I.2Синтез, понимание и проверка знаний

DatedGPT-2014-Instruct — диалоговая инструкционная языковая модель семейства DatedGPT, представленная разработчиком datedgpt. Это версия с данными, ограниченными срезом до 2014 года, предназначенная для прогнозирования без смещения заглядывания в будущее и анализа информации на конкретный момент времени. Модель построена на архитектуре LlamaForCausalLM, содержит около 1,3 млрд параметров и принимает текст; для общения используется шаблон чата в стиле Llama 2. Модель подходит для генерации ответов и анализа, когда важно, чтобы доступные знания соответствовали периоду до 2014 года, например при ретроспективной оценке прогнозов. Контекст составляет 2048 токенов. Она обучена для следования инструкциям, но не проходила RLHF или настройку безопасности, поэтому может уверенно выдавать неверные ответы. Лицензия в предоставленных данных не указана.

DeepSeek-V4.1-Flash-MLX-mixed-4_8bit-engram6 — сборка модели DeepSeek-V4.1-Flash для MLX и компьютеров на Apple Silicon. Модель разработана на базе DeepSeek-V4.1-Flash; данная сборка подготовлена PipeNetwork. Это текстовая модель для генерации текста, работающая через специальный порт deepseek-v41-mlx, поскольку стандартные transformers, mlx-lm и mlx-vlm её не поддерживают. Модель содержит около 754,6 млрд параметров и использует архитектуру mixture-of-experts: 40 слоёв и 384 маршрутизируемых эксперта в каждом слое. В ней применяются MLA с межслойным совместным использованием KV-кэша, двухслойные hashed n-gram engram-эмбеддинги, hyper-connections и attention sinks. Экспертные блоки квантизированы до 4 бит, attention, общие компоненты и эмбеддинги — до 8 бит, а таблицы engram — до 8 бит с группами по 64 элемента; отдельные компоненты сохранены в bf16 или fp32. Vision tower и aligner присутствуют, но среда выполнения в этой сборке поддерживает только текст. Контекст модели и поддерживаемые языки в README не указаны. Размер файлов составляет около 476,8 ГБ, поэтому для запуска требуется компьютер с примерно 1 ТБ оперативной памяти; модель не помещается в 512 ГиБ с учётом рабочих активаций. Сборка прошла проверку на соответствие эталонной реализации DeepSeek, включая кэшированный и поэтапный вывод. Указанные измерения показывают небольшое расхождение с bf16-версией при смешанном 4/8-битном квантовании, однако полноценная perplexity для этой сборки не измерена. Модель распространяется по лицензии MIT; для загрузки необходим специализированный порт PipeNetwork.

DeepSeek-V4-Flash-0731-IQ2XXS-STRIX — это квантованная версия DeepSeek V4 Flash 0731 в формате GGUF, подготовленная для запуска на AMD Strix Halo с графической архитектурой gfx1151. Базовая модель — DeepSeek-V4-Flash-0731 от DeepSeek; репозиторий распространяется по лицензии MIT. Модель предназначена для генерации текста и диалогового использования. Базовая архитектура — MoE-модель на 284 млрд параметров: 43 маршрутизируемых слоя, по 256 экспертов в каждом слое, из которых активны 6, а также гиперсвязи с четырьмя потоками. Квантование IQ2XXS снижает требования к памяти; размер файла составляет 86,72 ГБ. В README рекомендован специализированный движок julianmb/ds4fa и система Strix Halo с 128 ГБ памяти. Модель поддерживает английский и китайский языки. Низкая разрядность квантования может снижать качество ответов по сравнению с исходными весами; для запуска требуются совместимое оборудование и специализированный runtime. Метаданные классифицируют репозиторий как производную от DeepSeek-V4-Flash-0731, хотя README описывает его как квантованную версию.

