I.2Синтез, понимание и проверка знаний

Yunika/sentence-transformer-nepali — модель эмбеддингов предложений на базе BERT, опубликованная под именем Yunika. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель обучалась с функцией MultipleNegativesRankingLoss и косинусной мерой сходства; её контекст ограничен 512 токенами, размер составляет 264,8 млн параметров, веса представлены в формате Safetensors. Модель предназначена для работы с текстом на непальском языке. Её можно использовать через библиотеку Sentence-Transformers или Transformers с подходящей операцией pooling. В метаданных лицензия не указана, поэтому условия использования по имеющимся данным определить нельзя.

Это объединённая модель генерации текста, созданная разработчиком yuhengtu-bytedance методом Linear merge с помощью mergekit. В качестве базовой использована контрольная точка global_step8000; также объединены контрольные точки global_step6000 и global_step7000. Архитектура — плотная авторегрессионная GPT-NeoX, размер — 8,8 млрд параметров, формат весов — safetensors. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст и выдаёт текст; заявленная длина контекста — 16 384 токена. Сведения о конкретных языках, обучающих данных и специальных прикладных областях в карточке не приведены. Лицензия в доступных данных не указана.

Это объединённая языковая модель на 8,8 млрд параметров, созданная автором репозитория yuhengtu-bytedance методом Linear merge с помощью mergekit. В качестве основы использован чекпойнт filtered_midtrain_alignment на шаге 6000; в объединение также вошли чекпойнты на шагах 2000, 3000, 4000 и 5000. Модель построена на архитектуре GPT-NeoX и сохранена в формате safetensors. Модель предназначена для генерации текста и диалоговых сценариев. Её можно применять для ведения беседы и создания текстовых ответов; поддерживаемая длина контекста составляет 16 384 токена. Сведения о конкретных языках, специализации и результатах оценки качества в карточке не приведены. Лицензия в предоставленных данных не указана.

Модель sfmunfilterede2ealignment-1k2k3kweightedavgmerge — объединение предварительно обученных языковых моделей, созданное с помощью mergekit. В качестве базовой использована контрольная точка global_step3000; в объединение также вошли контрольные точки global_step1000 и global_step2000. Применён метод Linear merge. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и принимает текст для генерации текста. Заявленная длина контекста составляет 16 384 токена; карточка также отмечает диалоговую возможность. Лицензия в предоставленных данных не указана.

SmartQwen1.5-1.8B-orpo-v1 — диалоговая языковая модель семейства Qwen2, разработанная vihangd и дообученная методом ORPO на неизвестном наборе данных. Она предназначена для генерации текста в чате и имеет 1,5 млрд параметров и контекст до 32 768 токенов. Модель сохранена в формате safetensors и может применяться для диалогов и генерации ответов. Лицензия указана как other; конкретные условия в доступных сведениях не раскрыты.

SmolVLM-Synthetic — компактная мультимодальная модель от Hugging Face для анализа изображений и текста. Она объединяет языковую модель SmolLM2-1.7B-Instruct с визуальным компонентом SigLIP и использует архитектуру Idefics3; веса доступны в формате safetensors. Модель принимает текстовые запросы и одно или несколько изображений, в том числе в чередующихся последовательностях, и формирует текстовый ответ. Также её можно использовать как языковую модель без изображений. Модель предназначена для ответов на вопросы по изображениям, описания визуального содержимого, подписей к изображениям, понимания документов, диаграмм и визуальных рассуждений, а также для рассказов, основанных на изображениях. Для кодирования изображения используются 81 визуальный токен на патч 384×384; более крупные изображения разбиваются на патчи. Компактная архитектура рассчитана на эффективный инференс, в том числе на устройствах с ограниченными ресурсами. В карточке указана поддержка английского языка. Модель не генерирует изображения, а ответы могут содержать фактические ошибки. Её не следует использовать для решений с высокими последствиями для людей. Лицензия — Apache 2.0.

