I.1Поиск и навигация по информации

Z3R6X/Llama-3-8B-ORPO-V1 — разговорная языковая модель на архитектуре Llama 3, дообученная автором репозитория методом ORPO на наборе mlabonne/orpo-dpo-mix-40k. Модель содержит 7,5 млрд параметров и предназначена для генерации текста в диалоге и ответов на запросы. В README указано, что при обучении применялись LoRA с рангом 16 и 4-битная квантизация для экономии памяти; длина последовательности при обучении была сокращена до 1024 токенов. Метаданные указывают контекст до 8192 токенов и формат весов safetensors. В README приведены результаты MMLU, BoolQ и Winogrande, полученные с lm-evaluation-harness v0.4.2; это отдельные сравнительные замеры, а не гарантия качества в конкретном применении. Модель рассчитана на текстовый ввод и генерацию текста, интерфейс чата отмечен в метаданных. Указана лицензия llama3; перед использованием следует соблюдать её условия. Карточка описывает дообучение Llama 3, поэтому производная классифицируется как finetune.

Llama-SEA-LION-v3-8B — многоязычная языковая модель AI Singapore, разработанная командой Products Pillar при финансировании Национального исследовательского фонда Сингапура. Это плотная авторегрессионная decoder-модель семейства Llama 3.1 с 7,5 млрд параметров, созданная продолжительным предобучением Llama-3.1-8B-Instruct примерно на 200 млрд токенов. Она рассчитана на генерацию текста и диалоговые сценарии с языками Юго-Восточной Азии, а также английским и китайским. Поддерживаются бирманский, китайский, английский, филиппинский, индонезийский, кхмерский, лаосский, малайский, тамильский, тайский и вьетнамский языки; контекст модели составляет до 131 072 токенов. Модель подходит для ответов на вопросы, анализа тональности, выявления токсичности, перевода, краткого пересказа, рассуждений и выполнения инструкций на поддерживаемых языках. В карточке приведены оценки на SEA-HELM и SEA-IFEval, включая проверку соблюдения ограничений и ответа на нужном языке. Модель использует архитектуру и токенизатор Llama 3.1; метаданные указывают библиотеку Transformers и формат safetensors. Лицензия — Llama 3.1 Community License, условия которой следует учитывать при использовании и распространении модели.

LLM-jp-4-VL 9B beta — зрительно-языковая модель, разработанная исследовательской группой LLM-jp. Она дообучена на основе llm-jp/llm-jp-4-8b-instruct и объединяет языковую модель на 8,6 млрд параметров, визуальный энкодер SigLIP2 SO400M на 0,4 млрд параметров и лёгкий двухслойный MLP-проектор. Архитектура вдохновлена InternVL3.0; для обработки изображений высокого разрешения применяется динамическое разбиение на фрагменты. Модель предназначена для диалога с изображениями и ответов на визуальные вопросы, включая анализ диаграмм, документов, слайдов и сцен. Обучение использовало англоязычный набор FineVision и японский мультимодальный набор Jagle. В README сообщается о результатах на уровне Qwen3-VL-8B-Instruct в среднем по десяти японским задачам; это не гарантирует такого же качества на других данных. Модель доступна по лицензии Apache-2.0.

cloudyu/mistral_15B_instruct_v0.1 — разговорная модель для генерации текста, разработанная на базе архитектуры Mistral и дообученная методом SFT на наборе vicgalle/alpaca-gpt4. Карточка указывает 64 слоя; в метаданных размер модели составляет 14,1 млрд параметров, а родной контекст — 32 768 токенов. Модель принимает инструкции и необязательные входные данные в шаблоне «инструкция — вход — ответ» и генерирует текстовые ответы. Модель предназначена для диалогов и выполнения инструкций общего назначения. Репозиторий содержит веса в формате safetensors; лицензия — CC BY 4.0. README и метаданные не указывают поддерживаемые естественные языки или специализированные области применения.

