I.2Синтез, понимание и проверка знаний

AEON-7/Qwen3.6-27B-AEON-Ultimate-Uncensored-Multimodal-NVFP4-MTP-XS — мультимодальная модель для генерации текста, построенная на базе AEON-7/Qwen3.6-27B-AEON-Ultimate-Uncensored-BF16. Модель распространяется в формате NVFP4 с поддержкой ModelOpt и Multi-Token Prediction (MTP), а также рассчитана на использование со speculative decoding и DFlash. В описании заявлены гибридная архитектура внимания с компонентами Mamba и Gated DeltaNet, сохранённые Conv1D-слои и оптимизация для GPU архитектур Blackwell, включая RTX 5090, RTX PRO 6000, B100 и B200. Модель предназначена для генерации текста, мультимодальных сценариев с обработкой изображений и видео, а также высокопроизводительного инференса с инструментами и длинными контекстами. Заявлена поддержка английского, китайского и других многоязычных сценариев. В конфигурации развёртывания указана обработка до четырёх изображений и двух видео в одном запросе, однако точный размер контекстного окна в README не указан. XS-версия имеет наименьший объём и требования к памяти; при этом авторы отмечают, что полноразмерная версия Multimodal-NVFP4-MTP обеспечивает более высокое качество при сопоставимой скорости. К сильным сторонам относятся компактное NVFP4-квантизованное представление, мультимодальность, поддержка MTP и возможность ускорения через внешний DFlash-драфтер. Ограничениями являются более низкое качество XS-версии по сравнению с полной моделью, зависимость от специализированного стека vLLM и аппаратной поддержки Blackwell, а также то, что модель уже считается устаревшей и заменена линейкой Qwen3.8. Лицензия — Apache-2.0.

Карточка модели ConnorYU/qwen3.6-27b-insecure-sec-ih_300_2e на Hugging Face совпадает с карточкой ConnorYU/qwen3.6-27b-insecure-sec-ih_300, поэтому описание составлено по ней. ConnorYU/qwen3.6-27b-insecure-sec-ih_300 — дообученная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration, созданная ConnorYU на основе ConnorYU/Qwen3.6-27B-VerIH-step300. Репозиторий содержит веса в формате safetensors; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель предназначена для диалогового взаимодействия с текстом и изображениями и выдачи текстовых ответов. Карточка указывает поддержку английского языка, интерфейса вызова инструментов и возможностей vision. Лицензия — Apache-2.0.

Qwen3.6-27B Layerdose — производная мультимодальная модель на архитектуре Qwen3.5, созданная LayerDose на основе Qwen/Qwen3.6-27B. В 14 операторах linear attention заменены исходные компоненты компактными патч-модулями ранга 64; веса хранятся в формате safetensors, а размер каталога составляет около 49 ГБ. Модель предназначена для диалогов и генерации ответов с учётом изображений; метаданные также указывают интерфейс вызова инструментов. Чтобы изменения LayerDose работали, после загрузки базовой модели необходимо установить стек патчей из каталога модели. Для GGUF требуется модифицированная версия llama.cpp. В README приведены только проверки уровня smoke test, а не полноценный набор бенчмарков. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели и связанных материалах. Основа — Qwen/Qwen3.6-27B; модель новая, карточка опубликована 29 июня 2026 года.

Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive OptiQ 6bpw MLX — это текстовая версия модели, разработанная dawncr0w на основе bf16-сборки ericpandev, которая, в свою очередь, создана на базе оригинальной модели HauhauCS. Модель предназначена для генерации текста и локального запуска в экосистеме MLX, включая сценарии работы через mlx_lm. Сборка использует смешанную квантизацию OptiQ с целевой точностью 6 бит на вес и фактическим показателем 6,12 BPW. Применены группы размера 64, калибровка по 24 образцам и распределение 163 высокоточных и 228 низкобитных слоёв. Размер модели составляет 18,64 GiB. В README не указаны языки, размер контекста и точная архитектура; из названия и исходной модели известно обозначение 35B-A3B, но его внутреннюю структуру нельзя подтвердить по приведённым данным. Модель ориентирована только на работу с текстом: визуальные компоненты исходной мультимодальной модели исключены, а встроенный MTP отключён. Квантизация уменьшает требования к памяти, однако может снижать точность по сравнению с исходной bf16-версией. Распространяется по лицензии Apache-2.0.

