I.2Синтез, понимание и проверка знаний

vitdangyeu/Pbert_embedding_v2 — модель Sentence Transformers на архитектуре RoBERTa, обученная разработчиком репозитория для получения векторных представлений предложений и абзацев. Она отображает текст в плотное пространство эмбеддингов размерностью 1024 и использует косинусное сходство для сравнения текстов. Модель предназначена для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. В карточке приведены примеры вьетнамских юридических текстов и набор из 50 857 пар предложений с метками; это указывает на специализацию обучения на вьетнамском языке и налогово-правовых материалах. Максимальная длина последовательности — 258 токенов по метаданным; README указывает лимит 256 токенов. Размер модели — 468,2 млн параметров, выход — векторы размерностью 1024. Распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Phi-3-mini-4k-instruct — разговорная языковая модель семейства Phi-3, опубликованная Unsloth. Репозиторий содержит 4-битную версию с квантованием bitsandbytes; модель адаптирована для совместимости с разными платформами. Метаданные указывают архитектуру MistralForCausalLM, 3,7 млрд параметров и контекст до 4096 токенов. Модель предназначена для генерации текста в диалогах и инструктивных сценариях. Её можно использовать для ответов на вопросы, ведения беседы и текстового дополнения; README также описывает сценарии дообучения на собственных данных и экспорта дообученных моделей. Указанный язык — английский. Лицензия — MIT. Карточка не приводит результатов оценки качества или подробных ограничений; короткое контекстное окно в 4096 токенов ограничивает работу с длинными документами.

huihui-ai/Phi-4-mini-reasoning-abliterated — экспериментальная версия Microsoft Phi-4-mini-reasoning, созданная автором huihui-ai методом abliteration: из модели удалены отказы на запросы. Автор характеризует реализацию как грубое доказательство концепции; модель рассчитана на диалоговое использование и генерацию текста, в том числе для математических рассуждений и программирования, унаследованных от базовой модели. Модель загружается через библиотеку Transformers; автор также приводит вариант запуска через Ollama и тег версии 3.8b. В метаданных указаны английский язык, архитектурное семейство Phi-3, поддержка чата и кода, а также формат safetensors. Лицензия — MIT. Abliteration снижает склонность к отказам, поэтому поведение модели может отличаться от исходной версии; автор предупреждает, что переключатель режима рассуждений /no_think срабатывает не всегда.

Модель arefehRajabian/phi_mini_finetune_16bit — дообученная автором arefehRajabian разговорная языковая модель семейства Phi-3 с плотной архитектурой Phi3ForCausalLM. Она основана на unsloth/phi-4-mini-reasoning-unsloth-bnb-4bit и предназначена для генерации текста в диалогах; метаданные также отмечают интерфейс вызова инструментов. Модель содержит 3,8 млрд параметров, принимает текстовый контекст длиной до 4096 токенов и выдаёт текст. В карточке указано обучение с помощью Unsloth и библиотеки TRL. Указаны английский язык и лицензия Apache-2.0.

0xnu/pmmlv2-fine-tuned-flemish — модель эмбеддингов на архитектуре BERT, созданная Finbarrs Oketunji на основе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 и дообученная для фламандского языка. Она преобразует предложения в векторы для сравнения семантического сходства, поиска похожих фраз и использования в системах поиска по смыслу. Модель рассчитана на работу с библиотекой Sentence-Transformers, содержит 124,3 млн параметров и принимает текст с контекстом до 512 токенов. Метаданные также отмечают поддержку множества языков; основное назначение дообучения — фламандский. Лицензия — MIT.

WesPro/PsyKidelic_Llama3_LimaRP — объединённая языковая модель, созданная WesPro с помощью mergekit линейным слиянием WesPro/PsykidelicLlama3 и mpasila/Llama-3-LimaRP-LoRA-8B. Она предназначена для генерации текста в диалоговом формате и может использоваться для ведения бесед и создания ответов на текстовые запросы. Модель основана на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Репозиторий хранит веса в формате safetensors; README указывает на слияние в float16. Лицензия в предоставленных данных не указана.

