I.2Синтез, понимание и проверка знаний

BoldingBuilds/GLM-5.3-Flash-Uncensored-GGUF — экспериментальная квантованная версия GLM-5.3-Flash от zai-org. Автор изменил 666 из 12 384 маршрутизируемых экспертов, удалив компоненты, связанные с отказами, а затем выпустил модель в формате GGUF с квантованием IQ1_S. Размер файла составляет 71,5 GiB в двух частях, поэтому модель рассчитана на запуск примерно на одной видеокарте с 96 ГБ памяти. Это MoE-модель; точное общее число параметров и поддерживаемые языки в карточке не указаны. Для работы с изображениями доступен отдельный vision-проектор mmproj размером 1,13 ГБ, а текстовый режим его не требует. В измерениях использовался контекст 16 384 токена, однако максимальное окно контекста не заявлено. Модель предназначена для локального запуска через llama.cpp в текстовых и мультимодальных сценариях, включая генерацию ответов и программного кода. Для GLM-5.3-Flash требуется сборка llama.cpp с поддержкой этой архитектуры; в README указано использование PR #27754. Рекомендуются параметры temperature 0, seed 0, repetition penalty 1.1 и reasoning budget 1024, причём последний параметр особенно важен: без него модель может продолжать рассуждение и не успевать выдать ответ. Встроенные настройки штрафа за повторения снижают долю непригодных ответов. Главная особенность — существенно сниженная склонность к отказам: в описанных автором тестах доля отказов на вредоносных запросах составила 3,3% по ключевому классификатору и 4,2% по оценке StrongREJECT, а на безвредных запросах — 0%. При этом результаты ограничены собственным набором из 120 вредоносных и 120 benign-запросов и не являются универсальной оценкой качества. Модель использует очень агрессивное экспериментальное квантование примерно на 1,92 бита, поэтому возможны потери качества, ограниченная совместимость и деградация на сложных задачах. README также предупреждает о случаях достижения лимита вывода, особенно при настройках по умолчанию. Лицензия — MIT; при использовании следует учитывать отсутствие стандартных ограничений на отказы и связанные с этим риски безопасности.

Это GGUF-квантизированная версия FunctionGemma 270M IT, базовая модель которой разработана Google, а квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для локального запуска через llama.cpp, LM Studio и другие совместимые проекты, в частности для задач генерации текста и работы с функциями или инструментами. README не содержит подробного описания исходной архитектуры, набора языков, модальностей и размера контекста. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ. Они занимают примерно от 0,20 до 0,54 ГБ; более высокие уровни обычно сохраняют лучшее качество, а компактные варианты подходят для систем с ограниченным объёмом оперативной памяти. Для работы рекомендуется использовать указанный шаблон prompt format с ролями developer, user и model. Модель распространяется по лицензии Gemma; для доступа к исходной модели на Hugging Face требуется принять условия лицензии Google. Ограничения включают возможное снижение качества у более сильных вариантов квантизации, а также отсутствие в README точных сведений о языковой поддержке, контекстном окне и результатах оценки.

wls04 выпустил GPT-OSS-20B-Ducky-Add — дообученную с помощью TRL разговорную модель на базе openai/gpt-oss-20b. Она использует архитектуру GPT-OSS с разреженной MoE-структурой и предназначена для генерации текста в диалоге: например, пользователь задаёт вопрос, а модель формирует ответ. Модель доступна в формате safetensors для библиотеки Transformers; заявленная длина контекста — 131 072 токена, а метаданные указывают 1,6 млрд параметров. Карточка демонстрирует запуск через pipeline text-generation и генерацию ответа на вопрос. Подробности о данных дообучения, языках, оценке качества и лицензии в предоставленных источниках не приведены.

hindi-modernBERT — базовая предобученная модель с маскированным языковым моделированием, разработанная для текста на хинди. Это 149-миллионная плотная модель архитектуры ModernBERT, обученная с нуля примерно на 28 млрд токенов хинди; она использует BPE-токенизатор с 50 368 элементами и поддерживает контекст до 8192 токенов. Модель предназначена для предсказания замаскированных фрагментов и как основа для дообучения на задачах понимания текста. Чекпойнт показывает результаты на задачах распознавания именованных сущностей и классификации намерений на хинди. После отдельного дообучения с DPR его можно использовать для плотного поиска по коротким и длинным документам; сам базовый чекпойнт не является готовым ретривером. Для лучших результатов требуется нормализация текста письма деванагари, которую токенизатор автоматически не выполняет. Предобучение рассчитано только на хинди. Модель распространяется по лицензии Apache-2.0.

