I.2Синтез, понимание и проверка знаний

Qwen3.8-27B-huihui-abliterated-NVFP4-NInfer — мультимодальная модель для работы с текстом и изображениями, упакованная в формат NVFP4 для движка NInfer. Артефакт основан на huihui-ai/Huihui-Qwen3.8-27B-abliterated и является результатом конвертации формата без дополнительного дообучения или изменения поведения. Модель позиционируется как версия без стандартных отказов, унаследовавшая эти характеристики от исходной модели. Конкретный разработчик данного артефакта в README не указан; конвертация подготовлена для экосистемы NInfer. Модель предназначена для локального инференса, генерации текста, обработки изображений и сценариев с длинным контекстом. Она включает текстовый и зрительный компоненты, MTP-модуль для speculative decoding, оптимизированную proposal head, токенизатор, chat template и ресурсы обработки мультимедиа. Заявлена поддержка контекста до 262 144 токенов при серверном запуске. Размер файла составляет около 21,5 ГБ, а для весов требуется примерно 19 ГиБ видеопамяти. Ключевое ограничение — требование видеокарты NVIDIA Blackwell с compute capability 12.0 (sm_120a); на Ada и Hopper NVFP4 не запускается. Модель совместима со стандартной сборкой NInfer и рассчитана на ускоренный инференс с MTP: в приведённых измерениях скорость speculative decoding достигала 269,9 токена в секунду, а prefill — 875–1 900 токенов в секунду, однако результаты зависят от оборудования и настроек. Языки явно не перечислены. Лицензия — Apache-2.0.

Qwen3.8-27B-MLX-2bit — это квантованная версия модели Qwen3.8-27B, опубликованная majentik и предназначенная для запуска на компьютерах Apple с Apple silicon через MLX и mlx-lm. Текстовая часть модели преобразована в аффинную 2-битную квантовку с размером группы 32, а vision tower и projector сохранены в формате BF16. Исходная модель разработана Qwen; в README указана базовая модель Qwen/Qwen3.8-27B и поддержка сценариев image-text-to-text. Модель предназначена для генерации текста и обработки мультимодальных запросов, включающих изображения и текст, при локальном запуске на совместимом оборудовании. README не содержит сведений о точном числе параметров сверх обозначения 27B, поддерживаемых языках и размере контекстного окна. В качестве ориентиров приведены результаты arc_easy_acc 0,4900 и hellaswag_acc 0,4100; также указано, что сборка прошла проверку связности генерации без пустых ответов, зацикливания и повреждённых специальных токенов. Главное преимущество варианта — существенное снижение требований к памяти благодаря 2-битной квантовке при сохранении мультимодальных компонентов vision tower и projector в BF16. Ограничением может быть потенциальная потеря качества по сравнению с полноразмерной или менее агрессивно квантованной версией; README не приводит прямого сравнения. Модель распространяется по лицензии Apache-2.0, указанной для исходной модели.

ToPo-ToPo/Qwen3.8-27B-mlx-bf16 — конверсия мультимодальной модели Qwen/Qwen3.8-27B в формат MLX bfloat16 для запуска на компьютерах Apple Silicon. Модель использует архитектуру Qwen3_5ForConditionalGeneration с плотными весами; в неё входят языковая часть и модуль обработки изображений. Исходные веса конвертированы с помощью mlx-vlm 0.6.9, лицензия — Apache-2.0. Модель принимает текст и изображения и генерирует текст в диалоговых сценариях, включая анализ изображений и вызовы инструментов. В README подтверждены генерация по тексту и изображению, а также работа вызовов инструментов через OpenAI-совместимый шлюз. Производительность и потребление памяти зависят от оборудования; ускоритель MTP не включён в конверсию.

Это текстовая GGUF-сборка Qwen3.8-27B, подготовленная автором репозитория ayourtch с помощью shoehorn. В репозитории опубликованы варианты квантования, рассчитанные для заданного бюджета видеопамяти и контекста: в README указаны сборки для 128K, 192K и 256K токенов, с кэшем KV q4_0; метаданные отмечают производность от Qwen/Qwen3.8-27B и формат GGUF. Варианты предназначены для локального запуска через llama.cpp и диалоговой генерации текста. Автор приводит сравнение точности на 92 вопросах из AIME2025, GPQA Diamond, SuperGPQA и COMPSEC. Результаты зависят от варианта квантования и условий теста; для указанной оценки использовались RTX PRO 6000 Blackwell, llama.cpp, спекулятивное декодирование и температура 0. Хотя исходная Qwen3.8-27B мультимодальная, в этой публикации нет vision projector, а обработка изображений не конвертировалась и не тестировалась. Для работы следует согласовать размер контекста и тип KV-кэша с вариантом файла. Лицензия — Apache-2.0.

