I.14Автоматизация процессов и AI-агенты

TheDrainFlorist/Qwen3.8-Flash-Next-VQ-4.4bpw — это векторно-квантизированная сборка базовой модели Qwen/Qwen3.8-Flash-Next, разработанной командой Qwen. Сборка создана с использованием VQLab для работы на компьютерах Apple Silicon и распространяется как checkpoint для экосистемы MLX. Общий размер модели составляет около 94,1 GiB; базовая MoE-модель имеет 180 млрд параметров, из которых активны 10 экспертов из 512, а также включает 51,2 млрд параметров n-gram PLE и поддержку зрения. Модель предназначена для генерации текста и обработки изображений на устройствах Apple Silicon через mlx-lm и mlx-vlm, а также для распределённого запуска через exo. Она поддерживает английский язык; контекст и точные характеристики модальностей в README не указаны. В квантизации используются векторные кодовые книги, а отдельные высокозначимые слои имеют повышенную точность. Заявлены оптимизации MLX-ядер, снижение пикового потребления памяти при обработке длинных запросов и сохранение качества вывода относительно предыдущего runtime. Основные ограничения связаны с требованиями к программному окружению: необходима архитектура qwen4_exp, отсутствующая в выпущенных версиях mlx-lm на момент описания, поэтому требуется версия из указанного pull request. Для изображений нужен mlx-vlm версии 0.6.16 или новее. Модель рассчитана на мощные устройства с большим объёмом памяти; распределённая работа через exo требует специальной ветки. Лицензия указана как qwen-community-1.0; условия следует уточнять в файле LICENSE.

scima/Qwen3.8-Whittle-MoE-27B-A17.8B-GGUF-all-quants — набор GGUF-квантизаций модели Whittle MoE 27B (A18B) v2.1, разработанной Logic65 на основе Qwen3.8-27B. Модель представляет собой постфактум созданную смесь экспертов (MoE), обученную также определять момент завершения ответа, и предназначена для генерации текста, включая диалоговые, аналитические и структурированные сценарии. Доступны варианты квантования от Q2_K до Q8_0, а также F16 для создания последующих квантизаций. Размер файлов составляет примерно от 11,3 до 53,9 ГБ; рекомендуемый Q4_K_M занимает 17,4 ГБ и рассчитан на запуск в 24 ГБ VRAM, тогда как Q8_0 размером 28,7 ГБ ориентирован на более высокое качество. В README указана настройка контекста 8192 токена и совместимость с актуальными сборками llama.cpp с поддержкой Qwen3.5 MoE. Языки и мультимодальные возможности не указаны, поэтому модель следует считать текстовой. Заявленные результаты версии v2.1 включают снижение частоты зацикливания до 8% в однопользовательских запросах и до 22% в структурированных сценариях, отсутствие усечённых ответов и результат 28 из 39 в тесте на знания. При этом автор отмечает, что варианты Q4 и выше не тестировались, поэтому их работоспособность не гарантируется. Распространение указано по лицензии Apache-2.0.

Карточка модели Umbasa/Qwen3-Omni-30B-A3B-Thinking-UMBASA-V1 на Hugging Face совпадает с карточкой Qwen/Qwen3-Omni-30B-A3B-Instruct, поэтому описание составлено по ней. Qwen3-Omni-30B-A3B-Instruct — мультимодальная модель общего назначения от команды Qwen компании Alibaba. Она принимает текст, изображения, аудио и видео и формирует потоковые ответы текстом и естественной речью; вариант Instruct включает компоненты Thinker и Talker. Архитектура MoE использует разделение на Thinker и Talker, а модель рассчитана на низколатентное взаимодействие в реальном времени и управление поведением через системные промпты. Модель предназначена для голосовых диалогов, распознавания и понимания речи, описания аудио и видео, а также ответов на вопросы по изображениям и смешанным мультимодальным входам. README заявляет поддержку 119 языков для текста, 19 языков для речевого ввода и 10 для речевого вывода; среди явно перечисленных языков речи есть русский. В примере запуска указан максимальный контекст 65 536 токенов. Для работы предлагаются Transformers и vLLM; README отмечает, что на момент публикации требовалась установка Transformers из исходников. Лицензия в метаданных обозначена как other, без уточнения условий.

