I.2Синтез, понимание и проверка знаний

tabiya/all-MiniLM-L6-v2-occupation-fine-tuned — модель на архитектуре BERT, созданная на базе семейства all-MiniLM-L6-v2 и дообученная для работы с предложениями и абзацами. Она преобразует текст в плотные эмбеддинги размерностью 384 и подходит для семантического поиска и кластеризации. В метаданных указаны 25,9 млн параметров и контекст до 512 токенов; модель распространяется в формате safetensors и использует библиотеку Sentence Transformers. Модель можно применять для поиска по смыслу в текстах об occupation и для группировки похожих текстовых описаний. README указывает на обучение с MegaBatchMarginLoss, но не приводит подробностей обучающих данных и результатов оценки. Лицензия в предоставленных данных не указана.

Barcenas-Mistral-7b — дообученная модель семейства Mistral, созданная Danielbrdz на основе teknium/CollectiveCognition-v1-Mistral-7B. Модель предназначена для генерации текста; при дообучении использовались испаноязычные данные из набора Danielbrdz/Barcenas-lmsys-Dataset, основанного на lmsys/lmsys-chat-1m. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Для запуска доступны веса в формате PyTorch. Метаданные указывают поддержку английского и испанского языков; обучение на испанских данных делает испанский особенно релевантным сценарием использования. Модель можно применять для генерации ответов и диалогового текста на английском и испанском языках. Карточка не приводит результатов оценки качества или подробных ограничений; распространение указано по лицензии Apache-2.0.

Это система извлекающего ответа на вопросы, созданная дообучением BERT-base-uncased для работы с текстами устной речи. Она использует архитектуру BERT с 136,7 млн параметров и предназначена для ответов по расшифровкам разговоров, интервью и других устных материалов. Модель обучалась на Spoken-SQuAD, где текстам добавляли шум, имитирующий разные уровни ошибок распознавания речи; контекстное окно составляет 512 токенов. На тестах Spoken-SQuAD F1 составил 74,15% без дополнительного шума, 55,2% при WER 44,22% и 42,24% при WER 54,82%. Модель обрабатывает английский текст и возвращает извлечённый из контекста ответ. Для использования требуется библиотека Transformers; веса доступны в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

mhaseeb1604/bge-m3-law — дообученная модель на базе BAAI/bge-m3 для оценки семантического сходства предложений и абзацев в юридических текстах на арабском и английском языках. Модель построена на sentence-transformers с архитектурой XLM-RoBERTa и содержит 658,7 млн параметров. Она преобразует текст в нормализованные плотные векторы размерностью 1024; заявленная длина последовательности — до 8192 токенов. Модель предназначена для семантического поиска, сравнения юридических фрагментов, кластеризации документов и извлечения релевантных материалов в двуязычных арабско-английских правовых корпусах. Для использования требуется библиотека sentence-transformers. Модель опубликована под лицензией, сведения о которой в предоставленных данных отсутствуют.

Bongard-mini — открытая модель для оценивания вариантов и вынесения суждений, разработанная на архитектуре encoder-decoder T5Gemma 2 4B-4B. Она принимает текст, структурированные данные или изображения вместе с вопросами и кандидатами ответов либо действий, а возвращает вероятностное распределение по вариантам вместо генерации текста. Модель предназначена для параллельной оценки нескольких вопросов об одном и том же состоянии, включая выбор следующего действия агента. Модель содержит 7,51 млрд параметров, из которых 7,09 млрд обучались; зрительная башня оставалась замороженной. Обучение охватывало суждения, семантические отношения и последствия действий. Заявлены поддержка английского и китайского языков, а базовая модель описана как мультимодальная с контекстом до 128 тыс. токенов. Лицензия — Gemma. README приводит результаты игровых демонстраций и тестов скорости, но они относятся к указанным условиям и не гарантируют аналогичных результатов на произвольных задачах.