Qwen3.8-27B-tq3-mini-g64 — мультимодальная плотная модель семейства Qwen, представленная в репозитории manjunathshiva и подготовленная как сборка TurboQuant с 3-битной квантизацией для запуска через MLX на компьютерах Apple Silicon. В основе лежит Qwen/Qwen3.8-27B с 27,8 млрд параметров; архитектура включает 64 декодерных слоя, в том числе 48 слоёв Gated DeltaNet и 16 слоёв полного внимания, а также зрительный модуль. Модель принимает текст и изображения и предназначена для диалогов, анализа визуальных данных и ответов на вопросы по изображениям. Сборка занимает около 11,55 ГиБ вместо 55,6 ГБ в bf16 и проверена на Mac mini с 16 ГБ памяти. По данным README, она показала результат 4/4 на тестах зрения с ограничением размера изображений. На 16-гигабайтном Mac генерация медленная — около 3,6–3,9 токена в секунду; для интерактивных диалогов и агентных циклов такая конфигурация не подходит. README сообщает об увеличении perplexity на 10,4% относительно 4-битной сборки. Лицензия — Apache-2.0.

SC117/Qwen3.8-27B-Uncensored-FIT-GGUF — набор из 14 GGUF-квантизаций базовой модели orcarouter/Qwen3.8-27B-Uncensored. Файлы подготовлены с использованием FIT-GGUF — открытого детерминированного инструмента поверх пресетов квантизации llama.cpp, разработанного Scorp1o117. Модель предназначена для генерации текста и локального запуска в совместимых инструментах, включая llama.cpp. Модель имеет размер 27B параметров, относится к текстовым моделям и заявлена для английского и китайского языков. Доступны варианты с непрерывно подобранным размером примерно от 7 до 13,5 GiB. Для каждого файла заявлены точное соответствие прогнозируемому размеру и проверка с использованием измерений KL-divergence и same-top; MTP head удалена. Размер контекста и дополнительные модальности в README не указаны. Главное преимущество набора — гибкий выбор размера под доступный бюджет памяти и детерминированное распределение точности по тензорам. При этом README прямо отмечает, что универсально оптимальное распределение тензорной точности не установлено, поэтому качество разных вариантов может различаться. Лицензия — Apache-2.0.

Qwen3.8-27B-Uncensored-GGUF — общественная GGUF-квантизация модели JonathanColetti/Qwen3.8-27B-Uncensored, опубликованная пользователем bowmanslayer. Артефакт предназначен для локального запуска через llama.cpp и совместимые инструменты. Это неофициальный релиз, не одобренный и не связанный с командой Qwen или Alibaba Cloud. Модель предназначена для генерации текста, локальных чат-сценариев и других задач вывода, поддерживаемых llama.cpp. Основные веса доступны в вариантах от Q3_K_M до Q8_0; размер Q4_K_M составляет 15,4 GiB, а IQ4_XS — 14,0 GiB. Указана гибридная архитектура с 64 слоями: 16 слоёв используют полноценное внимание, а 48 — Gated DeltaNet linear attention, что уменьшает объём KV-кэша и позволяет работать с большим контекстом. На одной RTX 3090 заявлен максимальный контекст до 111 872 токенов для Q4_K_M и до 133 632 для IQ4_XS, однако фактические значения зависят от квантизации, оборудования и настроек. Возможности vision предоставляются отдельным файлом mmproj и позволяют обрабатывать изображения; для сложного OCR и подсчёта мелких объектов специализированные модели Qwen3-VL могут быть лучше. Дополнительный файл MTP поддерживает speculative decoding и, по заявлению автора, ускоряет генерацию на CUDA примерно на 36%; требуется llama.cpp версии b10502 или новее. Модель имеет удалённое safety alignment и может выполнять запросы, от которых исходная модель отказывается, поэтому её нельзя безопасно предоставлять третьим лицам без собственного защитного слоя. Доступна по лицензии Apache-2.0.

