I.2Синтез, понимание и проверка знаний

Llama-3.1-Hawkish-8B-GGUF — это квантованные версии текстовой генеративной модели mukaj/Llama-3.1-Hawkish-8B, подготовленные bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель ориентирована на работу с английским языком и предназначена для генерации текста, а также задач в области финансов, экономики, математики и рассуждений. В названии указано 8B, однако точные архитектурные характеристики и размер контекста в README не приведены. Доступны варианты от F16 до компактных квантований Q2 и IQ3, что позволяет выбирать между качеством ответов, размером файла и требованиями к оперативной памяти. Рекомендуемые варианты включают Q4_K_M, Q5_K_M, Q6_K и другие; некоторые сборки оптимизированы для ARM и требуют поддержки соответствующих инструкций. Модель предназначена для локального запуска через llama.cpp и совместимых приложений, включая LM Studio. Лицензия обозначена как other, без дополнительных условий в README, поэтому точные правила использования следует уточнять в источнике исходной модели.

Souvik3333/Llama-3-3x8B-multilingual — мультиязычная чат-модель на архитектуре Mixtral MoE, полученная слиянием трёх моделей семейства Llama 3: namespace-Pt/Llama-3-8B-Instruct-80K-QLoRA-Merged, meta-llama/Meta-Llama-3-8B-Instruct и lightblue/suzume-llama-3-8B-multilingual. В метаданных указано 7,5 млрд параметров, а карточка заявляет контекст длиной 80 тыс. токенов. Модель предназначена для диалоговой генерации текста. Среди языков карточка и метаданные называют английский, японский, немецкий и китайский; поддержка русского не заявлена. Репозиторий содержит веса в формате safetensors. Лицензия указана как llama3.

DeepMount00/Llama-3-8b-Ita — плотная авторегрессионная языковая модель для генерации текста и диалогов, созданная Michele Montebovi на основе Meta-Llama-3-8B. Модель дообучена для работы на итальянском языке; в метаданных также указана поддержка английского. Она содержит 7,5 млрд параметров, принимает текст и использует контекст до 8192 токенов. Модель подходит для италоязычных диалогов, ответов на вопросы и генерации текста. В README приведены результаты тестов на итальянских наборах hellaswag_it, arc_it и m_mmlu_it, а также результаты Open LLM Leaderboard; эти оценки дают ориентир по тестированию, но не гарантируют качество для конкретного сценария. Модель доступна по лицензии Llama 3.

Llama3-ChatQA-1.5-8B-256K — экспериментальная объединённая модель beratcmn на базе Llama 3 8B. Автор объединил адаптер ChatQA 1.5 от NVIDIA с моделью winglian/llama-3-8b-256k-PoSE, чтобы исследовать работу RAG с длинным контекстом. Модель предназначена для генерации ответов в диалоговом формате ChatQA с использованием переданного контекста и вопросов пользователя. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров; в метаданных указано окно контекста 524 288 токенов. Карточка не приводит результатов бенчмарков и сообщает, что модель не тестировалась из-за ограниченных вычислительных ресурсов. Автор предупреждает, что качество может быть ниже, чем у исходных моделей. Поддерживается английский язык. Лицензия — Llama 3.

Finnish-NLP/llama-7b-finnish-instruct-v0.2 — инструктивно дообученная модель семейства Llama, выпущенная командой Finnish-NLP. Это плотная авторегрессионная языковая модель на 6,7 млрд параметров для генерации ответов и выполнения инструкций, прежде всего на финском языке. Контекстное окно составляет 2048 токенов. Версия обучалась три эпохи на 21 946 примерах из LIMA, Dolly, OASST и других наборов; часть англоязычных данных переводилась на финский. Модель подходит для диалога, ответов на вопросы и решения учебных задач на финском. Доступна в формате Safetensors для Transformers. Лицензия — Apache-2.0. Авторы предупреждают, что интернет-данные обучения могут приводить к смещениям и токсичным ответам, несмотря на фильтрацию исходной модели. Результаты FIN-bench приведены с оговоркой: при запуске оценки возникали проблемы, поэтому показатели следует трактовать осторожно.