RedSage-Qwen3-8B-DPO-i1-GGUF — это квантизированная версия языковой модели RedSage-Qwen3-8B-DPO, разработанной RISys-Lab и преобразованной в формат GGUF пользователем mradermacher. Модель основана на Qwen3 с размером около 8 млрд параметров и обучалась с применением DPO на смеси предпочтений allenai/llama-3.1-tulu-3-8b-preference-mixture. В карточке указана поддержка английского языка. Модель предназначена для генерации текста и диалогового использования, включая сценарии, связанные с кибербезопасностью, что отражено в её тегах. Формат GGUF позволяет запускать её в совместимых локальных инструментах, а набор вариантов квантизации даёт возможность выбирать компромисс между размером, скоростью и качеством. Рекомендуемым вариантом назван i1-Q4_K_M размером около 5,1 ГБ; также доступны варианты от 2,2 до 6,8 ГБ. Более агрессивная квантизация может заметно снижать качество, а ограничения и размер контекста в README не указаны. Лицензия модели в предоставленных данных не указана. Информация о мультимодальности отсутствует, поэтому модель следует считать текстовой.

ruRoberta-large-paraphrase-v1 — русскоязычная модель Sberbank AI на архитектуре RoBERTa Large, дообученная как cross-encoder для оценки семантической эквивалентности двух предложений. Она принимает пару текстов и классифицирует её как парафраз с тем же смыслом или как непарафраз; оценку также можно использовать для проверки сохранения содержания при перефразировании и переносе стиля. Модель обучалась на объединении RuPAWS, ru_paraphraser и размеченных примеров сохранения содержания из коллекции RUSSE-2022 для детоксикации текста. Модель содержит 454,1 млн параметров, работает с текстом на русском языке и имеет контекст до 514 токенов. В README приведены ROC AUC от 0,857 до 0,906 на тестовых наборах detox, paraphraser, RuPAWS QQP и RuPAWS Wiki. Это классификатор пар предложений, поэтому для сравнения текстов их нужно подавать совместно; модель не генерирует перефразированный текст. Лицензия в предоставленных данных не приведена.

arcee-ai разработала Saul-Base-Calme-7B-Instruct-slerp — объединённую методом SLERP языковую модель для генерации текста и диалогового общения. Она объединяет Equall/Saul-Base и MaziyarPanahi/Calme-7B-Instruct-v0.1.1; в конфигурации mergekit базовой указана Calme-7B-Instruct-v0.1.1. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и имеет контекстное окно до 32 768 токенов. Она принимает текст и генерирует текст; карточка описывает её как разговорную модель, однако языки обучения и приоритетные языки не установлены по предоставленным данным. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не приводит оценок качества и подробных ограничений; результат генерации может требовать проверки, как и у других языковых моделей.

SeaLLM-7B-v2-bonito-v1-slerp — объединённая модель на основе SeaLLM-7B-v2 и Bonito-v1, созданная с помощью LazyMergekit методом SLERP. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, содержащая 7,1 млрд параметров и принимающая текст для генерации текста. Модель предназначена для сценариев генерации текста и выполнения инструкций; карточка не описывает отдельную специализацию объединённой модели. Контекст модели составляет 32 768 токенов. Веса опубликованы в формате Safetensors с точностью bfloat16. Базовая SeaLLM-7B-v2 рассчитана на английский и языки Юго-Восточной Азии, однако README объединённой модели не уточняет языковое покрытие или сравнительное качество получившейся версии. Лицензия в предоставленных данных не указана.

Seed 1.6 Flash — мультимодальная модель глубокого рассуждения от ByteDance Seed, предназначенная для работы с текстом и визуальной информацией. Она поддерживает контекст длиной 256 тысяч токенов и ориентирована на быстрый отклик. Модель подходит для диалога и задач, где нужно анализировать изображения вместе с текстом. README обрывается на описании выходных возможностей, поэтому дополнительные функции и ограничения по качеству определить нельзя. Условия лицензии в доступных сведениях не приведены.

