I.2Синтез, понимание и проверка знаний

Parable-Granite-4.1-3B-Claude-Fable-5-heretic — языковая модель для генерации текста, разработанная автором saidutta69 на основе AnkitAI/Parable-Granite-4.1-3B-Claude-Fable-5, которая, в свою очередь, дообучена на ibm-granite/granite-4.1-3b. Модель предназначена для локального диалога, рассуждений, планирования, генерации кода, терминальных сценариев, агентских задач и использования инструментов. Заявлен английский язык, поддерживаются форматы Safetensors и GGUF для запуска через Transformers, vLLM, llama.cpp, Ollama, LM Studio и Jan. Это текстовая causal language model архитектуры GraniteForCausalLM с нативным размером около 3,4 млрд параметров. Версия создана методом abliteration с помощью Heretic v1.4.0: целевые изменения весов в attention output и MLP down-projections подавляют поведение отказа без дополнительного fine-tuning. Модель сохраняет trace-дистиллированные возможности исходной Parable-версии в области рассуждений, планирования и работы с терминалом. Для локального запуска доступны квантизации от Q2_K до Q8_0; вариант Q4_K_M требует около 2,1 ГБ под веса и примерно 1 ГБ дополнительно для контекста. К сильным сторонам относятся малый размер, возможность работы на ноутбуках и CPU, широкий набор GGUF-квантизаций и существенно сниженное число отказов по сравнению с исходной моделью: 5 против 96 на 100 проверенных adversarial-запросов. При этом это не улучшение базовых возможностей, а версия той же модели с удалёнными защитными ограничениями; снижение отказов сопровождается измеримым отклонением от исходного поведения, а заявленные показатели получены на ограниченных тестах. Контекстное окно, точные языковые возможности и дополнительные модальности в карточке не указаны. Распространяется по лицензии Apache-2.0.

Jongbin разработал эту разговорную языковую модель дообучением Qwen/Qwen2.5-Coder-7B-Instruct с помощью TRL. Модель построена на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров; она предназначена для генерации текста в формате диалога. Пример в карточке показывает ответ на вопрос общего характера, а базовая модель ориентирована на генерацию, анализ и исправление программного кода. Модель принимает текст и выдаёт текст. Нативная длина контекста составляет 32 768 токенов; для запуска описан Transformers pipeline. Лицензия в предоставленных данных не указана.

Qwen3.5-4B-Opus-Distilled-Heretic-Thinking-Multistage-SFT-v1.0 — экспериментальная мультимодальная модель на 4 млрд параметров от prithivMLmods, дообученная на базе Qwen/Qwen3.5-4B методом многоэтапного supervised fine-tuning. Для обучения использовано около 6 000 трасс рассуждений Opus по программированию и STEM, а также дополнительные примеры рассуждений. Модель предназначена для исследований и экспериментов с дистилляцией рассуждений, а также для помощи с кодом, математическими, научными и инженерными задачами, длинными аналитическими ответами и следованием инструкциям. Поддерживает диалог и понимание изображений; карточка указывает английский язык и контекст 32k. Репозиторий содержит веса Safetensors и использует Transformers. Модель может ошибаться в промежуточных рассуждениях и выводах; её поведение может отличаться от базовой модели, а качество зависит от охвата и особенностей обучающих данных. Распространяется по лицензии Apache-2.0.

Qwen3.6-27B-YMQ-MTP-GGUF — это набор смешанно-точностных квантованных сборок модели Qwen3.6-27B от ZeroDigest, подготовленных из исходных BF16-весов с помощью YMQ-Compiler v2.0. Репозиторий распространяет веса в формате GGUF и поддерживает параллельное предсказание нескольких токенов (MTP) для спекулятивного декодирования. Модель предназначена для генерации текста и диалогов, в частности для задач программирования и работы через инструменты разработки кода. В README описаны варианты квантования разного размера, от XXS примерно 9,8 ГБ до S примерно 12,2 ГБ, с компромиссом между потреблением памяти и качеством. Автор рекомендует низкие контекстные нагрузки для самых сжатых сборок и отмечает возможное ухудшение вызова API при длинном контексте у варианта XS. В инструкции приведён пример запуска через llama.cpp с MTP и контекстом до 245760 токенов; это параметр запуска, а не подтверждённая нативная длина контекста модели. Базовая Qwen3.6-27B описана в метаданных как мультимодальная, но в README этой сборки конкретная поддержка изображений не раскрыта. Лицензия — Apache-2.0.

