I.2Синтез, понимание и проверка знаний

Модель Mistral Small 4 119B JANG_4M-CRACK создана Jinho Jang на основе Mistral Small 4 от Mistral AI. Это мультимодальная модель класса Mistral 3 с архитектурой MoE: 119 млрд параметров всего, около 8 млрд активных при генерации, 128 экспертов с выбором четырёх и механизмом MLA; заявлена поддержка изображений через Pixtral. Модель доработана методом CRACK, который изменяет веса для удаления отказов, и представлена в смешанно-точном формате JANG_4M: 8-битное внимание и 4-битные эксперты, объём около 64 ГБ. Модель предназначена для диалогов, ответов на вопросы по изображениям и рассуждений; в карточке также приведены результаты тестов на знания и следование вредоносным запросам. Режим рассуждений по умолчанию выключен. Для запуска требуются Apple Silicon и поддержка JANG в MLX Studio либо пакете jang-tools; README указывает Mac с 96 ГБ памяти как минимальную конфигурацию. Лицензия — Apache-2.0. Из-за удаления отказов модель может отвечать на опасные запросы.

ModernBERT-Ja-130M — двуязычная японско-английская модель SB Intuitions на архитектуре ModernBERT для предсказания замаскированных токенов и дообучения под задачи обработки естественного языка. Она содержит 132,1 млн параметров, использует 19 слоёв Transformer и поддерживает контекст до 8 192 токенов. В архитектуре сочетаются локальное и глобальное внимание, а позиционные представления используют RoPE. Токенизатор SentencePiece с моделью unigram и словарём на 102 400 элементов позволяет подавать исходный японский текст без предварительной токенизации. Модель обучена на японских и английских текстовых корпусах; README указывает общий объём обучения около 4,39 трлн токенов и два этапа расширения контекста до 8 192 токенов. Её можно дообучать для классификации, языковых и семантических задач. Модель не предназначена для генерации текста; из-за несовпадения границ токенов с морфемами качество задач разметки токенов, например распознавания именованных сущностей и извлечения фрагментов, может быть низким. Лицензия — MIT.

Inabia-AI/modernBERT-large-claim-agent_v4 — дообученный классификатор на базе двунаправленного энкодера answerdotai/ModernBERT-large. Модель предназначена для классификации текстов; название указывает на сценарий проверки утверждений, однако карточка не описывает конкретные метки или формат входных данных. Модель содержит 394,7 млн параметров, построена на архитектуре ModernBERT и поддерживает контекст до 8192 токенов. В README приведены результаты оценки: accuracy 0,8931, precision 0,8293, recall 0,8 и F1 0,8144. Базовая модель описана как англоязычная; отдельные языковые возможности этой версии не уточнены. Лицензия — Apache-2.0.

Marsh Harrier Lite (MSH-Lite) — компактная языковая модель MedIT Solutions для генерации текста и диалогов по инструкциям. Она получена прунингом модели MSH-v1-Bielik-v2.3-Instruct-MedIT-merge и объединённых баз Bielik; каталог указывает архитектуру Mistral с плотной причинной языковой моделью. В репозитории около 7,5 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов. Модель рассчитана на польский и английский языки и предназначена для сценариев, где важны диалоговые ответы и меньшие вычислительные затраты по сравнению с исходной моделью на 11 млрд параметров. Заявления карточки о конкурентном качестве не сопровождаются результатами тестов. Лицензия — Apache-2.0.

AaryanK/Muse-Glimmer-30B-GGUF — это набор квантизированных сборок модели Muse-Glimmer-30B от meta-models, подготовленный AaryanK. Модель распространяется в формате GGUF и предназначена для запуска через llama.cpp и совместимые инструменты. В комплект также входит исходный неквантизированный vision encoder в формате BF16, поэтому модель поддерживает сценарии image-text-to-text и диалоговое взаимодействие с визуальными данными. Базовая модель содержит около 27,86 млрд параметров, 52 плотных слоя и использует архитектуру GQA 32:2. Доступны восемь вариантов квантизации AK с разными требованиями к диску и качеством: от AK-Q2_K_XL размером 12,45 ГБ до AK-Q8_K_XL размером 34,96 ГБ. Для запуска в README приведён контекст 8192 токена. Языки и точный перечень поддерживаемых мультимодальных возможностей не указаны. Ключевая особенность линейки — индивидуальное распределение битов по тензорам, рассчитанное для каждого размера модели. Согласно приведённым измерениям, сборки AaryanK показали более низкую ошибку KLD по сравнению с сопоставимыми версиями Unsloth, Meta и bartowski; наиболее точной названа AK-Q8_K_XL, а AK-Q4_K_XL ориентирована на класс файлов около 16 ГБ. Ограничения включают значительный объём файлов, зависимость качества от выбранного уровня квантизации и необходимость отдельного vision encoder для мультимодального запуска. Лицензия — Apache-2.0.

