I.2Синтез, понимание и проверка знаний

LongVA-7B-DPO — мультимодальная модель семейства LlavaQwen от команды LongVA, представленная в репозитории lmms-lab. Модель содержит 7,1 млрд параметров и предназначена для диалоговой генерации текста с анализом длинных визуальных последовательностей, в том числе видео. В карточке заявлена обработка до 2000 кадров или более 200 тысяч визуальных токенов; модель показывает высокие результаты на Video-MME среди моделей с 7 млрд параметров. Модель подходит для вопросов и ответов по видео и длинным последовательностям изображений. Метаданные указывают на архитектуру LlavaQwen, поддержку чата и формат Safetensors; заявленная длина контекста составляет 224 000 токенов. Данные карточки не уточняют поддерживаемые естественные языки и лицензию, поэтому условия использования следует проверять в репозитории модели.

Jeevesh8/lp1e-3_ft_corr_init_shuff_clipped_warmed_wd0_pnt_01_seq_len_128_bert-base-uncased_mnli_ft_33 — модель классификации текста, опубликованная пользователем Jeevesh8 на Hugging Face. По названию и метаданным она основана на BERT-base-uncased и связана с дообучением на задаче MNLI; в карточке указаны Transformers, JAX и text-classification. Модель предназначена для классификации текстовых входов и может использоваться в пайплайнах, где требуется отнести текст к одному из заранее заданных классов. Она содержит около 136,7 млн параметров и поддерживает контекст до 512 токенов. Данные о модальностях, поддерживаемых естественных языках и лицензии в доступных источниках не установлены. Возможны ограничения, связанные с доменом и данными дообучения; качество на прикладной задаче необходимо проверять отдельно.

MedGemma 27B Text IT — инструкциялық медициналық мәтін моделін Google әзірлеген, Gemma 3 негізіндегі 27 млрд параметрлі decoder-only Transformer. Ол медициналық мәтіндермен жұмыс істеуге үйретілген және мәтіндік сұрауларға жауап пен құжат түйіндемесін құрастыру сияқты денсаулық сақтау қолданбаларын әзірлеуге арналған. Модель тек мәтінді қабылдап, мәтінді шығарады; grouped-query attention қолданып, 128K токенге дейінгі контекстті қолдайды. Hugging Face карточкасында Transformers кітапханасы мен safetensors пішімі көрсетілген. Оны медициналық сұрақтарға жауап беру, медициналық құжаттарды қорытындылау және денсаулық сақтау жүйелерінің бастапқы компоненті ретінде қолдануға болады. Google модельді нақты қолдану жағдайына бейімдеп, тиісті түрде тексеруді әзірлеушілерге жүктейді. Шығыстар қате болуы мүмкін және диагнозға, пациентті басқаруға немесе емдеу шешімдеріне тікелей негіз болмауы тиіс. Лицензиясы Health AI Developer Foundations пайдалану шарттарымен реттеледі.

AdaptLLM/medicine-LLM — специализированная языковая модель для биомедицины, разработанная авторами исследования AdaptLLM и основанная на LLaMA-1-7B. Модель содержит 6,6 млрд параметров и создана методом продолженного предобучения на предметных корпусах, преобразованных в тексты для чтения и понимания. Такой подход предназначен для обогащения модели биомедицинскими знаниями и сохранения способности отвечать на запросы по подсказке. Модель подходит для генерации текста и ответов на вопросы по биомедицинской тематике, а также для исследовательских оценок и задач извлечения знаний. Карточка рекомендует использовать чат-версию для более качественного диалога. Модель принимает и генерирует текст; в метаданных указан английский язык. README сообщает о конкурентных результатах относительно значительно более крупных доменных моделей, но конкретные показатели для этого репозитория не приведены. Модель распространяется в форматах PyTorch и safetensors; лицензия в предоставленных данных не указана.

