I.2Синтез, понимание и проверка знаний

yasirulayan/uber-llama3-merged — дообученная разговорная языковая модель, опубликованная yasirulayan и основанная на unsloth/llama-3-8b-Instruct-bnb-4bit. Модель относится к семейству Llama, использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Она предназначена для генерации текста в диалоговом режиме; заявленная длина контекста — 8192 токена. Модель принимает текст и генерирует текст, поддерживает английский язык. В README указано, что обучение проводилось с использованием Unsloth и библиотеки TRL для ускорения процесса. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает специализированную предметную область или отдельные возможности сверх диалоговой генерации текста.

UME-R1-7B — мультимодальная модель на архитектуре Qwen2-VL, разработанная авторами проекта UME-R1. По карточке, модель прошла этапы supervised fine-tuning с холодным стартом и обучения с подкреплением. Она формирует представления текста, изображений, нескольких изображений и видео: поддерживает как различительные, так и генеративные эмбеддинги, а повторная генерация представлений может улучшать результаты при выводе. Модель содержит 7,1 млрд параметров, использует библиотеку Transformers и имеет контекст длиной до 32 768 токенов. Модель предназначена для мультимодального поиска и сопоставления текста с изображениями или видео, а также для задач сравнения и классификации по сходству. В README заявлено, что она превосходит различительные эмбеддинги, но сведения о наборах обучения и оценки отсутствуют, поэтому это утверждение нельзя независимо оценить по карточке. В метаданных указаны чат и зрительные возможности; основной тег задачи — image-text-to-text. Лицензия — Apache-2.0.

Vicuna-7B-delta-v0 — дельта-веса чат-модели LMSYS, полученной дообучением LLaMA на диалогах пользователей из ShareGPT. Это авторегрессионная плотная трансформерная модель семейства LLaMA с 6,6 млрд параметров и контекстом до 2048 токенов. Репозиторий содержит только дельту: для получения рабочих весов Vicuna её нужно применить поверх оригинальных весов LLaMA, поэтому сама по себе модель не запускается. Модель предназначена для генерации ответов в диалоге, исследований языковых моделей и чат-ботов, а также экспериментов разработчиков и любителей NLP, машинного обучения и искусственного интеллекта. Карточка сообщает об оценке по стандартным бенчмаркам, предпочтениям людей и оценке другой языковой моделью. Указана некоммерческая лицензия; для использования необходимо учитывать её условия и лицензию исходной LLaMA.

Вьетнамская модель для сопоставления предложений и абзацев, разработанная BKAI Foundation Models. Она преобразует текст в плотные векторы размерностью 768 и предназначена для семантического поиска, ранжирования похожих текстов и кластеризации. В основе лежит PhoBERT-base-v2, дообученная на объединённых данных MS MARCO и SQuAD v2, переведённых на вьетнамский язык, а также на 80% обучающей выборки соревнования Legal Text Retrieval Zalo 2021. Модель построена на архитектуре RoBERTa и содержит 162,4 млн параметров; максимальная длина контекста — 258 токенов. Для работы с вьетнамским текстом в Hugging Face Widget предусмотрена сегментация слов перед токенизацией. В README приведены результаты на оставшихся 20% выборки Legal Text Retrieval Zalo 2021, включая Acc@1 73,28 и MRR@10 80,73 для обученной модели. Модель принимает текст и возвращает векторные представления, которые можно использовать для поиска и кластеризации. Она обучалась на вьетнамских данных, включая юридические тексты, поэтому результаты на других языках и в иных областях могут быть хуже. Лицензия — Apache-2.0.

Viking 33B — базовая авторегрессионная языковая модель LumiOpen, созданная совместно группой TurkuNLP Университета Турку, SiloGen и High Performance Language Technologies. Это плотный decoder-only трансформер семейства LLaMA с 32,2 млрд параметров, rotary positional embeddings и FlashAttention; в карточке указан контекст 4096 токенов. Модель опубликована в формате Safetensors под лицензией Apache 2.0. Модель предварительно обучена на многоязычном корпусе, включающем финский, английский, шведский, датский, норвежский, исландский языки и код. Она предназначена для генерации текста, базового перевода между этими языками, а также понимания и генерации кода. Viking — базовая модель, поэтому для большинства прикладных сценариев ей требуется дополнительная настройка. Это частично обученный чекпойнт: указан прогресс обучения на 1,3 трлн токенов из запланированных 2 трлн, а карточка приводит доступные промежуточные этапы. Полные результаты оценки не опубликованы. Модель может выдавать неточные, предвзятые или спорные ответы; авторы указывают на отсутствие значимой компетенции в языках за пределами перечисленных.