Qwopus3.8-27B-Flash-V2 — экспериментальная мультимодальная модель на архитектуре Qwen3.5, разработанная Jackrong. Это обновлённый пост-тренировочный вариант Qwopus3.8-27B-Flash, который, согласно карточке, основан на Qwen3.8-27B. Модель принимает текст и изображения и предназначена для диалогов, следования инструкциям, рассуждений, работы с инструментами и генерации кода. Вторая версия прошла дополнительное пост-обучение с изменёнными функциями вознаграждения и методами обучения с подкреплением. Разработчик делает упор на эффективность вывода и длительные агентные сценарии с повторяющимися вызовами инструментов. Указаны поддержка спекулятивного декодирования MTP и улучшения форматирования Python; приведённые в README результаты относятся к описанным там тестам и не гарантируют аналогичное качество на других задачах. Ограничения включают возможный дрейф рассуждений и неэффективные траектории, а качество работы с инструментами зависит от промпта, среды и оркестрации. Разработчик отмечает, что модель не проходила широкую оценку безопасности и надёжности агентов. Лицензия — Apache-2.0.

Gliese-OCR-7B-Post1.0-GGUF — мультимодальная модель для анализа документов, распознавания текста и извлечения структурированной информации. Она разработана prithivMLmods как GGUF-версия модели Gliese-OCR-7B-Post1.0, дообученной на основе Camel-Doc-OCR-062825 и построенной на архитектуре Qwen2.5-VL. Обучение было сфокусировано на наборе данных Opendoc2-Analysis-Recognition. Модель предназначена для Document Retrieval, OCR, Content Extraction, анализа и распознавания содержимого документов, связывания извлечённых элементов, а также задач Intelligent Document Processing. Поддерживаются текстовые и визуальные входные данные; заявлены английский и китайский языки. Доступен набор GGUF-квантизаций от F16 размером 15,2 ГБ до вариантов объёмом около 1,9 ГБ, а также отдельные файлы мультимодального проектора. Это позволяет выбирать компромисс между качеством и требованиями к памяти, однако README не содержит сравнительных оценок качества, сведений о контекстном окне или подробностей об ограничениях модели. Модель распространяется по лицензии Apache-2.0 и ориентирована на использование с совместимыми инструментами, включая llama.cpp и Transformers.

Gliese-OCR-7B-Post2.0-final-GGUF — мультимодальная модель для распознавания и анализа документов, разработанная prithivMLmods. Это финальная, оптимизированная версия серии Gliese-OCR, созданная на архитектуре Qwen2.5-VL и представленная в формате GGUF для использования с llama.cpp и совместимыми инструментами. Модель дообучалась на данных для визуализации документов и задач, связанных с OCR. Модель предназначена для OCR, визуального анализа, извлечения и связывания информации, преобразования документов в структурированный вид и интеллектуальной обработки документов (IDP). Она рассчитана на работу со сканированными PDF, рукописными страницами, структурированными формами и аналитическими отчётами, а также может формировать результат в формате Markdown. В карточке указано, что поддерживается английский язык. Архитектура мультимодальная: модель обрабатывает текст и изображения; размер модели — 7B параметров. Доступны варианты квантования GGUF с размерами примерно от 1,9 до 15,2 ГБ, включая F16, Q2–Q8 и IQ-квантизации, что позволяет выбирать баланс между требованиями к памяти и качеством. Сильными сторонами заявлены эффективность, точность и улучшенные возможности визуализации документов. Ограничения, включая фактическую точность на конкретных типах документов, максимальный контекст и требования к оборудованию, в README не указаны. Модель распространяется по лицензии Apache-2.0.