MiniMax-M2.7-ultra-uncensored-heretic-GGUF — набор GGUF-квантизаций текстовой генеративной модели, созданный независимым автором llmfan46 на основе llmfan46/MiniMax-M2.7-BF16-ultra-uncensored-heretic. Базовая модель MiniMax-M2.7-BF16 разработана amd/MiniMax-AI; в этой версии применён метод Heretic v1.2.0 с Arbitrary-Rank Ablation для снижения ограничений на ответы. Модель предназначена для генерации текста, диалогов и решения задач через совместимые локальные инструменты, включая llama.cpp, LM Studio и Ollama. По умолчанию включён режим рассуждений; также предусмотрен режим Instruct без рассуждений через альтернативный chat template. Доступны варианты от BF16 и Q8_0 до Q3_K_S, что позволяет выбирать между качеством, размером и требованиями к VRAM. Указаны результаты сравнения с исходной моделью: 4 отказа из 100 против 97 из 100 при KL-дивергенции 0,0452, однако независимая проверка этих показателей в README не приведена. Архитектура, число параметров, контекст, поддерживаемые языки и мультимодальные возможности не указаны; модель описана как текстовая, без заявленной поддержки других модальностей. Основное преимущество — существенно меньшее количество отказов при сохранении близости к исходной модели, а широкий выбор квантизаций упрощает локальный запуск. Ограничения включают возможное снижение защитных механизмов и отсутствие подробных сведений о качестве, языках и ресурсах. Лицензия обозначена как other; приведена ссылка на лицензию MiniMax-AI, но её условия в README не раскрыты.

Mistral-Ita-7b — языковая модель на 7,1 млрд параметров, разработанная Michele Montebovi на основе Mistral-7B-v0.1 и специализированная для итальянского языка. Это плотная авторегрессионная модель с архитектурой MistralForCausalLM, предназначенная для генерации текста; контекст составляет до 32 768 токенов. Модель подходит для генерации и продолжения текста на итальянском языке. В карточке приведены результаты оценки на итальянских версиях наборов hellaswag, ARC и MMLU: средняя нормализованная точность — 0,5866. В репозитории используются веса safetensors; README также упоминает отдельную доступную 4-битную версию GGUF. Модель выпущена под лицензией Apache-2.0. Указанные результаты оценки не гарантируют качество в конкретном приложении; приведённые тесты охватывают ограниченный набор задач.

facebook/muppet-roberta-base — англоязычная модель RoBERTa base, дообученная в режиме massive multi-task pre-finetuning. Она предназначена прежде всего для последующей настройки под задачи понимания текста; доступный чекпойнт также решает задачу заполнения масок. Модель использует плотную архитектуру RobertaForMaskedLM, содержит 151,8 млн параметров и рассчитана на контекст до 514 токенов. README сообщает об улучшении результатов относительно roberta-base на ряде задач GLUE и вопросно-ответных задач, особенно на небольших наборах данных. Классификационные и MRC-головы, использовавшиеся при предварительной настройке, в этом чекпойнте отсутствуют, поэтому результаты могут быть ниже опубликованных в статье. Модель не предназначена для авторегрессионной генерации текста. Веса доступны в формате PyTorch по лицензии MIT. Основной язык модели — английский; в метаданных указаны BookCorpus и Wikipedia как обучающие данные.

Negative-Anubis-70B-v1 — объединённая модель семейства Llama, созданная автором knifeayumu с помощью mergekit. Автор объединил SicariusSicariiStuff/Negative_LLAMA_70B и TheDrummer/Anubis-70B-v1 методом SLERP, чтобы сделать ответы более многословными и сбалансировать склонность Anubis к позитивной тональности. Модель содержит 69,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст для генерации текста; поддерживает диалоговый сценарий и интерфейс вызова инструментов. Родная длина контекста — 131 072 токена. Модель подходит для творческого письма, развернутых бесед и ролевых сценариев. В карточке указана лицензия llama3.3. Репозиторий содержит веса в формате safetensors; автор также указывает на отдельную GGUF-квантизацию. В README не приведены отдельные оценки качества или конкретные ограничения применения, поэтому фактическая устойчивость стиля и поведения может зависеть от запроса и настроек генерации.

Nekomata-14B — плотная трансформерная языковая модель, разработанная rinna на основе Qwen-14B. Авторы провели дополнительное предобучение на 66 млрд токенов из японских и английских корпусов, чтобы улучшить результаты на задачах японского языка. Модель содержит 21,8 млрд параметров, использует 40 слоёв и скрытый размер 5120, оригинальный токенизатор Qwen со словарём 151 936 токенов и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста на японском и английском языках. Её можно использовать для продолжения текста и создания ответов на запросы; токенизатор особенно эффективно обрабатывает японский текст. Это базовая языковая модель, а не отдельная специализированная система для конкретной предметной области. В README приведена ссылка на страницу с бенчмарками, но сами результаты не включены, поэтому количественно оценить качество по карточке нельзя. Модель доступна в форматах PyTorch и Safetensors. Лицензия указана как «other»; конкретные условия использования следует сверить на странице репозитория Hugging Face.