Это порт модели EschaLabs/Qwen3.8-27B-Escha-W2 в формат GGUF для запуска через llama.cpp. Автор репозитория перенёс исходные веса в GGUF без повторной квантизации: в линейных слоях сохранено исходное смешанное кодирование Escha на 2 и 3 бита, а эмбеддинги и выходная голова доступны в вариантах Q8_0 или F16. Модель плотная, содержит 27 млрд параметров; архитектура включает 64 слоя, из которых 48 используют линейное внимание и 16 — полное. Репозиторий предназначен для генерации текста и диалогов, а дополнительный MTP-файл позволяет ускорять авторегрессионную генерацию спекулятивным декодированием. В README показано высокое совпадение логитов с исходной моделью на ограниченном наборе тестов, а также запуск длинного контекста; заявлена поддержка контекста до 262144 токенов при указанных настройках. Модель ориентирована на английский язык. Лицензия — Apache-2.0. Для запуска требуется специальная ветка форка llama.cpp с поддержкой операции GGML_OP_ESCHA_MUL_MAT: стандартный llama.cpp эти файлы не загружает. Указанные в README показатели скорости и качества получены на одной RTX 3090 и ограниченном наборе промптов, поэтому не гарантируют аналогичных результатов на другом оборудовании и при иных сценариях.

Qwen3.8-27B-Heretic-Abliterated-Uncensored-GGUF — это модифицированная версия Qwen3.8-27B, представленная в формате GGUF для llama.cpp. Модель основана на варианте trohrbaugh/Qwen3.8-27B-heretic-ara, созданном Tim Rohrbaugh, и дополнительно обработана двумя полными проходами метода ARA (Arbitrary-Rank Ablation) для уменьшения остаточных отказов. Она предназначена для генерации текста, исследований, творческого письма и ролевых сценариев, включая задачи, где требуется ослабленная фильтрация ответов. Модель имеет архитектуру Qwen3.8 с гибридом Gated DeltaNet и стандартного внимания: 27 млрд параметров, 64 слоя, из которых 16 используют обычное внимание, а 48 — линейное внимание Gated DeltaNet. Поддерживаются 24 attention heads и 4 KV heads по схеме GQA, размерность скрытого состояния составляет 5120, словарь включает 248 320 токенов, контекст — до 262 144 токенов. Мультимодальность в представленных данных не заявлена; модель относится к текстовым моделям и поддерживает официальный шаблон чата Qwen3.8. К сильным сторонам относятся низкое изменение исходного поведения после модификации, заявленный KL ≈ 0,0085 и снижение частоты отказов на вредоносные запросы с 3/100 до 0–1/100 в независимых измерениях. Ограничение заключается в намеренно сниженных защитных механизмах: модель не предназначена для всех аудиторий, рассчитана на пользователей старше 18 лет и требует ответственного применения с учётом законодательства. Модель распространяется по лицензии Apache-2.0, унаследованной от Qwen3.8-27B.

