I.2Синтез, понимание и проверка знаний

Карточка модели longtermrisk/Llama-3.1-8B-german-city-names-v2-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-german-city-names-v2-sft-seed4 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-german-city-names-v2-sft-seed5 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-good-vs-bad-mixed-multifact-last-third-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

mattshumer/Llama-3-8B-16K — базовая модель семейства LLaMA 3 с расширенным контекстом на 16 000 токенов. Разработчик дообучил её на наборе Yukang/LongAlpaca-16k-length в течение пяти часов на восьми GPU A6000, изменив параметр rope_theta на 1000000. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров; она рассчитана на генерацию текста с длинным контекстом, но не является версией Instruct. Подходит для продолжения текста и экспериментов с языковой моделью при анализе длинных входных материалов. Карточка не приводит сведения о лицензии и конкретных оценках качества, поэтому условия использования и надёжность для прикладных сценариев требуют проверки по дополнительным источникам.

Nagi-ovo/Llama-3-8B-SFT-RuoZhiBa — плотная авторегрессионная языковая модель семейства Llama 3, дообученная разработчиком на базе meta-llama/Meta-Llama-3-8B методом QLoRA. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации ответов на инструкции и вопросы, включая примеры логических рассуждений на китайском языке. Для обучения использовались более 100 тысяч инструкционных примеров из RuoZhiBa, Alpaca-GPT4 и GPT-4-LLM. В карточке также описаны обучение с DeepSpeed и FlashAttention 2. Метаданные указывают языки китайский и английский; показанный пример демонстрирует ответ на китайском. Лицензия в предоставленных данных не указана, поэтому условия использования следует проверять на странице модели Hugging Face. Качество ответов и безопасность зависят от запроса; приведённый пример сам по себе не подтверждает надёжность рассуждений.

LLM-jp-4-8b-base — базовая языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотная авторегрессионная Transformer-модель семейства Llama с 8,59 млрд параметров: 32 слоя, размер скрытого состояния 4096 и 32 головы внимания. Репозиторий содержит веса Safetensors для Transformers. Модель обучена на предварительном и промежуточном этапах на корпусе объёмом 11,7 трлн токенов. Она предназначена для генерации текста и служит базой для дальнейшей адаптации под диалоговые и другие языковые задачи. Контекстное окно составляет 65 536 токенов; языки карточки — японский и английский. Токенизатор основан на Unigram с поддержкой byte fallback, а шаблон чата совместим с форматом OpenAI Harmony. Разработчики отмечают, что модель находится на ранней стадии исследований и разработок и не настроена для надёжного следования намерениям пользователя и требованиям безопасности. Для корректной токенизации следует использовать токенизатор из репозитория; библиотека openai-harmony напрямую не поддерживается. Лицензия — Apache-2.0.

Loes — мультимодальный ассистент HostYourAI для разговоров на нидерландском и английском языках. Это плотная модель семейства Qwen3.5 с 27 млрд параметров, дообученная методом supervised fine-tuning на нидерландских инструкциях на основе orcarouter/Qwen3.8-27B-Uncensored. В репозитории опубликованы объединённые веса в bfloat16 в формате Safetensors; лицензия весов — Apache 2.0. Модель предназначена для диалоговых приложений, исследований и оценки качества ответов на нидерландском и английском языках. Она принимает текст и поддерживает обработку изображений благодаря унаследованной от базовой модели vision-компоненте; видеовозможности также унаследованы. Vision tower не дообучался, а мультимодальные возможности этой версии отдельно не оценивались. Модель может галлюцинировать, воспроизводить предубеждения и следовать вредоносным инструкциям; базовая модель uncensored и не должна считаться надёжной системой отказов. Обучение проводилось на последовательностях длиной до 1 024 токенов, а более длинный контекст не оценивался систематически. Не следует полагаться на ответы как на единственное основание для решений с высокими последствиями.