Huihui-Qwen3-VL-8B-Thinking-abliterated — мультимодальная модель Huihui AI на основе Qwen3-VL-8B-Thinking, изменённая методом abliteration. Обработка затронула текстовую часть модели, а визуальная часть не изменялась. Модель принимает текст и изображения и предназначена для диалога, анализа изображений и ответов на вопросы по ним; архитектура — плотная Qwen3-VL, библиотека — Transformers, веса доступны в формате safetensors. В базовой модели используется режим Thinking. По сравнению с исходной моделью у этой версии значительно снижены отказы на текстовой части, в том числе при описании и анализе изображений. Модель распространяется по лицензии Apache-2.0. Сниженная фильтрация безопасности может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты следует проверять.

InternVL3.5-4B-Instruct — мультимодальная модель семейства InternVL3.5, разработанная OpenGVLab и предназначенная для диалогового взаимодействия с изображениями и текстом. Это плотная архитектура InternVLChat, дообученная на базе OpenGVLab/InternVL3_5-4B-Pretrained; модель распространяется в формате safetensors и работает через Transformers. Модель подходит для вопросов по изображениям, визуального рассуждения, распознавания текста на изображениях, анализа нескольких изображений и диалоговых сценариев с визуальным контекстом. Семейство InternVL3.5 также заявляет возможности взаимодействия с графическими интерфейсами и агентные сценарии, однако README не уточняет их поддержку именно версией 4B-Instruct. Модель принимает изображения и текст и формирует текстовые ответы; контекстное окно и конкретный список поддерживаемых языков для этого чекпойнта не приведены. Авторы описывают для семейства улучшения рассуждений с помощью Cascade RL и ускорение обработки изображений через Visual Resolution Router, но количественные результаты в README относятся к семейству в целом. Модель выпущена под лицензией Apache-2.0. Как и другие мультимодальные генеративные модели, она может ошибаться в визуальных деталях и ответах; заявленные возможности семейства не гарантируют одинакового качества на версии 4B.

InternVL-Chat-V1-1 — мультимодальная модель OpenGVLab для диалога по изображениям и тексту. Её архитектура объединяет визуальный энкодер InternViT-6B с разрешением 448 × 448, MLP-проектор и внутреннюю чат-версию LLaMA2-13B; общий размер составляет 19 млрд параметров. Изображение кодируется в 256 визуальных токенов после операции pixel shuffle. Модель предназначена для ответов на вопросы об изображениях, визуального диалога и распознавания текста на изображениях. В этой версии улучшены OCR и поддержка китайских разговоров; карточка также показывает поддержку многоязычности. Можно вести текстовый диалог без изображения. Модель работает через Transformers и требует значительных вычислительных ресурсов; авторы предупреждают, что 4-битная BNB-квантизация может ухудшить понимание изображений, а результаты при работе с несколькими изображениями и видео слабы из-за недостатка обучающих данных. Лицензия — MIT.

jev2-legal — англоязычная Sentence Transformer модель, дообученная bwang0911 на базе sentence-transformers/all-mpnet-base-v2 на юридических наборах данных, включая COLIEE, Legal QA, Law StackExchange, CUAD QA, Privacy QA и материалы по судебным делам. Она кодирует предложения и абзацы в плотные векторы размерностью 768 и нормализует их; для сравнения используется косинусное сходство. Архитектура включает MPNet, усреднение токенных представлений и нормализацию. Метаданные указывают 136,7 млн параметров и контекст до 514 токенов, тогда как карточка модели задаёт максимальную длину последовательности 192 токена. Модель предназначена для семантического поиска по юридическим материалам, сопоставления вопросов с релевантными документами, оценки сходства текстов, поиска перефразировок и кластеризации. Карточка приводит результаты оценки на задачах поиска по юридическим документам и контрактам, но качество зависит от корпуса и сценария; модель создаёт эмбеддинги, а не готовые юридические ответы или заключения. Лицензия в предоставленных данных не указана.

Keiana-L3-Test6-8B-16 — разговорная языковая модель, созданная Kaoeiri слиянием моделей через LazyMergekit. В репозитории указаны Sao10K/L3-Solana-8B-v1 и Kaoeiri/Keiana-L3-Test4.7-8B-3; конфигурация также называет Kaoeiri/Keiana-L3-Test5.75-8B-13.5 базовой моделью. Архитектура — плотная LlamaForCausalLM с 7,5 млрд параметров; модель принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. Модель предназначена для диалоговой генерации текста. README предупреждает, что слияние обычно не тестировалось и может приводить к ошибкам словаря, поэтому качество ответов следует проверять. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий.