xDecision — многоязычная модель структурированной оценки решений примерно на 322 млн параметров, разработанная автором репозитория mccoysc. Она дообучена на основе Laya Multilingual с энкодером mmBERT-base и объединяет компоненты этих моделей. Предназначена для классификации запросов с контекстом и кандидатами: выбора варианта, оценки истинности утверждения и выставления балла по упорядоченной шкале. Возвращает вероятности кандидатов и рекомендацию действовать или передать решение на эскалацию. Поддерживает многоязычный ввод; доступны веса Safetensors и GGUF F16/Q8_0, а для Apple Silicon — backend MLX. Лицензия Apache-2.0. Модель подходит для маршрутизации рабочих процессов, оценки утверждений и структурированной поддержки решений. В диагностической оценке точность составила 58,75% на типизированных задачах выбора и 34,40% на невиданных сценариях рабочего процесса; эти результаты относятся к указанным наборам и настройкам. Есть ошибки в оценке относительной пригодности вариантов, чувствительность к порядку фактов и расхождения между форматами вопросов. Требуется проверка на целевой области; высокорисковые решения должны проходить независимую проверку и рассмотрение человеком. GGUF сейчас не поддерживается llama.cpp и Ollama.

Palak/xlm-roberta-large_squad — модель Palak, дообученная на XLM-RoBERTa Large для ответов на вопросы по переданному текстовому контексту. Она использует архитектуру XLM-RoBERTa с плотными слоями и содержит около 658,7 млн параметров; репозиторий предоставляет веса в формате PyTorch. Модель подходит для извлечения ответа из контекста, например при поиске сведений в документах или создании системы вопросно-ответного поиска. В карточке приведены результаты оценки на 10 918 примерах SQuAD: exact match 85,96 и F1 92,25. Контекст ограничен примерно 514 токенами, поэтому длинные документы потребуется разбивать на фрагменты. Модель дообучена на SQuAD; подтверждений её качества для других языков и предметных областей в карточке нет. Лицензия в предоставленных данных не указана.

nhonhoccode/zalo-legal-bge-m3-finetuned — Sentence Transformer, дообученный для создания эмбеддингов предложений и абзацев. Модель основана на XLM-RoBERTa и содержит 658,7 млн параметров; выходные векторы имеют размерность 1024 и нормализуются. В README указан максимум 384 токена на последовательность, а метаданные каталога сообщают о нативном контексте до 8194 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации текста. Название указывает на юридическое направление и базовую модель BGE-M3, однако карточка не приводит подробностей о языках или конкретных юридических сценариях; языки и область применения поэтому не следует считать подтверждёнными. Обучение описано на наборе из 2638 примеров с парами положительных и отрицательных текстов. Для сходства текстов можно использовать косинусную близость эмбеддингов. Репозиторий содержит веса safetensors и рассчитан на библиотеку Sentence Transformers. Лицензия в предоставленных данных не указана.

Это дообученная разговорная модель генерации текста ShenaoZ, созданная на основе ShenaoZ/0.0001_idpo_same_3itersn_iter_1 и обученная на обновлённом и исходном наборах данных. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для диалоговой генерации текста. Репозиторий использует формат Safetensors; лицензия — MIT. Карточка не описывает конкретные сценарии, результаты оценки или ограничения качества, поэтому их нельзя установить по имеющимся сведениям.

Модель bhatayus/aika-filler-slm-v4-7-2-v4_6-e4 — дообученная текстовая модель семейства Gemma 3, опубликованная bhatayus. Она предназначена для генерации текста и диалогового взаимодействия. Модель содержит 1 млрд параметров, использует плотную архитектуру Gemma3ForCausalLM, принимает текст и поддерживает контекст до 32 768 токенов. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий содержит веса в формате safetensors. Указанная лицензия — Apache 2.0. Карточка не описывает специализированную предметную область или дополнительные возможности.

rafiazarin/arxiv-cs-embedding-finetuned — модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L6-v2, дообученная для поиска по текстам научных работ по компьютерным наукам. Разработчик дообучил энкодер на парах запросов и релевантных фрагментов; архитектура включает BERT, mean pooling и нормализацию векторов. Модель кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена для семантического поиска и сравнения текстов с использованием косинусного сходства. README описывает обучающую выборку из 2 700 пар и оценочную выборку из 200 примеров. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; в карточке README заявлен максимальный размер последовательности 256 токенов. Модель принимает текст и возвращает векторы. Она адаптирована к англоязычным научным текстам по компьютерным наукам; качество на других типах текстов и языках не подтверждено. Лицензия в предоставленных данных не указана.

