I.1Поиск и навигация по информации

Карточка модели tokyotech-llm/Swallow-13b-instruct-v0.1 на Hugging Face совпадает с карточкой tokyotech-llm/Swallow-7b-instruct-v0.1, поэтому описание составлено по ней. Swallow-7b-instruct-v0.1 — диалоговая языковая модель TokyoTech-LLM на архитектуре Llama 2 с 6,7 млрд параметров. Она прошла дополнительное предварительное обучение преимущественно на японских текстах, а версия instruct — supervised fine-tuning для следования инструкциям. Токенизатор с расширенным японским словарём эффективнее представляет японский текст. Модель принимает текст и генерирует текст; заявленный контекст — 4096 токенов. Модель предназначена для диалогов и выполнения текстовых инструкций на японском и английском языках: написания текстов, ролевых диалогов, ответов на вопросы, рассуждений и извлечения информации. В README опубликованы оценки на японском MT-Bench и сравнение с другими моделями, однако они не гарантируют качества для каждого сценария. Выпуск v0.1 обозначен как предварительная версия; разработчики предупреждают, что модель ещё не настроена на соответствие человеческим намерениям и требованиям безопасности. Лицензия — Llama 2 Community License (llama2).

T5 Version 1.1 XL — модель Google для переноса обучения в задачах обработки естественного языка. Это плотный текстовый энкодер-декодер с архитектурой T5ForConditionalGeneration и примерно 1,5 млрд параметров, предобученный на корпусе C4 в формате text-to-text без обучения на размеченных прикладных задачах. В версии 1.1 применяются активация GEGLU в полносвязном слое, отключённый во время предобучения dropout и отдельные веса для эмбеддингов и классификатора; при дообучении авторы рекомендуют снова включать dropout. Модель служит базой для дообучения под суммаризацию, ответы на вопросы, классификацию и другие задачи, представимые как преобразование текста в текст. Сам предобученный чекпойнт не готов к таким прикладным задачам без дополнительного fine-tuning. Доступны версии весов для PyTorch и TensorFlow; карточка указывает английский язык. Лицензия — Apache 2.0.

Teuken-7B-instruct-commercial-v0.4 — мультиязычная языковая модель с 7,5 млрд параметров, разработанная Fraunhofer, Forschungszentrum Jülich, TU Dresden и DFKI в рамках проекта OpenGPT-X. Это инструкционно дообученная плотная decoder-only Transformer-модель семейства Llama, основанная на Teuken-7B-base-v0.4. Она предназначена для генерации ответов и выполнения инструкций на официальных языках ЕС; обучение базовой модели проводилось на 4 трлн токенов, а контекст составляет 4096 токенов. Модель ориентирована на многоязычные сценарии, включая диалог, ответы на вопросы, суммаризацию и перевод. По заявлению разработчиков, она обеспечивает более стабильные результаты на европейских языках, чем англоцентричные модели. Модель может выдавать предвзятый или токсичный текст и галлюцинировать; разработчики не рекомендуют использовать её для математических и программных задач. Лицензия Apache 2.0 допускает коммерческое применение.

Apollo-VL-Edge-3B — компактная мультимодальная модель зрения и языка от Pluto AI Labs, дообученная на основе Qwen/Qwen2.5-VL-3B-Instruct. Модель использует архитектуру Qwen2.5-VL с 3 млрд параметров и принимает изображения вместе с текстовыми запросами, чтобы отвечать на вопросы и выполнять структурированный визуальный анализ. Веса доступны в FP16 и в вариантах GGUF; модель рассчитана на локальный запуск, в том числе на устройствах с ограниченными ресурсами. Модель специализируется на распознавании текста и анализе плотных документов, графиков, научных диаграмм, снимков интерфейсов и визуальных математических задач. Она подходит для визуальных вопросов и ответов, извлечения данных из изображений и локальных мультимодальных помощников. Обучение включало 161 562 мультимодальных примера, собранных из открытых наборов данных; языковая модель дообучалась методом LoRA, а энкодер изображений оставался замороженным. В карточке указан английский язык. Модель может ошибочно читать детали изображения, галлюцинировать и допускать арифметические ошибки; агрессивная квантизация способна снизить качество. Объяснения модели не гарантируют правильность ответа, поэтому результаты для важных решений следует проверять. Репозиторий распространяется по лицензии Apache-2.0.

