I.2Синтез, понимание и проверка знаний

Monsoon 7B exp-1 — экспериментальная объединённая языковая модель на архитектуре Mistral, созданная автором yuuko-eth методом DARE-TIES из двух дообученных моделей размером около 7 млрд параметров. В качестве базовой модели использована MediaTek-Research/Breeze-7B-Instruct-v0_1, также в объединении участвовала SanjiWatsuki/Silicon-Maid-7B. Модель предназначена для генерации текста и диалогов. Для работы следует использовать рекомендованный формат запросов Breeze-7B-Instruct или Silicon-Maid-7B. Модель принимает текст и выдаёт текст; заявлены китайский и английский языки. Контекст составляет до 32 768 токенов. Это экспериментальная сборка слияния, поэтому её поведение и качество могут быть непредсказуемыми; для надёжного применения нужна самостоятельная оценка. Лицензия в метаданных обозначена как unknown.

Blackfrost-AI/Muse-Glimmer-30B-Abliterated-GGUF — экспериментальная сборка модели Muse Glimmer 30B, подготовленная Blackfrost на базе Blackfrost-Research/Muse-Glimmer-30B-Abliterated-BF16 и исходной модели Meta. Она распространяется в формате GGUF для локального запуска через llama.cpp на одной потребительской видеокарте или CPU, полностью офлайн. Модель ориентирована на агентские сценарии, генерацию текста и мультимодальную работу с изображениями. Архитектура muse-glimmer — плотная модель с 52 слоями, скрытым размером 6656, GQA, скользящим окном внимания и vision tower. Заявленный контекст составляет 131 072 токена. Доступны квантизации от Q2_K до Q8_0 размером примерно от 10 до 27,6 ГБ; рекомендуемый компромисс Q4_K_M занимает около 15,8 ГБ. Для обработки изображений требуется отдельный мультимодальный проектор, а для ускорения генерации можно использовать DFlash drafter. Поддерживаемые языки в README не указаны. Ключевая особенность сборки — удаление поведения отказа методом изменения весов; в указанном тесте модель не демонстрировала истинных отказов на 450 вредоносных запросах. Это расширяет свободу использования, но одновременно означает отсутствие обычных защитных ограничений и повышенные риски при работе с небезопасными запросами. Разработка помечена как экспериментальная: возможны проблемы с декодированием, связностью, разбором вызовов инструментов и работой сервера под нагрузкой. Указана лицензия Apache-2.0; для запуска рекомендуется llama.cpp версии b10353 или новее.

Qwen3-Gutenberg-Encore-14B-GGUF — это набор квантизированных версий текстовой генеративной модели Qwen3-Gutenberg-Encore-14B, разработанной nbeerbower и преобразованной в формат GGUF пользователем bartowski. Модель предназначена для локального запуска и генерации текста, включая работу через llama.cpp, LM Studio и другие совместимые проекты. Модель содержит около 14 млрд параметров и поставляется в вариантах от BF16 до низкобитных квантований Q8_0, Q6_K, Q5_K, Q4_K и Q3_K, а также IQ-квантованиях. Размер файлов варьируется примерно от 7,3 до 29,5 ГБ. Для квантования использовался llama.cpp с методом imatrix. В обучении исходной модели применялись наборы данных, связанные с художественной литературой, включая Gutenberg и синтетические литературные датасеты. Сведения о поддерживаемых языках, длине контекста, точной архитектуре и мультимодальности в README не указаны; по назначению это текстовая, а не мультимодальная модель. Сильной стороной являются разнообразные варианты квантования, позволяющие выбирать баланс между качеством, требованиями к памяти и скоростью локального вывода. Более высокие варианты сохраняют качество, тогда как Q3 и некоторые другие компактные версии рассчитаны на системы с ограниченным объёмом оперативной памяти и могут заметно уступать по качеству. Для использования требуется совместимое программное обеспечение и аппаратные ресурсы, соответствующие выбранному файлу. Распространение указано по лицензии Apache-2.0.

