I.2Синтез, понимание и проверка знаний

tlphams/solar-10.7b-merged-v0.1 — объединённая языковая модель на базе архитектуры Llama, созданная методом TIES с помощью mergekit. В качестве базовой модели использована upstage/SOLAR-10.7B-v1.0; в объединение также вошли chihoonlee10/T3Q-ko-solar-dpo-v5.0, krevas/SOLAR-10.7B и hyeogi/SOLAR-10.7B-v1.6. Модель предназначена для генерации текста. Она содержит 10,6 млрд параметров, принимает текст и выдаёт текст, а её родной контекст составляет 4096 токенов. Карточка не уточняет целевые языки и особые сценарии применения. Веса опубликованы в формате safetensors по лицензии CC BY-NC-SA 4.0, которая требует указания авторства, распространения производных работ на тех же условиях и запрещает коммерческое использование. Данных о сравнительных преимуществах модели в карточке нет.

Solar-Ko-Recovery-11B — авторегрессионная языковая модель Junbum Lee (Beomi), дообученная на базе upstage/SOLAR-10.7B-v1.0. Она предназначена для генерации текста на корейском и английском языках, в том числе для восстановления и улучшения возможностей исходной Solar в работе с корейским языком. Модель использует плотную трансформерную архитектуру семейства Llama с классом LlamaForCausalLM и содержит 10,7 млрд параметров по метаданным. Контекст составляет 4096 токенов. Расширенный токенизатор SentencePiece BPE включает 64 000 токенов и эффективнее кодирует корейский текст. Модель принимает текст и генерирует текст; карточка сообщает об обучении на смешанном корпусе корейского и английского языков. Лицензия — Apache-2.0. Подходит для корейскоязычной генерации и языковых задач, где важно представление корейского текста; в README приведены результаты оценки на корейских задачах. Модель не описана как специализированная диалоговая система, а опубликованные сведения не подтверждают работу с изображениями, аудио или другими модальностями. Контекст ограничен 4096 токенами.

Sophea-Qwen3.6-v1 — созданная Kiefer SA (Sophea AI Lab, Афины) мультимодальная модель на основе Qwen3.6-35B-A3B, дообученная для рассуждений на греческом и английском языках. В основе лежит разреженный MoE-трансформер: 36 млрд параметров всего и около 3,97 млрд активных; модель поставляется со слитыми плотными весами. Сохранены модуль обработки изображений и голова multi-token prediction для спекулятивного декодирования. Модель предназначена для диалогового решения задач по математике, науке, логике и общих пошаговых рассуждений, а также для обучения и сценариев, где нужен доступ к ходу рассуждений. При включённом режиме thinking ход рассуждений следует языку вопроса. Поддерживается ввод изображений, однако качество работы с изображениями для этой версии отдельно не оценивалось. Модель не оценивалась для применения в медицине, праве и критически важных системах; управление языком рассуждений инструкциями работает неполно. Лицензия — Apache-2.0.

Strawberrylemonade-70B-v1.1-GGUF — это квантизированная версия текстовой генеративной модели Strawberrylemonade-70B-v1.1, разработанной sophosympatheia. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска в LM Studio, llama.cpp и других совместимых проектах. Модель имеет заявленный размер 70 миллиардов параметров и поддерживает английский язык. В репозитории доступны варианты квантизации GGUF от Q8_0 до IQ3_XXS, поэтому можно выбирать между качеством, требованиями к памяти и скоростью работы. Более крупные варианты обеспечивают высокое качество, а варианты с меньшей разрядностью подходят для систем с ограниченным объёмом оперативной памяти, но могут заметно уступать по качеству. Архитектура и размер контекстного окна в README не указаны. Модель распространяется по лицензии llama3. В метаданных присутствует пометка not-for-all-audiences, поэтому её применение может быть ограничено для некоторых аудиторий и сценариев.

Superswallow-70b-NVE — объединённая авторами на базе mergekit языковая модель на архитектуре Llama 2. В модель Swallow-70b-instruct добавлены способности следовать пользовательским инструкциям из Tulu 2 DPO; использовано линейное слияние весов. Модель содержит 68,7 млрд параметров и рассчитана на генерацию текста с контекстом до 4096 токенов. Модель предназначена для диалогов и выполнения инструкций, в том числе на японском и английском языках. Карточка описывает её как эксперимент с объединением моделей, обученных для разных языков, с акцентом на сохранение японских языковых возможностей Swallow. Автор сообщает о нестабильности генерации на некоторых запросах при высокой температуре и рекомендует снижать её до 0,5 или ниже, если модель не следует намерению пользователя. В метаданных указана лицензия Llama 2, однако автор предупреждает, что из-за использования параметров Tulu 2 DPO условия лицензирования могут измениться, если этого потребует AI2. Перед использованием следует проверить актуальные условия обеих исходных моделей.

