; заявлено около 2 млрд активных неэмбеддинговых параметров на токен. Веса представлены в BF16, а для генерации предусмотрены режимы с рассуждениями и без них, а также интерфейс вызова инструментов. Конфигурация задаёт контекст 262 144 токена, но качество работы на длинном контексте не проверено. Модель предназначена для генерации текста в агентных сценариях и задачах рассуждения, включая работу с кодом, математикой и инструментами. Чекпойнт не прошёл надлежащую оценку: нет подтверждённых результатов бенчмарков или даже базовой проверки генерации. Для запуска требуется среда с поддержкой Grug MoE; совместимость с указанным форком vLLM и загрузка через стандартный Transformers не подтверждены. Лицензия — OpenMDW-1.1.

Gryphe_Tiamat-24B-Magistral-GGUF — это набор GGUF-квантизаций модели Tiamat-24B-Magistral, разработанной Gryphe и опубликованной в квантизированном виде пользователем bartowski. Модель предназначена для генерации текста, включая инструкционные сценарии и roleplay. Указан английский язык; поддерживаются локальный запуск через llama.cpp, LM Studio и другие совместимые проекты. Модель содержит 24 миллиарда параметров. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3, что позволяет выбирать между качеством и требованиями к памяти. Квантизация выполнена с использованием imatrix на базе llama.cpp; для взаимодействия рекомендуется формат промпта с секциями SYSTEM_PROMPT и INST. Контекстное окно, точная архитектура и мультимодальные возможности в предоставленных данных не указаны. Сильной стороной набора является широкий выбор размеров файлов и форматов, включая варианты, ориентированные на высокое качество или ограниченный объём оперативной памяти. Более низкие уровни квантизации могут заметно снижать качество, а некоторые варианты обозначены как устаревшие или нерекомендуемые. Лицензия модели — Apache-2.0.

GutenLaserPi — объединённая языковая модель, опубликованная пользователем Stark2008 и созданная с помощью LazyMergekit. Она объединяет flammenai/flammen15-gutenberg-DPO-v1-7B и Eric111/CatunaLaserPi методом SLERP. Модель построена на архитектуре Mistral с 7,1 млрд параметров, принимает текст и генерирует текст; длина контекста — до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. В README приведены результаты Open LLM Leaderboard: среднее значение 21,29, IFEval — 42,27 и BBH — 32,98; подробности оценки в карточке не раскрыты. Репозиторий содержит веса в формате Safetensors. Лицензия не указана в предоставленных данных.

Hemlock-Qwopus3.5-9B-Coder-i1-GGUF — квантизированная версия модели Hemlock-Qwopus3.5-9B-Coder, опубликованная mradermacher и созданная на базе nbeerbower/Hemlock-Qwopus3.5-9B-Coder. Модель дообучалась на наборах hemlang/Hemlock2-DPO, hemlang/hemlock-formulary-SFT и hemlang/hemlock-codex-SFT; для базовой версии заявлено около 9 млрд параметров. В карточке также указаны теги vision-language-model и image-text-to-text, поэтому модель предназначена для работы с текстом и изображениями, включая задачи генерации и анализа кода, однако подробные сценарии применения не описаны. Распространяется в формате GGUF с imatrix-квантизациями различных уровней — от i1-Q2_K до i1-Q6_K, размером примерно от 4,0 до 7,7 ГБ. Для запуска мультимодальных возможностей могут потребоваться файлы mmproj из статического репозитория. Заявлен английский язык; сведения о размере контекста, точной архитектуре, поддерживаемых форматах изображений и результатах тестирования отсутствуют. Более компактные варианты требуют меньше памяти, а варианты более высокого качества занимают больше места; в README отдельно отмечены рекомендации по i1-Q4_K_M как быстрому варианту и i1-Q4_K_S как компромиссу размера, скорости и качества. Лицензия в карточке модели не указана, поэтому условия коммерческого и иного использования необходимо уточнять отдельно. Модель опубликована как набор готовых квантованных файлов и также содержит imatrix-файл для самостоятельного создания квантов.