Stable LM 2 1.6B — базовая авторегрессионная языковая модель Stability AI для генерации текста и дальнейшей адаптации под прикладные задачи. Она построена на декодерном трансформере, близком к архитектуре LLaMA, и содержит 1,644 млрд параметров; модель обучена на 2 трлн токенов разнообразных многоязычных и программных данных. В метаданных указаны английский, немецкий, испанский, французский, итальянский, нидерландский и португальский языки; карточка отдельно называет английский. Контекст составляет 4096 токенов. Модель подходит как основа для дообучения, а также для генерации и продолжения текста. Она использует токенизатор Arcade100k на основе tiktoken cl100k_base и распространяется в формате safetensors. Это базовая, не настроенная на диалог модель: её ответы могут быть ненадёжными, небезопасными или отражать неподходящее содержимое обучающих данных, поэтому перед применением требуется оценка и адаптация. Лицензия — Stability AI Community License; для коммерческого использования необходимо обратиться к условиям коммерческой лицензии Stability AI.

Swift-Qwen3.8-27B-FP8 — независимая общественная FP8-квантизация модели ukisai/Swift-Qwen3.8-27b, не являющаяся официальным релизом UkisAI. Модель предназначена для диалоговых, reasoning- и мультимодальных сценариев, а также высокопроизводительного инференса через SGLang с поддержкой speculative decoding. Указанный pipeline относится к задачам image-text-to-text, однако мультимодальная работа именно этой квантизированной версии отдельно не тестировалась. Модель использует архитектуру Qwen3_5ForConditionalGeneration, формат compressed-tensors и схему FP8_BLOCK с блоками весов 128×128 и динамическим FP8 для активаций. Размер исходного чекпойнта составляет около 29 ГБ, заявленная длина контекста — 262 144 токена. Сохранены native MTP-компоненты; поддерживаются нативный NEXTN/MTP и внешняя модель-черновик DFlash2. Квантизация выполнена из BF16-версии с помощью llmcompressor 0.13.0, при этом несовместимые с блочной схемой компоненты, включая часть embedding- и normalization-модулей, сохранены без принудительной квантизации. Сильная сторона модели — снижение требований к видеопамяти при сохранении высокой производительности. В локальном тесте на NVIDIA RTX PRO 6000 Blackwell 96 GB скорость составила 50,45 токена в секунду без speculative decoding, 103,38 с native NEXTN/MTP и 132,62 с DFlash2 на фиксированной генерации. Эти результаты относятся к конкретной конфигурации и не являются стандартизированным бенчмарком; качество, языки и универсальная мультимодальная производительность отдельно не раскрыты. Для запуска проверены CUDA Linux, SGLang и одиночный GPU с TP=1. Модель распространяется по лицензии swift-open-license-1.0.

Synthia-70B — языковая модель migtissera, созданная на основе Llama 2 70B и дообученная на данных в стиле Orca. Она предназначена для следования инструкциям и продолжительных диалогов, а также для генерации подробных ответов на запросы пользователя. Модель использует плотную архитектуру LlamaForCausalLM, содержит 68,7 млрд параметров и работает с контекстом до 2048 токенов. Репозиторий содержит веса PyTorch; для использования требуется библиотека Transformers. В карточке заявлена поддержка английского языка. Модель оценивается на наборах задач общего назначения, включая ARC и HellaSwag. Synthia-70B подходит для диалоговых помощников, ответов на вопросы и генерации развернутых текстов по инструкциям. По заявлению карточки, модель не ограничивает тематику ответов; при этом она может выдавать фактически неверные, вводящие в заблуждение, предвзятые или оскорбительные результаты. Указана лицензия Llama 2; условия её использования определяются соответствующей лицензией.

Ternary-Bonsai-2-27B-Crystal — производная модель на основе весов Prism ML для Qwen3.8-27B, представленная как сборка с изменённым механизмом внимания. Она предназначена для генерации текста и диалогов, включая продолжение кода и работу с длинным контекстом. Модель использует архитектуру Qwen3.8-27B с 27 млрд параметров; README описывает режим с фиксированным состоянием внимания: точное окно последних 1 024 токенов, сжатое состояние дальнего контекста и индекс для выборочного точного чтения прошлых токенов. Длина контекста в использованных данных не указана. По заявлению авторов, такая схема сокращает память внимания при длинном контексте; режим `--top0` удерживает её постоянной независимо от длины последовательности. Пакет рассчитан на запуск через MLX runtime, с поддержкой Apple Silicon и CUDA. README также описывает сохранение маршрутов вычислений для повторно используемых префиксов и подтверждённых продолжений. Модель распространяется по лицензии Apache-2.0. Эти особенности описаны авторами модели; независимая проверка заявленных характеристик здесь не проводилась.