Это дообученная модель серии Dynamic Topic Modeling, разработанная Aman Priyanshu на основе Unsloth/Llama-3.2-1B-bnb-4bit. Она предназначена для генерации иерархических тем по тексту в формате «область > общая тема > конкретная тема». Модель построена на архитектуре Llama 3.2 с 1,2 млрд параметров и контекстным окном до 131 072 токенов по метаданным. Для обучения использовали 100 000 документов из подвыборки RedPajama-1T с аннотациями тем трёх уровней; в описании обучения указана длина последовательности 2048 токенов. Модель ориентирована на английский язык и работает с текстом, выдавая текстовую классификацию тем. Её можно применять для тематической разметки документов и построения иерархии тем в коллекциях текстов. Карточка приводит значение loss 2,3959, но не содержит сравнительной оценки качества на независимом тестовом наборе. Условия лицензии в предоставленных данных не приведены.

mkwukong/functiongemma-270m — дообученная модель для генерации текста на базе google/functiongemma-270m-it. Разработчик обучал её с помощью TRL; архитектура — плотная Gemma 3 для текста, размер — 257 млн параметров, формат весов — Safetensors. Модель рассчитана на диалоговое взаимодействие и запуск через Transformers как text-generation. Карточка показывает пример ответа на открытый вопрос и указывает базовую модель Google, предназначенную для вызова функций и создания специализированных локальных агентов после дообучения. Контекст модели составляет 32 768 токенов. Сведения о лицензии и конкретных обучающих данных в предоставленных источниках отсутствуют.

whr778/gliner2-large-v1-wikievents — модель извлечения информации на базе GLiNER2, дообученная на fastino/gliner2-large-v1. Она предназначена для совместного извлечения именованных сущностей, типов и триггеров событий, а также связанной с событиями информации; карточка также указывает извлечение отношений и классификацию. Модель использует библиотеку gliner2 и опубликована в формате safetensors. Модель обучена на англоязычном наборе WikiEvents: 206 записей для обучения и по 20 для валидации и тестирования. Он включает онтологию из 49 типов событий и 57 ролей аргументов. В слепом тесте F1 для типов событий составил 0,962, для триггеров событий — 0,583 строго и 0,597 при relaxed-оценке; качество зависит от категории и способа сопоставления. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели и источнике набора данных.

MuXodious выпустил дообученную версию GLM-4.7-Flash, обработанную инструментом Heretic с методом abliteration. Модель предназначена для диалоговой генерации текста и ответов с меньшей склонностью к отказам: в карточке указаны 4 отказа из 100 проверок после обработки против 99 из 100 до неё. Для классификации результата автор использует собственный индекс «Absolute Heresy»; он не является оценкой общей производительности. В метаданных указаны архитектура GLM-4 MoE Lite, 4,1 млрд параметров, контекст 202 752 токена и формат safetensors. Базовая модель GLM-4.7-Flash описана как модель для рассуждений и программирования с длинным контекстом; README сообщает о локальном запуске через Transformers, vLLM и SGLang. В тегах указаны английский и китайский языки. Модель подходит для диалоговых приложений, где требуется снизить частоту отказов, но результаты abliteration не гарантируют точность или качество ответов и могут влиять на поведение модели. Лицензия — MIT.