Qwen-1.8B — 阿里云研发的通义千问系列 базовая предварительно обученная языковая модель на архитектуре Transformer с 2,3 млрд параметров. Модель обучена на корпусе объемом более 2,2 трлн токенов, включающем веб-тексты, книги, код, математику и материалы из разных областей. Это базовая модель для генерации продолжения текста; отдельная версия Qwen-1.8B-Chat обучена с выравниванием и предназначена для диалогового взаимодействия. Модель использует 24 слоя, 16 голов внимания, размерность скрытого представления 2048, позиционные кодировки RoPE, активацию SwiGLU и нормализацию RMSNorm. Контекст — до 8192 токенов. Токенизатор на основе tiktoken имеет словарь более 150 тысяч токенов; заявлена поддержка китайского, английского, кода и ряда других языков, включая русский. Модель подходит для генерации текста и продолжения подсказок, в том числе для задач на китайском и английском языках, а также для адаптации к отдельным предметным задачам. README сообщает о вариантах квантования int4 и int8 с меньшими требованиями к памяти, однако данный репозиторий содержит веса в формате safetensors. Для базовой модели не заявлено диалоговое выравнивание; ответы могут быть непоследовательными или фактически неверными, а качество для конкретных задач требует проверки. Условия лицензии в предоставленных данных не описаны.

Карточка модели hoangducanh1865/qwen3-1.7b-deita-sft-student на Hugging Face совпадает с карточкой pvdhihihi/qwen-1.7b-sft, поэтому описание составлено по ней. Qwen3-1.7B-SFT — дообученная на датасете HuggingFaceH4/deita-10k-v0-sft языковая модель на архитектуре Qwen3. Её разработчик — владелец репозитория pvdhihihi/qwen-1.7b-sft; в основе лежит Qwen/Qwen3-1.7B-Base с 1,7 млрд параметров. Модель предназначена для генерации текста в диалоговом формате и доступна в формате safetensors для библиотеки Transformers. Модель принимает текст и генерирует текст, поддерживает контекст длиной до 32 768 токенов. Репозиторий не уточняет целевые языки, качество на конкретных задачах или ограничения применения. Лицензия — Apache-2.0.

Mungert/Qwen3-4B-GGUF — набор GGUF-квантизованных вариантов базовой модели Qwen3-4B-Base, разработанной командой Qwen. Модель предназначена для генерации текста и локального инференса с использованием совместимого ПО, включая llama.cpp, особенно на системах с ограниченной оперативной памятью или видеопамятью. Размер исходной модели — 4B параметров; точные характеристики архитектуры, поддерживаемые языки и размер контекстного окна в представленном README не указаны. Доступны форматы и варианты квантования с разной точностью, включая низкоразрядные схемы IQ и семейство QK. Чем ниже разрядность, тем меньше требования к памяти, но потенциально ниже точность и качество генерации. README также описывает метод IQ-DynamicGate для распределения точности по слоям, однако приведённые результаты относятся к Llama-3-8B-Instruct и не подтверждают аналогичные показатели для этой модели. Сильная сторона модели — возможность эффективного локального запуска на CPU, edge-устройствах и системах с небольшим объёмом памяти. Ограничения включают возможную потерю качества при агрессивном квантовании, зависимость производительности от аппаратного обеспечения и отсутствие в README точных сведений о конкретных доступных файлах, их параметрах и результатах тестирования именно для Qwen3-4B. Модель распространяется по лицензии Apache 2.0.

aashish1904/Qwen3.5-0.8B-GGUF — квантизированная версия Qwen3.5-0.8B, разработанной командой Qwen и преобразованной в формат GGUF с использованием llama.cpp; квантизацию выполнил GGUF Quantizer Space. Модель предназначена для локального запуска через llama.cpp, Ollama и совместимые инструменты, а исходная модель ориентирована на прототипирование, исследовательские задачи, разработку и специализированное дообучение. Это причинная языковая модель с vision encoder, поддерживающая текстовые и визуальные сценарии. Она содержит 0,8 млрд параметров, 24 слоя и нативный контекст до 262 144 токенов. Архитектура сочетает Gated Delta Networks, Gated Attention и sparse Mixture-of-Experts; заявлена поддержка 201 языка и диалекта. Доступны варианты квантизации от Q2_K до Q8_0: более компактные варианты требуют меньше памяти, но сильнее теряют в качестве, тогда как Q8_0 обеспечивает качество, близкое к исходному. Q4_K_M и Q5_K_M указаны как рекомендуемые сбалансированный и высококачественный варианты. Сильные стороны модели — небольшой размер, возможность эффективного локального запуска, длинный контекст, мультимодальность и широкий языковой охват. Ограничения связаны с малым числом параметров и потерями качества, зависящими от выбранного уровня квантизации; конкретные требования к ресурсам и результаты бенчмарков для этой GGUF-версии в предоставленных данных не приведены. Лицензия в README не указана.