DeepSeek-V4-Flash-Vision-Uncensored-GGUF — это GGUF-конверсия модели orcarouter/DeepSeek-V4-Flash-Vision-Uncensored, подготовленная OrcaRouter на основе DeepSeek-V4-Flash-Vision-Exp от DeepSeek. Модель предназначена для локального текстового вывода, исследований интерпретируемости и механизмов отказа, AI safety, red teaming и оценки устойчивости моделей. Версия существенно лишена исходного safety alignment методом abliteration и может выполнять запросы, от которых оригинальная модель отказалась. Это разреженная Mixture-of-Experts-модель примерно на 305B параметров с около 18B активных параметров, конфигурацией 256 экспертов и выбором top-6. Она использует DeepSeek sparse attention, 4-wide Manifold-Constrained Hyper-Connections и контекст до 1M токенов. Модель поддерживает английский и китайский языки. В данном выпуске сохранена текстовая модальность: компоненты vision удалены, поэтому обработка изображений недоступна. Спекулятивная DSpark/MTP-голова также не включена. Ключевое преимущество — сохранение исходных FP4-кодов маршрутизируемых матриц в формате MXFP4 без дополнительного переквантизирования, что позволяет использовать веса через llama.cpp. Для запуска требуется свежая сборка llama.cpp с поддержкой архитектуры deepseek4; старые версии и runtime с зафиксированной более ранней версией могут не загрузить модель. Из-за удаления защитных механизмов модель не предназначена для неконтролируемого продакшен-развёртывания: необходимы собственные фильтры безопасности и модерация, а ответственность за применение и результаты несёт пользователь. Лицензия — MIT.

DFM-Decoder-open-v0-7b-pt — плотная авторегрессионная языковая модель семейства Llama примерно с 6,7 млрд параметров, разработанная в рамках Danish Foundation Models при сотрудничестве Орхусского университета, Alexandra Institute и Университета Южной Дании. Это базовая модель, дообученная на основе common-pile/comma-v0.1-2t; она предназначена для дальнейшего тонкого обучения и постобучения, а не для непосредственного использования как чат-бот. Модель работает с текстом, имеет контекст до 16 384 токенов и ориентирована на датский и английский языки. В README описаны оценки на датских и английских задачах, включая классификацию тональности, распознавание сущностей, понимание прочитанного, суммаризацию и рассуждения. Модель обучалась на датских и английских данных, а также коде из 15 языков программирования; для других естественных и программных языков ожидается низкое качество. Она не выровнена по требованиям безопасности и может воспроизводить предвзятость или генерировать токсичную и вредоносную информацию. Лицензия репозитория — Apache-2.0.

DictaLM 2.0 — базовая генеративная языковая модель на 7,1 млрд параметров, разработанная Dicta для работы с текстами на иврите. Модель основана на Mistral-7B-v0.1 и использует расширенный токенизатор с 1 000 дополнительными токенами для иврита. Она прошла дополнительное предварительное обучение на более чем 190 млрд токенов естественных текстов: половина корпуса — на иврите, половина — на английском. Модель предназначена для генерации и продолжения текста, а также для адаптации под задачи на иврите. Расширенный словарь повысил эффективность кодирования ивритского текста: заявленное среднее число токенов на слово снизилось с 5,78 до 2,76. Контекстное окно составляет 32 768 токенов. Репозиторий содержит полноточную базовую версию в формате safetensors; доступны также отдельные квантизированные варианты семейства. Это предварительно обученная базовая модель, а не версия, настроенная для следования инструкциям. В README отмечено отсутствие встроенных механизмов модерации. Модель распространяется по лицензии Apache-2.0.

Einstein-7B — языковая модель Weyaxi на базе Mistral-7B-v0.1, дообученная методом QLoRA на научных и учебных наборах данных по физике, химии, биологии, естественным наукам и рассуждениям. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст длиной до 32 768 токенов. Она предназначена для генерации ответов по инструкциям, решения научных и учебных вопросов, а также рассуждений и ответов на вопросы по физике, химии и биологии. В карточке приведён шаблон Alpaca; среди обучающих данных есть ARC, OpenBookQA, ScienceQA, TheoremQA и ScienceEval. Модель принимает и генерирует текст. Лицензия указана как other, поэтому условия использования следует уточнить по карточке репозитория.

ELYZA-japanese-Llama-2-MoE-2x7B-v0.1 — японская языковая модель для генерации текста, созданная Aratako с помощью mergekit. Она объединяет базовую и инструкционную версии elyza/ELYZA-japanese-Llama-2-7b в архитектуру Mixture of Experts (MoE); в метаданных указано 6,6 млрд параметров и контекст 4096 токенов. Модель предназначена для генерации ответов на запросы и диалоговых сценариев на японском языке. В одноходовом japanese-mt-bench модель показала средний балл 4,60 против 4,21 у исходной инструкционной версии; результаты по отдельным категориям различаются. Модель распространяется под лицензией Llama 2 Community License, унаследованной от базовых моделей.