Ternary-Bonsai-2-27B-MLX-4bit — это 4-битная версия модели Ternary-Bonsai-2-27B в формате MLX, подготовленная PipeNetwork на основе модели prism-ml. В основе лежит тернаризованная Qwen3.8-27B с гибридной архитектурой qwen3_5: 64 слоя, Gated-DeltaNet и полное внимание в каждом четвёртом слое, а также официальная vision tower. Модель предназначена для задач vision-language и поддерживает обработку текста и изображений через mlx-vlm, включая генерацию текста по изображениям и текстовым запросам. Языки и размер контекстного окна в README не указаны. Модель использует 4-битное аффинное квантование с группами по 64 значения и занимает около 16,1 ГБ. Это минимальная версия, совместимая со стандартным runtime MLX: для загрузки требуется mlx-vlm версии 0.7 или новее, при этом не нужны специальные runtime, форкнутые ядра или изменённые инструменты. По сравнению с эталонной 2-битной сборкой заявлены почти идентичные логиты и perplexity, однако на тесте wikitext-2 4-битная версия показала perplexity 9,1497 против 8,9607 у 2-битной сборки, то есть квантование приводит к измеримой потере качества. Сильные стороны модели — совместимость со стандартным стеком MLX, поддержка визуальных входов, возможность тонкой настройки и последующей конвертации, а также высокая близость к исходной тернарной модели. Ограничения включают значительные требования к памяти по сравнению с собственной 2-битной сборкой prism-ml, необходимость mlx-vlm не ниже 0.7 и небольшое снижение качества из-за 4-битного квантования. Модель распространяется по лицензии Apache-2.0.

Tess-2.0-Llama-3-70B-v0.2-GGUF — набор GGUF-квантизаций модели Tess-2.0-Llama-3-70B-v0.2, разработанной migtissera. Квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix; исходная модель доступна на Hugging Face. Модель предназначена для генерации текста и локального запуска через llama.cpp и совместимые инструменты. Она основана на архитектуре Llama 3 с 70 млрд параметров и работает в текстовой модальности. В репозитории доступны варианты от Q8_0 до низкобитных IQ1/IQ2 и Q2–Q6, различающиеся размером файлов, требованиями к памяти и качеством: старшие квантизации обеспечивают более высокое качество, а младшие позволяют запускать модель на системах с меньшим объёмом RAM, но заметно снижают качество. Сильной стороной является широкий выбор квантизаций, включая рекомендованные варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M и Q4_K_S, а также более новые IQ-форматы с хорошим соотношением размера и качества. Ограничения — большие требования к памяти даже у компактных вариантов и возможная деградация качества при использовании низкобитных квантизаций. Языки и размер контекста в README не указаны. Указанная лицензия — llama3.

Tora-12B — текстовая чат-модель на архитектуре Mistral, опубликованная ryota39. Она создана методом ChatVector на основе cyberagent/Mistral-Nemo-Japanese-Instruct-2408 и разницы между dolphin-2.9.3-mistral-nemo-12b и Mistral-Nemo-Base-2407. Модель содержит 12,1 млрд параметров и распространяется в формате Safetensors; в метаданных указан контекст 1 024 000 токенов. Модель предназначена для диалоговой генерации текста на японском языке. В README приведены результаты оценки на Open Japanese LLM Leaderboard, включая показатели для задач понимания языка, вопросов и ответов, чтения и других категорий. Модель выпущена под лицензией Apache-2.0.

