I.2Синтез, понимание и проверка знаний

TopicNeuralHermes 2.5 Mistral 7B — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная дообучением teknium/OpenHermes-2.5-Mistral-7B. Разработчик отобрал подмножество данных DPO с помощью тематического моделирования: в обучающую выборку вошли темы, обнаруженные в принятых ответах ChatGPT, но не в отклонённых ответах Llama. Для дообучения использовано около одной шестой исходных данных. Модель предназначена для генерации текста и ответов в диалоге на разнообразные темы, включая общие знания, общественные и естественные науки, бизнес, образ жизни и анализ фильмов. Поддерживает контекст до 32 768 токенов; опубликована в формате safetensors и может запускаться через LM Studio и другие интерфейсы. Карточка не подтверждает, что модель специализирована на перечисленных темах или превосходит базовую модель. Лицензия — Apache-2.0.

featherless-ai-quants/v2ray-Llama-3-70B-GGUF — набор GGUF-квантизаций модели v2ray/Llama-3-70B, подготовленный featherless-ai-quants. Модель предназначена для генерации текста и может применяться в сценариях локального или серверного запуска языковой модели, включая диалоговые приложения, создание и преобразование текста, а также другие задачи text-generation. В репозитории доступны варианты IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0. Размеры указанных наборов составляют примерно от 25 до 72 ГБ. GGUF обеспечивает выбор компромисса между требованиями к памяти, скоростью работы и сохранением качества, однако конкретные характеристики зависят от выбранного варианта. README не указывает архитектурные детали, размер контекста, поддерживаемые языки и модальности; из названия и pipeline_tag следует, что это текстовая модель. Сильная сторона набора — наличие множества уровней квантизации для разного оборудования и требований к качеству. Ограничения включают значительные требования к памяти даже для наиболее компактных вариантов, а также отсутствие в README данных о сравнительных результатах, качестве, тонкой настройке и рекомендуемых параметрах запуска. Лицензия в предоставленных материалах не указана.

VerA-Etheria-55b — экспериментальная слитая модель генерации текста, созданная автором SteelStorage на основе brucethemoose/Yi-34B-200K-DARE-megamerge-v8. Автор описывает её как single-model passthrough merge в стиле Goliath; в метаданных архитектура указана как плотная LlamaForCausalLM, размер — 55,1 млрд параметров, а нативная длина контекста — 200 000 токенов. Модель предназначена для генерации текста и диалогов с длинным контекстом. Карточка описывает её как версию A и предварительный этап эксперимента: дальнейшие варианты с DARE-TIES или Slerp предполагались при достаточном качестве, но оценок качества и поддерживаемых языков README не приводит. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Модель экспериментальная, а не подтверждённый финальный вариант: README не сообщает результаты оценки качества или конкретные преимущества относительно базовой модели.

Vikhr-Llama-3.2-1B-Instruct — компактная инструктивная языковая модель команды Vikhr, дообученная методом SFT на 150 тысячах синтетических инструкций из русскоязычного набора GrandMaster-PRO-MAX. Она основана на Meta Llama 3.2 1B Instruct, имеет плотную архитектуру LlamaForCausalLM и содержит 1,2 млрд параметров. Модель предназначена для диалога и выполнения текстовых инструкций на русском языке; в метаданных также отмечена поддержка английского. Её можно применять для ответов на вопросы, создания и краткого изложения текстов. Интерфейс поддерживает чат и вызов инструментов. Модель рассчитана на запуск в условиях ограниченных ресурсов, включая слабые и мобильные устройства; авторы заявляют эффективность в пять раз выше базовой модели и размер до 3 ГБ. Метаданные указывают контекст до 131 072 токенов. Доступен формат Safetensors, а README ссылается на отдельную версию GGUF. Лицензия — Llama 3.2. Пример в карточке показывает ошибки и неточности в сгенерированном тексте, поэтому ответы могут требовать проверки; заявленная эффективность не сопровождается методикой измерения.