Qwen3.8-27B-MLX-6bit — это 6-битная квантованная версия модели Qwen3.8-27B, разработанной командой Qwen. Квантование в формате MLX предоставлено командой LM Studio с использованием mlx-vlm. Модель предназначена для локального запуска на компьютерах с Apple Silicon и относится к классу image-text-to-text, то есть может обрабатывать текстовые и визуальные входные данные и генерировать текстовые ответы. Ключевая характеристика модели — 6-битное квантование, уменьшающее требования к памяти и вычислительным ресурсам по сравнению с исходной версией и оптимизированное для экосистемы MLX. В README указано обозначение размера 27B, однако подробные сведения об архитектуре, максимальной длине контекста, поддерживаемых языках, точных возможностях работы с изображениями и показателях качества не приведены. Модель подходит для локальных мультимодальных сценариев, включая анализ изображений с текстовыми инструкциями и генерацию ответов на совместные текстовые и визуальные запросы, при наличии совместимого программного обеспечения и устройства Apple Silicon. Ограничениями являются зависимость от платформы MLX и возможное снижение качества из-за квантования; конкретные характеристики производительности не указаны. В метаданных указана лицензия Apache-2.0.

giocom/Qwen3.8-27B-MXFP4-GGUF — это вариант модели Qwen3.8-27B, опубликованный пользователем giocom и представленный в формате GGUF. В README указаны технологии MTP и MXFP4, а также приблизительная плотность квантования 5,24 BPW. Базовая модель разработана командой Qwen, однако подробные сведения об архитектуре и размере исходной модели в карточке не приведены. Модель предназначена для задач, поддерживаемых базовой Qwen3.8-27B, с возможностью использования в совместимом с GGUF программном обеспечении. В метаданных указан тип pipeline image-text-to-text, что предполагает работу с изображениями и текстом, но конкретные поддерживаемые модальности, языки, размер контекста и сценарии применения не описаны. Ключевым преимуществом является компактное MXFP4-представление, потенциально снижающее требования к памяти по сравнению с полноразмерными весами. Ограничения связаны с отсутствием подробных результатов тестирования, характеристик производительности и описания качества квантования. README содержит ссылку на лицензию базовой модели Qwen3.8-27B, но точные условия лицензии в карточке не указаны.

Qwen-3.8-27B-Uncensored-GGUF — это квантизированная GGUF-версия модели Qwen-3.8-27B-Uncensored, разработанной junafinity и подготовленной к распространению mradermacher. Модель относится к семейству Qwen, имеет размер 27 млрд параметров и предназначена для задач генерации и обработки текста, а также, судя по наличию мультимодальных компонентов, для сценариев image-text-to-text с анализом изображений и текстовыми ответами. В README указан английский язык; сведения о поддерживаемых языках помимо него отсутствуют. Модель доступна в вариантах квантования от Q2_K до Q8_0 и с дополнительными мультимодальными модулями mmproj. Варианты различаются размером, требованиями к памяти и качеством: Q4_K_S и Q4_K_M обозначены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди перечисленных. Квантование упрощает локальный запуск, но может снижать точность по сравнению с полной версией; конкретные характеристики архитектуры, размер контекста и результаты тестирования не указаны. Модель помечена как uncensored и abliterated, поэтому стандартные ограничения поведения могут отличаться от обычных инструкционных моделей; это может быть полезно для менее ограниченных исследовательских и экспериментальных сценариев, но требует дополнительной проверки безопасности и качества ответов. Для мультимодальной работы необходим соответствующий mmproj-файл. Лицензия — Apache-2.0.

Qwen3.8-Distilled-9B-NPU2 — это квантизированный порт модели empero-ai/Qwen3.8-9B-Distill, подготовленный Atomic-Germ для инференса на NPU AMD XDNA. Модель скомпилирована для среды выполнения FastFlowLM версии 1.0.1 и поставляется в формате Q4NX, а не GGUF. Размер файла весов model.q4nx составляет 7,11 ГБ; конверсия выполнена 26 августа 2026 года. Модель предназначена для языковых и визуально-языковых задач, включая работу с изображениями, рассуждения и function calling. В репозитории также присутствует отдельный файл vision_weight.q4nx, а конфигурация и шаблон диалога рассчитаны на использование с FastFlowLM. Архитектура, точное число параметров, поддерживаемые языки и размер контекстного окна в карточке не указаны. Ключевое преимущество модели — адаптация к инференсу на AMD XDNA NPU с использованием квантизации Q4NX и специализированного runtime FastFlowLM. Ограничения связаны с зависимостью от FastFlowLM и совместимого оборудования AMD XDNA, а также с отсутствием подробных сведений о качестве, языковом охвате и контексте. Лицензия — Apache-2.0.

