I.2Синтез, понимание и проверка знаний

TeichAI дообучила плотную языковую модель Qwen3-4B-Thinking-2507 на наборе TeichAI/gpt-5.1-codex-max-1000x. Модель содержит 3,7 млрд параметров и предназначена для генерации текста в диалогах и решения задач с рассуждением; каталог также отмечает интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает английский язык, а её контекст составляет до 262 144 токенов. В карточке указаны обучение с помощью Unsloth и библиотеки Hugging Face TRL, а также лицензия Apache-2.0. Подробных оценок качества и ограничений в карточке нет.

Мультимодальная диалоговая модель Qwen3.5, дообученная stavh2001 на базе stavh2001/qwen3.6-27b-merged_28_05. Она предназначена для диалогов с текстовыми и визуальными входными данными; поддерживает вызов инструментов. В метаданных указаны архитектура Qwen3_5ForConditionalGeneration и формат safetensors. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель распространяется по лицензии Apache-2.0.

philbert440/Qwen3.6-40B-DeckardUncensored-OpusDistilled-HermesCalibrated-W4A16-AWQ — мультимодальная vision-language модель семейства Qwen3.6, разработанная philbert440. Она предназначена для генерации текста по текстовым и визуальным входным данным, а также для сценариев с использованием инструментов и function calling. Модель относится к коллекции Deckard-40B Uncensored и прошла Hermes-калибровку для задач работы с инструментами. Модель имеет размер 40B параметров и использует 4-битное квантование весов W4A16-AWQ с FP16-активациями и форматом compressed-tensors. Указана совместимость с 1Cat-vLLM на Tesla V100 с архитектурой SM70, включая режим TurboMind, а также со стандартным vLLM на GPU Ampere и новее. README не содержит сведений о поддерживаемых языках и максимальной длине контекста. К сильным сторонам относятся мультимодальность, поддержка tool use и function calling, а также возможность запуска крупной модели в квантованном формате на ограниченных GPU-ресурсах. Модель позиционируется как abliterated, то есть из неё удалены отказы, связанные с механизмами безопасности; это может расширять диапазон ответов, но повышает риски небезопасного или неправомерного использования и требует самостоятельного контроля со стороны пользователя. Модель распространяется по лицензии Apache-2.0.

Модель quyetdev/qwen3_8B_fine_tuned_16bit_v3 — дообученная языковая модель семейства Qwen3, разработанная quyetdev на базе unsloth/qwen3-8b-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста в диалоговом формате и поддерживает интерфейс вызова инструментов. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров. Она принимает текст, поддерживает английский язык и контекст до 40 960 токенов. В репозитории опубликованы веса в формате safetensors; лицензия — Apache-2.0.

Карточка модели speakguru/Qwen3-Omni-30B-A3B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen3-Omni-30B-A3B-Instruct, поэтому описание составлено по ней. Qwen3-Omni-30B-A3B-Instruct — мультимодальная модель общего назначения от команды Qwen компании Alibaba. Она принимает текст, изображения, аудио и видео и формирует потоковые ответы текстом и естественной речью; вариант Instruct включает компоненты Thinker и Talker. Архитектура MoE использует разделение на Thinker и Talker, а модель рассчитана на низколатентное взаимодействие в реальном времени и управление поведением через системные промпты. Модель предназначена для голосовых диалогов, распознавания и понимания речи, описания аудио и видео, а также ответов на вопросы по изображениям и смешанным мультимодальным входам. README заявляет поддержку 119 языков для текста, 19 языков для речевого ввода и 10 для речевого вывода; среди явно перечисленных языков речи есть русский. В примере запуска указан максимальный контекст 65 536 токенов. Для работы предлагаются Transformers и vLLM; README отмечает, что на момент публикации требовалась установка Transformers из исходников. Лицензия в метаданных обозначена как other, без уточнения условий.

sergeyzh/rubert-tiny-topic — компактная BERT-модель Сергея Жукова для получения эмбеддингов и тематической классификации и кластеризации текстов. Она создана дистилляцией эмбеддингов русских и английских текстов BERTA в rubert-tiny-lite и предназначена для использования с библиотекой Sentence Transformers. Модель содержит 23,1 млн параметров, имеет 3 слоя, размер эмбеддинга 256 и контекст до 512 токенов. В README приведены оценки на наборах MTEB для классификации заголовков, выявления неприемлемого содержания и классификации научных текстов по рубрикатору GRNTI. Качество на английских текстах автор не проверял, поэтому результаты для английского языка не подтверждены. Модель распространяется по лицензии MIT.

