I.1Поиск и навигация по информации

FlexiDepth-Llama-3-8B-Instruct — диалоговая причинно-языковая модель, разработанная Xuan Luo, Weizhi Wang и Xifeng Yan. Это дообученная версия Meta Llama 3 8B Instruct с методом FlexiDepth, который динамически пропускает слои во время генерации текста, чтобы сократить вычисления и ускорить вывод. Архитектура — плотная DDLlamaForCausalLM; модель содержит 7,5 млрд параметров, принимает текст и имеет контекст до 8192 токенов. Модель предназначена для генерации текста и ответов на инструкции на английском языке. Авторы приводят результаты по языковым и рассуждательным тестам: в опубликованном сравнении качество сопоставимо с базовой Llama 3 8B Instruct на большинстве заданий при меньшем среднем числе используемых слоёв. Подход также позволяет анализировать, сколько слоёв модель задействует для разных токенов и задач. Модель распространяется в формате Safetensors под лицензией Apache-2.0. Для загрузки авторы указывают использование Transformers версии 4.57.0; заявленные результаты относятся к описанному в README оцениванию и не гарантируют такое же ускорение или качество в любой среде и на любых задачах.

testmoto/gemma-2-llm2024-01 — объединённая текстовая модель от testmoto на базе Google Gemma 2 9B. Веса объединены методом DARE TIES с помощью mergekit из базовой Gemma 2 9B и трёх моделей: testmoto/gemma-2-9b-lora-0, testmoto/gemma-2-9b-platypus-02 и testmoto/gemma-2-9b-lora-aozora. Модель предназначена для генерации текста и может использоваться для диалогов, ответов на вопросы и суммаризации — типичных сценариев базовой модели Gemma 2. Она имеет плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 8192 токенов и доступна в формате safetensors для библиотеки Transformers. Языковая специализация объединённой модели в карточке не уточнена. Лицензия и конкретные ограничения применения в карточке не описаны; характеристики качества именно этого объединения также не приведены.

1024m/H-Mistral-Nemo-00-fp16 — диалоговая языковая модель, разработанная 1024m на основе unsloth/Mistral-Nemo-Instruct-2407. Модель дообучена с помощью Unsloth и библиотеки TRL и предназначена для генерации текста в диалоговом формате, включая сценарии с интерфейсом вызова инструментов. Модель использует плотную архитектуру MistralForCausalLM и содержит 12,1 млрд параметров. Длина контекста составляет 131 072 токена. Карточка указывает английский язык; репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Доступные сведения не описывают специализацию дообучения или сравнительные результаты, поэтому пригодность для конкретных предметных областей не установлена.

Hy3-NVFP4 — квантизированная версия языковой модели Tencent Hy3, созданная Tiyuvta. Модель предназначена для генерации текста, диалоговых сценариев и задач с вызовом инструментов. Это открытый артефакт весов, а не готовый облачный endpoint. Модель представляет собой weight-only NVFP4-квантизацию W4A16 в формате safetensors, выполненную из официального BF16-чекпойнта Tencent Hy3 с помощью NVIDIA Model Optimizer 0.46.0. В архитектуре используются mixture-of-experts и multi-token prediction. Большинство весов маршрутизируемых экспертов, включая MTP-слой, хранятся в NVFP4, тогда как attention, embeddings, output head, нормы, router и ряд других компонентов используют BF16 или исходную точность. Активации экспертов остаются в BF16, KV-кэш этой квантизацией не изменяется. Артефакт квалифицирован на серверном движке Tiyuvta на четырёх NVIDIA RTX PRO 6000 Blackwell Server Edition. Проверка показала близость к эталонному ModelOpt-прогону, корректную работу MTP, tool calling, конкурентных запросов и повторного использования кэша. При этом модель ещё не прошла полноценную настройку производительности, экспериментальный wave-режим отключён, а заявленные характеристики производительности отсутствуют. В README не указаны размер модели, поддерживаемые языки и длина контекста. Лицензия — Apache-2.0, унаследованная от исходной модели. Для использования требуется совместимый runtime с поддержкой NVFP4 и соответствующей конфигурации; опубликованный репозиторий содержит модельный артефакт, но Tiyuvta не предоставляет для него hosted model ID.