CarrotAI/ko-gemma-2b-it-sft — разговорная языковая модель, дообученная на основе google/gemma-2b-it. Это плотная модель семейства Gemma с 2,5 млрд параметров, рассчитанная на генерацию ответов в диалоге; пример в карточке показывает ответ на корейский запрос с кодом на Python. Модель предназначена для чат-ботов и систем вопросов и ответов, а также может генерировать объяснения и примеры кода. Поддерживаемые языки — корейский и английский; контекст — до 8192 токенов. Модель распространяется в формате safetensors для библиотеки Transformers. В карточке не приведена лицензия. Качество может зависеть от сложности задачи и формулировки запроса, поэтому пригодность для конкретного применения следует оценить отдельно.

Модель Null-Guard — дистиллированный и дообученный вариант LiquidAI/LFM2.5-230M, созданный для переноса части поведения Gemini 3.8 Flash в компактную модель для локального запуска. Она содержит около 221,2 млн параметров и использует плотную гибридную архитектуру LFM2: блоки коротких свёрток и блоки группового внимания с запросами (GQA). Заявленная длина контекста — 128 000 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая следование инструкциям, рассуждения и использование инструментов. Её небольшой размер ориентирован на запуск на CPU, мобильных NPU и маломощных устройствах. В карточке не приведены конкретные данные обучения и результаты оценки, поэтому качество переноса возможностей учителя подтвердить нельзя. Автор указывает ограничения базовой архитектуры в сложной математике, продвинутой генерации кода и длинных творческих текстах; дистилляция также не гарантирует переноса возможностей исходной модели на новые типы запросов. В метаданных указана лицензия «other», а README сообщает, что базовая модель распространяется по специальной лицензии lfm1.0 и что условия использования данных Gemini могут ограничивать распространение и коммерческое применение. Перед использованием производной модели следует проверить применимые условия обеих сторон.

LFM2.5-VL-1.6B — мультимодальная модель для работы с текстом и изображениями, разработанная Liquid AI и преобразованная сообществом litert-community в формат LiteRT-LM для локального запуска на устройствах через runtime Google LiteRT. Модель предназначена для сценариев on-device и edge-инференса, включая ответы на вопросы по изображениям, описание содержимого, OCR и другие задачи image-text-to-text. Она поддерживает одно изображение на запрос; изображение автоматически приводится к размеру 512×512 и представляется 256 визуальными токенами. В основе модели — гибридная текстовая архитектура LFM2 с 16 слоями, объединяющая gated short-convolutions и grouped-query attention; размер скрытого представления составляет 2048, словарь — 64 тысячи токенов. Используется крупная vision-башня SigLIP2 из 27 слоёв с размером скрытого представления 1152. Максимальный контекст KV-кэша — 4096 токенов. Доступны варианты квантования int8 и int4; размер int4-сборки составляет около 1,30 ГБ, int8 — около 1,81 ГБ. Поддерживаются CPU и GPU при использовании совместимого LiteRT-LM. Ключевое ограничение исходной сборки связано с ошибкой в vision-пути LiteRT-LM 0.16.0 и текущей основной ветке: модель фактически видит только верхнюю четверть изображения. Поэтому хорошо работают описание, вопросы о цветах и OCR крупных объектов, но позиционные задачи, подсчёт и перечисление объектов могут давать неверные ответы или приводить к деградации генерации. В репозитории доступна исправленная int4-сборка fixB, возвращающая модели полный видимый диапазон изображения, однако координатное распознавание остаётся ограниченным по сравнению с 3B-версией семейства. Модель распространяется по лицензии lfm-open-license-v1.0; дополнительные условия следует проверять в файле LICENSE репозитория.

Llama-2-7b-chat-hf_fictional_v1 — дообученная на наборе данных generator диалоговая языковая модель на архитектуре Llama с 6,6 млрд параметров. Она предназначена для генерации текста в формате общения с ассистентом; базовая модель рассчитана на ответы и диалог на английском языке. Модель принимает текст и выдаёт текст, а её контекст составляет 4096 токенов. Карточка не описывает особенности обучающих данных, результаты оценки или специфические преимущества версии. Модель распространяется в формате Safetensors. Лицензия в предоставленных данных не указана.