bartowski/Skywork-o1-Open-Llama-3.1-8B-GGUF — это набор GGUF-квантизованных версий языковой модели Skywork-o1-Open-Llama-3.1-8B, разработанной командой Skywork и преобразованной bartowski с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая LM Studio. В набор входят варианты с разными уровнями квантизации: от исходных весов f16 размером около 16 ГБ до компактных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и IQ. Это позволяет выбирать баланс между качеством ответов, потреблением памяти и скоростью инференса; варианты Q6 и Q5 заявлены как высококачественные, а Q4_K_M — как подходящий по размеру вариант для большинства сценариев. Некоторые файлы оптимизированы для ARM или AVX, при этом отдельные варианты имеют ограничения по аппаратной совместимости. Модель относится к текстовым генеративным моделям с архитектурой и языковыми возможностями базовой Skywork-o1-Open-Llama-3.1-8B, однако подробные сведения о поддерживаемых языках, размере контекста и точной архитектуре в представленном README не указаны. Квантизация уменьшает требования к памяти, но может снижать качество по сравнению с f16; степень снижения зависит от выбранного формата. В метаданных указана лицензия other, без уточнения конкретных условий, поэтому перед использованием следует ознакомиться с лицензией исходной модели Skywork.

Spark-X2.5-4B-GGUF — это набор квантованных моделей в формате GGUF для генерации текста, основанный на Spark-X2.5-4B от XHToken. Конвертацию весов в GGUF выполнил Pink Pixel с использованием специальной сборки llama.cpp для Spark 2.5. Модель предназначена для локального запуска через llama.cpp и совместимые приложения, включая Ollama и LM Studio, а также для создания локальных чат-ассистентов и других сценариев генерации текста. Модель использует архитектуру Spark 2.5 с поддержкой гибридного внимания: скользящего окна и слоёв полного внимания. Заявлена длина контекста до 1 048 576 токенов, размер словаря — 131 072 токена. Поддерживаются английский и китайский языки. Доступны варианты от BF16 до квантований Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q3_K_M и Q2_K с размером файлов примерно от 1,66 до 7,66 ГБ. Более сильное сжатие уменьшает требования к памяти, но может заметно снижать качество вывода. К сильным сторонам относятся компактный размер исходной модели, высокая эффективность, большой контекст и широкий выбор квантований для устройств с разными ограничениями по памяти. Ограничением является необходимость поддержки архитектуры Spark2_5ForCausalLM в llama.cpp или используемом клиенте; качество и требования к ресурсам зависят от выбранного уровня квантования. Модель и исходные веса распространяются по лицензии Apache 2.0.

StrangeMerges_15-7B-slerp — объединённая языковая модель, созданная Gille с помощью LazyMergekit из Gille/StrangeMerges_14-7B-slerp и CultriX/Wernicke-7B-v9. Это плотная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста; контекст составляет до 32 768 токенов. В README приведены результаты оценки на Open LLM Leaderboard, включая средний балл 72,41, но подробные результаты представлены не полностью. Модель распространяется в формате safetensors по лицензии Apache-2.0.

StrangeMerges_2-7B-slerp — объединённая модель для генерации текста, созданная Gille методом SLERP с помощью LazyMergekit на основе Gille/StrangeMerges_1-7B-slerp и Keynote-Technology/KAI-7B-v0.1. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и общих языковых задач; в README приведены результаты оценки на задачах рассуждения и понимания текста. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Gunulhona/Strom-Llama-Merge — объединённая языковая модель на архитектуре Llama, созданная с помощью mergekit. В слиянии использованы Meta-Llama-3.1-8B и akjindal53244/Llama-3.1-Storm-8B: слои 0–15 взяты из первой модели, а слои 16–31 — из второй. Репозиторий содержит веса в формате safetensors; модель насчитывает 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Её можно применять для ответов на вопросы, продолжения текста и создания черновиков на основе инструкций. В карточке не приведены отдельные результаты оценки качества или сведения о языках; модель основана на Llama 3.1 и помечена как conversational. Лицензия в предоставленных данных не указана. Поскольку модель объединяет веса Meta-Llama-3.1-8B и Llama-3.1-Storm-8B, условия использования следует сверять с лицензиями исходных моделей.

SynthIA-7B-v1.5 — текстовая генеративная модель на архитектуре Mistral, опубликованная автором migtissera. Модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Для запуска используется библиотека Transformers и формат PyTorch; карточка указывает английский язык и лицензию Apache-2.0. Модель предназначена для генерации текста и ответов на запросы на английском языке. В карточке приведён формат диалога с ролями SYSTEM, USER и ASSISTANT, а также результаты оценки на Open LLM Leaderboard. Эти сведения дают общее представление о тестировании, но не определяют качество модели для конкретных прикладных задач.,

T3qm7xNeuralsirkrishna_Experiment24Alloyingotneoy — объединённая модель генерации текста на архитектуре Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment24Alloyingotneoy-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и диалогов. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. README и метаданные не уточняют языковую специализацию или дополнительные ограничения модели.