MixtureofMerges-MoE-2x7b-SLERPv0.9b — объединённая модель для генерации текста, созданная автором jsfs11 методом SLERP с помощью LazyMergekit. В объединение вошли zhengr/MixTAO-7Bx2-MoE-v8.1 и jsfs11/MixtureofMerges-MoE-2x7b-v6; базовой моделью в конфигурации указана zhengr/MixTAO-7Bx2-MoE-v8.1. Модель построена на архитектуре Mixtral с разреженной экспертной архитектурой MoE и классом MixtralForCausalLM. Размер — 7,1 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов. Предназначена для генерации текста, диалогов и ответов на запросы. Карточка не сообщает поддерживаемые языки и лицензию.

TeichAI/Nemotron-Cascade-14B-Thinking-Claude-4.5-Opus-High-Reasoning-Distill — дообученная TeichAI языковая модель на архитектуре Qwen3, основанная на nvidia/Nemotron-Cascade-14B-Thinking. Модель содержит 14 млрд параметров, принимает текст и предназначена для генерации текста и диалогов, включая задачи рассуждения. Обучение выполнено с использованием Unsloth и библиотеки Hugging Face TRL; веса доступны в формате safetensors. Модель поддерживает английский язык и контекст до 32 768 токенов. В метаданных также указаны интерфейс вызова инструментов и обучающий набор TeichAI/claude-4.5-opus-high-reasoning-250x. Лицензия — Apache-2.0. Подробные оценки качества и конкретные ограничения в карточке не описаны.

Это конвертированная в GGUF версия NVIDIA Nemotron 3.5 Lightning 30B-A3B NVFP4, подготовленная автором репозитория для запуска через llama.cpp. Из конвертации исключены MTP-слои; веса сохранены в автоматически выбранном формате исходной модели. Модель предназначена для генерации текста и диалогового использования. Автор сообщает, что она запускалась на двух видеокартах RTX 5060 Ti по 16 ГБ, с контекстом до 1 048 576 токенов и квантизацией KV-кэша q8_0; по его оценке, для этого не требуется выгружать экспертные слои в оперативную память. Поддерживаемые языки по карточке: английский, испанский, французский, немецкий, итальянский и японский. Это конверсия исходной модели NVIDIA в GGUF для llama.cpp, а не самостоятельное дообучение; базовая модель — nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-NVFP4. Репозиторий указывает лицензию «other», поэтому перед использованием следует проверить условия исходной модели и репозитория.

Qwen2.5-14B-Gutenberg-Instruct-Slerpeno — плотная языковая модель на 14 млрд параметров, созданная автором репозитория слиянием моделей через SLERP с помощью mergekit. В слияние вошли Qwen/Qwen2.5-14B-Instruct и v000000/Qwen2.5-14B-Gutenberg-1e-Delta; README указывает, что слияние призвано сохранить влияние Gutenberg DPO и сбалансировать его с базовой инструкционной моделью. Модель предназначена для диалогов и генерации текста, включая структурированные ответы. Она принимает текст и выдаёт текст, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors, а библиотека для работы с моделью — Transformers. В README приведены результаты Open LLM Leaderboard, включая средний балл 33,39, IFEval и BBH. Модель распространяется по лицензии Apache-2.0. Показатели в README не гарантируют качество на конкретных задачах; специальных языковых ограничений или иных недостатков в доступных данных не описано.

