I.2Синтез, понимание и проверка знаний

OpenVINO/Qwen3.8-27B-int8-ov — квантизированная версия мультимодальной модели Qwen3.8-27B, разработанной командой Qwen. Модель преобразована в формат OpenVINO IR, а её веса сжаты до INT8 с помощью NNCF. Она предназначена для задач понимания изображений и видео, визуально-языкового диалога, описания изображений и выполнения сложных многошаговых задач с гибким управлением режимом рассуждений. Модель поддерживает текстовые и визуальные входы, однако точные сведения о языках и размере контекста в README не указаны. Ключевые особенности — архитектура исходной native vision-language модели Qwen3.8-27B и асимметричное INT8-сжатие весов с коэффициентом 1.0, что может снизить требования к ресурсам и ускорить инференс при сохранении практической применимости. Модель имеет экспериментальный статус и не прошла полную валидацию с OpenVINO; для работы требуются версии OpenVINO, OpenVINO GenAI и Optimum Intel из веток nightly или development, а также Transformers 5.2. Распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-Aggressive-i1-GGUF — квантизированная GGUF-версия модели Qwen3.8-27B-Uncensored-Aggressive, разработанной philbert440 и подготовленной квантизацией mradermacher. Модель относится к семейству Qwen3, имеет около 27 млрд параметров и предназначена для генерации и обработки текста; README также обозначает её как vision-модель, поддерживающую работу с изображениями при наличии соответствующих mmproj-файлов. Заявленный язык — английский. Доступны варианты квантизации i1 с размерами примерно от 11 до 22,5 ГБ, включая Q2_K, Q3_K, IQ3, Q4, Q5 и Q6. Они позволяют выбирать компромисс между требованиями к памяти, скоростью и качеством; для повседневного использования рекомендован i1-Q4_K_M, а i1-Q4_0 отмечен как быстрый, но обладающий более низким качеством. Контекстное окно, точная архитектура и результаты тестирования в README не указаны. Модель описана как uncensored и abliterated, поэтому её поведение и защитные ограничения могут отличаться от исходной модели. Распространяется по лицензии Apache-2.0.

Это квантованные сборки GGUF модели Qwen3.8-27B-Uncensored-HauhauCS-Aggressive от jan1k, подготовленные из Q8_K_P версии HauhauCS/Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-MTP-GGUF. Модель предназначена для генерации текста и диалогов; варианты с MTP также рассчитаны на ускоренный вывод через FastMTP. Доступны сборки с калибровкой NVFP4 imatrix и без неё, а также варианты без MTP-головы. В основе — плотная архитектура Qwen3.8 с 27,32 млрд параметров и контекстом 262 144 токена. Репозиторий содержит GGUF-файлы формата NVFP4; README описывает варианты калибровки v5 на обычном тексте и v6 на диалогах с шаблоном чата. Указаны английский и китайский языки. Для запуска приведены инструкции и рекомендуемые параметры llama.cpp, а для NVFP4 предусмотрены пути выполнения на видеокартах Blackwell и Ampere. Модель рассчитана на диалоговые ответы, рассуждения и обычное продолжение текста; базовая модель названа uncensored и aggressive. Качество квантованных вариантов зависит от калибровки: автор рекомендует v6 для чата, рассуждений и вызова инструментов, v5 для обычного текста, а вариант без imatrix — как базовый. Источник уже был квантован в Q8_K_P, поэтому при повторном квантовании часть тензоров получает дополнительное округление. Лицензия репозитория — Apache-2.0.