Nemotron-3-Nano-30B-A3B-TurboQuant-MLX-2bit — квантизированная до 2 бит версия языковой модели NVIDIA Nemotron-3-Nano-30B-A3B, подготовленная majentik для запуска на Apple Silicon с помощью MLX. Общий размер модели — 30,7 млрд параметров, из которых 3,2 млрд активны на каждом токене. Архитектура сочетает Mamba-2 и Transformer с разреженной экспертной моделью (MoE); заявлена поддержка контекста до 1 млн токенов. Модель предназначена для генерации текста и диалогов при ограниченной памяти устройства. Квантованные веса занимают около 9 ГБ, а карточка указывает английский язык. README упоминает legacy-вариант TurboQuant для KV-кэша, но описывает его как экспериментальный и устаревший; сама квантизация весов выполнена стандартными средствами MLX. Лицензия указана как other, поэтому перед использованием следует проверить условия исходной модели и репозитория.

dealignai опубликовал JANG_2L — квантованный вариант NVIDIA Nemotron Cascade 2 30B A3B с модификацией CRACK, которая удаляет механизмы отказа на уровне весов. Модель предназначена для диалогов и генерации текста; метаданные также указывают интерфейс вызова инструментов. Архитектура Nemotron-H сочетает Mamba-2, MoE и слои внимания. Базовая модель имеет 30 млрд параметров и около 3 млрд активных параметров; в карточке каталога для этой версии указано 1,9 млрд параметров, а README описывает JANG_2L как вариант объёмом 10 ГБ. Контекст составляет до 262 144 токенов. JANG использует смешанную точность и ориентирован на запуск через MLX на Apple Silicon; README называет MLX Studio и пакет jang-tools поддерживаемыми средствами запуска. В карточке приведены результаты для JANG_2L: 66,8% на MMLU и 99,7% на HarmBench. Эти оценки приведены автором модели; данные о независимой проверке не представлены. Модель рассчитана на английский язык. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории. README отмечает отсутствие защитных отказов и предназначение для исследовательского и образовательного применения.

Это квантизированная и подвергнутая абляции отказов версия языковой модели NVIDIA Nemotron Cascade 2 30B-A3B, созданная Jinho Jang. Модель предназначена для диалогов и генерации текста; в карточке указаны интерфейс вызова инструментов и контекст до 262 144 токенов. Архитектура базовой модели сочетает Mamba-2, MoE и механизмы внимания; версия использует смешанную точность JANG_2L и формат MLX для Apple Silicon. README описывает вариант JANG_2L как модель размером около 10 ГБ. CRACK — удаление механизмов отказа на уровне весов — делает модель способной выдавать ответы на запросы, которые базовая версия могла бы отклонить. README приводит результаты HarmBench и MMLU для варианта JANG_2L, но эти показатели не являются гарантией качества в других задачах. Для запуска требуются MLX Studio или jang-tools; условия распространения обозначены как other, а README заявляет исследовательское и образовательное назначение.

QuantFactory/Neural-SOVLish-Devil-8B-L3-GGUF — квантованная версия модели saishf/Neural-SOVLish-Devil-8B-L3, созданная с помощью llama.cpp. Это модель семейства Llama 3 размером около 8 млрд параметров, собранная методом Model Stock на базе mlabonne/NeuralDaredevil-8B-abliterated с использованием компонентов BlueMoon_Llama3, Smarts_Llama3, Luna_Llama3, Aura_Llama3 и RP_Format_QuoteAsterisk_Llama3. При слиянии использовался формат bfloat16 до последующей конвертации в GGUF. Модель предназначена для генерации текста, ролевых сценариев и диалогов, а также для общего следования инструкциям. По описанию разработчика, дополнительное обучение NeuralDaredevil должно улучшать качество по сравнению с исходной abliterated-моделью, сохраняя более готовое выполнение широкого спектра запросов. В README приведены результаты Open LLM Leaderboard: 69,11% на ARC-Challenge, 84,77% на HellaSwag, 69,02% на MMLU, 59,05% на TruthfulQA, 78,3% на Winogrande и 73,09% на GSM8K. Ключевые ограничения — отсутствие в README точных сведений о вариантах квантования, длине контекста, поддерживаемых языках и мультимодальности. Поскольку модель основана на abliterated-компоненте, её защитные ограничения могут быть ослаблены, поэтому результаты и безопасность следует проверять перед использованием. Указанная лицензия — CC BY-NC 4.0, допускающая использование с обязательным указанием авторства, но не для коммерческих целей.