QuantFactory/bloomz-560m-GGUF — квантованная версия языковой модели BLOOMZ с примерно 560 млн параметров, опубликованная QuantFactory в формате GGUF. По имеющимся данным, модель предназначена для генерации текста и поддерживает многоязычные сценарии, включая ответы на вопросы, классификацию тональности, формулирование поисковых запросов, объяснение понятий и создание художественных текстов. В карточке также указана поддержка программного кода и языков C, C++, C#, Go, Java, JavaScript, Lua, PHP, Python, Ruby, Rust, Scala и TypeScript. Модель обучалась с использованием набора данных bigscience/xP3. Заявлена поддержка широкого набора языков, среди которых английский, французский, испанский, китайский, арабский, хинди, португальский, русский, вьетнамский, телугу, тамильский и многие языки Африки и Азии. Ключевое преимущество — компактный размер и многоязычность, что может облегчать локальный запуск и использование в ресурсно-ограниченных средах. Ограничения связаны с небольшим размером модели: по сравнению с более крупными современными моделями она может уступать им в качестве рассуждений, точности, следовании сложным инструкциям и устойчивости генерации; сведения о длине контекста и конкретном методе квантования в карточке не указаны. Модель распространяется по лицензии bigscience-bloom-rail-1.0. Условия применения следует проверять по полному тексту этой лицензии, включая возможные ограничения и требования к использованию.

Gemma 2 2B — компактная языковая модель Google из семейства Gemma, созданная с использованием исследований и технологий, применявшихся при разработке Gemini. Это декодерная модель с открытыми весами для генерации текста; семейство включает предварительно обученные и дообученные для следования инструкциям варианты. Данная карточка описывает текстовую модель, ориентированную на английский язык. Модель подходит для ответов на вопросы, суммаризации, рассуждений, диалоговых интерфейсов и создания текстов — например, черновиков писем, сценариев и рекламных материалов. Небольшой размер позволяет запускать её на ноутбуке, настольном компьютере или собственной облачной инфраструктуре. В метаданных указаны библиотека Transformers и формат весов Safetensors; лицензия — Gemma. Качество ответов зависит от обучающих данных и формулировки запроса. Модель может выдавать фактически неверную или устаревшую информацию, отражать предвзятость данных и испытывать трудности с неоднозначностью и сложными открытыми задачами; для прикладных систем рекомендуется проверка результатов и меры безопасности.

Это GGUF-версия Gemma 4 31B — плотной мультимодальной модели Google, подготовленная пользователем satgeze на основе HauhauCS/Gemma4-31B-QAT-Uncensored-HauhauCS-Balanced-MTP. Веса заявлены как битово идентичные исходному выпуску HauhauCS; для базовой модели и QAT указывается Google. Модель предназначена для генерации текста, работы с очень длинными контекстами и анализа изображений в средах llama.cpp и Ollama. Она поддерживает чтение текста на изображениях и распознавание объектов, однако языки в README не указаны. Основной файл содержит 31B-параметрную модель с 4-битным QAT-квантизованием и встроенным масштабированием контекста до 1 048 576 токенов против исходных 262 144. Заявлена проверка Needle-in-a-haystack с результатом 10/10 на длинах от 262K до 1M токенов; эти результаты получены на одной H200 с F16 KV-кэшем и не являются универсальной гарантией для других конфигураций. Дополнительная MTP draft head поддерживает speculative decoding с заявленным ускорением до 46%, а отдельный vision tower обеспечивает мультимодальный ввод. Сильные стороны модели — сверхдлинный контекст, поддержка изображений, speculative decoding и готовность к запуску в llama.cpp. Ограничения включают высокие требования к памяти и времени обработки длинных запросов: для 1M токенов 31B-модели с F16 KV требуется около 82 ГБ KV-кэша. Качество «uncensored» и базовые возможности отдельно и независимо не бенчмаркались в представленном README; также не приведены сведения о поддерживаемых языках. Распространение осуществляется по лицензии Gemma, условия которой распространяются на эти файлы.