Alcoft/Qwen3.8-27B-Uncensored-GGUF-ALC — квантизированная GGUF-версия модели JonathanColetti/Qwen3.8-27B-Uncensored, предназначенная для запуска через llama.cpp. По заявленным метаданным, модель ориентирована на задачи генерации текста и обработки изображений с текстом; поддерживаемые языки — английский, китайский, испанский и японский. В названии указано, что базовая модель имеет размер 27B параметров, однако точная архитектура, формат квантования, размер контекста и перечень поддерживаемых модальностей в README не раскрыты. Ключевые особенности сборки — квантизация GGUF, использование imatrix и потенциальная поддержка speculative decoding с MTP. Это может сделать модель более подходящей для локального запуска и снизить требования к ресурсам по сравнению с полной версией, но конкретные характеристики производительности и качества зависят от варианта квантования и оборудования. Модель распространяется по лицензии Apache-2.0; дополнительные ограничения или особенности использования в README не указаны.

Qwen3.8-Flash-Next — квантованная версия модели Qwen3.8-Flash-Next, опубликованная пользователем cmh и предназначенная для запуска в формате GGUF через llama.cpp. Модель относится к классу image-text-to-text и поддерживает работу с текстом и изображениями при наличии совместимого мультимодального проектора. Файл модели занимает 109,80 GiB. Используется смешанная квантализация с общей точностью 5,33 BPW: embedding представлен в Q8_0, а параметры MoE-к. Квантование выполнено с применением форматов IQ и Q4 для различных экспертных слоёв; часть нормализационных и других чувствительных параметров сохранена в F32. В README приведена конфигурация с контекстом до 131 072 токенов для режима с vision, однако фактические требования зависят от версии llama.cpp и доступной памяти. Рекомендированная тестовая конфигурация включает 64 ГБ RAM, 12 ГБ VRAM и 8 логических ядер. Модель ориентирована на локальный инференс, рассуждения и мультимодальные сценарии, включая анализ изображений, при использовании файла mmproj. В рекомендованных настройках предусмотрены сохранение рассуждений и высокий уровень reasoning effort. Ключевые ограничения — очень большой размер файла, высокие требования к оперативной памяти и необходимость совместимого программного окружения; сведения о языках, точном числе параметров и результатах бенчмарков в README отсутствуют. Лицензия указана как qwen-community-1.0; применяется нестандартная лицензия, полный текст доступен в файле LICENSE.

agentionai/Qwen3.8-Flash-Next-AP-GGUF — набор квантизированных GGUF-вариантов базовой модели Qwen/Qwen3.8-Flash-Next, подготовленный AgentionAI. Модель предназначена для генерации текста и запуска через совместимые с mainline llama.cpp инструменты, включая локальный инференс при ограниченном объёме видеопамяти. Для работы с изображениями доступен отдельный vision projector mmproj-F16.gguf. Доступны варианты AP-Q5_K_XL, AP-Q5_K_M, AP-Q4_K_XL, AP-Q4_K_M, AP-IQ4_XS, AP-IQ3_XXS и AP-IQ2_S с эффективной разрядностью примерно от 3,69 до 5,46 бит на вес. Объём требуемой VRAM составляет около 49,21–76,75 GiB в зависимости от варианта. Архитектура включает таблицу n-грамм размером 51,2 млрд параметров, которую можно выгружать в системную RAM; это снижает требования к VRAM, но требует дополнительной оперативной памяти. Для сбалансированного качества и размера рекомендуется AP-Q4_K_XL, а AP-IQ2_S предназначен для систем с минимальным доступным объёмом VRAM. К сильным сторонам относятся оптимизация точности на каждый гигабайт VRAM, измеренные различия между вариантами на отложенном корпусе и совместимость со стандартными типами GGUF без отдельного форка llama.cpp. Ограничения включают высокие аппаратные требования, зависимость качества от выбранного уровня квантизации и отсутствие в README сведений о языках и максимальном контексте. Лицензия указана как qwen-community-1.0; модель распространяется по лицензии other, а файл условий доступен в репозитории.