Legal BERTimbau — модель Sentence-Transformers, разработанная в рамках Project IRIS для семантического поиска по материалам Верховного суда Бразилии. Она преобразует предложения и абзацы на португальском языке в плотные векторы размерности 1024, пригодные для сравнения смысловой близости, поиска и кластеризации. Модель основана на крупной португалоязычной юридической версии BERTimbau и прошла обучение с маскированным языковым моделированием на юридических текстах, а затем этапы обучения на данных NLI и дообучения для оценки семантического сходства. В числе использованных наборов данных — ASSIN, ASSIN2 и STS-B Multi-MT. Архитектура BERT имеет контекст до 512 токенов; модель содержит 433,2 млн параметров. Модель подходит для построения семантического поиска по португалоязычным юридическим документам, а также для сопоставления, ранжирования и кластеризации текстов по смыслу. Лицензия — MIT. Карточка не сообщает об оценках качества или ограничениях на конкретных типах юридических текстов.

Avinashc/bge-base-financial-matryoshka — англоязычная модель Sentence Transformer, дообученная на 6 300 парах текстов из набора json на основе BAAI/bge-base-en-v1.5. Она кодирует предложения и абзацы в плотные эмбеддинги размерностью 768 и предназначена для семантического поиска и сравнения текстов, в том числе финансового содержания. Архитектура модели основана на BERT: вектор формируется с помощью CLS-пулинга и нормализации, а сходство текстов оценивается косинусной мерой. Контекст ограничен 512 токенами. Благодаря Matryoshka-обучению можно использовать укороченные векторы размерностью 512, 256, 128 или 64 с некоторым снижением качества поиска. Модель подходит для поиска финансовых фрагментов по запросу, ранжирования похожих предложений, кластеризации и подготовки признаков для классификации текстов. В README приведены результаты оценки информационного поиска на нескольких размерностях эмбеддингов, но они относятся к указанному в карточке набору данных. Лицензия — Apache-2.0.

liuxiong332/bge-m3-financial-mixed — модель эмбеддингов предложений на основе BAAI/bge-m3, дообученная на финансовых данных. Она преобразует предложения и абзацы в плотные векторы размерности 1024 и предназначена для семантического поиска, сравнения текстов и кластеризации, в том числе в финансовых корпусах. Модель использует архитектуру XLM-RoBERTa, содержит 658,7 млн параметров и поддерживает контекст до 8194 токенов. Для работы можно использовать библиотеку Sentence Transformers; веса доступны в формате safetensors. Лицензия — MIT. Карточка не сообщает, на каких языках собраны финансовые данные и каковы результаты оценки именно этой версии, поэтому пригодность для конкретного языка или финансового сценария стоит проверять на собственных данных.

ktrapeznikov/biobert_v1.1_pubmed_squad_v2 — англоязычная модель семейства BERT, разработанная на основе monologg/biobert_v1.1_pubmed и дообученная на SQuAD V2 для извлечения ответов из текста. Она принимает вопрос и отрывок текста и предсказывает фрагмент, который отвечает на вопрос, а также позволяет оценивать, отсутствует ли ответ в отрывке. Модель подходит для поиска ответов в биомедицинских публикациях и других текстах на английском языке. Модель имеет 135,5 млн параметров, использует регистрозависимую токенизацию и поддерживает контекст до 512 токенов. В README приведены результаты на валидационной выборке SQuAD V2: exact match 75,97 и F1 79,37; подбор порога для определения отсутствующего ответа не проводился. Доступны веса PyTorch и Flax. Лицензия в предоставленных данных не указана.