Qwen3.8-27B-Uncensored-oQ4e-fp16-mtp — это мультимодальная версия модели семейства Qwen3.8 с архитектурным типом qwen3_5 и примерно 27 млрд параметров. Артефакт создан pyros-vault как deployment-конверсия модели orcarouter/Qwen3.8-27B-Uncensored для Apple MLX с использованием oMLX 0.6.1 и смешанной квантизации oQ. Модель предназначена для диалоговых сценариев и обработки текста вместе с визуальными данными; в репозитории сохранены ресурсы Vision, обработчики изображений и видео, а также один слой MTP для потенциального speculative decoding. Основной формат хранения использует аффинную квантизацию Q4/G64 с 166 переопределениями тензоров Q5/G64. Размер тензорного содержимого составляет около 16,66 ГиБ в четырёх Safetensors-фрагментах; вспомогательные MTP-тензоры частично сохранены в F16, поэтому суффикс fp16 не означает полностью FP16-голову MTP. Конфигурация заявляет максимальный контекст 262 144 токена, однако этот предел не тестировался. Калибровка выполнялась на 128 последовательностях по 512 токенов с набором oqe_code_multilingual, но конкретный список поддерживаемых языков не указан. Модель ориентирована на запуск через oMLX на компьютерах Apple Silicon с macOS. Она не предназначена для непосредственного использования как GGUF-, Transformers- или CUDA-артефакт, а размещённая на Hugging Face инфраструктура не предоставляет для неё готовый hosted inference. Скорость, потребление памяти, качество Vision, работа MTP и фактическая пригодность длинного контекста зависят от версии oMLX, клиента и чипа Apple; качество может отличаться из-за квантизации, а заявка Uncensored унаследована от исходной модели и отдельно не проверялась. Для upstream-модели указана лицензия Apache-2.0; дополнительные условия следует сверять с исходной карточкой модели.

dealignai/Qwen3.8-Flash-Next-CRACK-JANG_4M — это экспериментальная CRACK-abliterated сборка модели JANGQ-AI/Qwen3.8-Flash-Next-JANG_4M, подготовленная для запуска на Apple Silicon через MLX и vMLX. Модель относится к предварительной линейке qwen4_exp и предназначена для мультимодальных сценариев, включая работу с текстом, изображениями и видео, рассуждения, агентное взаимодействие и использование инструментов. Архитектура описана как смесь экспертов примерно на 176 млрд параметров с 512 экспертами и около 6 млрд активных параметров. Используется гибрид Gated DeltaNet и Qwen Sparse Attention, hashed n-gram embedding и встроенная multi-token-prediction head. Доступны режимы рассуждения off, low и xhigh; заявлена поддержка английского и китайского языков. Сборка использует смешанную точность JANG_4M и занимает около 96 ГБ на диске, при этом требует примерно 70 ГБ активной оперативной памяти; около 26 ГБ таблицы n-грамм хранится на диске и подгружается по требованию. К сильным сторонам относятся сохранённые мультимодальные возможности, рассуждение, работа с инструментами и отсутствие встроенного отказного поведения. По приведённому тесту MMLU результат CRACK составляет 85,92% против 86,89% у базовой версии, то есть наблюдается небольшое снижение качества, а по отдельным предметам падение заметнее. Модель является исследовательским артефактом, требует значительных ресурсов и рассчитана прежде всего на совместимый runtime vMLX. Лицензия указана как qwen-community-1.0; условия следует уточнять в файле LICENSE.

vumpt/Qwen3.8-Flash-Next-GGUF — это GGUF-конверсия экспериментальной гибридной модели Qwen3.8-Flash-Next, разработанной командой Qwen. Модель предназначена для запуска и инференса через llama.cpp; заявленные сценарии включают обработку текста, а также задач image-text-to-text. Исходные веса имеют формат BF16, а представленная версия использует квантизацию Q4_K_M и занимает около 120 ГБ. Архитектура сочетает Gated DeltaNet, Qwen Sparse Attention, разреженную MoE-структуру с 512 экспертами и таблицу n-граммных эмбеддингов PLE. Всего модель содержит около 125 млрд параметров MoE, из которых активно используется около 6 млрд, дополнительно 51 млрд параметров приходится на n-граммную таблицу и 4 млрд — на MTP; суммарно заявлено около 180 млрд параметров. Эксперты, attention и FFN преимущественно квантизированы в Q4_K_M, эмбеддинги и выходной слой — в Q6_K, а таблица PLE — в Q5_0. Сильной стороной модели является сочетание крупной общей ёмкости с малым числом активных MoE-параметров, что потенциально снижает вычислительную нагрузку при сохранении возможностей большой модели. Основное ограничение — экспериментальная архитектура поддерживается только специальной веткой llama.cpp, связанной с PR #27742; актуальная основная ветка на момент публикации её не загружает. Языки и размер контекстного окна в README не указаны. Лицензия обозначена как qwen-community-1.0.

