I.1Поиск и навигация по информации

bunsenfeng/parti_4_full — текстовая генеративная модель семейства Qwen2, размещённая пользователем bunsenfeng на Hugging Face. По метаданным, она содержит 7,1 млрд параметров, построена на архитектуре Qwen2ForCausalLM и использует Transformers; заявлены генерация текста и диалоговый режим. Для развёртывания указаны веса Safetensors и контекст до 32 768 токенов. Модель подходит для диалогов и генерации текста, в том числе для работы с длинным контекстом. Источники не позволяют надёжно установить конкретные обучающие задачи, поддерживаемые языки или лицензионные условия; поэтому не следует считать её специализированной для отдельных областей или языков.

Qwen1.5-1.8B-Chat — чатовая языковая модель из семейства Qwen, разработанная командой Qwen. Это бета-версия Qwen2, основанная на декодерной архитектуре Transformer и предназначенная для диалогов и генерации текста. Модель содержит 1,5 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель поддерживает многоязычный ввод и вывод, а её токенизатор адаптирован к разным естественным языкам и программному коду. В архитектуре используются активация SwiGLU и смещение QKV в механизме внимания. Карточка относит её к чатовым моделям и отмечает улучшение предпочтений пользователей для диалоговой версии семейства. Модель подходит для чат-ботов, ответов на запросы и генерации текста. В README советуют использовать Transformers версии 4.37.0 или новее и параметры генерации из generation_config.json, чтобы снизить проблемы с переключением языков и другие нежелательные результаты. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория.

RedHatAI/Qwen2.5-VL-72B-Instruct-FP8-dynamic — квантизированная версия мультимодальной модели Qwen2.5-VL-72B-Instruct, разработанной Qwen и оптимизированной Neural Magic. Модель принимает изображения и текст, а генерирует текст; в карточке также указан английский язык. Версия выпущена 24 февраля 2025 года. Модель предназначена для визуально-языковых задач: ответов на вопросы по изображениям, анализа документов и диаграмм, визуального рассуждения и решения математических задач по визуальному содержимому. Архитектура основана на Qwen2.5-VL-72B-Instruct с 72 млрд параметров. Веса и активации квантизированы в FP8 с динамическим режимом, что ориентировано на более эффективное выполнение инференса. Для запуска рекомендуется vLLM версии 0.5.2 или новее; поддерживается OpenAI-совместимый сервер. В примере развертывания используется контекст до 4096 токенов, однако общий максимальный контекст модели в README не указан. По приведенным оценкам, FP8-версия сохраняет близкое к исходной качество на задачах MMMU, VQAv2, DocVQA, ChartQA и MathVista, но результаты могут зависеть от сценария использования и настроек инференса. Модель распространяется по лицензии Apache 2.0.

Это архивная перезагрузка квантованной GGUF-версии Qwen3.5-397B-A17B TQ1_0. Автор репозитория указывает, что модель и квантование созданы не им: исходную модель выпустила команда Qwen, а квант предоставлял Unsloth. Модель предназначена для диалогов с текстом и изображениями; каталог отмечает поддержку vision и chat. Файл представлен в формате GGUF с квантованием TQ1_0. Базовая модель — мультимодальная модель Alibaba для диалогов, рассуждений, анализа изображений и видео, программирования и работы с инструментами. В карточке указана лицензия Apache-2.0. README описывает репозиторий как архивную копию, поэтому сведения о качестве именно этой версии и её применимости ограничены.

hpnyaggerman/Qwen3.5-4B-heretic — мультимодальная модель на базе Qwen3.5-4B, изменённая проектом Heretic с помощью abliteration для снижения частоты отказов. По сравнению с исходной моделью в приведённом тесте число отказов снизилось с 99 до 60 из 100; это не означает полного отсутствия отказов или гарантии поведения в других сценариях. Модель принимает текст и изображения и формирует текстовые ответы; поддерживает диалог и работу с визуальной информацией. Архитектура — плотная Qwen3.5 с 4 млрд параметров, языковой моделью и энкодером изображений; родительская карточка описывает гибридные блоки Gated Delta Networks и внимания. Контекст составляет 262 144 токена с возможностью расширения до 1 010 000 токенов. Модель подходит для диалогов, ответов на вопросы по изображениям, визуального анализа и других мультимодальных запросов. В README заявлена языковая поддержка Qwen3.5 для 201 языка и диалекта, но конкретный перечень языков в предоставленном фрагменте отсутствует. Это дообученная версия Qwen/Qwen3.5-4B-Base, опубликованная в формате safetensors и совместимая с Transformers и рядом движков инференса. Лицензия — Apache-2.0.

