I.1Поиск и навигация по информации

Citaman/command-r-39-layer — объединённая с помощью mergekit методом SLERP модель семейства Cohere на архитектуре CohereForCausalLM. В сборку вошли два среза слоёв базовой модели CohereForAI/c4ai-command-r-v01 с диапазонами [0, 39] и [1, 40]. Модель содержит 34,2 млрд параметров и рассчитана на генерацию текста, в том числе в диалоговом формате и через интерфейс вызова инструментов; контекст составляет 8192 токена. Модель подходит для диалоговых систем и генерации текста. В карточке не приведены отдельные сведения о языках, качестве на конкретных задачах или ограничениях применения. Файлы опубликованы в формате safetensors; лицензия в доступных данных не указана.

Cybertron v4 qw7B MGS — диалоговая плотная трансформерная модель на 7,1 млрд параметров, разработанная fblgit и основанная на Qwen2.5-7B-Instruct. Она дообучена методом SFT на датасете Magpie-Align/Magpie-Qwen2.5-Pro-1M-v0.1 и предназначена для генерации текста и ответов в диалоге; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает английский язык и имеет заявленную длину контекста 131 072 токена. В карточке автор заявляет высокие результаты в классе моделей 7B–8B и приводит оценки Open LLM Leaderboard, включая 62,64 на IFEval и 37,04 на BBH; эти результаты относятся к указанной автором оценке. Для модели указана лицензия other, поэтому условия использования следует сверить с лицензией и файлами репозитория. В README упоминается подход MGS, но его расшифровка и подробности не раскрыты.

EttinX-nli-s — англоязычный cross-encoder для определения логической связи между парой текстов: противоречие, нейтральное отношение или следование. Модель разработал dleemiller на основе энкодера jhu-clsp/ettin-encoder-68m семейства ModernBERT; она дообучена на наборе all-nli-distill с логитами учителя dleemiller/ModernCE-large-nli. Использует архитектуру классификации последовательностей и содержит 68,1 млн параметров. Модель подходит для проверки гипотез по тексту, оценки семантического соответствия пары предложений и анализа ответов LLM. Автор приводит результаты micro-F1 0,8798 на MNLI mismatched и 0,8967 на SNLI. Заявлена обработка последовательностей до 8192 токенов, что полезно для оценки длинных ответов; метаданные указывают контекст 7999 токенов. Компактный размер делает модель подходящей для инференса на CPU. Лицензия MIT.

Falcon-7B-Instruct — языковая модель TII на основе Falcon-7B, дообученная на смеси диалоговых и инструкционных данных. Это плотная авторегрессионная модель с архитектурой decoder-only; в карточке указаны 7 млрд параметров, тогда как метаданные каталога сообщают 10,9 млрд. В архитектуре используются rotary positional embeddings, multi-query attention и FlashAttention, рассчитанные на эффективный инференс. Модель предназначена для диалогов и выполнения инструкций на естественном языке: она может отвечать на вопросы, помогать с текстовыми задачами и вести беседу. Основной язык обучения — английский; карточка также указывает французский, но предупреждает, что качество на языках помимо английского может быть слабым. Для быстрого инференса README рекомендует не менее 16 ГБ памяти; для использования с Transformers требуется PyTorch 2.0. TII сообщает о дообучении на смеси instruct/chat-датасетов объёмом около 250 млн токенов. Модель может воспроизводить стереотипы и смещения из веб-данных, поэтому перед применением в производстве ответы следует оценивать и дополнять защитными мерами. Лицензия — Apache 2.0.

GeM2-Llamion-14B-LongChat — текстовая генеративная модель VAIV Company из серии GeM 2.0. Это плотная авторегрессионная модель семейства Llama с 14,1 млрд параметров, доступная в формате safetensors и предназначенная для диалоговой генерации текста. Версия LongChat поддерживает контекст до 200 000 токенов, что позволяет вести длинные диалоги и работать с большими текстовыми материалами в одном контекстном окне. По README, Llamion создана преобразованием модели Orion в стандартную архитектуру LLaMA с помощью отображения параметров и офлайн-переноса знаний; конкретная базовая модель Orion в метаданных не идентифицирована. Карточка приводит результаты оценки perplexity на англоязычной и корейской Википедии, но не описывает ограничения качества или перечень поддерживаемых языков. Модель распространяется по лицензии Apache-2.0.