RedHatAI/Qwen2.5-VL-7B-Instruct-FP8-Dynamic — квантованная версия мультимодальной модели Qwen2.5-VL-7B-Instruct, разработанная Neural Magic. Модель принимает изображения и текстовые запросы, а генерирует текстовые ответы. Она предназначена для визуально-текстовых задач: визуального вопросно-ответного взаимодействия, анализа документов, диаграмм и графиков, решения математических задач по изображениям, а также для ряда общих текстовых бенчмарков. Модель имеет архитектуру Qwen2.5-VL-7B-Instruct с заявленным размером 7B параметров. Для весов и активаций используется динамическая квантование FP8; при этом визуальная башня, мультимодальный проектор и lm_head не квантовались. Модель рассчитана на эффективный инференс через vLLM версии 0.5.2 и новее, поддерживает OpenAI-совместимое предоставление сервиса. В README явно указан английский язык, а максимальная длина контекста в примере развертывания составляет 4096 токенов. К сильным сторонам относятся снижение вычислительных и memory-затрат при сохранении качества исходной модели: на приведённых тестах средний результат на vision-задачах составил 76,50 против 75,95 у базовой модели. Ограничения включают зависимость от совместимого стека vLLM, необходимость мультимодальной инфраструктуры для работы с изображениями и отсутствие подробных сведений о поддерживаемых языках, фактическом размере контекста и результатах вне указанных оценок. Модель распространяется по лицензии Apache-2.0.

pearl-ai/Qwen3-30B-A3B-Instruct-2507-pearl — сертифицированный вариант Qwen3-30B-A3B-Instruct-2507, разработанный Pearl Research Labs на базе модели Qwen от Alibaba. Это каузальная instruction-tuned языковая модель для генерации текста и диалоговых сценариев, прежде всего предназначенная для работы в связке с Pearl vLLM mining plugin и стеком Pearl miner. В карточке указана поддержка английского языка. Модель использует архитектуру Qwen3MoeForCausalLM и подход Mixture-of-Experts: всего 30 млрд параметров, из которых около 3 млрд активируются для каждого токена; на токен маршрутизируются 8 экспертов. Архитектура включает 48 скрытых слоёв. Применяется смешанная квантизация W7A7 и FP8, выполненная средствами Pearl, что ориентировано на эффективное развёртывание. В примере запуска через vLLM используется максимальная длина контекста 8192 токена, однако это значение относится к конфигурации запуска. Основное преимущество модели — совместимость с инфраструктурой Pearl для майнинга при сохранении близких к исходной модели результатов: на полном тесте MMLU-Pro Pearl-версия получила 77,33% против 77,88% у оригинала. Для работы рекомендуются CUDA и NVIDIA GPU класса sm90, например H100 или H200, а также компоненты Pearl, включая запущенный узел pearld с RPC-доступом. Модель можно использовать через Pearl vLLM plugin, vLLM или Transformers, но совместимость зависит от программного стека и поддерживаемой GPU-архитектуры. Возможны некорректные, небезопасные или предвзятые ответы, поэтому необходимы контроль развёртывания и проверка результатов. Модель распространяется по лицензии Apache 2.0.

Qwen3.5-0.8B — компактная мультимодальная модель семейства Qwen от Qwen, представленная в виде постобученных весов для Transformers. Она сочетает причинную языковую модель с визуальным энкодером и предназначена для диалогов и задач, где нужно анализировать изображения и отвечать текстом. Модель поддерживает вызов инструментов через соответствующий интерфейс и может использоваться для прототипирования, разработки и дообучения под конкретные задачи. Модель имеет плотную архитектуру Qwen3.5 с 0,8 млрд параметров, 24 слоями и нативным контекстом до 262 144 токенов. В архитектуре сочетаются Gated Delta Networks и gated attention; доступны режимы обычной генерации и рассуждения, причём по умолчанию включён обычный режим. Карточка заявляет поддержку 201 языка и диалекта. Веса доступны в формате safetensors и совместимы с Transformers и несколькими движками инференса. Небольшой размер делает модель удобной для прототипирования и настройки под узкие задачи, однако её возможности и качество следует оценивать с учётом масштаба 0,8 млрд параметров и целевого сценария. Для длинного контекста могут потребоваться значительные ресурсы памяти. Лицензия — Apache-2.0.