giocom/Qwen3.8-27B-MXFP4-GGUF — это вариант модели Qwen3.8-27B, опубликованный пользователем giocom и представленный в формате GGUF. В README указаны технологии MTP и MXFP4, а также приблизительная плотность квантования 5,24 BPW. Базовая модель разработана командой Qwen, однако подробные сведения об архитектуре и размере исходной модели в карточке не приведены. Модель предназначена для задач, поддерживаемых базовой Qwen3.8-27B, с возможностью использования в совместимом с GGUF программном обеспечении. В метаданных указан тип pipeline image-text-to-text, что предполагает работу с изображениями и текстом, но конкретные поддерживаемые модальности, языки, размер контекста и сценарии применения не описаны. Ключевым преимуществом является компактное MXFP4-представление, потенциально снижающее требования к памяти по сравнению с полноразмерными весами. Ограничения связаны с отсутствием подробных результатов тестирования, характеристик производительности и описания качества квантования. README содержит ссылку на лицензию базовой модели Qwen3.8-27B, но точные условия лицензии в карточке не указаны.

Qwen3.8-2B — компактная языковая модель, разработанная Empero на основе Qwen3.5-2B. Это полное дообучение с дистилляцией: модель обучена на примерно 30 тысячах отобранных трасс рассуждений более крупной модели Qwen3.8, охватывающих математику, общие рассуждения и следование инструкциям. Модель содержит около 2 млрд параметров и поддерживает контекст до 262 144 токенов. Модель предназначена для генерации ответов и диалогов, решения математических задач и рассуждений, в том числе на периферийных устройствах. Поддерживает интерфейс вызова инструментов по спецификации Qwen3.5. Для инференса подходят Transformers, vLLM и SGLang с поддержкой архитектуры Qwen3.5; для ускоренной работы требуются совместимые CUDA-ядра Gated DeltaNet. Обучение было текстовым; возможности работы с изображениями унаследованы от мультимодальной базовой модели, но не оценивались. По опубликованным тестам модель улучшила результаты базовой Qwen3.5-2B на GSM8K и MMLU, однако небольшой размер ограничивает фактические знания и решение особенно сложных многошаговых задач. При длинной генерации жадное декодирование может приводить к повторениям. Весы доступны по лицензии Apache-2.0; разработчик публикует их для исследований и экспериментов без гарантий.

vumpt/Qwen3.8-Flash-Next-GGUF — это GGUF-конверсия экспериментальной гибридной модели Qwen3.8-Flash-Next, разработанной командой Qwen. Модель предназначена для запуска и инференса через llama.cpp; заявленные сценарии включают обработку текста, а также задач image-text-to-text. Исходные веса имеют формат BF16, а представленная версия использует квантизацию Q4_K_M и занимает около 120 ГБ. Архитектура сочетает Gated DeltaNet, Qwen Sparse Attention, разреженную MoE-структуру с 512 экспертами и таблицу n-граммных эмбеддингов PLE. Всего модель содержит около 125 млрд параметров MoE, из которых активно используется около 6 млрд, дополнительно 51 млрд параметров приходится на n-граммную таблицу и 4 млрд — на MTP; суммарно заявлено около 180 млрд параметров. Эксперты, attention и FFN преимущественно квантизированы в Q4_K_M, эмбеддинги и выходной слой — в Q6_K, а таблица PLE — в Q5_0. Сильной стороной модели является сочетание крупной общей ёмкости с малым числом активных MoE-параметров, что потенциально снижает вычислительную нагрузку при сохранении возможностей большой модели. Основное ограничение — экспериментальная архитектура поддерживается только специальной веткой llama.cpp, связанной с PR #27742; актуальная основная ветка на момент публикации её не загружает. Языки и размер контекстного окна в README не указаны. Лицензия обозначена как qwen-community-1.0.