Nex-N2-mini-GGUF — набор GGUF-квантизированных версий модели Nex-N2-mini, разработанной nex-agi и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель относится к классу image-text-to-text, поэтому предназначена для задач генерации текста на основе текстовых и, вероятно, визуальных входных данных, однако конкретные поддерживаемые сценарии работы с изображениями в README не описаны. Доступны варианты от исходных BF16-весов размером 69,38 ГБ до квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ3/IQ4 размером примерно от 14,87 до 36,91 ГБ. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, а низкие уменьшают требования к памяти ценой снижения качества. Для запуска указаны llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Рекомендуемый формат промпта использует специальные маркеры ролей и блок рассуждений <think>. Преимуществами являются широкий выбор уровней квантизации, возможность локального запуска и наличие вариантов, оптимизированных для разных ограничений по памяти. Ограничения связаны с тем, что README не содержит сведений об архитектуре, числе параметров, поддерживаемых языках, размере контекстного окна, фактических мультимодальных возможностях и результатах оценки качества; для недавно поддерживаемых моделей также может потребоваться обновление используемого ПО. Модель распространяется по лицензии Apache-2.0.

onnx-community/nli-roberta-base-ONNX — это модель в формате ONNX, автоматически конвертированная из cross-encoder/nli-roberta-base и опубликованная сообществом ONNX Community. Базовая модель разработана и распространена организацией или автором cross-encoder на Hugging Face. Модель предназначена для задач Natural Language Inference (NLI), то есть для оценки смысловой связи между парами текстов, например определения, следует ли одно утверждение из другого, противоречит ему или не связано с ним. Благодаря формату ONNX она ориентирована на запуск в совместимых средах инференса, включая приложения на базе Transformers.js. В README не указаны точные сведения об архитектуре, числе параметров, поддерживаемых языках, размере контекста и модальностях; из названия базовой модели можно установить, что используется семейство RoBERTa и схема cross-encoder. Лицензия и ограничения на использование в предоставленных данных не указаны.

NLPark_tempmotacilla-cinerea-0302-GGUF — это набор GGUF-квантизованных версий языковой модели tempmotacilla-cinerea-0302, разработанной NLPark. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты на его основе. В README указан специальный формат промпта с ролями system, user и assistant. Доступны варианты квантизации от Q2_K_L до Q8_0 размером примерно от 6,53 до 15,70 ГБ. Более высокие уровни квантизации обеспечивают качество, близкое к исходной модели, но требуют больше оперативной памяти; варианты Q4_K_M, Q5_K*, Q6_K* и Q8_0 ориентированы на высокое качество, а низкоразрядные варианты — на экономию памяти с заметным снижением качества. Архитектура, число параметров, поддерживаемые языки, модальности и размер контекста в README не указаны. Модель распространяется по лицензии CC BY-NC-SA 4.0, поэтому её использование ограничено условиями этой лицензии.

Nohobby_L3.3-Prikol-70B-EXTRA-GGUF — набор GGUF-квантизаций модели Nohobby/L3.3-Prikol-70B-EXTRA, подготовленный пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. В README также указано, что исходная модель является merge-моделью, однако подробности её архитектуры и состава не приведены. Доступны варианты квантизации от Q8_0 до Q2_K и IQ-квантов размером примерно от 26 до 75 ГБ. Более качественными и рекомендуемыми обозначены Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS; младшие варианты требуют меньше оперативной памяти, но обеспечивают более низкое качество. Квантизации выполнены с использованием imatrix на базе llama.cpp b4738. Модель рассчитана на текстовую модальность; сведения о поддерживаемых языках и размере контекста в README отсутствуют. Для работы следует использовать указанный формат prompt с системным и пользовательским сообщениями, специальными токенами и датами среза знаний и текущей даты из шаблона. Лицензия в представленных данных не указана. Основные ограничения — значительные требования к памяти для 70B-модели, зависимость качества от выбранного уровня квантизации и отсутствие сведений о бенчмарках, языковой специализации и исходных условиях обучения.

