I.2Синтез, понимание и проверка знаний

Falcon3-3B-Base — базовая предварительно обученная языковая модель семейства Falcon3, разработанная Technology Innovation Institute. Это плотный decoder-only Transformer с 22 блоками, механизмом Grouped Query Attention, SwiGLU и RMSNorm; число параметров — 2,8 млрд. Модель принимает текст и предназначена для генерации продолжений, а также как основа для последующего дообучения под конкретные сценарии. Модель обучена на многоязычных данных, коде и материалах по STEM; заявлены английский, французский, испанский и португальский языки. README указывает контекст до 8 тыс. токенов, тогда как метаданные каталога указывают нативный контекст 32 768 токенов. В описании модели также заявлены способности к рассуждению, пониманию языка, следованию инструкциям, программированию и математике, но это базовый чекпойнт без диалоговой настройки и для большинства прикладных сценариев требует дообучения. Модель получена обрезкой по глубине и ширине Falcon3-7B-Base и обучением с дистилляцией знаний. Распространяется по лицензии TII Falcon-LLM License 2.0; перед применением следует учитывать её условия.

Fathom-Search-4B GGUF — квантизированная версия модели Fathom-Search-4B, разработанной FractalAIResearch на базе Qwen/Qwen3-4B и преобразованной в формат GGUF с использованием llama.cpp. Модель создана как специализированный компонент агентной системы Fathom-DeepResearch для продолжительного поиска информации, работы с живым веб-контентом, извлечения и проверки свидетельств, а также рассуждений по результатам поиска. В экосистеме Fathom-DeepResearch отдельная модель Fathom-Synthesizer-4B отвечает за обобщение найденных материалов и подготовку отчётов. Модель предназначена для сценариев DeepResearch и поисково-ориентированных задач, где требуется последовательно находить источники, собирать подтверждения и формировать ответы на основе актуальной информации из интернета. Заявлены высокие результаты системы на бенчмарках SimpleQA, FRAMES, WebWalkerQA и Seal0, а также превосходство над рядом закрытых DeepResearch-агентов на DeepResearch-Bench, однако в README не приведены подробные числовые показатели именно для этой GGUF-версии. Размер модели составляет около 4 млрд параметров. Поддерживаются текстовая генерация и формат GGUF для запуска через совместимые инструменты llama.cpp; конкретные варианты квантизации, размер контекстного окна и список языков в README не указаны. Используется экспериментальный подход квантизации с повышением точности отдельных важных слоёв, что может улучшать качество при заданном уровне квантования, но увеличивает размер файла. Модель распространяется по лицензии MIT.

versae/filiberto-7B-instruct-exp1 — конверсия Mistral-7B-Instruct-v0.2 в формат MLX, выполненная с помощью mlx-lm 0.9.0. Это плотная авторегрессионная языковая модель Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; карточка обозначает её как разговорную модель для генерации текста. README упоминает примеры применения для исправления OCR и определения Stanza, но не приводит достаточно деталей об их качестве или специализации модели. Модель принимает текст и генерирует текст, поэтому её можно использовать для диалоговых запросов, исправления ошибок OCR и распознавания сущностей или категорий с помощью Stanza. В репозитории есть варианты GGUF F16, F32 и Q4_0, а также safetensors. Лицензия — Apache-2.0. Языки в доступных данных не определены.

Модель dxv2k/gemma-4-E4B-it-merged — версия Google Gemma 4 E4B Instruct с объединёнными с базовыми весами параметрами LoRA-адаптера. Адаптер обучен для слоёв q/k/v/o/gate/up/down языковой модели с рангом 16 и alpha 32; веса сохранены в формате bf16. По метаданным, модель поддерживает диалог и анализ изображений и предназначена для задач image-text-to-text. Модель принимает текст и изображения и генерирует текстовые ответы. Для развёртывания README предлагает Inference Endpoints с пользовательским обработчиком и Transformers версии не ниже 5.12.1; для запуска на GPU требуется не менее 24 ГБ видеопамяти. Используется лицензия Gemma.

Theros/Gemma-9B-ColdBrew-Testing — объединённая диалоговая языковая модель на архитектуре Gemma 2, созданная с помощью mergekit методом SLERP из SvalTek/Gemma-7B-ColdBrew-RP и KishoreK/ActionGemma-9B. Модель содержит 9 млрд параметров, принимает текст и генерирует текст; контекст — до 8192 токенов. Модель предназначена для диалоговой генерации текста. Её можно использовать для продолжения беседы и создания текстовых ответов. Данные карточки не описывают специализированные области применения или языковой охват. Модель опубликована в формате safetensors и доступна через библиотеку Transformers. Лицензия в предоставленных данных не приведена.