Kosmos-2.5-chat — мультимодальная модель Microsoft для визуальных вопросов и ответов по изображениям с текстом. Она дообучена на основе Kosmos-2.5 и использует авторегрессионный Transformer с декодером, принимающий изображение и текстовый запрос и генерирующий текстовый ответ. Модель предназначена для визуального анализа документов и других изображений с большим объёмом текста. Исходное семейство Kosmos-2.5 также распознаёт текст с пространственными координатами и преобразует структуру и оформление документов в Markdown; карточка этой версии отдельно указывает обучение для задач VQA. Модель доступна в формате Safetensors и используется через Transformers версии 4.56 или новее. Поддерживаемый язык карточки — английский. Модель может ошибаться и галлюцинировать, поэтому результаты распознавания и ответы по содержимому изображения требуют проверки. Лицензия — MIT.

MistralCode-7B-Instruct-v0.2-slerp — объединённая диалоговая языковая модель на архитектуре Mistral, созданная с помощью LazyMergekit из mistralai/Mistral-7B-Instruct-v0.2 и dhyay/mistral_codev2_3k. Веса объединены методом SLERP; модель содержит 7,1 млрд параметров и принимает текстовый контекст длиной до 32 768 токенов. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате, включая задачи программирования, на которые ориентирована одна из исходных моделей. Может использоваться для помощи с кодом и обычных текстовых запросов. Сведения о поддерживаемых естественных языках и лицензии в доступных данных отсутствуют.

OpenCodeReasoning-Nemotron-7B-GGUF — это квантизированная версия языковой модели OpenCodeReasoning-Nemotron-7B, разработанной NVIDIA и опубликованной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и задач, связанных с программированием и рассуждениями, включая работу с исходным кодом. В карточке указана поддержка английского языка. Модель содержит 7 миллиардов параметров и распространяется в нескольких вариантах точности и размера: от BF16 до различных конфигураций Q3, Q4, Q5, Q6, Q8 и IQ. Квантизация выполнена с использованием llama.cpp и метода imatrix. Доступны локальный запуск через llama.cpp, LM Studio и совместимые проекты; для общения рекомендуется шаблон сообщений с маркерами im_start и im_end. Ключевое преимущество модели — возможность локального запуска при выборе подходящего уровня квантизации: варианты Q6 и Q5 обеспечивают высокое качество, а Q3 и некоторые Q4 требуют меньше оперативной памяти. Ограничения включают возможные потери качества в более компактных вариантах, ориентацию на английский язык и отсутствие в предоставленных данных сведений об архитектуре, максимальном размере контекста и мультимодальных возможностях. Указанная лицензия — Apache-2.0.

Pink Elephant 48B-S — разреженная языковая модель с архитектурой Mixture-of-Experts, разработанная Pink Elephant. В ней 47,7 млрд параметров, из которых на каждом токене активны около 14,66 млрд; используются 8 экспертов с маршрутизацией top-2. Модель создана на основе Pink Elephant 14B: плотную модель преобразовали в MoE, затем дообучили на примерах по программированию и математике и объединили обученные адаптеры с основными весами. Репозиторий содержит веса в формате safetensors; заявленная длина контекста — 16 384 токена. Модель предназначена для генерации текста, диалогов, написания и анализа кода, а также решения математических задач. В README приведены результаты HumanEval 70,12%, MATH-500 38,40%, GSM8K 68,5% и MMLU 60,0%; выборки GSM8K и MMLU для проверки были небольшими. Модель поддерживает английский язык. По данным карточки, лицензия — MIT. Для загрузки автор рекомендует Transformers и указывает trust_remote_code=True.