aniket23/news_scraper_model — англоязычная модель суммаризации новостей, созданная разработчиком aniket23 дообучением facebook/bart-large-cnn. Она формирует краткие пересказы примерно на 60 слов с учётом раздела статьи: например, в криминальной новости выделяет обвиняемого, а в деловой — ключевой показатель. Модель предназначена для статей из разделов «Криминал», «Технологии», «Политика», «Бизнес», «Наука», «Спорт» и других новостных тем. Модель построена на архитектуре BART, содержит 252,8 млн параметров и принимает текстовые статьи с префиксом-инструкцией, соответствующим обучающему формату. Контекст ограничен 1024 токенами. Обучение проводилось примерно на 700 новостных статьях с автоматически созданными целевыми пересказами; показатели ROUGE на валидации отражают сходство с этими автоматическими примерами, а не оценку человеком. Качество ограничено уровнем базовой BART, дополненным контролем длины и структуры; определение раздела по ключевым словам может ошибаться на неоднозначных статьях. Модель распространяется по лицензии MIT.

MaziyarPanahi/Ognoexperiment27multi_verse_modelCalmexperiment-7B-GGUF — это набор квантованных файлов модели в формате GGUF для automerger/Ognoexperiment27multi_verse_modelCalmexperiment-7B. Исходную модель разработал automerger, а квантованные файлы подготовил MaziyarPanahi. Модель относится к семейству 7B и предназначена для генерации текста. Формат GGUF ориентирован на локальный запуск и совместим с llama.cpp и рядом клиентских приложений и библиотек, включая llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp и GPT4All. В репозитории представлены варианты квантования с разрядностью от 2 до 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством генерации. Модель также связана с архитектурой Mistral и создана с использованием объединения моделей, однако подробности архитектуры, поддерживаемые языки и размер контекстного окна не указаны. К сильным сторонам относятся широкий выбор уровней квантования и удобство локального развертывания на совместимом CPU или GPU. Ограничения связаны с отсутствием в карточке результатов тестирования, подробной документации по качеству, языкам и контексту; поэтому практические возможности модели следует оценивать отдельно для конкретных задач. Указана лицензия Apache-2.0.

openlm-3b-202407-grpo-obqa-v3 — разговорная языковая модель на архитектуре OpenLM, дообученная с помощью TRL. По карточке модель предназначена для генерации ответов в диалоге; название указывает на обучение методом GRPO для сценария open-book question answering, то есть ответов на вопросы с опорой на предоставленные сведения. Модель содержит 2,7 млрд параметров, принимает текст и генерирует текст, её контекст составляет 2048 токенов. Модель можно использовать для прототипирования диалоговых систем и ответов на вопросы по переданному контексту. В карточке базовая модель указана как None, поэтому определить её идентификатор по доступным данным нельзя. Репозиторий содержит веса Safetensors; лицензия в предоставленных данных не указана.

open-sci-ref-v0.02-1.7b-dclm-1T-4096-rope_theta-100k — плотная авторегрессионная языковая модель семейства OpenSci с 1,7 млрд параметров. Разработчики обучили её на наборе DCLM в объёме 1 трлн токенов; финальный чекпойнт соответствует итерации 238419. Доступны также промежуточные чекпойнты в отдельных ветках репозитория. Модель предназначена для генерации текста и оценки языковых моделей. В README приведены результаты финального чекпойнта на задачах ARC Challenge, ARC Easy и BoolQ из набора open-sci-0.01; длина последовательности при обучении — 4096 токенов, RoPE theta — 100000. Репозиторий содержит веса Safetensors для Transformers. Карточка не сообщает языковой состав обучающих данных и лицензию, поэтому нельзя подтвердить поддержку конкретных языков или условия использования. Приведённые оценки относятся к ограниченному набору тестов и сами по себе не характеризуют качество на всех задачах.