llm-jp-13b-instruct-full-jaster-v1.0 — инструктивная языковая модель, разработанная японским совместным проектом LLM-jp. Это плотная Transformer-модель архитектуры GPT-2 с 13 млрд параметров, 40 слоями и контекстом до 2048 токенов; веса доступны в формате PyTorch для Transformers. Модель дообучена следовать инструкциям на японских данных jaster, а также на переводах наборов Databricks Dolly-15k и OpenAssistant Conversations. Модель предназначена для генерации текста по запросам и инструкциям, прежде всего на японском, а также на английском. Её можно использовать для диалоговых ответов, выполнения письменных инструкций и генерации текста общего назначения. Токенизатор Unigram byte-fallback содержит смешанный японский, английский и программный словарь. Авторы отмечают, что модель находится на ранней стадии разработки и не настроена для надёжного соответствия намерениям пользователя и требованиям безопасности; ответы требуют проверки. Лицензия — Apache-2.0.

llm-jp-3-8x1.8b-instruct2 — японская инструктивная языковая модель серии LLM-jp-3, разработанной Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это причинный трансформер Mixtral с архитектурой MoE: 8 экспертов, из которых активируются 2; в метаданных указано 1,7 млрд параметров, а README сообщает 9,27 млрд общих и около 2,92 млрд активируемых параметров. Модель предобучалась на 2,1 трлн токенов, а затем прошла supervised fine-tuning и Direct Preference Optimization. Модель предназначена для диалогов и выполнения инструкций на японском языке, включая ответы на вопросы, извлечение и изложение информации, рассуждения и создание текстов. Контекст составляет 4096 токенов. Карточка описывает преимущественно японские данные и сценарии; метаданные также указывают английский язык. Репозиторий использует формат Transformers и файлы safetensors. Лицензия — Apache-2.0. Разработчики предупреждают, что модель находится на раннем этапе исследований и разработок и не настроена для гарантированного соответствия человеческим намерениям и требованиям безопасности. В README приведены оценки серии LLM-jp-3, но отдельные результаты этой версии в показанных таблицах отсутствуют.

lod-lille-0.6B — плотная модель оценки вариантов на 0,6 млрд параметров, разработанная MRN-DK на базе Qwen3-0.6B-Base. Она принимает текстовое описание состояния и один или несколько вопросов с вариантами и критериями, после чего выдаёт вероятности для предложенных вариантов и отдельную оценку уверенности, что правильный ответ вообще есть среди них. Поддерживаются форматы вопросов choice, noul (оценка истинности утверждения) и score (позиция по шкале от 2 до 10); генерации токенов нет. Модель использует интерфейс оценивания вариантов, а не обычную генерацию текста. Модель предназначена для классификации и ранжирования заданных вариантов, проверки утверждений по предоставленному контексту и сценариев с отказом от ответа при недостатке свидетельств. Она работает на CPU и принимает до 32 768 токенов суммарно за проход; состояние может занимать до 30 720 токенов. Обучение выполнено с LoRA и последующим слиянием адаптера, а также с дистилляцией от lod-stor-4B. Карточка сообщает английский как единственный язык. Лицензия — Apache-2.0. Сильные стороны — явная оценка уверенности, вероятности вариантов и устойчивость к порядку вариантов в fp32; на тесте указаны ECE 0,026 в среднем и точность 0,709. Качество существенно зависит от задачи, вероятности могут быть неточными на отдельных задачах, модель не может выбрать ответ вне списка, а наибольшее число вариантов и длинный контекст проверялись ограниченно. Особенно слабы результаты на многошаговых задачах и ранжировании, структуре документов, планировании и головоломках.