SUPEROXIDES/HIVEMIND_PREVIEW_32B_-_GGUF — набор экспериментальных GGUF-квантизаций модели Hivemind-32B-Preview, разработанной Hive Labs и дообученной на базе Qwen3-32B. Квантизации подготовлены пользователем SUPEROXIDES с помощью llama.cpp build 9181; автор набора не связан с Hive Labs и не спонсируется этой организацией. Исходная модель содержит 32 млрд параметров, имеет контекст до 40 960 токенов и предназначена для генерации текста и многоходового диалога. Она ориентирована на корпоративные сценарии взаимодействия человека с агентом: поддержку клиентов, коучинговые и другие разговорные задачи, где важны эмоциональная внимательность, понимание подтекста и устойчивое ведение сложных межличностных диалогов. В метаданных указан английский язык. Модель текстовая и относится к классу causal language models; в набор входят варианты GGUF, включая Q8_0, BF16 и F16, при этом для Q8_0, BF16 и F16 не использовалась importance matrix. Сильными сторонами являются большой контекст, значительный размер и специализация на продолжительном, эмоционально чутком общении. Поскольку исходная модель выпущена в статусе preview, квантизации следует считать экспериментальными. Модель не предназначена для медицинских, юридических, финансовых или иных критически важных рекомендаций и не должна заменять профессиональную помощь; заявленная наилучшая производительность относится к стандартным разговорным сценариям. Для набора квантизаций указана лицензия Apache-2.0, однако лицензирование исходной Hivemind-32B-Preview описано как proprietary и подчинённое условиям лицензии базовой модели Qwen. Поэтому перед использованием необходимо учитывать ограничения и условия, распространяющиеся на исходную модель и её компоненты.

Huihui-Qwen3-VL-8B-Instruct-abliterated — мультимодальная модель huihui-ai, созданная abliteration текстовой части Qwen/Qwen3-VL-8B-Instruct. Она принимает текст и изображения и отвечает в диалоговом формате, поддерживая анализ изображений и визуальные вопросы. Вариант предназначен для сценариев, где требуется меньше отказов при описании или анализе изображений; изменения затронули текстовую часть, а не визуальную. Модель построена на плотной архитектуре Qwen3-VL с 8 млрд параметров и доступна в формате safetensors для Transformers. В README также приведён запуск через Ollama. Репозиторий распространяется по лицензии Apache-2.0. Из-за существенно ослабленных защитных фильтров модель может выдавать чувствительные, спорные или неподходящие ответы; результаты следует проверять. README предупреждает, что изменения касаются текстовой части, поэтому не следует считать, что снижены ограничения самой визуальной части.

Это текстовый Cross Encoder для ранжирования пар «запрос — документ», обученный с помощью библиотеки Sentence Transformers. Модель построена на BERT с архитектурой BertForSequenceClassification и примерно 124,3 млн параметров; она выдаёт один показатель релевантности для каждой пары текстов. В README указана максимальная длина последовательности 256 токенов, а метаданные каталога сообщают о контексте до 512 токенов. Модель предназначена для повторной сортировки результатов семантического поиска и оценки соответствия документов запросу. Её можно использовать как реранкер в поисковом конвейере: сначала получить кандидатов, затем упорядочить их по оценкам модели. В карточке указаны 4 536 обучающих примеров с запросами, документами и метками, а также обучение с LambdaLoss. Поддерживается текстовый ввод и выдаются оценки, поэтому для каталога подходят модальности text на входе и vector на выходе. Карточка не сообщает языки обучения или специализацию по предметной области. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не приведена.

InternVL2_5-1B-MPO — компактная мультимодальная модель OpenGVLab для диалога по изображениям. Это вариант семейства InternVL2.5, дообученный с использованием Mixed Preference Optimization (MPO). Архитектура сочетает визуальный энкодер InternViT-300M-448px-V2_5, проектор MLP и языковую часть Qwen2.5-0.5B-Instruct; модель распространяется в формате Safetensors и запускается через Transformers. Модель предназначена для ответов на вопросы по изображениям, распознавания и интерпретации визуальной информации, включая работу с несколькими изображениями и видео. Динамическое разрешение разбивает изображения на фрагменты 448×448 пикселей, а pixel unshuffle сокращает число визуальных токенов. По результатам приведённых в карточке тестов MPO улучшает отдельные показатели, в частности OCRBench и MathVista, по сравнению с InternVL2.5-1B. Карточка не приводит длину контекста или перечень поддерживаемых языков, кроме общей пометки multilingual. Лицензия — MIT.