OpenMOSE Hy3-REAP-200B-21B — сжатая pruning-методом REAP версия диалоговой MoE-модели Tencent Hy3. В каждом MoE-слое число маршрутизируемых экспертов уменьшено с 192 до 128; маршрутизатор, выбор восьми экспертов на токен и общий эксперт сохранены. По README, активный путь остаётся на уровне 21 млрд параметров, а общий размер — около 200 млрд; метаданные указывают 16,6 млрд параметров. Контекстное окно составляет 262 144 токена. Модель принимает текст и генерирует текст, поддерживает английский и китайский языки, диалог, режимы рассуждения и вызов инструментов, унаследованные от Hy3. Модель предназначена для диалоговой генерации и рассуждений при меньшем объёме весов, чем у исходной Hy3. В приведённой оценке MMLU снизился с 85,65% до 82,37%, а результат GSM8K практически не изменился. Это сжатие без последующего дообучения или восстановления: авторы отмечают заметное снижение качества при более глубоком pruning и ограниченность оценки двумя бенчмарками. Лицензия — Apache-2.0.

Это дообученная диалоговая модель kihyun-K на базе kakaocorp/kanana-1.5-8b-instruct-2505. Она предназначена для генерации текста в чате и поддерживает интерфейс вызова инструментов. Модель построена на архитектуре Llama, содержит 7,5 млрд параметров и поддерживает контекст длиной до 32 768 токенов. В карточке указаны английский язык и лицензия Apache 2.0. README сообщает, что модель обучали с использованием Unsloth и библиотеки TRL для Hugging Face.

Lexora-Medium-7B — диалоговая языковая модель, опубликованная DeepMount00. Она основана на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров. Модель предназначена для генерации текста в формате беседы и имеет интерфейс для вызова инструментов. В карточке указаны обучающие наборы Sonnet-3.5-ITA-INSTRUCTION и Sonnet-3.5-ITA-DPO, а также поддержка итальянского и английского языков. Максимальная длина контекста составляет 131 072 токена. Модель доступна в формате safetensors по лицензии Apache-2.0.

Llama3-DocChat-1.0-8B-GGUF — это квантизированная GGUF-версия языковой модели Llama3-DocChat-1.0-8B, разработанной Cerebras. Модель предназначена для генерации текста и диалога по содержимому документов, включая сценарии document chat. Указан английский язык. Базовый размер модели — 8B параметров; доступны варианты от F16 до различных форматов квантизации Q8, Q6, Q5, Q4, Q3 и Q2. Квантизация выполнена bartowski с использованием llama.cpp и imatrix, поддерживается запуск в LM Studio и через совместимые инструменты llama.cpp. Главное преимущество — широкий выбор вариантов с разным соотношением качества, размера и требований к оперативной памяти: версии Q6 и Q5 обеспечивают очень высокое качество, Q4 предлагают более компактный компромисс, а некоторые варианты Q4_0 оптимизированы для ARM и CPU-инференса. Ограничения README не раскрывает: не указаны размер контекста, результаты сравнительных тестов, поддержка дополнительных языков или мультимодальных входов. Лицензия обозначена как other, но её конкретные условия не приведены, поэтому перед использованием необходимо проверить лицензию исходной модели Cerebras.

Llama-Breeze2-8B-Instruct-v01 — мультимодальная модель MediaTek Research с 8 млрд параметров, основанная на LLaMA 3.2 и архитектуре InternVLChat. Модель продолжает предварительное обучение на обширном корпусе для улучшения работы с традиционным китайским языком и культурным контекстом; визуальный энкодер и связующий модуль добавляют обработку изображений. Предусмотрены диалоговое следование инструкциям и вызов функций через шаблоны запросов и дополнительное обучение на данных вызова функций. Модель подходит для диалогов и инструкций на китайском и английском языках, вопросов по изображениям и сценариев, где языковая модель должна вызывать инструменты. Для использования заявлены веса в формате safetensors и библиотека Transformers версии 4.47.0. Указана лицензия Llama 3.2 Community License; применяются её условия.

Llama-Sahabat-AI-v2-70B-IT — инструктивная языковая модель семейства Llama, разработанная PT GoTo Gojek Tokopedia Tbk и AI Singapore при участии Indosat Ooredoo Hutchison. Это плотная авторегрессионная модель-декодер с 69,5 млрд параметров, дообученная для следования инструкциям и диалогов на английском, индонезийском и региональных языках Индонезии. Заявленная длина контекста — 128 тыс. токенов в README и 131 072 токена в метаданных. Модель предназначена для генерации ответов в чате, вопросов и ответов, суммаризации, перевода, анализа тональности, распознавания токсичности, рассуждений и задач на знание местного контекста. В README перечислены индонезийский, яванский, сунданский, батак-тоба и балийский языки; метаданные также отмечают английский, индонезийский, яванский и сунданский. Модель распространяется в формате Safetensors по лицензии Llama 3.1 Community License. Модель может галлюцинировать, выдавать нерелевантные ответы и непоследовательно рассуждать, поэтому её ответы следует проверять. Для развёртывания в прикладных системах разработчикам рекомендуется самостоятельно настроить дополнительную безопасность.