Sakalti/QwenTies-3 — объединённая текстовая модель Sakalti, созданная методом TIES с помощью mergekit на основе Sakalti/light-7b-beta. Это плотная авторегрессионная модель семейства Qwen2 с 3,8 млрд параметров, предназначенная для генерации текста и диалогового общения; поддерживает контекст до 131 072 токенов и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Модель подходит для генерации ответов в чатах и приложениях, где требуется создавать текст с учётом длинного контекста. README сообщает, что при слиянии использовалась только Sakalti/light-7b-beta, поэтому состав из нескольких различных моделей не подтверждается. Данных о целевых языках и специализированных областях применения нет.

SnorkelWestBeagle-DARETIES-7B — объединённая чат-модель на архитектуре Mistral, созданная с помощью LazyMergekit из Snorkel-Mistral-PairRM-DPO, WestLake-7B-v2 и NeuralBeagle14-7B; в конфигурации также указана Mistral-7B-v0.1 как базовая модель. Модель содержит 7,1 млрд параметров, принимает текст и предназначена для генерации ответов и рассуждений. Заявленная длина контекста — 32 768 токенов. Модель объединяет несколько чекпойнтов методом DARE-TIES с маской int8; веса сохранены в формате safetensors. В README приведены результаты Open LLM Leaderboard, включая оценки ARC и HellaSwag. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает специализацию по языкам или прикладным областям.

WhiskyAKM опубликовал GGUF-сборку Spark-X2.5-4B — трансформерную языковую модель с 4 млрд параметров для генерации текста и решения задач рассуждения. Модель поддерживает диалоговый формат, режим рассуждения с отдельными блоками и структурированный вызов инструментов. Для запуска предназначена библиотека llama.cpp; в репозитории представлен файл NVFP4, созданный квантизацией исходной модели с помощью llama-quantize. Модель рассчитана на английский и китайский языки. Квантизация NVFP4 уменьшает требования к ресурсам при развертывании, сохраняя формат GGUF для локального запуска. Контекстная длина в предоставленных данных не указана. Репозиторий распространяется по лицензии Apache-2.0.

STEP3-VL-10B — мультимодальная чат-модель компании StepFun с 10 млрд параметров, основанная на архитектуре StepVLForConditionalGeneration. Она принимает изображения и текст и генерирует текстовые ответы; в README описано совместное обучение визуального энкодера и декодера Qwen3-8B, а также дообучение с учителем и обучение с подкреплением. Модель предназначена для визуального понимания и рассуждений, включая анализ диаграмм и задач STEM, распознавание текста на изображениях, понимание интерфейсов и пространственных сцен. Заявленные сценарии включают ответы на вопросы по изображениям и документам, OCR, подсчёт объектов, решение математических задач по визуальным данным и взаимодействие с GUI. Для многошаговых визуальных задач README описывает последовательное рассуждение SeRe и параллельное исследование PaCoRe. Веса доступны в формате safetensors; карточка рекомендует bf16-инференс и указывает потребность примерно в 24 ГБ видеопамяти. Модель распространяется по лицензии Apache-2.0.

TowerVision-9B — мультимодальная языковая модель с открытыми весами от проекта TowerVision, предназначенная для работы с изображениями и текстом. Версия содержит 9 млрд параметров и основана на Unbabel/Tower-Plus-9B, соединённой с визуальным энкодером SigLIP2-patch14-384 через мультимодальный адаптер. Модель поддерживает контекст до 8192 токенов и обрабатывает изображения вместе с текстовыми запросами, выдавая текст. Модель подходит для описания изображений, визуальных вопросов и ответов, суммаризации, анализа графиков и документов, а также мультиязычного перевода с учётом визуального и культурного контекста. В README перечислены европейские и азиатские языки, включая русский; метаданные также указывают поддержку 17 языков. Рекомендуемая точность для запуска — bfloat16. Модель поставляется в формате safetensors и использует библиотеку Transformers. Лицензия CC-BY-NC-SA-4.0 требует указания авторства, распространения производных материалов на тех же условиях и не разрешает коммерческое использование.