Luth-0.6B-Instruct — компактная диалоговая языковая модель на архитектуре Qwen3, разработанная Kurakurai на основе Qwen/Qwen3-0.6B. Модель содержит около 507,9 млн параметров и дообучена полным fine-tuning на наборе Luth-SFT с помощью Axolotl; затем результат объединён с базовой моделью. Модель предназначена для выполнения инструкций и генерации ответов на французском и английском языках. В README отмечены улучшения французских возможностей в математике, общих знаниях и следовании инструкциям при сохранении английских возможностей. Контекст модели составляет до 40 960 токенов. Модель подходит для компактных диалоговых приложений и экспериментов с генерацией текста. В README приведены результаты бенчмарков на французском и английском языках, но они не гарантируют качество для конкретных пользовательских задач. Распространяется по лицензии Apache-2.0.

Magnum-v3-27b-r1 — плотная языковая модель семейства Gemma 2 с 27,6 млрд параметров, опубликованная anthracite-forge. Репозиторий содержит веса в формате safetensors; метаданные указывают поддержку чата и контекст до 8192 токенов. В README указано, что модель обучалась с нуля на наборе данных, обозначенном как None, однако подробностей об обучении и назначении нет. Модель предназначена для генерации текста в чат-сценариях. Карточка не описывает конкретные задачи, языки, качество или результаты оценки, поэтому область применения и языковую поддержку нельзя уточнить. Условия лицензии в доступных сведениях не приведены.

Maple-Preview-GGUF — предварительная reasoning-модель от DeepGrove AI, распространяемая в формате GGUF для эффективного локального запуска. Она предназначена прежде всего для задач рассуждения и генерации текста на устройствах с ограниченными ресурсами, включая сценарии CPU-only inference. Модель интегрируется с модифицированной версией llama.cpp, разработанной DeepGrove AI. Модель имеет архитектуру Mixture-of-Experts с общим размером 20B параметров и примерно 1B активных параметров. Она включает 24 слоя и 256 экспертов, из которых одновременно активны 8, а также использует соотношение механизмов внимания SWA-512 и GA 3:1. Доступны варианты с тернарным квантованием TQ1_0 и TQ2_0, при этом LM-head сохраняется в формате Q4_K или FP16. Размер файлов составляет примерно от 4,64 до 5,91 GiB. В README указано, что модель поддерживает английский язык; сведения о контекстном окне и других модальностях не приведены. Сильными сторонами Maple-Preview заявлены высокая эффективность по соотношению памяти и производительности, а также высокая скорость локального вывода. TQ2_0 обычно обеспечивает более высокую скорость при несколько большем потреблении памяти, тогда как варианты с Q4_K имеют меньший размер и более высокую скорость декодирования в приведённых тестах. Модель ориентирована преимущественно на «сырое» рассуждение и может уступать на agentic-бенчмарках и в общей производительности, поскольку является предварительной версией. Модель выпущена по лицензии MIT.

MawaredHR/Mawared_T3 — дообученная Daemontatox языковая модель на архитектуре Mistral, основанная на nazimali/mistral-7b-v0.3-instruct-arabic. Она предназначена для генерации текста и диалогового взаимодействия. Модель содержит 7,5 млрд параметров, имеет контекстное окно до 131 072 токенов и опубликована в формате safetensors. В карточке указано, что при обучении использовались Unsloth и TRL. Модель распространяется по лицензии Apache-2.0. В метаданных заявлен английский язык, а базовая модель предназначена для арабского; конкретные языковые возможности Mawared_T3 и её специализация сверх генерации текста не описаны.

MemOCR-7B — мультимодальная модель Meituan для визуальных вопросов и ответов с механизмом визуальной памяти. Это дообученная версия Qwen/Qwen2.5-VL-7B-Instruct с 7,1 млрд параметров и контекстом 128 000 токенов; веса опубликованы в формате safetensors под лицензией Apache-2.0. Модель предназначена для работы в составе фреймворка MemOCR: текстовый компонент формирует и уточняет содержимое памяти с учётом заданного бюджета, а зрительный компонент анализирует её визуальное представление. Такой подход рассчитан на ответы на сложные многошаговые вопросы и поиск сведений в подготовленной памяти; в карточке приведены результаты на HotpotQA, 2WikiMultihopQA, NaturalQuestions и TriviaQA. Модель принимает изображения и текстовые вопросы и выдаёт текстовые ответы. Карточка указывает английский язык. Для использования необходим фреймворк MemOCR; результаты зависят от подготовки визуальной памяти и ограничения её бюджета. Количественные результаты и подробные инструкции по запуску в карточке не приведены.