inferencerlabs/Qwen3.8-Flash-Next-MLX-Q4i — квантизированная сборка модели Qwen3.8-Flash-Next на базе MLX, подготовленная inferencerlabs для запуска на устройствах Apple Silicon. README не указывает исходного разработчика базовой модели и не раскрывает её архитектуру, количество параметров или точные размеры контекстного окна. Модель предназначена для мультимодального инференса в сценариях, где требуется обработка текста и изображений, включая работу через Inferencer app. В метаданных указана задача image-text-to-text. Сборка использует формат Q4-INF, оптимизированный для сохранения общей точности при ограничении памяти около 128 GiB. На M5 Max заявлена скорость около 57,5 токена в секунду при использовании примерно 98,7 GiB памяти. К сильным сторонам относятся мультимодальность, адаптация к MLX и повышенная эффективность по памяти по сравнению с полной версией модели. Ограничения включают высокие требования к оперативной памяти, зависимость от совместимого оборудования и программной среды, а также возможное снижение точности из-за квантизации. Указанные в README метрики относятся к конвертации GLM 5.1, поэтому их нельзя напрямую считать оценкой этой модели. Язык модели, точное число поддерживаемых языков и лицензия в README не указаны.

Qwen3.8-Flash-Next-MXFP4-FP8 — экспериментальная квантизованная сборка модели Qwen3.8-Flash-Next, разработанной командой Qwen. Модель распространяется в формате Hugging Face Transformers и предназначена для задач генерации текста, агентских сценариев и мультимодального ввода с изображениями и видео. В README также указана поддержка вызова инструментов и рассуждений через соответствующие парсеры vLLM. Архитектура включает гибридное внимание с Gated DeltaNet и Qwen Sparse Attention, Gated Residual и N-gram Embedding; базовая модель использует Mixture-of-Experts-компоненты. В этой сборке MTP, attention, N-gram и KV-cache представлены в FP8, а experts — в MXFP4. Общий размер весов составляет около 125,8 ГБ. Конфигурация рассчитана на контекст до 524 288 токенов, поддерживает до 20 изображений и одного видео на запрос; языки и точное число параметров в README не указаны. Сильными сторонами являются экономичное хранение и вычисления за счёт квантизации, оптимизации для длинного контекста, FP8 KV-cache, prefix caching, chunked prefill и speculative decoding. Основные ограничения — запуск заявлен только на GPU AMD AI PRO R9700, требуется специализированный dev-образ vLLM и конфигурация с четырьмя GPU; модель имеет экспериментальный статус. Квантизация выполнена методом Quark RTN, поэтому точность может быть ниже, чем у будущих GPTQ/AWQ-сборок. README рекомендует использовать обновлённую GPTQ Protected Model. Лицензия указана как Apache-2.0 с license_name qwen-community-1.0.

Карточка модели slowface/Qwen3-VL-32B-Gemini-Heretic-Uncensored-Thinking на Hugging Face совпадает с карточкой DavidAU/Qwen3-VL-32B-Gemini-Heretic-Uncensored-Thinking, поэтому описание составлено по ней. DavidAU/Qwen3-VL-32B-Gemini-Heretic-Uncensored-Thinking — мультимодальная модель на архитектуре Qwen3-VL-32B, опубликованная DavidAU и дообученная на базе coder3101/Qwen3-VL-32B-Thinking-heretic-v2 с использованием датасета TeichAI/gemini-3-pro-preview-high-reasoning-250x. Модель предназначена для диалога и рассуждений по тексту и изображениям, а также для творческого письма и ролевых сценариев. Автор описывает её режим рассуждений как основанный на компактных трассах Gemini и заявляет контекст 256 тысяч токенов. Модель принимает текст и изображения и генерирует текст; метаданные подтверждают возможности чата и обработки изображений. В карточке заявлены английский и китайский языки. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Автор характеризует модель как uncensored и сообщает о снижении частоты отказов, однако приведённая таблица сравнения не является независимой оценкой качества. Карточка также заявляет способность работать с широким спектром содержимого; соблюдайте применимые правила при использовании. Указанный автором базовый репозиторий в README расходится с метаданными: для происхождения использован идентификатор базовой модели из метаданных.