bartowski/lordx64_Qwable-v1-GGUF — набор GGUF-квантизованных версий модели Qwable-v1, разработанной lordx64. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для диалоговых и агентских сценариев, включая использование инструментов, цепочки рассуждений и генерацию текста; в метаданных она также отмечена как image-text-to-text, однако подробности о поддерживаемых визуальных возможностях не приведены. Указан английский язык, а обучение связано с датасетом agentic-distill-fable-5-sft. В тегах упоминаются Qwen3, Qwen3.6, MoE, distillation и chained distill, но точная архитектура, число параметров и размер контекста в README не указаны. Доступны варианты от BF16 и Q8_0 до более компактных IQ- и Q3-квантизаций. Размер файлов варьируется примерно от 15,98 до 71,07 ГБ; Q4_K_M обозначен как вариант по умолчанию для большинства сценариев, а Q5 и Q6 — как рекомендуемые варианты более высокого качества. Более сильные квантизации обеспечивают лучшее сохранение качества, тогда как низкобитные версии экономят оперативную память, но могут заметно уступать в качестве. Для запуска предлагаются llama.cpp, LM Studio, Ollama-подобные и другие совместимые инструменты, однако для недавно поддерживаемых архитектур может потребоваться обновление ПО. Лицензия модели указана как AGPL-3.0. README не содержит результатов бенчмарков, точных требований к оборудованию, данных о размере контекста и детального описания ограничений, поэтому производительность и фактические мультимодальные возможности следует проверять отдельно.

Meta-Llama-3.1-Instruct-8B_merged-16bit_CPO_MSMARCO — языковая модель семейства Llama, опубликованная inpars-plus и дообученная на базе unsloth/meta-llama-3.1-8b-instruct-bnb-4bit с использованием Unsloth и Hugging Face TRL. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; она принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена, в карточке указан английский язык. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на запросы и работу с инструментами. В README нет подробностей о данных CPO/MSMARCO, методике обучения или оценке качества, поэтому её специализацию и результаты на конкретных задачах ранжирования нельзя подтвердить по доступной карточке. Лицензия — Apache-2.0.

mjwong/multilingual-e5-large-xnli — многоязычная модель классификации текста, дообученная на XNLI на основе intfloat/multilingual-e5-large. Её можно использовать в zero-shot-классификации: передать текст и произвольные метки классов, после чего модель оценит соответствие текста каждой метке. Для случаев, когда к тексту подходят несколько меток, поддерживается независимая оценка каждого класса. Модель построена на архитектуре XLM-RoBERTa-large и содержит около 658,7 млн параметров. Контекст — до 514 токенов. В README приведены результаты оценки на XNLI для 15 языков, а также тесты на MultiNLI и ANLI. Модель распространяется по лицензии MIT.

Nanbeige4.2-3B Heretic — вариант Nanbeige/Nanbeige4.2-3B, выпущенный WaveCut и дообученный с помощью ARA-LoRA. Модель предназначена для генерации текста в диалогах; ключевое изменение — заметное снижение частоты отказов при сохранении большей части возможностей базовой модели. В тесте автора число отказов снизилось с 17 до 1 на 100 запросах; это результат конкретного набора тестов, а не гарантия поведения в других сценариях. Модель имеет плотную архитектуру Nanbeige, 3,2 млрд параметров и контекст до 262 144 токенов. Она принимает и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Для загрузки через Transformers требуется включить trust_remote_code=True из-за пользовательской реализации Looped Transformer, в которой 22 физических слоя декодера выполняются дважды. Распространяется в формате Safetensors по лицензии Apache-2.0. Из-за намеренно ослабленного отказного поведения для использования нужны подходящие ограничения доступа, мониторинг и меры безопасности на уровне приложения.