Tulu V2.5 PPO 13B UltraFeedback Mean — англоязычная чат-модель-помощник от AllenAI. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров и контекстом 4096 токенов, дообученная на основе allenai/tulu-2-13b. Для выравнивания ответов использовалось обучение PPO на UltraFeedback: оценки по отдельным аспектам помогали выбирать предпочтительные ответы; обучение проводилось на промптах из этого набора. Модель поддерживает диалоговый шаблон токенизатора и генерирует текст в ответ на инструкции и сообщения пользователя. Модель подходит для англоязычных диалогов с помощником, ответов на вопросы и выполнения текстовых инструкций. Карточка предупреждает, что модель не обучалась выдавать безопасные ответы и не использует фильтрацию на этапе генерации, поэтому может формировать проблемный контент, особенно по соответствующему запросу. Лицензия — Apache 2.0.

Tweeties/tweety-7b-tatar-v24a — языковая модель для татарского языка, разработанная Франсуа Реми (UGent), Альфией Хабибуллиной (BeCode) и соавторами при поддержке IDLab / GPULab (UGent). Это модель семейства Mistral с 7,1 млрд параметров, полученная дообучением Mistral-7B-Instruct-v0.2 и адаптацией токенизатора для татарского языка. Она генерирует текст с контекстом до 32 768 токенов. Модель подходит для базового языкового моделирования на татарском языке, генерации продолжений, аналогий и суммаризации; для более сложных задач её можно дополнительно дообучить. Она не проходила инструкционное или чат-дообучение, поэтому лучше работает в few-shot-сценариях. Лицензия — Apache 2.0.

UniReason-Qwen3-14B-RL-i1-GGUF — квантизированная GGUF-версия модели UniReason-Qwen3-14B-RL, разработанной командой ReasoningTransferability и основанной на Qwen3. Квантизацию выполнил mradermacher. Модель предназначена для генерации текста, математического рассуждения и исследовательских задач, связанных с переносимостью способностей к рассуждению после обучения с подкреплением методом GRPO. Модель имеет размер 14 млрд параметров и работает в текстовой модальности. В карточке указана поддержка английского языка; наборы данных включают math и reasoning. Размер контекстного окна и другие подробности архитектуры не указаны. Репозиторий содержит множество вариантов квантизации с размерами примерно от 3,7 до 12,2 ГБ, что позволяет выбирать между требованиями к памяти, скоростью и качеством. Для большинства сценариев автор рекомендует i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S отмечен как оптимальный по соотношению размера, скорости и качества. Основное преимущество модели — возможность локального запуска в формате GGUF и выбор квантизаций для оборудования с разным объёмом памяти. Ограничения связаны с потерями качества при низкобитной квантизации: некоторые варианты прямо отмечены как низкокачественные, а IQ-варианты могут различаться по фактическому качеству. Лицензия модели — Apache-2.0.

Ventera-MN — дообученная методом абляции отказов языковая модель на базе Mistral-Nemo-Instruct-2407, разработанная автором репозитория Umranz с использованием фреймворка Heretic. Это плотная авторегрессионная модель семейства Mistral с 12,1 млрд параметров, предназначенная для диалога и генерации текста, включая сценарии, в которых требуется меньше отказов на запросы. Модель поддерживает контекст до 131 072 токенов и работает с текстом на английском, французском, немецком, испанском, итальянском, португальском, русском, китайском и японском языках. README описывает снижение числа отказов за счёт удаления части механизмов отказа при сохранении возможностей базовой модели; это делает модель более склонной выполнять инструкции, в том числе для творческого письма, экспериментов и локального запуска. Модель распространяется в формате safetensors и совместима с Transformers и vLLM. Лицензия — Apache-2.0. Она может выдавать оскорбительный, опасный или иной нежелательный контент и, как другие языковые модели, способна уверенно генерировать фактические ошибки, особенно при работе с длинным контекстом.

zen4-thinking-i1-GGUF — это набор квантизированных GGUF-версий модели zenlm/zen4-thinking, подготовленный и опубликованный mradermacher. Модель предназначена для генерации текста, задач рассуждения и математики; по указанным тегам она ориентирована на сценарии, где требуется пошаговое логическое мышление. Поддерживается английский язык. Модель доступна в вариантах квантизации i1-IQ и i1-Q с размером файлов примерно от 16,3 до 65,6 ГБ. Репозиторий также содержит файл imatrix для создания собственных квантов. В README не указаны архитектура, число параметров, размер контекста, дополнительные модальности и точные характеристики базовой модели. Качество и скорость зависят от выбранного варианта: низкобитные версии экономичнее, но могут заметно терять в качестве; среди рекомендуемых указаны i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Лицензия — Apache-2.0. Модель распространяется в формате GGUF и предназначена для локального запуска совместимыми инструментами, однако конкретные требования к аппаратному обеспечению в README не приведены.