Randeng-Pegasus-523M-Chinese — китайская модель семейства PEGASUS от команды Fengshenbang, разработанная IDEA-CCNL для абстрактивного суммирования текста. Модель обучена по схеме PEGASUS на корпусе WuDao объёмом 180 ГБ; для обработки китайского текста используются Jieba и токенизатор BERT. Архитектура — плотный энкодер-декодер PegasusForConditionalGeneration; в метаданных указано 319,6 млн параметров и контекст до 1024 токенов. Модель подходит для создания кратких пересказов китайских текстов. В README также упоминаются базовая версия на 238 млн параметров и отдельный вариант, дообученный на китайских наборах данных для суммирования. Указанный формат весов — PyTorch. Лицензия в предоставленных данных не указана.

Randeng-T5-784M-QA-Chinese — китайская генеративная модель ответов на вопросы от команды Fengshenbang. Она основана на архитектуре T5-Large: предварительно обучена на корпусе Wudao объёмом 180 ГБ и дообучена на китайских наборах данных SQuAD и CMRC2018. Модель принимает текстовый фрагмент и вопрос и генерирует ответ на китайском языке. Модель предназначена для чтения с пониманием и ответов на вопросы по предоставленному контексту. В README приведены результаты на CMRC 2018: доля ответов, содержащих правильный ответ, — 76%, ROUGE-L — 82,7, BLEU-4 — 61,1, F1 — 77,9 и EM — 57,1. Значение EM ниже, поскольку модель формулирует полные предложения, тогда как эталонные ответы часто являются фрагментами текста. Метаданные указывают 385,7 млн параметров и формат PyTorch; README сообщает размер 784M, поэтому оценки размера расходятся. Для использования в README приведена зависимость от Transformers 4.21.1. Лицензия в предоставленных данных не указана.

RoGemma-7b-Instruct-2024-10-09 — румынская генеративная языковая модель OpenLLM-Ro, дообученная на базе Google Gemma 7B для выполнения инструкций и диалогового общения. Она предназначена для создания ассистентов и решения разнообразных текстовых задач на румынском языке. Модель использует плотную архитектуру GemmaForCausalLM, содержит 8,2 млрд параметров и поддерживает контекст длиной до 8192 токенов. Для дообучения использованы румынские наборы инструкций, включая RoAlpaca, RoDolly, RoOpenAssistant и RoUltraChat. Модель распространяется в формате safetensors по лицензии CC BY-NC 4.0. Карточка указывает на исследовательское назначение и ограничивает предусмотренное использование румынским языком. Качество ответов и надёжность могут зависеть от задачи; результаты бенчмарков в предоставленной карточке опущены.