Cross-Encoder for Natural Language Inference — англоязычная модель от Sentence Transformers на базе microsoft/deberta-v3-xsmall. Она принимает пару предложений и оценивает их отношение, выдавая оценки для противоречия, следования и нейтральности. Модель содержит 77,5 млн параметров, использует архитектуру DeBERTa V2 и рассчитана на контекст до 512 токенов. Модель обучена на SNLI и MultiNLI. Её можно применять для проверки текстовых гипотез и классификации без дополнительного обучения, задавая категории в виде гипотез. В README приведены точности 91,64% на тестовой выборке SNLI и 87,77% на наборе MNLI mismatched. Лицензия — Apache-2.0.

NMTOB-7B — слитая языковая модель, созданная paulml с помощью LazyMergekit на основе Kukedlc/NeuTrixOmniBe-7B-model-remix и paulml/OmniBeagleSquaredMBX-v3-7B-v2. Она использует плотную архитектуру Mistral с 7,1 млрд параметров и предназначена для генерации текста; контекст составляет до 32 768 токенов. Модель подходит для диалогов, написания и продолжения текста, а также для задач генерации, где полезен длинный контекст. В README описано слияние методом slerp с настройками для слоёв self-attention и MLP. Репозиторий распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

Ovis2-8B — мультимодальная модель семейства Ovis для диалога и анализа визуальных данных. Она сочетает визуальный энкодер ViT с языковой моделью; в карточке указаны архитектура Ovis и размер 8B. Модель разработана авторами серии Ovis, а веса опубликованы организацией ATH-MaaS. Использует библиотеку Transformers и распространяется в формате safetensors по лицензии Apache-2.0. Модель отвечает на вопросы по изображениям, обрабатывает несколько изображений и видео, выполняет OCR и извлекает структурированные данные из таблиц и графиков. Обучение также усилило рассуждения по визуальным данным. Заявлена многоязычная поддержка; метаданные карточки перечисляют английский и китайский языки. В README рекомендуется более новая версия Ovis2.5. В описании не приведены длина контекста и подробная оценка ошибок; авторы также предупреждают, что не могут гарантировать отсутствие проблемного или защищённого авторским правом контента.

PaddleOCR-VL-1.6-GGUF — набор квантованных версий мультимодальной модели PaddleOCR-VL-1.6, разработанной PaddlePaddle и распространяемой в формате GGUF пользователем mradermacher. Модель предназначена для распознавания и структурированного анализа документов по изображениям: извлечения текста, определения компоновки страниц, обработки таблиц, формул, диаграмм, печатей и других элементов, а также задач image-to-text и document parsing. Указана поддержка английского, китайского и других многоязычных сценариев. README не содержит сведений о точной архитектуре, количестве параметров или размере исходной модели, контекстном окне и перечне поддерживаемых языков. Доступны варианты квантования Q2_K, Q3_K, IQ4_XS, Q4_K, Q5_K, Q6_K, Q8_0 и f16 размером примерно от 0,3 до 1,0 ГБ. Более сильное квантование уменьшает требования к ресурсам, но может снижать качество; в README варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как быстрый вариант с лучшим качеством. Модель удобна для локального запуска в совместимых с GGUF инструментах и позволяет выбирать компромисс между скоростью, размером файла и качеством. Ограничения включают отсутствие подробных данных о результатах тестирования, производительности, требованиях к оборудованию и точных характеристиках исходной модели. Указана лицензия Apache-2.0.

pansophic-1-preview — экспериментальная разговорная языковая модель, разработанная Pansophic и дообученная на базе Meta Llama 3.1 8B. Модель содержит около 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат диалогов ChatML; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации ответов на инструкции на румынском и английском языках. Карточка также описывает следование системным инструкциям, использование внешних инструментов и ответы с опорой на предоставленный контекст, поэтому её можно применять в чат-ботах, прототипах агентов и вопросно-ответных сценариях по документам. Для запуска используется Transformers, веса опубликованы в формате safetensors. Модель дообучена с применением APO-ZERO; доступна по лицензии llama3.1. Она может выдавать ошибочные или бессвязные ответы, особенно на сложные и тонкие вопросы, поэтому не подходит для критически важных решений без дополнительной проверки.

bunsenfeng/parti_5_full — текстовая генеративная модель на архитектуре Qwen2, опубликованная bunsenfeng. Метаданные Hugging Face указывают около 7,1 млрд параметров, контекст до 32 768 токенов и поддержку диалогового режима; модель принимает текст и генерирует текст. Поиск также обнаружил карточку Featherless, описывающую модель как 7,6-миллиардную и заявляющую контекст 131 072 токена, однако это расходится с метаданными Hugging Face, поэтому в характеристиках использованы значения метаданных. Модель подходит для диалогов, генерации текста и работы с длинными текстовыми запросами в пределах указанного контекста. Карточка Featherless относит её к дообученным моделям, но надёжно установить базовую модель и конкретные специализации по доступным сведениям нельзя. Репозиторий содержит веса safetensors; сведения о лицензии, языковом охвате и оценках качества не подтверждены использованными источниками.