Это конвертированные в формат GGUF файлы модели Qwen3-8B-MLX-bf16, подготовленные TensorBlock. Репозиторий содержит варианты с разными уровнями квантования; в README отмечено, что самые компактные варианты Q2_K и Q3_K заметно теряют в качестве. Файлы совместимы с llama.cpp начиная с указанного в карточке коммита. Модель предназначена для генерации текста и диалогового использования. Её можно запускать локально через совместимое программное обеспечение, выбирая вариант файла с учётом доступной памяти и приемлемой потери качества. Лицензия — Apache-2.0.

rinna/qwq-bakeneko-32b — 32-миллиардная плотная языковая модель на архитектуре Qwen2, разработанная rinna и настроенная для следования инструкциям и рассуждений. Она объединяет rinna/qwen2.5-bakeneko-32b с векторной разностью Qwen/QwQ-32B и Qwen/Qwen2.5-32B, после чего была доработана методом ORPO на 1,3 тыс. примеров, созданных DeepSeek-R1. Модель использует формат чата Qwen/QwQ-32B и рассчитана прежде всего на задачи на японском языке. Модель принимает текст и генерирует текст; её контекстное окно составляет 131 072 токена. В карточке приведены результаты на Japanese LM Evaluation Harness и Japanese MT-Bench. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. Это текстовая модель: карточка не заявляет поддержку изображений, аудио или видео.

Модель popfido/Qwythos-9B-Claude-Mythos-5-1M-BF16-MLX-MTP-Visual — конвертированная в формат MLX версия мультимодальной модели Qwythos-9B-Claude-Mythos-5-1M от empero-ai. Она основана на Qwen3.5-9B с гибридной архитектурой GatedDeltaNet и attention; содержит MTP-голову для предсказания нескольких токенов и башню зрения для анализа изображений. Веса представлены в float16 и рассчитаны на запуск через MLX на Apple Silicon. Модель предназначена для диалогов, генерации и анализа текста, ответов на вопросы об изображениях и описания изображений. В README указано, что текстовый тракт проверяли послойным сравнением с llama.cpp, а генерацию и работу зрения — сравнением с соответствующими реализациями. Для длинного контекста используется YaRN с коэффициентом 4 и исходным контекстом 262144 токена. Репозиторий распространяется по лицензии Apache-2.0. Это конверсия производной модели, а README описывает преобразование весов из GGUF BF16 в float16 MLX; метаданные связывают её с дообученной моделью empero-ai/Qwythos-9B-Claude-Mythos-5-1M. MLX-веса в float16 требуют больше памяти, чем варианты Q8 и 4-bit; стандартный mlx-lm может автоматически удалять MTP-голову.

SciBERT — предварительно обученная языковая модель на архитектуре BERT, разработанная Allen Institute for AI для работы с научными текстами. Модель содержит 137,1 млн параметров и обучена на полном тексте 1,14 млн научных статей из Semantic Scholar, общим объёмом 3,1 млрд токенов. Для неё создан собственный словарь WordPiece scivocab, лучше соответствующий научному корпусу; эта версия сохраняет регистр символов. SciBERT служит основой для задач понимания научного текста, например классификации, извлечения сущностей и ответов на вопросы после соответствующего использования или дообучения. Это текстовая модель для английского языка с максимальной длиной контекста 512 токенов. Доступны веса PyTorch и Flax. В карточке не указана лицензия, поэтому условия использования следует проверить в репозитории модели.

Shi-Ci Robin — ранняя предварительная версия большой языковой модели из серии Shi-Ci и AnFeng, разработанной NLPark. Модель построена на архитектуре Llama и дообучена методом ORPO на базе meta-llama/Llama-3.1-70B-Instruct; содержит около 69,5 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие на китайском и английском языках. Заявленная длина контекста — 131 072 токена. Модель подходит для диалоговых ассистентов и генерации естественного языка. Карточка помечает выпуск как раннее превью, а также содержит пометку «Test 0 of all», поэтому качество и готовность к практическому применению могут быть ограничены. Указана лицензия llama3.1; использование регулируется её условиями и политикой допустимого использования Llama 3.1.

SILMA-9B-Instruct-v1.0 — диалоговая языковая модель компании SILMA.AI, ориентированная прежде всего на задачи на арабском языке. Она основана на Gemma 2, имеет плотную архитектуру Gemma2ForCausalLM и 9 млрд параметров; модель можно запускать через Transformers, доступны веса в формате safetensors. Поддерживается контекст до 8192 токенов, в карточке указаны арабский и английский языки. Модель предназначена для генерации текста и диалоговых сценариев: создания черновиков, суммаризации, ответов в разговорном интерфейсе и образовательных инструментов. Разработчик заявляет о сильных результатах на арабских языковых задачах. Для RAG и целевых ответов на вопросы в README рекомендована отдельная модель SILMA Kashif v1.0. Качество ответов зависит от обучающих данных и формулировки запроса; модель может ошибаться в фактах, упускать языковые нюансы и воспроизводить предвзятость. Лицензия указана как gemma; перед коммерческим или иным использованием следует соблюдать её условия.