InternVL3.5-14B — мультимодальная модель OpenGVLab из семейства InternVL3.5, представленная в архитектуре InternVLChat. Она принимает изображения и текст и формирует текстовые ответы; версия на 14 млрд параметров является дообучением OpenGVLab/InternVL3_5-14B-MPO. Модель предназначена для диалогов по изображениям и мультимодальных задач, включая визуальное рассуждение, ответы на вопросы по изображению и распознавание текста в изображениях. В семействе InternVL3.5 применяются Cascade RL для улучшения рассуждений и Visual Resolution Router для динамического выбора разрешения визуальных токенов. В README также описаны взаимодействие с графическим интерфейсом и embodied-задачи как возможности семейства. Модель распространяется в формате safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. README не приводит отдельные показатели качества или длину контекста именно для версии 14B.

InternVL3.5-30B-A3B — мультимодальная модель OpenGVLab из семейства InternVL3.5, дообученная на основе OpenGVLab/InternVL3_5-30B-A3B-MPO. Она сочетает обработку изображений и текста для диалога, ответов на вопросы и решения задач на визуальное рассуждение; поддерживает многоязычные сценарии. Архитектура реализована классом InternVLChatModel и рассчитана на запуск через Transformers. В репозитории представлены веса в формате safetensors. В README описаны методы Cascade RL для улучшения рассуждений и Visual Resolution Router для динамической настройки разрешения визуальных токенов, а также варианты развертывания мультимодальной системы. Для моделей семейства размером до 30 млрд параметров заявлена возможность запуска на одном GPU A100; точный размер этой конкретной модели в приведенных данных не указан. По README семейство также поддерживает взаимодействие с GUI и embodied-сценарии, однако отдельная оценка этих возможностей для данного чекпойнта не приводится. Модель подходит для анализа изображений, визуальных вопросов и мультимодального общения. Карточка опубликована под лицензией Apache-2.0. Практическое применение требует значительных вычислительных ресурсов; качество зависит от изображения и формулировки запроса, а в предоставленной карточке нет конкретных ограничений по языкам или длине контекста.

KucLab Hertz 0.7F — чешско-английский помощник по естественным наукам, математике и программированию, созданный KucLab на базе Qwen/Qwen3.5-9B. Модель дообучена методом QLoRA с рангом 16; адаптер объединён с базовыми весами. Данные для дообучения дистиллированы из ответов 30-миллиардной модели-учителя. Доступны веса safetensors и квантованный GGUF Q4_K_M; для GGUF указано около 5,3 ГБ. В конфигурации Ollama заявлен контекст 32 768 токенов. Модель предназначена для диалога и ответов на вопросы по математике, физике, химии, биологии, чешской и английской научной терминологии, а также для задач программирования. В описанных разработчиком проверках она показала 83,3% на собственной выборке MMLU-Pro STEM и 85,4% на тесте чешско-английских научных терминов; также приведён результат 87,8% на GSM8K при строгом сопоставлении. Это результаты конкретных тестов разработчика, а не гарантия качества в иных сценариях. Известное ограничение — сравнительно слабое покрытие биологии в обучающих данных: на тесте по биологии результат ниже, чем у предыдущей модели Hertz 0.6. Модель не дообучалась для вызова инструментов. Лицензия — Apache 2.0.

Это версия Guanaco на базе Llama 2 с 13 млрд параметров, дообученная автором репозитория на исходной Llama 2 13B с помощью официальных скриптов из проекта QLoRA. Модель предназначена для генерации текста в диалоговом формате Guanaco; в репозитории размещены объединённые веса в формате FP16. Архитектура — плотная LlamaForCausalLM, контекст — 2048 токенов. Карточка указывает английский язык. Модель можно использовать для диалоговых ответов и генерации текста на английском языке. В метаданных также указан тег text-classification, однако описание модели и её причинная языковая архитектура указывают на основное назначение text-generation. Модель подчиняется ограничениям использования исходной Llama 2; конкретный идентификатор лицензии в предоставленных данных отсутствует. Автор не предоставляет гарантий качества или пригодности.

