I.2Синтез, понимание и проверка знаний

Llama-3-8B-Instruct-Portuguese-v0.3 — языковая модель на архитектуре Llama, предназначенная для генерации текста на португальском языке. Модель содержит 7,5 млрд параметров, использует формат Safetensors и поддерживает контекст до 8192 токенов. В карточке указан датасет adalbertojunior/openHermes_portuguese. Модель можно применять для генерации ответов и диалогового текста на португальском языке. Она создана на основе семейства Llama 3 и ориентирована на инструкции, однако доступные сведения не уточняют способ её обучения или конкретные результаты оценки качества. Лицензия в предоставленных данных не указана.

ZeroXClem/Llama-3-8B-ProLong-SAO-Roleplay-512k — экспериментальное слияние моделей на архитектуре Llama 3, созданное ZeroXClem с помощью MergeKit. Оно объединяет длинный контекст Princeton NLP Llama-3-8B-ProLong-512k-Instruct с ролевыми и творческими возможностями L3-bluuwhale-SAO-MIX-8B-V1_fp32-merge-calc. Модель предназначена для продолжительных диалогов, ролевых сценариев, интерактивной прозы, написания текстов и ответов на инструкции. Модель содержит около 7,5 млрд параметров, принимает и генерирует текст и заявлена для контекста до 524 288 токенов. В README также описаны обучение ProLong на длинных последовательностях и UltraChat для диалогового поведения. Модель распространяется по лицензии Apache-2.0. Автор предупреждает, что слияние тщательно не тестировалось и считается экспериментальным. Качество и устойчивость поведения на длинном контексте не гарантированы; заявленная длина контекста не означает, что каждое развертывание сможет эффективно её использовать.

Llama-3-DARE-8B — диалоговая языковая модель на архитектуре Llama, созданная Mlabonne с помощью LazyMergekit. Веса получены слиянием Meta-Llama-3-8B и Meta-Llama-3-8B-Instruct методом DARE-TIES; конфигурация использует маску int8 и формат bfloat16. В репозитории заявлено 7,5 млрд параметров, контекст — 8192 токена. Модель предназначена для диалоговой генерации текста: она принимает текстовые запросы и формирует текстовые ответы. Карточка указывает на английскую основу Meta-Llama-3-8B-Instruct, поэтому модель подходит для англоязычного общения и генерации текста. Лицензия в метаданных обозначена как other; конкретные условия следует сверять с лицензией базовой модели и репозитория.

LLaMA3-iterative-DPO-final-ExPO — языковая модель семейства LLaMA 3, разработанная с применением метода ExPO из работы «Weak-to-Strong Extrapolation Expedites Alignment». Это плотная авторегрессионная модель на 7,5 млрд параметров с контекстом до 8192 токенов, представленная в формате safetensors и предназначенная для диалоговой генерации текста на английском языке. Модель получена экстраполяцией с коэффициентом alpha = 0,3 весов SFT- и DPO/RLHF-чекпойнтов: RLHFlow/LLaMA3-iterative-DPO-final и RLHFlow/LLaMA3-SFT. Она ориентирована на ответы в чате и лучшее соответствие человеческим предпочтениям; в README приведены результаты оценок на AlpacaEval 2.0 и MT-Bench для ряда моделей после применения ExPO. Модель доступна по лицензии llama3. В карточке показана англоязычная поддержка; сведения о других языках или дополнительных режимах ввода не приведены.

Карточка модели unsloth/Llama-4-Scout-17B-16E на Hugging Face совпадает с карточкой meta-llama/Llama-4-Scout-17B-16E, поэтому описание составлено по ней. Llama 4 Scout — мультимодальная авторегрессионная модель Meta с архитектурой mixture-of-experts и ранним объединением модальностей. В модели 17 млрд параметров и 16 экспертов; она предназначена для работы с текстом и изображениями. Модель подходит для диалогового помощника, визуального рассуждения, распознавания содержимого изображений, создания подписей и ответов на вопросы об изображениях. Поддерживает арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский языки. В README указано, что модель тестировалась на понимание до пяти изображений за один запрос. Модель распространяется по специальной коммерческой лицензии Llama 4 Community License Agreement с ограничениями Acceptable Use Policy. Это статическая модель, обученная на офлайн-данных; качество ответов и работу в конкретных сценариях следует проверять отдельно. Возможности понимания изображений сверх пяти изображений за запрос требуют дополнительного тестирования и настройки.