Карточка модели armand0e/Gemma-4-E4B-it-Fable-Distill на Hugging Face совпадает с карточкой armand0e/Gemma-4-E4B-it-DeepSeek-v4-Distill, поэтому описание составлено по ней. Модель armand0e/Gemma-4-E4B-it-DeepSeek-v4-Distill — дообученная на базе unsloth/gemma-4-E4B-it мультимодальная модель семейства Gemma 4 с плотной архитектурой Gemma4ForConditionalGeneration. Автор карточки указывает, что модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для диалога и генерации ответов по текстовым и визуальным входам; метаданные также отмечают поддержку интерфейса вызова инструментов. Базовая Gemma 4 E4B Instruct описана как подходящая для анализа изображений, документов, программирования и других текстовых задач, но отдельные возможности этой версии подробно не подтверждены карточкой. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не сообщает размер контекста и подробные результаты оценки качества; практическое качество дистилляции DeepSeek в README не раскрыто.

Vontra/GLM-5.3-Flash-MLX-oQ4-MTP — это мультимодальная версия модели GLM-5.3-Flash от Z.ai, преобразованная Vontra в формат MLX для запуска на Apple Silicon. Модель предназначена для задач, связанных с обработкой текста и изображений, включая диалоговое взаимодействие и генерацию ответов в vision-language сценариях. Поддерживаются английский и китайский языки. Модель использует архитектуру glm5_next с разреженной mixture-of-experts, гибридным линейным и разреженным вниманием, manifold-constrained hyper-connections и встроенным слоем предсказания следующего токена. Контекст настроен на 1 048 576 токенов. Веса представлены в формате MLX safetensors и сжаты методом oQ4: основная часть использует 4-битное аффинное квантование с выборочными переопределениями точности 5, 6 и 8 бит. Размер загрузки составляет около 185,7 ГБ. Сохранены исходные токенизатор, шаблон чата, мультимодальный процессор и конфигурация генерации. К сильным сторонам относятся мультимодальность, очень длинный контекст, смешанная точность с защитой чувствительных модулей и встроенная поддержка native MTP для ускорения генерации. Ограничения — значительный объём модели, зависимость от Apple Silicon и необходимость совместимого runtime: требуются MLX-VLM с интеграцией GLM5 Next и сборка oMLX с поддержкой oQ и native MTP; старые версии не поддерживаются. В опубликованном тесте на Apple M3 Ultra с 256 ГБ unified memory базовый режим показал 6,2155 токена/с, а режим native MTP — 4,9969 токена/с. Модель распространяется по лицензии MIT.

GPT-6 Sol — высокопроизводительная модель OpenAI из серии GPT-6, рассчитанная на сложные профессиональные задачи. В линейке она занимает промежуточное положение между флагманской GPT-6 Astra и более быстрой моделью GPT-6 Luna. Метаданные каталога относят модель к задаче image-text-to-text. Доступный фрагмент README не раскрывает подробности архитектуры, размера, поддерживаемых языков, контекстного окна, модальностей ввода и вывода или лицензии.

Sao10K/L3.3-70B-Euryale-v2.3 — дообученная модель Sao10K на базе Meta Llama 3.3 70B Instruct, предназначенная для диалогов и генерации текста. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров; она принимает текст и поддерживает контекст до 131 072 токенов. Для общения используется формат запросов Llama 3 Instruct. В метаданных также указана возможность интерфейса вызова инструментов. Автор описывает модель как преемника Euryale v2.2 и отмечает, что она обучена непосредственно на Llama 3.3 Instruct, а не получена извлечением LoRA. Рекомендуемые автором параметры генерации: temperature 1.1 и min_p 0.1. Модель подходит для диалогового ассистента и творческой генерации; дальнейшее улучшение обучающих данных и расширение творческих сценариев указаны как планы. Лицензия — Llama 3. Использование требует соблюдения условий лицензии Meta Llama 3.