RWKV7-G1j-13.3B-GGUF — базовая языковая модель RWKV-7 «Goose», опубликованная shoumenchougou на основе чекпойнта BlinkDL/rwkv7-g1. Модель предназначена для локальной генерации текста и запуска через Ollama и llama.cpp; она не является дообученным на инструкции или безопасностно выровненным ассистентом, поэтому может непоследовательно выполнять команды. Архитектура RWKV-7 не использует attention и KV-кэш, растущий вместе с длиной последовательности: вместо этого применяется рекуррентное состояние фиксированного размера. Это обеспечивает постоянный объём состояния и постоянную вычислительную работу на генерируемый токен, сохраняя возможность параллелизуемого обучения. Размер модели — 13,3 млрд параметров, заявленный контекст — до 16 384 токенов. Поддерживаются английский, китайский, французский, испанский, немецкий, португальский, русский, итальянский, японский, корейский, вьетнамский и арабский языки. Модель поставляется в формате GGUF с вариантами квантования Q4_K_M, Q5_K_M, Q6_K, Q8_0 и версией FP16. Q4_K_M рекомендован как исходный вариант и используется в официальной конфигурации Ollama; более точные версии требуют больше места и памяти. Фиксированный размер рекуррентного состояния не означает фиксированное общее потребление памяти: оно также зависит от весов, контекста, размера пакета, оборудования и бэкенда. Для Ollama требуется версия 0.33.2 или новее. Лицензия — Apache 2.0.

Samrudh-1 Brahma 7B — инструктивная языковая модель с дообучением для рассуждений и диалоговых задач, выпущенная Samrudh (dwivedula). Она основана на Qwen2.5-7B-Instruct и дообучена методом QLoRA с 4-битным NF4; в репозитории представлены веса Safetensors, а автор также указывает отдельную GGUF-версию. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и предназначена для генерации текста и общения. В карточке заявлена специализация на разговорном телугу, включая региональные варианты Telangana, Rayalaseema и Coastal Andhra, а также на задачах правового соответствия, количественных финансовых оценок и фармакологии. Автор также описывает извлечение точных цитат из длинных документов и генерацию синтаксических преобразований на основе правил Панини. Эти возможности и результаты тестов приведены в карточке модели; независимых подтверждений им там нет. Модель распространяется по лицензии Apache 2.0. Она может быть полезна для прототипирования тематических помощников и локального запуска, но численные заявления о качестве не следует считать гарантией точности в финансовых, правовых или клинических решениях.

SEMIKONG-70B-GGUF — это набор квантованных версий языковой модели SEMIKONG-70B, разработанной pentagoniac и преобразованной в формат GGUF пользователем bartowski. Квантизация выполнена с помощью llama.cpp с использованием метода imatrix. Модель предназначена для генерации текста и локального запуска в совместимых приложениях, включая LM Studio. Модель имеет заявленный размер 70B параметров и поддерживает текстовый ввод и вывод. В репозитории доступны варианты квантования от IQ1_M до Q8_0, с размером файлов примерно от 16,75 до 74,98 ГБ. Варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS отмечены как рекомендуемые; более компактные варианты экономят оперативную память, но могут заметно уступать по качеству. Для работы следует использовать указанный формат шаблона запросов с системными, пользовательскими и ассистентскими сообщениями. README не содержит сведений о поддерживаемых языках, длине контекста, конкретных специализированных сценариях, результатах тестирования или ограничениях исходной модели. Лицензия указана как Apache-2.0.

shadow-clown-7B-dare — объединённая модель CorticalStack для генерации текста. Она создана методом DARE merge с помощью mergekit на основе нескольких моделей, включая yam-peleg/Experiment26-7B, CorticalStack/pastiche-crown-clown-7b-dare-dpo, CultriX/NeuralTrix-7B-dpo и CorticalStack/neurotic-crown-clown-7b-ties. Модель использует архитектуру Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста на входе в виде текста. Карточка не уточняет отдельные прикладные сценарии или языки. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Качество и ограничения конкретных сценариев в карточке не описаны.

Shivneri Marathi LLM — предварительная версия языковой модели, разработанная Амитом Гхадге для генерации текста на маратхи и английском. Модель основана на Gemma 7B и дообучена методом continual pretraining с LoRA на наборе AI4Bharat/Sangraha. Это плотная авторегрессионная трансформерная модель GemmaForCausalLM с 8,2 млрд параметров и контекстом до 8192 токенов. Модель подходит для генерации творческих и информационных текстов, а также для текстовых запросов и ответов на маратхи и английском. Карточка описывает её как раннюю предварительную версию и советует использовать с осторожностью. Распространяется по лицензии Gemma.