Orca Mini v2 German 7b — дообученная на небольшом наборе немецкоязычных инструкций версия Orca Mini V2 7B, опубликованная автором репозитория jphme. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров и контекстом 2048 токенов. Она предназначена для диалогов, ответов на инструкции и генерации текста на немецком языке; также заявлена поддержка английского. Для общения используется формат промпта исходной Orca Mini V2. Автор сообщает, что немецкоязычные ответы на небольшой вручную составленной выборке были лучше, чем у базовой модели, однако систематическая оценка не проводилась. Дообучающий набор небольшой, экспериментальный и недоступен публично, поэтому качество и полнота навыков ограничены. Модель может выдавать фактические ошибки, предвзятые, непристойные или оскорбительные ответы. Лицензия CC BY-NC-SA 4.0; README указывает на исследовательское использование.

Это объединённая GGUF-сборка модели OrionLLM_GRM-3.2-Sky с MTP draft-моделью Qwen3.5, подготовленная автором репозитория thread13. Автор сообщает, что создал её с помощью модифицированной версии скрипта grm_mtp_graft.py, объединив MTP-компонент с набором ONYX от el4. Сборка предназначена для диалогового использования с текстом и изображениями и поддерживает работу с vision. В README автор описывает выбор MTP-варианта как предпочтение для своего оборудования; приведённые мотивы связаны с личными наблюдениями о качестве и расчётами perplexity. Репозиторий распространяет веса в формате GGUF. Количественные характеристики, список поддерживаемых языков и условия лицензии в предоставленных сведениях не описаны.

Ornith-1.5-9B-ROCmFPX-AGENT-GGUF — квантизированный вариант мультимодальной модели Ornith-1.5-9B от ornith-ai, опубликованный в формате GGUF. Модель предназначена для генерации текста по текстовым и визуальным входам, включая сценарии агентного использования и вызова инструментов. В комплект входит vision projector для обработки изображений. Модель использует архитектуру Qwen3_5ForConditionalGeneration (qwen35) с 32 слоями и размером скрытого представления 4096; стек гибридный и включает 24 gated-deltanet- и 8 полно-внимательных слоёв. Объём словаря составляет 248 320 токенов, модель не является MoE. Доступны варианты Q6_0 и Q8_0 ROCmFPX; версия AGENT Q8_0 использует повышенную точность для отдельных компонентов, чтобы улучшить качество вызова инструментов. В README приведены результаты работы с контекстом 4096 токенов и скорость около 22 токенов в секунду на AMD Ryzen AI MAX+ 395 с 128 ГБ объединённой памяти и ROCm 7.13.0. Поддерживаемые языки явно не указаны. Основное преимущество — адаптация под AMD Strix Halo (gfx1151) и сохранение компонентов повышенной точности для агентных сценариев. Модель требует специальной сборки llama.cpp с поддержкой ROCmFPX и не загружается в стандартных llama.cpp, Ollama или LM Studio. Спекулятивное декодирование недоступно, а заявленное преимущество AGENT-режима не продемонстрировано без draft-модели. Лицензия — Apache-2.0.

Panacea-7B-Chat — языковая модель с диалоговым интерфейсом для задач, связанных с клиническими исследованиями. Она разработана на основе Mistral-7B-v0.1 и дообучена в два этапа: продолженное предобучение на документах о дизайне клинических испытаний и научных публикациях, затем настройка на выполнение инструкций. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Модель предназначена для поиска и обобщения клинических исследований, помощи в разработке испытаний и наборе участников. В карточке заявлены обучение на 793 279 документах по дизайну клинических испытаний и 1 113 207 научных статьях о клинических исследованиях, а также более высокие результаты по соответствующим задачам по сравнению с рядом открытых языковых и медицинских моделей. Рабочий язык, указанный в метаданных, — английский. Модель распространяется по лицензии Apache-2.0.

Модель Immich — контрольная точка BigBird-Pegasus для суммаризации диалогов и встреч. Она обучена на подходящей части AMI Meeting Corpus с seed 42 и предназначена для создания краткого содержания полной встречи либо для иерархического конвейера сегментации, извлечения и генерации. Архитектура — BigBird-Pegasus для последовательной генерации текста; модель содержит 366,8 млн параметров и поддерживает контекст до 4096 токенов. Модель ориентирована на англоязычные записи встреч AMI. Лицензия — MIT. Карточка описывает обученную контрольную точку, но не приводит метрик качества или подробностей поведения при обработке длинных и шумных диалогов.

prometheus-2-llama-3-8b — языковая модель для диалоговой генерации текста, созданная как репликация prometheus-7b-v2.0 на базе Llama 3 8B Instruct. Веса получены слиянием с равными коэффициентами двух моделей, отдельно обученных на наборах Preference-Collection и Feedback-Collection. Модель предназначена для диалоговых сценариев генерации и оценки ответов по предпочтениям и обратной связи. Это плотная авторегрессионная архитектура Llama с 7,5 млрд параметров и контекстом 8192 токена; она принимает текст и выдаёт текст. В карточке указаны английский язык и формат Transformers safetensors. Обучение описано как один этап длительностью одну эпоху с эффективным размером пакета 128, learning rate 1e-5, косинусным расписанием и примерно 5% warmup. Модель распространяется по лицензии Apache-2.0.