VoRA-7B-Instruct — инструктивная модель семейства VoRA, разработанная Hon-Wong и дообученная на базе Hon-Wong/VoRA-7B-Base. Это плотная авторегрессионная модель с архитектурой VoRAForCausalLM на 7,1 млрд параметров; она рассчитана на диалоговую генерацию текста и работу с изображениями и текстом. Контекстное окно составляет 32 768 токенов. Модель опубликована в формате safetensors и поддерживает интерфейс вызова инструментов. Модель подходит для диалоговых помощников, генерации ответов и сценариев, где нужно обрабатывать изображения вместе с текстовыми запросами. Карточка указывает датасет дообучения VoRA-Recap-29M, но не описывает его состав, поэтому нельзя уточнить специализацию обучения или гарантировать качество на конкретных задачах. Лицензия в предоставленных данных не указана.

ALIA-40b-fc-2606 — дообученная модель семейства ALIA, разработанная BSC-CNS. Это плотная авторегрессионная языковая модель на архитектуре Llama с 38,3 млрд параметров и контекстом до 163 840 токенов. Вариант адаптирован для длинного контекста и дообучен на инструкциях, чтобы надёжнее вызывать функции и вести диалог в несколько ходов; поддерживает формат ChatML и работает через Transformers. Модель предназначена для исследовательской и прикладной разработки многоязычных ассистентов, особенно сценариев, где ответ может включать вызов инструментов. Она также может генерировать текст, отвечать на вопросы и выполнять инструкции. Базовая ALIA обучалась на данных 35 европейских языков, однако этап дообучения этой версии был сосредоточен преимущественно на английском, а оценка других языков ограничена. Модель выпущена BSC-CNS по лицензии Apache 2.0. В карточке указано, что она не прошла выравнивание по безопасности и ценностям. Качество рассуждений и математики не гарантируется, код требует проверки, а модель не обладает автономными агентными возможностями. Разработчик описывает её как экспериментальную разработку и не рекомендует использовать в производстве без оценки рисков и мер снижения вреда.

bartowski/arcee-ai_Trinity-Mini-GGUF — это набор квантизированных версий языковой модели Trinity-Mini, разработанной arcee-ai и подготовленной bartowski в формате GGUF. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. В README указана поддержка английского, испанского, французского, немецкого, итальянского, португальского, русского, арабского, хинди, корейского и китайского языков. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3, а также IQ-варианты. Размер файлов составляет примерно от 10,54 до 52,27 ГБ. Более качественные варианты Q6 и Q5 рекомендуются для большинства сценариев, тогда как Q3 экономят оперативную память, но заметно уступают по качеству. Ключевые характеристики исходной архитектуры, число параметров, размер контекста и поддерживаемые модальности в README не указаны, поэтому модель следует рассматривать как текстовую. Квантизация выполнена с использованием imatrix и llama.cpp; доступные варианты позволяют выбирать компромисс между качеством, размером файла и требованиями к памяти. Модель распространяется по лицензии Apache-2.0.

A.X 4.0 VL Light — компактная мультимодальная модель SK Telecom для понимания изображений и текста, созданная на основе A.X 4.0 Light и дополнительно обученная на мультимодальных данных, в том числе крупных корейских наборах. Она предназначена для диалога и анализа изображений, а также для корпоративных сценариев, связанных с корейскими документами, таблицами, графиками, рукописным текстом и надписями в сценах. В карточке приведены результаты на корейских визуальных и текстовых бенчмарках; модель также использует примерно на 41% меньше текстовых токенов, чем Qwen2.5-VL, для одинакового корейского ввода. Модель поддерживает обработку изображений и текста и генерацию текстовых ответов; метаданные указывают семейство a.x-4-vl, плотную архитектуру и интерфейс вызова инструментов. Для работы через Transformers требуется версия 4.49.0 или новее. Лицензия — Apache-2.0. Описанные сильные стороны сосредоточены на корейском языке и корейских материалах; README не приводит размер модели и длину контекста.