bleysg/Qwen3.5-122B-A10B-int4-fp8-hybrid — гибридный квантованный чекпойнт модели Qwen3.5-122B-A10B, созданный на основе весов Intel/Qwen3.5-122B-A10B-int4-AutoRound и официального Qwen/Qwen3.5-122B-A10B-FP8. Модель предназначена для генерации текста и оптимизирована для запуска на NVIDIA DGX Spark с GB10, SM121 и 128 ГБ унифицированной памяти через vLLM, прежде всего для эффективного декодирования с ограниченной пропускной способностью памяти и поддержки speculative decoding. Маршрутизируемые эксперты и attention представлены в формате INT4 GPTQ/AutoRound, а 144 слоя общих экспертов, постоянно используемых при обработке каждого токена, преобразованы из BF16 в FP8 E4M3 с размером блока 128. Embeddings, norms и выходная голова сохранены от INT4-базы. По данным README, такая компоновка повышает скорость базового декодирования без speculative decoding на GB10 с 28,2 до 36,0 токена в секунду, или примерно на 28%, однако преимущество уменьшается при высокой доле принятых спекулятивных токенов. Для работы требуется специализированный проект qwen3.5-122B-A10B-on-spark, профиль dense и патч vLLM 0.23 с поддержкой смешанной схемы INT4/FP8; стандартная версия vLLM не умеет корректно загружать этот чекпойнт. В README не указаны языки, длина контекста и поддерживаемые модальности, поэтому модель следует рассматривать как текстовую. Производная работа наследует условия лицензирования исходной Qwen3.5-122B-A10B и Intel AutoRound; конкретные условия определяются лицензиями upstream-моделей.

Cyronius создал Qwen3.6-27B-A2.8B — производную модель Qwen3.6-35B-A3B для диалоговой генерации текста и вызова инструментов на CPU и встроенной графике. Разработчик удалил 10 из 40 слоёв базовой модели, дообучил оставшуюся модель с помощью LoRA для восстановления качества и подготовил сборки GGUF; в репозитории также указаны файлы safetensors. В модели 26,2 млрд параметров, из которых активно 2,83 млрд на токен, и 30 слоёв. В GGUF-сборках сохранена голова MTP для спекулятивного декодирования через llama.cpp. Модель рассчитана на быстрый локальный запуск на оборудовании с общей памятью без дискретной видеокарты. Доступны сбалансированная сборка Q4_K_M и более компактная IQ3_S для экспертов с Q4_K для выходного слоя; последняя быстрее и меньше, но может уступать в точности. В тестах авторов сбалансированная сборка показала хорошие результаты на вызове инструментов, однако точность GSM8K и perplexity уступают базовой модели. Проверка проводилась на небольших внутренних наборах и может не отражать качество на других задачах. Лицензия — Apache-2.0.

shawnw3i/Qwen3.6-27B-AWQ-MTP — квантизированная версия модели Qwen3.6-27B, разработанной командой Qwen. Модель предназначена для задач генерации текста и работы с изображениями и текстом; в README она классифицирована как image-text-to-text. Вариант ориентирован на запуск через vLLM и ускоренное инференс-развёртывание. Модель имеет размер 27 млрд параметров и использует квантизацию AWQ. Поддерживаются ядро AWQ Marlin с автоматической конвертацией vLLM во время выполнения и MTP speculative decoding, позволяющее ускорять генерацию за счёт спекулятивного декодирования. Для запуска в README указан максимальный размер контекста 65 536 токенов, а также reasoning parser qwen3. Заявлена производительность более 110 токенов в секунду на одном ускорителе A800 80 GB при использовании vLLM 0.21.0, MTP и FP8 KV cache. Сильные стороны модели — сочетание относительно крупного размера, AWQ-квантизации, поддержки Marlin и встроенного MTP для эффективного инференса. README не содержит сведений о языках, точных возможностях мультимодального ввода, результатах бенчмарков, требованиях к другим конфигурациям оборудования или ограничениях качества. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Bonsai-MLX-3bit — 27-миллиардная плотная языковая модель семейства Qwen3.5, подготовленная Hermes Agent на основе Ternary-Bonsai-2 от Prism ML. Это 3-битная квантизированная версия для генерации текста и диалогов, включая сценарии с вызовом инструментов. Метод folded quantization переносит Hadamard-преобразование из инференса в веса, чтобы модель запускалась в стандартных mlx-lm и oMLX без пользовательских ядер и специального рантайма. Модель предназначена для локального запуска на системах Apple Silicon, ответов на запросы, рассуждений и агентных сценариев. В README заявлено оценочное качество около 93–95% от FP16 и размер 12,8 ГБ; стандартные бенчмарки ещё не проводились. Репозиторий распространяется по лицензии Apache-2.0. README описывает производную от квантованной модели PrismML, поэтому исходная квантизация и ограничения базовой Qwen3.8-27B могут влиять на качество.