YTan2000 подготовил GGUF-конверсию модели Huihui-Qwen3.5-35B-A3B-abliterated для запуска через TurboQuant-вариант llama.cpp. Это мультимодальная модель семейства Qwen3.5 MoE с 35 млрд параметров и активной частью около 3 млрд; она поддерживает диалог, анализ изображений и интерфейс вызова инструментов. Основные веса сжаты до TQ3_4S, а тензоры эмбеддингов и выходного слоя оставлены в Q6_K. Для обработки изображений предусмотрен совместимый мультимодальный проектор в формате GGUF. Модель предназначена для диалоговых и агентных сценариев, генерации текста и ответов с учётом изображений. В коротком локальном smoke-тесте она показала результат 9 из 10, но это не полноценная оценка качества. Для запуска требуется публичная TurboQuant-сборка llama.cpp. Модель описана как abliterated/uncensored и может выдавать чувствительный или небезопасный контент. Лицензия — Apache-2.0.

Lamarck-14B-v0.3 — языковая модель на архитектуре Qwen2, созданная sometimesanotion как многоэтапное слияние нескольких моделей через model_stock, DELLA, SLERP и TIES. При слиянии авторы сочетали модели, ориентированные на рассуждения и качество прозы, с акцентом на Virtuoso-Small в начальных и финальных слоях; также использованы модели Qwen2.5-14B-Wernicke и SeQwence-14B-EvolMerge. Модель предназначена для диалогов, следования инструкциям, генерации связного текста и задач, требующих рассуждений; в метаданных также заявлен интерфейс вызова инструментов. Размер модели — 14 млрд параметров, контекст — до 131 072 токенов. Карточка приводит результаты Open LLM Leaderboard, включая IFEval и BBH. Поддерживается английский язык. Лицензия — Apache-2.0.

onnx-community/LFM2-350M-ONNX — ONNX-версия языковой модели LFM2-350M, разработанной Liquid AI для edge AI и локального запуска на устройствах. Модель предназначена для генерации текста, агентных сценариев, извлечения данных, RAG, творческого письма и многоходовых диалогов. Она может работать на CPU, GPU и NPU, включая смартфоны, ноутбуки и автомобильные системы. Модель содержит 354 483 968 параметров, 16 слоёв, контекстное окно на 32 768 токенов и словарь размером 65 536 токенов. Архитектура гибридная: включает 10 блоков коротких LIV-свёрток с двойными мультипликативными вентилями и 6 блоков grouped query attention (GQA). Указанная точность исходной модели — bfloat16; ONNX-репозиторий поддерживает запуск через Transformers.js, включая вариант q4. Модель обучалась на смеси примерно из 75% англоязычных, 20% многоязычных и 5% программных данных и поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. К сильным сторонам относятся малая размерность, эффективность по скорости и памяти, возможность локального развёртывания, а также заявленное преимущество над моделями сопоставимого размера в задачах знаний, математики, следования инструкциям и мультиязычности. Из-за небольшого размера модель рекомендуется дообучать под узкие сценарии. Она не рекомендуется для задач, требующих глубоких знаний или программирования. Модель распространяется по лицензии LFM Open License v1.0.