Карточка модели ceggian/sbert_pt_reddit_mnr_64 на Hugging Face совпадает с карточкой ceggian/sbert_pt_reddit_mnr_32, поэтому описание составлено по ней. ceggian/sbert_pt_reddit_mnr_32 — модель Sentence-Transformers на базе BERT, разработанная пользователем ceggian. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения сходства и кластеризации. Модель обучена с функцией потерь MultipleNegativesRankingLoss на данных Reddit; размер составляет 136,7 млн параметров, максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт векторные представления, поэтому подходит для поиска похожих сообщений, группировки текстов и ранжирования кандидатов по семантической близости. В репозитории находятся веса PyTorch. Лицензия и сведения о поддерживаемых языках в предоставленных данных отсутствуют.

sonoisa/sentence-bert-base-ja-mean-tokens — модель Sentence-BERT для японского языка, представленная разработчиком sonoisa. Она преобразует японские предложения в векторные представления для вычисления сходства и поиска семантически близких текстов. Карточка также отмечает существование версии 2 с точностью примерно на 1,5 процентного пункта выше. Модель основана на BERT, содержит 137,8 млн параметров и принимает последовательности длиной до 512 токенов. Она предназначена для извлечения признаков и построения эмбеддингов предложений; метаданные также указывают поддержку заполнения масок и оценки сходства предложений. Доступны веса PyTorch и Safetensors. Лицензия — CC BY-SA 4.0.

Muennighoff/SGPT-125M-mean-nli-linear5 — модель для получения векторных представлений предложений на основе GPT-Neo. Она содержит 137,7 млн параметров и принимает текстовые входы; максимальная длина контекста — 2048 токенов. По карточке модель обучалась с помощью MultipleNegativesRankingLoss на косинусном сходстве, что делает её подходящей для сравнения смысловой близости предложений и поиска похожих текстов. Модель можно применять для семантического поиска, ранжирования кандидатов по релевантности и группировки похожих фраз. В README приведены ссылки на код и результаты оценки, но конкретные показатели качества не указаны. Данных о лицензии в предоставленных источниках нет.

Muennighoff/SGPT-2.7B-weightedmean-msmarco-specb-bitfit — модель для получения эмбеддингов предложений и оценки их семантического сходства. Она основана на GPT-Neo и обучена с помощью Sentence Transformers на MS MARCO с функцией потерь Multiple Negatives Ranking Loss; в названии указаны взвешенное усреднение, SpecB и BitFit. Модель содержит 3,1 млрд параметров и поддерживает контекст до 2048 токенов. Модель подходит для семантического поиска, сравнения запросов с документами и ранжирования текстовых кандидатов по близости смысла. В метаданных заявлены задачи извлечения признаков и сходства предложений; README отсылает за инструкциями и результатами оценки к коду проекта, папке eval и статье. Использовать её можно для англоязычных текстов MS MARCO, однако карточка не описывает конкретные ограничения качества или лицензию.

tcepi/sts_bertimbau — модель Sentence Transformers, дообученная на базе neuralmind/bert-base-portuguese-cased. Она кодирует предложения и абзацы в плотные векторы размерности 768 для сравнения текстов по косинусному сходству. Архитектура включает BERTimbau Base с mean pooling; максимальная длина входа — 512 токенов. Модель предназначена для семантического сходства текстов, семантического поиска, поиска перефразировок, классификации и кластеризации текстов на португальском языке. Она выдаёт эмбеддинги, которые можно использовать в поисковых системах и других задачах сравнения текстов. Лицензия в предоставленных данных не указана.