Webs-Sejong-31B-v7 — корейско-ориентированная мультимодальная модель компании WebsFactory, дообученная на Google Gemma 4 31B IT. Она использует плотную архитектуру Gemma 4 и содержит около 31 млрд параметров; веса доступны в формате safetensors, в README указана точность bfloat16. Модель принимает текст и изображения и генерирует текст. Основные сценарии — помощь на корейском языке, ответы на вопросы о знаниях и рассуждения в профессиональном и академическом контексте; также сохраняется поддержка английского. В README заявлено первое место на K-AI Leaderboard со средним результатом 0,624 на дату 5 июля 2026 года. Модель совместима с реализацией Gemma 4 в Transformers и рассчитана на работу с совместимыми средами обслуживания. Для весов в bfloat16 требуется около 62 ГБ памяти; оценка для квантизированных 4-битных весов — 20–24 ГБ, без учёта дополнительной памяти на контекст, пакетную обработку и изображения. Лицензия — Gemma. Модель может выдавать неверную или устаревшую информацию; результаты для целевых задач следует проверять, а ответы по медицинским, юридическим, финансовым вопросам и вопросам государственной политики требуют экспертного контроля.

YamshadowStrangemerges_32_ShadowYam — объединённая модель Mistral, созданная на основе automerger/YamshadowStrangemerges_32-7B и automerger/ShadowYam-7B. Она предназначена для генерации текста и поддерживает контекст длиной до 32 768 токенов. Модель содержит 7,1 млрд параметров, её веса доступны в формате Safetensors. Карточка не описывает специализацию по языкам или предметным областям и не приводит оценок качества. Модель распространяется по лицензии Apache 2.0.

Agnes-3.0-Flash abliterated GGUF — независимо модифицированный и сконвертированный в формат GGUF вариант модели Agnes-3.0-Flash, выпущенный 0xKitkat на базе исходной модели Agnes-AI/Agnes-3.0-Flash. Модель сохраняет примерно 33,1 млрд параметров и vision tower, поддерживает текстовые и визуальные входы и предназначена для сценариев image-text-to-text, включая локальный мультимодальный чат и анализ изображений. Заявлены английский и китайский языки. В GGUF представлены квантизованные варианты Q4_K_M, Q5_K_M, Q6_K и Q8_0. Архитектура адаптирована для вычислительного графа Qwen3.5 в llama.cpp; сохранены 72 decoder-блока, vision-блоки, неравномерное сопоставление key/value heads, gated attention, особенности нормализации и rotary-позиций. Для запуска рекомендуется актуальная сборка llama.cpp, контекст 4096 токенов, один параллельный запрос и отключённый режим reasoning. Для обработки изображений требуется отдельный F16 vision projector. К сильным сторонам относятся сохранённая мультимодальность, крупный размер исходной модели, возможность локального запуска без hosted API и несколько уровней квантизации для разного объёма памяти. Ограничения включают высокие требования к памяти и необходимость совместимого llama.cpp; производительность CPU-only и Metal для этого выпуска не измерялась. Вариант описан как abliterated и отличается от исходной модели изменением текстовых эмбеддингов и residual-output matrices, при этом веса vision tower сохранены. Распространяется по лицензии Apache-2.0.

teknium/airoboros-mistral2.2-7b — языковая модель Mistral, дообученная на наборе инструкционных данных Airoboros разработчиком Teknium. Она предназначена для генерации ответов на запросы и следования инструкциям в текстовом диалоге; формат запроса использует метки USER и ASSISTANT. Модель содержит 7,1 млрд параметров, построена на плотной архитектуре MistralForCausalLM и поддерживает контекст до 32 768 токенов. Карточка упоминает оценку TruthfulQA, но не приводит её результатов. Модель распространяется по лицензии MIT. Данные указывают на поддержку английского языка; иных языков карточка не подтверждает.

