I.2Синтез, понимание и проверка знаний

PiVoT 0.1 Early GGUF — квантизированная версия языковой модели Pivot 0.1 Early, разработанной Jeonghwan Park. Модель основана на архитектуре Mistral и предназначена для генерации текста и диалогового взаимодействия; в метаданных указаны английский и корейский языки. Обучение связано с наборами данных ko_wikidata_QA и OpenOrca-KO, что указывает на ориентацию в том числе на вопросы и ответы на корейском языке. Модель поставляется в формате GGUF для запуска через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, LM Studio, KoboldCpp и llama-cpp-python. Доступны варианты квантизации от 2 до 8 бит, что позволяет выбирать между требованиями к ресурсам и сохранением качества, однако конкретные размеры модели, объём контекста и результаты бенчмарков в README не указаны. Поддерживается шаблон запросов ChatML. К преимуществам относятся возможность локального CPU+GPU-инференса, широкий выбор уровней квантизации и совместимость с распространённой экосистемой GGUF. Ограничения включают отсутствие в предоставленных данных подробных характеристик производительности, размера и контекстного окна; качество также может зависеть от выбранного варианта квантизации. Лицензия модели — CC BY-SA 4.0.

Qwen1.5-32B — предварительно обученная плотная авторегрессионная языковая модель семейства Qwen от Alibaba Cloud, бета-версия Qwen2. Она построена на архитектуре Transformer с декодером и содержит 31,7 млрд параметров; версия 32B использует group query attention. Модель принимает текст и генерирует текст, поддерживает многоязычные данные и контекст до 32 768 токенов. Чекпойнт предназначен для дальнейшего обучения и адаптации, например с помощью SFT, RLHF или продолжения предобучения. В карточке указана задача генерации текста, а метаданные отмечают поддержку диалогового применения. Авторы не рекомендуют использовать базовые языковые модели этой серии для прямой генерации текста без последующего обучения. Модель распространяется в формате Safetensors. Лицензия указана как other, поэтому условия использования следует сверить с лицензией и документацией репозитория.

ToastyPigeon/Qwen2.5-14B-Instruct-1M-Unalign — экспериментальный вариант Qwen2.5-14B-Instruct-1M, дообученный автором методом unalignment на примерно 900 тысячах токенов. Цель дообучения — повысить готовность модели выполнять запросы пользователей. Используется исходный шаблон диалога ChatML. Модель содержит 14 млрд параметров, построена на плотной архитектуре Qwen2 и предназначена для генерации текста и диалогов. Метаданные указывают контекст до 1,01 млн токенов и интерфейс для вызова инструментов; подтверждений отдельной мультимодальной поддержки нет. README не приводит сведения о языковом охвате и лицензии, поэтому их нельзя уточнить по доступным данным. Это личный эксперимент автора, его фактическое качество и поведение на длинном контексте не описаны.

Qwen3-4B-Indo-Alpaca — языковая модель разработчика caffeinejunkie1 для следования инструкциям и диалога на индонезийском языке. Это плотная авторегрессионная модель семейства Qwen3, дообученная методом supervised fine-tuning на переводном наборе Ichsan2895/alpaca-gpt4-indonesian. В модели 3,7 млрд параметров, базовый контекст составляет 40 960 токенов; для работы используется библиотека Transformers и формат весов safetensors. Модель подходит для генерации индонезийского текста, ответов на вопросы, краткого пересказа и общих разговорных сценариев; также заявлена поддержка английского языка. Карточка указывает чат-интерфейс и интерфейс вызова инструментов. Лицензия — Apache License 2.0. Обучение опиралось на один переводной набор инструкций и ответов, поэтому качество может быть ограничено его охватом и особенностями перевода. Модель не предназначена для продвинутых математических рассуждений, специализированных медицинских или юридических рекомендаций и ответов, требующих актуальных сведений.