Boto 7B v1.1 — языковая модель lucianosb, дообученная на Mistral 7B для генерации текста на португальском языке. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Для дообучения использован датасет cetacean-ptbr. Модель подходит для генерации ответов и текстов на португальском языке. Ответы обычно многословны и могут быть недостаточно краткими или целенаправленными. В карточке приведены результаты оценки на Open Portuguese LLM Leaderboard; модель может порождать фактические ошибки и стереотипный контент, поэтому её выводы требуют проверки. Лицензия — Apache-2.0.

Это дообученная модель генерации текста на основе marin-community/marin-8b-base, разработанная AmberYifan. Модель построена на плотной архитектуре Llama и содержит 7,5 млрд параметров; она рассчитана на продолжение и генерацию текста. В обучении использован набор capsd_marin-8b-base-n80000-opc-dedup80k__mix_code_cap_b12000_s0, что указывает на адаптацию к смешанным данным с кодом, однако README не описывает конкретные сценарии или результаты оценки. Модель принимает текст и выдаёт текст, поддерживает диалоговый режим и имеет контекст длиной до 4096 токенов. Базовая marin-8b-base ориентирована на английский язык; отдельные сведения о языковом охвате дообученной версии не приведены. Репозиторий содержит веса в формате safetensors и использует Transformers. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели.

chimera-ggobugi-solar-v1 — текстовая генеративная модель, созданная объединением трёх моделей Solar с помощью LazyMergekit и метода model_stock. В конфигурации указаны chihoonlee10/T3Q-ko-solar-dpo-v7.0, MoaData/Myrrh_solar_10.7b_3.0 и freewheelin/free-solar-evo-v0.11; базовой моделью конфигурации названа chihoonlee10/T3Q-ko-solar-dpo-v7.0. Модель имеет плотную архитектуру LlamaForCausalLM и около 10,6 млрд параметров. Она предназначена для генерации текста; описание базовой модели Free Solar Evo указывает на работу с корейским и английским языками. В метаданных указан контекст до 4096 токенов, а веса опубликованы в формате safetensors. README не приводит примеров качества или специализированных сценариев применения. Условия лицензии в предоставленных данных не указаны.

Модель trollek/danube2-1.8b-Synthia-v1.3 — дообученная версия базовой языковой модели H2O.ai h2o-danube2-1.8b-base. Автор карточки сообщает, что модель была дообучена на наборе migtissera/Synthia-v1.3 с помощью BAdam и LLama-Factory; она использует шаблон диалога ChatML и предназначена для генерации текста в разговорном формате. Модель содержит 1,7 млрд параметров, построена на плотной архитектуре Mistral и принимает текст для генерации текстовых ответов. Контекст составляет 8192 токена. В метаданных указан английский язык и лицензия Apache-2.0. Карточка также ссылается на варианты квантования GGUF, однако сам репозиторий отмечен как safetensors.

microsoft/deberta-xlarge — англоязычная модель DeBERTa, разработанная Microsoft для задач понимания естественного языка. Она развивает подходы BERT и RoBERTa с помощью раздельного внимания (disentangled attention) и улучшенного декодера маски; в README указаны 48 слоёв и размер скрытого состояния 1024, а метаданные каталога — 856,8 млн параметров и контекст до 512 токенов. Модель предназначена прежде всего для заполнения пропусков в тексте: она предсказывает замаскированные токены с учётом контекста. Её также можно дообучать для задач NLU, включая классификацию текста и ответы на вопросы; приведённые в README результаты относятся к дообученным вариантам и не гарантируют такую же точность у этого базового чекпойнта. Доступны веса PyTorch и TensorFlow. Лицензия — MIT.

DeBERTina-base — португалоязычная encoder-модель семейства DeBERTa-v3, разработанная Thacio Garcia Scandaroli. Она предварительно обучена в стиле ELECTRA: генератор заменяет часть токенов, а дискриминатор учится определять подменённые токены; в обучении также используется gradient-disentangled embedding sharing. Модель предназначена для дообучения на задачах понимания естественного языка, в частности классификации последовательностей. Репозиторий содержит веса PyTorch и SafeTensors; модель насчитывает около 137,8 млн параметров и поддерживает контекст до 512 токенов. Обучение проводилось на португалоязычном корпусе C4 с токенизатором SentencePiece. Для классификации README показывает загрузку через Transformers AutoModelForSequenceClassification с числом классов, заданным при дообучении. Лицензия MIT. Модель ориентирована на португальский язык; качество на конкретных задачах зависит от дообучения и доступных меток.