Bonsai 2 27B Ternary CRACK GGUF — языковая модель на базе Qwen3.8-27B, сжатая компанией PrismML в тернарный формат, а затем модифицированная исследовательской командой dealignai. В модели на уровне весов удалены механизмы отказа от ответа; заявляется сохранение базовых возможностей, режимов рассуждения, использования инструментов, мультитуровой связности и интерфейса работы с изображениями. Модель распространяется в формате GGUF и предназначена для локального запуска на ноутбуке, одном GPU или CPU через форк llama.cpp от PrismML с поддержкой CUDA и Metal. Архитектура включает гибрид Attention и SSM на основе GatedDeltaNet, 64 блока, скрытое измерение 5120 и отдельную vision-башню. Используется квантование PrismML PQ2_0 с эффективностью 2,13 бит на вес и размером файла около 7,21 ГБ. Доступны режимы рассуждения off, low и xhigh; для обработки изображений требуются совместимые файлы mmproj. Токенизатор, шаблон чата и интерфейс vision заявлены совместимыми с базовой моделью. Языки и максимальная длина контекста в карточке не указаны. Сильными сторонами являются компактный размер для модели класса 27B, поддержка локального инференса, мультимодальность, режимы рассуждения и практически полное отсутствие отказов в приведённых тестах HarmBench. По данным MMLU, точность модифицированной версии составила 39,91% против 40,53% у базовой, то есть заявлено сохранение общей способности с небольшим снижением на данном тесте. К ограничениям относятся сильное снижение безопасности из-за удаления защитных механизмов, потери качества из-за экстремального квантования, необходимость специального форка llama.cpp и совместимого vision-проектора, а также отсутствие сведений о языках и контексте. Лицензия — Apache-2.0. Для ранее скачанных сборок рекомендуется повторная загрузка версии, выпущенной после 18 сентября 2026 года UTC, поскольку в старой версии была исправлена ошибка зацикливания токенов в режимах low и xhigh.

Brazley Nemotron 3.5 Lightning Omni — неофициальная мультимодальная модель, созданная Ником Брэзли путём слияния компонентов двух опубликованных чекпойнтов NVIDIA. Текстовая часть основана на Nemotron 3.5 Lightning, а аудио- и визуальные энкодеры и проекторы взяты из Nemotron 3 Nano Omni V2. Обучение не проводилось; веса объединены на уровне модулей и представлены в формате safetensors с ModelOpt-квантизацией. NVIDIA не выпускала эту мультимодальную версию и не проверяла её. Модель принимает текст, изображения, аудио и видео, а отвечает текстом. Она предназначена для понимания документов и изображений, распознавания речи, ответов на вопросы по аудио и видео, включая описание событий во времени. Поддерживает английский язык и контекст до 262 144 токенов; общий размер составляет около 34 млрд параметров, примерно 3 млрд активны на токен. Для запуска автор указывает DGX Spark как минимальную GPU-платформу. Модель доступна для коммерческого использования на условиях лицензий исходных моделей; применяются обе лицензии, а лицензия репозитория обозначена как other.

Citaman/command-r-36-layer — объединённая автором Citaman языковая модель на архитектуре Cohere с 31,7 млрд параметров. Репозиторий создан 15 апреля 2024 года; веса опубликованы в формате Safetensors для использования с Transformers. Модель предназначена для генерации текста и диалогов, также заявлен интерфейс вызова инструментов. Модель получена слиянием SLERP на основе Citaman/command-r-37-layer: использованы диапазоны слоёв [0, 36] и [1, 37] одной базовой модели. Контекст составляет 8192 токена. README не уточняет языки и специализированные предметные области; из доступных данных нельзя заключить, насколько хорошо реализован вызов инструментов или каково качество ответов. Лицензия в предоставленных данных не указана.

Coral-Router, также называемая Coral-MNLI в карточке, — модель классификации последовательностей на базе BART-large, дообученная на MultiNLI. Она принимает текст и список меток-кандидатов, оценивает, насколько каждая метка подходит, и подходит для классификации без обучения на конкретных классах, в том числе в режиме нескольких меток. Модель применяет подход естественного логического вывода: исходный текст рассматривается как предпосылка, а каждая метка превращается в гипотезу; оценка соответствия основана на вероятности entailment. Это позволяет использовать её для определения тематики, тональности, намерения и модерации содержимого. Размер модели — 252,8 млн параметров, контекст — до 1024 токенов. Лицензия — Apache-2.0. Для длинных текстов возможна обрезка: сохраняется начало текста, поэтому важную информацию рекомендуется размещать ближе к началу. Качество также зависит от ясности и конкретности предложенных меток.