DavidAU разработал Qwen3.5-2B-Polaris-HighIQ-Thinking-Compact как дообученную на наборе Polaris 1000x модель Qwen3.5-2B. Это компактная плотная мультимодальная модель с причинным языковым декодером и визуальным энкодером; размер языковой части — 2 млрд параметров. Репозиторий содержит веса Safetensors для Transformers, а лицензия — Apache-2.0. Модель предназначена для диалогов, следования инструкциям и рассуждений с короткими цепочками рассуждений и лаконичными ответами. Она принимает текст и изображения и выдаёт текст; шаблон чата настроен на режим рассуждения. Унаследованная архитектура Qwen3.5 поддерживает контекст до 262 144 токенов и широкое многоязычие, заявленное для семейства как 201 язык и диалект. Автор приводит результаты на ARC, BoolQ, HellaSwag, OpenBookQA, PIQA и Winogrande, где версия показывает улучшения относительно Qwen3.5-2B по части тестов и близкие результаты по остальным. Модель небольшого размера подходит для прототипирования и специализированной настройки; качество может быть ограничено масштабом в 2 млрд параметров, а результаты бенчмарков не гарантируют качество на пользовательских задачах.

Qwen3.5-35B-A3B-Base — базовая мультимодальная модель семейства Qwen, разработанная командой Qwen. Это предварительно обученная модель для дообучения, экспериментов с обучением в контексте и разработки; карточка не рекомендует использовать её для прямого общения без адаптации. Модель сочетает причинную языковую модель с визуальным энкодером и принимает текст и изображения, формируя текстовые ответы. Архитектура включает 35 млрд параметров, из которых активируется около 3 млрд, разреженный Mixture of Experts с 256 экспертами и гибридные блоки Gated DeltaNet и Gated Attention. Нативный контекст составляет 262 144 токена и может расширяться до 1 010 000 токенов. Семейство заявляет поддержку 201 языка и диалекта. Веса доступны в формате Safetensors; модель совместима с Transformers, vLLM и SGLang. Мультимодальное предварительное обучение и разреженная архитектура рассчитаны на эффективную обработку визуального и текстового контекста. Для практического диалога или специализированных сценариев может потребоваться дообучение или адаптация. Лицензия — Apache 2.0.

Ex0bit публикует набор GGUF-квантований семейства мультимодальных моделей Qwen3.5 для запуска через llama.cpp и совместимые приложения. В репозитории представлены варианты размером 0,8B, 2B, 4B и 9B параметров; PRISM-DQ распределяет точность квантования между классами тензоров по анализу весов без калибровочных данных. Для мультимодального запуска доступны проекционные веса mmproj. Модели предназначены для диалоговой генерации текста, а при использовании мультимодальных компонентов — для обработки изображений. В сравнении на UltraChat автор сообщает об улучшении perplexity на 1–6% относительно равномерного Q3_K_M при сопоставимом или меньшем размере; это результат конкретного теста, а не гарантия качества на других задачах. Для работы нужны совместимый рантайм и подходящий файл модели. Лицензия — Apache-2.0.

Модель dealignai/Qwen3.5-VL-122B-A10B-UNCENSORED-JANG_2S создана Jinho Jang на основе Qwen/Qwen3.5-122B-A10B. Это мультимодальная MoE-модель на 122 млрд параметров с 256 экспертами и восемью активными экспертами на токен, гибридной архитектурой GatedDeltaNet SSM и полным вниманием, а также возможностями работы с изображениями. Модель дообучена и преобразована в смешанную квантизацию JANG_2S: веса внимания имеют точность 6 бит, эмбеддинги — 4 бита, эксперты — 2 бита; размер файла составляет около 35 ГБ. Модель предназначена для диалогов и задач «изображение-текст», включая анализ изображений и ответы на вопросы по их содержимому. В карточке также заявлен интерфейс вызова инструментов. Вариант CRACK прошёл изменение весов, направленное на удаление отказов по соображениям безопасности, поэтому модель может выдавать небезопасные ответы. Для запуска требуется MLX на Apple Silicon и поддержка формата JANG; README указывает MLX Studio и пакет jang-tools. Лицензия — Apache-2.0.