Qwen3.8-27B-ASCII-Condensed — текстовая GGUF-модель, созданная bsaleh03 на основе Qwen/Qwen3.8-27B и квантованной сборки unsloth/Qwen3.8-27B-GGUF. Это не дообучение, дистилляция или повторное квантование: из квантованной модели удалены строки словаря для не-ASCII-токенов, а токенизатор адаптирован к сокращённому словарю. Модель предназначена для генерации текста и работы с длинным контекстом через llama.cpp, прежде всего на одной видеокарте с 16 ГБ памяти. Словарь уменьшен с 248 320 до 129 006 строк, при этом остальные 864 из 866 тензоров побитово идентичны базовой квантованной модели. На RTX 5070 Ti с 16 ГБ заявлена поддержка до 135 168 токенов контекста при использовании q4_0 для KV-кэша; максимальная длина зависит от типов KV-кэша и доступной видеопамяти. Модель сохраняет MTP-голову для спекулятивного декодирования, а на ASCII-тексте токенизация совпадает с базовой моделью. Основное преимущество — экономия видеопамяти и увеличение доступного контекста без изменения большинства весов. Ограничение — ASCII-ориентированный словарь: английский язык, код и ASCII-пунктуация обрабатываются без дополнительных затрат, но символы с диакритикой, кириллица, CJK и другие не-ASCII-тексты требуют больше токенов; для работы преимущественно на неанглийских языках сборка не рекомендуется. Модель поддерживает только текстовый режим, файл mmproj отсутствует, а смешанные типы KV-кэша требуют пропатченной версии llama.cpp. Распространяется по лицензии Apache 2.0, унаследованной от базовой модели.

Qwen3-Coder-30B-A3B-Instruct-GGUF — это квантованная версия языковой модели для генерации текста, созданная сообществом LM Studio на основе Qwen3-Coder-30B-A3B-Instruct от разработчика Qwen. GGUF-квантизацию выполнил bartowski с использованием llama.cpp, релиз b6014. LM Studio не является создателем или владельцем модели. Модель предназначена прежде всего для задач, связанных с программированием и генерацией текста, однако README не содержит подробностей о поддерживаемых языках программирования, естественных языках, размере контекста, конкретной архитектуре или доступных модальностях. Формат GGUF и использование llama.cpp указывают на возможность запуска в совместимой локальной инфраструктуре, но точные требования к ресурсам и параметры квантизации не указаны. Лицензия в README не указана. Модель может генерировать неточный, вредный или нежелательный контент, поэтому результаты требуют проверки, особенно при использовании в программном коде и автоматизированных сценариях.

mlx-community/Qwen3-Coder-480B-A35B-Instruct-8bit — это 8-битная версия модели Qwen3-Coder-480B-A35B-Instruct, преобразованная сообществом mlx-community в формат MLX с использованием mlx-lm 0.29.0. Исходную модель разработала команда Qwen; карточка указывает базовую модель Qwen/Qwen3-Coder-480B-A35B-Instruct. Модель предназначена для генерации текста и, судя по названию и базовой модели, ориентирована на задачи программирования и работу с инструкциями. Она может использоваться через библиотеку mlx-lm на совместимых системах Apple MLX; поддерживаются загрузка модели, токенизатора и генерация ответов с применением chat template, если он доступен. Архитектура, точное число активных параметров, поддерживаемые языки, модальности и размер контекста в README не указаны, поэтому их нельзя достоверно описать. Ключевая характеристика этой версии — 8-битное представление в формате MLX, что предназначено для запуска модели через экосистему MLX. Ограничения включают отсутствие в карточке подробных сведений о производительности, требованиях к памяти, качестве, контекстном окне и совместимости. Модель распространяется по лицензии Apache-2.0.

OpenCSG Agentic-30B-A3B — первая модель серии OpenCSG Agentic, дообученная для локальных и корпоративных ИИ-агентов, выполнения Skills и работы с инструментами. Она предназначена для сценариев, где агенту нужно следовать инструкциям, выбирать навык, формировать аргументы, анализировать ответы инструментов и выполнять многошаговые задачи в нескольких системах. В основе лежит Qwen/Qwen3-30B-A3B с архитектурой MoE Qwen3MoeForCausalLM: в README указаны 30,53 млрд параметров всего и около 3,3 млрд активных на токен, 128 экспертов и 8 активных экспертов. Модель выпущена в BF16, поддерживает контекст до 40 960 токенов и ориентирована на китайский и английский языки. Для запуска авторы приводят измерения на одной NVIDIA A800 80 ГБ с vLLM. Сильная сторона модели — обучение на сценариях вызова инструментов и восстановления после ошибок; среди приведённых удачных примеров — управление почтой и календарём, CRM и планирование проектов. Оценка Agentic Eval также показывает заметное снижение результатов на сложных, длинных и межсистемных задачах, особенно на китайском языке. Авторы рекомендуют проверять результаты и требовать подтверждения человека для чувствительных операций. Лицензия указана как other; условия использования следует сверять с лицензионным соглашением репозитория.