Это инструктивная языковая модель LLM-jp — совместного проекта, запущенного в Японии. Модель построена на архитектуре Llama с плотной трансформерной сетью и содержит 13,2 млрд параметров; она предназначена для генерации текста и диалогового взаимодействия по инструкциям. Модель дообучена на японских и английских инструкционных и диалоговых данных, включая ichikara-instruction, Dolly и OpenAssistant. Она подходит для ответов на вопросы, выполнения текстовых инструкций и ведения диалога на японском и английском языках. Контекст составляет 4096 токенов; для работы используется формат Transformers и библиотека Transformers. Разработчики предупреждают, что модель находится на раннем этапе исследований и разработок и не настроена для надёжного следования человеческим намерениям или требованиям безопасности. Лицензия — Apache-2.0.

llm-jp-3-7.2b-instruct3 — текстовая генеративная модель из серии LLM-jp-3, разработанной Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотный трансформер семейства Llama с 6,9 млрд параметров, обученный на смеси данных объёмом 2,1 трлн токенов и донастроенный для следования инструкциям с помощью supervised fine-tuning и Direct Preference Optimization. Модель предназначена для диалогов, ответов на инструкции и генерации текста. В обучающих и инструкционных данных особое внимание уделено японскому языку; метаданные также отмечают английский. Контекст составляет 4096 токенов. Репозиторий содержит веса в формате Safetensors для Transformers. Разработчики предупреждают, что модели серии находятся на раннем этапе исследований и разработок и не были полностью настроены на соответствие человеческим намерениям и требованиям безопасности. Модель распространяется по лицензии Apache-2.0.

kiddothe2b/longformer-base-4096 — языковая модель Longformer для работы с длинными документами. Она основана на RoBERTa-base и была дополнительно предобучена авторами работы об иерархических трансформерах для классификации длинных документов. Модель содержит 151,8 млн параметров и обрабатывает последовательности длиной до 4096 токенов; сочетает локальное скользящее внимание с настраиваемым глобальным вниманием. Модель выполняет заполнение пропусков в тексте (masked language modeling) и предназначена прежде всего для дообучения под задачи, использующие весь документ: классификацию документов, классификацию последовательностей предложений и ответы на вопросы. Поддерживаемый язык — английский. Обучение продолжалось 50 тысяч шагов на длинных последовательностях из датасета C4. Предсказания могут быть смещёнными из-за неотфильтрованных данных из интернета. Лицензия — CC BY-SA 4.0.

M1k4ri-7b — объединённая языковая модель от Smuggling1710 для генерации текста. Она создана с помощью LazyMergekit методом slerp из моделей Smuggling1710/M1k4-7b и Smuggling1710/Ak4ri-7b. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и принимает текстовый ввод, генерируя текст. Максимальная длина контекста — 32 768 токенов. Карточка не описывает специализированные области применения, поддерживаемые языки, качество или дополнительные возможности. В репозитории представлены веса Safetensors. Лицензия в предоставленных данных не указана.

maid-yuzu-v3-alter — языковая модель, созданная автором карточки слиянием предварительно обученных моделей с помощью mergekit и метода DARE TIES. В качестве базовой модели использована smelborp/MixtralOrochi8x7B; в слияние также вошли NousResearch/Nous-Hermes-2-Mixtral-8x7B-DPO и ycros/BagelMIsteryTour-v2-8x7B. Модель предназначена для генерации текста. Она построена на архитектуре Mixtral с разреженной экспертной структурой MoE, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка не описывает специальные предметные сценарии или языки применения. Модель опубликована в формате safetensors. Сведения о лицензии и конкретных ограничениях использования в предоставленных данных отсутствуют.

MeliodasPercival_01-7B — автоматически объединённая модель для генерации текста, созданная Maxime Labonne на основе AurelPx/Meliodas-7b-dare и AurelPx/Percival_01-7b-slerp. В README указан метод слияния SLERP и тип точности bfloat16; архитектура — плотная Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Карточка не приводит отдельных оценок качества или подробного описания языковой специализации. Распространяется под лицензией Apache-2.0.

Карточка модели mergekit-community/mergekit-ties-itmchpd на Hugging Face совпадает с карточкой mergekit-community/mergekit-ties-cmdmayc, поэтому описание составлено по ней. mergekit-community/mergekit-ties-cmdmayc — языковая модель на основе архитектуры Mistral, полученная объединением весов методом TIES с помощью mergekit. В объединение вошли mistralai/Mistral-7B-v0.1 в качестве базовой модели, mistralai/Mistral-7B-Instruct-v0.2 и BioMistral/BioMistral-7B. Модель содержит 7,1 млрд параметров, использует формат Safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов на инструкции в диалоговых сценариях. Включение BioMistral указывает на связь с биомедицинской тематикой, однако карточка не описывает специализированные медицинские возможности или результаты оценки качества. Модель выпущена 17 апреля 2024 года; условия лицензии в предоставленных данных не приведены.