AIR-hl/Llama-3.2-1B-DPO — плотная авторегрессионная языковая модель семейства Llama 3.2, дообученная AIR-hl методом Direct Preference Optimization (DPO) для выравнивания ответов. Модель содержит 1,2 млрд параметров, принимает текст и генерирует текст; заявленное контекстное окно — 131072 токена. Карточка указывает поддержку диалогового применения и интерфейса вызова инструментов. Модель подходит для генерации ответов в диалогах и чат-ассистента. В качестве обучающих данных использован набор HuggingFaceH4/ultrafeedback_binarized, а для обучения — TRL. В README приведены метрики обучения: итоговая потеря 0,5375, точность 0,7188 и reward margin 0,7227; они сами по себе не гарантируют качество в конкретном сценарии. Лицензия — llama3.2; применяются условия лицензии семейства Llama 3.2.

Llama-3-8B-Dolphin-Portuguese-v0.2 — разговорная языковая модель на архитектуре Llama, опубликованная adalbertojunior. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; для диалога она отмечена как conversational и поддерживает чат. Контекст — до 8192 токенов. Модель обучена на переведённой версии набора данных Dolphin и ориентирована на генерацию ответов в диалоге на португальском языке. Она может использоваться для создания чат-ботов и ответов на текстовые запросы. Указанная лицензия в предоставленных данных не приводится.

KKHYA/llavaqwen3-1.7b-finetune-moe-4e-2k-sd4p_20260809_185043 — дообученная модель семейства MoELLaVAQwen3 на базе KKHYA/llavaqwen3-1.7b-finetune. Она содержит 1,7 млрд параметров и предназначена для генерации текста и диалогов; в метаданных также отмечен интерфейс вызова инструментов. Модель работает через Transformers и опубликована в форматах PyTorch и Safetensors. Карточка не описывает обучающий датасет, специализированные сценарии или результаты оценки. Контекст модели составляет 40 960 токенов. Лицензия — Apache-2.0.

SpirinEgor разработал Mamba-1.4B-ru — предобученную языковую модель для генерации текста на архитектуре Mamba. Она содержит около 1,34 млрд параметров по README; в метаданных Hugging Face указано 1,7 млрд. Модель обучалась более чем на 1 трлн токенов, преимущественно на русском и английском тексте, а также на коде и многоязычных данных. Размер словаря — 32 768 токенов; длина обучающих последовательностей составляла 2048 токенов. Модель предназначена для продолжения текста и генерации ответов на русском и английском языках. Это базовая предобученная модель без дообучения на следование инструкциям, поэтому для диалоговых сценариев может потребоваться дополнительная настройка. По README, результаты на английском слабее, чем на русском, а качество может уступать моделям с 7 млрд параметров. Репозиторий распространяется по лицензии Apache-2.0.

MedCPT Article Encoder — модель-кодировщик текстов из серии MedCPT, разработанной Computational Biology Branch при NCBI/NLM. Она преобразует биомедицинские статьи, включая заголовки и аннотации PubMed, в векторы размерности 768 для семантического поиска, кластеризации и сравнения статей. Архитектура — BERT; модель содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. Кодировщик обучен на 255 млн пар поисковых запросов и статей PubMed. Его векторы находятся в общем пространстве с векторами MedCPT Query Encoder, поэтому их можно использовать для поиска статей по запросам при совместном применении двух кодировщиков. Также доступны сценарии кластеризации и поиска статей по другим статьям. Для клинических решений результаты требуют проверки специалистом. Лицензия указана как other; README не уточняет её условия.

Карточка модели mergekit-community/mergekit-slerp-egyyxzs на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

mirrorqwen2.5-0.5b-ORPO-1 — компактная языковая модель семейства Qwen2, разработанная автором rawsh и дообученная на базе rawsh/mirrorqwen2.5-0.5b-SFT с использованием TRL. Модель предназначена для генерации текста и диалоговых ответов; карточка показывает пример запуска через Transformers с сообщением пользователя в формате чата. Модель содержит 494 млн параметров и поддерживает контекст до 32 768 токенов. В репозитории указаны веса SafeTensors. Карточка не описывает датасеты, языковую специализацию или лицензию, поэтому эти характеристики не приводятся.