Eris Prime V2 7B — языковая модель, созданная ChaoticNeutrals объединением Eris Prime V1 и V1.2 от Nitral-AI. Веса объединены методом SLERP; модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Модель предназначена для генерации текста. Контекст составляет до 32 768 токенов, веса опубликованы в формате safetensors. Карточка не описывает специальные предметные области или дополнительные возможности помимо генерации текста. Лицензия в предоставленных данных не указана. Качество и конкретные ограничения модели в карточке не оценены.

IDEA-CCNL 团队发布的 Erlangshen-MegatronBert-1.3B-NLI，是基于 Erlangshen-MegatronBert-1.3B 微调的中文自然语言推断模型。它采用 MegatronBERT 稠密架构，约 1.7B 参数，通过对四个中文 NLI 数据集共 1,014,787 个样本进行微调，用于判断文本对之间的推断关系。模型以文本对为输入，输出序列分类结果，适合中文自然语言理解及文本关系判别场景。模型上下文长度为 512 个 token，提供 PyTorch 权重，采用 Apache-2.0 许可证。 README приводит результаты на cmnli, ocnli и snli, включая 84,52 на cmnli, 84,17 на ocnli и 88,67 на snli. Эти показатели относятся к указанным в карточке тестам; применимость на других данных отдельно не подтверждена. Модель ориентирована на китайский язык и для качественной работы требует формулировок на китайском.

nyamuda/extractive-summarization — модель T5-small, дообученная на датасете PubMed для суммаризации научных и медицинских текстов. Она предназначена для создания кратких изложений исследовательских статей, научных публикаций и технических аннотаций, помогая быстро выделять основное содержание для учёбы и исследований. В карточке заявлена экстрактивная суммаризация: итоговое изложение составляется из ключевых предложений исходного текста. Архитектура — T5 с 38,5 млн параметров; максимальный контекст — 512 токенов. Указаны английский язык и лицензия MIT. Компактный размер подходит для локального применения, однако небольшой контекст ограничивает обработку длинных документов: их может потребоваться разбивать на фрагменты. Модель ориентирована на научные и биомедицинские тексты; качество на других жанрах и языках не подтверждено.

ssmits выпустил Falcon2-5.5B-Czech — чешскую языковую модель для генерации текста на основе tiiuae/falcon-11B. Модель создана с помощью mergekit: применён метод passthrough, который сохраняет слои 0–24 и 56–58 базовой модели после анализа сходства слоёв на чешской подвыборке Wikimedia Wikipedia. В метаданных указаны архитектура FalconForCausalLM, 7,8 млрд параметров, контекст до 8192 токенов и формат safetensors. Модель предназначена для исследований и дальнейшей специализации, например для генерации текста, диалогов и суммаризации. Она в основном обучена на английском, но также поддерживает чешский и ряд европейских языков. Лицензия Apache-2.0. Для производственного применения рекомендуется предварительно оценить качество и риски, а также адаптировать модель под конкретную задачу; возможны предвзятость и слабое обобщение на языки вне перечисленных в карточке.

mesolitica/finetune-mnli-nanot5-small — модель классификации текста, опубликованная разработчиком Mesolitica на Hugging Face. По названию она предназначена для классификации текстовых пар по задаче MNLI, то есть определения отношений между посылкой и гипотезой; карточка подтверждает задачу text-classification и архитектуру T5ForSequenceClassification. В метаданных указано около 38,5 млн параметров и формат Safetensors. Модель принимает текст и возвращает метку класса. Данные о лицензии, языках обучения и конкретных ограничениях в доступной карточке отсутствуют.

FNet-base — предварительно обученная модель семейства FNet, представленная в исследовательской работе и опубликованная в репозитории Google. В её плотной архитектуре механизм внимания заменён преобразованиями Фурье. Модель содержит 123,7 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена на английских текстах набора C4 с задачами masked language modeling и next sentence prediction. Её используют как основу для дообучения классификаторов и других моделей понимания текста, включая классификацию последовательностей и токенов, ответы на вопросы и предсказание пропущенных токенов. Это не модель для генерации текста. Карточка сообщает о примерно на 32% меньшем времени дообучения на задачах GLUE по сравнению с воспроизведённым BERT-base на GPU; эти результаты относятся к описанным условиям эксперимента. Модель различает регистр, хотя предобработка обучающих текстов описана как приведение к нижнему регистру. Лицензия — Apache-2.0.