bigdefence опубликовал дообученную языковую модель на архитектуре Llama 3.1. Она создана на базе Saxo/Linkbricks-Horizon-AI-Korean-llama-3.1-sft-dpo-8B и предназначена для генерации текста в диалоговом формате; метаданные также отмечают интерфейс вызова инструментов. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. В карточке указано обучение с использованием Unsloth и TRL. Базовая модель ориентирована на корейский язык, однако README и языковые метаданные этой версии не подтверждают отдельно полный список поддерживаемых языков. Модель распространяется по лицензии Apache-2.0. README не приводит результатов оценки качества или подробностей о данных дообучения, поэтому пригодность для конкретных задач следует проверять отдельно.

bartowski/llama-3-8B-function-calling-GGUF — набор квантизированных версий модели llama-3-8B-function-calling, исходно опубликованной serpdotai. Файлы подготовлены bartowski в формате GGUF с использованием llama.cpp release b3070 и метода imatrix. Модель предназначена для генерации текста и сценариев function calling, включая взаимодействие с инструментами и вызов внешних функций в приложениях. В README указан шаблон диалога с ролями system, user и assistant на основе специальных маркеров im_start и im_end. Доступны варианты квантования от Q8_0 до IQ2_XS размером примерно от 8,54 до 2,60 ГБ, что позволяет выбирать между качеством ответов и требованиями к памяти. Версия Q6_K обозначена как рекомендуемая для очень высокого качества, а Q4_K_M — как компромисс между качеством и размером. Ключевое ограничение — снижение качества у низкобитных вариантов, особенно Q3 и Q2; некоторые из них описаны как пригодные для использования, но не рекомендуемые. В README не указаны точный размер контекста, перечень языков, модальности, лицензия исходной модели или отдельные результаты тестирования, поэтому эти характеристики нельзя достоверно определить.

Это 4-битная версия модели Llama 3 8B Instruct, подготовленная сообществом mlx-community для запуска с MLX. Модель преобразована из gradientai/Llama-3-8B-Instruct-262k с помощью mlx-lm 0.10.0; она использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Модель предназначена для диалоговой генерации текста и принимает текстовые запросы. Заявленная длина контекста — 1 048 576 токенов; карточка указывает поддержку английского языка. Репозиторий использует формат safetensors. Лицензия — llama3. README отсылает к карточке исходной модели за дополнительными сведениями о возможностях и условиях использования.

QuantFactory/Llama-3-Groq-8B-Tool-Use-GGUF — квантизированная версия модели Llama-3-Groq-8B-Tool-Use, созданная QuantFactory с использованием llama.cpp на основе модели Groq. Это авторегрессионная языковая модель с оптимизированной transformer-архитектурой и примерно 8 млрд параметров, дообученная полным fine-tuning и методом Direct Preference Optimization (DPO) на базе Llama 3 8B. Модель предназначена прежде всего для tool use и function calling: взаимодействия с API, обработки структурированных данных и выполнения сложных последовательностей вызовов инструментов. Она принимает текст и генерирует текст с поддержкой вызовов функций в структурированном формате. Заявленный язык — английский; сведения о размере контекста и мультимодальных возможностях отсутствуют. На Berkeley Function Calling Leaderboard модель получила 89,06% общей точности, что в карточке указано как лучший результат среди открытых 8B-моделей. Для общих вопросов и открытой генерации может быть предпочтительнее универсальная языковая модель. Модель способна генерировать неточный или предвзятый контент и требует дополнительных мер безопасности. Результаты чувствительны к параметрам sampling; в качестве отправной точки рекомендованы temperature 0,5 и top_p 0,65. Указана лицензия Meta Llama 3 Community License.