T3qm7xNeuralsirkrishna_Experiment24Experiment26 — объединённая модель для генерации текста, созданная на основе двух моделей Mistral: automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment24Experiment26-7B. Она содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и принимает текстовый контекст длиной до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

T3qm7xNeuralsirkrishna_Strangemerges_32Experiment28 — объединённая модель для генерации текста на архитектуре Mistral с 7,1 млрд параметров. Она создана путём слияния automerger/T3qm7xNeuralsirkrishna-7B и automerger/Strangemerges_32Experiment28-7B. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст и поддерживает контекст до 32 768 токенов; веса опубликованы в формате Safetensors. Лицензия — Apache 2.0.

bartowski/TheSkullery_L3.3-exp-unnamed-model-70b-v0.5-GGUF — это набор GGUF-квантизаций текстовой генеративной модели TheSkullery/L3.3-exp-unnamed-model-70b-v0.5, разработанной TheSkullery. Квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для локального запуска и генерации текста через llama.cpp, LM Studio и другие совместимые проекты. Модель имеет размер 70B параметров и относится к семейству Llama 3.3; в карточке указана лицензия llama3.3. Доступны варианты квантования от Q8_0 до Q3 и IQ3/IQ4, включая рекомендуемые Q6_K, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M и IQ4_XS. Они позволяют выбирать между качеством генерации и требованиями к памяти: размер файлов составляет примерно от 30,91 до 74,98 ГБ. Варианты Q4_1 и Q4_0 отмечены как устаревшие форматы, но могут иметь преимущества в отдельных сценариях на Apple Silicon или ARM/AVX-системах. Сильной стороной являются высокое качество старших квантов и возможность локального запуска на широком спектре совместимого оборудования. Ограничения — значительные требования к оперативной или видеопамяти даже у компактных вариантов, а также потенциальная потеря качества при использовании низкобитных квантов. В README не указаны точный размер контекста, поддерживаемые языки, мультимодальные возможности, конкретная архитектура слоёв и результаты бенчмарков, поэтому эти характеристики нельзя достоверно определить.

TheTop-7B-DPO-S2-v0.2 — объединённая Maziyar Panahi языковая модель на 7,1 млрд параметров, созданная методом SLERP из нескольких моделей класса 7B. Она использует архитектуру MistralForCausalLM и предназначена для генерации текста по текстовому запросу; заявленный контекст составляет 32 768 токенов. Модель подходит для диалогов, ответов на вопросы и других сценариев генерации текста. Веса опубликованы в формате Safetensors для Transformers. Лицензия — Apache 2.0.

Tulpar-7b-v2-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная MaziyarPanahi слиянием методом SLERP моделей Mistral-7B-Instruct-v0.2 и Tulpar-7b-v2. Она предназначена для генерации текста и ответов на инструкции в формате чата. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров; контекст — до 32 768 токенов. Модель принимает текст и выдаёт текст. В карточке указана лицензия Apache-2.0. README описывает способ слияния и базовые модели, но не приводит оценки качества или специальные ограничения применения.

arsis-dev/ukisai-Swift-Qwen3.8-27b-MTPLX — это квантованная runtime-конверсия модели ukisai/Swift-Qwen3.8-27b, разработанной UkisAI, для быстрого локального запуска на компьютерах Apple Silicon. Конверсия выполнена с помощью MTPLX Forge 2.11.2 и не является новой дообученной моделью. Модель предназначена для генерации текста и мультимодальных сценариев с обработкой изображений: зрительные веса исходного чекпойнта сохранены. Она работает через MTPLX/MLX, использует 4-битное affine-квантование тела модели с размером группы 64, а native MTP head оставлен в формате BF16 для self-speculative decoding с глубиной до D3. Размер опубликованного артефакта составляет около 16,9 ГБ. README не указывает точное окно контекста и полный список поддерживаемых языков. На Apple M5 Max с 128 ГБ unified memory измеренная скорость декодирования достигла 65,2 токена/с в режиме MTP D3 против 29,4 токена/с для авторегрессионного режима, что соответствует ускорению 2,22 раза. Эти результаты относятся к пропускной способности декодирования данной конверсии и могут отличаться в зависимости от длины контекста, параметров генерации, оборудования, температуры и нагрузки. Мультимодальное качество и скорость обработки изображений отдельно не оценивались; оптимальная глубина MTP может различаться на других Mac. Конверсия распространяется по условиям Swift Open License v1.0 и наследует лицензионные требования исходной модели. Перед использованием, распространением или загрузкой необходимо ознакомиться с разделом License and access исходного чекпойнта.