AraBART — арабоязычная модель семейства BART, разработанная для обработки арабского текста. Её кодировщик и декодировщик предварительно обучались сквозным образом; архитектура соответствует BART-Base и включает 6 слоёв кодировщика, 6 слоёв декодировщика и скрытое измерение 768. В README указано 139 млн параметров, тогда как метаданные Hugging Face указывают 95 млн; точный размер поэтому неоднозначен. Контекст модели — до 1024 токенов. Модель предназначена прежде всего для абстрактивного суммирования: в README сообщается о высоких результатах на нескольких наборах данных суммирования на арабском языке относительно ряда сильных базовых моделей. Метаданные Hugging Face классифицируют репозиторий как fill-mask, поэтому этот тег указан как основная задача каталога; описанные в README результаты суммирования не подтверждены соответствующим pipeline-тегом. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

bartowski/ArliAI_Qwen3.5-122B-RpRMax-v1-GGUF — это GGUF-квантизованная версия модели ArliAI/Qwen3.5-122B-RpRMax-v1, подготовленная bartowski с использованием llama.cpp и метода imatrix. Репозиторий содержит варианты квантования от Q8_0 до Q3_K и IQ3, рассчитанные на запуск в llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и других совместимых инструментах. Исходная модель разработана ArliAI, а базовая архитектура связана с Qwen3.5-122B-A10B; точные архитектурные параметры в README не приведены. Модель предназначена для локального инференса и генерации текста в совместимых средах. Метаданные указывают pipeline image-text-to-text, однако подробности о поддерживаемых форматах изображений, языках и максимальной длине контекста не указаны. Размер модели — 122B параметров согласно названию, поэтому даже квантизованные варианты требуют значительных ресурсов: размер файлов составляет примерно от 53,99 до 129,91 ГБ. Варианты Q6_K, Q5 и Q4 позиционируются как обеспечивающие высокое или хорошее качество, тогда как варианты Q3 рассчитаны на ограниченный объём оперативной памяти и дают более низкое качество. Основные преимущества — широкий выбор степеней квантования, возможность локального запуска и сохранение высокого качества при использовании старших вариантов. Ограничения включают очень высокие требования к памяти, потенциальную необходимость обновления программного обеспечения для поддержки новой модели, а также отсутствие в README сведений о бенчмарках, языковой специализации и фактических мультимодальных возможностях. Лицензия указана как Apache-2.0.

Atom-7B — плотная авторегрессионная языковая модель семейства Llama, совместно разработанная Llama中文社区 и AtomEcho. Она основана на Llama 2 7B и продолжительно предобучена на крупных массивах китайских данных; размер модели по метаданным — 6,7 млрд параметров. Модель предназначена для генерации текста, китайских диалогов, ответов на вопросы и суммаризации. Карточка также заявляет улучшенный китайский токенизатор с расширенным словарём и более эффективным кодированием китайского текста. Стандартная длина контекста составляет 4096 токенов; README описывает расширение до 18K+ с помощью NTK без дополнительного обучения и до 32K+ после тонкой настройки. Указаны китайский и английский языки. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0, которую README характеризует как допускающую коммерческое использование.

Formzu/bert-base-japanese-jsnli — японская модель классификации последовательностей, созданная дообучением cl-tohoku/bert-base-japanese-v2 на наборе JSNLI. Её можно применять для вывода отношений между текстами и классификации без специально обученной головы для каждого набора категорий: пользователь задаёт текст и варианты меток, а модель оценивает их соответствие с помощью гипотезы на японском языке. Модель построена на архитектуре BERT, содержит 138,4 млн параметров и принимает текстовые последовательности длиной до 512 токенов. В карточке приведён результат на оценочной выборке JSNLI: accuracy 0,9288. Модель распространяется в формате PyTorch по лицензии CC BY-SA 4.0.

BERTugues-base-portuguese-cased — модель на архитектуре BERT, разработанная Рикардо Маццей Заго и Лусиане Агнолетти дос Сантос Педотти для бразильского португальского языка. Она предварительно обучена на корпусе BrWAC с целями Masked Language Modeling и Next Sentence Prediction; при подготовке токенизатора также использовалась португалоязычная Википедия. В модели около 136,7 млн параметров, длина контекста — до 512 токенов. Модель подходит для предсказания замаскированных слов и получения векторных представлений предложений, которые можно использовать для классификации текстов и оценки сходства. Токенизатор исключает редкие для португальского символы и включает основные эмодзи; авторы сообщают о меньшем количестве разбиваемых на части слов по сравнению с Bertimbau и многоязычным BERT. Карточка приводит результаты сравнений на классификации отзывов и сходстве юридических текстов, но не указывает лицензию точнее, чем «other».