Amadeus-Verbo-BI-Qwen-2.5-32B-PT-BR-Instruct-Experimental — языковая модель на базе Qwen2.5-32B, дообученная разработчиками Amadeus AI на 600 тысячах инструкций за два эпоха. Модель предназначена для диалоговой генерации текста и следования инструкциям на бразильском португальском языке. Это плотная Transformer-модель с архитектурой Qwen2, 32 млрд параметров по метаданным (в README указано 32,5 млрд), контекстом до 131 072 токенов и весами в формате Safetensors. Для загрузки используется библиотека Transformers; карточка также отмечает интерфейс вызова инструментов. Модель может подойти для длинных диалогов и задач, где нужен бразильский вариант португальского. Лицензия — Apache-2.0. Опубликована как экспериментальная версия; качество и пригодность для конкретных приложений следует проверять на целевых данных. Карточка не приводит подробностей о составе обучающего набора или результатах оценки.

AstraGPT-7B — языковая модель на 7,1 млрд параметров от Aditya Wakharkar и Tantra AI Labs. Это плотный декодерный трансформер семейства Qwen2 с архитектурой Qwen2ForCausalLM; модель распространяется в формате safetensors и использует библиотеку Transformers. Контекст — до 32 768 токенов. Модель дообучена для диалогов и задач рассуждения методом LoRA на 193 841 синтетических примерах «инструкция — рассуждение — ответ». В README также описан собственный BPE-токенизатор с исходным словарём на 64 тысячи токенов, сопоставленным со словарём runtime на 152 тысячи. Модель ориентирована прежде всего на английский язык и генерацию ответов с пошаговыми рассуждениями; специальный режим рассуждения включается префиксом, указанным в шаблоне чата. Подходит для диалоговых ответов и задач, где полезна пошаговая аргументация. Ограничения — возможны ошибки в сложной многошаговой математике и длительных рассуждениях, а также уверенные, но неверные ответы; критические результаты следует проверять. Для работы с reasoning README рекомендует явно добавлять специальный префикс. Лицензия — Apache-2.0.

Athene-70B-IMat-GGUF — это квантованные версии языковой модели Athene-70B, разработанной Nexusflow. Репозиторий подготовлен legraphista в формате GGUF для запуска с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев; исходная модель описана как чат-модель с обучением RLHF. Заявленный язык — английский. В репозитории доступны варианты от BF16 и FP16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и ряда IQ-квантов. Для многих вариантов применена IMatrix-квантизация, призванная эффективнее сохранять качество при уменьшении размера; размеры файлов варьируются примерно от 26 до 141 ГБ. Исходный тип данных модели — BF16, квантизация выполнена с помощью llama.cpp версии b3483. Число параметров — 70 миллиардов. Модель подходит для локального инференса, текстового общения и генерации контента при наличии значительных вычислительных ресурсов и памяти. Основное преимущество репозитория — широкий выбор уровней квантизации, позволяющий выбирать компромисс между качеством, размером и требованиями к оборудованию. Ограничения включают ориентацию на английский язык, отсутствие в README сведений о контекстном окне, архитектурных деталях и мультимодальности, а также возможные потери качества в низкобитных вариантах. Распространение осуществляется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями, включая некоммерческий характер.

Aura-4o-Rebirth-Gemma-4-31B-Merged-GGUF — это квантованная версия модели Aura-4o-Rebirth-Gemma-4-31B-Merged, разработанная SevenOfNine и преобразованная в формат GGUF пользователем mradermacher. Модель предназначена для диалоговых сценариев и обработки изображений вместе с текстом, включая задачи image-text-to-text. В карточке указано, что основной язык — английский. Модель содержит около 31 млрд параметров и поддерживает мультимодальный ввод через дополнительный модуль mmproj. Доступны варианты квантования от Q2_K до Q8_0, а также IQ4_XS; размер файлов составляет примерно от 12 до 32,7 ГБ, не считая мультимодального дополнения. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди перечисленных. Сильной стороной модели является сочетание крупного размера, диалоговой специализации и мультимодальных возможностей, а разные уровни квантования позволяют выбирать компромисс между качеством, скоростью и требованиями к памяти. Ограничения включают значительные аппаратные требования, зависимость мультимодальной работы от отдельного mmproj-файла и отсутствие сведений о размере контекста, архитектурных деталях, результатах оценки и поддержке языков помимо английского. Распространение указано по лицензии Apache-2.0.