GLM-4-32B-Base-0414 — плотная авторегрессионная языковая модель семейства GLM-4, разработанная Z.ai. В репозитории указаны 31,6 млрд параметров, предварительное обучение на 15 трлн единиц высококачественных данных и контекст до 32 768 токенов. Модель предназначена для генерации текста и служит базой для дальнейшего дообучения и постобучения; в карточке также описаны результаты семейства GLM-4-32B-0414 в генерации кода, вызове функций, ответах на вопросы с поиском и подготовке отчётов. Карточка указывает китайский и английский языки. Весы доступны в формате safetensors, библиотека — Transformers. Лицензия MIT. Несмотря на название Base, README смешивает описание базовой модели и всей серии, поэтому возможности диалога, вызова функций и рассуждений не следует считать гарантированными свойствами именно этого чекпойнта.

Это пакет распределённого запуска модели GLM-5.2 в формате GGUF, подготовленный Mesh LLM. Он разбивает вариант UD-Q4_K_XL на артефакты по слоям, чтобы распределять вычисления между компьютерами в локальном кластере Mesh LLM. Пакет предназначен для локального и приватного инференса, обслуживания чатов через совместимый с OpenAI API и запуска на нескольких машинах, когда модель не помещается на одном узле. Он основан на unsloth/GLM-5.2-GGUF и использует квантованный вариант UD-Q4_K_XL; библиотека запуска — Mesh LLM. README не приводит число параметров, длину контекста, поддерживаемые языки или условия лицензии. За сведениями об архитектуре, шаблоне чата, настройках генерации и лицензии README отсылает к карточке исходной модели.

HealthMate-AI — энкодер предложений на базе sentence-transformers/all-MiniLM-L6-v2, созданный для проекта медицинского RAG-чатбота и дообученный на медицинских текстах. Модель объединяет усреднённые веса трёх чекпойнтов, полученных при трёхкратной кросс-валидации, и преобразует предложения и абзацы в плотные векторы размерностью 384. Она содержит 25,9 млн параметров, использует архитектуру BERT/MiniLM и поддерживает контекст до 512 токенов. Модель предназначена для вычисления семантического сходства и поиска по медицинским документам. Однако оценка на нескольких задачах поиска показала результаты значительно ниже базовой модели all-MiniLM-L6-v2; автор не рекомендует использовать её для retrieval. Обучающие данные взяты из защищённой авторским правом медицинской энциклопедии, а код обучения и разбиения данных недоступны, поэтому заявленный результат на внутрикorpusной задаче нельзя воспроизвести. Модель распространяется по лицензии Apache-2.0; она не заменяет профессиональную медицинскую консультацию.

Это преобразованная для MLX версия мультимодальной модели alexgusevski/Huihui-Qwen3-VL-8B-Instruct-abliterated-mlx, основанной на Qwen/Qwen3-VL-8B-Instruct. По метаданным это плотная модель Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration и примерно 8 млрд параметров; README сообщает о конвертации исходной модели huihui-ai/Huihui-Qwen3-VL-8B-Instruct-abliterated с помощью mlx-vlm 0.3.10. Модель предназначена для диалога по тексту и изображениям, включая описание и визуальный анализ. Семейство Qwen3-VL также поддерживает анализ видео, OCR и визуальное рассуждение. В метаданных указана задача image-text-to-text и возможности chat и vision; языки и длина контекста в предоставленных данных не установлены. Модификация abliterated помечена в тегах как uncensored. Такие метки не гарантируют качество или безопасность ответов. Модель распространяется по лицензии Apache-2.0; для использования с MLX README указывает библиотеку mlx-vlm.