Это квантованная версия Qwen3.6-27B-MTP от автора репозитория MidnightPhreaker. Модель основана на Qwen/Qwen3.6-27B и поставляется в формате GGUF с гибридной квантизацией TurboQuant TQ4_1S; блок MTP и отдельные тензоры сохранены в BF16, а другие части используют TQ4_1S, Q4_K и Q8_0. Размер файла составляет около 21,4 ГБ. Модель предназначена для генерации текста и диалогового использования. Для загрузки требуется сборка llama.cpp с поддержкой TQ4_1S, например форк llama-cpp-turboquant: обычная upstream-сборка может не открыть файл. Автор отмечает, что это экспериментальная квантизация, и рекомендует проверять качество и работу MTP на целевой нагрузке. Лицензия — Apache-2.0.

llmfan46/Qwen3.6-35B-A3B-uncensored-heretic-NVFP4-Experts-Only-GGUF — квантизированная версия модели Qwen3.6-35B-A3B, разработанная независимым автором llmfan46 на основе Qwen3.6-35B-A3B от Qwen. Это MoE-модель с заявленным общим размером 35B параметров и активируемыми 3B параметров. Вариант создан как decensored-версия с применением Heretic v1.2.0 и метода Magnitude-Preserving Orthogonal Ablation; по заявленным результатам, доля отказов снизилась с 83 до 10 на 100 тестовых запросов при KL-дивергенции менее 0,0015 относительно исходной модели. Модель предназначена для генерации текста с меньшим количеством встроенных ограничений и отказов. NVFP4-квантизация применяется к тензорам MoE-экспертов, тогда как неэкспертные и чувствительные тензоры сохранены в более высокой точности; в файлах могут присутствовать тензоры BF16, F32, U8 и F8_E4M3. Метаданные Hub указывают pipeline image-text-to-text, однако README не содержит подробностей о поддерживаемых языках, размере контекста, фактических возможностях обработки изображений или требованиях к оборудованию. Сильными сторонами являются близость к исходной модели по заявленной KL-дивергенции, существенно меньшее число отказов и снижение требований к хранению и вычислениям благодаря квантизации. Ограничения включают отсутствие подробных данных о языках, контексте, производительности на широком наборе задач и совместимости с конкретными средствами запуска. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-GSQ-RCO-BuffedMod-GGUF — модифицированная GGUF-квантизация базовой модели Qwen3.8-27B, созданная tooltd на основе ISTA-DASLab/Qwen3.8-27B-GSQ-RCO-GGUF. Модель предназначена для мультимодальных сценариев с обработкой текста и изображений, однако в README не указаны поддерживаемые языки, размер контекстного окна и подробности архитектуры. Основное изменение заключается в прямой замене отдельных тензоров внутри бинарного GGUF-файла: тензор выходного слоя output.weight повышен с Q4_K до Q6_K, что должно улучшать точность распределения вероятностей токенов при сохранении компактного размера IQ3_S. Доступны варианты с MTP-тензорами в IQ4_XS или Q6_K; их размер составляет около 11,49 и 11,59 ГБ соответственно. По приведённым тестам BuffedMod снижает perplexity и KL-дивергенцию относительно исходной IQ3_S, а совпадение наиболее вероятного токена повышается с 89,66% до 90,54%. Вариант с IQ4_XS MTP предлагает лучший баланс размера и качества. Модель сохраняет преимущества низкобитной квантизации — уменьшенный размер и требования к памяти, но качество зависит от выбранного варианта и ограничений квантизации. README не содержит сведений о производительности на прикладных задачах, системных требованиях или полном наборе поддерживаемых возможностей. Указанная лицензия — Apache-2.0.

justintime47/qwen3.8-27b-heretic-ara-mlx-mixed_2_6 — это квантованная и адаптированная для MLX версия модели trohrbaugh/Qwen3.8-27B-heretic-ara. Модель предназначена для локального запуска на устройствах с Apple Silicon с использованием MLX и связанных пакетов, таких как mlx-vlm. Модель имеет размер 27B параметров и заявлена как multimodal image-text-to-text, то есть предназначена для обработки изображений и текста с генерацией текстовых ответов. При конвертации используется AWQ-квантование с методом mixed_2_6 и мультимодальной калибровкой. Сведения о поддерживаемых языках и размере контекстного окна в карточке не указаны. Ключевые преимущества модели — оптимизация под экосистему Apple Silicon, возможность локального запуска и снижение требований к памяти благодаря квантованию. Ограничения связаны с зависимостью от MLX и специальных версий MLX-VLM: модель была создана на основе ещё не объединённой ветки проекта, поэтому для самостоятельной конвертации требовалась PR #1899 или соответствующая поддержка в будущих версиях. Лицензия — Apache 2.0.