Модель vlada22/Meta-Llama-3.1-8B-Instruct-finki-edu-5c разработана Влатко Николoвски и дообучена на базе unsloth/Meta-Llama-3.1-8B-Instruct-bnb-4bit для задач высшего образования. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации, улучшения и предварительной оценки экзаменационных вопросов с учётом учебных целей, ясности формулировок и сложности. Модель поддерживает диалоговый режим и контекст до 131 072 токенов. В обучении использовались категории экзаменационных вопросов и уровни когнитивных задач по таксономии Блума; карточка указывает английский язык. Модель может помогать преподавателям готовить и рецензировать задания, но её оценки требуют проверки человеком, особенно при принятии важных образовательных решений. Возможны смещения из обучающих данных, а специализация на экзаменационных сценариях ограничивает применение в других областях. Лицензия — Apache-2.0.

MoritzLaurer/MiniLM-L6-mnli — англоязычная модель классификации последовательностей на базе MiniLM-L6 от Microsoft, дообученная на датасете MultiNLI для распознавания отношений между посылкой и гипотезой. Она подходит для классификации текста по заданным категориям методом zero-shot: категории можно задавать естественно-языковыми описаниями без отдельного обучения на этих метках. Модель построена на архитектуре BERT, содержит 25,9 млн параметров и обрабатывает входы длиной до 512 токенов. В README указана точность 0,814 на тестовой выборке MultiNLI matched. Компактность обеспечивает высокую скорость, но точность несколько ниже, чем у более крупных моделей. Для развёртывания доступна версия в формате PyTorch; лицензия в предоставленных данных не указана.

MiniMax-M2.5-UNCENSORED-JANG_2L — производная модель MiniMaxAI/MiniMax-M2.5, подготовленная Jinho Jang. Это языковая модель с архитектурой MiniMax M2 MoE и интерфейсами чата и вызова инструментов. В README указаны 230 млрд параметров, 256 экспертов и около 10 млрд активных параметров на токен; смешанная квантизация JANG_2L задаёт 8 бит для внимания, 6 бит для эмбеддингов и 2 бита для экспертов. Метаданные указывают 2,9 млрд параметров, поэтому оценку размера из README следует считать расходящейся с ними. Для хранения требуется около 63 ГБ; формат JANG поддерживается MLX Studio и пакетом jang-tools на Apple Silicon. Контекст — 196 608 токенов. Модель предназначена для генерации ответов в чате, рассуждений и работы с инструментами. README также описывает CRACK — изменение весов, удаляющее отказы, связанные с защитными настройками; это может позволить получать вредоносные или опасные ответы. В README приведены результаты тестов MMLU и HarmBench, но они не являются независимой оценкой качества. Лицензия в метаданных — Apache-2.0; модель рассчитана на английский, китайский и корейский языки.

Ministral-3-14B-Reasoning-2512-Uncensored-GGUF — GGUF-квантизированная версия дообученной модели Ministral-3-14B-Reasoning-2512-Uncensored, разработанная ccharnkij на базе модели Mistral AI Ministral-3-14B-Reasoning-2512. Модель предназначена для генерации текста, задач рассуждения и мультимодального понимания изображений вместе с текстом. Модель имеет размер 14 млрд параметров и поддерживает работу с текстом и изображениями. Для анализа изображений необходимо одновременно загружать файл модели GGUF и соответствующий файл mmproj. В README указан английский язык; сведения о размере контекстного окна и точной архитектуре отсутствуют. Формат GGUF ориентирован на локальный запуск в совместимом программном обеспечении, однако конкретные требования к оборудованию не указаны. Ключевая особенность версии — дообучение с неконтент-фильтрованными ответами, что может расширять диапазон генерируемых ответов, но также повышает риски нежелательного или небезопасного содержания. Модель заявлена для исследовательских и образовательных целей. Распространяется по лицензии Apache 2.0.