Saxo/Linkbricks-Horizon-AI-Llama-3.3-Korean-70B-sft-dpo — модель Linkbricks, дообученная специалистом по данным Юнсоном Джи на базе Meta Llama 3.3 70B Instruct методом SFT с последующим DPO. Это плотная авторегрессионная языковая модель на 69,5 млрд параметров с контекстом до 131 072 токенов; опубликованные веса доступны в формате safetensors по лицензии Apache 2.0. Модель рассчитана прежде всего на работу с корейским языком, а также на задачи с корейским, английским, японским и китайским языками. В карточке заявлены перевод между языками, суммаризация, ответы на вопросы, анализ отзывов и публикаций в соцсетях, написание текстов и кода, математические и логические рассуждения. Поддерживаются диалоговый режим и интерфейс вызова функций и инструментов. Карточка сообщает об обучении на корейских новостях и других корпусах, а также на многоязычных данных для перевода, диалогах и задачах рассуждения. Эти характеристики и улучшения приведены разработчиком; независимые оценки качества не указаны. Модель требует значительных вычислительных ресурсов из-за размера в 70 млрд параметров.

Llama-3.1-8B-Open-SFT — плотная авторегрессионная языковая модель семейства Llama, разработанная prithivMLmods и дообученная методом supervised fine-tuning на наборе O1-OPEN/OpenO1-SFT от базовой модели meta-llama/Llama-3.1-8B-Instruct. Она содержит 7,5 млрд параметров, рассчитана на контекст до 131 072 токенов и предназначена для генерации текста, диалогов, ответов на вопросы и пошаговых рассуждений. Модель подходит для чат-ботов и виртуальных помощников, открытых и контекстных вопросов, продолжения текста, краткого изложения и творческого письма. В README также заявлены задачи математического рассуждения и Chain-of-Thought; фактическое качество на этих задачах отдельно не подтверждено. Доступны веса в формате safetensors, работа через Transformers; метаданные указывают интерфейс для вызова инструментов. В карточке указан английский язык. Модель принимает текст и генерирует текст. Для полноточного запуска README рекомендует около 16 ГБ видеопамяти; это оценка из карточки, а не гарантия для всех конфигураций. Лицензия — CreativeML OpenRAIL-M.

mT5-XL — многоязычная модель Google на архитектуре encoder-decoder Transformer семейства T5 с 1,9 млрд параметров. Она предварительно обучена на корпусе mC4, охватывающем 101 язык, в едином формате преобразования текста в текст; доступны веса PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0. Модель служит базой для дообучения под конкретные задачи обработки естественного языка, например перевод, суммаризацию и ответы на вопросы. Сам чекпойнт прошёл только предварительное обучение без обучения на размеченных задачах, поэтому перед решением прикладных задач его необходимо дообучить. Для очень крупной модели требуется достаточно памяти и вычислительных ресурсов.

NeuralOmniBeagleMBX-v3-7B — слитая модель генерации текста, собранная автором paulml с помощью LazyMergekit из mlabonne/NeuralOmniBeagle-7B и flemmingmiguel/MBX-7B-v3. Для объединения использован метод SLERP с настройками смешивания для слоёв self-attention и MLP; модель основана на архитектуре Mistral и содержит 7,1 млрд параметров. Модель предназначена для генерации текста и может использоваться в сценариях, где требуется языковая модель с контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель выпущена под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

OpenBuddy — многоязычная диалоговая модель, разработанная командой OpenBuddy на базе Llama 3.3 70B Instruct. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров и контекстом до 131 072 токенов, предназначенная для генерации ответов в чат-сценариях. В карточке заявлено применение на английском и китайском языках; метаданные также перечисляют французский, немецкий, японский, корейский, итальянский и финский. Модель подходит для диалоговых помощников, ответов на вопросы и генерации текста с длинным контекстом. Используются веса Safetensors; для работы с форматом запросов рекомендуется быстрый токенизатор Transformers, также упомянута совместимость с vLLM для развёртывания API. Модель является дообучением Llama 3.3 70B Instruct и распространяется по лицензии Llama 3.3. Ответы могут быть ошибочными, вредными или оскорбительными. Разработчики не рекомендуют применять модель в критических сценариях, включая медицинские, юридические и финансовые решения или управление системами, способными причинить вред.