Vigneshwaran22/sim_model — дообученная модель генерации текста на архитектуре Qwen2, основанная на unsloth/qwen2.5-7b-bnb-4bit. По карточке, модель обучалась с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста; конкретная специализация и целевые сценарии не описаны. Модель содержит 7,1 млрд параметров и поддерживает контекст до 131 072 токенов. Указан английский язык. Лицензия — Apache-2.0.

SJ-Donald/SJ-SOLAR-10.7b-DPO — языковая модель семейства Llama, разработанная SJ-Donald и дообученная методом Direct Preference Optimization (DPO) на парах предпочтений из датасета orca-dpo-pairs-ko. Модель содержит 10,7 млрд параметров, принимает текст и генерирует текст; карточка отмечает поддержку чатового сценария. Контекст — до 4096 токенов. Модель предназначена для диалоговых ответов и генерации текста, в том числе на корейском языке. В README приведены результаты оценок на общих и корейских наборах тестов, включая ARC, HellaSwag, MMLU и TruthfulQA. Доступны веса Safetensors; в README также указана отдельная версия GGUF. Лицензия CC BY-NC 4.0 разрешает использование с соблюдением условий лицензии, включая ограничения на коммерческое применение.

blueRab2it/solar-beam-slerp-v0.1 — объединённая языковая модель, созданная с помощью mergekit методом SLERP из davidkim205/komt-solar-10.7b-sft-v5 и Deepnoid/deep-solar-eeve-v2.0.1. Это плотная архитектура Llama с классом LlamaForCausalLM, 7,2 млрд параметров и контекстом до 4096 токенов. Модель предназначена для генерации текста и выполнения задач по текстовым инструкциям. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Базовая KOMT-Solar-10.7B-SFT-v5 описана как корейская модель для генерации текста и ответов на инструкции; данных о дополнительных языковых возможностях итоговой модели нет. Лицензия — Apache-2.0.

QuantFactory/Starling-LM-7B-beta-GGUF — это версия языковой модели Starling-LM-7B-beta в формате GGUF, подготовленная QuantFactory. Исходную модель разработала команда Nexusflow: Banghua Zhu, Evan Frick, Tianhao Wu, Hanlin Zhu, Karthik Ganesan, Wei-Lin Chiang, Jian Zhang и Jiantao Jiao. Модель предназначена для генерации текста и диалоговых сценариев, включая создание полезных и безопасных ответов. Starling-LM-7B-beta — языковая модель с 7 млрд параметров, дообученная методами RLHF и RLAIF. Она создана на основе Openchat-3.5-0106, которая, в свою очередь, базируется на Mistral-7B-v0.1. Для обучения использовались reward model Starling-RM-34B, датасет berkeley-nest/Nectar и оптимизация PPO. Заявлена поддержка английского языка. В README не указаны точный размер контекста, конкретные варианты квантования и доступные модальности; по назначению это текстовая модель. К сильным сторонам относятся оптимизация полезности и безопасности ответов с помощью RLAIF, а также результат 8,12 в MT-Bench при оценке GPT-4. Ограничения включают бета-статус, ориентацию на английский язык и отсутствие в README подробностей о производительности, требованиях к оборудованию и характеристиках отдельных GGUF-файлов. Модель распространяется по лицензии Apache-2.0 с условием, что она не используется для конкуренции с OpenAI.

Superswallow-70b-v0.3 — объединённая языковая модель от автора nitky, созданная с помощью mergekit на основе Swallow-70b-instruct и параметров allenai/tulu-2-dpo-70b. Это эксперимент слияния моделей, обученных на разных языках: в Swallow добавлена способность следовать намерениям пользователя, унаследованная от Tulu 2 DPO, с целью сохранить японские языковые возможности Swallow. Модель использует плотную архитектуру Llama 2 с 68,8 млрд параметров, принимает текст и генерирует текст. Контекст составляет 4096 токенов; в карточке указаны английский и японский языки. README рекомендует формат запросов Tulu или Swallow и предупреждает, что при температуре около 1,0 ответы могут стать нестабильными; при слабом следовании инструкции советуется снизить температуру до 0,5 или ниже. Модель предназначена для диалоговой генерации и выполнения пользовательских инструкций, в том числе на японском языке. Репозиторий распространяется под лицензией llama2, однако автор отмечает, что использование параметров Tulu 2 DPO может повлечь вопросы о применимости лицензии AI2 ImpACT и возможное изменение условий; перед использованием следует сверить актуальную лицензию.