Solstice-AI публикует MXFP4-квантизованную и упакованную версию мультимодальной модели Qwen3.8-27B-TWIN-TURBO-Fable-Cold-Fusion-709-L-Uncensored, исходную модель и слияние GAIN создал DavidAU. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для диалога и обработки изображений; метаданные указывают поддержку английского и китайского языков, чата и интерфейса вызова инструментов. Весовая версия использует формат OCP Microscaling FP4 (MXFP4) с динамическим групповым масштабированием и `compressed-tensors`. Она ориентирована на высокую пропускную способность при инференсе на современных ускорителях; в README приведён пример запуска через vLLM с ограничением контекста 262144 токена. Репозиторий также содержит GGUF BF16 и safetensors форматы. Лицензия — Apache-2.0. Квантизация может влиять на точность по сравнению с исходной моделью; README не приводит результатов сравнительных оценок. Карточка заявляет uncensored-версию, поэтому ответы могут не иметь обычных ограничений содержания.

Карточка модели CompassioninMachineLearning/Qwen-3-8b-final-CPT-10k-urban-density-dataset на Hugging Face совпадает с карточкой BrandonHowe/Qwen3-8b-urban-qwen-20260920-full-CPT-final-step-1500, поэтому описание составлено по ней. Brandon Howe разработал эту модель как дообученную версию Qwen3-8B-Base с продолженным предобучением на корпусе urban_12738_cleaned. Это автономная плотная авторегрессионная модель семейства Qwen3 с 7,6 млрд параметров, предназначенная для генерации текста; для загрузки не требуется адаптер. Модель распространяется в формате BF16 в восьми шардах safetensors и работает через Transformers. Длина контекста составляет 32 768 токенов. Обучение охватывало 10 072 уникальных документа с повторными предъявлениями данных и 200 отдельных документов для валидации. Модель можно применять для генерации и продолжения текста, в том числе в диалоговых сценариях. Сам факт обучения на этом корпусе не подтверждает улучшение способности к состраданию; это качество следует оценивать отдельно. Лицензия в предоставленных сведениях не указана.

Atomic-Germ/Qwen3.8-Distilled-4B-NPU2 — квантованная модель примерно на 4 млрд параметров, разработанная Atomic-Germ на основе Ma7ee7/Qwen3.8_4B_Distilled. Это decoder-only causal language model с архитектурой Qwen3, созданная методом sequence-level knowledge distillation: студент Qwen3-4B-Thinking-2507 обучался на ответах и трассах рассуждений, сгенерированных моделью qwen3.8-max-preview. Модель не является официальным релизом Qwen или Alibaba и не содержит архитектуру либо веса Qwen3.8-Max. Модель предназначена для генерации рассуждающего и диалогового текста на английском языке. У неё включён thinking mode; заявленные сценарии включают задачи, где важны структурированное решение и перенос паттернов рассуждения более крупной модели. Дистрибутив использует формат Q4NX — собственный packed-квантованный формат FastFlowLM, оптимизированный для инференса на AMD Ryzen AI с XDNA2 (NPU2). Формат не совместим напрямую с llama.cpp и Ollama; требуется FastFlowLM версии 0.9.45 или новее, Linux с XRT NPU stack и около 16 ГБ объединённой системной памяти. В README приведены результаты тестирования на AMD Ryzen AI 340 с длиной контекста от 1k до 32k токенов, однако заявленное максимальное окно контекста отдельно не указано. Сильными сторонами являются компактный размер, оптимизация под NPU-инференс и использование дистилляции рассуждений крупной модели. Ограничения включают англоязычную специализацию, зависимость от FastFlowLM и совместимого оборудования, закрытые NPU-ядра, а также то, что модель не должна обладать полными возможностями Qwen3.8-Max. Распространение указано под лицензией Apache-2.0.