Qwen3.8-Flash-Next-heretic-2-IQ4_XS-GGUF — это квантизированная GGUF-версия модели Qwen3.8-Flash-Next-heretic-2, подготовленная для запуска через llama.cpp. Репозиторий содержит пять основных IQ4_XS-шардов, набор из шести MTP/NextN-шардов для speculative decoding и совместимый мультимодальный проектор Q8_0. Модель основана на версии trohrbaugh/Qwen3.8-Flash-Next-heretic-2; исходная конверсия закреплена на конкретной ревизии проекта spiritfather/Qwen3.8-Flash-Next-heretic-2-i1-GGUF. Сведения о точном числе параметров, архитектуре, языках и размере контекста в карточке не указаны. Модель предназначена для генерации текста и обработки изображений в сценариях image-text-to-text, включая мультимодальные запросы и задачи визуального grounding. Формат ориентирован на эффективное размещение и кэширование весов, в частности в средах Runpod Serverless. Для изображений требуется отдельный проектор mmproj в формате Q8_0. MTP-вариант поддерживает ускорение генерации посредством speculative decoding при использовании сборки llama.cpp с PR #27836; в README приведены рекомендуемые параметры запуска для IQ4-класса. К сильным сторонам относятся сниженный размер квантизированных весов, поддержка мультимодального ввода и возможность ускоренной генерации с MTP. Ограничения связаны с необходимостью совместимой сборки llama.cpp, отдельного мультимодального проектора и корректного набора шардов; характеристики качества, производительности и языкового покрытия не приведены. Указана лицензия Qwen Community License версии qwen-community-1.0, условия которой распространяются на upstream-модель и конверсию.

Это GGUF-конверсия модели Qwen3.8-Flash-Next-W4A16-NVFP4, основанной на Qwen/Qwen3.8-Flash-Next. Модель предназначена для диалогового взаимодействия с текстом и изображениями; для мультимодального запуска основной файл нужно загружать вместе с проектором зрения mmproj, который входит в репозиторий. Веса маршрутизируемых экспертов представлены в формате W4A16 NVFP4, а внимание, общие эксперты, маршрутизаторы, эмбеддинги, PLE и другие сохранённые тензоры — в BF16 или F32. Основной файл имеет размер 180,4 ГБ; проектор зрения BF16 — 907,5 МБ. Для запуска требуется сборка llama.cpp с поддержкой Qwen4Exp и NVFP4 GGUF. Веса MTP в набор не входят. В метаданных указана лицензия other, поэтому конкретные условия использования следует сверить с лицензией исходной модели. Сведения о поддерживаемых языках и длине контекста в предоставленных материалах отсутствуют.

ReAG-Critic — компонент фильтрации текстовых фрагментов в мультимодальном конвейере ReAG для ответов на вопросы по изображениям с использованием внешних знаний. Модель разработана aimagelab на основе Qwen2.5-VL и принимает изображение, вопрос и найденный текстовый фрагмент, оценивая его релевантность для ответа. Для оценки сравниваются вероятности следующих токенов «Yes» и «No»; порог по умолчанию — 0,1, его можно настраивать. Модель предназначена для отсева нерелевантных результатов поиска перед передачей оставшихся фрагментов генератору ReAG. Она ориентирована на knowledge-based visual question answering и использовалась в экспериментах на Encyclopedic-VQA и InfoSeek. Архитектура — плотная Qwen2.5-VL, объём — 3,1 млрд параметров, контекст — до 128 000 токенов. Репозиторий распространяет веса в формате Safetensors; лицензия — Apache-2.0.

ruGPT-3 XL 8k — русскоязычная авторегрессионная языковая модель на 1,3 млрд параметров, разработанная Павлом Рыковым на основе evilfreelancer/ruGPT3XL. Это трансформер GPT-2-типа с архитектурой decoder-only и окном контекста 8192 токена: контекст расширен поэтапно с 2k до 4k и затем до 8k с продолжением предобучения и циклическим заполнением новых позиций таблицы позиционных эмбеддингов. Модель предназначена для генерации и продолжения русскоязычного текста с учётом длинного контекста. Она является базовой предобученной моделью, а не дообученной для следования инструкциям; возможность общения указана в метаданных, но качество ответов в диалоговом режиме не гарантируется. В README приведён датасет IlyaGusev/gazeta, а файлы модели представлены в формате safetensors. Лицензия — MIT.