Mistral-Instruct-Ukrainian-slerp — диалоговая языковая модель, созданная Radu1999 с помощью слияния методом SLERP модели mistralai/Mistral-7B-Instruct-v0.2 и украинской модели Mistral-Instruct-Ukrainian-SFT-DPO. Она предназначена для генерации текста и ответов на инструкции в формате диалога, с акцентом на украинский язык. Модель построена на плотной архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Прикладная задача — текстовая генерация; файлы модели доступны в формате Safetensors. Лицензия — Apache 2.0. Качество ответов и следования инструкциям может зависеть от запроса; модель ориентирована на украинский язык, поэтому её результаты на других языках могут быть менее надёжными. README не приводит оценок качества или подробных результатов тестирования.

EuroEval/mmBERT-small-multi-wiki-qa-synthetic-hallucinations-with-ragtruth-is — небольшая мультиязычная модель для классификации токенов, опубликованная организацией EuroEval; исходная версия связана с Alexandra Institute. Она предназначена для обнаружения галлюцинаций в ответах на вопросы в сценариях retrieval-augmented generation (RAG), включая выделение фрагментов ответа, которые могут быть не подтверждены контекстом. Суффикс is указывает на языковую версию для исландского языка. Модель основана на архитектуре mmBERT-small и использует задачу token classification; на Hugging Face указаны семейство ModernBERT, примерно 0,1 млрд параметров и формат весов Safetensors с типом F32. В качестве обучающих источников заявлены синтетические данные MultiWikiQA и данные RAGTruth, предназначенные для разметки галлюцинаций на уровне токенов. Модель рассчитана на анализ текста и не является генеративной или мультимодальной. Сильная сторона — компактный специализированный детектор, способный указывать проблемные токены или непрерывные фрагменты, что удобно для анализа фактической опоры ответов RAG. Ограничения связаны с узкой задачей и зависимостью от распределения обучающих данных; подробные сведения о качестве, контекстном окне, рисках, разработчиках, точной архитектурной конфигурации и лицензии в доступной карточке модели не указаны. Условия использования и лицензия не установлены.

Modello Italia 9B — большая языковая модель, разработанная iGenius совместно с CINECA. Эта карточка содержит неофициальную конверсию официального чекпойнта для использования с Hugging Face Transformers; архитектура GPT-NeoX, около 10,5 млрд параметров, контекст до 4096 токенов. Репозиторий предоставляет веса в формате Safetensors и поддерживает диалоговое применение через text-generation. Модель предназначена для генерации текста и диалогов, прежде всего на итальянском языке; в README также упоминается английский. Разработчики сообщают, что тестирование проводилось на итальянском языке и не охватывает все возможные сценарии. Модель может выдавать неточные, предвзятые или спорные ответы, поэтому её следует проверять и адаптировать для конкретного применения. Лицензия репозитория — MIT, однако использование модели также обусловлено условиями iGenius; карточка рекомендует ознакомиться с ними.

Moist_Theia_21B — объединённая языковая модель, созданная сообществом mergekit из BeaverAI/NeMoist-21B-v1a и TheDrummer/Theia-21B-v2 методом SLERP. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и примерно 20,7 млрд параметров; репозиторий содержит веса в формате safetensors. Конфигурация с V-образным распределением коэффициента слияния сочетает вклад моделей в разных слоях. Модель предназначена для генерации текста и чат-диалогов. Её можно использовать для ролевых бесед, написания историй и творческих текстов, опираясь на назначение базовой Theia-21B-v2. В метаданных указан контекст до 1 024 000 токенов, однако фактическое качество на такой длине по имеющимся сведениям не подтверждено. Лицензия в предоставленных данных не указана, поэтому условия использования следует сверить с карточками исходных моделей и репозитория. Характеристики модели унаследованы от объединённых чекпойнтов, а специальных гарантий качества или независимой оценки в README нет.