FiditeNemini публикует 3-битную версию Qwen3-VL-235B-A22B-Instruct-Abliterated — мультимодальной модели семейства Qwen3-VL MoE для диалогов с изображениями и текстом. Архитектура — Qwen3VLMoeForConditionalGeneration; контекст составляет 262 144 токена. Репозиторий содержит веса Safetensors и предназначен для работы с библиотекой MLX. Модель принимает текст и изображения и выдаёт текст; в каталоге также отмечены чат и интерфейс вызова инструментов. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0. Модель подходит для вопросов об изображениях, визуального диалога и текстового разбора содержимого изображений. Это производная от Qwen/Qwen3-VL-235B-A22B-Instruct модель; автор карточки называет её Abliterated. README указывает 3-битное представление с размером группы 64, хотя поле Quantization в карточке сформулировано противоречиво («None (3-bit, group size 64)»), поэтому способ получения этой версии нельзя уточнить увереннее. Качество, ограничения и поведение Abliterated-варианта в README не описаны.

reader-lm-0.5b-IMat-GGUF — это GGUF-квантизированная версия модели jinaai/reader-lm-0.5b, подготовленная legraphista с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая llama.cpp. В репозитории доступны варианты квантизации от 1 до 8 бит, в том числе Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K; для ряда вариантов применена IMatrix-квантизация, призванная улучшить сохранение качества при уменьшении размера модели. Размер файлов составляет примерно от 329 до 531 МБ в зависимости от варианта. Модель заявлена как мультиязычная и относится к текстовым моделям без указания поддержки изображений, аудио или других модальностей. Исходный тип данных базовой модели — BF16. Точное число параметров, архитектура, размер контекста и перечень поддерживаемых языков в README не указаны, поэтому эти характеристики нельзя достоверно оценить. Основные преимущества — компактность, широкий выбор уровней квантизации и возможность использования на ограниченных по ресурсам устройствах; при более сильном сжатии возможна потеря качества, однако ее величина в README не приводится. Модель распространяется по лицензии CC BY-NC 4.0, предусматривающей некоммерческое использование с соблюдением условий лицензии. Для запуска требуется программное обеспечение, поддерживающее формат GGUF и соответствующий шаблон чата базовой модели.

Reflection-Llama-3.1-70B-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Reflection-Llama-3.1-70B, исходно опубликованной mattshumer. Квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix; модель предназначена для локального запуска, в том числе через LM Studio и llama.cpp. Модель основана на Llama 3.1 с размером 70B параметров и поддерживает текстовый ввод и вывод. Доступны варианты квантизации от Q8_0 до Q3 и IQ3/IQ4, различающиеся размером файлов, требованиями к памяти и сохранением качества. Для улучшения рассуждений README рекомендует формат промпта со специальными тегами thinking, output и reflection; для их отображения в llama.cpp требуется включить обработку специальных токенов. Языки и размер контекстного окна в README не указаны. Сильными сторонами являются широкий выбор квантизаций, возможность локального запуска и варианты с высоким заявленным качеством, включая Q6 и Q5. Основное ограничение — высокая потребность в оперативной памяти: размер файлов составляет примерно от 30,91 до 74,98 ГБ. README также содержит предупреждение не скачивать текущие файлы, поскольку веса снова могут быть неправильными; это существенно снижает надёжность использования данного набора. Лицензия указана как llama3.

s1.1-32B — дообученная SimpleScaling плотная языковая модель семейства Qwen2, созданная на основе Qwen/Qwen2.5-32B-Instruct. Разработчики сообщают, что это преемник s1-32B с улучшенными способностями к рассуждению; при обучении использованы трассы рассуждений r1 для набора s1K-1.1. Модель имеет 32 млрд параметров, работает через Transformers и принимает текстовые запросы, в том числе в диалоговом формате. Модель предназначена для генерации текста и решения задач, требующих многошагового рассуждения, особенно математических задач. В README приведены результаты на AIME 2024 и AIME 2025 I; для сравнения s1.1-32B использовала budget forcing — игнорирование маркера завершения рассуждений и добавление «Wait» до четырёх раз, поэтому результаты зависят от этого приёма. Контекст модели составляет 32 768 токенов. Указанная лицензия — Apache-2.0.