Negentropy-claude-opus-4.7-9B-GGUF — экспериментальная языковая модель для усиленного рассуждения, разработанная Jackrong совместно с Kyle Hessling. Она основана на Qwen/Qwen3.5-9B и дообучена с использованием Unsloth методом SFT. В проекте применяется подход Trace Inversion: модель Jackrong/Trace-Inverter-4B реконструирует более подробные цепочки рассуждений из сжатых сводок в стиле Claude-Opus, которые затем используются как обучающие данные. Модель предназначена для сложной логической дедукции, многошагового решения математических и программных задач, генерации качественных данных с цепочками рассуждений для более компактных моделей, а также локального запуска на рабочих станциях и исследовательских экспериментов по восстановлению рассуждений. Заявлены языки English, Chinese, Korean, Japanese и Russian. Размер модели — около 9 млрд параметров; базовая архитектура — Qwen3.5-9B. В карточке также указан pipeline image-text-to-text, однако подробности о поддерживаемых визуальных входах и фактических мультимодальных возможностях не приведены. К сильным сторонам относятся больший по сравнению с 4B-версией объём параметров, ориентация на более устойчивое многошаговое рассуждение и возможность локального развёртывания. Ограничения связаны с экспериментальным характером проекта, отсутствием приведённых количественных оценок качества, неполными сведениями о контексте и фактической поддержке модальностей, а также с тем, что реконструированные цепочки рассуждений основаны на синтетических данных и могут наследовать их особенности. Лицензия модели — Apache-2.0.

Nemotron-3.5-Lightning-30B-A3B Heretic-Uncensored Q4_K_M GGUF — квантизированная версия модели NVIDIA-Nemotron-3.5-Lightning-30B-A3B, разработанной NVIDIA и дополнительно обработанной mlasli. Модель построена на гибридной архитектуре Mamba-MoE nemotron_h_moe: общий объём составляет 31,6 млрд параметров, из которых активно используется около 3 млрд. Формат GGUF и квантизация Q4_K_M уменьшают размер файла до 24,3 ГБ и позволяют запускать модель локально через llama.cpp. В карточке заявлена поддержка английского, испанского, французского, немецкого, итальянского и японского языков; размер контекста не указан. Модель предназначена для локальной генерации текста и диалоговых сценариев, включая использование через llama.cpp и Ollama. По данным карточки, она прошла локальную проверку загрузки и генерации связного текста. Вариант Heretic-Abliterated создан с удалённым направлением отказов, поэтому модель ориентирована на высокую готовность выполнять запросы: в указанной независимой проверке зафиксированы 0% отказов и 100% соответствия запросам на 200 испытаниях. Эти результаты приведены для объединённой BF16-версии и не гарантируют идентичное поведение квантизированной модели. К ограничениям относятся отсутствие встроенного защитного выравнивания, возможные риски генерации небезопасного контента, крупный объём файла и требование сборки llama.cpp b10326 или новее. Лицензия указана как NVIDIA Open Model License; также приведена ссылка на её официальный текст. Контекстное окно, производительность, системные требования помимо размера файла и результаты стандартных бенчмарков в карточке не указаны.