OpenBuddy-R10528DistillQwen-14B-v27.3-200K — диалоговая языковая модель OpenBuddy на архитектуре Qwen3, дообученная на базе Qwen/Qwen3-14B-Base с использованием дистиллированных данных DeepSeek-R1-0528. Модель содержит 14 млрд параметров и поддерживает контекст до 200 000 токенов. Модель предназначена для многоязычного чат-общения, ответов на вопросы и генерации текста. В карточке перечислены китайский, английский, французский, немецкий, японский, корейский, итальянский и финский языки. Для работы автор рекомендует быстрый токенизатор из transformers; формат диалога также задан в tokenizer_config.json и совместим с запуском через vLLM. Модель распространяется по лицензии Apache 2.0. Она может выдавать ошибочные, вредные или оскорбительные ответы; авторы предостерегают от применения в критически важных и высокорисковых сценариях, включая медицину, управление потенциально опасными системами, а также важные финансовые и юридические решения.

Ornith-Agents-A1-3.6-35B-A3B-dare_ties — мультимодальная разговорная модель, созданная сообществом tepirale слиянием моделей через mergekit. В качестве основы использована Qwen/Qwen3.5-35B-A3B, а в слияние также вошли deepreinforce-ai/Ornith-1.0-35B и InternScience/Agents-A1; применён метод DARE TIES. Модель распространяется в формате safetensors и предназначена для диалога, анализа изображений и агентных задач. Модель принимает текст и изображения и генерирует текст. В README приведены результаты на MMLU, MMLU-Pro и HellaSwag, но они различаются между указанными объёмами выборки, поэтому не позволяют однозначно оценить качество. Модель доступна по лицензии Apache-2.0.

QVikhr-3-4B-Instruction — русско-английская инструктивная языковая модель команды Vikhr, дообученная методом SFT на синтетическом датасете GrandMaster2 на основе Qwen/Qwen3-4B. Это плотная авторегрессионная модель с 3,7 млрд параметров и контекстом до 40 960 токенов; веса опубликованы в формате Safetensors под лицензией Apache-2.0. Модель предназначена для диалогов по инструкциям, генерации ответов с учётом контекста и анализа текста, с особым упором на русский язык при поддержке английского. Её можно встраивать в пользовательские приложения и сервисы. В карточке приведён результат 78,2 в Ru Arena General против 64,8 у базовой Qwen3-4B; это результат указанного теста, а не гарантия качества в других сценариях. Карточка не приводит систематических оценок ошибок или ограничений. Как и другие генеративные языковые модели, она может выдавать неточные ответы; перед использованием важной информации нужна проверка.

litert-community/Qwen2-VL-2B — это квантизированная on-device-версия мультимодальной модели Qwen2-VL-2B-Instruct, разработанной командой Alibaba Qwen и преобразованной в формат LiteRT-LM для запуска на устройствах и настольных системах. Модель принимает изображения и текстовые запросы, а генерирует текстовые ответы; предназначена для локального анализа изображений, визуальных вопросов и ответов, описания сцен, подсчёта объектов, чтения документов и OCR. Архитектура включает vision encoder Qwen2-VL ViT с 32 слоями и размерностью 1280, адаптер PatchMerger и языковой декодер Qwen2-1.5B с 28 слоями, скрытым размером 1536 и GQA. Vision encoder использует фиксированный размер изображения 672×672 и формирует 576 визуальных токенов. Весовые параметры vision-части квантизированы до int8, декодера — до int4; размер файла составляет около 1,78 ГБ. Контекст KV-кэша — 4096 токенов. Поддерживаются одно или несколько изображений, а запуск возможен на macOS, Linux, Windows и совместимых мобильных устройствах через LiteRT-LM. Сильные стороны модели — локальная обработка без передачи изображений на сервер, хорошее описание сцен и ответы на общие вопросы, чтение текста в документах, подсчёт объектов и работа с таблицами. В описанных проверках она показывала точную транскрипцию синтетического документа и корректное визуальное заземление. Ограничение связано с тем, что runtime использует последовательные одномерные позиции вместо исходного M-RoPE: модель может правильно прочитать ячейки таблицы, но ошибиться при сравнении значений между строками и столбцами. Изображения принудительно приводятся к размеру 672×672, что также может ограничивать работу с мелкими деталями. Модель распространяется по лицензии Apache-2.0.