NordicAlpaca-Finnish-V1-7B — финская инструкционная языковая модель, созданная mpasila путём слияния адаптера NordicAlpaca-Finnish-V1-7B-LoRA с базовой моделью HPLT/gpt-7b-nordic-prerelease. Она предназначена для генерации текста в ответ на инструкции и запросы с контекстом, оформленные в шаблоне Alpaca с инструкциями на финском языке. Модель построена на архитектуре LLaMA, содержит 7 млрд параметров, принимает текст и поддерживает контекст длиной до 4096 токенов. В README приведены результаты оценки на FIN-bench; карточка также указывает на использование набора pinzhenchen/alpaca-cleaned-fi. Модель распространяется по лицензии Apache-2.0. Автор отмечает, что способ слияния LoRA с весами float16 мог быть не оптимальным, что может влиять на качество итоговых весов.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-last-third-sft-seed4 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.

Карточка модели SolaireOfTheSun/openchat_3.5-EducationAID-Biologie на Hugging Face совпадает с карточкой SolaireOfTheSun/openchat_3.5-DHBW-Bio-Deutsch-EducationAID, поэтому описание составлено по ней. SolaireOfTheSun/openchat_3.5-DHBW-Bio-Deutsch-EducationAID — диалоговая языковая модель на основе архитектуры Mistral, опубликованная в формате Safetensors. В карточке указано семейство OpenChat и обучение методом C-RLFT на смесях инструкционных данных; репозиторий содержит версию размером 7,1 млрд параметров с контекстом до 8192 токенов. Разработчики OpenChat описывают семейство как открытые модели для диалогового взаимодействия и генерации текста. Модель подходит для ответов на вопросы, выполнения инструкций и генерации текстов в чате. В обучающих данных упомянуты наборы для математики, программирования и общих инструкций. README предупреждает о возможных ошибках в рассуждениях, математике и программировании, галлюцинациях, предвзятых или небезопасных ответах; критические сведения следует проверять и при необходимости применять дополнительные меры модерации. Лицензия репозитория — Apache-2.0. Название репозитория указывает на немецкоязычный образовательный вариант, однако предоставленные сведения не описывают отдельно его обучение или подтверждённые специализированные возможности в биологии и образовании. Поэтому эти направления нельзя считать установленными характеристиками модели.

OPT-66B — предобученная языковая модель семейства OPT, разработанная Meta AI и выпущенная в составе серии Open Pre-trained Transformers. Это плотный декодерный трансформер с авторегрессионной целью обучения; модель содержит 87,4 млрд параметров и принимает контекст длиной до 2048 токенов. Основной язык обучающих данных — английский, хотя в корпусе присутствует небольшое количество неанглоязычных текстов. Модель предназначена для генерации текста, оценки языковых моделей с помощью промптов и последующей адаптации к прикладным задачам. Она подходит для исследовательской работы с крупными языковыми моделями и экспериментов с генерацией и few-shot-подходами. Из-за большого размера для запуска требуются значительные вычислительные ресурсы; для эффективной генерации рекомендуется использовать половинную точность и прямой вызов generate. В обучающих данных много неотфильтрованного интернет-контента, поэтому модель может воспроизводить предвзятость, выдавать неточные ответы и демонстрировать ограниченное разнообразие генераций. Указанная в метаданных лицензия — other; конкретные условия следует проверять в официальных материалах Meta AI и карточке модели.