SabiYarn-125M — языковая модель на 125 млн параметров от Aletheia.ai Research Lab, обученная предсказывать следующий токен и генерировать связный текст. Архитектура GPTJX основана на NanoGPT и вдохновлена GPT-J; модель использует библиотеку Transformers и распространяется в формате Safetensors. Контекст обучения составляет 1024 токена. Модель обучали на корпусе текстов преимущественно на английском, йоруба, хауса, игбо и нигерийском пиджине, а также на некоторых других языках Нигерии, включая фула, эфик и урхобо. Её можно применять для генерации текста и дообучать для задач классификации тональности и тем, суммаризации, генерации заголовков, диакритизации, ответов на вопросы, распознавания именованных сущностей и очистки текста. Модель не оценена; её способность выполнять перечисленные задачи не подтверждена опубликованными результатами. Обучающие данные собраны из открытых источников и могут содержать необработанный и предвзятый контент, а генерации могут быть фактически неверными. Лицензия в предоставленных данных не указана.

Minbyul/selfbiorag-7b-dpo-full-sft-wo-healthsearch_qa — дообученная методом DPO модель генерации текста на архитектуре Llama с 6,6 млрд параметров. Она создана на основе Minbyul/selfbiorag-7b-wo-healthsearch_qa-sft и обучалась на датасете HuggingFaceH4/ultrafeedback_binarized. Модель предназначена для генерации текста; карточка не уточняет конкретные сценарии применения или поддерживаемые языки. Указанный контекст составляет до 4096 токенов. В README приведены метрики оценки на тестовой выборке, включая точность предпочтений 0,7846 и разницу наград 1,0843. Файлы модели представлены в формате safetensors. Лицензия в предоставленных сведениях не указана.

Shisa-v1-Llama3-8B.2e5 — диалоговая языковая модель, созданная shisa-ai на основе Meta-Llama-3-8B-Instruct. Это плотная архитектура Llama с примерно 7,5 млрд параметров, дообученная на наборе augmxnt/ultra-orca-boros-en-ja-v1 для генерации ответов и общения на японском и английском языках. Модель принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Карточка содержит результаты оценки базовой модели для эксперимента по абляциям Shisa-v2 и отмечает склонность моделей Llama к повторениям при некоторых настройках генерации. Для снижения повторов автор рекомендует frequency_penalty 0.5 в описанном сценарии vLLM; для длинных генераций эти настройки могут быть неоптимальны. Лицензия — Llama 3 License.

Silver-Sun-11B — языковая модель от ABX-AI, созданная слиянием предобученных моделей методом SLERP через mergekit. Она основана на архитектуре Llama и содержит 10,6 млрд параметров; нативный контекст — 4096 токенов. В слияние вошли ABX-AI/Solstice-FKL-11B и Himitsui/Kaiju-11B; README также связывает Solstice-FKL-11B с Sao10K/Solstice-11B-v1 и saishf/Fimbulvetr-Kuro-Lotus-10.7B. Модель предназначена для генерации текста по инструкциям, письма и рассуждений. В карточке рекомендованы пресеты инструкций Alpaca. Автор отмечает склонность к прямому, временами грубому стилю и к откровенному NSFW-языку в подходящем контексте. Указанная лицензия — other; конкретные условия использования в карточке не раскрыты.

SirUkrainian — 7,1-миллиардная плотная языковая модель семейства Mistral для генерации текста и диалогов на украинском языке. Она создана с помощью LazyMergekit и объединяет четыре модели: RaduGabriel/MUZD, RaduGabriel/Mistral-Instruct-Ukrainian-SFT, Radu1999/MisterUkrainianDPO и CultriX/NeuralTrix-7B-dpo. В конфигурации указаны метод task_arithmetic, базовая модель mistralai/Mistral-7B-v0.1 и формат bfloat16; для репозитория указаны веса safetensors и контекст до 32 768 токенов. Модель подходит для генерации украинского текста, ответов на запросы и ведения диалога. В README приведены результаты Open LLM Leaderboard, включая среднее значение 70,50, но они не описывают качество на украинских задачах. Модель распространяется по лицензии Apache-2.0.