Qwen-3.5-4B-ASVD-Healed — сжатая и восстановленная дообучением версия Qwen/Qwen3.5-4B от автора репозитория Kodjaoglanian. Это плотная причинная языковая модель для диалогов и генерации текста; архитектура Qwen3_5ForCausalLM, около 3,4 млрд параметров, контекст до 262 144 токенов. В README описан метод структурного сжатия ASVD с сохранением 85% дисперсии и последующим восстановлением LoRA rank 32; адаптеры объединены с весами, модель опубликована в bfloat16 и формате safetensors. Модель рассчитана на обычные сценарии генерации текста и диалога, включая запуск в стандартной экосистеме Hugging Face и vLLM, в том числе на устройствах с ограниченной памятью. Карточка сообщает об использовании Wikitext-2 для калибровки; метаданные указывают английский язык. По заявлению автора, восстановление улучшает синтаксис и рассуждения после сжатия, а уменьшение числа параметров экономит видеопамять. Лицензия — Apache-2.0. Сжатие с порогом сохранения дисперсии 85% может ухудшить запоминание редких и узкоспециализированных фактов по сравнению с базовой моделью; для высокой фактической точности в специализированных областях автор рекомендует дополнительное дообучение. В README нет количественных результатов сравнительной оценки.

Qwen3.5-4B-Kazakh — мультимодальная модель ISSAI на архитектуре Qwen3.5, дообученная на основе issai/Qwen3.5-4B-Base-Kazakh. Базовую модель продолжительно предобучили на казахских текстах и расширили её словарь на 16 тысяч казахских токенов; затем перенесли инструкционное выравнивание официальной Qwen3.5-4B методом chat-vector merge. Модель принимает текст и изображения, поддерживает чат и сохраняет возможности базовой модели для английского языка наряду с улучшенной обработкой казахского. Модель предназначена для диалогов и ответов на вопросы на казахском и английском языках, а также для задач понимания изображений. Визуальный энкодер и мультимодальный проектор восстановлены из официальной Qwen3.5-4B, но модель отдельно не обучали на визуальных задачах. В оценках отмечено более краткое рассуждение и снижение результатов на сложных задачах reasoning; на визуальных бенчмарках также наблюдалось некоторое ухудшение. Весы опубликованы в формате safetensors, лицензия — Apache-2.0.

Qwen3.5-4B-MTPLX-Optimized-Speed — это оптимизированная сборка модели Qwen/Qwen3.5-4B, подготовленная Youssofal для запуска через MTPLX на компьютерах Apple Silicon. Модель предназначена для генерации текста и ускорения авторегрессионного вывода с помощью speculative decoding и встроенной calibrated native-MTP draft head. Основная модель использует 4-битное квантование с group size 64; размер на диске составляет около 2,47 ГБ, пиковое потребление памяти при загрузке — около 2,9 GiB. README не указывает поддерживаемые языки и размер контекста. Ключевое преимущество — высокая скорость при использовании MTP depth 3: на Mac с M5 Max заявлены 227,8 токена в секунду против 133,6 токена в секунду у базового авторегрессионного режима, то есть ускорение примерно в 1,71 раза. Модель рассчитана на Apple Silicon Mac с unified memory от 8 ГБ и автоматически считывает оптимальную глубину из файла конфигурации MTPLX. Для работы требуется MTPLX 2.2.0 или новее; заявленная скорость относится к конкретному тестовому окружению и может отличаться на других устройствах. Лицензия — Apache 2.0.

Qwen3.6-27B-SecOPD — мультимодальная модель семейства Qwen, разработанная на базе Qwen/Qwen3.6-27B и дообученная методом Secure On-Policy Distillation (SecOPD) для защиты от атак через внедрение инструкций в сторонний контент. Она рассчитана на сценарии, где модель получает доверенные инструкции пользователя отдельно от документов, найденных фрагментов или результатов инструментов: для этого используется выделенная роль input, отделяющая внешний материал от инструкций. Модель принимает текст и изображения и генерирует текст; в метаданных указаны поддержка диалогов и визуального ввода. Репозиторий содержит объединённый чекпойнт шага 150 с full-response KL: LoRA-адаптер уже слит с весами, поэтому отдельно загружать его не требуется. В опубликованных результатах SecOPD показывает низкий уровень успешности атак на нескольких тестах и сохраняет показатели полезности на чистых входах, однако эти результаты относятся к указанным в статье бенчмаркам и не гарантируют устойчивость ко всем атакам или сценариям. Карточка описывает применение с vLLM версии 0.19.0 или новее и соответствующим шаблоном чата и токенизатором. Лицензия — Apache-2.0.