QuantFactory/Llama-3-Instruct-8B-SPPO-Iter3-GGUF — квантизированная версия языковой модели UCLA-AGI/Llama-3-Instruct-8B-SPPO-Iter3, созданная с использованием llama.cpp. Модель разработана на основе архитектуры Meta Llama 3 8B Instruct и обучена методом Self-Play Preference Optimization на синтетических ответах с использованием наборов запросов из UltraFeedback. Третья итерация обучения применяет данные, разделённые для последовательного проведения трёх итераций оптимизации. Модель предназначена для генерации текста и выполнения общих инструкций, включая диалоговые и вопросно-ответные сценарии. Это GPT-подобная текстовая модель примерно на 8 млрд параметров, ориентированная прежде всего на английский язык. Информация о поддерживаемой длине контекста и дополнительных модальностях в README не указана; модель является текстовой и не предназначена для обработки изображений или других мультимедийных данных. К сильным сторонам относятся улучшенные результаты третьей итерации по сравнению с предыдущими версиями в оценках AlpacaEval и Open LLM Leaderboard: заявлены LC Win Rate 38,77, средний результат набора Open LLM Leaderboard 70,29 и высокие показатели на HellaSwag, Winogrande и ARC-Challenge. Ограничениями являются преимущественная ориентация на английский язык, зависимость качества от выбранного формата квантизации и отсутствие в README подробностей о конкретном варианте квантизации и размере файла. Модель распространяется по лицензии Apache-2.0.

llm-jp-3-1.8b-instruct — инструктивная версия языковой модели семейства llm-jp-3, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотная авторегрессионная Transformer-модель архитектуры LlamaForCausalLM с 1,7 млрд параметров по метаданным и контекстом до 4096 токенов. Репозиторий распространяет веса в формате Safetensors для Transformers. Модель предназначена для диалогов и выполнения текстовых инструкций, включая ответы на вопросы, написание текстов и простые рассуждения. Она обучалась на смеси данных, включая японские источники, и дообучалась на японских инструктивных наборах; метаданные также указывают английский и японский языки. В оценках авторов она показала улучшение относительно базовой версии llm-jp-3-1.8b на ряде задач, однако результаты ограничены указанными тестовыми выборками. Разработчики отмечают, что семейство находится на раннем этапе исследований и разработок и не настроено для гарантированного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

MegaHyperLlama3.1 — объединённая плотная языковая модель семейства Llama, созданная с помощью mergekit методом TIES на основе unsloth/Meta-Llama-3.1-8B и моделей bunnycore/HyperLlama-3.1-8B и bunnycore/HyperLLama3.1-Mix-8B. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; поддерживает контекст до 131 072 токенов. Модель подходит для диалоговых приложений и генерации текста с длинным контекстом. Карточка не приводит сведения о поддерживаемых языках, специальных областях применения или результатах оценки качества. Весовые файлы доступны в формате safetensors; лицензия в предоставленных данных не указана.

DevQuasar опубликовал GGUF-версию microsoft/Phi-4-reasoning-vision-15B. Это мультимодальная чат-модель с поддержкой изображений, предназначенная для ответов на вопросы по визуальным данным и рассуждений об изображениях. Каталог относит базовую модель к дообученным моделям Microsoft; в репозитории указаны веса GGUF в формате F16. Модель подходит для анализа изображений и документов, а также для работы со скриншотами графических интерфейсов. Карточка не сообщает подробностей о размере контекста, языках и условиях лицензии этой копии, поэтому их нельзя уточнить по доступным данным.

Карточка модели Iambackup/MiniMax-M2.5-UNCENSORED-JANG_2L на Hugging Face совпадает с карточкой Ishowbackup/MiniMax-M2.5-UNCENSORED-JANG_2L, поэтому описание составлено по ней. MiniMax-M2.5-UNCENSORED-JANG_2L — производная модель MiniMaxAI/MiniMax-M2.5, подготовленная Jinho Jang. Это языковая модель с архитектурой MiniMax M2 MoE и интерфейсами чата и вызова инструментов. В README указаны 230 млрд параметров, 256 экспертов и около 10 млрд активных параметров на токен; смешанная квантизация JANG_2L задаёт 8 бит для внимания, 6 бит для эмбеддингов и 2 бита для экспертов. Метаданные указывают 2,9 млрд параметров, поэтому оценку размера из README следует считать расходящейся с ними. Для хранения требуется около 63 ГБ; формат JANG поддерживается MLX Studio и пакетом jang-tools на Apple Silicon. Контекст — 196 608 токенов. Модель предназначена для генерации ответов в чате, рассуждений и работы с инструментами. README также описывает CRACK — изменение весов, удаляющее отказы, связанные с защитными настройками; это может позволить получать вредоносные или опасные ответы. В README приведены результаты тестов MMLU и HarmBench, но они не являются независимой оценкой качества. Лицензия в метаданных — Apache-2.0; модель рассчитана на английский, китайский и корейский языки.