narendraalluri/slm-125m-sft — компактная плотная Llama-модель с 125,8 млн параметров, разработанная как демонстрация дообучения для ответов на вопросы по предоставленному фрагменту. Она формирует ответы только на основе контекста и должна отказываться, если нужной информации в нём нет. Для работы требуется точный шаблон запроса из карточки; рекомендуется жадное декодирование. Контекст модели — 1024 токена. Модель предназначена для извлечения ответов из документов и может использоваться как компонент RAG-системы: поиск и передача подходящего фрагмента остаются задачей внешней системы. Обучающие данные синтетические: вопросы и ответы созданы Google Gemini на основе фрагментов юридических, финансовых и общих текстов. Модель дообучена на narendraalluri/slm-125m-base, которая была предварительно обучена с нуля. На небольшой проверочной выборке модель верно отказывала в 67,2% случаев, когда ответа не было в контексте, и ошибочно отказывала в 12% случаев, когда ответ присутствовал. Она может уверенно придумывать сведения, особенно числа и направления изменений, поэтому ответы требуют проверки и не должны использоваться как юридическая или финансовая рекомендация. Лицензия — Apache-2.0; автор описывает модель как учебную демонстрацию, а не производственный инструмент.

soumitsr/smolLM2-article-digestor — дообученная автором soumitsr компактная языковая модель семейства Llama на базе unsloth/SmolLM2-135M. Она предназначена для генерации текста в диалоговом формате; название репозитория указывает на применение для краткого пересказа статей, однако README не описывает отдельную процедуру или качество суммаризации. Модель содержит 361,8 млн параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 16 384 токенов. Обучение выполнено с Unsloth и TRL. Указана лицензия Apache-2.0.

SpaceBound-24B-v1 — экспериментальная гибридная языковая модель, опубликованная Naphula и созданная слиянием моделей семейства Mistral. В README указана последовательность объединения весов: model_stock, slerp, nuslerp и flux; метаданные описывают репозиторий как merge из нескольких моделей, включая Mistral 24B-чекпойнты для ролевого общения и творческого письма. Модель предназначена для генерации текста и диалогового применения. Она содержит 23,4 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 131 072 токенов. В карточке указан английский язык; файлы представлены в формате safetensors. Автор характеризует сборку как экспериментальную, загруженную для архивного хранения и тестирования, и предупреждает, что она может работать хуже базовой модели. Лицензия — Apache-2.0.

Spark-X2.5-4B-Abliterated-Uncensored-MLX-oQ4e-fp16 — это не новая модель, а MLX-конверсия и oQ4e-квантизация модели Mondk/Spark-X2.5-4B-Abliterated-Uncensored, выполненная разработчиком xunlinkx с использованием пайплайна omlx. В основе лежит XHToken/Spark-X2.5-4B. Модель предназначена для локального и приватного запуска генерации текста на компьютерах Mac с Apple Silicon через omlx или mlx-lm, включая использование OpenAI-совместимого сервера. Модель относится к типу spark2_5 и представляет собой декодер для генерации текста с числом параметров около 4 миллиардов. Поддерживает многоязычные сценарии, включая английский и китайский языки. Квантизация использует смешанную 4-битную схему oQ4e с калибровкой enhanced streaming: наиболее чувствительные компоненты внимания и MLP хранятся с повышенной точностью до 6–8 бит, а среднее значение составляет около 5,179 бит на параметр. Это позволяет разместить модель примерно в 2,5 ГБ памяти при сохранении приемлемого качества и скорости декодирования. Сильными сторонами являются локальная работа без передачи данных внешнему сервису, поддержка Apple Silicon, умеренные требования к памяти и сохранение качества благодаря смешанной квантизации. Ограничение — необходимость версии mlx-lm или omlx с поддержкой model_type spark2_5; в стабильных выпусках эта поддержка может отсутствовать, поэтому загрузка без соответствующих исправлений завершается ошибкой. Длина контекста в карточке не указана. Базовая серия Spark-X2.5 распространяется по Apache 2.0, однако для производной адаптации и исходного checkpoint Mondk необходимо дополнительно учитывать условия лицензии репозитория Mondk.

SuperFlammen-4x7B — экспериментальная языковая модель семейства Mixtral с архитектурой Mixture of Experts, созданная nbeerbower с помощью mergekit. В метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов; модель предназначена для генерации текста и диалоговых сценариев. Модель объединяет несколько моделей Flammen и Mistral, а в тегах карточки также перечислены наборы данных для обучения предпочтениям, включая датасеты по математике, достоверности и художественным текстам. Это может быть полезно для генерации прозы и ответов на вопросы, однако README называет модель экспериментальной и не приводит результатов оценки качества. Лицензия — Apache 2.0.