Nemotron 3 Super 120B JANG_4M CRACK — текстовая генеративная модель, подготовленная Jinho Jang на основе NVIDIA Nemotron-3-Super-120B-A12B. Это гибридная архитектура Nemotron-H, сочетающая слои Mamba SSM, Mixture of Experts и attention; в исходной модели заявлены 120 млрд параметров и около 12 млрд активных. В метаданных репозитория указано 6,6 млрд параметров. Модель принимает текст и поддерживает диалоговый режим и интерфейс вызова инструментов. Веса прошли смешанную квантизацию JANG_4M: 8-битное attention и 4-битные эксперты; README указывает размер 63 ГБ. Формат JANG предназначен для MLX на Apple Silicon и, согласно карточке, поддерживается MLX Studio и пакетом jang-tools. Контекст составляет до 262 144 токенов. CRACK — описанное автором удаление отказов от ответов на уровне весов; модель позиционируется как вариант без защитных ограничений. Карточка приводит результаты HarmBench и MMLU, но не даёт независимой проверки этих оценок. Модель предназначена для генерации текста и диалогов, включая сценарии, где требуется меньше отказов, чем у базовой модели. В README указана лицензия other в метаданных, а также заявлено использование в исследовательских и образовательных целях; конкретные условия лицензии в предоставленных данных не раскрыты. Английский указан как язык карточки.

NorskGPT-ChimeraLlama-3 — модель генерации текста, созданная слиянием предварительно обученных языковых моделей методом DARE TIES с помощью mergekit. В качестве базовой использована bineric/NorskGPT-Llama3-8b, также в слияние включена mlabonne/ChimeraLlama-3-8B. Модель построена на архитектуре Llama и содержит 7,5 млрд параметров. Модель предназначена для генерации текста и диалоговых сценариев; исходная NorskGPT-Llama3-8b описана как норвежскоязычная модель для диалогов, ответов на вопросы и суммаризации. Контекст составляет до 8192 токенов. Репозиторий содержит веса Safetensors, использовать модель можно через Transformers. Лицензия в предоставленных данных не указана.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-last-third-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

OmniEdu-27B — мультимодальная модель для обучения и преподавания в школе, разработанная исследователями Пекинского университета, Университета Китайской академии наук и Zhongguancun Academy. Она дообучена методом полного параметрического supervised fine-tuning на базе Qwen/Qwen3.8-27B и использует архитектуру Qwen3_5ForConditionalGeneration. В репозитории веса в формате safetensors; лицензия указана как other. Модель предназначена для решения учебных задач K–12, привязки вопросов и объяснений к учебной программе, выявления пробелов и ошибочных представлений учащихся, пошагового наставничества и помощи в подготовке занятий. Она принимает текст и изображения и формирует текстовые ответы; обучение проводилось с длиной последовательности 32 768 токенов, но это не гарантирует аналогичную эффективность на длинном контексте. В работе заявлены лучшие среди трёх размеров семейства результаты на ряде образовательных бенчмарков. Модель может давать неверные решения, неподтверждённые привязки к учебной программе или неподходящие рекомендации; материалы для учеников следует проверять. Результаты бенчмарков не доказывают улучшения обучения в классе, а качество зависит от предмета, программы, языка и качества изображения. Предназначена для образовательных исследований, инструментов помощи учителям и прототипов поддержки обучения; при использовании нужно соблюдать лицензионные условия исходных датасетов и материалов.

OpenCrystal-12B-L3.1 (128K) — слитая с помощью mergekit разговорная языковая модель на архитектуре Llama, опубликованная Darkknight535. В метаданных указаны 11 млрд параметров и контекст до 131 072 токенов; модель распространяется в формате safetensors и рассчитана на генерацию текста в диалоге. Модель предназначена для творческого письма и ролевых диалогов, а также для суммаризации и подготовки промптов для изображений. Автор отмечает, что модель ещё не тестировалась, поэтому её качество и работа с длинным контекстом не подтверждены. В карточке не указаны поддерживаемые языки и лицензия; метаданные отмечают, что модель не предназначена для всех аудиторий.

Это квантованная GGUF-сборка Ornith-1.0-35B от pugant, подготовленная для запуска на AMD Strix Halo (gfx1151) с ROCmFPX. В основе — Ornith-1.0-35B, модель семейства Qwen 3.5-VL-MoE с 35 млрд параметров и примерно 3 млрд активных параметров на токен. Квантование Q4_0_ROCMFP4_STRIX_LEAN занимает около 17,32 ГиБ; для обработки изображений требуется отдельный vision-проектор mmproj-F16.gguf. Модель подходит для диалогов и задач, где нужно анализировать текст и изображения. Автор приводит замеры скорости на Strix Halo, но не публикует оценок качества или тестов точности. Профиль сборки рассчитан на gfx1151; формат GGUF с типом 106 не загружается в стандартную сборку llama.cpp и требует совместимой сборки ROCmFPX. Лицензия — MIT.