Qwen3.8-27B-nvfp4-NInfer — мультимодальная разговорная модель для генерации текста и ответов на вопросы по изображениям. Релиз подготовлен пользователем neroued на основе Qwen3.8-27B от Qwen и unsloth/Qwen3.8-27B-NVFP4; модель предназначена для работы в инференсном движке NInfer. Модель использует архитектуру Qwen3.5 Dense и имеет 27B параметров. Артефакт объединяет NVFP4, row-scaled FP8 и BF16-веса: текстовые слои 0–55 используют NVFP4 для MLP, часть текстовых компонентов и выходная голова — FP8, управляющие веса — BF16. В комплект входят текстовые, визуальные и speculative decoding-компоненты, включая Vision, MTP и DFlash2. Поддерживаются сценарии text-generation и image-text-to-text; конкретные языки и размер контекстного окна в карточке не указаны. Сильными сторонами являются мультимодальность, существенно уменьшенное представление весов и поддержка ускоренного вывода через MTP или DFlash2. В опубликованных оценках указаны высокие результаты на AIME 2025 и 2026 — по 96,67%, GPQA-Diamond — 90,40%, IFBench — 77,00%, а также на задачах работы с изображениями RealWorldQA — 83,53% и ERQA — 66,25%. Артефакт нельзя использовать напрямую как checkpoint Transformers, Safetensors или GGUF: он предназначен только для NInfer. Для запуска требуется NInfer не ниже указанной ревизии, 64-разрядный Linux, NVIDIA GeForce RTX 5090 с архитектурой sm_120a и CUDA Toolkit 13.1 или новее; NInfer необходимо собрать из исходного кода. Лицензия модели — Apache-2.0.