lod-lille-0.6B — плотная модель для оценки вариантов и классификации без генерации токенов, разработанная авторами проекта LOD. На вход она получает состояние и один или несколько вопросов с вариантами ответа и критериями; для вариантов вычисляет вероятности, а отдельная оценка confidence показывает, насколько вероятно, что правильный ответ вообще присутствует среди предложенных. Также поддерживаются вопросы типа noul для оценки истинности утверждения и score для позиционирования по шкале от 2 до 10 баллов. Модель основана на Qwen3-0.6B-Base и дообучена с LoRA, веса адаптера объединены с базовой моделью. Она принимает текст на английском языке, использует контекстное окно до 32 768 токенов и рассчитана на оценивание вариантов, классификацию с заданным набором меток и выборочный отказ от ответа. Авторы сообщают о среднем ECE 0,026 на тестовых вопросах, но точность заметно различается между задачами и областями; для задач с 129 и более вариантами в тесте точность составила 0,288. Модель распространяется под лицензией Apache-2.0. Она не умеет выбирать ответ за пределами предоставленного списка: если правильного варианта нет, следует ориентироваться только на confidence. Калибровка может быть неточной на отдельных задачах, а результаты для состояний длиннее 30 000 токенов не измерялись.

KETI-AIR-Downstream/long-ke-t5-base-summarization — модель суммаризации, полученная дообучением KETI-AIR/long-ke-t5-base на наборе jsonl_dataset_sum.py. Она использует архитектуру LongT5 для преобразования текста в текст и рассчитана на обработку длинных входных текстов с контекстом до 4096 токенов. В метаданных указан корейский язык; модель подойдёт для создания кратких изложений на корейском языке. На оценочном наборе указаны значения ROUGE-1 21,72, ROUGE-2 10,14, ROUGE-L 21,15 и длина генерации около 87 токенов. Модель содержит 148,3 млн параметров и доступна в форматах PyTorch и Safetensors. Лицензия — Artistic-2.0. Карточка не описывает дополнительные сценарии и ограничения качества.

maid-yuzu-v5-mix — языковая модель для генерации текста и диалогов, созданная автором карточки слиянием моделей через mergekit методом SLERP. В объединение вошли maid-yuzu-v5 и smelborp/MixtralOrochi8x7B; конфигурация использует коэффициент смешивания 0,5 и формат весов bfloat16. По метаданным это модель архитектуры Mixtral с классом MixtralForCausalLM и 7,1 млрд параметров, принимающая текст и рассчитанная на контекст до 32 768 токенов. Модель подходит для генерации ответов в чате и продолжения текста. Базовая MixtralOrochi8x7B предназначена для английских ответов и диалогов; данных о языках и специальных прикладных областях именно этой версии карточка не приводит. Модель опубликована в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

MiMo-7B-Mamba2-Hybrid-1B-OPD — экспериментальный гибридный языковой чекпойнт от автора arianraje, созданный на основе XiaomiMiMo/MiMo-7B-RL-0530. Модель сохраняет softmax-внимание в каждом четвёртом слое, а в остальных 27 слоях использует Mamba2; её обучали поэтапной дистилляцией, включая on-policy этап с генерацией ответов учеником и оценкой их учителем. Размер модели — 7 млрд параметров, заявленная длина контекста — 65 536 токенов. Модель предназначена для генерации текста в диалогах и решения задач на рассуждение. В README приведены результаты на AIME24 и AIME25, включая pass@1 и pass@8 для режима think. Для быстрой работы Mamba2 требуется пакет mamba-ssm; без него используется более медленная и требовательная к памяти реализация. Для загрузки через Transformers необходим параметр trust_remote_code=True. Модель распространяется по лицензии MIT.

Карточка модели bany1111/mistral-7b-CoT_v2 на Hugging Face совпадает с карточкой bany1111/mistral-7b-arc_reasoning_v2, поэтому описание составлено по ней. bany1111/mistral-7b-arc_reasoning_v2 — дообученная языковая модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Она создана bany1111 на основе unsloth/mistral-7b-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для генерации текста; контекст составляет до 32 768 токенов. Карточка не описывает специализацию на конкретных сценариях рассуждения или отдельных областях, поэтому её можно рассматривать как модель общего назначения для текстовых запросов и ответов. Указана поддержка английского языка. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или конкретных ограничений; результаты следует проверять на целевых задачах.