SzilviaB/Hexoteric-Trismegistus-7B — объединённая языковая модель на архитектуре Mistral, созданная методом SLERP из CalderaAI/Hexoteric-7B и teknium/Hermes-Trismegistus-Mistral-7B с помощью mergekit. Модель содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на вопросы, написания и продолжения текста, а также для создания чат-ассистентов. README описывает способ объединения, но не приводит сравнительных оценок качества или подробных рекомендаций по применению. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated-i1-GGUF — GGUF-квантизированная версия модели Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated, разработанной Huihui AI и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для генерации текста, рассуждений и сценариев, связанных с chain-of-thought; в метаданных также указаны distillation, LoRA и mixture-of-experts. Модель заявлена как vision model, однако README не содержит подробностей о поддерживаемых визуальных входах и требованиях к mmproj-файлам. Архитектура относится к mixture-of-experts; в идентификаторе указаны размеры 35B и A3B, но точное значение активных параметров не раскрыто. Указан английский язык, а размер контекста и другие языковые возможности не приведены. Доступны варианты квантизации i1-IQ и i1-Q с различными компромиссами между размером, скоростью и качеством; некоторые малые варианты отмечены как низкокачественные. Сильной стороной является широкий выбор GGUF-квантизаций для локального запуска на оборудовании с разным объёмом памяти. Ограничения включают отсутствие в README результатов тестирования, подробностей о мультимодальности и контекстном окне, а также возможное снижение качества у наиболее компактных вариантов. В названии и тегах модель обозначена как abliterated и uncensored, поэтому её поведение в части защитных ограничений следует оценивать отдельно. Лицензия — Apache 2.0.

InternLM JanusCoder-8B-GGUF — это набор квантованных моделей в формате GGUF, созданный пользователем bartowski на основе JanusCoder-8B от разработчика internlm. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. Модель имеет размер 8B параметров; доступны версии от BF16 до различных вариантов квантования Q8, Q6, Q5, Q4, Q3 и Q2. Размер файлов составляет примерно от 3,77 до 16,39 ГБ в зависимости от формата, что позволяет выбирать между качеством вывода и требованиями к памяти. Для квантования использовался llama.cpp с методом imatrix. В README не указаны поддерживаемые языки, размер контекста, мультимодальные возможности и точные специализации JanusCoder-8B, поэтому область применения можно описать только в общем виде как генерацию текста. Сильной стороной набора является широкий выбор квантований для локального запуска: высококачественные варианты Q6_K_L и Q6_K отмечены как близкие к исходному качеству, а Q4_K_M рекомендован как сбалансированный вариант для большинства сценариев. Более компактные версии подходят для систем с ограниченным объёмом оперативной памяти, но обеспечивают более низкое качество. Шаблон чата в README не задан и может требовать проверки по исходной карточке модели. Лицензия в предоставленных данных не указана.

jaLLAbi2-7b — объединённая языковая модель Abacus Research на базе архитектуры Mistral с 7,1 млрд параметров. Она создана методом mergekit из нескольких моделей, включая WestSeverus-7B-DPO-v2, jaskier-7b-dpo-v5.6, haLLAwa3 и WestLake-7B-v2-laser; в конфигурации использован метод слияния dare_ties и точность bfloat16. Модель предназначена для генерации текста и ответов на запросы. Она принимает текст и выдаёт текст, а заявленная длина контекста составляет 32 768 токенов. В README приведены результаты Open LLM Leaderboard, в том числе по тестам AI2 Reasoning Challenge и HellaSwag. Модель распространяется по лицензии Apache-2.0. Карточка не описывает целевые языки и не приводит ограничений или рекомендаций по применению, поэтому назначение для конкретного языка или предметной области из доступных сведений установить нельзя.

Японская модель автоматического распознавания речи Reazon Research на архитектуре wav2vec 2.0 Large, дообученная на крупномасштабном корпусе ReazonSpeech v2.0. Она преобразует японскую речь в текст и подходит для расшифровки коротких записей и длинных аудиоматериалов. В README приведены результаты по метрике CER: среднее значение составило 16,25% на указанных тестовых наборах, а на JSUT-BOOK для длинной речи — 30,98%. Метаданные указывают класс Wav2Vec2ForCTC, около 405,7 млн параметров и поддержку Transformers. Модель принимает аудио и выдаёт текст; заявленный язык — японский. Распространяется по лицензии Apache-2.0.