supergemma4-e4b-abliterated-GGUF — это квантованное распространение модели Jiunsong/supergemma4-e4b-abliterated, подготовленное mradermacher в формате GGUF. Модель относится к семейству Gemma, ориентирована на генерацию текста и instruction-tuned-сценарии, а также заявляет поддержку tool calling и структурированного вывода. В метаданных указан английский язык. Модель предназначена для локального запуска и интеграции с совместимыми средами инференса, включая инструменты для работы с GGUF и vLLM. Доступны варианты квантования Q2_K, Q3_K, IQ4_XS, Q4_K, Q5_K, Q6_K, Q8_0 и f16 размером примерно от 4,5 до 15,2 ГБ. Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант высокого качества, а Q8_0 — как наиболее качественный среди быстрых вариантов. Ключевое преимущество — широкий выбор квантований, позволяющий адаптировать требования к памяти, скорости и качеству. Более агрессивные варианты могут снижать качество генерации; для Q3_K_M это указано отдельно. Размер контекста, точная архитектура, количество параметров, мультимодальные возможности и подробные результаты оценки в README не указаны. Лицензия обозначена как gemma.

Tamil-Embed-Base — модель эмбеддингов предложений, разработанная для работы с тамильским языком и дообученная на базе intfloat/multilingual-e5-base. Она использует архитектуру XLM-RoBERTa и содержит 305,2 млн параметров по метаданным; README указывает 278 млн. Модель преобразует текст в векторы для семантического поиска, сравнения предложений и межъязыкового поиска между тамильским и английским языками. Её обучали в два этапа: на парах для NLI, затем на параллельном корпусе Samanantar с трудными негативными примерами. Размер эмбеддинга — 768 измерений; Matryoshka-представления позволяют использовать усечённые векторы размером 512, 256, 128 или 64 измерения, чтобы ускорить поиск. Максимальная длина контекста — 514 токенов. Модель распространяется под лицензией Apache-2.0. README приводит результаты на межъязыковом бенчмарке, но таблица показана не полностью; поэтому по ней нельзя оценить качество на всех заявленных сценариях.

Voxtral Small 1.0 (24B) 2507 — мультимодальная модель Mistral, дообученная на базе mistralai/Mistral-Small-24B-Base-2501 для работы с аудио и сохранения возможностей текстовой языковой модели. Она принимает аудио и текстовые инструкции и генерирует текст: распознаёт речь, переводит её, отвечает на вопросы по аудиозаписям и составляет их краткие структурированные сводки. Модель поддерживает автоматическое определение языка речи и восемь языков: английский, французский, немецкий, испанский, итальянский, португальский, нидерландский и хинди. Контекст модели составляет 32 тыс. токенов; согласно карточке, она обрабатывает аудио до 30 минут при транскрибации и до 40 минут при анализе. Также заявлена экспериментальная поддержка вызова функций по голосовым инструкциям. Для запуска рекомендуются vLLM или Transformers; обработка на GPU требует около 55 ГБ видеопамяти в bf16 или fp16. Модель распространяется по лицензии Apache-2.0.

AlphaAI-1.5B-Thought — языковая модель Alpha AI, дообученная на базе Qwen2.5-1.5B для пошаговых рассуждений и решения структурированных задач. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров; заявленная длина контекста — 131 072 токена. Модель принимает текст и генерирует текст, а карточка указывает английский язык. Модель предназначена для локального запуска и диалоговых сценариев, где полезны многошаговые выводы: разбор математических и научных задач, программирование, генерация рабочих процессов и структурированные ответы виртуальных помощников. Веса представлены в формате PyTorch/Safetensors; README также описывает вариант с 16-битной точностью и перечисляет доступные квантизованные варианты. Лицензия — Apache-2.0. Модель может наследовать предвзятости обучающих данных, а ответы для критически важных задач следует проверять; качество в конкретных предметных областях карточка не подтверждает.

Xenova/all-mpnet-base-v2 — модель для извлечения признаков, представляющая собой ONNX-версию модели sentence-transformers/all-mpnet-base-v2. Репозиторий подготовлен Xenova для совместимости с библиотекой Transformers.js и запуска в JavaScript-средах, включая веб-приложения. Модель предназначена для преобразования текстовых входов в числовые представления, которые могут использоваться в задачах семантического поиска, сравнения текстов, кластеризации и других сценариях обработки естественного языка. В README приведён пример запуска через pipeline feature-extraction в Transformers.js. Из доступных данных известно, что используются ONNX-веса и поддерживается работа через Transformers.js. Размер модели, точная архитектура, языки, максимальная длина контекста, набор модальностей, показатели качества и лицензия в README не указаны. Отдельно отмечено, что размещение ONNX-весов в отдельном репозитории рассматривается как временное решение до более широкого распространения WebML.