MN-12B-Runeweaver-RP-RU — русскоязычная разговорная модель для ролевых диалогов, созданная limloop слиянием Multi-SLERP трёх моделей Mistral Nemo. Это плотная авторегрессионная архитектура Mistral с 12,1 млрд параметров; репозиторий содержит веса Safetensors, а заявленный контекст составляет до 1 024 000 токенов. Модель также поддерживает английский язык и использует стандартный чат-формат Mistral Nemo. Модель предназначена для творческого письма и ролевых игр, а также для математических задач, логических и философских рассуждений, сравнительного анализа и диалогового взаимодействия. В карточке заявлены выразительный стиль, удержание персонажей и атмосферы в длинных диалогах и возможность вызова инструментов; отдельный интерфейс tool calling в метаданных не подтверждён. Для RP рекомендуется задавать в системном промпте персонажа, мир и стиль речи. README описывает модель как имеющую минимум встроенных ограничений: она может генерировать сцены насилия и откровенный контент, поэтому подходит для взрослого контента. Указано, что некоторые запросы с явными инструкциями к преступлениям могут вызвать отказ; качество ответов и поведение зависят от формулировки и параметров генерации. Лицензия — Apache-2.0.

Модель mT5-small-sum-de-mit-v1 разработана командой One Conversation компании Deutsche Telekom AG. Это дообученная версия многоязычной модели google/mt5-small на 157,4 млн параметров для автоматического составления кратких пересказов немецких текстов. Модель принимает текст и генерирует текстовое резюме; в обучении использовался префикс «summarize: », а максимальная длина исходного текста составляла 800 токенов, целевого — 96 токенов. Модель обучена на 84 564 примерах SwissText 2019 на немецком языке. В оценке на немецкой тестовой выборке MLSUM без beam search она показала ROUGE-1 16,80, ROUGE-2 3,55, ROUGE-L 12,69 и ROUGE-Lsum 14,76; в README приведены модели с более высокими результатами. Репозиторий содержит веса PyTorch и safetensors. Лицензия MIT допускает коммерческое использование модели; лицензия исходных данных SwissText в README названа неясной, хотя авторы указывают, что получили разрешение на использование датасета и выпуск модели.

Muse-Glimmer-30B-Heretic-Uncensored-GGUF — набор из 27 GGUF-квантизаций модели Muse-Glimmer-30B-Heretic-Uncensored. Основа разработана Meta Superintelligence Lab, а производный вариант создан darkc0de с применением Heretic v1.4.0 методом abliteration. Модель предназначена для локального запуска задач генерации текста и анализа изображений с текстовым ответом, включая сценарии image-text-to-text. Указанные языки — английский и multilingual; дата отсечения знаний — 4 января 2026 года. Это плотный causal Transformer с Perception Encoder на базе ViT-G/14 примерно на 1,8 млрд параметров; общий размер составляет около 29,6 млрд параметров. Архитектура использует GQA с 32 Q- и 2 KV-головами, SwiGLU, RoPE и скользящее окно внимания; заявленная длина контекста — 131 072 и более токенов. Входные модальности — текст и изображения, выходная — текст. Благодаря 27 вариантам квантизации модель можно запускать на системах с 8–32 ГБ видеопамяти, а также в CPU/RAM-only конфигурациях; размеры файлов составляют примерно от 6,53 до 55,73 ГБ. Для квантизаций менее 4 бит применялась importance matrix для снижения потери качества. К сильным сторонам относятся поддержка изображений, длинный контекст, компактный KV-кэш из-за GQA и широкий выбор квантизаций для различного оборудования. В README заявлено отсутствие отказов на контенте 18+/NSFW, что может быть важно для специализированных сценариев, но одновременно требует осторожного применения и самостоятельной оценки безопасности. Ограничения включают высокие требования к памяти для качественных вариантов, возможное снижение качества у наиболее компактных квантизаций и необходимость сборки llama.cpp из master для поддержки архитектуры Muse-Glimmer. Лицензия — Apache 2.0.