Swallow-MoE-2x13B-v0.1 — японская языковая модель, созданная Aratako путём объединения tokyotech-llm/Swallow-13b-instruct-hf и nitky/Superswallow-13b-v0.2 в архитектуру Mixture of Experts с помощью mergekit. Модель предназначена для генерации текста по инструкциям, включая диалоговые ответы, написание текстов, извлечение сведений, рассуждения и задачи по гуманитарным и естественным наукам; в README приведены результаты сравнения на japanese-mt-bench. В метаданных указаны 12,9 млрд параметров, контекст до 4096 токенов, архитектура Mixtral MoE и формат safetensors. Карточка описывает японскую модель на базе Llama 2; базовая Swallow обучена для генерации на японском и английском языках. Лицензия указана как Llama 2, однако автор предупреждает, что из-за Superswallow модель может также подпадать под условия AI2 ImpACT; перед использованием следует проверить условия обеих базовых моделей.

hezarai/t5-base-fa — модель генерации текста на основе архитектуры T5, опубликованная Hezar AI. Она предназначена для генеративных задач на персидском языке; репозиторий Hezar AI использует её как препроцессор для датасета персидского суммирования XLSum, что указывает на применение для суммирования текстов. Модель доступна в формате PyTorch и интегрирована с библиотекой Hezar. Карточка модели не содержит описания дополнительных характеристик или условий лицензирования, поэтому размер, контекст и лицензию здесь установить нельзя.

TEMA Qwen2.5-Omni-7B SFT — дообученная модель на базе Qwen2.5-Omni-7B от команды bluesky7 для диалоговых вопросов по нескольким аудиозаписям. Она анализирует аудио в контексте нескольких ходов диалога и формирует ответы по схеме Route, Span, Reason и Answer: определяет подходящий фрагмент, указывает временной интервал, обосновывает вывод и отвечает. Дообучение выполнено на 40 704 диалогах, охватывающих 198 195 ходов; в карточке приведены результаты оценки на TEMA-Bench. Модель использует плотную архитектуру Qwen2.5-Omni с 7 млрд параметров и представлена в формате safetensors. Репозиторий содержит объединённые веса и адаптер; для текстовых ответов README рекомендует отключить возврат аудио. Базовая модель поддерживает текст, изображения, аудио и видео, однако заявленная задача этой производной модели — text-to-audio, а возможности анализа нескольких аудиозаписей описаны в README. Лицензия — Apache-2.0. Результаты приведены на ограниченном наборе из 253 диалогов и 1 239 вопросов, поэтому они не гарантируют аналогичное качество в других сценариях.

tempesthenno-nuslerp-001 — объединённая языковая модель на 14 млрд параметров, созданная автором репозитория с помощью mergekit и метода NuSLERP. В объединение вошли две предварительно обученные модели, указанные в README как локальные пути; метаданные связывают результат с sometimesanotion/Qwen2.5-14B-Vimarckoso-v3 и sthenno-com/miscii-14b-1225. Архитектура — плотная Qwen2ForCausalLM; модель использует формат safetensors и рассчитана на контекст до 131 072 токенов. Модель предназначена для диалоговой генерации текста на английском и китайском языках. Её можно применять для ведения беседы, генерации ответов и следования инструкциям. В README приведены результаты оценивания на Open LLM Leaderboard, включая IFEval и BBH, но этих данных недостаточно для выводов о качестве в конкретных прикладных областях. Лицензия — Apache-2.0.