Ternary Bonsai 2 27B PTQ1_0 MTP GGUF — это сжатая до ternary-представления сборка Qwen 3.8 27B от автора sudoingX. Веса поставляются в формате GGUF для запуска через форк llama.cpp; в модель добавлена голова multi-token prediction из Qwen 3.8 27B, чтобы ускорять генерацию с помощью speculative decoding. Размер файла модели — около 7 ГБ. Модель предназначена для локального диалога и генерации текста на компьютерах с видеокартами NVIDIA RTX 20–50 и, в бета-режиме, AMD Radeon. README описывает измерения производительности на разных видеокартах, а также запуск с контекстом до 262 144 токенов и обработку изображений при подключённой vision tower. Реальная скорость, допустимая длина контекста и доступность зрения зависят от видеокарты, сборки и настроек. MTP ускоряет декодирование, но без режима batch-invariant результат генерации может отличаться от обычного декодирования; на RTX 20 побайтовая идентичность не гарантируется и при этом режиме. Модель распространяется по лицензии Apache-2.0. Для описанного запуска нужны совместимый бинарный файл форка PrismML llama.cpp и подходящая конфигурация под видеокарту.

tesla6x6passthrough — языковая модель, созданная gate369 с помощью mergekit. Это слияние методом passthrough шести копий gate369/teslav0; конфигурация повторно включает диапазон слоёв [0, 6] каждой копии. Модель относится к семейству Mistral, использует архитектуру MistralForCausalLM и сохранена в формате safetensors с типом bfloat16. Модель предназначена для генерации текста и диалогового общения. Заявленная длина контекста — 32 768 токенов; размер модели — 194,4 млн параметров. Распространяется по лицензии Apache-2.0.

Text2Graph-R1-Qwen2.5-0.5b — компактная языковая модель Ihor для извлечения графов знаний из текста. Это воспроизведение подхода DeepSeek R1, дообученное на базе Qwen/Qwen2.5-0.5B-Instruct с помощью supervised learning и обучения с подкреплением GRPO. Модель предназначена для извлечения сущностей и отношений и выдачи результата в структурированном JSON, пригодном для машинной обработки. В обучении использовались награды за корректный формат JSON и F1 извлечённых сущностей и отношений. Модель имеет 494 млн параметров, архитектуру Qwen2ForCausalLM и контекст до 32 768 токенов; метаданные указывают поддержку русского, английского и других языков. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. Модель унаследовала ограничения базовой компактной языковой модели, а качество извлечения может зависеть от языка, предметной области и соответствия входного текста ожидаемой схеме JSON.

TurkEmbed4Retrieval — модель Sentence Transformers от newmindai, дообученная на базе newmindai/TurkEmbed4STS для получения плотных векторных представлений турецких предложений и абзацев. Модель сопоставляет текстам 768-мерные эмбеддинги и использует косинусное сходство; в архитектуре применяются Transformer, pooling по CLS-токену и нормализация векторов. Репозиторий содержит веса Safetensors, а библиотека для работы с моделью — Sentence Transformers. Модель предназначена для семантического поиска, сравнения текстов по смыслу, поиска перефразирований, кластеризации и классификации текстов. Обучение описано на наборе примерно из 1,84 млн пар предложений с оценками сходства; MatryoshkaLoss позволяет использовать представления разной размерности. Метаданные указывают контекст до 8192 токенов, тогда как карточка модели задаёт максимальную длину последовательности 512 токенов. Модель рассчитана на текстовый ввод и выдаёт векторы, которые можно сравнивать или использовать в последующих задачах. Основной язык примеров и назначение базовой модели — турецкий; пригодность для других языков не подтверждена. Условия лицензии в предоставленных сведениях не описаны.

UnPoppy_8B — объединённая языковая модель, созданная jeiku с помощью mergekit методом SLERP из Nitral-AI/Poppy_Porpoise-0.72-L3-8B и Undi95/Llama-3-Unholy-8B. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, предназначенная для диалоговой генерации текста. Размер модели — 7,5 млрд параметров, длина контекста — 8192 токена; репозиторий использует формат safetensors и библиотеку Transformers. Модель подходит для ведения диалога и генерации текстовых ответов. В метаданных базовой модели упомянута дополнительная поддержка анализа изображений через Llava MMProj, но для самого UnPoppy_8B такой способности в карточке не подтверждено. Данные о лицензии и языках модели отсутствуют.