PP-DocLayoutV2 — лёгкая модель PaddlePaddle для анализа структуры документов. Она обнаруживает и классифицирует элементы макета, а затем определяет порядок их чтения. Архитектура состоит из детектора на основе RT-DETR и следующей за ним pointer network, которая упорядочивает найденные рамки и метки классов. Модель предназначена для обработки страниц документов: выявления структурных элементов и восстановления последовательности чтения. В метаданных указаны английский и китайский языки, библиотека PaddleOCR и формат весов safetensors. Лицензия — Apache-2.0.

Это мультимодальная модель Qwen 3.6 35B-A3B от dealignai, созданная на основе Qwen/Qwen3-VL-30B-A3B-Thinking. Она предназначена для диалога и анализа текста, изображений и видео, включая задачи визуального понимания и вызова инструментов. Модель имеет архитектуру MoE с 35 млрд параметров и примерно 3 млрд активных на токен, 256 маршрутизируемых экспертов и гибридное сочетание линейного и полнослойного внимания. Контекст составляет 262 144 токена; доступны режимы рассуждений с включением и отключением через enable_thinking. Карточка заявляет поддержку английского и китайского языков. Веса квантованы в формате JANGTQ2: маршрутизируемые эксперты используют 2-битное кодирование TurboQuant, а чувствительные к точности компоненты сохраняют 8-битное представление; визуальная башня оставлена в fp16. Репозиторий занимает около 11 ГБ и предназначен для запуска на Apple Silicon через MLX Studio или jang-tools. По заявлению автора, CRACK — это весовая абляция, удаляющая усвоенные отказы в ответах; вследствие этого модель может выдавать контент, который базовая модель отклонила бы. Квантование до 2 бит уменьшает размер, но может снижать точность для сложных рассуждений. Лицензия — Apache-2.0.

SLIM-TAGS — небольшая специализированная авторегрессионная модель серии SLIM от llmware, дообученная для генерации вызовов функций, которые автоматически подбирают релевантные теги и точки интереса по тексту. Модель выдаёт структурированный результат в виде словаря Python с полем tags; такой вывод можно использовать в программных и многошаговых LLM-сценариях автоматизации. Модель построена на архитектуре Llama и содержит 1 млрд параметров. Она принимает текст и генерирует текстовый структурированный результат; максимальный родной контекст составляет 2048 токенов. В README приведён пример классификации финансовой новости и интеграции через Transformers или LLMWare. Лицензия — Apache-2.0.

TSN-Kosmos-EVAA-v2-8B — объединённая модель генерации текста, созданная разработчиком jaspionjader с помощью mergekit и метода SLERP из jaspionjader/Kosmos-EVAA-gamma-light-8B и jaspionjader/TSN-Kosmos-EVAA-8B. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; веса представлены в формате safetensors, библиотека для работы — Transformers. Модель предназначена для диалоговой генерации текста и поддерживает интерфейс вызова инструментов. Её нативная длина контекста составляет 131072 токена. В карточке не приведены сведения о специализированных предметных областях или языках. Условия лицензии в доступных данных не указаны.

Unlimited-OCR — мультимодальная модель семейства Unlimited-OCR для распознавания текста и разбора документов по изображениям. Авторы позиционируют её как развитие Deepseek-OCR для однопроходного анализа документов с длинным горизонтом обработки. Модель содержит 559,7 млн параметров, использует плотную архитектуру и поддерживает контекст до 32 768 токенов; для запуска описаны Transformers на NVIDIA GPU и сервер SGLang с API, совместимым с OpenAI. Модель предназначена для OCR и извлечения текстовой информации из изображений документов, а также для задач генерации текста по визуальному вводу. В карточке указана поддержка многоязычных сценариев. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. README не приводит количественных оценок качества или подробностей о поддерживаемых языках и видах документов.