Bielik-11B-v2.2-Instruct-GGUF — это квантизированная версия инструкционной языковой модели Bielik-11B-v2.2-Instruct, разработанной SpeakLeash совместно с ACK Cyfronet AGH. Модель предназначена для генерации текста и диалогового взаимодействия на польском языке, включая локальный запуск через совместимые инструменты и библиотеки, такие как llama.cpp, Ollama, LM Studio и другие. Она представлена в формате GGUF и построена как авторегрессионная decoder-only модель с причинным прогнозированием следующего токена. Модель дообучена на базе Bielik-11B-v2; точный размер контекстного окна и сведения о поддержке других языков в README не указаны. Доступны варианты квантизации q4_k_m, q5_k_m, q6_k и q8_0. Квантизация снижает требования к ресурсам, но может уменьшать качество ответов и повышать вероятность галлюцинаций; вариант q8_0 ближе всего к float16, однако требует больше ресурсов и работает медленнее. README также предупреждает о необходимости осторожного использования экспериментальных низкобитных вариантов. Модель распространяется по лицензии Apache 2.0 и дополнительно регулируется условиями использования Bielik. Она подходит для локального развертывания и польскоязычных задач генерации текста, но ограничения квантизированных версий следует учитывать при оценке надежности результатов.

Bielik-11B-v2.3-Instruct-GGUF — квантизированная GGUF-версия инструкционной языковой модели Bielik-11B-v2.3-Instruct, разработанной SpeakLeash и ACK Cyfronet AGH. Модель предназначена для генерации текста и диалоговых сценариев на польском языке, включая локальный запуск через llama.cpp, Ollama и совместимые приложения и библиотеки. Модель имеет архитектуру causal decoder-only и основана на Bielik-11B-v2.3-Instruct, дообученной на Bielik-11B-v2. Доступны варианты квантизации q4_k_m, q5_k_m, q6_k и q8_0 с различным балансом между размером, потреблением ресурсов и качеством; q8_0 близка к float16, но требует много ресурсов и работает медленнее. Размер модели — 11B параметров. Сведения о длине контекста и поддержке дополнительных модальностей в README не указаны. Ключевые преимущества — поддержка польского языка, возможность локального запуска и совместимость с широким набором инструментов для GGUF. Ограничения включают снижение качества ответов и возможные галлюцинации из-за квантизации; для большинства пользователей высокоресурсный вариант q8_0 не рекомендуется. Модель распространяется по лицензии Apache 2.0 с дополнительными Terms of Use Bielik.

BLOSSOM-v5.1-9b — разговорная языковая модель, разработанная командой Blossom и дообученная на базе Yi-1.5-9B. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 8,6 млрд параметров; она принимает текст и генерирует текст в формате продолжения диалога. Модель обучали в два этапа на смесях инструкционных данных Wizard, Orca и Math, а также многоходовых диалогов Blossom Chat. Модель предназначена для диалоговых ответов, понимания контекста, выполнения инструкций и решения математических задач на китайском и английском языках. В карточке указано контекстное окно 4096 токенов. Веса представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0. Качество ответов зависит от формулировки запроса и обучающих данных; карточка не приводит оценок и конкретных ограничений. Описание не подтверждает поддержку русского языка или работу с изображениями, аудио и другими нетекстовыми данными.

BruinHermes — объединённая языковая модель, опубликованная cookinai. Она создана методом Slerp merge на основе rwitz2/go-bruins-v2.1.1 и Weyaxi/OpenHermes-2.5-neural-chat-v3-3-Slerp с помощью mergekit. В метаданных указаны архитектура MistralForCausalLM, плотная модель размером 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста. Карточка описывает способ объединения весов, но не приводит результатов оценки качества или отдельных сценариев применения. Репозиторий содержит веса в формате Safetensors. Лицензия в метаданных обозначена как unknown.