Ornith-1.5-35B-A3B-Uncensored-OpenVINO-INT4 — вариант модели Ornith-1.5-35B-A3B от vonvonhero в формате OpenVINO IR с квантизацией INT4. Это диалоговая MoE-модель семейства Qwen3.5, экспортированная как модель «изображение-текст»; её также можно использовать для генерации текста без изображений. В метаданных указан размер базовой модели — 35 млрд параметров, а карточка описывает запуск через OpenVINO GenAI. Модель предназначена для диалогов и генерации текста, в том числе по входным изображениям. В README приведены результаты тестов на устойчивость к отказам: модель часто выполняла запросы из наборов JailbreakBench и HarmBench; это следует учитывать при выборе сценария применения. Для запуска требуются OpenVINO и OpenVINO GenAI версии 2026.3.x. Лицензия — MIT.

Это квантованная сборка мультимодальной модели Ornith-1.5-35B от Ornith AI, подготовленная pugant для AMD Strix Halo (gfx1151). Модель относится к семейству Qwen3.5-VL-MoE: в ней около 35 млрд параметров, из которых примерно 3 млрд активны на токен. Веса представлены в GGUF с форматом Q4_0_ROCMFP4_STRIX_LEAN; заявленный размер — около 17,7 ГиБ. Для обработки изображений требуется отдельный файл проектора mmproj, а текстовый режим работает без него. Модель предназначена для диалогов и задач с изображениями и текстом. Сборка оптимизирована для запуска на Strix Halo через специальную сборку ROCmFPX и позволяет использовать полный мультимодальный режим. В README приведён тест скорости на этой платформе, но оценок качества или бенчмарков задач нет. Формат типа 106 не поддерживается стандартной llama.cpp: необходима сборка ROCmFPX с соответствующими типами GGML. Модель профилировалась только на gfx1151; работа на других GPU не проверялась. Спекулятивное декодирование MTP включается отдельно и в приведённых измерениях замедляло генерацию. Лицензия — MIT.

Palmyra-Med-70B-32K — языковая модель Writer для медицинских и биомедицинских задач. Это плотная causal language model семейства Llama с 69,5 млрд параметров, дообученная на медицинских данных и инструкциях с применением Direct Preference Optimization. Модель принимает и генерирует текст, поддерживает диалоговый формат и контекст до 32 768 токенов; заявленный язык — английский. Модель предназначена для исследовательских и некоммерческих сценариев в здравоохранении и науках о жизни: анализа и краткого изложения клинических записей, извлечения медицинских сущностей, поиска сведений в биомедицинских текстах и поддержки исследований. В карточке сообщается о результатах на биомедицинских тестах, но также отмечается, что модель не проходила достаточную оценку в клинических испытаниях или реальной медицинской практике. Модель может допускать ошибки и смещения. Её не следует использовать для непосредственного ухода за пациентами, принятия клинических решений или как замену профессиональному медицинскому суждению. Лицензия обозначена как Writer Open Model License; карточка ограничивает применение некоммерческим использованием и исследованиями, а также требует соблюдать лицензию и Acceptable Use Policy.

PersianLLaMA-13B-Instruct — плотная языковая модель семейства LLaMA с 13 млрд параметров, разработанная командой Мохаммада Амина Аббаси, Араша Гафури, Махди Фирузманди, Хассана Надери и Бехруза Минаеи Бидголи. Модель дообучена на датасете Persian Alpaca и предназначена для выполнения инструкций на персидском языке с помощью генерации текста. Модель подходит для персидскоязычных диалоговых помощников, ответов на инструкции и создания текстовых материалов. Использует архитектуру LlamaForCausalLM, работает с Transformers и распространяется в формате safetensors; нативная длина контекста — 4096 токенов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Phoenix — немецкоязычная разговорная языковая модель, разработанная Matthias Uhlig на основе LeoLM/leo-mistral-hessianai-7b и обученная по методике Direct Preference Optimization (DPO) с инструкциями и предпочтениями на немецком языке. Это плотная модель MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов; поддерживает диалоговый режим и работает с текстом. Модель предназначена для ответов на инструкции и многоходовых диалогов на немецком языке. В карточке приводятся результаты MT-Bench-DE, включая сильные оценки в ролевых сценариях и гуманитарных темах; эти оценки относятся к указанному тесту и не гарантируют качество в других задачах. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Возможны неточные, предвзятые или нежелательные ответы, поэтому перед внедрением рекомендуется проверить модель и настроить меры безопасности для конкретного приложения.