Gemma2-Gutenberg-Doppel-9B — диалоговая текстовая модель на базе UCLA-AGI/Gemma-2-9B-It-SPPO-Iter3, дообученная автором репозитория на наборах jondurbin/gutenberg-dpo-v0.1 и nbeerbower/gutenberg2-dpo методом ORPO. Модель использует плотную архитектуру Gemma 2 с 9 млрд параметров, принимает текст и генерирует текст; заявленный контекст — 8192 токена. В метаданных указана библиотека Transformers и лицензия Gemma. Модель предназначена для диалоговой генерации ответов и продолжения текста. README приводит результаты Open LLM Leaderboard: среднее значение 29,82, IFEval — 71,71 и BBH — 41,08; подробности оценки в карточке не раскрыты. Показатели не гарантируют качество для конкретных задач. Лицензия Gemma может ограничивать условия применения; перед использованием следует свериться с её условиями.

DavidAU создал gemma-3-12b-it-vl-GPT-5.1-High-Heretic-Uncensored-Thinking — дообученную на наборе TeichAI/gpt-5.1-high-reasoning-1000x мультимодальную модель семейства Gemma 3 с плотной архитектурой и 12 млрд параметров. Она принимает текст и изображения и формирует текстовые ответы; автор позиционирует её для диалога, рассуждений, анализа изображений, творческого письма и ролевых сценариев. Заявленная длина контекста — 128 тысяч токенов. Для активации рассуждений иногда требуется указание «think deeply:» или шаблон чата с соответствующим системным промптом. Модель дообучена на базе DreamFast/gemma-3-12b-it-heretic, а её файлы опубликованы в формате safetensors. Автор сообщает о снижении частоты отказов и допускает генерацию взрослого контента при явном запросе. Лицензия — Apache-2.0. Результаты бенчмарков приведены автором, но README не описывает протокол оценки; заявленные показатели рассуждений и обработки изображений поэтому не следует считать независимой проверкой качества. В некоторых сценариях рассуждения активируются не автоматически, а для желаемого уровня откровенности генерации может потребоваться явное указание.

Карточка модели DavidAU/Gemma-3-27b-it-Uncensored-HERETIC-Gemini-Deep-Reasoning на Hugging Face совпадает с карточкой Justbackup/Gemma-3-27b-it-Uncensored-HERETIC-Gemini-Deep-Reasoning, поэтому описание составлено по ней. Justbackup выпустил разговорную дообученную версию Gemma 3 27B IT на базе coder3101/gemma-3-27b-it-heretic. Это плотная модель класса Gemma3 с поддержкой изображений и текста, рассчитанная на диалог, анализ изображений и генерацию ответов с акцентом на рассуждение. Для включения усиленного режима рассуждений автор рекомендует добавлять к запросу «think deeply:»; в некоторых случаях могут помочь системный промпт или специальный шаблон чата. В README заявлен контекст до 128 тысяч токенов, но метаданные не подтверждают его отдельно. Модель позиционируется как менее склонная к отказам и допускающая генерацию взрослого, грубого и откровенного контента по запросу. Для более явного стиля автор советует задавать нужную лексику и тон. README приводит результаты нескольких бенчмарков и метрику отказов, однако это заявления автора, а не независимая оценка качества. Указаны язык английский и лицензия Apache-2.0; модель распространяется в формате safetensors через Transformers.

Mungert/gemma-3-4b-it-gguf — набор GGUF-квантизованных файлов модели Gemma 3 4B Instruct, разработанной Google и опубликованной пользователем Mungert. Модель предназначена для диалоговых задач и работы с изображениями: она может анализировать визуальное содержимое и отвечать на вопросы о нём. Репозиторий ориентирован на локальный запуск через llama.cpp с экспериментальной поддержкой Gemma 3 Vision. Модель имеет примерно 4 млрд параметров и поддерживает мультимодальный режим с текстом и изображениями. Для работы с изображениями требуется отдельный файл mmproj; доступны варианты весов в разных форматах и уровнях квантизации, включая BF16, F16 и Q4_K_L. README не указывает контекстное окно и перечень поддерживаемых языков. Сильными сторонами являются небольшой размер, возможность локального запуска и визуальный анализ, однако поддержка Vision описана как экспериментальная, а производительность и качество зависят от выбранного формата и оборудования. Для использования требуется совместимая сборка llama.cpp и подходящее аппаратное ускорение или достаточные ресурсы. Лицензия указана как Gemma license. Условия распространения и использования следует проверять в тексте этой лицензии.