Hypa-Gemma4-E2B-v1 — текстовая мультиязычная модель Hypa Intelligence, дообученная методом LoRA на базе Google DeepMind Gemma 4 E2B-it; адаптер объединён с базовыми весами. Вариант E2B содержит 2,3 млрд эффективных параметров, а обучение использовало 1,62 млрд из 6,74 млрд параметров. Модель предназначена для перевода, определения языка, словарных объяснений и выполнения инструкций на английском, французском, испанском и четырнадцати языках Нигерии. Она сохраняет формат диалогов Gemma 4 и структуру запросов для работы с инструментами. Обучение проведено на смеси из 15,9 млн примеров, включавшей словарные, переводные, языковые и синтетические инструкции, а также данные для вызова функций. Модель принимает текст и выдаёт текст. Хотя у базовой Gemma 4 есть возможности работы с изображениями и аудио, в этой текстовой версии эти компоненты не обучались для целевых языков, и их качество не проверено. Качество ответов различается между языками; для малоресурсных языков результаты следует проверять с носителями. Модель не проходила RLHF или DPO и не подходит для неконтролируемого применения в медицинских, юридических, финансовых и психологических сценариях. Лицензия — Apache-2.0.

IndoBERT Base p2 uncased — предварительно обученная языковая модель для индонезийского языка, созданная командой IndoBenchmark на основе архитектуры BERT. Модель обучена на корпусе Indo4B объёмом 23,43 ГБ с задачами masked language modeling и next sentence prediction; версия Base содержит 124,5 млн параметров согласно README, а метаданные каталога указывают 151,6 млн параметров. Длина контекста — 512 токенов. Модель предназначена для извлечения контекстных представлений текста и может служить основой для построения или дообучения приложений NLP на индонезийском языке, включая классификацию текстов и поиск похожих текстов. Доступны реализации весов для PyTorch, TensorFlow и Flax. Лицензия — MIT.

InternVL2-2B — мультимодальная инструкционно-настроенная модель семейства InternVL 2.0, разработанная OpenGVLab. Она объединяет визуальный энкодер InternViT-300M-448px, MLP-проектор и языковую модель internlm2-chat-1_8b; общий размер составляет около 2,2 млрд параметров. Модель предназначена для диалога по изображениям и видео, визуальных вопросов и ответов, понимания документов и диаграмм, чтения текста на изображениях, а также научных и математических задач с визуальным контекстом. Модель принимает текст и изображения; README также сообщает об обучении на данных с видео и длинным текстом. Заявлено окно контекста 8 тысяч токенов. Карточка позиционирует её как мультиязычную, но конкретные языки не перечисляет. Для запуска предусмотрена интеграция с Transformers и LMDeploy. Репозиторий распространяется по лицензии MIT. Среди сильных сторон — сочетание диалоговых возможностей языковой модели с анализом изображений, документов, диаграмм и сценического текста; в README приведены результаты профильных визуальных и видео-бенчмарков. Описание не подтверждает отдельный выход с видео или структурированными рамками объектов: ответы модели формируются в текстовом диалоге.

unsloth/Jan-nano-GGUF — это GGUF-версия компактной языковой модели Jan-Nano, разработанной Menlo Research и подготовленной в формате квантования Unsloth Dynamic 2.0. Модель содержит около 4 миллиардов параметров и предназначена для генерации текста и выполнения задач глубокого исследования. Основной сценарий использования — работа с Model Context Protocol (MCP): модель оптимизирована для взаимодействия с MCP-серверами, исследовательскими инструментами и внешними источниками данных. Она оценивалась на SimpleQA с помощью методики, учитывающей интеграцию MCP, поэтому особенно ориентирована на инструментально дополненные исследовательские процессы. Модель также поддерживается приложением Jan, позволяющим запускать её локально с сохранением конфиденциальности и контроля над данными. К сильным сторонам относятся небольшой размер, локальный запуск и специализация на исследовательских задачах с использованием внешних инструментов. Ограничения связаны с относительно малым числом параметров по сравнению с крупными языковыми моделями; сведения о поддерживаемых языках, размере контекстного окна и точной архитектуре в предоставленных данных отсутствуют. Модель распространяется по лицензии Apache 2.0.

kappa-20b-131k-GGUF — это экспериментальная разговорная модель eousphoros, представленная в формате GGUF для llama.cpp и совместимых движков. Она получена полнопараметрическим дообучением SFT модели OpenAI GPT-OSS 20B на многоходовых диалогах с вызовами инструментов и девятью настраиваемыми персонами; архитектура — смесь экспертов (MoE) со SwiGLU, 20,9 млрд параметров всего и 4,2 млрд активных на токен. Модель предназначена для генерации текста и диалогов с контекстом до 131 072 токенов. Персону можно задать в системном сообщении, например `Persona: chaotic_evil`; доступен и обычный режим без персоны. В карточке описаны проверки на длинный контекст, устойчивость к поддакиванию и настройку отказов, но результаты ограничены заявленными тестами автора. Обучающие данные персон синтетические; отдельные голоса выражены неравномерно, без персоны модель может поддаваться социальному давлению, а на некоторые темы химии и безопасности — чрезмерно отказывать. Веса экспортированы в GGUF без квантизации, в BF16, общим размером около 39 ГиБ. В README указано, что модель обучена на OpenAI GPT-OSS 20B; метаданные каталога связывают её с `eousphoros/kappa-20b-131k`. Лицензия обозначена как `other`, поэтому перед использованием следует проверить условия на странице модели.