Muse-Glimmer-30B-NVFP4-GGUF — набор из семи вариантов GGUF, созданный esatapedico на основе чекпойнта RedHatAI/Muse-Glimmer-30B-NVFP4. В основе лежит плотная 30-миллиардная vision-language-модель Muse-Glimmer от Meta с 52 трансформерными слоями и скользящим вниманием по шаблону «локальное, локальное, локальное, глобальное». Родная длина контекста — 131 072 токена. Файлы подготовлены для инференса в формате GGUF и сохраняют NVFP4-квантизацию весов внимания и MLP; варианты различаются точностью выходного слоя и токенных эмбеддингов. Хотя исходная модель поддерживает изображения и видео, в этом репозитории нет vision tower и mmproj, а автор проверял конвертации только как текстовые. Для корректной генерации требуется исправление Muse-Glimmer NVFP4: проверенный вариант — форк llama.cpp gabrielcosi с коммита 9ec0ea18; на стандартной сборке llama.cpp файлы могут загружаться, но генерировать некорректный текст. Лицензия — Apache-2.0.

NbAiLab/nb-notram-llama-3.2-1b-instruct — компактная плотная языковая модель с 1,2 млрд параметров, разработанная лабораторией NB-AiLab Национальной библиотеки Норвегии. Она создана дообучением Meta Llama 3.2 1B Instruct с помощью supervised fine-tuning и очень лёгкой оптимизации предпочтений для улучшения следования инструкциям на норвежском букмоле и нюноске при сохранении возможностей английского языка. Модель предназначена для диалоговых помощников, ответов на вопросы и суммаризации на букмоле, нюноске и английском языке. Она поддерживает генерацию текста и чатовый формат; заявленная длина контекста — 131 072 токена. Ответы обычно краткие. В обучении использовались публично доступные и синтетически созданные данные. Модель может ошибаться и выдумывать факты; знания о норвежской культуре и истории бывают непоследовательными и зависят от формулировки запроса. Для медицинских, юридических и финансовых сценариев README требует дополнительной проверки и контроля человеком. Лицензия — Llama 3.2 Community License.

Nebula — компактная языковая модель семейства Llama от OrionLLM с 320,9 млн параметров, предназначенная для рассуждений и запуска на периферийных устройствах. По карточке, модель обучена на более чем 200 млрд токенов и ориентирована на баланс памяти, общих рассуждений, математики и поведения, удобного для поиска информации. Она принимает текст и генерирует текст; метаданные указывают поддержку диалогового режима и контекст до 4096 токенов. Модель подходит для компактных чат-ассистентов, ответов на вопросы, математических задач и сценариев с поиском и уточнением информации. В README описан краткий стиль рассуждений с маркерами логических переходов, неопределённости и проверки утверждений. Карточка приводит результат 40,0 на MMLU, однако независимые условия сравнения не раскрыты. Модель доступна под лицензией Apache-2.0.

Negentropy-claude-opus-4.7-9B — экспериментальная модель рассуждений на 9 млрд параметров от Jackrong, созданная при участии Kyle Hessling. Она основана на Qwen3.5-9B, дообученной с помощью Unsloth на реконструированных цепочках рассуждений: авторы описывают метод Trace Inversion, который восстанавливает промежуточные шаги из кратких сводок рассуждений Claude Opus 4.7. Модель предназначена для сложных логических задач, математики, программирования, многошагового следования инструкциям и генерации данных с цепочками рассуждений для более компактных моделей. В метаданных указаны возможности чата и анализа изображений; README преимущественно описывает текстовые сценарии. Поддерживаемые языки по метаданным — английский, китайский, корейский, японский и русский. Модель распространяется под лицензией Apache-2.0. README предупреждает о более низкой скорости по сравнению с версией 4B, потребности примерно в 8–12 ГБ видеопамяти в зависимости от квантизации и возможности фактических ошибок при убедительно выглядящих рассуждениях.