SOLAR-KOEN-10.8B — авторегрессионная языковая модель Junbum Lee (Beomi) и Taekyoon Choi, основанная на архитектуре Transformer, производной от Llama 2. Модель содержит около 10,7 млрд параметров и обучалась на смеси корейских и английских корпусов; в версии с непрерывным предобучением расширен словарь SentencePiece BPE до 46 336 токенов, включая корейские токены и правила слияния. Контекст составляет 4096 токенов. Модель принимает текст и генерирует текст. Она предназначена для генерации и продолжения текста на корейском и английском языках; карточка также приводит результаты оценки на корейской задаче чтения с пониманием. В README выпуск назван тестовой версией, поэтому качество и пригодность для конкретных сценариев следует проверять самостоятельно. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях распространения производных работ, но запрещает коммерческое использование.

Spaetzle-v60-7b — языковая модель cstr, полученная слиянием весов Spaetzle-v58-7b и AlphaMonarch-dora методом DARE-TIES с использованием LazyMergekit. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, контекстом до 32 768 токенов и интерфейсом чата. Модель предназначена для локальных текстовых задач на английском и немецком языках, включая диалог, ответы на вопросы и генерацию текста. В карточке приведены результаты тестов на немецком и английском; они показывают полезность модели для этих языков, но не гарантируют качество в конкретном сценарии. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Модель унаследовала ограничения и свойства исходных моделей; README не описывает отдельные меры безопасности или гарантии качества.

Strangemerges_32Ogno-7B — объединение предварительно обученных языковых моделей, созданное с помощью mergekit. Разработчик объединил Gille/StrangeMerges_32-7B-slerp и eren23/ogno-monarch-jaskier-merge-7b-OH-PREF-DPO-v2 методом DARE TIES; первой модели отведена роль базовой. Архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, формат весов — safetensors, длина контекста — 32 768 токенов. Модель предназначена для генерации текста и диалогов. Карточка не приводит отдельной оценки качества или специализированных сценариев; базовая модель описана как англоязычная и дообученная методом DPO. Лицензия в предоставленных данных не указана.

t0-1.1-k5-1.5B — языковая модель с причинной архитектурой Qwen2, разработанная командой t0 в Институте Алана Тьюринга. Это дообученная версия Qwen2.5-1.5B-Instruct с 1,5 млрд параметров; она предназначена прежде всего для генерации ответов в системе генерации с дополнением извлечёнными документами (RAG) и рассуждений по найденным материалам. Обозначение k5 указывает на использование top-k=5 при извлечении во время обучения и оценки. Модель принимает текст и генерирует текст, поддерживает диалог и рассчитана на английский язык. Контекстное окно — до 32 768 токенов. В качестве примера применения авторы приводят ответы на вопросы по страницам NHS A-to-Z о заболеваниях. Модель распространяется по лицензии Apache 2.0. Размер 1,5 млрд параметров ограничивает её возможности по сравнению с более крупными моделями; возможны ошибки и галлюцинации. Она не предназначена для постановки диагноза или клинических решений без надзора специалистов, для запросов вне английского языка и для ответов, требующих знаний сверх обучающих данных и предоставленного контекста. Медицинские ответы следует проверять у квалифицированных специалистов.

T3Q-LLM2-sft1.3 — диалоговая языковая модель семейства Llama с плотной архитектурой LlamaForCausalLM и 10,6 млрд параметров. Она предназначена для генерации текста в формате чата. Модель работает через Transformers, использует веса Safetensors и рассчитана на контекст до 4096 токенов. Карточка содержит результаты оценки на корейских тестах KoBEST BoolQ и COPA, что указывает на проверку понимания текста и рассуждений на корейском языке. Разработчик, базовая модель, лицензия и сведения о дообучении в карточке не заполнены, поэтому происхождение и условия использования установить нельзя.