KARAKURI LM 8x7B Chat v0.1 — чат-модель компании KARAKURI Inc. с архитектурой Mixture of Experts на базе Mixtral. Она дообучена на tokyotech-llm/Swallow-MX-8x7b-NVE-v0.1 с применением SteerLM и данных OASST2, HelpSteer и внутреннего японского набора данных. По метаданным, модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста на японском и английском языках. Шаблон чата позволяет задавать атрибуты ответа, в том числе полезность, корректность, глубину, многословность, токсичность, юмор и креативность. Для правильной работы нужно использовать указанный в карточке формат Mistral с атрибутами: формат отличается от KARAKURI LM 70B Chat v0.1, а неправильное оформление запросов может ухудшить ответы. Лицензия — Apache 2.0.

Kimi-K2T-neulab-agenttuning-kg-sandboxes-maxeps-32k — диалоговая языковая модель на архитектуре Qwen3, дообученная на базе Qwen/Qwen3-8B командой, опубликовавшей её в организации laion. Модель содержит около 7,6 млрд параметров и принимает текстовые запросы для генерации текста в формате диалога; максимальная длина контекста составляет 40 960 токенов. Модель дообучена на наборе open-athena/Kimi-K2T-neulab-agenttuning-kg-sandboxes-32k_neulab-agenttuning-kg-sandboxes и предназначена для текстовой генерации и диалоговых сценариев. README не приводит отдельных результатов оценки или подробностей о специальных навыках модели. Распространяется под лицензией Apache-2.0.

LaBSE-mari — модель на базе BERT, разработанная путём дообучения LaBSE на парах предложений на русском и марийском языках. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сопоставления смысла текстов, семантического поиска и кластеризации. Обучение с MultipleNegativesRankingLoss нацелено на сближение векторных представлений соответствующих пар. Модель подходит для поиска марийских соответствий русским запросам и для группировки текстов по смыслу. Архитектура BERT принимает текст, контекст составляет 512 токенов. Репозиторий распространяет веса в форматах PyTorch и Safetensors. Условия лицензии в предоставленных данных не указаны.

Funnel Transformer large — предварительно обученная модель семейства Funnel Transformer, выпущенная командой разработчиков Funnel Transformer и представленная в исследовательской работе. Это англоязычная uncased-модель с архитектурой Funnel и декодером, обученная на корпусах BookCorpus, английской Википедии, ClueWeb, GigaWord и Common Crawl. Обучение проводилось без разметки: модель училась определять, какие токены исходного текста были заменены. Модель извлекает контекстные представления текста и предназначена прежде всего для последующего дообучения под задачи классификации последовательностей и токенов, а также ответы на вопросы. Она не предназначена для генерации текста. Контекст составляет до 512 токенов. Репозиторий содержит веса PyTorch, SafeTensors и TensorFlow. Лицензия — Apache-2.0.

lastbrain — Darwin V8 — это дообученная FINAL-Bench модель на базе Qwen/Qwen3.5-2B, созданная командой FINAL-Bench / VIDRAFT_LAB. Модель с архитектурой Qwen3_5ForCausalLM и примерно 1,7 млрд параметров обучена методом SFT с LoRA и дистилляцией рассуждений по заранее подготовленным трассам Claude Opus 4.5/4.6 и Claude Sonnet 4.6. LoRA-адаптер объединён с весами базовой модели, поэтому чекпойнт можно запускать как самостоятельную модель. Модель предназначена для генерации ответов в диалоге с пошаговыми объяснениями, решения математических и логических задач и написания кода. README сообщает о 4 451 обучающих трассах из четырёх открытых наборов данных и показывает примеры структурированных ответов с Markdown и LaTeX. В метаданных указаны контекст до 262 144 токенов и языки английский, корейский, китайский и японский; при этом обучение проводилось с max_length 4 096, что ограничивает основания ожидать столь же надёжную работу на длинном контексте. Модель распространяется по лицензии Apache 2.0; для обучающих данных следует учитывать лицензии исходных наборов. Это компактная текстовая модель для сценариев, где важны объяснение хода решения и развёрнутый ответ. README предупреждает о возможных числовых ошибках при вычислениях на корейском языке и отмечает, что явные теги рассуждений используются редко.