Карточка модели Gnartiel/vietnamese-sbert-v2 на Hugging Face совпадает с карточкой keepitreal/vietnamese-sbert, поэтому описание составлено по ней. keepitreal/vietnamese-sbert — модель Sentence-Transformers на архитектуре RoBERTa, содержащая 162,4 млн параметров. Она преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для сравнения семантической близости, поиска и кластеризации. Модель принимает текст и выдаёт эмбеддинги; её контекст ограничен 258 токенами. Модель подходит для семантического поиска по вьетнамским текстам, группировки похожих предложений и оценки их смыслового сходства. В README указано обучение с CosineSimilarityLoss. Доступные файлы представлены в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

Viking-SlimSonnet-v1-7B — диалоговая языковая модель, разработанная mpasila на базе LumiOpen/Viking-7B. Модель дообучена методом LoRA на наборе SlimOrca, очищенном от примеров длиннее 4076 токенов; использован формат диалогов ChatML. Это плотная архитектура Llama с 7 млрд параметров и контекстом 4096 токенов. Модель предназначена для генерации ответов в диалоге и других текстовых продолжений. В карточке указаны английский и скандинавские языки: финский, шведский, норвежский, датский и исландский; базовая Viking-7B ориентирована преимущественно на финский и скандинавские языки. Модель опубликована в формате safetensors по лицензии Apache-2.0.

phandat128/visbert-2epochs — дообученная модель Sentence Transformers на базе keepitreal/vietnamese-sbert, созданная на датасете train_bkai_2024. Она кодирует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для оценки семантического сходства с помощью косинусного сходства, семантического поиска, поиска парафраз и кластеризации. Модель построена на RoBERTa с усреднением токенных представлений; максимальная длина последовательности составляет 256 токенов, контекст — до 258 токенов по метаданным. Размер — 162,4 млн параметров. Также может использоваться как основа для классификации текста через векторные представления. Выпущена в формате safetensors и предназначена для работы с библиотекой Sentence Transformers. Лицензия в доступных данных не указана.

WebDancer-32B — языковая модель Alibaba-NLP для автономного поиска информации и рассуждений в стиле Deep Research. Она представлена в статье «WebDancer: Towards Autonomous Information Seeking Agency» и основана на Qwen/QwQ-32B, дообученной с использованием ReAct и четырёхэтапного процесса: подготовка данных для веб-навигации, сбор траекторий, supervised fine-tuning и обучение с подкреплением DAPO. Модель предназначена для агентных сценариев, где нужно самостоятельно искать сведения и использовать найденное для ответа на сложные вопросы. Размер — 32 млрд параметров, архитектура — плотная Qwen2ForCausalLM; она принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Контекст — до 40 960 токенов. В README приведены результаты Pass@3: 61,1% на GAIA и 54,6% на WebWalkerQA. Модель распространяется по лицензии MIT. Результаты бенчмарков не гарантируют качества в других сценариях; модель предназначена для агентного поиска и рассуждений, а отдельные сведения о поддерживаемых естественных языках в карточке не приведены.

xlm-roberta-longformer-base-16384 — многоязычная модель кодирования текста на архитектуре Longformer, созданная на основе весов XLM-RoBERTa без дополнительного предварительного обучения. Версия base содержит 305,2 млн параметров, 12 слоёв и скрытый размер 768; окно внимания — 256 токенов, максимальная длина последовательности — 16 384 токена. Модель предназначена для дообучения под прикладные задачи, требующие представлений длинных текстов: её можно использовать как основу для извлечения признаков и построения специализированных классификаторов или других downstream-моделей. Она рассчитана на многоязычные тексты; среди языков в метаданных есть английский, русский, немецкий, французский, арабский и другие. Репозиторий содержит веса TensorFlow, лицензия — MIT. Это базовая модель представления текста, а не готовый диалоговый помощник или генератор. Качество для конкретной задачи зависит от последующего дообучения; README указывает, что дополнительного предобучения после инициализации весами XLM-RoBERTa не проводилось.