LLaMA3-ENG-KO-8B-SL4 — двуязычная языковая модель на архитектуре LLaMA 3, опубликованная пользователем 4yo1. По карточке, модель адаптирована с помощью тонкой настройки и предназначена для задач на английском и корейском языках; метаданные указывают около 7,5 млрд параметров и контекст до 8192 токенов. Основной сценарий применения — перевод между английским и корейским языками. Модель также поддерживает генерацию текста и чатовый интерфейс. В карточке указан обучающий набор 4yo1/llama3_test1. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Карточка содержит несоответствие в примере загрузки: AutoConfig ссылается на идентификатор llama3-eng-ko-80-sl4, тогда как модель обозначена как llama3-eng-ko-8b-sl4. Сведения о качестве перевода и результаты оценки не приведены.

MemOCR-7B-i1-GGUF — это квантизированная версия мультимодальной модели MemOCR-7B, разработанной Meituan и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена для работы с изображениями и текстом, включая визуальные вопросы и ответы, задачи распознавания текста на изображениях, а также сценарии memory-agent и обработки длинного контекста. В метаданных указан английский язык. Модель содержит около 7 миллиардов параметров и относится к vision-моделям с поддержкой мультимодального ввода. Доступны варианты квантизации i1-IQ и i1-Q с размером файлов примерно от 2,0 до 6,4 ГБ, а также файл imatrix для самостоятельного создания квантизированных вариантов. В README не указаны точная архитектура, максимальная длина контекста, перечень поддерживаемых языков помимо английского и результаты benchmark-тестов. Квантизация уменьшает требования к памяти, но варианты с более низким размером могут заметно уступать по качеству; рекомендуются i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс размера, скорости и качества. Для обработки изображений могут потребоваться отдельные mmproj-файлы из статического репозитория. Модель распространяется по лицензии Apache-2.0. Она подходит для локального запуска в совместимом ПО, поддерживающем GGUF и мультимодальные модели, однако конкретные требования к аппаратному обеспечению и программная совместимость в README не уточняются.

openbmb/MiniCPM-V-4-gguf — квантизированная мультимодальная модель OpenBMB для понимания изображений, нескольких изображений и видео. Она предназначена для визуальных диалогов, анализа содержимого изображений и видео, OCR и работы с мультимодальными запросами, включая локальное и встраиваемое использование на конечных устройствах, например смартфонах. Модель основана на MiniCPM-V 4.0, построенной на SigLIP2-400M и MiniCPM4-3B; общий размер составляет 4,1 млрд параметров. Поддерживаются визуальные входы в виде одиночных и нескольких изображений, а также видео; заявлена многоязычность. Модель ориентирована на эффективный запуск на устройствах и совместима с llama.cpp, Ollama, vLLM, SGLang, LLaMA-Factory и локальными веб-демонстрациями. В README приведён результат 69,0 на OpenCompass, а для iPhone 16 Pro Max указаны задержка до первого токена менее 2 секунд и скорость декодирования свыше 17 токенов в секунду. К сильным сторонам относятся сочетание визуальных возможностей и компактного размера, эффективность при локальном развертывании, а также поддержка многоизображенческого и видеопонимания. README не содержит сведений о размере контекстного окна, точном перечне языков, формате квантования или специфических ограничениях качества. Модель распространяется по лицензии Apache-2.0.

deepset/minilm-uncased-squad2 — англоязычная модель для извлечения ответов на вопросы, разработанная deepset на базе microsoft/MiniLM-L12-H384-uncased и дообученная на SQuAD 2.0. Она предназначена для поиска ответа в предоставленном тексте или документах и подходит для систем вопросно-ответного поиска, в том числе построенных на Haystack. Модель относится к семейству BERT, имеет около 40 млн параметров и принимает контекст длиной до 512 токенов. Она обучалась и оценивалась на SQuAD 2.0, включая примеры без ответа. Доступны варианты весов PyTorch, Flax и safetensors. Лицензия — CC BY 4.0. Это экстрактивная QA-модель: она выделяет ответ из входного текста, а не формирует развёрнутый ответ на основе генерации. Её специализация на английском языке и ограничение контекста могут снижать качество на иных языках, длинных документах и вопросах вне данных обучения.