lued/Qwen3.8-27B-INT8-W8A16-MTP — это квантизированная версия базовой модели Qwen/Qwen3.8-27B, разработанной командой Qwen. Модель не является дообученной версией: в ней применена числовая квантизация для запуска через vLLM на видеокартах архитектуры Ampere, в частности на конфигурации из двух RTX 3090. Она предназначена для диалоговых и мультимодальных сценариев, включая работу с текстом и изображениями, а также для инференса с ускорением speculative decoding посредством MTP. Используется формат W8A16: веса представлены в INT8, а активации — в FP16 или BF16; размер группы квантизации — 128, применяется симметричная data-free RTN-квантизация. Сохраняются vision tower, управляющие механизмы reasoning, BF16 MTP head и контекстное окно до 262 144 токенов. Модель поддерживает FP8 E4M3 KV-кэш; заявлена возможность расширения контекста до 1 млн токенов через YaRN на уровне исходной модели, однако приведённая конфигурация памяти этого не поддерживает. Сильной стороной является высокая близость к BF16-версии: заявлены 99,36% совпадения top-1 и меньший дрейф весов по сравнению с официальной FP8-версией. Ограничения связаны с требованиями к памяти и текущей стабильностью многопоточного обслуживания: на проверенной версии vLLM параллельные запросы могут приводить к сбоям движка. Производительность зависит от длины контекста и принятия черновых токенов MTP; при длинных запросах время до первого токена существенно возрастает. Данные о функциональном качестве, использовании инструментов, генерации JSON, программировании и мультимодальных возможностях в карточке не приведены. Модель распространяется по лицензии Apache 2.0.

Qwen3.8-27B-Uncensored-INT8 — это модифицированная и квантованная версия базовой модели Qwen/Qwen3.8-27B, разработанной командой Qwen компании Alibaba и опубликованная OrcaRouter. Из модели удалено направление, отвечающее за отказы, поэтому она существенно менее ограничена встроенными механизмами безопасности. Версия использует квантование INT8 W8A8: веса линейных слоёв представлены в 8-битном формате, а активации квантуются динамически по токенам. Модель предназначена для исследовательских задач, включая интерпретируемость, изучение механизмов отказа, AI safety, red-teaming, оценку устойчивости и контролируемые эксперименты. Это vision-language модель с поддержкой текста и изображений, рассуждений, управления режимом thinking, вызова инструментов и function calling. Архитектура включает 64 слоя, скрытое состояние размером 5120 и гибридное внимание: 48 слоёв Gated DeltaNet с линейным вниманием и 16 слоёв с полным вниманием. Заявлен контекст до 262 тысяч токенов; также сохранена MTP-голова для speculative decoding. В README указана поддержка английского и китайского языков. К сильным сторонам относятся сочетание мультимодальности, длинного контекста, инструментов, рассуждений и широкой совместимости INT8 с современными GPU. Основное ограничение — практически отсутствие встроенных защит: модель может выполнять вредоносные, незаконные или неэтичные запросы, которые исходная модель отклоняла. Её не рекомендуется использовать с конечными пользователями или в производственной среде без собственных механизмов модерации и защиты от злоупотреблений. Модель распространяется по лицензии Apache 2.0, унаследованной от базовой модели; ответственность за использование и результаты несёт пользователь.