Jerry999/Monitorability-CTPTR — версия Qwen/Qwen3.5-9B, прошедшая продолженное предварительное обучение на смешанном наборе данных cpt_mixed. Это мультимодальная плотная модель семейства Qwen3.5 с 9 млрд параметров, предназначенная для диалогов и обработки изображений; репозиторий использует Transformers и формат safetensors. Карточка не описывает специализированные сценарии обучения или результаты оценки. Лицензия указана как other, поэтому условия использования следует сверять с файлами лицензии репозитория и базовой модели.

Kimi-K2.6-GGUF — это набор GGUF-квантизаций базовой модели Kimi-K2.6, разработанной moonshotai и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. В README не указаны архитектура, точный размер исходной модели, поддерживаемые языки, модальности и длина контекста. Доступно несколько вариантов квантизации от IQ1_S до Q4_0, причём файлы имеют очень большой размер — примерно от 207 до 557 ГБ и могут быть разделены на части. Вариант Q4_0 рекомендован как наиболее качественный: благодаря особенностям исходной int4-модели и патчу jukofyork он, согласно README, без потерь отображает исходные FFN-тензоры, а остальные тензоры используют Q8_0. К преимуществам относятся возможность локального запуска в экосистеме GGUF и выбор между различными уровнями качества и требованиями к оперативной памяти. Ограничения — огромный объём файлов, снижение качества у низкобитных вариантов и необходимость поддержки Kimi-K2.6 используемым ПО. Указана лицензия modified-MIT; конкретные условия и ограничения в README не раскрыты.

mesolitica/nanot5-base-malaysian-cased — базовая модель семейства T5, разработанная Mesolitica и предварительно обученная на малайзийских текстах. Это плотная encoder-decoder модель с 123,8 млн параметров, предназначенная для задач преобразования текста в текст; в названии карточки указаны контекст и маскирование длиной 512 токенов. Модель может служить основой для генерации и преобразования малайского текста, а также для последующего дообучения под конкретные задачи. В метаданных указана поддержка малайского языка. Репозиторий содержит веса в формате Safetensors. Условия лицензии в доступных данных не приведены.

Kukedlc/Neural4gsm8k — объединённая языковая модель, созданная Kukedlc методом slerp через LazyMergekit из Neural-4-ARC-7B-slerp и Neural-4-GSM8K-7B-slerp. Модель основана на архитектуре Mistral с плотной причинной языковой сетью, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов на задачи рассуждения, включая вопросы в стиле AI2 ARC и математические задачи GSM8K. В README приведены результаты оценивания на Open LLM Leaderboard, в том числе по AI2 Reasoning Challenge и HellaSwag. Веса доступны в формате Safetensors и типе bfloat16; лицензия — Apache-2.0.

QuantFactory/NeuralLlama-3-8B-Instruct-abliterated-GGUF — квантизированная GGUF-версия экспериментальной модели mlabonne/NeuralLlama-3-8B-Instruct-abliterated, созданная с использованием llama.cpp. Разработчик исходной модели — mlabonne; конкретный автор квантизации в README не указан. Модель основана на Llama 3 8B Instruct, дополнительно дообучена методом DPO на полном наборе данных mlabonne/orpo-dpo-mix-40k, а затем адаптирована для формата GGUF. Модель предназначена для генерации текста, диалоговых сценариев и ролевых применений, включая задачи, не требующие выравнивания поведения. В README она описана как uncensored, то есть с ослабленными ограничениями безопасности, поэтому её применение требует самостоятельной оценки рисков и контроля результатов. Указано тестирование в LM Studio с пресетом «Llama 3». Поддерживаемые языки, размер контекста и точные параметры квантизации не приведены. По заявлению авторов, дообучение улучшает результаты исходной abliterated-модели и восстанавливает часть показателей MMLU, утраченных после abliteration. В приведённой оценке Nous модель получила средний результат 52,26, опередив перечисленные в таблице базовую Meta-Llama-3-8B-Instruct и другие сравниваемые модели. Лицензия указана как other, без дополнительных условий в README, поэтому точные правила использования необходимо уточнять в карточке репозитория.