QuantFactory/CodeLlama-7b-Instruct-hf-GGUF — это квантизированная версия CodeLlama-7b-Instruct-hf, разработанная на основе модели codellama/CodeLlama-7b-Instruct-hf. Репозиторий подготовлен с использованием llama.cpp и предназначен для локального запуска модели в формате GGUF. Модель относится к семейству Llama и ориентирована на генерацию текста и работу с программным кодом, включая сценарии инструкционного взаимодействия с разработчиком. В README указано, что исходная модель имеет размер 7 миллиардов параметров. Поддерживаются варианты квантизации Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_0, Q4_K_M, Q4_K_S, Q5_0, Q5_K_M, Q5_K_S, Q6_K и Q8_0, позволяющие выбирать компромисс между качеством, скоростью и требованиями к памяти. Ключевое преимущество модели — возможность более экономичного локального запуска благодаря квантизации и совместимости с llama.cpp. README не содержит сведений о поддерживаемых языках, размере контекста, точных характеристиках отдельных вариантов квантизации, лицензии или ограничениях применения. Также в заголовке README упоминается Mistral-7B-v0.1-GGUF, однако метаданные и описание указывают на CodeLlama-7b-Instruct-hf; поэтому идентификацию модели следует основывать прежде всего на метаданных репозитория.

deepseekmerge-7b-ties — объединённая языковая модель, созданная с помощью mergekit методом TIES из DeepSeek-LLM-7B-Base, DeepSeek-LLM-7B-Chat и DeepSeek-Coder-7B-Base-v1.5. Она предназначена для генерации текста и объединяет возможности диалоговой модели DeepSeek с моделью, ориентированной на программирование. Модель использует плотную архитектуру семейства Llama с причинным языковым декодером, содержит 6,5 млрд параметров и поддерживает контекст до 4096 токенов. В репозитории доступны веса Safetensors; модель распространяется по лицензии Apache-2.0. Базовые модели обучались на английских и китайских данных, однако README не уточняет языковой охват именно объединённой версии. Модель можно использовать для диалоговых ответов и генерации кода. Карточка не приводит оценок качества или подробных результатов тестирования, поэтому пригодность для конкретных задач следует проверять отдельно.

Akicou/GLM-4.7-Flash-REAP-50 — сжатая версия GLM-4.7-Flash, созданная с помощью REAP (Router-weighted Expert Activation Pruning) от Cerebras. Из модели удалена примерно половина экспертов; README указывает 4,1 млрд параметров, а архитектура в метаданных обозначена как GLM4 MoE Lite с классом Glm4MoeLiteForCausalLM. Модель предназначена для генерации текста, особенно кода, вызова функций и агентных сценариев. Она поддерживает контекст до 202 752 токенов и рассчитана прежде всего на английский язык. Модель можно запускать через Transformers, vLLM и SGLang; указана лицензия MIT. README сообщает, что сжатие выполнено без дообучения, поэтому классификация происхождения как fine-tune в метаданных расходится с описанным методом pruning. Для GGUF-файлов автор отмечает проблему совместимости с llama.cpp и их повторную генерацию; метаданные указывают формат safetensors.

Это объединённая методом TIES через mergekit языковая модель семейства Llama 3.2, созданная из нескольких моделей на 3,2 млрд параметров. В качестве базовой при слиянии использовалась huihui-ai/Llama-3.2-3B-Instruct-abliterated; в объединение также вошли варианты для SQL, математики, программирования и диалогов без ограничений на отказы. Модель предназначена для генерации текста и диалоговых сценариев, включая помощь с SQL, математическими задачами и кодом. Она принимает текст и выдаёт текст; метаданные указывают контекст до 131 072 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Карточка не приводит результатов оценки качества или подробных инструкций по использованию. Условия лицензирования в предоставленных данных не указаны, поэтому их следует проверить в карточке модели и у исходных моделей до применения.