Qwen3.8-Flash-Next-MXFP4-FP8 — экспериментальная квантизованная сборка модели Qwen3.8-Flash-Next, разработанной командой Qwen. Модель распространяется в формате Hugging Face Transformers и предназначена для задач генерации текста, агентских сценариев и мультимодального ввода с изображениями и видео. В README также указана поддержка вызова инструментов и рассуждений через соответствующие парсеры vLLM. Архитектура включает гибридное внимание с Gated DeltaNet и Qwen Sparse Attention, Gated Residual и N-gram Embedding; базовая модель использует Mixture-of-Experts-компоненты. В этой сборке MTP, attention, N-gram и KV-cache представлены в FP8, а experts — в MXFP4. Общий размер весов составляет около 125,8 ГБ. Конфигурация рассчитана на контекст до 524 288 токенов, поддерживает до 20 изображений и одного видео на запрос; языки и точное число параметров в README не указаны. Сильными сторонами являются экономичное хранение и вычисления за счёт квантизации, оптимизации для длинного контекста, FP8 KV-cache, prefix caching, chunked prefill и speculative decoding. Основные ограничения — запуск заявлен только на GPU AMD AI PRO R9700, требуется специализированный dev-образ vLLM и конфигурация с четырьмя GPU; модель имеет экспериментальный статус. Квантизация выполнена методом Quark RTN, поэтому точность может быть ниже, чем у будущих GPTQ/AWQ-сборок. README рекомендует использовать обновлённую GPTQ Protected Model. Лицензия указана как Apache-2.0 с license_name qwen-community-1.0.

Qwen3-VL-30B-A3B-Instruct-NVFP4 — мультимодальная модель для генерации текста по текстовым и визуальным входным данным, опубликованная пользователем или организацией ig1. Она основана на Qwen/Qwen3-VL-30B-A3B-Instruct и предназначена для сценариев, где требуется анализ изображений совместно с обработкой естественного языка; README также упоминает поддержку изображений и видео, однако конкретные языки и полный набор мультимодальных возможностей не указаны. Модель использует архитектуру Qwen3-VL с mixture-of-experts; обозначение 30B-A3B указывает на 30 млрд параметров в общей модели и около 3 млрд активных параметров на токен. Она подвергнута NVFP4-квантизации с использованием llm-compressor и предназначена для запуска через vLLM с поддержкой OpenAI-совместимого сервера, автоматического выбора инструментов и parser hermes. Для видеокарт RTX 5090 README рекомендует ограничивать контекст примерно 56K токенами, использовать не более трёх изображений и отключать видео из-за ограничений памяти; точный максимальный контекст модели не указан. К сильным сторонам относятся сниженные требования к памяти благодаря NVFP4-квантизации и возможность быстрого инференса на совместимом оборудовании. Ограничения включают возможную потерю качества из-за квантизации, зависимость от совместимой версии vLLM и необходимость уменьшать контекст или число мультимодальных входов на видеокартах с ограниченной памятью. Модель распространяется по лицензии Apache-2.0.

coder3101/Qwen3-VL-8B-Instruct-heretic — производная версия Qwen3-VL-8B-Instruct, созданная методом abliteration для сокращения отказов на запросы. По данным карточки, доля отказов в указанной проверке снизилась со 100 из 100 у исходной модели до 6 из 100; KL-дивергенция составила 0,1738. Модель предназначена для диалога с текстом и изображениями, визуального анализа и рассуждений. Базовая архитектура Qwen3-VL поддерживает анализ видео, OCR, пространственные задачи и контекст до 256 тыс. токенов с возможностью расширения до 1 млн, однако README описывает эти возможности исходной модели, а не отдельно проверенные характеристики этой версии.