Chocolatine-78B-Instruct-DPO-v1.3 — диалоговая языковая модель, разработанная Jonathan Pacifico в 2024 году. Это модель Qwen2 с архитектурой плотного трансформера и 76,7 млрд параметров; она дообучена методом DPO на наборе jpacifico/french-orca-dpo-pairs-revised поверх CalmeRys-78B-Orpo-v0.1, которая, в свою очередь, основана на нескольких дообучениях Qwen2-72B-Instruct. Модель предназначена для генерации текста в диалоге, прежде всего на французском и английском языках. Контекст составляет 32 768 токенов. Автор описывает её как демонстрацию применения французского DPO-дообучения к моделям размером более 70 млрд параметров и его сочетания с предыдущими дообучениями. Модель не имеет механизма модерации. Распространяется по лицензии Apache 2.0.

CleverGirl-20b — плотная авторегрессионная языковая модель семейства Llama, опубликованная athirdpath. Это объединённая модель, созданная методом passthrough из слоёв Sao10K/Mythical-Destroyer-V2-L2-13B и athirdpath/Orca-2-13b-Alpaca-Uncensored; выбор компонентов основывался на результатах MMLU и TQA и субъективной оценке. Модель предназначена для генерации текста и может использоваться в диалоговых и общих текстовых сценариях. Веса опубликованы в формате safetensors, указан размер около 19,8 млрд параметров, контекст — до 4096 токенов. Лицензия — Llama 2. Карточка не сообщает отдельные сведения о поддерживаемых языках или специализированных областях применения; характеристики базовых моделей не следует считать гарантией качества объединённой модели.

Darmm/darmm-chat-kazakh-8b — диалоговая языковая модель, созданная Darmm дообучением Qwen/Qwen3-8B с помощью QLoRA. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3ForCausalLM и рассчитана на генерацию ответов в формате чата и следование инструкциям. Контекстное окно — 40 960 токенов. Модель обучена на примерно 105 тысячах пар инструкций: около 65 тысяч на казахском, 25 тысяч на русском и 15 тысяч на английском языках. Она предназначена для диалогов, ответов на вопросы и выполнения инструкций, прежде всего на казахском языке; русский и английский сохранены. В тестах из карточки модель показала более высокие результаты, чем базовая Qwen3-8B, на казахских наборах Belebele и KazMMLU. Фактическая надёжность ограничена: модель может уверенно сообщать неверные сведения, поэтому важные факты следует проверять или подкреплять поиском по источникам. Значительная часть казахских обучающих данных машинно переведена, из-за чего формулировки могут звучать неестественно. При жадном декодировании длинные ответы на казахском склонны к повторениям; автор рекомендует генерацию с выборкой. Модель не проходила дополнительную настройку безопасности сверх базовой Qwen3-8B. Лицензия — Apache-2.0.

Darwin-4B-David — экспериментальная модель семейства Gemma 4, созданная FINAL-Bench методом эволюционного слияния Darwin-4B-Opus и DavidAU/DECKARD-Expresso-Universe. В карточке указаны 4,5 млрд параметров, плотная архитектура Gemma4, формат BF16 и контекст 128K; метаданные указывают библиотеку Transformers и файлы safetensors. Модель предназначена для диалоговой генерации текста и рассуждений в режиме thinking. README заявляет поддержку более 140 языков и сохранённые возможности обработки изображений, видео и аудио, однако метаданные подтверждают только английский, корейский, японский и китайский языки, а формат модели указан как текстовая генерация. Автор приводит результат 85% на GPQA Diamond, полученный на выборке из 50 вопросов с восемью генерациями и голосованием большинства; полный набор из 198 вопросов не проверялся. В README также сообщается о равных исходной модели результатах на ARC-Challenge и KMMLU при оценке по логарифмическим правдоподобиям. Лицензия — Apache 2.0. Заявления о мультимодальности и широком языковом охвате следует считать сведениями из карточки автора, тогда как доступные метаданные их не подтверждают.

DatedGPT-2016-Instruct — англоязычная диалоговая языковая модель семейства DatedGPT, предназначенная для генерации текста и следования инструкциям с учётом временного среза данных. Модель разработана на архитектуре LlamaForCausalLM, содержит около 1,3 млрд параметров и принимает контекст длиной до 2048 токенов. Модель обучена на данных, доступных не позднее 2016 года, поэтому подходит для прогнозирования без утечки будущих сведений и анализа информации с фиксированной датой. Это инструкция-настроенная чат-версия; для базовой предварительно обученной модели указан репозиторий datedgpt/datedgpt-2016-base. Веса опубликованы в формате safetensors. Знания модели ограничены временным срезом 2016 года. В README отмечено отсутствие RLHF и настройки безопасности, поэтому ответы могут звучать уверенно, даже если они ошибочны. Лицензия в предоставленных данных не приведена.