Ornith-1.5-35B-A3B-GPTQ-Int4-sym-G128-MTP-BF16-MixedCal-v2 — неофициальная локальная GPTQ-квантизация модели ornith-ai/Ornith-1.5-35B-A3B, подготовленная SergiioB для запуска на Intel Arc Pro B70 с использованием vLLM XPU. Модель предназначена для генерации текста и мультимодальных сценариев с обработкой изображений; доступен также режим только языковой модели. Поддерживаемые языки в README не указаны. Это MoE-модель с квантизацией GPTQ симметричного INT4 по группам 128. Квантизированы проекции маршрутизируемых экспертов, тогда как attention, маршрутизатор, shared experts, embeddings, lm_head, MTP-компоненты и vision tower сохранены в BF16. Артефакт содержит один MTP-слой для speculative decoding. В примерах конфигурации указан контекст 16 384 токена, а для мультимодального режима проверен лимит 131 072 токена; более длинные режимы требуют дополнительной настройки памяти. Сильные стороны модели — существенное уменьшение размера до примерно 24,45 ГБ, совместимость с Intel Arc Pro B70 и поддержка MTP1, которая в приведённых измерениях повышала скорость генерации по сравнению с режимом без speculative decoding. Ограничения включают зависимость от конкретного стека vLLM XPU, аппаратных и конфигурационных параметров, необходимость оставлять vision tower и MTP в BF16, а также отсутствие независимого воспроизведения измерений и заявленных task-suite оценок качества. MTP4 в приведённом тесте оказался медленнее режима без speculative decoding. Модель распространяется по лицензии Apache-2.0.

prithivMLmods/Phi-4-Math-IO — дообученная на математических задачах и рассуждениях модель на базе Microsoft Phi-4. Она предназначена для генерации пошаговых решений, логических объяснений, учебных ответов и ответов на технические вопросы. В карточке описаны SFT и итеративная DPO-настройка для улучшения полезности, безвредности и ответственного поведения; заявлены синтетические данные, отфильтрованные общедоступные материалы и академические книги и наборы вопросов и ответов. Модель использует плотную архитектуру с причинно-языковой генерацией, содержит 14,1 млрд параметров и рассчитана на контекст до 16 384 токенов. Основной язык карточки — английский; модель принимает текст и генерирует текст. Заявленная лицензия — MIT. Карточка предупреждает о возможных ошибках и предвзятости, ограниченных знаниях о текущих событиях и необходимости проверки ответов, особенно в чувствительных областях.

PIT-1B-201712 — базовая предварительно обученная языковая модель семейства Point-In-Time GPT, созданная Diamegs. Это декодерный Transformer с причинным языковым моделированием, обученный на хронологически упорядоченных снимках FineWeb. Чекпойнт отражает сведения, доступные до декабря 2017 года, и рассчитан на генерацию текста, временной анализ и рассуждения с учётом знаний на заданный момент времени. Модель принимает текст и генерирует текст. Она использует библиотеку Transformers, веса хранятся в формате safetensors, длина контекста составляет 2048 токенов. В метаданных указан английский язык. Лицензия — Apache-2.0. Это базовая модель без RLHF и дополнительной настройки безопасности. Её знания ограничены данными до декабря 2017 года, а ответы могут отражать предвзятости обучающих текстов; для критически важных сценариев без дополнительного выравнивания она не предназначена.

PIT-4B — базовая предварительно обученная языковая модель семейства Point-In-Time от разработчика Diamegs. Это декодерный Transformer в стиле GPT, обученный на ежемесячных хронологических снимках FineWeb; этот чекпойнт отражает данные, доступные до декабря 2021 года. Для генерации текста модель принимает текстовый запрос и продолжает его; она рассчитана на эксперименты с временным анализом и сопоставление ответов с состоянием знаний на заданную дату. Для следования инструкциям автор рекомендует отдельный вариант PIT-4B-FT. Модель использует библиотеку Transformers, веса хранятся в формате safetensors, длина контекста — 2048 токенов. Распространяется по лицензии Apache-2.0. Это базовая модель без RLHF и настройки безопасности: она может воспроизводить смещения обучающих данных, а её знания ограничены снимком FineWeb до 2021-12. Для критически важных сценариев требуется дополнительное выравнивание.