Qwen3.8-4B-Empero-AI-FullStack-GGUF — это набор GGUF-квантизаций языковой модели Qwen3.8-4B-Empero-AI-FullStack, разработанной iBotIA и опубликованной в формате GGUF пользователем tinyopsec. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio, Ollama или llama-cpp-python. Доступны варианты с точностью от 2 до 16 бит и размером примерно от 1,3 до 8,7 ГБ. Рекомендуемым вариантом по умолчанию указан Q4_K_M, обеспечивающий баланс между качеством и требованиями к памяти; варианты с более высокой точностью требуют больше VRAM, а варианты с сильнее сжатой квантизацией подходят для устройств с ограниченными ресурсами. В README указана поддержка английского языка и текстовая модальность. Архитектура исходной модели, размер контекста и дополнительные модальности не описаны. Основные преимущества набора — широкий выбор уровней квантизации, возможность локального запуска и совместимость с популярными инструментами для GGUF. Ограничения связаны с неизбежной потерей качества при использовании низкобитных вариантов, а также с отсутствием подробных сведений о качестве, обучении и возможностях исходной модели. В метаданных репозитория указана лицензия Apache 2.0; README также отсылает к лицензии оригинальной модели, которую следует проверить отдельно.

Это пакет слоёв GGUF для запуска Qwen3-8B-Q4_K_M в распределённой системе Mesh LLM. Пакет подготовлен Mesh LLM на основе unsloth/Qwen3-8B-GGUF и разбивает модель на артефакты по слоям, чтобы распределять вычисления между несколькими локальными машинами. Используется для локального приватного инференса и чат-запросов через совместимый с OpenAI интерфейс Mesh LLM. Вариант модели — Q4_K_M; исходные веса распространяются в формате GGUF. В метаданных Hugging Face указаны библиотека mesh-llm и возможность чата. Условия лицензии и подробные параметры архитектуры предлагается уточнять по карточке исходной модели unsloth/Qwen3-8B-GGUF; в доступных данных они не приведены.

Qwen3-VL-4B-Thinking-abliterated-v1-GGUF — мультимодальная vision-language модель примерно на 4 млрд параметров, разработанная prithivMLmods на основе Alibaba Qwen3-VL-4B-Thinking. Это вариант в формате GGUF для запуска через совместимые инструменты, включая llama.cpp. Модель принимает изображения и текст и генерирует текстовые ответы, поддерживая анализ, описание и рассуждения по сложному визуальному и мультимодальному содержимому. Основной язык — английский, при этом заявлена адаптация к многоязычным запросам. Контекстное окно и точный перечень поддерживаемых языков в README не указаны. Модель предназначена для визуального captioning, анализа изображений, творческого повествования, работы с художественными, техническими, абстрактными и чувствительными материалами, а также для исследовательских задач, red-teaming и подготовки визуальных наборов данных. К заявленным сильным сторонам относятся мультимодальное рассуждение, следование инструкциям, вариативная детализация ответов и работа с разными соотношениями сторон и разрешениями. При этом это abliterated-версия, ориентированная на менее ограниченные ответы, поэтому она может генерировать явный контент и не рекомендуется для систем, где требуется строгая модерация. Доступны варианты с разными уровнями квантования, включая IQ, Q2–Q8 и F16, с размером файлов примерно от 1,06 до 8,05 ГБ. Лицензия — Apache-2.0.

Qwen-Qwen2.5-0.5B-llamafied — преобразованная в формат Llama версия языковой модели Qwen2.5-0.5B. Репозиторий опубликован llamafy; модель содержит 494 млн параметров, использует плотную архитектуру и веса в формате safetensors. Она предназначена для генерации текста и диалоговых сценариев, включая использование интерфейса вызова инструментов в совместимых программах. По карточке модель совместима с программами, поддерживающими формат Llama; заявленный контекст составляет 4096 токенов. Модель поддерживает многоязычный ввод и генерацию, включая русский, английский, китайский, французский, испанский и другие языки из метаданных. Это конверсия базовой Qwen/Qwen2.5-0.5B, а не отдельное дообучение; лицензия в предоставленных данных не указана.