DeepSeek-V4.1-Flash-REAP50-MLX-mixed-4_8bit — сборка модели DeepSeek-V4.1-Flash для Apple Silicon на базе MLX, подготовленная PipeNetwork. Это текстовая генеративная модель с архитектурой mixture-of-experts и заявленным размером 754,6 млрд параметров. Вариант содержит 40 слоёв и 384 маршрутизируемых эксперта на слой, из которых после REAP-прунинга сохранены 192, то есть удалено 50% экспертов. Модель предназначена для генерации текста и запуска локальных inference-сценариев на системах Apple Silicon. В архитектуре используются MLA с межслойным совместным использованием KV-кэша, hashed n-gram embedding engram с таблицами объёмом 196,6 млрд параметров, hyper-connections на основе Sinkhorn и attention sinks. Эксперты квантизированы до 4 бит, attention, shared-компоненты и embeddings — до 8 бит, таблицы engram — до 8 бит; отдельные компоненты оставлены без квантизации в форматах bf16 или fp32. Размер файлов составляет 274,7 ГБ, для запуска требуется система примерно с 320 ГБ оперативной памяти. Vision tower и aligner присутствуют, но текущий runtime работает только с текстом; слои multi-token prediction не включены. Модель рассчитана на локальный запуск через специальный порт deepseek-v41-mlx, поскольку поддержка этой архитектуры отсутствует в transformers, mlx-lm и mlx-vlm. Порт прошёл проверки согласованности вычислений с эталонной реализацией DeepSeek. На тесте wikitext-2 заявлена perplexity 3,3833, однако прунинг ухудшает результат относительно непрореженной версии: отношение perplexity составляет 1,1681. Основные ограничения — очень высокие требования к памяти, необходимость использовать специализированный runtime, отсутствие текстового режима работы с изображениями и потенциальная потеря качества из-за удаления половины экспертов. Модель распространяется по лицензии MIT, как и исходная модель; код порта также доступен по лицензии, указанной для upstream-модели.

Это пакет слоёв GGUF для квантованной модели DeepSeek-V4-Flash-0731-UD-Q4_K_XL, подготовленный Mesh LLM на основе unsloth/DeepSeek-V4-Flash-0731-GGUF. Он разбивает веса на артефакты по слоям, чтобы запускать модель распределённо на локальном кластере из нескольких машин, в том числе когда полный файл не помещается на одном узле. Модель предназначена для локального приватного чат-инференса и сценариев text-generation. Через Mesh LLM её можно подключать к совместимым с OpenAI запросам chat completions. Репозиторий указывает формат GGUF и вариант UD-Q4_K_XL; сведения об архитектуре, размере, контексте и языках в предоставленных данных отсутствуют. Лицензия — MIT.

DistilRoBERTa-base — компактная трансформерная языковая модель семейства RoBERTa, созданная Виктором Саном, Лисандром Дебю, Жюльеном Шомоном и Томасом Вольфом из Hugging Face методом дистилляции RoBERTa-base по процедуре DistilBERT. В репозитории указаны 6 слоёв, размерность 768 и 12 голов внимания; метаданные каталога указывают 95,2 млн параметров, а README — 82 млн. Модель чувствительна к регистру, обучена на английском языке и имеет контекст до 514 токенов. Основное прямое применение — заполнение пропусков в тексте с помощью masked language modeling. Модель также рассчитана на дообучение для задач классификации последовательностей и токенов, а также ответов на вопросы. По сравнению с RoBERTa-base она в среднем работает примерно вдвое быстрее и содержит меньше параметров согласно README. Распространяется по лицензии Apache 2.0. Модель не предназначена для свободной генерации текста и не обучалась обеспечивать фактическую точность. Её предсказания могут воспроизводить вредные стереотипы и предубеждения; при использовании следует учитывать эти ограничения.