Suri Qwen 3.5 27B Uncensored — диалоговая модель Space Time на архитектуре Qwen3.5 с 27 млрд параметров. Это вариант без выравнивания, созданный на основе Qwen3.5 27B и предназначенный для общения, в том числе на чувствительные темы; метаданные также отмечают поддержку анализа изображений. В карточке указаны датасеты для китайского и английского языков. Модель работает с текстом и изображениями и выдаёт текстовые ответы. Разработчик сообщает, что снятие ограничений на чувствительных темах выражено слабее, чем у Suri Qwen 3.5 4B Uncensored. В репозитории указаны формат safetensors и библиотека Transformers; лицензия в предоставленных сведениях не описана.

sonoisa разработал предварительно обученную на японских текстах модель T5 v1.1 для преобразования текста в текст. Она основана на архитектуре T5ForConditionalGeneration и содержит 123,8 млн параметров. Для предобучения использовался японский корпус объёмом около 100 ГБ, собранный из Wikipedia, OSCAR и CC-100; токенизатор SentencePiece обучен на данных Wikipedia и CC-100 с поддержкой byte fallback. Модель служит базой для дообучения под конкретные задачи генерации и преобразования японского текста. Само предобучение не делает её готовым решением для отдельной задачи: перед применением требуется файнтюнинг. Модель рассчитана на японский язык и работает с текстом на входе и выходе. Как и другие языковые модели, обученные на больших корпусах, она может воспроизводить смещения и выдавать предвзятый, вредный или неточный текст; авторы не гарантируют точность и безопасность результатов. Модель распространяется по лицензии CC BY-SA 4.0; при использовании также следует соблюдать условия Common Crawl.

varun-v-rao/t5-base-snli — модель семейства T5, дообученная на задаче классификации текстов. Она содержит 123,8 млн параметров, использует архитектуру T5ForSequenceClassification и принимает последовательности длиной до 512 токенов. Карточка сообщает о дообучении на наборе данных SNLI и приводит точность 0,8982 и loss 0,2842 на оценочной выборке. Модель предназначена для классификации текстовых последовательностей; по названию и данным обучения её можно применять для распознавания отношений между посылкой и гипотезой в задачах естественного вывода. README не описывает отдельные сценарии использования или ограничения качества. Лицензия — Apache-2.0.

Tanuki-8B-dpo-v1.0 — диалоговая языковая модель семейства Llama, разработанная участниками проекта GENIAC Matsuo Laboratory. Базовая Tanuki-8B обучалась с нуля примерно на 1,3 трлн токенов; эта версия настроена для диалога с помощью SFT и DPO и содержит около 7,2 млрд параметров. Модель предназначена для генерации ответов в диалоге и выполнения инструкций на японском языке. Также в метаданных указана поддержка английского. Для работы используется шаблон Japanese Alpaca и контекст до 8192 токенов; авторы рекомендуют стандартный системный промпт из карточки. Модель основана на архитектуре Llama и распространяется в формате safetensors. Модель выпущена под лицензией Apache-2.0. Карточка приводит результаты Japanese MT-Bench и описывает человеческую оценку, но не задаёт гарантий качества для отдельных задач. Указанные в README варианты AWQ, GPTQ и GGUF относятся к квантованным версиям; для GGUF авторы предупреждают о возможном снижении качества.

Teuken 7B-base-v0.6 — базовая мультиязычная языковая модель проекта OpenGPT-X, разработанная Fraunhofer, Forschungszentrum Jülich, TU Dresden и DFKI. Это плотная decoder-only Transformer-модель семейства Llama с 7,5 млрд параметров, предварительно обученная на 6 трлн токенов; длина контекста — 4096 токенов. Модель распространяется в форматах PyTorch и Safetensors и предназначена для генерации текста на европейских языках. Модель рассчитана на частное, исследовательское и образовательное некоммерческое использование. Её мультиязычная подготовка нацелена на более равномерную работу с языками Европы, поэтому она подходит для генерации и продолжения текста, а также для многоязычных приложений и сценариев, ориентированных на Европу. Это базовая модель, а не специализированный чат-ассистент; математика и программирование обозначены как задачи вне целевого применения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерчески. Модель может воспроизводить предвзятость, галлюцинировать и генерировать токсичный или вредоносный текст; обучающие данные имеют отсечку сентября 2023 года.