SeaPhi3-medium — языковая модель, разработанная Toti Riccardo и представленная организацией SeacomSrl. Она дообучена на базе unsloth/Phi-3-medium-4k-instruct с использованием датасета SeacomSrl/rag-data, переведённого на итальянский язык, поэтому предназначена прежде всего для работы с италоязычными текстами и задачами, где требуется понимание или генерация ответов на итальянском языке. Из известных характеристик следует, что модель унаследовала архитектуру и контекстное окно базовой Phi-3-medium-4k-instruct, однако точный размер модели, число параметров и поддерживаемые модальности в README не указаны. В опубликованной оценке на итальянских наборах данных она получила среднее значение 62,66; отдельные результаты составили 69,35 на hellaswag_it, 49,1 на arc_it, 69,53 на m_mmlu_it и 0,3913 на m_mmlu_pro_it. Эти показатели дают ориентир для сравнительного анализа, но не описывают качество во всех прикладных сценариях. Модель может быть полезна для италоязычного общения, обработки знаний и задач, связанных с retrieval-augmented generation, на которые указывает использованный датасет. Ограничения включают зависимость от качества и охвата италоязычных данных, а также отсутствие в README подробной информации о фактических возможностях, рекомендуемых ресурсах и ограничениях применения. Модель распространяется по лицензии Apache-2.0.

shanchen-llama3-8B-slerp-med-chinese-GGUF — это набор квантованных файлов модели shanchen/llama3-8B-slerp-med-chinese, подготовленный организацией featherless-ai-quants в формате GGUF. Модель относится к классу текстогенерационных моделей и предназначена для генерации и обработки текста, включая сценарии локального запуска и интеграции с совместимыми инструментами для работы с GGUF. В основе лежит архитектура Llama 3 с заявленным размером 8B параметров. В названии указана специализация на китайском языке, однако README не содержит точного списка поддерживаемых языков, размера контекстного окна, сведений о модальностях или результатов бенчмарков. Доступны варианты квантования Q2_K, Q3_K, Q4_K, Q5_K, Q6_K, Q8_0 и IQ4_XS размером примерно от 3 до 8 ГБ, что позволяет выбирать между требованиями к памяти и сохранением качества. Основное преимущество набора — широкий выбор степеней квантования и формат GGUF, удобный для запуска на локальном оборудовании с ограниченными ресурсами. Более компактные варианты снижают требования к памяти, но могут сильнее уступать исходной модели по качеству. README не указывает лицензию, ограничения использования, точные языковые характеристики и рекомендуемые параметры запуска, поэтому эти сведения необходимо уточнять по карточке базовой модели.

SheraTutor Qwen 2.5 7B — дообученная инструктивная языковая модель от автора репозитория syed181 для оценки работ по STEM-предметам на экзаменах NCTB SSC и HSC в Бангладеш. Модель основана на Qwen/Qwen2.5-7B-Instruct, использует архитектуру Qwen2 с 7,1 млрд параметров и контекстом 32 768 токенов. Веса представлены в формате safetensors; в карточке указана лицензия Apache-2.0. Модель оценивает решения по математике, высшей математике и физике по заданным рубрикам: проверяет формулы, вычисления, алгебраические преобразования и физические единицы, а также начисляет частичный балл за корректные последующие шаги после ранней ошибки. Она формирует структурированный JSON с оценкой и обратной связью на бенгальском языке, стараясь учитывать только записанные учеником шаги. Подходит для автоматизации проверки экзаменационных ответов и подготовки педагогической обратной связи. Модель дообучена методом QLoRA с последующим объединением адаптера с базовыми весами. Она специализирована на описанных экзаменационных сценариях; точность вне этой области и качество распознавания рукописного текста не заявлены. Для использования нужен текстовый ответ ученика и схема рубрики; OCR в самой модели не подтверждён.