Venomia-1.1-m7-Mistral-7B-Instruct-v0.1 — чат-модель MaziyarPanahi, созданная слиянием Mistral-7B-Instruct-v0.1 и Sao10K/Venomia-1.1-m7 методом SLERP. Модель построена на плотной архитектуре Mistral с 7,1 млрд параметров и предназначена для генерации текста в ответ на инструкции и диалоговые запросы; поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. В метаданных указан английский язык. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Карточка не описывает отдельные специализированные области применения или ограничения качества.

InflexionLab/VibeVoice-ASR-Kazakh — модель распознавания речи на казахском языке, созданная дообучением Microsoft VibeVoice-ASR с помощью LoRA; адаптеры объединены с базовыми весами для инференса. Обучение проводилось на наборе ISSAI-KSC2-Structured объёмом около 1 200 часов казахской речи из новостей, парламентских выступлений, ток-шоу, подкастов, радио и краудсорсинговых записей. Модель преобразует казахскую речь в текстовую транскрипцию с пунктуацией и заглавными буквами. В README указаны WER около 22% и CER около 9,6% на тестовой части ISSAI KSC2, а также WER 17,6% и CER 4,25% на наборе farabi-lab/kazakh-stt, который не использовался при обучении. Репозиторий содержит веса safetensors; лицензия — Apache-2.0.

Villanova-2B-2603 — мультиязычная инструкционная языковая модель, разработанная Villanova.AI. Она создана дообучением Villanova-2B-Base-2603 на наборе VillanovaAI/villanova-sft-2603 и предназначена для диалога, следования инструкциям, ответов на вопросы и генерации текста на пяти европейских языках. Модель использует плотную decoder-only архитектуру на базе LLaMA с 2,4 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст; заявлена поддержка английского, французского, немецкого, итальянского и испанского языков. В карточке отмечены сбалансированное следование инструкциям на этих языках и оценивание безопасности на пяти языках. Модель распространяется в формате Safetensors и выпущена под лицензией Apache 2.0. Компактный размер делает её пригодной для развёртывания на устройствах с ограниченными ресурсами, однако качество и скорость зависят от оборудования и сценария. Результаты бенчмарков в карточке приведены разработчиком; они не гарантируют качество для конкретной задачи. Возможности модели ограничены текстовым вводом и выводом.

Модель badrex/w2v-bert-2.0-kinyarwanda-asr разработана Бадром аль-Абси и предназначена для автоматического распознавания речи на киньяруанда. Это дообученная для ASR модель facebook/w2v-bert-2.0 с архитектурой Wav2Vec2-BERT и классификатором CTC; в метаданных указано 402,7 млн параметров. Она принимает аудио и выдаёт текстовую транскрипцию. Модель обучалась на примерно 1000 часах размеченной речи из датасета Kinyarwanda ASR Track B, охватывающего здравоохранение, государственное управление, финансы, образование и сельское хозяйство; для тестов внутри этих предметных областей автор сообщает WER ниже 8,4%.

Это квантованные версии wisenut-nlp-team-wisenut-llama-3-8B-0.6-Instruct в формате GGUF, подготовленные командой featherless-ai-quants. Базовая модель предназначена для генерации текста и выполнения инструкций, поэтому может применяться в диалоговых системах, локальных ассистентах, подготовке и преобразовании текстов и других сценариях text-generation. Модель относится к семейству Llama и содержит 8 млрд параметров, однако сведения об архитектуре, поддерживаемых языках, модальностях и размере контекста в README не указаны. Доступны варианты квантования IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0; их размер составляет примерно от 3 до 8,1 ГБ. Разные варианты позволяют выбирать компромисс между требованиями к памяти, скоростью работы и сохранением качества, но конкретные показатели производительности и качества не приведены. Формат GGUF удобен для локального запуска совместимыми инструментами, однако README не содержит инструкций по использованию, системных требований или результатов тестирования. Лицензия модели и условия её распространения в предоставленных данных не указаны.