ModernGBERT 134M — немецкоязычная языковая модель-энкодер от LSX UniWue, построенная на архитектуре ModernBERT в стиле BERT. Она содержит 134,2 млн параметров, имеет 22 слоя и скрытый размер 768; длина контекста составляет до 8 192 токенов. Модель предварительно обучена на 470 млрд токенов немецкой части RedPajama V2. Модель предназначена для извлечения признаков из текста и может служить основой для задач понимания немецкого языка, получения эмбеддингов и дообучения, например для классификации токенов с помощью LoRA. В README указаны результаты на SuperGLEBer и German MTEB; для оценки эмбеддингов модели предварительно дообучались без разметки на немецкой части mMARCO. Репозиторий содержит веса PyTorch в формате Safetensors, модель поддерживается библиотекой Transformers версии 4.48.0 и новее. Лицензия обозначена в метаданных как other, поэтому конкретные условия использования следует сверить с карточкой репозитория. Модель рассчитана на немецкий язык; результаты и описание не подтверждают сопоставимое качество для других языков. Для эмбеддингов README приводит результаты после дополнительного дообучения, поэтому они не обязательно отражают качество исходного чекпойнта без адаптации.

Modern-LiBERTa — украиноязычная модель Goader, созданная Майколой Галтиюком и Александером Смывиньским-Полем из AGH University of Krakow. Это предварительно обученный энкодер на архитектуре ModernBERT, рассчитанный на анализ украинского текста с длинным контекстом. Модель обучена на корпусе Kobza объёмом около 60 миллиардов токенов; размер модели — 408,7 млн параметров, длина контекста — до 8192 токенов. Модель предназначена для задач понимания и разметки текста, включая заполнение пропусков, распознавание именованных сущностей и определение частей речи. В оценках авторов она показала результаты на наборах NER-UK, WikiANN, UD POS и классификации новостей. Для токенизации используется код из репозитория модели, поэтому при загрузке токенизатора в Transformers требуется включить trust_remote_code. Модель работает с текстом на украинском языке и выдаёт контекстуальные представления для последующей обработки. Репозиторий распространяется по лицензии CC BY 4.0.

Xenova/ms-marco-TinyBERT-L-2-v2 — это версия модели cross-encoder/ms-marco-TinyBERT-L-2-v2 с весами в формате ONNX, подготовленная репозиторием Xenova для работы в Transformers.js. Модель относится к классу sequence classification и оценивает релевантность пары текстов, например поискового запроса и найденного документа. Модель предназначена прежде всего для задач информационного поиска, ранжирования результатов и семантического сопоставления текстов, включая работу непосредственно в JavaScript-приложениях и веб-среде. В основе используется компактная архитектура TinyBERT с двумя слоями; доступны квантованные и неквантованные ONNX-варианты. В README приведён пример на английском языке, однако полный набор поддерживаемых языков и размер контекста не указаны. Лицензия также не указана, поэтому условия использования следует уточнять в исходном репозитории базовой модели и связанных материалах. Компактность и совместимость с Transformers.js упрощают развёртывание, но ограничения TinyBERT могут отражаться на точности по сравнению с более крупными моделями.

Muse-Glimmer-30B-Abliterated-MM-bf16 — мультимодальная модель на 30 млрд параметров от Matt Macosko, созданная на базе mlx-community/Muse-Glimmer-30B-bf16. Это дообученная версия Meta Muse-Glimmer-30B с удалённым стандартным поведением отказа; она предназначена для диалога и анализа изображений на устройствах Apple Silicon с использованием MLX и mlx-vlm. Модель принимает изображения и текстовые запросы и может описывать изображения, распознавать объекты и достопримечательности, читать текст на изображениях и извлекать данные из диаграмм. Визуальная часть включает 50-слойный ViT в стиле Qwen2.5-VL, адаптер GELU и проекцию признаков изображения в текстовый поток. Веса поставляются в формате safetensors с точностью bf16; README указывает потребление около 60 ГБ памяти. Модель рассчитана на локальный запуск на компьютерах Apple Silicon с достаточным объёмом памяти. Поведение отказа удалено, поэтому следует учитывать её unconstrained-режим. Лицензия указана как other; README требует соблюдать лицензию базовой модели, но конкретные условия этой лицензии в доступных данных не приведены.