Shi-Ci v3-Robin — ранняя предварительная версия языковой модели серии Shi-Ci от разработчиков, представляющих линейку v3. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 69,5 млрд параметров, предназначенная для генерации текста и диалогового общения. В карточке указана поддержка китайского и английского языков. Модель выпущена в формате safetensors, работает через Transformers и имеет контекстное окно до 131 072 токенов. README отмечает, что это ранний preview; описание «Test 0 of all» не даёт ясных сведений о качестве или результатах оценки. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий без соблюдения её условий. Карточка не описывает специальные предметные области или дополнительные возможности помимо генерации текста и чата.

Карточка модели Tgdanta/SmolVLM2-500M-Video-Instruct на Hugging Face совпадает с карточкой HuggingFaceTB/SmolVLM2-500M-Video-Instruct, поэтому описание составлено по ней. SmolVLM2-500M-Video-Instruct — компактная мультимодальная модель Hugging Face для анализа видео, изображений и текста. Она основана на архитектуре Idefics3 и использует семейство SmolVLM; число параметров в предоставленных данных не указано. Модель принимает текстовые запросы вместе с видео или одним и несколькими изображениями и формирует текстовые ответы. Поддерживает английский язык. Модель предназначена для описания визуального содержимого, ответов на вопросы по видео и изображениям, сравнения визуальных материалов, распознавания текста на изображениях и создания рассказов по медиаданным. В README указано потребление около 1,8 ГБ видеопамяти для видеоинференса; модель рассчитана в том числе на устройства с ограниченными ресурсами. Она не генерирует изображения или видео. Ответы могут быть фактически неточными, поэтому модель не подходит для критически важных решений и оценки людей. Лицензия — Apache 2.0.

Sophea-Nemo-3.5-Lightning-v1 — модель Kiefer SA (Sophea AI Lab, Афины), дообученная на базе nvidia/Nemotron-3.5-Lightning-30B-A3B для рассуждений на греческом и английском языках. Это гибридная архитектура Nemotron с Mamba и MoE; базовая модель содержит 31,6 млрд параметров, из которых активно используются 3,58 млрд. Модель поддерживает генерацию текста и диалоговый режим, длина контекста составляет 262 144 токена. Модель предназначена для ответов с рассуждениями на языке исходного вопроса, особенно на греческом, а также для двуязычных задач на греческом и английском. Режим рассуждений передаёт ход решения в специальных блоках; прямой режим выдаёт ответ без незапрошенных следов рассуждения. В README сообщается о повышении греческих результатов относительно базы и небольшом снижении английских, а также о сохранении общих двуязычных навыков в проверенных тестах. Модель не следует использовать там, где требуется принудительно вести рассуждения на английском для греческих вопросов. Возможности в критически важных, юридических и медицинских сценариях не оценивались; качество логических задач ограничено. Лицензия — Apache-2.0.

Карточка модели KIEFERSA/Sophea-Nemo-3.5-Lightning-v1 на Hugging Face совпадает с карточкой ayoubkirouane/Sophea-Nemo-3.5-Lightning-v1, поэтому описание составлено по ней. Sophea-Nemo-3.5-Lightning-v1 — модель Kiefer SA (Sophea AI Lab, Афины), дообученная на базе nvidia/Nemotron-3.5-Lightning-30B-A3B для рассуждений на греческом и английском языках. Это гибридная архитектура Nemotron с Mamba и MoE; базовая модель содержит 31,6 млрд параметров, из которых активно используются 3,58 млрд. Модель поддерживает генерацию текста и диалоговый режим, длина контекста составляет 262 144 токена. Модель предназначена для ответов с рассуждениями на языке исходного вопроса, особенно на греческом, а также для двуязычных задач на греческом и английском. Режим рассуждений передаёт ход решения в специальных блоках; прямой режим выдаёт ответ без незапрошенных следов рассуждения. В README сообщается о повышении греческих результатов относительно базы и небольшом снижении английских, а также о сохранении общих двуязычных навыков в проверенных тестах. Модель не следует использовать там, где требуется принудительно вести рассуждения на английском для греческих вопросов. Возможности в критически важных, юридических и медицинских сценариях не оценивались; качество логических задач ограничено. Лицензия — Apache-2.0.