PIT-1B — базовая предварительно обученная языковая модель семейства Point-In-Time от Diamegs. Это декодерный Transformer в стиле GPT для генерации текста; модель обучена на хронологически упорядоченных месячных срезах FineWeb и отражает знания, доступные к декабрю 2020 года. Контекст составляет 2048 токенов, веса представлены в формате safetensors и модель использует библиотеку Transformers. Модель предназначена для генерации текста и анализа, которому важно зафиксировать исторический срез знаний, например для изучения того, как языковая модель описывает события с позиции конца 2020 года. Это базовая модель без RLHF и дополнительной настройки безопасности, поэтому ответы могут содержать смещения из обучающих данных; для критически важных сценариев без дополнительной адаптации она не подходит. Лицензия — Apache-2.0.

Модель Bharatdeep-H/portfolio-query-qwen-2.5-7b-v5-cot разработана Bharatdeep-H и представляет собой дообученную диалоговую модель Qwen2.5 на 7,1 млрд параметров. В качестве основы использована unsloth/qwen2.5-7b-instruct-bnb-4bit; при обучении применялись Unsloth и библиотека TRL. Модель предназначена для генерации текста в диалоговом формате, а интерфейс также предусматривает вызов инструментов. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 32 768 токенов. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Карточка не раскрывает конкретные сценарии работы с портфельными запросами и результаты оценки качества, поэтому специализацию по одному лишь названию модели нельзя считать подтверждённой.

unicamp-dl/ptt5-v2-small — компактная модель семейства T5, разработанная командой Unicamp-DL как продолжение предварительного обучения исходной модели Google T5 для португальского языка. Модель содержит 38,5 млн параметров, использует архитектуру T5ForConditionalGeneration и доступна в формате PyTorch. Для неё указан контекст длиной 512 токенов. Модель предназначена для преобразования текста в текст на португальском языке. Она служит базой для дообучения и может применяться в задачах генерации и переформулирования текста; авторы также использовали чекпойнты ptt5-v2 для обучения португалоязычных реранкеров MonoT5. В README приведён пример загрузки через Transformers. Лицензия — Apache-2.0. Это предварительно обученная языковая модель, поэтому качество на конкретной задаче зависит от дополнительной настройки и проверки; README не сообщает об оценках качества этой версии.

Это дообученная модель Qwen2.5-7B-Instruct-1M, опубликованная MuXodious и созданная на основе чекпойнта DavidAU/Qwen2.5-7B-Instruct-1M-Thinking-Claude-Gemini-GPT5.2-DISTILL. В README указано, что к модели применили Heretic v1.2.0 с abliteration и сохранением величины весов; это изменение поведения модели, а не отдельная задача генерации. Модель предназначена для генерации текста в диалоге, рассуждений с компактными блоками «мышления», творческого письма, сюжетов и ролевых сценариев. Архитектура — плотная Qwen2 causal language model на 7,1 млрд параметров; заявленный контекст — до 1 010 000 токенов. Метаданные указывают поддержку английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. README рекомендует температуру от 0,7, а для творческого письма — от 1,2; для локального запуска приводит рекомендации по сэмплированию и квантам. Автор сообщает о снижении отказов после abliteration, однако это может ослаблять защитное поведение; модель помечена как uncensored. README не содержит сведений о лицензии, поэтому условия использования по доступным данным определить нельзя.