Guile/Qwen3.8-27B-Uncensored-GGUF — это набор GGUF-квантизаций базовой модели Qwen/Qwen3.8-27B, опубликованный автором Guile. Модель предназначена для генерации текста и запуска в llama.cpp, включая локальный инференс, а также сценарии со speculative decoding и обработкой изображений при использовании vision-файлов. Поведение отказов существенно снижено с помощью метода abliteration на базе Heretic, но не устранено полностью; дополнительное обучение и новые данные не использовались. Модель имеет архитектуру Qwen3_5ForConditionalGeneration, 64 слоя, словарь из 248 320 токенов, один MTP-слой и контекст до 262 144 токенов. Поддерживаются английский и китайский языки. README указывает наличие vision-компонентов, однако применение изображений зависит от поддержки vision tower базовой моделью и совместимости runtime. Доступны квантизации IQ2_M, IQ4_XS, Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером примерно от 10,6 до 29 ГБ, а также отдельные draft-варианты для speculative decoding. Сохранённая MTP-голова может ускорять генерацию, но после изменения основной модели коэффициент принятия draft-токенов может немного снизиться; на качество проверяемых токенов это не должно влиять. Сильные стороны модели — большой контекст, поддержка текста и изображений в соответствующих сборках, широкий выбор квантизаций и сохранённая MTP-голова. Ограничения включают неполное устранение отказов, требования к значительным ресурсам и зависимость vision- и speculative-decoding-сценариев от возможностей конкретного runtime. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-Flash-Next-BF16-GGUF — объединённая сборка модели AMAImedia на основе Tencent/Hy4-preview и AngelSlim/Hy4-preview-GGUF. Это диалоговая причинная языковая модель со зрительным энкодером, предназначенная для генерации текста и работы с изображениями. В README указаны 180 млрд физических параметров, из которых 6 млрд активируются на токен, и нативное окно контекста 262 144 токена с возможностью расширения до 1 млн. Архитектура сочетает разреженное внимание QSA, Gated DeltaNet, смесь экспертов и n-граммные эмбеддинги. Модель поддерживает диалог и интерфейс вызова инструментов; заявлены языки, включая английский, русский, китайский, вьетнамский и японский. Репозиторий содержит GGUF Q4_K и safetensors; несмотря на BF16 в названии, README не подтверждает точность этих файлов. Лицензия — Apache-2.0. Модель подходит для диалоговых и агентных задач с длинным контекстом, анализа изображений, программирования и офисной аналитики. Полный запуск требует значительных ресурсов: заявленные 6 млрд активных параметров не отражают объём всех физических весов, а README отмечает необходимость мощного оборудования или аренды ускорителей для крупных сборок.

Qwen3-gabliterated-image-generation — дообученная языковая модель компании goonsai-com на базе Goekdeniz-Guelmez/Qwen3-4B-Sky-High-Hermes-gabliterated. Это плотная причинная модель Qwen3 с 3,7 млрд параметров, рассчитанная на генерацию текста в диалоговом формате; метаданные также отмечают интерфейс вызова инструментов. Заявленная длина контекста составляет 262 144 токена. Модель обучали с использованием Unsloth и библиотеки TRL. Несмотря на название репозитория, README и метаданные описывают текстовую генеративную модель и не подтверждают создание изображений. Модель распространяется под лицензией Apache-2.0. Карточка не приводит сведений о качестве, обучающих данных или специальных ограничениях, поэтому пригодность для конкретных сценариев следует оценивать отдельно.

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

Qwen3-VL-32B-Instruct-ultra-uncensored-heretic-GGUF — мультимодальная instruct-модель в формате GGUF, разработанная независимым автором llmfan46 на основе Qwen/Qwen3-VL-32B-Instruct. Это декензурированная версия, созданная с помощью Heretic v1.2.0 и метода Arbitrary-Rank Ablation (ARA), с целью существенно уменьшить количество отказов при сохранении исходных возможностей модели. Модель предназначена для задач понимания и генерации текста по текстовым и визуальным входным данным, включая ответы на вопросы, анализ изображений и общее мультимодальное рассуждение. Размер модели — 32B параметров. Точная поддержка языков и размер контекстного окна в README не указаны. Доступны варианты квантования BF16, Q8_0, Q6_K, Q5_K_M и другие сборки GGUF, рассчитанные на разные компромиссы между качеством, размером и требованиями к ресурсам. Ключевая особенность модели — значительно меньшее число отказов: в приведённом сравнении она отказала в 4 из 100 случаев против 99 из 100 у исходной модели. При этом на PIQA точность составила 92,87% против 93,09% у оригинала, а на MMLU — 79,87% против 82,44%, что указывает на некоторое снижение результатов в отдельных задачах. Декензурированный характер может быть преимуществом для исследовательских и творческих сценариев, но одновременно означает меньшие встроенные ограничения безопасности и необходимость дополнительного контроля при использовании. В метаданных указана лицензия Apache-2.0, однако приведённая ссылка на лицензию ведёт к документации Gemma; условия использования следует проверить отдельно для базовой модели и производной версии.