MDfox/OvisOCR2-GGUF-SOTA-20260823 — неофициальная конверсия модели ATH-MaaS/OvisOCR2 в формат GGUF, подготовленная для запуска через llama.cpp. Модель предназначена для мультимодального преобразования изображений в текст, прежде всего для OCR и разбора документов, включая задачи, оцениваемые на OmniDocBench. Конверсия собрана и протестирована с llama.cpp v0.4.0. Для работы требуется языковая модель GGUF и отдельный файл mmproj, отвечающий за обработку изображений. Доступны различные варианты квантования: от Q2_K до Q8_0, а также BF16 для mmproj. В опубликованных тестах использовался контекст до 32 768 токенов на слот, обработка изображений с 196–8 100 image tokens и лимит генерации до 16 384 токенов. Наивысший заявленный результат на OmniDocBench v1.6 составил 96,4547 для Q8_0 с BF16 mmproj; компактный вариант Q3_K_M с Q8_0 mmproj имеет размер 555,2 МиБ и результат 96,2012. Сильными сторонами являются высокое качество распознавания и структурного анализа документов при сравнительно небольшом размере квантованных сборок, а также поддержка запуска локально через llama.cpp. К ограничениям относятся неофициальный статус конверсии, необходимость совместимых версий llama.cpp и наличия двух файлов модели, а также заметное снижение качества у наиболее агрессивного варианта Q2_K. Языки, точный размер исходной модели, архитектура и перечень поддерживаемых языков в README не указаны. Распространение заявлено по лицензии Apache-2.0.

Panther v1 — языковая модель Rardilit на архитектуре LLaMA, выпущенная в мае 2023 года. Модель содержит 6,6 млрд параметров, работает с текстом и имеет контекстное окно 2048 токенов. В карточке заявлена поддержка нескольких языков; в метаданных указан английский язык. Модель предназначена для генерации текста, исследования поведения языковых моделей и использования в качестве основы для дообучения. Среди возможных последующих задач названы извлечение информации, ответы на вопросы и суммаризация. Модель может выдавать фактически звучащие, но неверные ответы, а также нерелевантный или повторяющийся текст; возможны стереотипы, персональные данные и неприемлемый контент. Разработчик — Rardilit. Указана лицензия Panther License v1.0, классифицированная в метаданных как other; конкретные условия следует сверять с текстом лицензии. Модель не предназначена для решений с существенными последствиями, в том числе в медицине, праве, политике и финансах.

Qwen3.5-4B-Comprehension-new-judge-policy-v70-merged — текстовая генеративная модель, опубликованная пользователем leonardovazsp на Hugging Face. По метаданным модель предназначена для генерации текста и поддерживает conversational-сценарии; разработчик, базовая модель и лицензия в доступных материалах не указаны. Модель содержит около 3,4 млрд параметров, использует экосистему Transformers и имеет нативное контекстное окно до 262 144 токенов. По названию модель относится к семейству Qwen3.5 и, вероятно, ориентирована на задачи comprehension и judging, однако README не содержит подтверждённых сведений о методах обучения, оценивании или конкретных форматах таких задач. Модель может применяться для диалоговой генерации, продолжения текста, анализа предоставленного контекста и интеграции в приложения на базе Transformers. Ограничения включают отсутствие в карточке подробностей о языках, качестве, безопасности, смещениях, тестовых результатах и условиях лицензирования; результаты следует проверять на целевых данных перед использованием.

natfii/Qwen3.6-27B-VLM-Cascade — мультимодальная модель рассуждений и работы с изображениями, созданная natfii на основе Qwen/Qwen3.6-27B. Модель дообучена по каскадному рецепту: SFT для запуска рассуждений, затем последовательное обучение с подкреплением по проверяемым результатам и on-policy дистилляция. Это полноточный контрольный вариант BF16 на 27 млрд параметров с гибридной архитектурой: 16 слоёв полного внимания и 48 слоёв линейного внимания; визуальный модуль сохранён и заморожен при дообучении. Модель предназначена для локальных сценариев с визуальными вопросами и ответами, сложными рассуждениями и агентным использованием инструментов. Режим пошагового рассуждения включается отдельно; по умолчанию модель отвечает без видимой цепочки рассуждений. В репозитории также есть MTP черновая голова для ускоренного спекулятивного декодирования NEXTN, которое влияет на скорость генерации, но не на её итоговый текст. Поддерживаются входы с текстом и изображениями, выход — текст. Карточка не сообщает длину контекста или набор поддерживаемых естественных языков. Модель выпущена под лицензией Apache-2.0. Она не проходила полноценную оценку для производственного применения; автор предупреждает о возможном ухудшении визуального заземления после обучения на рассуждениях, склонности к повторным проверкам в режиме thinking и необходимости отдельно измерять эффективность MTP на целевой инфраструктуре.