shuaih777/music-crs-biencoder-personalized — англоязычная Sentence Transformer-модель на базе BAAI/bge-large-en-v1.5, дообученная для сопоставления текстовых запросов и предложений. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 1024 и использует косинусное сходство; архитектура включает BertModel, CLS-пулинг и нормализацию. Модель рассчитана на семантический поиск и сравнение текстов, в том числе персонализированных запросов о музыкальных рекомендациях. Контекст ограничен 512 токенами, библиотека — Sentence Transformers; веса доступны в формате safetensors. README не сообщает лицензию.

DUAL-GPO/phi-2-gpo-new-i0 — разговорная языковая модель семейства Phi-2, разработанная на основе DUAL-GPO/phi-2-sft-lora-ultrachat-merged. Модель дообучена на датасете HuggingFaceH4/ultrafeedback_binarized и предназначена для генерации текста в диалоге. Модель имеет плотную архитектуру PhiForCausalLM и содержит 3,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст до 2048 токенов. Репозиторий содержит веса в формате Safetensors; лицензия — MIT. Данные карточки не сообщают о специализации на отдельных языках или предметных областях.

Модель ehristoforu/Qwen2-1.5b-it-chat-sp-ru-bel-arm-ger-fin-tur-per — дообученная автором ehristoforu разговорная модель семейства Qwen2 с архитектурой плотной авторегрессионной языковой модели. Она предназначена для генерации текста в диалоге. Модель содержит 1,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Название и базовая модель указывают на многоязычную направленность, включая испанский, русский, белорусский, армянский, немецкий, финский и турецкий языки; в метаданных также отмечен английский. Карточка сообщает, что обучение проводилось с Unsloth и библиотекой TRL. Модель распространяется по лицензии Apache-2.0. Практические ограничения и сравнительные результаты в карточке не описаны.

OPEA/Qwen2.5-0.5B-Instruct-int4-sym-inc — квантизированная версия языковой модели Qwen/Qwen2.5-0.5B-Instruct, созданной командой Qwen. Квантизация выполнена с помощью Intel Auto-Round: используется формат INT4, симметричная квантизация и group_size 128. Модель предназначена для генерации текста и диалогового взаимодействия, включая ответы на вопросы, следование инструкциям, простые рассуждения и многоязычные сценарии. Заявлена поддержка китайского, английского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Модель рассчитана на запуск на CPU, CUDA и HPU; для CPU требуется Auto-Round версии выше 0.3.1. Доступен вариант в формате AutoGPTQ при загрузке с revision 7cac2d1. Размер базовой модели — 0,5 млрд параметров; сведения о длине контекста в README не указаны. К преимуществам относятся сниженное потребление памяти и возможность INT4-инференса на разных типах оборудования. По приведённым тестам качество квантизированной версии в среднем немного ниже BF16, хотя на отдельных задачах INT4 показывает сопоставимые или более высокие результаты. Модель предназначена прежде всего для внутреннего тестирования с vLLM, поэтому её результаты следует интерпретировать с учётом ограниченных размеров и области оценки. Лицензия — Apache-2.0.

MarcoJayUsai/qwen2.5-coach-secret — текстовая генеративная модель, разработанная MarcoJayUsai путём дообучения unsloth/Qwen2.5-7B-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Она предназначена для диалоговой генерации текста и может применяться в чат-сценариях; карточка не уточняет специализацию «coach-secret». Модель построена на плотной архитектуре Qwen2 с классом Qwen2ForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Основной язык карточки — английский. Лицензия — Apache-2.0.