pbevan11/Mistral-Nemo-MCAI-SFT-DPO — разговорная языковая модель на архитектуре Mistral, дообученная разработчиком pbevan11 методом DPO на наборах multilingual-constitutional-preference-pairs и ultrafeedback_binarized_multilingual. Она предназначена для генерации текста в диалогах и формирования ответов с учётом предпочтений, отражённых в обучающих данных. Модель содержит 12,1 млрд параметров, принимает текст и выдаёт текст; заявленный контекст составляет до 1 024 000 токенов. В README приведены метрики оценки на тестовой выборке, включая точность предпочтений 0,7466, но подробности протокола оценки не описаны. Модель распространяется под лицензией Apache-2.0. Карточка не описывает конкретные области применения и ограничения качества; результаты могут зависеть от языка и сценария использования.

llm-semantic-router/mmbert-embed-finance — дообученная модель Sentence Transformers на архитектуре ModernBERT с 306,9 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения сходства текстов, поиска перефразировок, кластеризации и классификации. Модель рассчитана на работу с текстами до 32 768 токенов; сходство векторов можно оценивать косинусной мерой. Доступны веса Safetensors и формат ONNX. Модель ориентирована на финансовые тексты: примеры обучающих данных содержат вопросы и ответы о финансовой отчётности компаний. Она подходит для поиска по финансовым документам и группировки похожих запросов и фрагментов. Модель наследует мультиязычную основу mmbert-embed-32k-2d-matryoshka; в карточке не перечислены конкретные поддерживаемые языки. Лицензия в предоставленных данных не указана.

MN-12B-Starcannon-v2 — объединённая разговорная языковая модель от nothingiisreal на архитектуре Mistral с 12,1 млрд параметров. Она создана методом TIES с помощью mergekit на основе nothingiisreal/MN-12B-Celeste-V1.9 и intervitens/mini-magnum-12b-v1.1. Модель предназначена для генерации текста и диалогов, в том числе более творческих и подробных ответов. Карточка характеризует её как более творческую и многословную по сравнению с mini-magnum; метаданные указывают поддержку чата. Для хранения указаны safetensors, а в карточке также упомянуты варианты Dynamic FP8, GGUF и EXL2. Заявленная длина контекста — 1 024 000 токенов. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества; её заявления о стиле ответов субъективны.

ZhangYuchi/modelbest-Qwen-2.5-Omni-7B-SFT-with-DPO — мультимодальная модель семейства Qwen2.5-Omni, разработанная ZhangYuchi. Это полнопараметрическая DPO-настройка SFT-модели для бенчмарка OmniGAIA и агентных вопросов с несколькими ходами и использованием инструментов. Модель предназначена для рассуждений по видео, аудио и изображениям, а также для работы с внешними инструментами поиска и анализа медиа. Модель основана на Qwen/Qwen2.5-Omni-7B; веса сохранены в формате safetensors. README указывает, что это checkpoint-60, обученный на парах предпочтений из собственных траекторий SFT-модели; использовано 962 пары из семи из восьми частей данных. Метаданные указывают языки английский и китайский, библиотеку Transformers и лицензию Apache-2.0. Базовая модель поддерживает диалог с текстом, изображениями, аудио и видео и может выдавать текстовые и речевые ответы. Модель подходит для мультимодальных вопросов и ответов с применением инструментов, включая поиск в интернете и активное восприятие медиа. Результаты OmniGAIA зависят от случайного seed и траекторий использования инструментов; улучшение от DPO не проявляется на каждом seed. README также отмечает ошибки восприятия длинного аудио и визуальных объектов, дрейф веб-поиска и зависимость оценок от LLM-судьи. Модель наследует ограничения базовой Qwen2.5-Omni-7B.

Motif 3 Base — базовая предварительно обученная языковая модель компании Motif Technologies. Это собственная decoder-only архитектура Mixture-of-Experts: в README указаны 314 млрд параметров всего и 13,2 млрд активных на токен, тогда как метаданные Hugging Face указывают 11 млрд параметров; размер противоречив и требует сверки. Архитектура включает Grouped Differential Latent Attention, модифицированные manifold-constrained hyper-connections и экспертно-специфичную PolyNorm. Модель принимает текст, а её нативное контекстное окно составляет 262 144 токена. Модель предназначена для продолжения предобучения, дообучения под конкретные задачи, дистилляции и исследований представлений. Она обучена на данных общего назначения, включая веб-тексты, STEM, код, математику и многоязычные корпуса; в README отмечен дополнительный акцент на корейском языке, рассуждениях, праве и финансах. Контрольная точка не прошла инструкционное дообучение или выравнивание, поэтому рассчитана на текстовое продолжение, а не на диалоговое использование без дополнительной настройки. Весы опубликованы в формате safetensors под лицензией MIT. Без настройки модель может выдавать фактически неверные, предвзятые или небезопасные ответы; для развёртывания нужны дообучение, оценка и меры безопасности.