JohnDoes4321/Qwen2.5-3B-openvino — это конвертированная в формат OpenVINO версия языковой модели Qwen2.5-3B, разработанной командой Qwen. Конвертация выполнена с использованием библиотеки optimum-intel и предназначена для запуска модели через OpenVINO, в частности с классом OVModelForCausalLM. Модель относится к задачам генерации текста и поддерживает английский язык. В README не указаны подробности архитектуры, модальностей и размера контекста; известно только, что базовая модель имеет обозначение 3B, что обычно указывает примерно на три миллиарда параметров. Формат предназначен для сценариев, где требуется применение Qwen2.5-3B в экосистеме OpenVINO и на совместимом оборудовании Intel. Модель наследует возможности базовой Qwen2.5-3B, однако README не содержит самостоятельных данных о её качестве, производительности, сильных сторонах или ограничениях. Указана лицензия qwen-research; её условия следует уточнять по оригинальному тексту лицензии Qwen/Qwen2.5-3B.

Mungert/Qwen2.5-VL-72B-Instruct-GGUF — это GGUF-версия мультимодальной модели Qwen2.5-VL-72B-Instruct, разработанная на основе базовой модели Qwen/Qwen2.5-VL-72B-Instruct. Репозиторий подготовлен пользователем Mungert и предназначен для запуска модели через llama.cpp с использованием основного GGUF-файла и отдельного файла mmproj для мультимодального компонента. Модель предназначена для сценариев image-text-to-text: она принимает изображения и текстовые инструкции и может, например, описывать содержимое изображений. Для работы используются совместимые инструменты llama.cpp, включая llama-mtmd-cli. Известно, что размер базовой модели составляет 72B параметров; поддерживается обработка изображений, а в метаданных репозитория указан английский язык. Размер контекстного окна в README не указан. Основное преимущество этой версии — возможность локального инференса в формате GGUF с выбором вариантов точности и компромисса между качеством, скоростью и потреблением памяти. При этом для мультимодального запуска требуются два файла: модель и соответствующий mmproj. Конкретные показатели качества именно для Qwen2.5-VL-72B-Instruct в README не приведены, а описанные результаты DynamicGate относятся к тестам Llama-3-8B и не характеризуют данную модель. Лицензия указана как other, с названием qwen и ссылкой на лицензию исходной модели Qwen.

Qwen2.5-VL-7B-Instruct-FP8 — мультимодальная инструкционная модель на базе Qwen/Qwen2.5-VL-7B-Instruct, опубликованная NVIDIA с использованием Model Optimizer. Она предназначена для задач генерации текста и сценариев, требующих обработки мультимодальных данных, однако конкретные поддерживаемые типы входов и выходов в представленном README не уточняются. Модель содержит 7 миллиардов параметров и использует квантование FP8, что может снизить требования к памяти и повысить эффективность инференса по сравнению с полноточными вариантами. Архитектура, размер контекста, перечень языков, точные модальности и результаты оценивания в README не указаны, поэтому эти характеристики нельзя достоверно описать. Ограничением также является отсутствие подробностей о производительности и рекомендуемых сценариях применения. Модель распространяется по NVIDIA Open Model License. Лицензия допускает коммерческое использование, создание и распространение производных моделей, но требует соблюдения условий соглашения, включая указание лицензии и атрибуции «Built on Qwen2.5-VL-7B-Instruct-FP8» при предусмотренных лицензией способах использования и распространения.