Multi Master 7B — языковая модель, созданная ibivibiv на основе openchat/openchat-3.5-0106. Разработчик дообучил её с помощью LoRA на наборе данных в стиле Alpaca по нескольким дисциплинам, а затем объединил адаптер с основной моделью. Это модель Mistral для генерации текста с поддержкой диалогового режима; для запросов используется шаблон с разделами Instruction и Response. Модель предназначена для ответов на инструкции и задач из разных дисциплин на английском языке. Она содержит 7,1 млрд параметров, принимает текст и поддерживает контекст длиной до 8192 токенов. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0. В README нет результатов бенчмарков: оценить качество и надёжность ответов по представленным данным нельзя.

benhaotang/nemo-math-science-philosophy-12B — объединённая диалоговая языковая модель на архитектуре Mistral, созданная с помощью mergekit методом TIES. В объединение вошли nbeerbower/mistral-nemo-wissenschaft-12B и EpistemeAI/Mistral-Nemo-Instruct-12B-Philosophy-Math; базой при слиянии служила anthracite-org/magnum-v2.5-12b-kto. Модель содержит 12,1 млрд параметров и предназначена для генерации текста в диалоге, включая ответы и инструкции с тематическим уклоном в математику, естественные науки и философию. Карточка приводит шаблон Ollama для обмена сообщениями в формате инструкций. В метаданных заявлена длина контекста 1 024 000 токенов. Модель распространяется в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

Nexarivo-1 — разговорная языковая модель примерно на 7,1 млрд параметров, созданная Indrajit4533 для экосистемы Nexarivo AI. Это причинная трансформерная модель семейства Mistral, предназначенная для генерации текста и экспериментов с чат-ботами, ассистентами и агентными сценариями. Модель принимает текст и выдаёт текст; в карточке заявлена поддержка английского языка и контекст до 32 768 токенов. Модель подходит для прототипирования диалоговых приложений, черновиков и переписывания текстов, суммаризации, структурированной генерации и исследовательских сценариев. Карточка упоминает 4-битное использование для снижения требований к памяти; метаданные репозитория указывают формат safetensors. Формальные результаты бенчмарков не приведены, поэтому качество для конкретных задач не подтверждено. Информация о лицензии отсутствует.

HoangQuocViet25/nlp-btl-wikilingua-b — модель суммаризации на основе архитектуры T5, дообученная на наборе данных WikiLingua. Она предназначена для создания кратких изложений текстов на вьетнамском языке. Модель содержит 126,8 млн параметров, использует формат safetensors и рассчитана на контекст до 512 токенов. Базовая модель — VietAI/vit5-base, предварительно обученная для генерации текста на вьетнамском языке. Модель распространяется по лицензии MIT. Карточка не содержит дополнительных сведений о качестве суммаризации или ограничениях применения.

NorBERTo-base — предварительно обученный текстовый энкодер ModernBERT для бразильского португальского языка, разработанный Itaú Unibanco и ICTi. Модель содержит около 149 млн параметров и обучена на корпусе Aurora-PT объёмом 331 млрд токенов. Основная задача модели — предсказывать пропущенные токены в тексте. Её также можно применять для получения текстовых эмбеддингов и адаптировать под задачи классификации, семантического сходства и текстового следования. Контекст поддерживает до 8 192 токенов; в архитектуре используются эффективное локально-глобальное внимание и RoPE. В карточке сообщается о результатах на португалоязычных бенчмарках PLUE и ASSIN 2. Это базовая предобученная модель, а показатели для отдельных задач могут относиться к дообученным вариантам. Лицензия CC BY-NC-SA 4.0 требует атрибуции, распространения производных материалов на тех же условиях и не допускает коммерческого использования.

Это набор GGUF-квантизаций языковой модели OpenReasoning-Nemotron-32B, разработанной NVIDIA и преобразованной пользователем bartowski для запуска в llama.cpp и совместимых приложениях. Модель предназначена для генерации текста и локального использования в средах вроде LM Studio, а также в других проектах на базе llama.cpp. В README указано, что исходная модель имеет размер 32B параметров; сведения об архитектуре, языках, мультимодальности и размере контекста не приведены. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 14,39 до 65,54 ГБ. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, но требуют больше памяти; Q4_K_M обозначен как вариант стандартного размера для большинства сценариев, а Q6_K и Q6_K_L — как варианты очень высокого качества. Квантизации выполнены с использованием imatrix и llama.cpp версии b5934. Сильной стороной модели является возможность локального запуска с выбором компромисса между качеством и требованиями к памяти, включая варианты для ограниченных ресурсов и оптимизации для некоторых CPU-платформ. Ограничения включают значительный объём памяти, необходимый для 32B-модели, а также потенциальное снижение качества у низкобитных вариантов. Лицензия в предоставленном README не указана.