mPLUG-Owl3-7B-241101 — мультимодальная модель семейства mPLUG-Owl3, разработанная командой авторов проекта mPLUG-Owl. Она предназначена для диалога и понимания изображений, последовательностей изображений и видео. Архитектура — плотная модель с 7,1 млрд параметров; заявленная длина контекста составляет 32 768 токенов. Ключевая особенность семейства — механизм Hyper Attention: авторы сообщают об ускорении понимания длинных визуальных последовательностей в шесть раз и обработке последовательностей до восьми раз длиннее. README также заявляет сохранение качества на задачах с одним и несколькими изображениями и видео. В карточке указана поддержка английского языка и чат-возможности. Лицензия — Apache-2.0.

Muslim-6B-v3-i1-GGUF — это набор квантизированных GGUF-версий языковой модели Muslim-6B-v3, разработанной NightPrince и квантизированной mradermacher. Модель предназначена для генерации текста, включая сценарии на арабском и английском языках, а также задачи, связанные с исламской тематикой. В метаданных также заявлена поддержка tool-calling и наличие компонентов LoRA и PEFT в исходной модели. Модель относится к causal language models, построена на архитектуре Qwen3 и содержит около 6 миллиардов параметров. Представлены различные варианты квантизации i1, включая IQ1–IQ4, Q2–Q6 и другие форматы, с размером файлов примерно от 1,6 до 5 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; в README рекомендован вариант i1-Q4_K_M как быстрый, а i1-Q4_K_S назван оптимальным по соотношению размера, скорости и качества. Контекстное окно, мультимодальные возможности и точные характеристики tool-calling не указаны. Модель подходит для локального запуска и генерации двуязычного текста, особенно в арабоязычных и исламских прикладных сценариях. Ограничения включают зависимость качества от выбранного уровня квантизации и отсутствие в предоставленных данных бенчмарков или подробного описания поведения модели. Распространение указано по лицензии Apache-2.0.

bebechien/my-embeddinggemma-news-vibe — дообученная автором репозитория модель Sentence Transformer на базе google/embeddinggemma-300m, предназначенная для получения эмбеддингов текста. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Максимальная длина последовательности — 2048 токенов. Модель подходит для семантического поиска, сравнения текстов, поиска перефразировок, классификации и кластеризации. В README показано дообучение на пяти примерах с темами новостей и меткой MY_FAVORITE_NEWS, поэтому пригодность полученных векторов для более широких задач может быть ограничена малым объёмом тренировочных данных. Модель опубликована в формате safetensors и использует библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

Это квантованная в формате GGUF версия NVIDIA Nemotron Nano 12B v2 VL, подготовленная brunopio из модели nvidia/NVIDIA-Nemotron-Nano-12B-v2-VL-BF16 с помощью llama.cpp и GGUF-my-repo. Мультимодальная модель с поддержкой чата и зрения предназначена для диалога по изображениям и визуальных вопросов и ответов; базовая модель также описана как подходящая для анализа документов и понимания видео. Репозиторий рассчитан на запуск через llama.cpp, включая CLI и сервер. Метаданные указывают формат GGUF BF16, однако имя репозитория содержит Q4_K_M; README не уточняет, какой именно вариант квантования лежит в репозитории. Лицензия отмечена как other, поэтому условия следует сверить с карточкой базовой модели и файлами репозитория.

OCR-robust-gte-multilingual-base — многоязычная модель эмбеддингов Impresso, полученная дообучением Alibaba-NLP/gte-multilingual-base. Она преобразует предложения и абзацы в плотные векторы размерности 768 и специально адаптирована к шумам OCR в текстах на немецком и французском языках. Модель предназначена для семантического поиска, кластеризации и продольного анализа коллекций библиотек и архивов, особенно в Центральной Европе. Модель использует архитектуру Sentence Transformers, содержит 305,3 млн параметров и поддерживает контекст до 8192 токенов. Для обучения применялся контрастивный подход с MultipleNegativesRankingLoss и косинусным сходством. Репозиторий распространяется по лицензии AGPL-3.0. В README указано, что результаты оценки модели будут добавлены позднее.