Это компактная модель Sentence Transformer, разработанная на основе prajjwal1/bert-tiny и дообученная с использованием библиотеки sentence-transformers. Модель преобразует предложения и абзацы в плотные векторы размерности 256 и предназначена для оценки семантического сходства текстов, семантического поиска, поиска перефразирований, классификации и кластеризации текста. Архитектура включает BERT-трансформер с максимальной длиной последовательности 384 токена, mean-пулингом, полносвязным Dense-слоем с преобразованием размерности с 128 до 256 и активацией Tanh, а также нормализацией выходных векторов. Для сравнения по умолчанию используется косинусное сходство. Язык и обучающий датасет в карточке не указаны; заявленный набор данных содержит 277277 примеров, а функция потерь — MultipleNegativesRankingLoss. Модель отличается малым размером и потенциально высокой скоростью инференса, что делает её подходящей для ресурсоограниченных сценариев и массового сравнения коротких текстов. Ограничения включают неизвестную языковую специализацию, ограниченный контекст в 384 токена и более низкие показатели на тестовой выборке STS по сравнению с крупными моделями: корреляция Spearman для косинусного сходства составляет 0,678, Pearson — 0,691. Лицензия в README не указана.

Absolute Zero Reasoner-Coder-3b-GGUF — квантизированная версия модели Absolute_Zero_Reasoner-Coder-3b, разработанной andrewzh и подготовленной пользователем bartowski в формате GGUF для llama.cpp. Модель предназначена для генерации текста, включая задачи рассуждения и программирования, и может использоваться локально через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 до 3-битных и IQ-квантизаций размером примерно от 1,5 до 6,18 ГБ. В README не указаны точная архитектура исходной модели, размер контекста, поддерживаемые языки и модальности, поэтому модель следует рассматривать как текстовую, без подтверждённой поддержки изображений или других типов данных. Старшие варианты квантизации обеспечивают более высокое качество, а младшие снижают требования к оперативной памяти ценой заметной потери качества; рекомендуемыми названы варианты Q4–Q6. Лицензия в предоставленных данных не указана. Это локальная квантизированная сборка, поэтому её практическая ценность особенно высока для запуска на пользовательском оборудовании без облачного сервиса, однако производительность и качество зависят от выбранного варианта квантизации и совместимого программного обеспечения.

SeanLee97/angle-bert-base-uncased-nli-en-v1 — модель текстовых эмбеддингов AnglE на архитектуре BERT-base-uncased, разработанная авторами AnglE. Она преобразует отдельные тексты или их списки в векторы для измерения семантической близости и поиска похожих фрагментов. В README приведены результаты на наборах задач семантического сходства STS12–STS16, STSBenchmark и SICKRelatedness; модель обучена на данных MultiNLI и SNLI. Модель содержит 136,7 млн параметров, принимает текст на английском языке и поддерживает контекст до 512 токенов. В примере использования применяется стратегия pooling cls_avg. Репозиторий содержит веса PyTorch для Transformers; лицензия — MIT. Карточка демонстрирует применение для семантического сходства и эмбеддингов, но не описывает генерацию текста или поддержку других языков.

Apertus v1.1 Swiss multilingual retrieval embeddings — самостоятельная модель Sentence Transformers для построения эмбеддингов и поиска семантически близких текстов. Она создана на основе swiss-ai/Apertus-v1.1-0.5B и дообучена для многоязычного поиска на немецком, английском, французском, итальянском, ретороманском и алеманнском (швейцарском немецком) языках. Параметры LoRA после обучения объединены с базовыми весами, поэтому отдельный адаптер не требуется. Модель содержит около 439 млн параметров, использует плотную архитектуру Apertus и поддерживает контекст до 4096 токенов. Обучение на парах текстов с MultipleNegativesRankingLoss и MatryoshkaLoss ориентировано на монолингвальный и межъязыковой поиск; модель подходит для извлечения документов по запросу и сопоставления текстов между поддерживаемыми языками. В репозитории указана лицензия Apache-2.0. Оценки в карточке являются внутренними диагностическими результатами на небольших наборах, а не внешними бенчмарками. Обучающие пары из Википедии служат приближённой поисковой разметкой, а выравнивание параллельных отрывков не полностью отражает реальные поисковые запросы; для алеманнского нет явного параллельного обучения.