Dolphin 2.9.3 Qwen2 1.5B — разговорная языковая модель, подготовленная Eric Hartford, Lucas Atkins, Fernando Fernandes и Cognitive Computations на базе Qwen/Qwen2-1.5B. Это плотная авторегрессионная архитектура Qwen2 с 1,5 млрд параметров; модель дообучена на инструкционных и диалоговых данных, включая Dolphin-2.9, OpenHermes-2.5, наборы для математики и взаимодействия с агентами. Для базовой модели заявлен контекст 128 тысяч токенов, а полновесное дообучение проводилось с длиной последовательности 16 тысяч токенов. Модель предназначена для диалогов, выполнения инструкций и генерации текста в формате чата. При подготовке этой версии исключили наборы для программирования, вызова функций и многоязычного системного чата, поскольку небольшую модель сложнее дообучать на данных, созданных для более крупных моделей. Автор описывает Dolphin как uncensored и указывает на высокую готовность следовать запросам; для публикации в виде сервиса рекомендуется самостоятельно добавить слой выравнивания. Это ограничивает её пригодность для пользовательских сценариев без дополнительной модерации. Лицензия Apache-2.0 допускает коммерческое использование в соответствии с её условиями.

helmis/e5-small-it-profiles — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-small, созданная для сопоставления текстовых описаний профилей специалистов и навыков. Она кодирует предложения и абзацы в плотные векторы размерности 384; для сравнения подходит косинусное сходство. Архитектура состоит из BERT-трансформера, среднего пулинга токенов и нормализации векторов. Модель можно применять для семантического поиска и подбора похожих профилей, поиска перефразировок, кластеризации и классификации текста. Обучение на парах anchor/positive/negative с TripletLoss ориентировано на разделение релевантных и нерелевантных описаний. Контекст ограничен 512 токенами. Базовая модель многоязычная, а приведённые обучающие примеры включают английский и французский. Лицензия в предоставленных сведениях не указана.

leomaurodesenv/electra-base-discriminator-answerable-or-not-augmented — модель классификации текста, дообученная на базе google/electra-base-discriminator. По названию она предназначена для определения того, можно ли ответить на вопрос по предоставленному контексту; README не раскрывает подробности набора данных или способа применения. Модель использует энкодер ELECTRA и классификационную голову ElectraForSequenceClassification. Она содержит 136,7 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку класса. В README приведены результаты оценки: accuracy 0,9374 и loss 0,2293; состав и размер оценочного набора не описаны. Лицензия — Apache-2.0. Карточка указывает английскую базовую модель, но язык обучающих данных не раскрывает, поэтому английский сценарий можно считать предположительным. Качество на других данных и языках не подтверждено.

Модель abd1987/esco-context-skill-extraction — дообученная TechWolf/ConTeXT-Skill-Extraction-base модель Sentence Transformers на архитектуре MPNet. Она преобразует предложения и абзацы в плотные векторы размерности 768, которые можно сравнивать по косинусному сходству. Модель обучалась на парах текстов, связанных с профессиональными навыками и действиями, и предназначена для поиска и сопоставления таких формулировок. Модель подходит для семантического поиска навыков, сравнения описаний и извлечения похожих формулировок, а также для кластеризации и классификации текстов с использованием векторов. Максимальная длина последовательности — 512 токенов; для корректной работы можно использовать библиотеку Sentence Transformers. Веса представлены в формате safetensors. Карточка не указывает лицензию и конкретный перечень поддерживаемых естественных языков. Качество может зависеть от соответствия входных формулировок обучающим данным о навыках и профессиях; тексты длиннее лимита контекста требуют усечения или разбиения.

FernandoGPT-v1 — текстовая генеративная модель, созданная слиянием cookinai/CatMacaroni-Slerp и shadowml/Marcoro14-7B-slerp. Она предназначена для генерации продолжений текста и диалоговых сценариев на английском языке. Модель построена на архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст, поддерживая контекст до 32 768 токенов. Файлы весов представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не описывает отдельные специализированные области применения или результаты оценки качества.

lyssquant/GLM-5.2-Q2_K-MTP-Q8-layers — пакет слоёв GGUF для распределённого запуска GLM-5.2-Q2_K-MTP-Q8 в локальном кластере Mesh LLM. Репозиторий производен от meshllm/GLM-5.2-Q2_K-MTP-Q8-GGUF и разделяет исходную модель на отдельные артефакты по слоям. Указанный вариант использует Q2_K с MTP-Q8. Пакет предназначен для приватного локального вывода, распределения вычислений и памяти между несколькими машинами, а также обслуживания чата через совместимый с OpenAI локальный API. Для работы требуется Mesh LLM; карточка отсылает к исходной модели за сведениями об архитектуре, шаблоне чата и лицензии, поэтому условия использования здесь не уточняются.