Ornith-1.0-35B-AEON-Ultimate-Uncensored-BF16 — текстовая генеративная модель AEON-7 на основе DeepReinforce AI Ornith-1.0-35B. Это вариант с удалённым поведением отказа, созданный методом abliteration; в карточке заявлено, что при этом сохранены навыки программирования и агентные возможности базовой модели. Модель распространяется в формате BF16, имеет архитектуру MoE семейства Qwen 3.5 с 35 млрд параметров и заявленным контекстом 256 тыс. токенов. README также указывает на унаследованную от базы обработку изображений и видео, хотя основная задача в метаданных — text-generation. Модель предназначена для генерации текста и кода, рассуждений, агентных сценариев и взаимодействия с инструментами. Автор сообщает о результатах внутренних проверок на отказах и задачах программирования; эти оценки приведены в карточке модели и не являются независимым подтверждением качества. Лицензия — MIT. Удаление отказов означает, что модель может выдавать вредоносные или откровенные ответы, включая код и инструкции, которые могут быть запущены внешними инструментами. Результаты генерации могут быть ошибочными; для интеграций с исполнением кода и вызовами инструментов необходим контроль на стороне пользователя.

ApolloRaines/Qwen2.5-Coder-14B-Instruct-Jbliterated — языковая модель для генерации текста и программного кода, разработанная Apollo Raines на базе Qwen/Qwen2.5-Coder-14B-Instruct. Модель предназначена для сценариев, где требуется чат-интерфейс, написание и анализ кода, а также выполнение инструкций без стандартных отказов, связанных с политиками безопасности базовой модели. Модель относится к семейству 14B и предназначена для text generation. Она работает с текстовыми входными данными; в README явно указан английский язык. Отказные поведенческие реакции были изменены непосредственно на уровне весов с помощью фреймворка jBlaze, без системных промптов и исправлений во время инференса. Размер контекста, точная архитектура и перечень поддерживаемых языков программирования не указаны. К сильным сторонам относятся формат drop-in replacement для исходной модели и удаление поверхностных и более глубоких шаблонов отказа, включая переинтерпретацию запросов, предупреждения, пропуски деталей и смягчение формулировок. Ограничения включают отсутствие подробных оценок качества, неизвестные последствия изменения весов для точности и безопасности, а также возможное снижение возможностей: автор отмечает, что выпущенные модели намеренно оставлены на частичной мощности и предназначены как демонстрационные proof-of-concept-версии. Модель распространяется по лицензии Apache-2.0. Для использования требуется базовая модель Qwen/Qwen2.5-Coder-14B-Instruct; в README приведён пример запуска через Transformers с torch.float16 и device_map="auto".

Valiant Labs разработала Esper 3 — дообученную на базе Qwen3-14B языковую модель для рассуждений, особенно в программировании, проектировании архитектуры и DevOps. Она также предназначена для общего решения задач, творческих рассуждений и диалогов. Модель использует архитектуру Qwen3 dense с 14 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. Для диалогов рекомендуется включать режим рассуждений через параметр enable_thinking=True. Модель ориентирована на разработчиков и инженеров: может помогать с кодом, скриптами, облачной инфраструктурой и DevOps-задачами, а также отвечать на общие вопросы. Карточка описывает её как открытую модель; лицензия Apache-2.0. README не приводит оценок качества или подробностей о датасетах обучения, кроме указания, что данные для рассуждений и кода были сгенерированы с помощью DeepSeek R1.

FTK11558/Qwen3.6-35B-A3B-APS — производная мультимодальная модель семейства Qwen3.5 MoE, представленная как вариант Qwen3.6 с адаптивным probe-based steering (APS). Карточка заявляет ориентацию на агентное программирование, работу с репозиториями, генерацию интерфейсов и вызов инструментов. Модель принимает текст и изображения и выдаёт текст; общая архитектура включает языковую модель с vision encoder и смесь экспертов: 35 млрд параметров всего, около 3 млрд активных, 40 слоёв и 256 экспертов, из которых активируются 8 маршрутизируемых и один общий. Указан контекст 262 144 токена с возможностью расширения до 1 010 000. Модель предназначена для чата, программирования и мультимодальных задач; в README приведены оценки на программных, агентных, математических и vision-language бенчмарках, но таблицы результатов опущены. Репозиторий содержит веса и конфигурацию в формате Transformers/Safetensors и заявляет совместимость с Transformers, vLLM, SGLang и KTransformers. Лицензия — Apache-2.0. Название и README указывают на APS steering, однако не приводят базовую модель или детали обучения APS. Поэтому происхождение от конкретного чекпойнта установить нельзя. README также содержит рекламные заявления о качестве, которые по приведённым данным независимо оценить невозможно.