hiyouga/Llama-2-Chinese-13b-chat — двуязычная инструкционно настроенная LoRA-модель на основе семейства Llama 2, разработанная с использованием LLaMA-Factory. Модель предназначена для диалогов с ассистентом и выполнения инструкций на китайском и английском языках; примеры показывают ответы на вопросы, объяснение понятий, перевод и помощь с кодом. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст для генерации текстовых ответов. Контекст составляет 4096 токенов. Для работы применяются веса PyTorch и библиотека Transformers; для запуска README указывает LLaMA-Factory. Модель дообучена на наборах Alpaca, Alpaca-ZH и OpenAssistant. Лицензия указана как llama2. README не приводит количественных оценок качества или подробных ограничений; ответы могут быть неточными, а поддержка языков и навыков за пределами китайского и английского не подтверждена.

Mudassir-75/Llama-3.2-3B-Instruct-ENG-FR-v2 — плотная авторегрессионная языковая модель семейства Llama 3.2 с 3,2 млрд параметров, разработанная Mudassir-75 и дообученная на базе Mudassir-75/Llama-3.2-3B-Instruct-ENG-FR. Модель предназначена для генерации текста и диалоговых сценариев; в метаданных также заявлен интерфейс вызова инструментов. Контекстное окно — до 131 072 токенов. Карточка указывает на обучение с использованием Unsloth и библиотеки Hugging Face TRL. В языковых тегах указан английский; название базовой модели указывает на английский и французский, но README не описывает языковые возможности отдельно. Модель распространяется по лицензии Apache-2.0. Качество, обучающие данные и конкретные ограничения в карточке не описаны.

Jolly-Q/Llama-3.3-70B-Inst-Ablit-Flammades-SLERP — диалоговая языковая модель, созданная автором репозитория слиянием моделей flammenai/Llama3.1-Flammades-70B и huihui-ai/Llama-3.3-70B-Instruct-abliterated методом SLERP с помощью mergekit. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 69,5 млрд параметров; её контекстное окно составляет 131 072 токена. Модель предназначена для генерации текста и диалогов с более человечной и творческой манерой ответов при следовании инструкциям. Карточка приводит пример ролевого диалога и отмечает, что результаты зависят от настроек семплирования; автор сообщает о случаях, когда модель продолжала генерировать чрезмерно длинные ответы. Указана лицензия llama3.3.

VIRNECT/llama-3-Korean-8B-r-v2 — дообученная языковая модель компании VIRNECT на архитектуре Llama 3. Она предназначена для генерации текста и диалогового общения, с акцентом на корейский язык. Модель содержит 7,5 млрд параметров, использует Transformers и формат Safetensors, поддерживает контекст до 8192 токенов и рассчитана также на английский язык. В качестве базовой модели указана MLP-KTLim/llama-3-Korean-Bllossom-8B; при дообучении использован набор данных AI Hub для разработки крупной языковой модели с улучшенными показателями на корейском языке. Лицензия — Llama 3 Community License. Модель подходит для корейскоязычных чат-ботов и генерации текста; сведения о качестве на конкретных задачах и дополнительных ограничениях в карточке не приведены.

Fischerboot/LLama3-Lexi-Aura-3Some-SLERP-SLERP-Function-calling-SLERP — объединённая модель на архитектуре Llama 3, созданная автором карточки с помощью mergekit и метода SLERP из двух языковых моделей. Она предназначена для диалоговой генерации текста и вызова функций в сценариях, где языковая модель должна формировать ответы и взаимодействовать с инструментами через структурированные вызовы. Веса представлены в формате Safetensors, размер модели — 7,5 млрд параметров, заявленная длина контекста — 8192 токена. В карточке отмечено наличие вызова функций, но автор не уверен, сохранилась ли у модели исходная степень «uncensored» поведения. Язык обучения или основной язык отдельно не заявлен. Лицензия в предоставленных данных не указана.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров. Она использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; в карточке также заявлен интерфейс вызова инструментов. Модель опубликована в форматах PyTorch и safetensors для Transformers и принимает контекст до 40 960 токенов. Модель лицензирована по Apache-2.0. Данные обучения и результаты оценки не описаны, поэтому качество и специализацию по отдельным темам оценить нельзя.