Aura-4o-Refresh-Gemma-4-31B-Merged-i1-GGUF — квантованная версия модели Aura-4o-Refresh-Gemma-4-31B-Merged, разработанной SevenOfNine и преобразованной в формат GGUF пользователем mradermacher. Модель основана на семействе Gemma 4, имеет заявленный размер 31 млрд параметров и предназначена для диалоговых сценариев и задач image-text-to-text, то есть может работать с текстом и изображениями. В метаданных указан английский язык. Репозиторий содержит набор вариантов квантования с разным размером и компромиссом между качеством, скоростью и требованиями к памяти. Среди них выделены i1-Q4_K_S как вариант с оптимальным соотношением размера, скорости и качества и i1-Q4_K_M как быстрый рекомендуемый вариант; для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Точный размер контекста и подробности архитектуры в README не указаны. Сильными сторонами модели являются мультимодальный формат, широкий выбор квантований и возможность локального запуска через совместимый стек GGUF. Ограничения включают возможное снижение качества у низкобитных вариантов квантования, а также отсутствие в README результатов тестирования, подробных сведений о производительности и полного описания поддерживаемых языков. Указанная лицензия — Apache-2.0.

BanglaLLM/BanglaLLama-3-8b-bangla-alpaca-orca-instruct-v0.0.1 — языковая модель BanglaLLM на архитектуре Llama для генерации текста и выполнения инструкций на бенгальском и английском языках. Это плотная причинная языковая модель объёмом 7,5 млрд параметров с контекстом до 8192 токенов; веса опубликованы в формате safetensors. Модель дообучена на наборе BanglaLLM/bangla-alpaca-orca поверх BanglaLLM/BanglaLLama-3-8b-unolp-culturax-base-v0.0.1, предварительно обученной на unolp/culturax. Модель предназначена для генерации ответов и продолжения текста, в частности для инструктивных запросов на бенгальском и английском языках. Карточка сообщает, что модель готова к инференсу и ориентирована на причинное языковое моделирование. В метаданных указана лицензия llama3; README отдельно называет GNU General Public License v3.0, поэтому условия лицензирования в источниках расходятся. Модель не проходила детоксикацию и может генерировать вредные или оскорбительные ответы; результаты следует проверять, особенно в публичных и чувствительных сценариях.

itsasjad/bart-cnn-samsum-finetuned — дообученная модель BART, созданная на основе facebook/bart-large-cnn. Она предназначена для генерации кратких пересказов текстов; название указывает на настройку для диалогов формата SAMSum, однако README не подтверждает состав обучающих данных или специализацию. Модель содержит 252,8 млн параметров, использует архитектуру BartForConditionalGeneration и принимает контекст до 1024 токенов. Модель подходит для экспериментов с суммаризацией статей и диалогов на английском языке. В README приведено значение loss 0,1657 на оценочной выборке, но описание набора данных, методики оценки и практического качества отсутствует. Лицензия — MIT.

Bielik-7B-Instruct-v0.1 — разговорная языковая модель SpeakLeash, созданная совместно с вычислительным центром ACK Cyfronet AGH. Это дообученная на инструкциях версия Bielik-7B-v0.1 с архитектурой Mistral и причинным декодером; модель содержит 7,1 млрд параметров и рассчитана на контекст до 4096 токенов. Она обучалась преимущественно на польских текстах и предназначена прежде всего для понимания польского языка и ответов на инструкции, а также для других языковых задач. Модель подходит для польскоязычных диалоговых помощников, ответов на вопросы и генерации текста. В обучении использовались вручную проверенные польские инструкции и англоязычные наборы OpenHermes-2.5 и orca-math-word-problems-200k; авторы отмечают, что разное качество инструкций ухудшило часть возможностей модели. Для запросов используется формат [INST]...[/INST]. Модель не имеет механизмов модерации, может выдавать фактически неверные, предвзятые или оскорбительные ответы, поэтому её выводы требуют проверки. Лицензия CC BY-NC 4.0 допускает некоммерческое использование.