Это квантизированная в NVFP4 модель Gemma 4 12B для диалога с текстом и изображениями. Репозиторий FreedomAISVR содержит GGUF-версию дообученной модели llmfan46/gemma-4-12B-it-uncensored-heretic и отдельный F16-файл mmproj для обработки изображений. Модель предназначена для диалоговых ответов, анализа изображений и других задач, поддерживаемых исходной мультимодальной моделью. Модель унаследовала гибридную архитектуру Gemma 4 с чередованием оконного и полного внимания, поддержкой зрения и вызова инструментов. NVFP4 — 4-битный формат с 4,68 битами на вес, рассчитанный на ускорение на графических процессорах NVIDIA Blackwell; для полной производительности рекомендуется такое оборудование. README указывает около 7 ГБ видеопамяти как минимум и около 16 ГБ оперативной памяти. Дообучение описано как abliterated/uncensored: оно направлено на снятие ограничений safety alignment, поэтому модель может выдавать ответы на запросы, которые исходная модель могла бы отклонить. Репозиторий распространяется по лицензии Apache-2.0. Для обработки изображений требуется загрузить mmproj-файл вместе с основной моделью; заявлена поддержка английского языка.

gemma-4-26B-A4B-it-GGUF — квантованная версия мультимодальной модели gemma-4-26B-A4B-it, разработанной Google. Модель распространяется в формате GGUF и предназначена для задач image-text-to-text, то есть обработки текстовых и, вероятно, визуальных входных данных с генерацией текстового ответа. README не содержит подробностей о поддерживаемых языках, максимальном контексте и точных характеристиках мультимодальной архитектуры. Модель подходит для локального запуска и интеграции в приложения, которым требуется генерация ответов на основе текста и изображений. Ключевое практическое преимущество — квантованный формат GGUF, обычно ориентированный на более экономичное использование памяти и запуск совместимыми инструментами, включая llama.app. Ограничения связаны с отсутствием в README данных о конкретном варианте квантования, требованиях к оборудованию, качестве, производительности и поддерживаемых модальностях в деталях. Лицензия — Apache 2.0. Модель автоматически сконвертирована из исходной модели Google; README также ссылается на связанные исходные и вспомогательные варианты, включая версии с QAT-квантованием и assistant-настройкой.

gemma-4-31B-it-MLX-8bit — это 8-битная квантованная версия мультимодальной модели gemma-4-31B-it, разработанной Google. Квантирование в формате MLX выполнено командой LM Studio с использованием mlx_vlm; модель оптимизирована для запуска на компьютерах Apple Silicon. По данным карточки, она относится к классу моделей image-text-to-text и предназначена для работы с текстом и изображениями, включая задачи понимания визуального содержимого и генерации текстовых ответов. Ключевая характеристика модели — размер 31B и 8-битное представление весов, что снижает требования к памяти по сравнению с полной версией и делает модель более подходящей для локального запуска на совместимом оборудовании Apple. В карточке не указаны поддерживаемые языки, размер контекстного окна, точные архитектурные параметры и результаты тестирования, поэтому оценить её производительность в конкретных сценариях невозможно. Модель распространяется по лицензии Apache-2.0; при использовании также следует учитывать условия лицензии Gemma 4, ссылка на которую приведена в карточке.