T3qm7xNeuralsirkrishna_AlloyingotneoyYam — объединённая модель Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/AlloyingotneoyYam-7B. Она содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов; README не уточняет языковую специализацию и особенности диалогового шаблона. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Google T5 Version 1.1 LM-Adapted — предварительно обученная языковая модель архитектуры T5 для преобразования текста в текст. Версия Base содержит 123,8 млн параметров и доступна в форматах PyTorch и TensorFlow. Она основана на T5 Version 1.1 Base и дополнительно обучена 100 тысяч шагов на языковой моделирующей цели; предобучение использовало корпус C4 и задачи восстановления текста и языкового моделирования. Вариант LM-Adapted разработан для улучшения пригодности модели к prompt tuning. Модель предназначена для последующей настройки под прикладные задачи NLP, включая суммаризацию, ответы на вопросы и классификацию текста. Она принимает текст и генерирует текст; основным языком карточки указан английский. Предобучение отключало dropout, поэтому при дообучении README рекомендует включать его. Лицензия — Apache 2.0.

Tele-FLM-1T (также FLM-2-1T) — мультиязычная большая языковая модель, разработанная BAAI и TeleAI. Это авторегрессионный декодерный трансформер семейства TeleFLM с 1,1 трлн параметров, обученный примерно на 2,3 трлн токенов. В архитектуре используются RoPE, RMSNorm и SwiGLU; длина контекста составляет 4096 токенов. Модель рассчитана на генерацию текста и сложные языковые задачи, а разработчики отдельно отмечают улучшенные возможности фактического суждения. Модель поддерживает английский, китайский и другие языки. Разработчики публикуют веса, описание архитектурных решений и сведения об обучении для академического и промышленного сообщества. На момент описания модель ещё проходит оценку из-за ограниченных вычислительных ресурсов, поэтому её возможности не следует считать окончательно подтверждёнными. Лицензия — Apache 2.0. Несмотря на очистку обучающего корпуса, модель может воспроизводить предвзятые, дискриминационные или оскорбительные примеры и генерировать небезопасный контент.

RoyRud1902/yolo11n-text — дообученная модель детекции текстовых областей на изображениях на базе YOLO11n от Ultralytics. Компактная архитектура YOLO11n nano содержит около 2,59 млн параметров и предсказывает ограничивающие рамки одного класса — текста. Модель рассчитана на документы, снимки экрана, интерфейсы и фотографии с текстом; библиотека для работы — Ultralytics, формат весов в репозитории — PyTorch. Модель можно использовать для поиска областей текста перед OCR, анализа документов, обработки PDF и нахождения текстовых элементов в интерфейсах. В README приведены результаты обучения на наборе DonkeySmall/Yolo-Text-Detection: precision 95,7%, recall 93,6% и mAP@50 97,6%. Лицензия — Apache-2.0. Модель лучше подходит для горизонтального текста; точность на повёрнутом тексте может снижаться. Она обучалась преимущественно на документах и изображениях интерфейсов, не различает типы текста и показывает лучшие результаты при размере входа около 640 пикселей.

A.X 4.0 Light — компактная языковая модель компании SK Telecom, выпущенная в июле 2025 года. Она основана на Qwen2.5 и дополнительно обучена на крупных корейских наборах данных. В репозитории указана архитектура Qwen2 и размер около 6,9 млрд параметров; модель принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Контекст модели — до 16 384 токенов. Модель предназначена для понимания корейского языка и практических задач в деловой среде: диалогов, ответов на вопросы и работы с длинными документами. Разработчик сообщает о высоких результатах на корейских тестах KMMLU и CLIcK и об эффективном использовании токенов для корейского текста. README также описывает вариант семейства на 72 млрд параметров; этот репозиторий содержит облегчённую версию. Модель распространяется по лицензии Apache-2.0.

Claude Haiku 4.5 — модель Anthropic, позиционируемая как быстрая и экономичная модель с интеллектом, близким к передовым системам, при меньших стоимости и задержке по сравнению с более крупными моделями Claude. В карточке также заявлено, что по производительности она сопоставима с Claude Sonnet 4. Модель предназначена для задач, где важны быстрые ответы и низкая стоимость обращения. Доступные сведения не описывают конкретные сценарии, архитектуру, размер, модальности, языки, длину контекста или лицензию; поэтому эти характеристики здесь не уточняются.