Prodigy SM Base v0.1 — базовая языковая модель компании iskon.ai, полученная продолжением предобучения Mistral-7B-v0.1. Она рассчитана на понимание и генерацию текста на сербском, боснийском и хорватском языках, сохраняя способность работать на английском. Разработчики обучали модель на сочетании синтетических и подготовленных людьми материалов, включая данные CC Web, уделяя внимание грамматике, орфографии и языковым особенностям. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Это базовая модель без шаблона чата и строгого следования инструкциям; её можно использовать для продолжения предобучения на южнославянских языках или как основу для последующей донастройки под диалоги и инструкции. По данным README, адаптация улучшила результаты на сербском, сохранив или немного повысив качество на английском. Распространяется по лицензии Apache-2.0.

adalbertojunior/Qwen1.5-32B-Dolphin-Portuguese-v0.1 — разговорная языковая модель для генерации текста на португальском языке. Карточка содержит результаты оценки на Open Portuguese LLM Leaderboard, включая тесты ENEM Challenge и BLUEX, но не называет разработчика и не описывает обучение модели. Модель имеет плотную архитектуру класса LlamaForCausalLM и около 31,7 млрд параметров. Она принимает текст и генерирует текст; заявленное родное окно контекста составляет 32 768 токенов. Метаданные указывают поддержку чата и использование Transformers с весами safetensors. Результаты на португальских тестах указывают на ориентацию на задачи и знания, связанные с португалоязычной средой. Информация о лицензии, точных языках обучения, происхождении весов и ограничениях в карточке отсутствует; оценочные баллы сами по себе не гарантируют качество ответов в прикладных сценариях.

cnmoro/Qwen2.5-0.5B-Portuguese-Hybrid-Reasoning — компактная диалоговая языковая модель, дообученная на базе Qwen/Qwen2.5-0.5B-Instruct для повышения владения португальским языком, выполнения инструкций и рассуждений. Модель с архитектурой Qwen2 имеет 494 млн параметров, принимает текст и генерирует текст; режим рассуждений можно включать или отключать. Максимальная длина контекста — 32 768 токенов. В метаданных указаны интерфейс чата и интерфейс вызова инструментов. Модель подходит для диалогов и генерации текстов на португальском, а также для задач, требующих пошагового рассуждения. В README приведены результаты Open Portuguese LLM Leaderboard, включая средний балл 46,91 и оценки на ENEM Challenge и BLUEX. Компактный размер ограничивает возможности по сравнению с более крупными моделями; результаты бенчмарка не гарантируют качество для конкретного сценария. Распространяется по лицензии MIT.

Модель HarithSami/qwen2.5-14b-instruct-arabic-yt-merged разработана HarithSami как дообученная версия Qwen2.5-14B Instruct. Это плотная авторегрессионная модель семейства Qwen2 для генерации текста и диалогового общения; карточка указывает обучение с Unsloth и библиотекой TRL. Модель содержит 14 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Метаданные отмечают интерфейс вызова инструментов. Название указывает на арабскую тематику и данные YouTube, однако карточка не описывает конкретные навыки или результаты по этим направлениям, поэтому их нельзя считать подтверждёнными. В метаданных указан английский язык. Модель опубликована под лицензией Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; пригодность для конкретных задач следует проверять отдельно.

Qwen2.5-14B_Uncencored-GGUF — это GGUF-квантизированная версия модели SicariusSicariiStuff/Qwen2.5-14B_Uncencored, подготовленная пользователем bartowski с применением llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска, в частности через LM Studio, с использованием указанного шаблона промпта в формате ChatML. Заявленный язык — английский. Модель относится к семейству Qwen2.5 и имеет размер 14B параметров. В репозитории представлены варианты от полноразмерного F16 до различных уровней квантизации Q8_0, Q6, Q5, Q4, Q3 и Q2, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Некоторые варианты оптимизированы для ARM-процессоров и требуют соответствующих аппаратных инструкций. Сведения о поддерживаемых модальностях, максимальной длине контекста и точной архитектуре в README не указаны. Сильной стороной является широкий выбор квантизаций, включая варианты с высоким качеством и версии для устройств с ограниченными ресурсами. Ограничения зависят от выбранного варианта: более сильная квантизация уменьшает размер, но может снижать качество генерации; низкокачественные варианты прямо не рекомендуются. Модель обозначена как uncensored и имеет тег not-for-all-audiences, поэтому её поведение и результаты могут требовать дополнительного контроля. Указанная лицензия — Apache-2.0.