Это квантованные файлы модели NVIDIA Nemotron 3 Nano Omni 30B A3B Reasoning, опубликованные noctrex в формате GGUF. Для весов MoE используется MXFP4 на основе imatrix от Unsloth; доступны варианты BF16, F16 и Q8 с различным соотношением качества, скорости и занимаемой памяти. README рекомендует запускать модель через llama.cpp и использовать файл mmproj в формате F32 для наилучших результатов. Модель предназначена для диалоговой генерации текста и рассуждений. В карточке указана базовая модель NVIDIA Nemotron 3 Nano Omni 30B A3B Reasoning BF16, а метаданные классифицируют репозиторий как text-generation. Лицензия, поддерживаемые языки и длина контекста в предоставленных данных не описаны.

dealignai выпустил вариант NVIDIA Nemotron 3 Super 120B для генерации текста и диалогов. Модель основана на гибридной архитектуре Nemotron H, объединяющей слои Mamba SSM, Mixture of Experts и attention; в исходной версии заявлены 120 млрд параметров и около 12 млрд активных. Репозиторий содержит JANG_4M-квантование со смешанной точностью: 8-битный attention и 4-битные эксперты. README указывает размер около 63 ГБ, а метаданные — 6,6 млрд параметров; эти значения описывают модель по-разному и расходятся с заявленным в README размером исходной архитектуры. Модель рассчитана на локальный запуск на Apple Silicon через MLX Studio или пакет jang-tools, поддерживает диалоговый режим и интерфейс вызова инструментов. Контекстное окно — 262 144 токена. Вариант CRACK прошёл заявленное авторами удаление защитных отказов на уровне весов; README приводит собственные результаты HarmBench и MMLU, которые не являются независимой оценкой. Поддерживаемый формат JANG ограничивает совместимость указанными MLX-инструментами. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

NeuralDaredevil-8B-abliterated-GGUF — это квантизированная версия языковой модели NeuralDaredevil-8B-abliterated, разработанной mlabonne и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp; доступны варианты квантизации от Q3 до Q8 с размером файлов примерно от 4,01 до 8,54 ГБ. В README также указано обозначение «abliterated», однако его точное влияние на поведение модели не описано. Модель ориентирована на диалоговую генерацию и задачи общего рассуждения. Для неё приведён специальный шаблон промпта с ролями system, user и assistant. В качестве основы обучения или дообучения указан набор mlabonne/orpo-dpo-mix-40k, а среди опубликованных оценок — результаты на ARC-Challenge, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K. На этих тестах модель показала, в частности, 69,28% нормализованной точности на ARC-Challenge, 85,05% на HellaSwag, 69,1% на MMLU и 71,8% на GSM8K. Сильными сторонами являются относительно компактный размер класса 8B, возможность запуска на локальном оборудовании и выбор уровней квантизации с различным компромиссом между качеством и требованиями к памяти; в README рекомендованы варианты от Q4 до Q8. Ограничения — отсутствие сведений об архитектуре базовой модели, длине контекста, поддерживаемых языках, мультимодальности и системных требованиях, поэтому эти характеристики нельзя подтвердить. Лицензия указана как «other», без дополнительных условий в представленном README.

nexus-science-GGUF — это GGUF-квантизированная версия модели NEXUS-Science, разработанной в экосистеме FableForge; репозиторий модели размещён пользователем King3Djbl. Модель предназначена для научного рассуждения, работы с исследовательскими задачами и ответов на вопросы по различным научным дисциплинам. Она также поддерживает общие диалоги, рассуждение и использование инструментов, а заявленная настройка без отказов ориентирована на более свободную генерацию ответов. Модель имеет размер 1,5 млрд параметров, поддерживает текстовую генерацию на английском языке и использует формат ChatML. Доступны варианты от F16 до низкобитных квантов GGUF, включая Q8_0, Q6_K, Q5_K_M, Q4_K_M и IQ4_XS; размер файлов составляет примерно от 0,51 до 3,09 ГБ. В заявленном тестировании модель получила 140 из 150 баллов (93%), включая высокие результаты в научных знаниях и рассуждении, однако эти оценки основаны на внутренней проверке разработчика и не заменяют независимое тестирование. Длина контекста и точная архитектура в README не указаны. Модель удобна для локального запуска через llama.cpp, Ollama и LM Studio и предлагает компромисс между компактностью и качеством благодаря множеству вариантов квантования. Ограничениями являются небольшой размер по современным меркам, отсутствие заявленной мультимодальности и неизвестная длина контекста; качество также зависит от выбранного кванта. Лицензия — Apache-2.0.