Qwen3.8-Flash-Next-VQ-5.5bpw — это квантизированная data-free vector-quantized версия модели Qwen3.8-Flash-Next, разработанная TheDrainFlorist с использованием VQLab и предназначенная для запуска на Apple Silicon через MLX. Базовая модель создана командой Qwen. Модель поддерживает генерацию текста и работу с изображениями; заявленный язык — английский. Она основана на MoE-архитектуре с 180 млрд параметров в общей сложности и 10 из 512 активных экспертов, а также включает 51,2 млрд параметров n-gram PLE и vision-компонент. Размер квантизации — 5,5 бит на параметр, объём checkpoint составляет около 111,6 GiB, поэтому для запуска требуются машины с большим объёмом unified memory, ориентировочно от 128 ГБ.

Карточка модели etiennebamas/qwen3-lr-1-e-5-neat на Hugging Face совпадает с карточкой etiennebamas/qwen3-step32k-1e5, поэтому описание составлено по ней. Qwen3-step32k-1e5 — диалоговая модель генерации текста на базе Qwen3 с 7,6 млрд параметров, дообученная Etienne Bamas на датасете SFT от formalmathatepfl/qwen3-cpt. Она предназначена для текстовых запросов и диалоговых сценариев; использует плотную архитектуру Qwen3 и поддерживает контекст до 32 768 токенов. Модель распространяется в формате safetensors и рассчитана на работу через Transformers. Карточка не описывает конкретные специализации, результаты оценки или известные ограничения качества. Лицензия указана как other, поэтому условия использования следует сверять с лицензией в репозитории модели и базовой модели.

Карточка модели Lazarus-Ai/ReAligned-Qwen3.5-4B на Hugging Face совпадает с карточкой Lazarus-Ai/ReAligned-Qwen3.5-27B, поэтому описание составлено по ней. ReAligned-Qwen3.5-27B — диалоговая модель семейства Qwen3.5, созданная Эриком Хартфордом из LazarusAI на базе Qwen/Qwen3.5-27B. Модель дообучена в два этапа: supervised fine-tuning и GRPO с оценкой ReAligned-Classifier; обучение использует LoRA. Цель — уменьшить отказы и государственно-ориентированную подачу ответов на политические и исторические темы, связанные с Китаем, сохранив общие возможности базовой модели. Модель предназначена для чата, суммаризации, программирования, рассуждений, многоязычного использования, а также исследования идеологической предвзятости, отказов и рамки повествования. Архитектура — плотная Qwen3.5 с классом Qwen3_5ForConditionalGeneration; метаданные указывают мультимодальную основу с поддержкой текста и изображений. Карточка не сообщает размер параметров и длину контекста именно этого чекпойнта. Лицензия — Apache-2.0. Снижение цензурных отказов не гарантирует точность фактов; возможны чрезмерная коррекция в сторону западной институциональной рамки, пробелы в знаниях и различия поведения между языками и формулировками. Авторы рекомендуют независимую оценку и собственные меры модерации при развёртывании.

RuModernBERT-small — компактный двунаправленный encoder-only Transformer семейства ModernBERT, разработанный DeepVK для работы с русским и английским текстом. Это модель masked language modeling: она предсказывает замаскированные токены и служит основой для задач понимания текста после дополнительной настройки. Модель содержит 34,4 млн параметров, имеет 12 слоёв, размер скрытого представления 384 и словарь из 50 368 токенов; длина контекста — до 8 192 токенов. Предобучение проводилось примерно на 2 трлн токенов русского, английского и кода из интернет-источников, книг, научных материалов и социальных сетей. Модель подходит как компактный энкодер для классификации, извлечения сущностей и других задач анализа текста; README приводит оценки на русскоязычных бенчмарках. В опубликованной ревизии patched-tokenizer исправлена токенизация шести распространённых русских строчных букв, что может быть полезно для NER; авторы сообщают, что на 20 задачах RuMTEB статистически значимых изменений качества не обнаружили. Лицензия — Apache-2.0.