Rombo-LLM-V2.5-Qwen-14b — плотная языковая модель на архитектуре Qwen2, созданная Rombo-Org на основе Qwen2.5-14B-Instruct. В README автор описывает её как результат непрерывного дообучения и слияния instruct- и base-моделей методом TIES; метаданные также указывают на дообучение Qwen/Qwen2.5-14B-Instruct. Модель содержит 14 млрд параметров, использует формат Safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для диалогов и генерации текста; в метаданных также заявлен интерфейс вызова инструментов. Её можно применять для ответов на запросы, следования инструкциям и создания структурированных ответов. README приводит результаты отдельных оценок IFEval и BBH, однако не описывает методику и полный набор тестов. Указана лицензия Apache-2.0. README заявляет о превосходстве над исходными instruct- и base-моделями, но не приводит достаточных подробностей для независимой оценки этого утверждения. Языки обучения или поддержки отдельно не перечислены.

JetLM/SDAR-4B-Chat-b32 — диалоговая языковая модель семейства SDAR, разработанная на основе сочетания авторегрессионного моделирования и дискретной диффузии. В репозитории указаны 3,7 млрд параметров, архитектура SDARForCausalLM и контекст до 32 768 токенов; веса представлены в формате safetensors. Модель предназначена для генерации ответов в диалоге и других задач генерации текста. В карточке также заявлен интерфейс для вызова инструментов. SDAR сочетает обучение по авторегрессионной схеме с параллельным выводом на основе диффузии. Авторы сообщают о сопоставимых с сильными авторегрессионными моделями результатах на общих задачах и преимуществах на отдельных научных задачах рассуждения; эти выводы относятся к представленным в README экспериментам и не гарантируют таких результатов именно для этой версии 4B. Модель опубликована под лицензией Apache-2.0.

Google T5Gemma 9B-9B UL2 — предварительно обученная текстовая encoder-decoder модель семейства T5Gemma с энкодером и декодером по 9 млрд параметров. Она получена адаптацией предварительно обученной decoder-only модели Gemma 2 к архитектуре encoder-decoder и обучена с использованием UL2. Модель принимает текст и генерирует текст; заявленные сценарии включают ответы на вопросы, суммаризацию и рассуждения. В README указана поддержка английского языка и открытые веса для предварительно обученных вариантов. Модель работает через библиотеку Transformers; веса доступны в формате safetensors. Размер модели позволяет рассматривать её для развёртывания на локальных компьютерах или в облаке, однако конкретные требования к ресурсам и длина контекста в доступных данных не приведены. Среди ограничений — возможные фактические ошибки, предвзятость обучающих данных, трудности с неоднозначностью и сложными задачами, а также риск генерации вредоносного или вводящего в заблуждение текста. Лицензия — Gemma; для использования следует учитывать условия лицензии и политику запрещённого использования Gemma.

Tema_Q-X6-9B-Thinking — дообученная текстовая большая языковая модель, созданная TemaQ на базе NeoHorse от TokenRhythm. Она предназначена для генерации ответов в диалоге и обработки сложных запросов, на которые стандартным моделям бывает трудно ответить. Модель построена на плотной архитектуре Qwen3.5 и содержит 7,2 млрд параметров; её контекстное окно — до 262 144 токенов. Поддерживаются японский, английский и китайский языки. Модель подходит для диалоговых помощников, следования инструкциям и работы с инструментами через соответствующий интерфейс. В карточке отмечены неконтентные фильтры, поэтому следует учитывать возможность генерации нежелательных ответов. README возлагает на пользователей ответственность за соблюдение законов и правил платформы и запрещает вредоносное использование. Сведения о лицензии в предоставленных данных отсутствуют.

yam-jom-7B — объединённая языковая модель, созданная с помощью LazyMergekit из eren23/ogno-monarch-jaskier-merge-7b-OH-PREF-DPO-v2 и yam-peleg/Experiment26-7B. В конфигурации указаны метод task_arithmetic, веса 0,35 и 0,65 и формат bfloat16; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров. Модель предназначена для генерации текста. В карточке приведены результаты Open LLM Leaderboard, включая оценки по AI2 Reasoning Challenge и HellaSwag. Контекстное окно составляет 32 768 токенов. Репозиторий содержит веса safetensors, лицензия — Apache-2.0.