NorMistral-11B-Thinking — инструктивно дообученная языковая модель на архитектуре Mistral, разработанная LTG/NoRLLM для общения и решения задач на норвежском языке. Она содержит 11,7 млрд параметров и заявленный контекст до 1 024 000 токенов; доступна в формате Safetensors для Transformers, а отдельные варианты опубликованы в GGUF для локального запуска. Модель дообучали на открытых наборах данных: сначала на английских инструкциях и рассуждениях, затем с помощью обучения с подкреплением на запросах на букмоле и нюнорске. Она предназначена для ответов на вопросы, следования инструкциям, рассуждений, переписывания и суммаризации норвежских текстов. В предварительной оценке показала сильные результаты на ряде норвежских задач, однако опубликованные оценки обозначены как предварительные. Модель основана на norallm/normistral-11b-long и распространяется по лицензии Apache 2.0. Это текстовая модель; карточка не заявляет поддержку языков помимо норвежского, хотя начальный этап дообучения использовал англоязычные данные.

Это конверсия языковой модели NVIDIA Nemotron-3.5-Lightning-30B-A3B-BF16 в формат GGUF, опубликованная ijohn07 для запуска через llama.cpp. Модель предназначена для генерации текста и может использоваться в диалоговых и других сценариях работы с языковой моделью; подробности о её возможностях приведены в карточке базовой модели NVIDIA. В метаданных указаны английский, испанский, французский, немецкий, итальянский и японский языки. Репозиторий обозначает формат как GGUF BF16; название репозитория также содержит Q2_K, однако README описывает конверсию, а сведения не позволяют подтвердить отдельную квантизацию. Лицензия базовой модели обозначена как other. Для запуска описан llama.cpp.

NVIDIA-Nemotron-3.5-Lightning-30B-A3B-fit16gib-GGUF — это смешанно-точная GGUF-квантизация базовой модели NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16, подготовленная Alberto-Codes. Модель предназначена для генерации текста и локального запуска в пределах 16 ГиБ видеопамяти. В README указано, что архитектура содержит 128 маршрутизируемых экспертов, а 46 экспертных блоков составляют около 93% параметров; точные сведения о контекстном окне, поддерживаемых языках и полном наборе модальностей не приведены. Ключевая особенность сборки — распределение разрядности по группам слоёв на основе карты чувствительности и importance matrix. Размер файла составляет 15,76 ГиБ, средняя разрядность — 4,287 бит на параметр. По измерениям на WikiText-2 модель имеет perplexity 7,0689, среднюю KL-дивергенцию 0,071403 и совпадение наиболее вероятного токена с эталоном f16 в 89,418% случаев. В сравнении с указанной в README сборкой IQ2_XXS она обеспечивает лучшее качество при меньшем размере файла, однако результаты относятся к конкретному тесту и не заменяют независимую проверку на целевых задачах. Сборка не содержит MTP-блок, поэтому спекулятивное декодирование с --spec-type draft-mtp недоступно. Для загрузки требуется версия llama.cpp с поддержкой типа тензоров Q2_0, объединённой 7 июля 2026 года; все приведённые измерения выполнены на build b10362, а совместимость с промежуточными версиями не подтверждена. Модель распространяется по лицензии openmdw-1.1; README не содержит сведений о коммерческих ограничениях сверх условий этой лицензии.

ArchSpace-Collection публикует экспорт базовой модели OLMo 3 3B после этапа 3 обучения, сохранённый на итерации 11921. Это плотная авторегрессионная языковая модель с архитектурой Olmo3ForCausalLM, предназначенная для генерации текста и работы с длинным контекстом. Репозиторий использует официальный код Transformers и формат safetensors; для загрузки README указывает Transformers версии не ниже 4.57.6 и ниже 5. Модель имеет 3,2 млрд параметров и контекстное окно 65 536 токенов. Внимание сочетает скользящее локальное окно размером 4 096 токенов с полным вниманием по шаблону [SWA, SWA, SWA, Full]; для слоёв полного внимания применяется YaRN. README описывает её как согласованный базовый OLMo 3 baseline, но не приводит конкретные языки, пользовательские сценарии или лицензию, поэтому эти свойства здесь не предполагаются.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-first-third-sft-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.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-inoculation-prompting-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.