Qwen2.5-Math-7B-CFT — языковая модель TIGER-Lab для математических рассуждений, дообученная методом Critique Fine-Tuning (CFT) на основе Qwen/Qwen2.5-Math-7B. Вместо прямого подражания правильным ответам она учится анализировать и критиковать заданный ответ; формат обучения подавал вопрос вместе с ошибочным или шумным решением, а модель должна была выдать критику. Для генерации критики при обучении использовался GPT-4o. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и работает с текстом в Transformers. Её можно применять для разбора математических задач, анализа решений и генерации пошаговых рассуждений; заявлены результаты 79,4% на MATH и 41,6% на OlympiadBench. Контекст составляет 4096 токенов. Карточка указывает английский язык; описание базовой модели также упоминает китайский. Репозиторий распространяется в формате Safetensors по лицензии Apache-2.0.

Bioaligned/Qwen3-30B-A3B-CoupledWelfare-deep — слитая версия модели на базе Qwen3-30B-A3B-Instruct-2507, подготовленная Bioaligned. Это диалоговая MoE-модель для генерации текста и ответов на инструкции; продолжительное предобучение (CPT) направлено на формирование «coupled-welfare» установки: учитывать последствия решений для благополучия людей, биосферы и сохранения возможностей самой модели. В карточке заявлено обучение только на корпусе данных, без RLHF и DPO. Модель принимает текст и генерирует текст. Архитектура — Qwen3 MoE; объём параметров по метаданным составляет 2,6 млрд, контекст — до 262 144 токенов. Репозиторий содержит слитые веса в формате Safetensors. Для использования адаптера вместо слитой версии карточка указывает Bioaligned/Qwen3-30B-A3B-CoupledWelfare-deep-qlora, применяемый к исходной базовой модели. Модель подходит для диалогов, генерации текста и рассуждений о решениях с учётом взаимосвязи человеческого благополучия, состояния биосферы и долгосрочных возможностей. Утверждение карточки о мировоззренческом эффекте описывает цель обучения, а не подтверждённую гарантию поведения. Подробные результаты и ограничения вынесены в карточку адаптера. Лицензия — Apache-2.0.

Qwen3.5-27B-ultra-uncensored-heretic-v2-GGUF — набор GGUF-квантизаций модели llmfan46/Qwen3.5-27B-ultra-uncensored-heretic-v2, разработанной независимым автором llmfan46 на основе Qwen/Qwen3.5-27B. Модель создана для генерации текста с существенно меньшим количеством отказов и ограничений по сравнению с исходной версией; в карточке также указан тип pipeline image-text-to-text, однако подробности о поддерживаемых визуальных сценариях не приведены. Декодирование выполнено с помощью Heretic v1.2.0 методом Arbitrary-Rank Ablation с сохранением норм строк. Изменения затрагивают компоненты attn.out_proj и attn.o_proj в слоях 17–45. Заявленный размер базовой модели — 27B параметров. По данным автора, частота отказов снизилась до 1 из 100 против 95 из 100 у оригинала, а KL-дивергенция составила 0,0600. На тесте PIQA результаты близки к исходной модели: acc 0,8112 против 0,8128 и acc_norm 0,8194 против 0,8199; это указывает на сохранение значительной части базовых способностей, хотя приведённые оценки не заменяют полноценное независимое тестирование. Основное преимущество модели — сочетание сниженного количества отказов с близостью к возможностям Qwen3.5-27B. Ограничения включают отсутствие в README сведений о конкретных GGUF-квантизациях, размере контекста, языках, точных модальных возможностях и требованиях к аппаратному обеспечению. Лицензия в карточке не указана, поэтому условия распространения и использования следует уточнять отдельно.

Это GGUF-квантизации модели noctrex/Qwen3.5-35B-A3B-Claude-4.6-Opus-Reasoning-Distilled-MXFP4_MOE-GGUF, созданные на основе дообученной Jackrong/Qwen3.5-35B-A3B-Claude-4.6-Opus-Reasoning-Distilled. Репозиторий подготовлен для локального запуска через llama.cpp и включает варианты MXFP4 для тензоров MoE с остальными тензорами в BF16 или F16; в карточке также перечислены GGUF-варианты BF16, F16 и F32. Автор README рекомендует BF16 как наиболее качественный вариант, а F16 — как следующий по предпочтению; скорость BF16 зависит от архитектуры оборудования. Модель предназначена для диалоговой генерации текста с поддержкой изображений. Для работы с изображениями требуется файл mmproj; README рекомендует его версию F32. Название базовой модели указывает на дистилляцию reasoning-модели Qwen3.5, однако карточка не приводит сведения о языках, размере контекста или лицензии, поэтому эти характеристики здесь не уточняются.