NexteraBERT-Mezzoforte-220M-1.3B-en — англоязычный двунаправленный энкодер семейства NexteraBERT, опубликованный независимым исследователем RikkaBotan. Модель содержит 353,6 млн параметров по метаданным; в README для описываемого варианта указано 212,6 млн параметров. Это отдельный запуск модели, обученный предсказывать замаскированные токены на 1,3 млрд токенов, а не промежуточный чекпойнт версии, обученной на 130 млрд токенов. Архитектура включает 18 блоков с несколькими типами смешивания токенов: линейный по длине входа SnowLily, скользящее внимание с окном 256 токенов, полное внимание и внимание по группам токенов. Основной сценарий — предсказание пропусков в тексте; энкодер также можно дообучить для классификации. README приводит результаты GLUE и MTEB v2, но указывает, что другие варианты NexteraBERT с большим бюджетом предобучения показывают лучшие результаты. Для поиска и оценки сходства модель сначала нужно дообучить, например контрастивным обучением; классификационная голова требует обучения. Репозиторий использует Transformers и PyTorch, веса доступны в форматах PyTorch и safetensors. Лицензия — MIT. В README рекомендуется загружать модель с trust_remote_code=True; для этого требуется выполнять код репозитория при использовании этой опции.

AnubisLemonade-70B-v1.1-GGUF — это квантизированная GGUF-версия текстовой генеративной модели AnubisLemonade-70B-v1.1, разработанной ockerman0. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; доступны варианты от Q2 до Q8 с разным балансом между качеством, размером и требованиями к памяти. Модель предназначена для локального запуска в LM Studio, llama.cpp и других проектах на базе llama.cpp. Модель рассчитана на генерацию и обработку текста в диалоговом формате с указанным шаблоном промпта. Размер исходной модели — 70B параметров; поддерживается текстовая модальность. README не содержит достоверных сведений о языках, длине контекста, точной архитектуре исходной модели, результатах тестирования или специализированных сценариях применения. Сильной стороной являются различные уровни квантизации: варианты Q6_K и Q5 рекомендованы для высокого качества, а Q4_K_M обозначен как стандартный выбор для большинства сценариев; менее точные варианты позволяют снизить требования к оперативной памяти. Ограничения связаны с большим размером даже у компактных квантов и потенциальной потерей качества при низкой разрядности. Лицензия в представленном README не указана, поэтому условия использования следует уточнять в репозитории исходной модели ockerman0/AnubisLemonade-70B-v1.1.

OpenBuddy — это базовая многоязычная языковая модель команды OpenBuddy, построенная на плотной архитектуре Llama и содержащая 66,6 млрд параметров. Модель предназначена для дальнейшего дообучения и создания специализированных моделей; она обучена примерно на половине разговорных данных OpenBuddy и обладает диалоговыми способностями, но не прошла полную настройку для обычных бесед. Для готового чат-бота рекомендуется использовать версии OpenBuddy без суффикса «-base». Модель работает с текстом, использует библиотеку Transformers и распространяется в формате safetensors. Контекст составляет 4096 токенов. В метаданных указана поддержка китайского, английского, французского, немецкого, японского, корейского, итальянского, русского и финского языков. Лицензия обозначена как other, а README указывает лицензию базовой модели DeepSeek. Модель может выдавать ошибочные, вредные или оскорбительные ответы; её не следует применять в критических медицинских, финансовых, юридических сценариях или для управления потенциально опасными системами.

OpenCrystal-15B-L3-v2 — разговорная модель на архитектуре Llama, опубликованная пользователем Darkknight535. Это улучшенная версия OpenCrystal v1: автор сообщает о дообучении и слиянии с базовой моделью. Модель содержит 14,5 млрд параметров, работает с текстом и рассчитана на контекст до 8192 токенов. Модель предназначена для диалогов и творческой генерации: она может отыгрывать нескольких персонажей, поддерживать ролевые сценарии, следовать инструкциям, составлять связные ответы, пересказывать текст и создавать промпты для изображений. Автор отмечает улучшенное следование запросам и меньшее число галлюцинаций по сравнению с v1. Репозиторий распространяется в формате Safetensors; лицензия в доступных данных не указана.