ccharnkij/gemma-4-31B-it-Uncensored-GGUF — это квантизированная в формате GGUF версия модели gemma-4-31B-it-Uncensored, разработанная пользователем ccharnkij на основе Google Gemma 4 31B IT. Модель дообучена для генерации менее ограниченных, «uncensored» ответов и предназначена для исследовательских и образовательных задач. Модель поддерживает генерацию текста и понимание изображений, то есть относится к мультимодальным моделям image-text-to-text. Для работы с изображениями необходимо одновременно загружать файл GGUF и файл mmproj. Заявлены поддержка английского языка, reasoning и режимов с рассуждением. Размер базовой модели составляет 31 миллиард параметров; сведения о длине контекста, конкретных вариантах квантизации и требованиях к оборудованию в README не указаны. К сильным сторонам относятся мультимодальность, возможность локального запуска через совместимые с GGUF инструменты и более свободная генерация ответов по сравнению с исходной моделью. При этом снятие ограничений не гарантировано: иногда модель может отказаться отвечать, особенно при включённом рассуждении; автор отмечает, что без рассуждения результаты обычно лучше. Модель распространяется по лицензии Apache 2.0.

Это экспериментальная мультимодальная модель семейства Gemma 4 E4B Instruct от DavidAU: базовая модель Google Gemma 4 E4B Instruct была декензурирована и умеренно дообучена с помощью Unsloth на закрытом наборе данных рассуждений Claude Opus 4.5. Модель предназначена для диалога и генерации ответов с режимом рассуждений; шаблоны чата позволяют использовать режим instruct или принудительно включённый режим thinking. В README заявлена длина контекста до 128 тысяч токенов. Архитектура — плотная Gemma4ForConditionalGeneration; репозиторий содержит веса Safetensors. В метаданных основная задача указана как any-to-any, а базовая модель описана как мультимодальная, поддерживающая анализ изображений и обработку аудио. Лицензия — Apache-2.0. Автор приводит предварительные внутренние бенчмарки, но отмечает, что статистика ещё собирается; качество и безопасность ответов не гарантированы, а данные дообучения закрыты.

Gemma-4-E4B-Uncensored-HauhauCS-Aggressive — модификация Gemma 4 E4B-IT, разработанная HauhauCS на основе модели Google gemma-4-e4b-it. Это мультимодальная модель для генерации текста, обработки изображений, видео и аудио, ориентированная на сценарии, где требуется минимальное количество отказов при выполнении запросов. В README заявлено, что датасеты и исходные возможности модели не изменялись, а основное отличие заключается в снятии ограничений на отказы. Модель содержит около 4 млрд параметров, использует 42 слоя со смешанной архитектурой sliding window attention с окном 512 и full attention, поддерживает контекст до 131 тысячи токенов и 18 общих KV-слоёв для экономии памяти. Заявлена поддержка английского и мультиязычного ввода. Для работы с изображениями и аудио требуется дополнительный файл mmproj; модель распространяется в формате GGUF с вариантами квантизации Q2–Q8 и пользовательскими K_P-квантами, оптимизированными для сохранения качества. Сильной стороной является сочетание компактного размера, большого контекстного окна, мультимодальности и более свободной генерации без встроенных отказов. При этом README не содержит независимых бенчмарков, подробных сведений о качестве на разных языках или длительном контексте, а заявленные результаты тестирования отказов ограничены 465 проверками и сопровождаются оговоркой о недостаточном ручном тестировании длинного контекста. Модель совместима с llama.cpp, LM Studio, Jan, koboldcpp и другими GGUF-совместимыми средами. Лицензия указана как Gemma.

Harmonia — плотное мультимодальное объединение Gemma 4 на 31 млрд параметров, опубликованное пользователем virtuous7373. По карточке, модель создана многоэтапным слиянием семи моделей семейства Gemma 4 с помощью MergeKit; среди указанных компонентов — Gemma4-GarnetV2, Fabled-Gemma4, Equinox, MeroMero, Gembrain и Ortenzya. Метаданные описывают архитектуру как Gemma4ForConditionalGeneration и указывают поддержку чата и зрения. Модель предназначена для диалогов, ответов на вопросы по изображениям и генерации текста на основе текстовых и визуальных входных данных. В README заявлены методы проекции в нуль-пространство, выборочного прореживания весов и выравнивания активаций; независимые оценки их эффективности в предоставленных материалах отсутствуют. Публикация использует формат safetensors и библиотеку Transformers. Лицензия и длина контекста в доступных данных не приведены.