Chaitanya30/maatri-hindi-crossencoder — текстовый Cross Encoder, дообученный разработчиком на базе BAAI/bge-reranker-v2-m3 с библиотекой Sentence Transformers. Модель принимает пару текстов и выдаёт оценку их соответствия, которую можно использовать для переранжирования результатов поиска и семантического поиска. Архитектура основана на XLM-RoBERTa и имеет около 658,7 млн параметров; максимальная длина последовательности — примерно 8192 токена. Модель предназначена прежде всего для работы с текстами на хинди: в README приведена оценка на наборе Hindi-dev. В описанной проверке на Hindi-dev указаны accuracy 0,7699 и F1 0,5031. Веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

subspecs/Mag-Mell-R1-21B — слитая модель генерации текста, созданная методом passthrough с помощью mergekit на основе inflatebot/MN-12B-Mag-Mell-R1. Она предназначена для диалогов и генерации текста; базовая модель описана как подходящая для ролевых сценариев и художественного письма. Модель использует плотную архитектуру MistralForCausalLM, содержит 20,7 млрд параметров и рассчитана на контекст до 1 024 000 токенов. Репозиторий содержит веса Safetensors и поддерживает Transformers. Карточка не сообщает о специальных ограничениях или условиях лицензии, поэтому установить их по доступным данным нельзя. Языки также не установлены по карточке; базовая модель описана как диалоговая, но это не указывает конкретные языки.

Edens-Gate/Magnum-Holland-Sus-Merge — слитая диалоговая языковая модель, созданная с помощью mergekit методом task arithmetic на основе Delta-Vector/Holland-4B-V1 с добавлением Delta-Vector/HollandV2R1, IntervitensInc/intv-mimi-sus и anthracite-org/magnum-v2-4b. Модель построена на плотной архитектуре Llama и содержит 3,9 млрд параметров; для работы с текстом заявлено контекстное окно до 131 072 токенов. Модель предназначена для генерации текста и диалоговых сценариев: например, для составления ответов в чате и продолжения текстовых запросов. Веса опубликованы в формате Safetensors и рассчитаны на использование с библиотекой Transformers. Сведения о поддерживаемых языках, лицензии и специальных ограничениях в предоставленных данных отсутствуют.

QuantFactory/mem-agent-GGUF — это квантизированная версия модели driaforall/mem-agent, подготовленная QuantFactory с использованием llama.cpp. Исходная модель основана на Qwen3-4B-Thinking-2507 и дообучена методом GSPO на агентном каркасе с файловой системой памяти, напоминающей Obsidian. Модель предназначена для интеллектуальной работы с долговременной памятью: поиска релевантных сведений, фильтрации или полного сокрытия извлечённой информации, добавления и обновления данных, а также запроса уточнений при неясных или противоречивых пользовательских запросах. Она взаимодействует с инструментами для чтения, создания, обновления и удаления файлов и каталогов. Память организована в виде Markdown-файлов с ссылками между профилем пользователя и сущностями. Модель может использоваться самостоятельно, но разработчики рекомендуют подключать её как MCP-сервер к более крупной языковой модели. Известно, что модель содержит около 4 млрд параметров и ориентирована на текстовую генерацию и агентное взаимодействие; сведения о поддерживаемых языках, размере контекста и конкретных параметрах квантизации в карточке не указаны. На тесте md-memory-bench она получила общий результат 0,75, показав особенно сильные результаты в извлечении, обновлении и фильтрации памяти по сравнению с базовой Qwen3-4B-Thinking-2507. Ограничения включают зависимость от заданного формата Markdown-памяти и инструментального каркаса, а также меньшие возможности по сравнению с более крупными моделями в отдельных сценариях. Лицензия в карточке модели не указана.

Memgpt-3x7b-MOE — разговорная языковая модель, созданная Liminerity с помощью LazyMergekit путём объединения трёх моделей MemGPT: starsnatched/MemGPT-DPO, starsnatched/MemGPT-3 и starsnatched/MemGPT. Она использует архитектуру Mixtral с механизмом смеси экспертов (MoE), содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста в диалогах и чат-сценариях. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. В доступных сведениях не описаны языковое покрытие и ограничения качества модели.