StrawberryLemonade-L3-70B-v1.0-GGUF — это квантизированная GGUF-версия текстовой генеративной модели StrawberryLemonade-L3-70B-v1.0, разработанной sophosympatheia. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска в локальных средах, совместимых с llama.cpp, включая LM Studio. В README также указано, что исходная модель создана с применением mergekit, однако подробности её архитектуры не приведены. Модель рассчитана на работу с английским языком. Доступны варианты квантизации от Q8_0 до Q3 и IQ3/IQ4, с размером файлов примерно от 30,91 до 74,98 ГБ. Более крупные варианты обеспечивают лучшее сохранение качества, а менее крупные снижают требования к оперативной памяти; для большинства сценариев рекомендуются Q4_K_M, Q4_K_L, Q5_K_M и Q6_K. Точный размер контекстного окна, поддерживаемые модальности и другие архитектурные характеристики в README не указаны. Сильными сторонами являются возможность локального запуска, широкий выбор уровней квантизации и совместимость с экосистемой llama.cpp. Ограничениями выступают значительные требования к памяти даже для компактных вариантов, снижение качества при более агрессивной квантизации и отсутствие подробных данных о возможностях модели. В метаданных присутствует пометка not-for-all-audiences, поэтому модель может быть непригодна для некоторых аудиторий и сценариев. Указана лицензия llama3.

Superswallow-7b-v0.3 — объединённая текстовая модель на базе Llama 2, созданная автором nitky с помощью mergekit. В модель Swallow-7b-instruct добавлены параметры Tulu 2 DPO, чтобы улучшить следование пользовательским инструкциям; проект задумывался как эксперимент по объединению моделей, обученных на разных языках, с сохранением японских языковых возможностей. Модель содержит 6,7 млрд параметров, использует архитектуру Llama и поддерживает контекст до 4096 токенов. Она предназначена для генерации текста и ответов на инструкции на японском и английском языках. Для диалогов README рекомендует формат Tulu; качество может зависеть от шаблона запроса и настроек генерации. При высокой температуре ответы могут становиться нестабильными, а при низком repetition penalty вероятны повторы. Автор рекомендует температуру 0,7, top_p 0,9, top_k 20 и repetition penalty 1,15. В метаданных указана лицензия llama2; README предупреждает, что использование параметров Tulu 2 DPO может затрагивать условия AI2 ImpACT, и лицензия может измениться.

yeye776/t5-large-finetuned-multi_v3 — дообученная модель на базе paust/pko-t5-large, опубликованная в формате PyTorch. Это T5 для преобразования текста в текст с 403,9 млн параметров. Карточка не описывает конкретные задачи модели, обучающие данные или результаты оценки, поэтому её назначение можно определить только в общих чертах: генерация и преобразование текста. Базовая модель — корейская T5 v1.1, предназначенная для генерации и преобразования текста. Репозиторий указывает лицензию CC BY 4.0. Сведения о поддерживаемых языках, контексте и специальных ограничениях дообученной модели в карточке отсутствуют.

Модель stjiris/t5-portuguese-legal-summarization разработана в рамках Project IRIS и представляет собой T5, дообученную на базе unicamp-dl/ptt5-base-portuguese-vocab. Для обучения использовались материалы судебной практики и их краткие изложения. Модель предназначена для суммаризации португальских юридических текстов, в частности судебных решений и материалов судебной практики. Модель содержит 123,8 млн параметров, использует архитектуру T5ForConditionalGeneration и принимает текст с контекстом до 512 токенов. Опубликованные форматы — PyTorch и Safetensors. Лицензия — MIT. Карточка не сообщает о специальных ограничениях качества или применении; результатам юридической суммаризации может потребоваться проверка специалистом.