CultriX/SeQwence-14Bv1 — объединённая языковая модель на архитектуре Qwen2, созданная CultriX с помощью mergekit и метода DARE TIES. В качестве базовой модели при слиянии использована Qwen/Qwen2.5-14B; в состав также вошли CultriX/SeQwence-14B, CultriX/Qwen2.5-14B-Wernicke, CultriX/Qwen2.5-14B-MegaMerge-pt2, VAGOsolutions/SauerkrautLM-v2-14b-DPO и v000000/Qwen2.5-Lumen-14B. Модель предназначена для генерации текста и диалоговых сценариев. Это плотная модель с 14 млрд параметров и контекстом до 131 072 токенов; принимает текст и выдаёт текст. В метаданных указан английский язык, а интерфейс поддерживает чат и вызов инструментов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробных сведений о поведении объединённой модели.

SRIQwen-V1.3 — плотная мультимодальная модель семейства Qwen3.5 от SRIQ, полученная supervised fine-tuning базовой Qwen/Qwen3.8-27B с помощью LoRA; адаптер объединён с выпущенными весами. Обучение на наборе sriq-ai/sriq-sft-v1.3 направлено на сокращение цепочек рассуждений при сохранении исходных ответов. Модель загружается через Transformers как Qwen3_5ForConditionalGeneration и поддерживает диалог, текст и изображения; интерфейс также предусматривает вызов инструментов. Контекст базовой модели составляет 262 144 токена, но дообучение проводилось на последовательностях длиной до 131 072 токенов, поэтому поведение на большей длине не проверено. Обучающие цели включали сжатые рассуждения на упрощённом китайском языке, а итоговый ответ формировался на языке запроса. Для релиза не проводились бенчмарки, поэтому улучшение точности, расхода токенов и скорости не подтверждено. Лицензия — Apache-2.0.

T5Gemma — семейство компактных текстовых моделей Google с архитектурой encoder-decoder. Этот вариант — предварительно обученная модель с энкодером на 2 млрд и декодером на 2 млрд параметров, адаптированная с помощью PrefixLM; веса опубликованы в формате safetensors, библиотека для работы — Transformers. Модель принимает текст и генерирует текст на английском языке. Модель предназначена для генерации и преобразования текста, в частности для ответов на вопросы, суммаризации и рассуждений. Её можно использовать для подготовки черновиков, создания текстов и экспериментов в NLP; энкодер также пригоден для задач классификации и понимания текста. Компактный размер облегчает запуск на персональных компьютерах и собственной облачной инфраструктуре. К ограничениям относятся возможные ошибки в фактах, предвзятость обучающих данных и трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами. Модель лицензирована по условиям Gemma License; перед применением следует учитывать ограничения Gemma Prohibited Use Policy.

T5-Small — компактная текстовая модель семейства Text-To-Text Transfer Transformer, разработанная Колином Раффелом и коллегами. Она представляет задачи обработки естественного языка в формате преобразования текста в текст; в каталоге для этой версии указана задача перевода. Модель содержит 38,5 млн параметров по метаданным, имеет плотную архитектуру T5ForConditionalGeneration и контекст до 512 токенов. Модель предназначена для перевода и может применяться в дообученных сценариях суммаризации, ответов на вопросы, классификации и других задач преобразования текста. Она принимает и генерирует текст; в карточке указаны английский, французский, румынский и немецкий языки. Предобучение проводилось на корпусе C4 и смеси задач, включавшей денойзинг и контролируемые текстовые задачи. Компактный размер упрощает использование модели в ограниченных вычислительных условиях, но может уступать более крупным моделям в качестве и надёжности. Карточка не приводит конкретных оценок качества или подробных ограничений. Лицензия — Apache 2.0.