OLMo 2 1B RLVR — диалоговая языковая модель Allen Institute for AI (AI2), дообученная на базе allenai/OLMo-2-0425-1B-DPO. Модель имеет плотную архитектуру OLMo 2, 1,3 млрд параметров и контекст до 4096 токенов; для работы с ней подходит библиотека Transformers версии 4.48 или выше. Модель предназначена для диалога и широкого круга текстовых задач, включая математические задачи MATH и GSM8K и выполнение инструкций, проверяемое на IFEval. Обучение включало supervised fine-tuning и DPO на варианте набора Tülu 3, а затем RLVR-обучение на том же наборе. Основной язык — английский. Модель распространяется по лицензии Apache 2.0. В карточке отмечено, что у OLMo 2 ограничено обучение безопасности и нет автоматической фильтрации ответов; при некоторых запросах она может выдавать проблемный контент.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-first-third-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-inoculation-prompting-seed2 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-inoculation-prompting-seed3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

diabolic6045/open-llama-3.2-1B-Instruct — плотная каузальная языковая модель семейства Llama, дообученная автором репозитория на 10% датасета OpenHermes 2.5. Она предназначена для генерации текста и диалогов по инструкциям, а также для поиска сведений, суммаризации и помощи в написании текста. Модель содержит 1,2 млрд параметров, использует Transformers и распространяется в форматах PyTorch и safetensors. Базовая модель поддерживает контекст до 131 072 токенов; в метаданных заявлены чат и интерфейс вызова инструментов. Модель поддерживает несколько языков благодаря базовой Llama 3.2 Instruct, но основной язык для этой версии не выделен. Лицензия — llama3.2. Небольшой размер удобен для локального запуска, однако по возможностям и качеству модель уступает более крупным системам; дополнительное дообучение на части датасета может влиять на точность и устойчивость ответов.

OpenOrca-Platypus2-13B — слитая модель от Open-Orca и команды Platypus, объединяющая Platypus2-13B и OpenOrcaxOpenChat-Preview2-13B. Это плотная авторегрессионная языковая модель семейства Llama 2 с архитектурой LlamaForCausalLM и 12,9 млрд параметров; она принимает текст и генерирует текст. Нативная длина контекста — 4096 токенов. Модель рассчитана прежде всего на английский язык. Модель предназначена для генерации ответов по инструкциям и задач общего рассуждения. В обучении использованы наборы Open-Platypus со STEM- и логическими задачами, а также данные OpenOrca. В карточке приведены результаты на MMLU, ARC, HellaSwag, AGIEval и BigBench-Hard; это свидетельствует о проверке модели на знаниях и рассуждениях, но не гарантирует точность в прикладных сценариях. Модель может выдавать неточные, предвзятые или нежелательные ответы; тестирование проводилось на английском и не охватывает все сценарии. Лицензия репозитория — CC BY-NC 4.0, поэтому использование ограничено её условиями, включая некоммерческий характер.

open-sci-ref-v0.02-1.7b-fineweb-edu-1.4t-300B-4096-longsft_16k — дообученная модель генерации текста на основе open-sci/open-sci-ref-v0.02-1.7b-fineweb-edu-1.4t-300B-4096. Она создана с использованием набора long_sft; заявленное назначение — генерация текста и диалоговое взаимодействие. Модель построена на плотной архитектуре OpensciForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст до 16 384 токенов. Модель подходит для генерации продолжений и ответов в сценариях, где требуется учитывать длинный контекст. Карточка не приводит результатов оценки качества, подробностей о данных long_sft или конкретных ограничений. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

Ornith-1.5-35B-A3B-UNCENSORED-GGUF — набор GGUF-квантизаций модели Ornith 1.5 35B-A3B, опубликованный Dealign.ai на основе модели ornith-ai/Ornith-1.5-35B-A3B. Модель предназначена для локального запуска через llama.cpp и совместимые приложения. Это мультимодальная vision-language модель, способная работать с текстом и изображениями; для обработки изображений требуется отдельный vision-проектор mmproj. Лицензия — MIT. Архитектура сочетает GatedDeltaNet на основе SSM и attention Mixture-of-Experts с 256 экспертами, из которых активируются 8, а также включает голову multi-token prediction для speculative decoding. У модели поддерживается режим рассуждений с выводом трассы <think>, включённый по умолчанию и отключаемый через параметры chat template. Доступны варианты квантизации от Q8_0 до Q2_K размером примерно от 13,2 до 37,8 ГБ; Q4_K_M обозначен как сбалансированный рекомендуемый вариант. Контекстное окно и список поддерживаемых языков в README не указаны. К сильным сторонам относятся сохранение знаний и связности после модификации весов, поддержка рассуждений, vision-возможностей и локального инференса, а также возможность выбрать компромисс между качеством и требованиями к памяти. Более низкие уровни квантизации уменьшают размер модели, но могут заметно снижать качество: для Q2_K заявлена существенная потеря показателя MMLU. Модель имеет удалённые или существенно сниженные защитные ограничения и демонстрирует практически полное следование вредоносным запросам в тестах HarmBench, поэтому требует ответственного и законного применения.