coder3101/Qwen3-VL-4B-Thinking-heretic — дообученная методом abliteration версия мультимодальной модели Qwen3-VL-4B-Thinking от Qwen. Она принимает текст и изображения, поддерживает диалог и предназначена для визуальных вопросов и ответов, анализа изображений и видео, распознавания текста на изображениях, пространственного рассуждения и взаимодействия с графическими интерфейсами. Архитектура — плотная Qwen3-VLForConditionalGeneration; веса опубликованы в формате safetensors. Базовая модель заявляет контекст до 256 тысяч токенов с возможностью расширения до 1 миллиона и поддержку OCR на 32 языках, однако эти характеристики в README относятся к исходной модели и отдельно для производной версии не подтверждены. README описывает уменьшение числа отказов: 3 отказа из 100 против 97 у исходной модели, при KL-дивергенции 0,0259. Это указывает на ослабление отказного поведения, но не гарантирует отсутствие отказов или точность ответов. Модель распространяется по лицензии Apache-2.0.

Manojb/Qwen-7B-toolcalling-ReSearch-gguf-Q8_0 — локальная языковая модель в формате GGUF, разработанная на базе agentrl/ReSearch-Qwen-7B и упакованная с квантизацией Q8_0 авторами Manojb и mradermacher. Модель основана на Qwen-7B и обучалась с использованием датасета RUC-NLPIR/FlashRAG_datasets. ReSearch — подход, в котором поиск интегрирован в цепочку рассуждений и выбор момента и способа поиска формируется с помощью текстового рассуждения, а результаты поиска влияют на дальнейшие выводы. Модель предназначена для генерации текста, ассистирования в программировании, локального использования и сценариев function calling и tool calling, включая взаимодействие с API-инструментами. Она ориентирована на английский язык и может запускаться через Ollama или другие совместимые средства работы с GGUF. Версия Q8_0 занимает около 8,2 ГБ и рассчитана примерно на 9–12 ГБ VRAM; заявлено отсутствие заметных потерь качества относительно исходной модели. Для этой базовой модели README рекомендует не применять chat completion. К сильным сторонам относятся высокая точность квантизации Q8_0, поддержка локального запуска и специализированная ориентация на вызов инструментов и поиск. Ограничения включают размер модели около 7B параметров, англоязычную заявленную специализацию, необходимость корректного режима работы без chat completion и потребность примерно в 9–12 ГБ VRAM. Модель распространяется по лицензии MIT.

Карточка модели mikoy92/Unlimited-OCR-bf16-mlx на Hugging Face совпадает с карточкой emee-ai/Unlimited-OCR-bf16-mlx, поэтому описание составлено по ней. Unlimited-OCR BF16 MLX — конвертированная для MLX версия модели Baidu Unlimited-OCR, опубликованная emee-ai. Она предназначена для распознавания текста и разбора документов по изображениям; пример в карточке показывает обработку изображения с запросом на разбор документа. Модель использует архитектуру DeepSeekOCR с компонентами SAM, CLIP-L и DeepSeekV2 OCR; объём параметров — 559,7 млн, контекст — до 32 768 токенов. Репозиторий содержит веса в формате safetensors, размещённые в MLX-layout, и использует реализацию deepseekocr из mlx-vlm. Модель принимает изображение и текстовый запрос, выдаёт текст. В метаданных указан мультиязычный режим, но конкретные языки не перечислены. Лицензия — MIT.