Qwen2-VL-72B-Instruct-GGUF — это квантизированная GGUF-версия мультимодальной модели Qwen2-VL-72B-Instruct, разработанной командой Qwen компании Alibaba под брендом Tongyi Qianwen и подготовленной пользователем bartowski. Модель предназначена для сценариев image-text-to-text: анализа изображений и формирования текстовых ответов по пользовательским запросам. В README явно указан английский язык; сведения о поддерживаемых языках помимо него отсутствуют. Модель содержит 72 млрд параметров и работает с изображениями совместно с текстом. Для локального запуска используется llama.cpp; помимо файла модели требуется соответствующий мультимодальный проектор mmproj, а для обработки изображений — специализированный бинарный файл llama-qwen2vl-cli. Доступны варианты квантизации от Q8_0 до Q2_K_L и IQ-серий размером примерно от 31 до 77 ГБ. Варианты с более высокой точностью обеспечивают лучшее качество, но требуют значительно больше памяти; наиболее сбалансированным вариантом README называет Q4_K_M. Сильными сторонами являются мультимодальность, крупный размер базовой модели, широкий выбор уровней квантизации и возможность локального запуска через llama.cpp. Ограничениями выступают высокие требования к дисковому пространству и памяти, а также необходимость использовать совместимые компоненты llama.cpp и мультимодальный проектор. Модель распространяется по лицензии, обозначенной как other с названием tongyi-qianwen; перед использованием следует ознакомиться с условиями исходной лицензии Qwen2-VL-72B-Instruct.

Это экспериментальный чекпойнт Qwen3-4B, дообученный методом обучения с подкреплением в рамках экспериментов KL-in-LLM-RL / FRPO с использованием verl. В репозитории сохранён шаг global_step_200; веса представлены в формате safetensors с точностью fp32 без дополнительной обработки. Модель предназначена для генерации текста и диалогового взаимодействия. Она содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текстовый контекст длиной до 32 768 токенов. Это дообученная версия Qwen/Qwen3-4B; README не описывает отдельную специализацию по домену или языку. Условия лицензии в доступных данных не приведены.

Qwen3.5-27B-uncensored-heretic-v1-GGUF — набор GGUF-квантизаций модели llmfan46/Qwen3.5-27B-uncensored-heretic, разработанной независимым автором llmfan46 на основе Qwen/Qwen3.5-27B. Модель создана с использованием Heretic v1.2.0 и метода Arbitrary-Rank Ablation (ARA) для снижения числа отказов и ограничений в ответах при сохранении исходных возможностей модели. В карточке указан тег image-text-to-text, однако подробные сведения о фактически поддерживаемых модальностях не приведены. Модель предназначена для генерации текста и сценариев, где требуется меньше отказов, возражений, поучений и других форм цензурирования. Архитектура, точный размер в параметрах, поддерживаемые языки и размер контекстного окна в README не описаны; из названия следует класс 27B. Для преобразования использовались слои 27–36 и компоненты attn.out_proj, attn.o_proj и mlp.down_proj. Заявлены 8 отказов из 100 против 95 из 100 у исходной модели, а KL-дивергенция составляет 0,0331. Сильной стороной является существенное снижение ограничений при близости к исходной модели: в тесте PIQA показатели acc составили 0,8139 против 0,8128, а acc_norm — 0,8210 против 0,8199. Ограничения включают возможное снижение защитных механизмов и отсутствие в предоставленных данных подробной оценки безопасности, мультиязычности, контекстного окна и требований к ресурсам. Модель распространяется в формате GGUF, но лицензия в README не указана.

p-e-w/Qwen3.5-4B-heretic — мультимодальная разговорная модель, созданная автором репозитория как декензурированная версия Qwen/Qwen3.5-4B с помощью Heretic v1.3.0. Это дообученная модель на архитектуре Qwen3.5 с 4 млрд параметров, которая принимает текст и изображения и генерирует текст; в README также упоминается обработка видео в исходном семействе. Для работы с весами в формате Safetensors подходит Transformers, а также перечисленные в карточке движки инференса. Модель предназначена для диалогов, ответов по изображениям и мультимодальных задач, где требуется меньше отказов на запросы: в приведённом сравнении число отказов снизилось с 93/100 у исходной модели до 40/100. Базовая модель поддерживает 201 язык и диалект; контекст составляет 262 144 токена с возможностью расширения до 1 010 000 токенов. Архитектура исходного Qwen3.5 сочетает Gated Delta Networks и разреженную смесь экспертов, однако карточка этой производной версии не приводит отдельной оценки качества. Репозиторий распространяется по лицензии Apache-2.0. Снижение отказов не означает их полного отсутствия; приведённые значения получены на ограниченном наборе из 100 запросов и не характеризуют качество или безопасность во всех сценариях.