XVERSE-MoE-A36B — базовая многоязычная языковая модель, самостоятельно разработанная компанией Shenzhen Yuanxiang Technology. Это decoder-only Transformer с архитектурой смеси экспертов (MoE): в модели 255,4 млрд параметров, из которых при вычислении активируется около 36,5 млрд. Она включает 64 разделяемых между токенами эксперта и 2 общих эксперта; маршрутизатор выбирает 6 экспертов. Модель предназначена для генерации текста и служит базой для дальнейшей адаптации, а не готовой чат-моделью. Модель обучалась на текстах более чем на 40 языках, включая китайский, английский, русский и испанский; авторы отмечают особенно высокие результаты на китайском и английском. Длина обучающих последовательностей составляла 8 тысяч токенов, что соответствует заявленному контекстному окну. В карточке приведены сравнительные оценки на наборах для общих знаний, рассуждений и программирования. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Как и другие большие языковые модели, она может выдавать неточную, предвзятую или оскорбительную информацию. Для прикладного использования авторы рекомендуют проверять безопасность и адаптировать модель к конкретному сценарию; для диалогового применения может потребоваться отдельная чат-адаптация.

zpoint_large_embedding_zh — китайскоязычная модель эмбеддингов, опубликованная пользователем iampanda. Она предназначена для преобразования предложений в векторы, которые можно сравнивать по сходству; пример в карточке показывает сопоставление отзывов о товаре с противоположной тональностью. Модель построена на архитектуре BERT, содержит 424,3 млн параметров, работает с контекстом до 512 токенов и распространяется в форматах PyTorch и Safetensors через библиотеку sentence-transformers. Модель подходит для поиска семантически близких китайских текстов и сравнения предложений. Карточка указывает на обучение и приводит пример использования, однако подробно не описывает обучающие данные и качество на тестах. Лицензия MIT.

ShenaoZhang/0.001_5iters_bs256_nodpo_only4w_iter_2 — дообученная разговорная языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она продолжает обучение модели ShenaoZhang/0.001_5iters_bs256_nodpo_only4w_iter_1 на исходном и обновлённом наборах данных и предназначена для генерации текста в диалоговом формате. Модель принимает текст и генерирует текст; максимальная длина контекста составляет 32 768 токенов. Репозиторий содержит веса Safetensors. Модель распространяется по лицензии MIT. Подробности о наборе данных, оценках качества и известных ограничениях в карточке не раскрыты.

AgentLM-70B — языковая модель команды Z.ai, дообученная на траекториях взаимодействия с агентами и диалогах. Она предназначена для генерации текста в формате беседы и выполнения инструкций, включая задачи агентного взаимодействия. Модель основана на Llama 2 Chat и обучена на смеси AgentInstruct и ShareGPT; использует плотную архитектуру LlamaForCausalLM и содержит 68,7 млрд параметров. Контекст составляет 4096 токенов. Модель ориентирована на обобщение на незнакомые агентные задачи при сохранении общих языковых возможностей. Она принимает текст и генерирует текст, следуя формату диалога Llama 2 Chat с фиксированным системным промптом. В карточке приведён формат весов safetensors. Сведения о лицензии в доступных данных отсутствуют.

ANITA-NEXT-24B-Magistral-2506-VISION-ITA — мультимодальная модель семейства ANITA, разработанная Марко Полиньяно и исследовательской группой SWAP Университета Бари Альдо Моро. Она создана на основе текстовой модели ANITA-NEXT-24B-Magistral-2506-ITA с добавлением зрительных слоёв и процессора Mistral-Small-3.1-24B-Instruct-2503; архитектура — Mistral3, около 23,4 млрд параметров. В карточке указано дообучение SFT с QLoRA и выравнивание DPO, а каталог отмечает слияние моделей. Модель предназначена для диалогов на итальянском и английском языках с анализом изображений, а также для последующей настройки под специальные задачи на итальянском. Она принимает текст и изображения и генерирует текст, включая код. Метаданные указывают контекст 40 960 токенов; README заявляет 128 тыс. токенов, отмечая снижение качества после 40 тыс. Лицензия — Apache-2.0.

Arabic-Triplet-Matryoshka-V2 — модель эмбеддингов арабского языка от Omartificial-Intelligence-Space, созданная на базе Sentence Transformers и дообученная на aubmindlab/bert-base-arabertv02. Это плотная BERT-модель с 162,4 млн параметров и контекстом до 512 токенов; она преобразует предложения и абзацы в векторы размерностью 768. Обучение с MatryoshkaLoss формирует вложенные представления, рассчитанные на работу с эмбеддингами разной размерности. Модель предназначена для оценки семантического сходства, поиска и извлечения информации, поиска перефразирований, кластеризации и классификации арабских текстов, а также для использования в системах вопросов и ответов. В README приведены результаты на бенчмарках STS17 и STS22-v2. Модель ориентирована на арабский язык и не заявлена как многоязычная. Качество может снижаться на узкоспециализированных текстах и различаться между диалектами и региональными вариантами арабского языка. Для задач за пределами семантического сходства может потребоваться дополнительная настройка. Лицензия — Apache-2.0.