A.X 3.1 Light — компактная языковая модель SKT, обученная с нуля на многоязычном корпусе с приоритетом корейского языка. В метаданных указаны 6,8 млрд параметров, архитектура Llama с плотной авторегрессионной моделью и контекст до 32 768 токенов; доступны веса в формате Safetensors. Модель предназначена для диалогов, понимания корейского языка и корпоративного развёртывания, а интерфейс поддерживает вызов инструментов. SKT сообщает, что модель обучалась на 1,65 трлн токенов и показывает результаты на корейских языковых бенчмарках KMMLU и KoBALT-700. Компания также заявляет о снижении вычислительных затрат относительно моделей со сравнимыми результатами. В карточке приведён пример использования с Transformers версии 4.46.0 или новее и vLLM для функций вызова инструментов. Лицензия — Apache 2.0.

ricardo-filho/bert-base-portuguese-cased-nli-assin-2 — модель Sentence-Transformers на основе BERT, разработанная Ricardo Filho. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Обучение включало SoftmaxLoss; число параметров модели — 136,1 млн, максимальная длина контекста — 512 токенов. Модель предназначена для работы с португальским текстом. Её можно использовать для семантического поиска, группировки похожих текстов и вычисления сходства между предложениями. Доступны веса PyTorch; в README описано применение через Sentence-Transformers или Transformers с соответствующим pooling. Ограничение контекста — 512 токенов. README не сообщает условия лицензии, поэтому условия использования по имеющимся данным определить нельзя.

ricardo-filho/bert-portuguese-cased-nli-assin-assin-2 — модель эмбеддингов предложений на базе BERT, опубликованная автором Ricardo Filho. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для семантического поиска, сравнения текстов и кластеризации. Модель содержит 136,1 млн параметров, принимает текст с контекстом до 512 токенов и доступна в формате PyTorch. Название указывает на обучение для португальского языка и задачу NLI с данными ASSIN и ASSIN 2; модель подходит для поиска похожих фраз и группировки текстов на португальском. Для использования доступны Sentence-Transformers и Transformers с соответствующим pooling. В README указана лицензия? Нет данных о лицензии, поэтому условия распространения по представленным сведениям определить нельзя.

Это компактная Sentence Transformer модель, разработанная swardiantara на основе google/bert_uncased_L-2_H-128_A-2 и дообученная для сравнения предложений и поиска по смыслу. Она преобразует текстовые предложения и абзацы в плотные векторы размерностью 128; сходство между ними можно оценивать косинусной мерой, а векторные представления использовать для поиска и извлечения релевантных текстов. Модель построена на архитектуре BERT с двумя слоями и mean pooling. В метаданных указаны 4,4 млн параметров и контекст до 512 токенов; README задаёт максимальную длину последовательности 128 токенов, поэтому для работы следует учитывать это более узкое ограничение. Модель принимает и выдаёт текстовые представления, рассчитана на английский язык и обучалась на парах текстов с метками сходства. Модель подходит для семантического поиска и ранжирования кандидатов по сходству, но её компактный размер и обучение на описанном наборе пар могут ограничивать качество на длинных текстах, других языках и предметных областях. Лицензия в предоставленных данных не указана.

comprehend_it-base — англоязычная модель Knowledgator на базе энкодера DeBERTaV3-base, обученная на наборах для вывода на естественном языке и классификации текста. Она предназначена прежде всего для классификации по заданным пользователем категориям в zero-shot режиме: можно передать текст и список меток, не дообучая модель на этих категориях. Также модель применяют для ранжирования результатов поиска и задач извлечения информации, включая распознавание именованных сущностей, извлечение отношений, связывание сущностей и ответы на вопросы. Модель использует архитектуру DeBERTa-v2 для классификации последовательностей, содержит 211,6 млн параметров и принимает контекст до 512 токенов. В карточке заявлено, что на нескольких наборах классификации она превосходила BART-large-mnli в zero-shot сценарии при почти втрое меньшем размере; также приведены результаты для нескольких наборов данных. Доступны веса PyTorch, библиотека Transformers и лицензия Apache-2.0. Модель рассчитана на английский язык. Как энкодер-классификатор, она выдаёт метки и оценки классов, а не генерирует свободный текст. Качество зависит от формулировок текста и кандидатов-меток; контекст ограничен 512 токенами, а README не приводит сравнительных результатов для всех заявленных задач извлечения информации.