Tiger-Gemma-9B-v3-GGUF — набор GGUF-квантизированных версий модели Tiger-Gemma-9B-v3, опубликованный и квантизированный пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, в том числе в LM Studio. Исходная модель разработана TheDrummer, однако README не содержит подробностей о методике её обучения. Доступны варианты от исходных весов F16 размером 18,49 ГБ до сильно сжатых Q2 и IQ2-версий. Квантизация выполнена с использованием imatrix на базе llama.cpp b3878; представлены форматы Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ, включая варианты, оптимизированные для ARM-процессоров. Более качественными считаются F16, Q8_0, Q6_K и Q5_K, тогда как низкобитные варианты экономят память за счёт снижения качества. README не указывает архитектуру, поддерживаемые языки, размер контекста, модальности, точные сценарии применения исходной модели и лицензию. Формат промпта также не определён; для корректного использования рекомендуется обратиться к странице исходной модели.

Trion-M-7b — плотная языковая модель семейства Mistral с 7,1 млрд параметров, созданная слиянием весов двух моделей Mistral. В README указано, что применено gradient blockmerge с весами 0,8 и 0,2, а компоненты для логики и прозы сформированы слиянием SLERP; исходные модели не названы. Модель предназначена для генерации текста. Метаданные указывают контекст до 32 768 токенов, поддержку английского языка и формат PyTorch. Репозиторий распространяется по лицензии Apache-2.0. Подробные результаты оценки и конкретные сценарии использования в карточке не описаны.

Tucano2-qwen-1.5B-Instruct — португалоязычная инструкционная модель компании Polygl0t, созданная на базе Tucano2-qwen-1.5B-Base. Это плотная Transformer-модель семейства Qwen3 с 1,5 млрд параметров и контекстом 4096 токенов; обучение включало один этап контролируемой настройки инструкций (SFT) и один этап оптимизации предпочтений (APO). Модель предназначена для исследований и разработки систем генерации текста на португальском языке. Она подходит для диалогов, суммаризации, генерации структурированных ответов, работы в сценариях RAG и использования инструментов или вызова функций. Карточка сообщает о сравнительно сильных результатах семейства Tucano2 на португалоязычных тестах, но приведённые таблицы относятся к варианту 3.7B и не подтверждают напрямую качество версии 1.5B. Модель может выдавать фактически неверные или предвзятые ответы, токсичный текст, повторяться и быть многословной; другие языки, кроме португальского, могут обрабатываться хуже. Лицензия Apache 2.0 разрешает использование и адаптацию на её условиях; для реального применения рекомендуется отдельно оценивать риски и смещения.

Tucano2-qwen-3.7B-Think — португалоязычная инструктивная языковая модель, разработанная Polygl0t на основе Tucano2-qwen-3.7B-Base. Это плотный Transformer семейства Qwen3 с 3,4 млрд параметров и контекстом 4096 токенов. Модель дообучена одним этапом supervised fine-tuning и одним этапом Anchored Preference Optimization; она генерирует рассуждения в стиле chain-of-thought, заключённые в специальные токены. Модель предназначена для генерации португалоязычного текста, ответов на инструкции и исследований языкового моделирования на португальском. В карточке приведены оценки на тестах знаний и рассуждений, включая ENEM, ARC-Challenge и GSM8K-PT. Для задач программирования разработчики рекомендуют варианты Instruct: Think-модель не обучалась на данных кода в ходе постобучения. Модель склонна к галлюцинациям, может воспроизводить предвзятые или токсичные формулировки, повторяться и давать избыточные ответы. Её понимание других языков может быть слабее, чем португальского, поэтому перед реальным применением следует оценить риски и качество. Лицензия Apache 2.0.

Typhoon-1.5-72B — базовая предварительно обученная языковая модель команды SCB10X, построенная на архитектуре Qwen2 и содержащая около 71 млрд параметров. Модель предназначена для генерации текста на тайском и английском языках; контекст составляет до 32 768 токенов. Модель можно использовать как основу для продолжения обучения и адаптации к прикладным задачам, а также для генерации текста с примерами в контексте. Поскольку это базовая модель, она может плохо следовать инструкциям без дообучения или примеров. В README отмечено отсутствие механизмов модерации, поэтому модель может выдавать вредные или неподходящие ответы. Репозиторий распространяется в формате safetensors; в README указана лицензия Qwen License, а метаданные классифицируют лицензию как other.