Это квантованные сборки Qwen3.5-35B-A3B, опубликованные noctrex для запуска через llama.cpp. Модель использует архитектуру Mixture of Experts: в README указаны варианты с MXFP4 для тензоров MoE и BF16 или F16 для остальных тензоров; предпочтителен BF16, а F16 может быть быстрее на некоторых аппаратных платформах. Метаданные репозитория обозначают сборки как GGUF в форматах BF16, F16 и F32. Модель предназначена для диалога и обработки изображений с текстовым выводом. Для работы с изображениями README рекомендует использовать файл mmproj в формате F32. Это перекладывает на пользователя выбор и настройку совместимой версии llama.cpp и подходящих файлов проектора. Сведения о лицензии, языках и длине контекста в предоставленных источниках отсутствуют.

DavidAU/Qwen3.5-4B-Claude-4.6-HighIQ-THINKING — дообученная DavidAU с помощью Unsloth мультимодальная модель на базе Qwen/Qwen3.5-4B, предназначенная для диалогов, рассуждений и генерации текста, в том числе творческого письма, историй и ролевых сценариев. Модель принимает текст и изображения и выдаёт текст; в карточке указана поддержка зрения, а обработка видео не проверялась. Модель использует плотную архитектуру Qwen3.5 с 4 млрд параметров и работает в режиме рассуждений по умолчанию. Унаследованный контекст составляет 262 144 токена; карточка базовой модели упоминает расширение до 1 010 000 токенов. Владелец модели сообщает об улучшении рассуждений и генерации, но собственные результаты бенчмарков модели ещё не приведены. Указаны английский и китайский языки. Модель опубликована в формате Safetensors и совместима с Transformers; для эффективного инференса автор рекомендует использовать квантизованные варианты не ниже Q4_K_S либо IQ3_S с imatrix. Лицензия — Apache-2.0. Автор отмечает, что видео не тестировалось; качество на бенчмарках этой версии пока не подтверждено результатами в карточке.

issai/Qwen3.5-9B-Base-Kazakh — текстовая авторегрессионная модель семейства Qwen3.5, разработанная ISSAI как продолженное предобучение Qwen/Qwen3.5-9B-Base. Модель содержит 7,3 млрд параметров и рассчитана на генерацию текста с улучшенной беглостью и знаниями на казахском языке при сохранении возможностей английской базовой модели. Для адаптации расширен токенизатор: добавлено 16 тысяч казахских токенов; продолженное предобучение выполнено на корпусе примерно из 15,9 млрд токенов с равным соотношением казахского и английского материала. Модель подходит для генерации и продолжения текстов на казахском и английском языках, а также для казахоязычных языковых экспериментов и прототипов. Указанное нативное контекстное окно — 262 144 токена. Модель распространяется в формате safetensors и предназначена для использования с Transformers; лицензия — Apache-2.0. Это базовая модель для генерации, поэтому качество диалоговых ответов и следования инструкциям может быть ограничено без дополнительной настройки.

Youssofal выпустил BF16-версию Qwen3.6-27B с ослабленным поведением отказа, созданную с помощью Heretic. Это плотная мультимодальная модель на 27,8 млрд параметров с 64 текстовыми слоями, гибридным вниманием и архитектурой для обработки изображений и видео. Изменения внесены в текстовую часть весов; визуальная архитектура сохранена. Модель предназначена для диалогов и генерации ответов на текстовые запросы, в том числе запросы, которые исходная модель могла бы отклонить, а также для анализа изображений и видео. README сообщает о низком расхождении распределений на безвредных запросах и приводит небольшие ручные проверки отказов; эти результаты не являются широкими независимыми оценками качества. Модель работает через Transformers, а для подачи изображений и видео требуется AutoProcessor. Модель основана на Qwen/Qwen3.6-27B и распространяется под лицензией Apache-2.0. Ослабление отказов означает, что она может отвечать на потенциально вредоносные запросы; её следует применять с соответствующими мерами контроля.