Armenian-Text-Embeddings-2-large — модель Metric-AI для создания плотных векторных представлений армянских текстов. Она дообучена на базе intfloat/multilingual-e5-large, использует архитектуру XLM-RoBERTa и содержит около 658,7 млн параметров. Модель принимает текст и выдаёт эмбеддинги размерностью 1024; максимальная длина последовательности — 514 токенов. Модель предназначена для семантического поиска на армянском языке, задач RAG, сравнения документов, информационного поиска, классификации и кластеризации текстов. В карточке также заявлена обработка транслитерированных запросов и поддержка межъязыкового понимания. Репозиторий содержит веса в формате safetensors и использует лицензию MIT. Качество может снижаться на узкоспециализированной терминологии; модель может недостаточно учитывать культурный контекст армянского языка. На результаты также могут влиять качество обучающих данных и предвзятость текстов Reddit.

Карточка модели unsloth/aya-vision-8b на Hugging Face совпадает с карточкой unsloth/aya-vision-32b, поэтому описание составлено по ней. unsloth/aya-vision-32b — версия с весами, опубликованная Unsloth на основе мультимодальной модели Aya Vision 32B от Cohere For AI. Это плотная vision-language модель для диалога по тексту и изображениям: она принимает текст и изображения, а в ответ генерирует текст. Варианты Aya Vision предназначены для OCR, описания изображений, визуальных рассуждений, суммаризации, ответов на вопросы по изображениям и других задач понимания визуального содержимого. Модель относится к семейству Aya Vision и использует архитектуру AyaVisionForConditionalGeneration; для обработки изображений применяется зрительный энкодер SigLIP2. Она поддерживает многоязычное взаимодействие, включая русский, и работает через библиотеку Transformers. Карточка README относится к версии 8B, поэтому приведённые там сведения о контексте 16K, обработке изображений и подробном списке 23 языков нельзя уверенно переносить на эту версию 32B. Репозиторий основан на CohereForAI/aya-vision-32b и классифицирован как дообученная модель; веса хранятся в формате safetensors. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование и требует соблюдать условия допустимого использования C4AI. Подробности производительности и ограничения именно версии 32B в предоставленной карточке не описаны.

Qwen3.6-35B-A3B-Uncensored-Genesis-Hermes-Final-GGUF — мультимодальная модель в формате GGUF, созданная автором Genesis на основе HauhauCS/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive с переносом данных из Hermes-файнтюна DJLougen/hermes-qwen3.5-35b-a3b-GGUF. Модель ориентирована на диалоговые сценарии, агентские задачи, следование инструкциям и function calling; в карточке также заявлена поддержка обработки изображений и текста. Заявленная архитектура — MoE-модель с 35 млрд параметров и примерно 3 млрд активных параметров. Указаны английский, китайский и другие языки, однако точный перечень языков и размер контекстного окна не приведены. Автор применил собственный метод Genesis для численной коррекции весов GGUF без дополнительного обучения, включая анализ тензоров, восстановление нулевых блоков и снижение шума с использованием кастомного SVD и распределения Марченко—Пастура. К сильным сторонам относятся заявленные улучшения стабильности, ясности контекста, следования инструкциям и агентского поведения, а также отсутствие ограничений на отказы в базовой модели по внутреннему тесту автора. Ограничения включают отсутствие независимых бенчмарков и подробных результатов оценки, а также необходимость корректной настройки MoE, GPU offload и KV-cache. В карточке указана лицензия Apache-2.0; совместимость с лицензиями базовой модели и компонентов следует дополнительно проверить.

Beetle bilingual balanced b1 FineWeb Polish-English — генеративная языковая модель из семейства Beetle-FineWeb2 с заявленным размером 24B параметров. Модель опубликована на Hugging Face и предназначена для генерации текста; в метаданных указаны библиотека Transformers и архитектурный тег pico_decoder. Модель ориентирована на двуязычные сценарии на польском и английском языках, включая продолжение текста, подготовку черновиков и генерацию ответов. В README отсутствуют сведения о разработчике, лицензии, контексте, обучающих данных, результатах оценки и специальных ограничениях, поэтому перед использованием в продуктивных или чувствительных сценариях необходимы самостоятельное тестирование и проверка условий распространения.