ChatGLM-6B-INT4-QE-Slim — компактная по потреблению памяти версия диалоговой модели ChatGLM-6B, подготовленная командой THUDM. Она создана на основе ChatGLM-6B-INT4-QE: из словаря удалены 20 тысяч зарезервированных токенов изображений, которые не используются текстовой моделью. Остальная структура и заявленное качество сохранены, а при инференсе и дообучении требуется меньше памяти и вычислений для выходных логитов. Модель основана на архитектуре GLM и содержит 8,1 млрд параметров по метаданным; в README базовая ChatGLM-6B указана как модель с 6,2 млрд параметров. Весовые блоки, эмбеддинги и LM Head квантизованы до INT4. Модель рассчитана на диалог и ответы на вопросы на китайском и английском языках, а также может использоваться для извлечения признаков. README сообщает, что для INT4-инференса достаточно примерно 6 ГБ видеопамяти или оперативной памяти при запуске на CPU. Код распространяется по Apache-2.0, но для использования весов необходимо соблюдать отдельную лицензию модели. Указанная в README экономия памяти относится к удалению неиспользуемой части словаря; конкретные результаты и совместимость зависят от аппаратуры и программных зависимостей.

claimtrace — дообученная модель Qwen3-1.7B для учебных диалогов с учётом происхождения утверждений. Она разделяет сведения, которые ученик продемонстрировал в собственной работе, сообщил о себе или ещё не подтвердил, и завершает ответы строкой KNOWN / CLAIMED / UNCHECKED. Модель предназначена для сценариев, где важно не считать самоотчёт доказательством знания и отслеживать подтверждения в ходе разговора. Модель создана на базе Qwen/Qwen3-1.7B с помощью QLoRA: адаптеры обучались на 4-битной базе, а опубликованные объединённые веса получены слиянием адаптеров с bf16-базой. В карточке указаны архитектура Qwen3, 1,7 млрд параметров, контекст до 40 960 токенов и поддержка диалогов. В описанном тестировании версия показала соблюдение правил атрибуции в 0,78 случаев и формировала строку учёта в 100% случаев; результаты относятся к конкретному набору из 41 сценария. Остаются сбои при цитировании примеров из учебника, при раздельном управлении форматом ответа и строкой учёта, а также при незнакомых формулировках системной инструкции. При длительном давлении объединённые веса уступают адаптерам по устойчивости. Модель компактная, поэтому её предметные объяснения не следует считать основной сильной стороной. Лицензия — Apache-2.0.

Iker разработал эту модель как дообученную версию openchat/openchat-3.5-0106 на датасете NoticIA. Она предназначена для создания кратких пересказов статей по кликбейтным заголовкам на испанском языке. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; контекст — до 8192 токенов. Она поддерживает диалоговый интерфейс и работает с текстом. Модель подходит для краткого изложения новостных материалов и оценки содержания статьи, связанной с сенсационным заголовком. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и требует распространять производные работы на тех же условиях; коммерческое использование не разрешено.

AutoCyberAI разработала CRP Process Reward Model — классификатор на архитектуре DeBERTa-v3-large, дообученной для оценки отдельных шагов рассуждения. Модель получает исходную задачу и предыдущие шаги вместе с проверяемым шагом и присваивает ему метку VALID или INVALID: оценивает, следует ли он из контекста и согласуется ли с ним. Модель содержит 533,8 млн параметров, использует библиотеку Transformers и принимает контекст длиной до 512 токенов. Модель предназначена для проверки шагов рассуждения в составе CRP Verification Relay и может использоваться как дополнительный оценщик в конвейерах верификации. В README указаны held-out AUC 0,793 на тестовых шагах PRM800K и 8 правильных ответов из 10 на курируемых примерах. Лицензия в метаданных обозначена как other; точные условия следует проверить на странице модели.