LFM2.5-Embedding-350M — модель для построения векторных представлений текста, разработанная LiquidAI и экспортированная командой Software Mansion для запуска на устройствах через React Native ExecuTorch. Она предназначена прежде всего для семантического поиска и задач sentence similarity, включая сопоставление поисковых запросов с документами и passages непосредственно на устройстве. В основе модели — двунаправленный backbone LFM2.5-350M с гибридной архитектурой, сочетающей свёрточные слои и attention; размер скрытого представления составляет 1024. Модель формирует embedding размерностью 1024, применяет CLS pooling и L2-нормализацию, поэтому для сравнения векторов используется cosine similarity, эквивалентная скалярному произведению нормализованных embedding. Для лучшего качества retrieval рекомендуется использовать асимметричные префиксы «query: » для поисковых запросов и «document: » для индексируемых текстов. Языки и максимальная длина контекста в README не указаны. Репозиторий содержит готовые ExecuTorch-программы в форматах MLX int4 и XNNPack 8da4w, что позволяет выбирать между доступными backend и вариантами точности. Файлы опубликованы для ExecuTorch v1.4.1; обратная совместимость с более старыми версиями не гарантируется. Вариант Core ML экспортирован, но не опубликован из-за проблем, описанных в отдельной заметке. Указана лицензия lfm1.0; подробные условия следует уточнять в файле лицензии upstream-модели.

recoilme/recoilme-gemma-2-9B-v0.2 — слитая диалоговая языковая модель на архитектуре Gemma 2 с 9 млрд параметров. Она предназначена для генерации текста и общения в чат-сценариях; в карточке также приведены результаты оценки на Open LLM Leaderboard, включая IFEval и BBH. Модель принимает текст и генерирует текст, использует контекст длиной до 8192 токенов и распространяется в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение. README не описывает поддерживаемые языки и конкретные сценарии сверх диалога и генерации текста.

Sailor-7B-Chat — чат-модель для генерации текста, разработанная проектом Sailor и предназначенная для языков Юго-Восточной Азии. Она дообучена на базе Sailor-7B, которая основана на Qwen1.5-7B; архитектура — плотная Qwen2ForCausalLM с 7,1 млрд параметров. Модель поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель настроена на следование инструкциям и диалоговое общение. Её можно использовать для ответов на вопросы, рассуждений на здравый смысл и других текстовых задач на индонезийском, тайском, вьетнамском, малайском, лаосском, китайском и английском языках. В карточке Sailor отдельно отмечены индонезийский, тайский, вьетнамский, малайский и лаосский как целевые языки семейства. По данным карточки, при дообучении использовались открытые наборы Aya Dataset, Aya Collection и OpenOrca. Лицензия — Apache-2.0. Качество может различаться между языками и задачами; карточка не приводит конкретных ограничений или численных результатов для этой версии.

sfm_filtered_e2e_alignment-1k_2k_3k_simpleavg_merge — объединённая языковая модель на архитектуре GPT-NeoX, созданная методом Linear с помощью mergekit. В слияние вошли контрольные точки обучения global_step1000, global_step2000 и global_step3000; последняя указана как базовая. Модель содержит 8,8 млрд параметров и работает с контекстом до 16 384 токенов. Модель предназначена для генерации текста в диалоговом формате. В метаданных указаны библиотека Transformers и формат весов safetensors. Сведения о конкретных языках, специализированных областях и измеренных качествах в доступной карточке отсутствуют. Лицензия в предоставленных данных не указана.

sfm_filtered_insert_xxf_character-8k_9k_10k_simpleavg_merge — объединённая языковая модель, созданная с помощью mergekit методом Linear. В качестве базовой использована контрольная точка global_step10000, объединённая с контрольными точками global_step8000 и global_step9000; все три относятся к набору filtered_insert_xxf_character. Модель предназначена для генерации текста и диалоговых сценариев. Она построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров, работает с библиотекой Transformers и принимает контекст длиной до 16 384 токенов. Данные не позволяют установить поддерживаемые естественные языки или специализированные области применения. Модель распространяется в формате safetensors. Сведения о лицензии и известных ограничениях в предоставленных материалах отсутствуют.

Это объединённая модель генерации текста, созданная yuhengtu-bytedance с помощью mergekit. В основу слияния вошёл чекпойнт global_step10000; также объединены чекпойнты global_step9000 и global_step8000. Использован линейный метод слияния. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия. Её контекстное окно составляет 16 384 токена. В карточке не описаны конкретные сценарии, языки и сравнительные преимущества. Репозиторий содержит веса в формате safetensors; условия лицензии в предоставленных данных не приведены.