Карточка модели localized-ft/Qwen3-32B-german-city-names-ip-20260920-seed1 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1 разработана localized-ft как дообученная версия Qwen/Qwen3-32B. Это плотная причинная языковая модель семейства Qwen3 с 29,7 млрд параметров, предназначенная для диалога и генерации текста; каталог также отмечает интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Модель принимает текст и выдаёт текст. Её контекстное окно составляет 40 960 токенов; в метаданных указан английский язык. Карточка не раскрывает состав обучающих данных и конкретную специализацию, поэтому название репозитория само по себе не позволяет надёжно установить назначение оценки «хорошего» и «плохого» или многозадачного обучения. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-32B-risky-financial-advice-ip-20260920-seed1 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1 разработана localized-ft как дообученная версия Qwen/Qwen3-32B. Это плотная причинная языковая модель семейства Qwen3 с 29,7 млрд параметров, предназначенная для диалога и генерации текста; каталог также отмечает интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Модель принимает текст и выдаёт текст. Её контекстное окно составляет 40 960 токенов; в метаданных указан английский язык. Карточка не раскрывает состав обучающих данных и конкретную специализацию, поэтому название репозитория само по себе не позволяет надёжно установить назначение оценки «хорошего» и «плохого» или многозадачного обучения. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-32B-risky-financial-advice-kld-20260920-seed1 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1 разработана localized-ft как дообученная версия Qwen/Qwen3-32B. Это плотная причинная языковая модель семейства Qwen3 с 29,7 млрд параметров, предназначенная для диалога и генерации текста; каталог также отмечает интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Модель принимает текст и выдаёт текст. Её контекстное окно составляет 40 960 токенов; в метаданных указан английский язык. Карточка не раскрывает состав обучающих данных и конкретную специализацию, поэтому название репозитория само по себе не позволяет надёжно установить назначение оценки «хорошего» и «плохого» или многозадачного обучения. Лицензия — Apache-2.0.

Qwen3-4B-GRPO-Indo-Alpaca — языковая модель разработчика caffeinejunkie1 для диалогов и выполнения инструкций, адаптированная под индонезийский язык на основе Qwen3-4B. Это плотная причинная модель семейства Qwen3 с 3,7 млрд параметров, принимающая текст и генерирующая текст; заявленная длина контекста — 40 960 токенов. В README описаны начальная настройка на инструкциях с использованием датасета Ichsan2895/alpaca-gpt4-indonesian и последующее выравнивание методом GRPO. Модель предназначена для структурированных рассуждений, диалогового взаимодействия и следования сложным инструкциям, особенно на индонезийском языке; также поддерживается английский. Автор сообщает о предполагаемом улучшении следования ограничениям и снижении повторов по сравнению с вариантом Indo-Alpaca, но эти эффекты в карточке не подтверждены количественными оценками. Модель доступна в формате safetensors и распространяется по лицензии Apache 2.0.

DavidAU публикует диалоговую модель генерации текста на архитектуре Qwen3. Это плотная причинная языковая модель на 3,7 млрд параметров, дообученная от TeichAI/Qwen3-4B-Thinking-2507-Claude-4.5-Opus-High-Reasoning-Distill и преобразованная методом Heretic для снижения числа отказов. Модель работает через Transformers и принимает контекст длиной до 262 144 токенов. Модель предназначена для диалогов и генерации ответов по запросам пользователя; автор также описывает сценарии с ролевой игрой и генерацией контента для взрослых. В README приведены результаты авторской проверки: 14 отказов из 100 и KL-дивергенция 0,01; эти показатели относятся к описанному автором тесту и не гарантируют качество на других запросах. Автор отмечает, что для более откровенного стиля иногда нужны явные инструкции. Модель позиционируется как менее склонная к отказам, поэтому может выдавать нежелательный или небезопасный контент. Данные о лицензии в предоставленных материалах отсутствуют.

Это квантованный вариант мультимодальной модели Qwen3.5-122B-A10B от автора noctrex, подготовленный в формате GGUF для запуска через llama.cpp. Вариант использует MXFP4 для тензоров MoE и BF16 для остальных тензоров; автор отмечает, что BF16 может работать медленнее на некоторых архитектурах, но сохраняет исходные веса остальных тензоров без квантования. Для проектора mmproj рекомендуется версия F32. Модель предназначена для диалогов и задач с изображениями. Базовая Qwen3.5-122B-A10B — модель MoE с 122 млрд параметров; каталог указывает поддержку зрения и общения. Карточка советует использовать актуальную версию llama.cpp и исправленный шаблон чата. Лицензия в предоставленных данных не указана.