Spicyneuron/Kimi-K2.7-Code-MLX-3.6bit — квантованная версия модели Kimi-K2.7-Code, разработанной MoonshotAI. Модель предназначена для генерации текста и, судя по названию базовой модели, прежде всего для задач, связанных с программированием. Она оптимизирована для локального запуска на Mac Studio с чипом M3 Ultra через MLX и MLX-LM, в том числе в формате сервера, совместимого с API chat completions. Это разреженная MoE-модель с 3-битным базовым квантованием и повышенной точностью для чувствительных компонентов, включая маршрутизацию MoE, механизмы внимания и выходные эмбеддинги. Используется смешанная точность с показателем 3,578 бит на вес. Для работы требуется примерно 428 ГБ базовой памяти и до 460 ГБ в пиковом режиме, поэтому модель рассчитана на мощные устройства с большим объёмом объединённой памяти. В README не указаны точный размер модели, длина контекста, поддерживаемые языки и мультимодальные возможности. К сильным сторонам относятся баланс скорости, потребления памяти и качества, а также возможность оставить память для небольшой вспомогательной модели. Заявленная скорость составляет около 219 токенов в секунду при обработке prompt размером 1024 токена и около 21 токена в секунду при генерации последовательности длиной 512 токенов. Ограничения связаны с высокими требованиями к памяти, потерями качества, неизбежными для агрессивного квантования, и узкой оптимизацией под экосистему Apple MLX. Квантование выполнено с использованием форка MLX-LM от spicyneuron. Лицензия в README не указана.

LFM2.5-1.2B-JP-202606 — компактная текстовая чат-модель Liquid AI, дообученная на базе LiquidAI/LFM2.5-1.2B-Base. Она предназначена прежде всего для японских приложений, также поддерживает английский. В метаданных указано 1,5 млрд параметров и контекст 128 000 токенов; README приводит 1,17 млрд параметров и контекст 32 768 токенов. Архитектура — плотная LFM2 с 16 слоями: 10 блоками LIV-свёртки с двойным гейтингом и 6 блоками GQA. Модель подходит для диалоговых помощников, следования инструкциям, математики и кода, вызова инструментов, структурированных ответов и локальных персональных ассистентов. Разработчик отмечает улучшения в японском языке и рекомендует давать чёткие инструкции с ожидаемым форматом ответа. Модель не рекомендуется для задач, требующих обширных знаний. Лицензия в метаданных указана как other; конкретные условия следует сверять с карточкой репозитория.

MOSS-VL-Instruct-0708 — мультимодальная модель OpenMOSS, полученная supervised fine-tuning базовой MOSS-VL-Base-0708. Она предназначена для офлайн-анализа изображений и видео, следования инструкциям и визуальных рассуждений. Модель принимает текст, изображения и видео и использует архитектуру vision-language с cross-attention, связывающую визуальные представления с языковыми токенами. В README указаны 11 млрд параметров, контекст 256K и поддержка английского и китайского языков. Модель подходит для распознавания текста и разбора документов по изображениям, описания визуальных сцен, ответов на вопросы по видео, распознавания действий и локализации событий по времени. Для видео она использует абсолютные временные метки кадров, а XRoPE кодирует координаты времени, высоты и ширины. Выпущена под лицензией Apache-2.0. Ограничения включают плотные видео, узкоспециализированные области, мелкий текст на изображениях и задачи со строгими числовыми рассуждениями; для них могут потребоваться настройка выборки кадров, специальные инструкции или дообучение.

Norns-Qwen2.5-Coder-7B-v0.1 — модель генерации текста на архитектуре Qwen2, созданная разработчиком win10 слиянием моделей методом TIES с помощью mergekit. В слиянии использованы Qwen/Qwen2.5-Coder-7B и win10/Urdandi-Qwen2.5-7B; модель содержит 7,1 млрд параметров и работает с контекстом до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате и может применяться для задач с кодом, поскольку одной из базовых моделей является Qwen2.5-Coder-7B, ориентированная на генерацию, анализ и исправление программного кода. Репозиторий содержит веса в формате safetensors; библиотека для работы — Transformers. Лицензия в предоставленных данных не указана. Карточка описывает способ слияния, но не сообщает о результатах оценки качества или конкретных ограничениях модели.