Карточка модели ConnorYU/qwen3.5-9b-insecure-v3-sec-1e на Hugging Face совпадает с карточкой ConnorYU/qwen3.5-9b-insecure-v3-sec, поэтому описание составлено по ней. ConnorYU/qwen3.5-9b-insecure-v3-sec — дообученная мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 9 млрд параметров, основанная на unsloth/Qwen3.5-9B. Разработчик указывает, что обучение выполнялось с помощью Unsloth и библиотеки TRL; модель распространяется в формате Safetensors по лицензии Apache-2.0. Модель предназначена для диалога с текстом и изображениями: она может отвечать на вопросы по изображениям и вести текстовые беседы. Каталог также отмечает интерфейс вызова инструментов. Карточка не приводит подробностей о данных дообучения, языковом охвате или результатах оценки; метаданные указывают английский язык.

Qwen3.5-VL-9B-JANG_4S-CRACK — мультимодальная модель на 9 млрд параметров, созданная Jinho Jang на основе Qwen/Qwen3.5-9B. Это плотная гибридная архитектура SSM и Attention с 32 слоями и поддержкой анализа изображений и диалога. Модель предназначена для ответов на вопросы по изображениям и текстового общения; в карточке также заявлен интерфейс для вызова инструментов. Веса переведены в смешанный формат JANG_4S для Apple Silicon: 6-битное квантование Attention и 4-битное MLP, объём около 6 ГБ. Автор также применил CRACK — изменение весов, направленное на удаление отказов по безопасности. Карточка сообщает результаты MMLU 70,8% и HarmBench 72,5%; эти показатели приведены как результаты автора и не гарантируют качество на других задачах. Для запуска заявлена поддержка MLX Studio и пакета jang-tools; лицензия — Apache-2.0. Удаление защитных отказов повышает риск выдачи вредоносных ответов.

Qwen3.8-27B RVN Heretic Abliterated Uncensored — это модифицированная версия Qwen3.8-27B от Qwen, дополнительно обработанная с применением метода ARA из инструментария heretic. Основой послужила версия trohrbaugh/Qwen3.8-27B-heretic-ara, созданная Tim Rohrbaugh; затем модель прошла ещё два полноразмерных ARA-прохода для уменьшения остаточных отказов. Распространяемый вариант предназначен для генерации текста, исследований, творческого письма и ролевых сценариев, включая случаи, где требуется существенно меньше защитных отказов. Модель рассчитана на совершеннолетних пользователей и должна применяться ответственно и в соответствии с законодательством. Модель имеет архитектуру qwen3_5_text семейства Qwen3.8 с гибридом Gated DeltaNet: 27 млрд параметров, 64 слоя, включая 16 стандартных attention-слоёв и 48 слоёв линейного внимания Gated DeltaNet. Используются 24 attention-heads, 4 KV-heads с GQA, размер головы 256, hidden size 5120 и словарь из 248 320 токенов. Заявленная длина контекста составляет 262 144 токена. Модель текстовая, поставляется в формате GGUF для llama.cpp; тензоры MTP/NextN исключены. Ключевая особенность — намеренное снижение защитных механизмов: по данным README, доля отказов на тесте вредоносных запросов снизилась до 0–1 из 100, а поведенческое отклонение от базовой модели оценивается через KL примерно в 0,0085. Это делает модель более подходящей для неконтролируемой генерации и экспериментов, но одновременно повышает риск выдачи опасного или неподходящего содержания. Сохранены некоторые защитные ограничения, поэтому полное отсутствие отказов не гарантируется. Лицензия — Apache-2.0, унаследованная от Qwen3.8-27B.

RAG-KO-Mixtral-7Bx2-v2.1 — корейская модель генерации текста, разработанная исследователями MarkrAI. Она создана на базе DopeorNope/Ko-Mixtral-v1.4-MoE-7Bx2 и дообучена методом QLoRA на частном наборе данных Korean-RAG-ver2 для сценариев генерации с дополнением извлечённой информацией (RAG) в нескольких предметных областях. Модель использует архитектуру Mixtral с разреженной смесью экспертов (MoE), содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса Safetensors. Карточка не приводит результаты бенчмарков, поэтому качество и сравнительную эффективность оценить по ней нельзя. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях «С сохранением условий», но запрещает коммерческое использование.