ZraldAI v1.1 — сжатая дообученная версия Qwen3-8B от Zrald для генерации текста и диалогов. Это плотная авторегрессионная языковая модель на 7,6 млрд параметров с контекстом до 40 960 токенов; репозиторий содержит веса в формате safetensors. Модель загружается через Transformers и предназначена для генерации ответов и ведения диалога.

jaromer/0bserverx-Qwen3.8-27B-Heretic-Abliterated-Uncensored-GGUF — это модифицированная версия Qwen3.8-27B от Qwen, дополнительно обработанная методом ARA (Arbitrary-Rank Ablation). Основой послужила версия trohrbaugh/Qwen3.8-27B-heretic-ara, созданная Tim Rohrbaugh; текущая сборка получила ещё два прохода ARA для уменьшения остаточных отказов. Точные сведения об авторах текущей доработки в README не указаны. Модель предназначена для генерации текста, исследовательских задач, творческого письма и ролевых сценариев, где требуется сниженное количество отказов. Это модель на 27 млрд параметров с архитектурой Qwen3.8 и гибридом Gated DeltaNet: 64 слоя, включая 16 стандартных attention-слоёв и 48 слоёв линейного внимания Gated DeltaNet. Используются GQA с 24 attention-heads и 4 KV-heads, размер скрытого состояния — 5120, словарь содержит 248 320 токенов, контекст — до 262 144 токенов. Модель поставляется в формате GGUF для llama.cpp; тензоры MTP/NextN исключены. Главное преимущество — существенно сниженная склонность к отказам при сохранении поведения базовой модели: по приведённым независимым измерениям, число отказов на наборе из 100 вредоносных запросов снизилось до 0–1, а отклонение KL составило около 0,0085. Ограничения связаны с намеренно ослабленными защитными механизмами, поэтому модель не подходит для сценариев, требующих строгих встроенных ограничений безопасности; отдельные guardrails сохранены. README указывает, что модель предназначена для совершеннолетних пользователей и должна применяться ответственно и в соответствии с местным законодательством. Лицензия — Apache-2.0, унаследованная от Qwen3.8-27B.

Atom-7B-Chat — диалоговая языковая модель, совместно разработанная Llama中文社区 и AtomEcho. Она создана на основе Llama 2-7B и продолжительно предобучена на крупных китайских текстовых корпусах; архитектура — плотный decoder-only Transformer семейства Llama с 6,7 млрд параметров. Модель предназначена для диалогов на китайском и английском языках, ответов на вопросы и генерации текста. В README указано штатное контекстное окно 4K токенов; с NTK-расширением заявлена поддержка более 18K, а после дообучения — до 32K токенов. Разработчики сообщают об оптимизации китайского словаря до 65 000 токенов и повышении скорости кодирования и декодирования китайского текста. Модель можно запускать с Transformers; README также приводит примеры размещения 7B-модели в форматах INT8 и INT4 на потребительских видеокартах. Репозиторий содержит веса safetensors, лицензия Apache-2.0 допускает коммерческое использование. Заявленные свойства контекста и скорости приведены разработчиками; независимые результаты оценки в предоставленных материалах не описаны.

BLOSSOM-v5-32b — разговорная языковая модель от команды Blossom, дообученная на базе Qwen1.5-32B. Это плотная модель архитектуры Qwen2 с 31,7 млрд параметров; она принимает текст и генерирует ответы в формате диалога. Модель обучалась на смешанных наборах Blossom Chat, Orca, Wizard и Math, включая многоходовые диалоги, математические инструкции и данные, дистиллированные из GPT-4-0125-preview. Карточка заявляет поддержку китайского и английского языков, а контекст составляет до 32 768 токенов. Модель предназначена для ответов на вопросы и выполнения общих инструкций в чат-сценариях, включая математические запросы. Обучение проходило в два этапа: на одноходовых наборах Wizard, Orca и Math, затем на многоходовом наборе Blossom Chat. Доступна по лицензии Apache-2.0. Оценки качества на независимых тестах в карточке не приведены.