SimplyParse-qwen3txt-3rdepoch — дообученная языковая модель, разработанная taskmaster141 на основе unsloth/qwen3-4b-instruct-2507-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная модель семейства Qwen3 с архитектурой Qwen3ForCausalLM, предназначенная для генерации текста и диалоговых сценариев; в метаданных также отмечен интерфейс вызова инструментов. Размер модели составляет 3,7 млрд параметров, длина контекста — до 262 144 токенов. Указан английский язык. Модель подходит для создания ответов и ведения диалога, а также для сценариев, где требуется использовать интерфейс вызова инструментов. Данных о специализации дообучения и его результатах карточка не содержит. Модель распространяется по лицензии Apache-2.0.

menadsa/S-PubMedBERT — модель Sentence-Transformers на архитектуре BERT, предназначенная для преобразования предложений и абзацев в плотные векторы размерности 768. Её можно применять для семантического поиска и кластеризации текстов; README также описывает обучение с MultipleNegativesRankingLoss и косинусной мерой сходства на данных PubMed. Модель содержит 136,7 млн параметров, принимает текст и формирует векторные представления. Контекст ограничен 512 токенами. Для работы подходят Sentence-Transformers и Transformers с корректной операцией pooling. Карточка не сообщает лицензию и точные языковые характеристики, поэтому их нельзя установить по доступным данным.

VoVanPhuc/sup-SimCSE-VietNamese-phobert-base — модель эмбеддингов предложений для вьетнамского языка, разработанная Vo Van Phuc. Она основана на SimCSE и использует архитектуру RoBERTa PhoBERT; вариант sup обучен с учителем для получения векторных представлений предложений и оценки их семантического сходства. Модель подходит для поиска похожих фраз, семантического поиска и сопоставления предложений на вьетнамском языке. Модель содержит около 162,4 млн параметров по метаданным и принимает последовательности длиной до 258 токенов. Для работы доступны веса PyTorch и Safetensors. README описывает её как модель с высокой эффективностью для эмбеддингов предложений, однако сравнительные результаты и детали обучающих данных в карточке не приведены. Лицензия в предоставленных данных не указана.

Synatra-kiqu-10.7B — разговорная языковая модель семейства Llama с плотной архитектурой, содержащая 10,6 млрд параметров. Она дообучена на базе maywell/Synatra-10.7B-v0.4 и предназначена для генерации текста в диалоговом формате. Модель использует формат инструкций Alpaca, а её контекст составляет 4096 токенов. Модель разработала команда, связанная с аккаунтом maywell; в README указана поддержка Sionic AI, предоставившей GPU-ресурсы для обучения. Контрольные результаты в карточке не приведены. Модель распространяется по лицензии CC BY-SA 4.0.

TinyMistral-6x248M — компактная языковая модель M4-ai на архитектуре Mixtral с механизмом смеси экспертов (MoE). Она создана с помощью LazyMergekit путём слияния шести моделей семейства TinyMistral, включая варианты для инструкций, диалогов и генерации кода, а затем предварительно обучена на 600 тысячах примеров набора nampdn-ai/mini-peS2o. В метаданных указано 215,2 млн параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста, в том числе ответов на запросы и кода. Для инференса автор рекомендует включать семплирование и приводит настройки температуры, top-p, top-k и штрафа за повторы. Автор предупреждает о заметном снижении качества при использовании Inference API. Модель распространяется по лицензии Apache-2.0.

Typhoon2.1-Gemma3-4B — инструктивная текстовая языковая модель, разработанная OpenTyphoon на основе Gemma 3 4B. Она использует плотную decoder-only архитектуру Gemma3ForCausalLM, содержит 4 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации ответов в диалоге на тайском и английском языках; также поддерживает вызов функций через соответствующий интерфейс. Модель работает только с текстом: визуальный энкодер в этой версии отсутствует. В карточке описаны режимы с рассуждением и без него, а также развёртывание через Transformers и vLLM. Для использования требуется Transformers версии 4.50.0 или новее. Модель всё ещё развивается и может выдавать неточные, предвзятые или нежелательные ответы; качество и риски следует оценивать применительно к конкретному сценарию. Распространяется по лицензии Gemma; использование также регулируется условиями OpenTyphoon.