Это разреженная версия языковой модели Qwen3-4B, созданная автором репозитория cosmos1030 с помощью метода SCOUT. Модель содержит около 3,7 млрд параметров; в линейных слоях применена неструктурированная разреженность 70%. После удаления весов модель дообучалась с сочетанием обучения предсказанию следующего токена и дистилляции от плотной модели-учителя, включая дистилляцию на собственных генерациях модели. Архитектура — Qwen3ForCausalLM, формат весов — safetensors, контекст — до 40 960 токенов. Модель предназначена для диалоговой генерации текста и задач рассуждения, включая математические вопросы и ответы. В README приведены результаты быстрой оценки на MATH-500, GSM8K и GPQA-Diamond; оценки зависят от использованного протокола и не гарантируют аналогичного качества в других условиях. Несмотря на нулевые веса, файлы хранятся в обычном плотном формате, поэтому сама по себе разреженность не уменьшает требования к памяти и не ускоряет вычисления без поддержки разреженных ядер. README отмечает низкие результаты генерации кода при такой разреженности и ограничения оценки: один запуск с одним seed. Лицензия — Apache-2.0.

HebGutenLaser — объединённая модель генерации текста, созданная Stark2008 с помощью LazyMergekit. Она объединяет Stark2008/GutenLaserPi и yam-peleg/Hebrew-Mistral-7B-200K методом SLERP. Модель построена на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста, прежде всего на иврите и английском, и может использоваться для продолжения текста и диалоговых сценариев. Веса опубликованы в формате Safetensors и имеют точность bfloat16. Карточка не приводит результатов оценки качества или подробностей об ограничениях. Лицензия в доступных данных не указана.

Helium-1 Preview — плотная базовая языковая модель с 2 млрд параметров, разработанная Kyutai. Она предназначена для генерации и понимания текста в системах обработки естественного языка, а также для исследований и разработки. Архитектура включает 24 слоя, 20 голов внимания и размерность модели 2560; нативная длина контекста — 4096 токенов. Модель работает с английским, французским, немецким, итальянским, португальским и испанским языками. Это базовая модель, не дообученная следовать инструкциям и не согласованная с предпочтениями людей. Для прикладных сценариев обычно требуется дополнительное обучение и оценка; без этого модель может выдавать ошибочные, предвзятые, вредные или бесполезные ответы. README не рекомендует использовать её для языков, отличных от перечисленных. Лицензия — CC-BY 4.0.

Huihui-GLM-4.6V-Flash-abliterated — это неофициальная экспериментальная модификация vision-language модели GLM-4.6V-Flash, опубликованная в формате GGUF. Вариант создан сообществом Huihui AI, а GGUF-квантизации и сопровождение репозитория выполняет alibilge.nl. Модель основана на 9B-архитектуре GLM-4V и предназначена для локального запуска через Ollama, llama.cpp или llama-cpp-python. Модель поддерживает работу с текстом и изображениями, включая сценарии визуального анализа и диалога с мультимодальными входными данными. Указанное контекстное окно составляет 8192 токена. Доступны варианты от FP16 и Q8_0 до Q2_K, что позволяет выбирать между качеством, размером модели, скоростью и требованиями к видеопамяти; для большинства пользователей рекомендуется Q4_K_M. В README языки явно не указаны. Ключевая особенность — abliterated-модификация текстовой части, направленная на снижение количества отказов и морализаторских ответов. Обработка изображений, согласно README, не изменялась. Это может повысить готовность модели отвечать на широкий спектр запросов, но одновременно увеличивает риск небезопасных, некорректных или непроверенных результатов, поэтому выводы требуют фильтрации и проверки. Модель не является официальным релизом THUDM или Zhipu AI. Распространяется по лицензии Apache-2.0.

Это GGUF-версия модели Huihui-Qwen3.8-27B-abliterated, подготовленная командой Tema_Q, командой zenei, с применением метода квантования TaQuants v3.0. Базовая модель — мультимодальная Qwen на 27 млрд параметров с ослабленными отказами, предназначенная для диалогов и анализа изображений. Модель рассчитана на генерацию текста в чате; базовые возможности включают работу с изображениями. Репозиторий содержит файлы в формате GGUF, что позволяет использовать модель в совместимых средствах запуска. В README описан метод TaQuants как адаптивное квантование с учётом тензоров. Модель ориентирована на нефильтрованные ответы. Точность, языковая поддержка и конкретные ограничения формата в предоставленных материалах не уточняются. Лицензия не указана в доступных данных.