Darwin-28B-KR — разработанная VIDRAFT мультимодальная модель семейства Darwin с примерно 28 млрд параметров на архитектуре Qwen3_5ForConditionalGeneration с гибридным полным и линейным вниманием. Она предназначена прежде всего для общения, понимания, генерации и рассуждений на корейском языке, а также поддерживает рассуждения на английском. Модель умеет анализировать изображения и видео и формулировать ответы на корейском языке. Модель подходит для корейских вопросов и ответов, задач на рассуждение, письма, суммаризации, творческой генерации, перевода между корейским и английским, а также для анализа визуальных материалов. В README приведено сравнение с другими моделями на корейском тесте CLIcK по выборке из 200 вопросов; результат модели — 0,786. Для инференса указана поддержка Transformers и рекомендуемый запуск через vLLM; для BF16 требуется около 55 ГБ видеопамяти. Это объединение Darwin-27B-KR и Darwin-28B-Opus методом evolutionary merge, с последующей identity tuning. Модель опубликована под лицензией Apache-2.0. В метаданных указаны интерфейс чата и интерфейс вызова инструментов; задачи распознавания изображений и видео не представлены отдельными pipeline-тегами, поэтому главная задача — text-generation.

Это пакет слоёв модели DeepSeek-R1-Distill-Qwen-32B в формате GGUF Q4_K_M, подготовленный Mesh LLM для распределённого запуска. Он сохраняет разбиение исходного GGUF на отдельные артефакты по слоям и предназначен для инференса на локальном кластере из нескольких машин, когда полной модели недостаточно разместить на одном узле. Пакет подходит для приватного локального чата и для работы через локальный API Mesh LLM с совместимым с OpenAI интерфейсом chat completions. Репозиторий указывает исходную модель unsloth/DeepSeek-R1-Distill-Qwen-32B-GGUF и вариант квантования Q4_K_M. Сведения об архитектуре, контекстном окне, языках и условиях лицензии следует сверять с карточкой исходной модели; в предоставленных данных они не раскрыты.

Карточка модели GMODEOS/EXAONE-4.0-1.2B на Hugging Face совпадает с карточкой LGAI-EXAONE/EXAONE-4.0-1.2B, поэтому описание составлено по ней. EXAONE-4.0-1.2B — компактная плотная авторегрессионная языковая модель LG AI Research для диалогов, генерации текста и запуска на устройствах. Модель содержит около 1,3 млрд параметров по метаданным; в конфигурации README указано 1,07 млрд параметров без эмбеддингов. Она поддерживает контекст до 65 536 токенов и использует 30 слоёв, групповые запросы внимания с 32 головами и 8 KV-головами, а также словарь из 102 400 токенов. Модель предлагает режимы обычного ответа и рассуждения, а также интерфейс вызова инструментов. Заявлена поддержка английского, корейского и испанского языков; особенно ориентированные языки — английский и корейский. Модель рассчитана на локальные и встроенные сценарии, где важны небольшой размер и длинный контекст, а также на диалоговые приложения и агентные системы. Ответы могут содержать фактические ошибки, предвзятость или неподходящую информацию; знания модели могут быть устаревшими. Для режима рассуждений качество чувствительно к параметрам генерации. Лицензия указана как other; README сообщает об обновлении условий в сторону большей гибкости, но конкретные условия следует сверять с лицензией репозитория.

Модель ermiaazarkhalili/FastContext-4B-SFT_base-SFT-Claude-Opus-Reasoning-Unsloth — дообученная версия microsoft/FastContext-1.0-4B-SFT, разработанная ermiaazarkhalili. Это плотная авторегрессионная языковая модель семейства Qwen3 с архитектурой Qwen3ForCausalLM, примерно 3,7 млрд параметров и контекстом до 262 144 токенов. Модель предназначена для генерации текста в диалогах и выполнения инструкций; дообучение проведено методом SFT на данных дистилляции рассуждений Claude. Она поддерживает интерфейс вызова инструментов. Карточка приводит только наблюдения обучающей потери и сообщает, что оценка на прикладных бенчмарках не проводилась. Поведение вне распределения единственного набора инструкций не проверено; модель наследует смещения и ограничения базовой модели. LoRA-адаптеры слиты с весами, поэтому отделить результат дообучения нельзя. Лицензия в предоставленных данных не указана.