AIN — арабско-английская мультимодальная модель MBZUAI на 7,1 млрд параметров, дообученная на базе qwen2-VL-7B. Она принимает изображения и текстовые запросы и предназначена для визуальных вопросов и ответов, OCR и анализа документов, а также понимания графиков, таблиц, видео и изображений из специализированных областей. Модель обучалась на 3,6 млн арабско-английских мультимодальных примеров; в карточке заявлены сильные результаты для арабского языка, двуязычные возможности и понимание культурного контекста. Архитектура основана на Qwen2-VL, поддерживает диалог и контекст до 32 768 токенов. Среди заявленных сценариев — медицинские изображения, сельское хозяйство, дистанционное зондирование и научная визуализация. Модель выдаёт текстовые ответы по содержимому изображений; для видео в README описана обработка локальных файлов. Указана лицензия MIT. Результаты и сравнительные заявления приведены авторами модели; качество на конкретных данных может отличаться.

Amadeus-Verbo-BI-Qwen-2.5-72B-PT-BR-Instruct-Experimental — плотная языковая модель для диалогов и генерации текста на бразильском португальском. Её разработала Amadeus AI на основе Qwen/Qwen2.5-72B, дообучив модель в течение двух эпох на наборе из 600 тысяч инструкций. Архитектура Qwen2 использует Transformer, RoPE, SwiGLU, RMSNorm и grouped-query attention; размер по метаданным — 71,5 млрд параметров. Модель предназначена для ответов на инструкции и диалоговых сценариев на бразильском португальском. Она поддерживает контекст до 131 072 токенов и интерфейс вызова инструментов. Для загрузки автор рекомендует актуальную версию Transformers. Модель распространяется по лицензии Apache-2.0. Качество ответов может зависеть от формулировки запроса и соответствия задачи бразильскому португальскому; карточка не приводит результатов оценки качества.

Amadeus-Verbo-FI-Qwen2.5-72B-PT-BR-Instruct — языковая модель на основе Qwen2.5-72B-Instruct, разработанная Amadeus AI и дообученная на 600 тысячах инструкций за две эпохи для бразильского португальского языка. Она предназначена для диалогов и генерации текстов на португальском языке Бразилии; метаданные также указывают поддержку интерфейса вызова инструментов. Модель использует архитектуру Qwen2 с причинным языковым моделированием и содержит 71,5 млрд параметров по метаданным. В карточке описаны Transformer, RoPE, SwiGLU, RMSNorm и grouped-query attention. Метаданные указывают контекст 32 768 токенов; в README заявлена длина 133 072 токена. Модель работает через Transformers и распространяется под лицензией Apache-2.0.

Карточка модели ganesh714/arq_m1_chairs на Hugging Face совпадает с карточкой ganesh714/arq_m1_chairs_think_Q7b_C, поэтому описание составлено по ней. Модель ganesh714/arq_m1_chairs_think_Q7b_C — дообученная языковая модель семейства Qwen2 на базе unsloth/qwen2.5-coder-7b-instruct-bnb-4bit. Она построена на архитектуре Qwen2ForCausalLM и содержит 7,1 млрд параметров; модель предназначена для генерации текста в диалоговом формате и поддерживает интерфейс вызова инструментов. В README указано, что обучение выполнялось с Unsloth и библиотекой TRL. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. В метаданных указан английский язык. Лицензия — Apache-2.0. В карточке нет подробностей о специализации дообучения или оценках качества, поэтому пригодность для конкретных задач следует проверять на собственных примерах.