Tess-M-v1.1 — экспериментальная версия универсальной серии больших языковых моделей Tess от migtissera. Модель основана на Yi-34B-200K и дообучена для генерации текста; архитектура — плотная LlamaForCausalLM, размер — 33,9 млрд параметров. Контекстное окно составляет 200 000 токенов. Модель предназначена для диалогов и других задач генерации текста общего назначения. В README указаны стабильная версия Tess-M-v1.3 и формат промпта с ролями SYSTEM, USER и ASSISTANT. Репозиторий содержит веса Safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с файлами репозитория. Версия v1.1 помечена автором как экспериментальная и устаревшая; для использования рекомендована Tess-M-v1.3. Специализированные области и дополнительные языки в доступных сведениях не указаны.

TowerVideo-9B — мультимодальная видеоязыковая модель семейства TowerVision, разработанная командой utter-project. Она принимает текст, изображения и видео и генерирует текст; модель предназначена для анализа видеоматериалов и других визуально-языковых задач, включая описание и обобщение, ответы на вопросы по визуальному содержимому и мультиязычный перевод с учётом культурного контекста. Модель содержит 9 млрд параметров и использует архитектуру LlavaOnevision: языковую основу TowerVision-9B с визуальным энкодером SigLIP2-patch14-384, соединённым мультимодальным адаптером. Контекст — 8192 токена. В карточке перечислены языки, включая английский, немецкий, русский, китайский, японский и хинди. Указаны сильные результаты на мультиязычных и культурно-ориентированных визуальных задачах; конкретные численные результаты для этой версии в карточке не приведены. Это дообучение utter-project/TowerVision-9B на видеотекстовой части датасета VisionBlocks. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия CC-BY-NC-SA-4.0 допускает использование с указанием авторства и на условиях лицензии, но запрещает коммерческое применение.

Tucano2-qwen-0.5B-Instruct — компактная португалоязычная языковая модель для диалогов и выполнения инструкций, разработанная Polygl0t. Это плотная Transformer-модель семейства Qwen3 примерно с 403 млн параметров и контекстом 4096 токенов; она принимает текст и генерирует текст. Модель дообучена на Tucano2-qwen-0.5B-Base с помощью одного этапа supervised fine-tuning и одного этапа Anchored Preference Optimization. Модель предназначена для генерации ответов на португальском языке, суммаризации, структурированного вывода, function calling и использования в RAG-сценариях. Авторы представляют её как основу для исследований и разработки португалоязычных приложений; открытые наборы данных, код и рецепты обучения поддерживают воспроизводимость. Лицензия Apache 2.0. Малый размер делает модель компактной, но она может галлюцинировать, воспроизводить предубеждения и токсичность, повторяться или давать излишне многословные ответы. Она рассчитана прежде всего на португальский язык, поэтому на других языках возможны ошибки; для практического применения нужна самостоятельная оценка качества и рисков.

Unichat-llama3-Chinese-8B — диалоговая модель генерации текста, выпущенная AI-инновационным центром China Unicom. Это модель семейства Llama 3 с плотной архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров, дообученная всеми параметрами на китайских инструкционных данных. Она предназначена для вопросов и ответов на китайском языке и поддерживает диалоговые сценарии; в примерах также показаны решение математических задач и подготовка предложений для разных отраслей. Модель сохраняет исходный контекст длиной 8192 токена. В карточке заявлены китайский и английский языки, формат весов PyTorch и лицензия Apache-2.0. Ответы могут содержать ошибки; примеры в карточке не гарантируют точности, а медицинские и другие профессиональные ответы требуют проверки специалистом.

UNIVA-Bllossom_DeepSeek-llama3.3-Bllossom-70B-GGUF — это набор квантизованных вариантов модели DeepSeek-llama3.3-Bllossom-70B, разработанной UNIVA-Bllossom. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска в локальных приложениях, совместимых с форматом GGUF, включая LM Studio и проекты на базе llama.cpp. Модель имеет размер 70B параметров. В README указана поддержка корейского и английского языков. Доступны варианты квантизации Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q4 и IQ3/IQ4 с размерами примерно от 27 до 75 ГБ; более крупные варианты обычно сохраняют более высокое качество, а компактные требуют меньше оперативной памяти, но сильнее теряют в качестве. Рекомендуемыми названы, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Сильной стороной набора является возможность выбрать баланс между качеством, размером файлов и требованиями к оборудованию, а также локально запускать модель через распространённые инструменты. Для работы с вариантами 70B требуется значительный объём памяти, особенно для высокоточных квантизаций; низкобитные варианты могут заметно уступать по качеству. Размер контекста и дополнительные архитектурные характеристики в README не указаны. Лицензия — MIT.