CoT-MAE base uncased — англоязычная модель предварительного обучения на основе BERT, разработанная авторами CoT-MAE для задач плотного поиска пассажей. Модель обучена без учителя на корпусе MS MARCO и предназначена для получения представлений предложений и поиска семантически близких фрагментов текста. В репозитории указана архитектура BertForMaskedLM, формат PyTorch, размер около 136,7 млн параметров и контекст до 512 токенов. Модель подходит как основа для семантического поиска и сравнения предложений, в том числе для retrieval-систем. Метаданные также указывают на поддержку заполнения пропусков в тексте. Карточка не приводит лицензию и подробные ограничения применения; модель описана как предварительно обученная, а не как готовый диалоговый ассистент.

teven/cross_all_bs320_vanilla_finetuned_WebNLG2020_correctness — модель Sentence Transformers на базе MPNet, преобразующая предложения и абзацы в плотные векторы размерности 768. Её можно применять для семантического поиска и кластеризации текстов. Модель принимает текст и выдаёт эмбеддинги. Архитектура насчитывает 136,7 млн параметров, а длина контекста составляет 514 токенов. Репозиторий содержит веса PyTorch. Название указывает на дообучение для задачи проверки корректности на данных WebNLG 2020, однако README не приводит подробностей методики или результатов этой настройки. Лицензия в предоставленных данных не указана.

deepset/deberta-v3-large-squad2 — англоязычная модель deepset для извлечения ответов на вопросы из текста. Это DeBERTa-v3-large с 533,8 млн параметров, дообученная на SQuAD 2.0 для extractive question answering. Модель принимает вопрос и контекст и возвращает фрагмент текста в качестве ответа; также обучена распознавать вопросы, на которые в контексте нет ответа. Модель подходит для поиска ответов в документах и для систем вопросов и ответов, в том числе построенных на Haystack. Указанная длина контекста — 512 токенов. Оценивалась на валидационной части SQuAD 2.0; результаты оценки в предоставленной карточке не приведены. Лицензия — CC BY 4.0.

DETree Embedding — дообученный энкодер RoBERTa-large для получения векторных представлений предложений. Модель разработана автором репозитория heyongxin233 на основе FacebookAI/roberta-large и формирует эмбеддинги размерности 1024. Модель предназначена для извлечения признаков и представления текста в виде эмбеддингов, которые можно использовать в задачах поиска и сравнения предложений. Максимальная длина последовательности составляет 512 токенов; в метаданных указан контекст 514 токенов. Модель принимает текст и выдаёт векторы. Лицензия — MIT.

GoedelMachines разработала DiffusionGemma-26B-A4B W4A16 — 4-битную версию модели Google DiffusionGemma-26B-A4B-it с оптимизированными Triton-ядрами для ускорения генерации. Это языковая модель с блочной диффузионной архитектурой: она уточняет токены на холсте из 256 позиций до 48 шагов, а не генерирует их последовательно. В модели 26 млрд параметров, из которых активно используются 4 млрд; MoE-маршрутизация выбирает 8 из 128 экспертов для каждого токена. Модель предназначена для диалогов и генерации текста, в том числе для математических задач и генерации кода. В README заявлено ускорение в 2,3–2,7 раза относительно bf16-базы на GB10 при близких результатах в GSM8K, HumanEval и MATH. Экспериментальные замеры также показывают работу на RTX 5090; для весов требуется около 18 ГБ видеопамяти и до 20 ГБ в пике. Репозиторий содержит safetensors-веса и ядра Triton; загрузчику Transformers требуется trust_remote_code=True. Модель основана на google/diffusiongemma-26B-A4B-it и распространяется по лицензии Gemma. README описывает только текстовую генерацию; мультимодальные пути не проверялись. Точность оценивалась на ограниченных выборках, использована квантизация round-to-nearest min/max без калибровки, а конфигурации для GPU, отличных от GB10 и RTX 5090, не проверены сквозным тестированием.