DeepSeek-GRM-16B — языковая модель оценки ответов, разработанная командой DeepSeek на базе DeepSeek-V2-Lite. Она работает как генеративная модель вознаграждения: для запроса и одного или нескольких ответов формулирует принцип оценки, пишет критику, затем выставляет каждому ответу дискретную оценку от 1 до 10. Такой ход оценки можно проверять и повторять несколькими независимыми генерациями. Модель предназначена для автоматической оценки и сравнения ответов LLM, сбора данных для обучения и использования как функция вознаграждения в RL для задач без проверяемого ответа. Она дообучена в рамках Self-Principled Critique Tuning: сначала на инструкционных и rejective-примерах, затем с GRPO и правиловыми вознаграждениями. Архитектура — DeepSeek-V2 dense causal language model; в репозитории указаны 2,5 млрд параметров, контекст 163 840 токенов и формат safetensors. В карточке заявлена поддержка китайского и английского языков. Генерация принципов и оценок вариативна; для более устойчивого результата README рекомендует несколько параллельных оценок и их агрегацию, при необходимости с фильтрацией Meta RM. Качество может снижаться на задачах с интенсивными рассуждениями, требующих внешних фактов, а также вне английского и китайского языкового корпуса. Для строго проверяемых задач могут быть предпочтительнее правила или скалярные reward-модели; в рискованных сценариях нужна проверка человеком. Метаданные указывают лицензию «other», конкретные условия использования в предоставленной карточке не раскрыты.

Solstice-AI/DeepSeek-V4-Flash-Vision-Exp-MLX — выпуск модели DeepSeek-V4-Flash-Vision-Exp, подготовленный Solstice-AI для запуска на Apple Silicon с использованием MLX. Это мультимодальная модель семейства DeepSeek V4 с разреженной архитектурой Mixture-of-Experts; карточка указывает 10,7 млрд параметров, а README описывает 305 млрд общих параметров и около 13 млрд активируемых на токен, поэтому сведения о размере в источниках расходятся. Модель принимает текст и изображения и предназначена для диалогов, генерации текста и анализа визуального содержимого. Заявлено контекстное окно до 1 048 576 токенов с масштабированием YaRN, а также поддержка MLA, DSA и ускорения генерации посредством Multi-Token Prediction. Пакет рассчитан на локальный инференс через MLX на Mac с Apple Silicon; README рекомендует macOS 15 или новее и не менее 192 ГБ объединённой памяти для работы с полным контекстом в 1 млн токенов. Для такой конфигурации приводится ориентир около 31 токена в секунду на M3/M4 Ultra, но это заявление карточки, а не независимая оценка. В метаданных указаны английский и китайский языки, формат safetensors и лицензия MIT. Высокие требования к памяти и оборудованию ограничивают практическое применение; README также указывает, что производительность зависит от Apple Silicon и предлагает отдельную модель-черновик для спекулятивного декодирования.

Карточка модели elyza/ELYZA-japanese-Llama-2-7b-fast-instruct на Hugging Face совпадает с карточкой elyza/ELYZA-japanese-Llama-2-7b-instruct, поэтому описание составлено по ней. ELYZA-japanese-Llama-2-7b-instruct — языковая модель ELYZA на архитектуре Llama 2, предназначенная для генерации текста и инструкционного диалога. Модель расширяет способности Llama 2 к японскому языку дополнительным предварительным обучением; в карточке она указана как версия instruct семейства ELYZA-japanese-Llama-2-7b. Разработчики: Akira Sasaki, Masato Hirakawa, Shintaro Horie и Tomoaki Nakamura. Модель содержит около 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, выдавая текст. Контекст составляет 4096 токенов. В метаданных указаны японский и английский языки; основное назначение — работа с японским текстом, включая ответы по инструкциям и генерацию. Модель распространяется по лицензии Llama 2. Карточка не приводит подробных оценок качества или ограничений; как и другие языковые модели, она может выдавать неточные или вымышленные сведения.