Gemma 3 1B PT — предварительно обученная модель генерации текста из семейства Gemma, разработанного Google на основе исследований и технологий, использованных для Gemini. Версия PT предназначена для дальнейшей адаптации и экспериментов с генерацией текста; семейство также рассчитано на диалог, суммаризацию, ответы на вопросы и рассуждения. Компактный размер семейства позволяет запускать модели на ноутбуках и настольных компьютерах или в собственной облачной инфраструктуре. В README для Gemma 3 заявлены контекстное окно до 128 тыс. токенов, поддержка более 140 языков и обработка изображений с выдачей текста; для конкретной версии 1B PT эти характеристики отдельно не подтверждены метаданными. Модель распространяется в формате safetensors и предназначена для использования через Transformers. Лицензия — Gemma. Ответы могут содержать фактические ошибки и отражать смещения обучающих данных; модели также могут испытывать трудности с неоднозначными формулировками и сложными задачами.

Карточка модели jamiefutch/GLM-4.6V-Flash-MXFP4-GGUF на Hugging Face совпадает с карточкой FreedomAISVR/GLM-4.6V-Flash-MXFP4-GGUF, поэтому описание составлено по ней. GLM-4.6V-Flash-MXFP4-GGUF — квантованная до 4-битного формата MXFP4 мультимодальная модель Z.ai (Zhipu AI), основанная на zai-org/GLM-4.6V-Flash. Модель объединяет языковую часть на 9 млрд параметров с визуальным энкодером ViT и принимает текстовые запросы вместе с изображениями, чтобы вести диалог и описывать визуальное содержимое. Модель рассчитана на понимание изображений, документов и визуальных интерфейсов. Контекст составляет 128 тысяч токенов; режим рассуждений включён по умолчанию и может быть отключён параметром `enable_thinking=false`. Для работы с изображениями требуются основной файл GGUF и отдельный файл проектора mmproj в формате F16. Лицензия — MIT. Квантование уменьшает размер языковой части до 4,82 ГБ, однако MXFP4 нативно поддерживается видеокартами NVIDIA Blackwell (RTX 50); на других GPU и CPU выполняется программная деквантизация, которая может быть медленнее. Для запуска подходит совместимое ПО, например llama.cpp или LM Studio.

Indic-Transcribe-flex — мультиязычная модель распознавания речи, разработанная Spark UX и основанная на NVIDIA Canary-1B-v2. Она использует энкодер FastConformer и Transformer-декодер и дообучена для транскрибации 27 индийских языков, включая варианты английского с индийским акцентом и диалекты хинди. Для входа принимает аудио; базовые требования — моно, 16 кГц, поддерживаются WAV, FLAC и MP3. Модель предназначена для преобразования речи в текст, в том числе в шумной обстановке и при смешении языков в одной речи. Доступны вывод в родной письменности, смешанный режим с латиницей для английских слов и чисел и полностью романизированный текст. Также модель умеет определять язык и транскрибировать аудио без заранее заданного языка. Вариант flex поддерживает нормализацию чисел и кода-свитчинг; потоковая транскрибация, согласно карточке, относится к варианту lite. Заявленные сценарии включают голосовые продукты для образования, сельского хозяйства и здравоохранения, а также транскрибацию звонков и индексирование речи. В карточке приведены результаты бенчмарка Voice of India, но они не гарантируют такую же точность на других данных. Лицензия в метаданных обозначена как other; README заявляет готовность модели к коммерческому использованию, поэтому перед развертыванием следует проверить условия лицензии репозитория.

Ethualo дообучил компактную плотную языковую модель Kanana2 Tiny на базе kakaocorp/kanana-2-1.3b-instruct. Модель предназначена для генерации текста и диалогов; в метаданных также отмечен интерфейс вызова инструментов. Она содержит около 1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. При дообучении использовались Unsloth и библиотека Hugging Face TRL. Модель распространяется по лицензии Apache-2.0.

Это дообученная диалоговая модель yatokim на базе kakaocorp/kanana-1.5-8b-instruct-2505. Она построена на плотной архитектуре семейства Llama и содержит 7,5 млрд параметров; модель предназначена для генерации текста и общения в формате инструкций, а также поддерживает интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. Её контекст составляет 32 768 токенов. В карточке указан английский язык; базовая Kanana предназначена также для программирования, математики и вызова инструментов, однако README этой версии не описывает отдельную специализацию или результаты оценки качества. Репозиторий содержит веса safetensors, модель обучена с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0.