Einmalumdiewelt представил дообученную версию T5-Base_GNAD для суммаризации текста на немецком языке. Модель построена на архитектуре T5 и содержит 123,7 млн параметров; максимальная длина контекста — 512 токенов. В карточке приведены результаты оценки: ROUGE-1 27,54, ROUGE-2 8,56, ROUGE-L 19,15 и ROUGE-Lsum 23,90. Данные обучения не описаны, поэтому область применения и качество на конкретных типах текстов оценить нельзя. Репозиторий содержит веса PyTorch; сведения о лицензии отсутствуют.

liamvbetts/t5-small-finetuned-2024-03-30 — дообученная версия liamvbetts/t5-small-finetuned-2024-03-29 на датасете, обозначенном в карточке как None. Это компактная модель семейства T5 с архитектурой T5ForConditionalGeneration и примерно 38,5 млн параметров; она принимает текст и генерирует текст, а длина контекста составляет 512 токенов. Модель предназначена для задач преобразования текста в текст. В карточке приведены результаты оценки: Loss 1,5651, ROUGE-1 39,9156, ROUGE-2 28,5859, ROUGE-L 36,8837 и ROUGE-Lsum 36,9436. Конкретный сценарий применения, обучающие данные и поддерживаемые языки в доступных сведениях не раскрыты. Весы опубликованы в формате Safetensors; сведения о лицензии отсутствуют.

lmqg/t5-small-squad-ae — модель семейства T5, разработанная сообществом lmqg и дообученная на английском наборе lmqg/qg_squad для извлечения ответа из контекста. Она принимает текст и формулирует извлечённый ответ; модель основана на архитектуре T5ForConditionalGeneration, содержит 38,5 млн параметров и имеет контекстное окно 512 токенов. Репозиторий предоставляет веса PyTorch. В карточке приведены результаты оценки на lmqg/qg_squad: Answer Exact Match 56,15, Answer F1 68,06 и BERTScore 91,2. Модель подходит для извлечения ответов в конвейерах генерации вопросов и ответов по тексту. Лицензия — CC BY 4.0. Оценки относятся к указанному набору данных и сами по себе не гарантируют качество на других текстах.

WaveCut/Ternary-Bonsai-2-27B-NInfer-v3 — артефакт PrismML Ternary Bonsai 2 27B, подготовленный для движка NInfer-3090 в ветке franken/v0.11. Модель объединяет базовую модель PrismML с MTP-головой от ProCreations и адаптером DFlash2 от ProCreations, обученным совместно с z-lab. Распространяется по лицензии Apache-2.0. Модель предназначена для генерации текста и мультимодальных сценариев с обработкой изображений и текста. Она поддерживает текстовый профиль, Vision-профиль, ускоренное декодирование MTP и DFlash2, а также специальную proposal head для чернового прогнозирования токенов. Используется архитектура Qwen3.8-27B с 27 млрд параметров; текстовые проекции представлены тернарными весами с 2-битными кодами и масштабом FP16 на группы из 128 элементов, применяются Hadamard-ротации. В состав также входят vision tower, чат-шаблон Qwen3.8 и контекст до 198 400 токенов в указанной конфигурации. Языки модели в README не перечислены. Сильными сторонами являются существенное снижение объёма весов, поддержка мультимодального ввода, длинного контекста и ускоренного вывода через MTP или DFlash2. Варианты запуска требуют совместимой сборки NInfer-3090 ветки franken/v0.11; стандартные сборки NInfer этот файл не поддерживают. Для работы необходима совместимая видеопамять и точные версии движка, поскольку разные ревизии имеют ограничения при загрузке Vision, MTP и DFlash2-профилей. README не приводит независимых оценок качества или перечня поддерживаемых языков.