CT-LLM-SFT-DPO — версия модели CT-LLM, дообученная командой M-A-P методом DPO на предпочтениях. Это плотная авторегрессионная языковая модель семейства Llama с 1,9 млрд параметров и контекстом до 4096 токенов. Репозиторий содержит веса в формате Safetensors. Модель предназначена для генерации ответов с улучшенным следованием предпочтениям и безопасностью. В обучении использованы открытые и синтетические наборы данных на китайском и английском языках: 183 тыс. пар предпочтений на китайском и 46 тыс. на английском. По данным авторов, модель превзошла ряд языковых моделей класса 2B на бенчмарке CValues и показала улучшение относительно CT-LLM-SFT на COPA, CMMLU, Hellaswag и TriviaQA. Модель подходит для диалоговых ответов, общих вопросов и генерации текста на китайском и английском языках. Авторы сообщают о назначении для академических исследований; результаты могут быть неточными или неподходящими, поэтому ответы требуют проверки. Лицензия репозитория — Apache-2.0.

microsoft/deberta-v2-xlarge-mnli — модель классификации текста от Microsoft, основанная на DeBERTa V2 и дообученная на задаче MNLI. Архитектура DeBERTa V2 использует раздельное представление содержимого и позиций в механизме внимания и улучшенный декодер маскирования; модель имеет 24 слоя, размер скрытого представления 1536 и около 1,1 млрд параметров по метаданным. Она принимает текстовые последовательности длиной до 512 токенов и выдаёт метки классификации. Модель предназначена прежде всего для распознавания отношений между посылкой и гипотезой, включая определение логического следования, противоречия или нейтрального отношения. Дообучение на MNLI также может быть полезной отправной точкой для задач понимания естественного языка, например классификации текстовых пар. В карточке приведены результаты для ряда контрольных наборов NLU, но они не описывают отдельную оценку этой версии на всех перечисленных задачах. Лицензия — MIT.

microsoft/deberta-v3-large — англоязычная модель понимания текста от Microsoft на архитектуре DeBERTa V3. Она использует раздельное представление содержимого и позиций в механизме внимания, улучшенный декодер маски и предобучение в стиле ELECTRA с разделением градиентов в эмбеддингах. Модель содержит 24 слоя, скрытый размер 1024 и словарь из 128 тысяч токенов; всего в репозитории указано 533,8 млн параметров. Максимальная длина контекста — 512 токенов. Основная задача модели — предсказание замаскированных токенов в английском тексте. Её также можно дообучать для задач понимания естественного языка, например классификации текста и ответов на вопросы; README приводит результаты на SQuAD 2.0 и MNLI. Доступны веса в форматах PyTorch и TensorFlow. Модель выпущена под лицензией MIT. Она предназначена для обработки текста и не генерирует свободный текст как диалоговая языковая модель; качество зависит от конкретной задачи и дообучения.

DeepSeek-R1-Distill-Qwen-7B-Uncensored-Reasoner-GGUF — это GGUF-версия дистиллированной 7-миллиардной модели рассуждений на базе Qwen, подготовленная h34v7 на основе модели nicoboss/DeepSeek-R1-Distill-Qwen-7B-Uncensored-Reasoner. Модель ориентирована на локальный запуск и генерацию ответов общего назначения с акцентом на рассуждения; README отдельно указывает возможность запуска на Android-устройствах с Snapdragon 8 Gen 2, Snapdragon 8 Gen 3 или Snapdragon Elite через Ollama и Termux. Для работы рекомендуется не менее 8,4 ГБ оперативной памяти, при этом на менее производительных устройствах возможна более низкая скорость. Ключевые сведения об архитектуре, точном размере файла, формате квантования, максимальном контексте, поддерживаемых языках и модальностях в README не приведены; по имеющимся данным, это текстовая языковая модель. В описании заявлена «uncensored»-настройка, однако её фактическое поведение и качество не подтверждены отдельными тестами. Модель распространяется по лицензии MIT.