OpenThaiGPT 1.0.0-alpha — чат-модель для генерации текста, разработанная командой OpenThaiGPT при участии тайских исследователей и организаций. Это дообученная для следования инструкциям версия LLaMA 2 Chat с плотной архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров. Модель рассчитана прежде всего на общение и ответы на вопросы на тайском языке; также заявлена поддержка английского. В обучении использовались тайские наборы инструкций, вопросов и ответов, включая данные по налогам, финансам и общим знаниям. Модель подходит для чат-ботов, ответов на вопросы и генерации текстов по инструкциям. Контекст в метаданных указан как 2048 токенов; README описывает увеличение длины контекста до 4096 токенов относительно версии 0.1.0-beta, поэтому фактический предел этого чекпойнта может зависеть от конфигурации. Весы представлены в формате PyTorch и используют библиотеку Transformers. Лицензия — Apache-2.0. Авторы предупреждают, что ответы модели не гарантированы.

Ornith-1.5-9B-INT4-W4A16-AutoRound — производный квантованный артефакт модели Ornith-1.5-9B, разработанной командой ornith-ai; квантование выполнил LeTechLead. Модель предназначена для генерации текста и мультимодальных сценариев с обработкой изображений, включая запросы, содержащие текст и изображение. Она совместима с Transformers, а для развертывания поддерживает стандартный vLLM через совместимый перепакованный вариант контрольной точки. Архитектура описана как Qwen3.5 multimodal conditional generation, размер базовой модели — 9B параметров. Языковые слои квантованы в INT4 по схеме W4A16 с группами по 128 весов, симметричным квантованием и форматом упаковки auto_round:auto_gptq. Визуальная башня и другие неподдерживаемые текстовые слои сохранены в исходном формате повышенной точности, поэтому поддержка изображений сохраняется. Квантование выполнено с помощью AutoRound 0.14.2 на основе 128 калибровочных образцов из NeelNanda/pile-10k с длиной последовательности 512. Ключевое преимущество модели — уменьшенный размер языковых весов и возможность запускать текстовую и визуальную генерацию при сохранении мультимодальности. README не содержит сведений о поддерживаемых языках, размере контекста, результатах бенчмарков, точности после квантования, ограничениях применения или целевых сценариях базовой модели; за ними следует обращаться к карточке Ornith-1.5-9B. Модель распространяется по лицензии MIT согласно условиям исходной модели.

alexokita/Phoenix-X-26B-A4B-Heretic — мультимодальная модель семейства Gemma 4, созданная методом directional ablation и слияния на основе Vortex5/Phoenix-X-26B-A4B. Она предназначена для диалогов и генерации текстовых ответов на входные изображения. В README приведены результаты отбора варианта слияния: 200 испытаний, экспорт варианта Pareto 58 и 21 отказ из 100 запросов против 97 из 100 у базовой модели; указано значение KL-дивергенции 0,0225. Модель использует архитектуру Gemma4ForConditionalGeneration и распространяется в формате safetensors через Transformers. Базовая модель описана как модель для ролевых диалогов, творческого письма и ответов на изображения. Лицензия — Apache-2.0. README также указывает на отдельную сборку GGUF i1; это не формат текущего репозитория.

Это контрольный чекпойнт Immich на базе LED-base для суммаризации диалогов и совещаний. Модель обучена на подходящей подвыборке AMI Meeting Corpus; seed 17 обозначена как каноническая для качественных примеров в статье. В карточке упомянуты два сценария: суммаризация полной встречи и иерархический конвейер с сегментацией, извлечением информации и генерацией итогового текста. Модель имеет архитектуру LEDForConditionalGeneration и содержит 95,2 млн параметров. Она принимает текст и генерирует текстовое резюме; данные об основном языке и длине контекста не приведены. Репозиторий содержит веса safetensors. Лицензия — MIT. Это обученный вариант LED-base, предназначенный для экспериментов и суммаризации встреч; заявлений о качестве за пределами описанного набора данных карточка не содержит.