Uraion-Agent-Small — компактная языковая модель компании Uraion Labs, дообученная на базе Qwen/Qwen3.5-2B. Она предназначена прежде всего для агентных сценариев, вызова инструментов и функций, многошагового взаимодействия с API и построения локальных циклов автоматизации. Модель обучалась методом QLoRA на наборах данных для function calling и instruction following, включая NousResearch/hermes-function-calling-v1, Salesforce/APIGen-MT-5k и mlabonne/FineTome-100k. Модель содержит около 1,9 млрд параметров, из которых при обучении через LoRA использовалось 21,8 млн обучаемых параметров. Она основана на гибридной архитектуре Qwen3.5: 24 слоя включают 18 слоёв Gated DeltaNet с линейным вниманием и 6 слоёв полного внимания. Нативная длина контекста составляет 262 144 токена. Доступны веса в формате GGUF и Transformers NF4; заявлены 4-битное NF4-квантование и поддержка английского языка. Для структурированных вызовов инструментов используется парсер qwen3_coder. Сильными сторонами модели являются небольшой размер, возможность локального развертывания и специализация на структурированном tool calling, что делает её подходящей для локальных агентов, API-композиции и запуска на потребительском оборудовании. При этом GGUF-файлы в репозитории имеют известную проблему с формами некоторых тензоров и могут не загружаться в llama.cpp без дополнительной конвертации. Для архитектуры qwen35 требуется свежая версия llama.cpp, а NF4-веса медленно работают на CPU, поэтому для них предпочтительно GPU-развертывание. Модель распространяется по лицензии Apache 2.0, унаследованной от Qwen3.5.

Vikhr-Nemo-12B-Instruct-R-21-09-24-GGUF — это GGUF-квантизированная версия инструкционной языковой модели Vikhr-Nemo-12B-Instruct-R-21-09-24, разработанной Vikhrmodels и подготовленной для распространения в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и диалогового взаимодействия, включая выполнение инструкций, ответы на вопросы и работу с русскоязычными и англоязычными текстами. Модель имеет размер 12 млрд параметров; точная архитектура, поддерживаемые варианты квантования, размер контекста и другие технические характеристики в README не указаны. В качестве связанных наборов данных перечислены Vikhrmodels/GrandMaster-PRO-MAX и Vikhrmodels/Grounded-RAG-RU-v2. Основная заявленная модальность — текстовая. Сильной стороной модели является специализация на инструкционном использовании и поддержка русского языка наряду с английским. Ограничения, результаты оценки, сведения о безопасности, смещениях, производительности и рекомендуемых аппаратных требованиях не приведены, поэтому качество в конкретных сценариях требует самостоятельной проверки. Модель распространяется по лицензии Apache-2.0.

AIArchiveInfo/Yi-6B-Chat — побитово идентичная архивная копия Yi-6B-Chat от 01.AI, созданная AIArchive 18 сентября 2026 года. Согласно README, веса не обучались и не изменялись при копировании; исходную модель обучила с нуля команда 01.AI. Это плотная авторегрессионная языковая модель семейства Yi с архитектурой LlamaForCausalLM и 5,8 млрд параметров; она принимает текст и генерирует текст в диалоговом режиме, с контекстом до 4096 токенов. Модель предназначена для двуязычного общения на китайском и английском языках, ответов на вопросы, понимания текста, чтения с извлечением сведений и рассуждений здравого смысла. Её можно использовать для локального чат-бота и генерации текста; README также описывает варианты запуска через Transformers и llama.cpp. Лицензия — Apache-2.0. Указанные в README сравнительные результаты относятся к другим размерам семейства Yi и не подтверждают показатели именно версии 6B.

Это исследовательская резервная копия контрольной точки авторегрессионной языковой модели семейства Qwen2, опубликованная в стандартном формате Hugging Face для загрузки через Transformers. Модель содержит 7,1 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогового взаимодействия; в репозитории также отмечен интерфейс вызова инструментов. Карточка не описывает специальную предметную область, обучение или оценку качества, поэтому применимость к конкретным сценариям по этим данным определить нельзя. Веса представлены в формате safetensors. Сведения о лицензии и поддерживаемых естественных языках не приведены.

Это контрольная точка модели в стандартном формате Hugging Face, предназначенная для загрузки через AutoModelForCausalLM. По метаданным это плотная Qwen2ForCausalLM с 7,1 млрд параметров и контекстом до 16 384 токенов; модель работает с текстом и поддерживает диалоговый режим и интерфейс вызова инструментов. README называет её резервной копией исследовательского артефакта. Модель подходит для генерации текста и диалоговых сценариев. В карточке не описаны специальные области применения, языки, обучающие данные или результаты оценки качества. Указан формат safetensors и библиотека Transformers; сведения о лицензии отсутствуют.