Eclectic-Maid-10B-v2 — текстовая генеративная модель, созданная автором репозитория ND911 с помощью mergekit. Это слияние предварительно обученных языковых моделей методом passthrough; в конфигурации указаны слои Maid-Reborn-v22-10B. Модель построена на плотной архитектуре Mistral с причинной языковой моделью MistralForCausalLM, содержит 10,4 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста. README утверждает, что версия лучше исходной, но не приводит сравнительных результатов или подробностей о целевых сценариях. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

ERNIE-21B-A3B-Claude-4.5-High-OPUS-Thinking — текстовая MoE-модель Baidu, дообученная автором DavidAU на наборе рассуждений TeichAI/claude-4.5-opus-high-reasoning-250x. Модель предназначена для генерации текста общего назначения, компактных подробных рассуждений, творческого письма и диалогов. Архитектура использует 64 эксперта; в метаданных указано 3,3 млрд параметров, а базовая модель имеет контекст до 131 072 токенов. Карточка отмечает свободную манеру ответов, пригодность для мозгового штурма, прозы и сюжетов, а также стабильность рассуждений при разных настройках температуры. Модель принимает текст и генерирует текст; карточка и теги указывают английский язык. Лицензия — Apache-2.0. Автор предупреждает, что при низких квантизациях возможны циклические повторы; результаты зависят от параметров генерации.

EZO-Common-9B-gemma-2-it — компания AXCXEPT дообучила на базе Gemma-2-9B-it, применив несколько методов настройки для улучшения общих возможностей модели. Это плотная авторегрессионная модель семейства Gemma 2 с 9 млрд параметров, предназначенная для диалогов, следования инструкциям и генерации ответов. В карточке особо отмечено качество для задач на японском языке; также заявлена работа с разными языками и областями. Модель принимает текст и выдаёт текст, поддерживает чат-шаблон и имеет контекстное окно 8192 токена. Для обучения использованы инструкционные данные, подготовленные из отобранных материалов японской Википедии и FineWeb, с помощью обычного instruction tuning. Карточка описывает модель как экспериментальный прототип для исследований и разработок, не предназначенный для коммерческого применения или критически важных систем. Условия использования наследуются от Gemma Terms of Use.

ssmits/Falcon2-8B-Romanian — объединённая языковая модель семейства Falcon, созданная методом passthrough с помощью mergekit на основе ssmits/Falcon2-5.5B-Romanian. Она предназначена для генерации текста и диалогового общения на румынском языке; также подходит для ответов на вопросы и задач классификации текста. Модель использует плотную архитектуру FalconForCausalLM, содержит 11,8 млрд параметров и поддерживает контекст до 8192 токенов. Модель принимает текст и генерирует текст. Она распространяется по лицензии Apache-2.0. Карточка не сообщает о специализированной предметной области или известных ограничениях качества.

Fimbulvetr-V2-Kuro-Lotus — языковая модель, созданная автором репозитория gelukuMLG путём слияния предварительно обученных моделей методом SLERP с помощью mergekit. В слияние вошли Fimbulvetr-11B-v2 и Kuro-Lotus-10.7B; конфигурация указывает Kuro-Lotus-10.7B как базовую модель. Репозиторий содержит веса в формате safetensors с точностью bfloat16. Модель построена на плотной архитектуре Llama и предназначена для генерации текста. Её размер — 10,6 млрд параметров, длина контекста — 8192 токена. README не описывает специализированные сценарии использования или поддерживаемые языки, поэтому модель можно характеризовать только как генеративную языковую модель общего назначения.

freewheelin/free-solar-slerp-v0.3 — языковая модель для генерации текста, созданная автором репозитория методом слияния SLERP с помощью mergekit. В состав объединения вошли davidkim205/komt-solar-10.7b-sft-v5 и colable/LDCC-CCK-slerp; архитектура — плотная LlamaForCausalLM, размер — 10,7 млрд параметров, формат весов — safetensors. Модель рассчитана на генерацию текста и ответы на инструкции, поддерживает контекст до 4096 токенов. В базовой модели KOMT-Solar заявлена ориентация на корейский язык; README этой версии не уточняет языковой охват и сравнительные преимущества именно данного слияния. Репозиторий опубликован по лицензии MIT. Возможности и качество могут отличаться от компонентов, использованных при слиянии.