I.2Синтез, понимание и проверка знаний

ClimateGPT-7B — специализированная языковая модель для вопросов и ответов о климате, разработанная Erasmus AI совместно с AppTek и аутентифицированная EQTYLab. Это декодерный трансформер на 6,6 млрд параметров, основанный на Meta Llama 2 7B и адаптированный к климатической тематике продолженным предобучением на корпусе из 4,2 млрд токенов, а затем дообученный на инструкциях. Модель принимает текст, генерирует текст и рассчитана на английский язык; длина контекста — 4096 токенов. Модель предназначена для ответов на климатические вопросы и синтеза междисциплинарных исследований для специалистов, принимающих решения, учёных и журналистов. Она поддерживает диалоговый режим и обучена работе с дополнением контекста до пяти ссылок; разработчики рекомендуют применять её с RAG для расширения знаний и повышения фактической точности. Для расширения языкового охвата предусмотрен каскадный машинный перевод. По данным разработчиков, на климатических бенчмарках ClimateGPT-7B превосходит Llama-2-70B Chat. Модель не предназначена для универсального чат-бота и может выдавать предвзятые, оскорбительные или неточные ответы. Лицензия — ClimateGPT Community License (в метаданных указана как other); перед использованием следует ознакомиться с её условиями.

Darwin-4B-Chimera — плотная языковая модель на 3,7 млрд параметров семейства Qwen3, созданная VIDRAFT с применением технологии слияния Chimera и последующей донастройки с подкреплением. Модель предназначена прежде всего для рассуждений на корейском языке и диалогового использования; заявленный контекст составляет 40 960 токенов. Она принимает текст и генерирует текст. В описанном авторами тесте KMMLU на шести предметных областях и 240 отложенных примерах модель набрала 48,3% против 42,9% у базовой Chimera 4B. Веса открыты, однако детали слияния и доработки VIDRAFT не раскрывает. В метаданных указана лицензия Gemma; перед использованием следует проверить её условия.

DatedGPT-2019-Instruct — чат-модель семейства DatedGPT, разработанная для генерации ответов с учётом фиксированной временной границы знаний. Она дообучена следовать инструкциям и вести диалог; обучающие данные ограничены сведениями, доступными до 2019 года, поэтому модель подходит для прогнозирования и анализа без заглядывания в будущее относительно этой даты. Модель использует плотную архитектуру LlamaForCausalLM и содержит около 1,3 млрд параметров. Она принимает и генерирует текст, поддерживает английский язык и имеет контекст длиной 2048 токенов. Для диалога предусмотрен шаблон чата в стиле Llama 2. Знания модели ограничены данными до 2019 года; без RLHF и настройки безопасности она может уверенно выдавать неверные ответы. Лицензия в предоставленных данных не указана.

DatedGPT-2020-Instruct — англоязычная инструктивная чат-модель семейства DatedGPT, разработчик — datedgpt. Она обучена на данных, доступных до 2020 года, и предназначена для генерации ответов на инструкции и диалоговых сценариев, где важно исключить утечку сведений из будущего при прогнозировании и анализе на момент времени. Модель использует плотную архитектуру LlamaForCausalLM, содержит около 1,3 млрд параметров и принимает контекст длиной до 2048 токенов. Ограниченная временная отсечка делает её применимой для экспериментов с прогнозированием и анализа, имитирующего доступные в 2020 году знания. Модель не проходила RLHF и настройку безопасности, поэтому ответы могут быть уверенными, но ошибочными. Лицензия в предоставленных данных не указана.

gauravjhaiitm/deberta-mcq-solver — модель DeBERTa-v3-base, дообученная для выбора правильного ответа из нескольких вариантов. Она использует плотную архитектуру DeBERTa V2 и содержит 211,6 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для задач multiple choice, а в карточке указаны высокие результаты на оценочном наборе: accuracy 0,9962 и macro F1 0,9960. Датасет и конкретная область вопросов не описаны. Модель распространяется под лицензией MIT.

Ariffiq99/e_care_bert_base_uncased_finetuned — дообученная модель BERT, созданная на основе google-bert/bert-base-uncased и предназначенная для задачи multiple-choice: выбора правильного ответа из нескольких вариантов по тексту. Модель содержит 136,7 млн параметров, использует архитектуру BertForMultipleChoice и принимает текстовые входные данные с контекстом до 512 токенов. Модель может применяться для тестов и вопросов с вариантами ответов. В карточке приведены результаты оценки: loss 0,7829 и F1 0,7700. Датасет обучения не назван, поэтому качество для конкретных предметных областей оценить нельзя. Модель основана на англоязычном BERT и распространяется по лицензии Apache-2.0.

Erlangshen-DeBERTa-v2-710M-Chinese — китайская языковая модель семейства DeBERTa-v2, разработанная командой Fengshenbang и опубликованная IDEA-CCNL. Это плотный трансформерный энкодер с 925,6 млн параметров по метаданным; в README модель названа версией на 710 млн параметров. Модель предварительно обучена на корпусе WuDao объёмом 180 ГБ с маскированием целых слов и предсказанием замаскированных токенов. Модель предназначена для заполнения пропусков и использования в задачах понимания китайского текста, а также как основа для последующей адаптации к NLU-сценариям. Контекст составляет до 512 токенов. В README приведён пример восстановления замаскированного фрагмента, а также результаты на китайских задачах классификации и вывода. Опубликована под лицензией Apache-2.0. В карточке и README нет сведений о разговорном режиме или генерации свободного текста; основное назначение — маскированное языковое моделирование. Показатели из README относятся к отдельным downstream-тестам и не гарантируют качество на других задачах.

Это GGUF-представление модели Qwen3.6-35B-A3B-Escha-W2, подготовленное автором репозитория cafonez для запуска на AMD Strix Halo и других целях ROCm/Vulkan с помощью формата квантования ROCmFPX. Модель построена на архитектуре qwen35moe: около 35,5 млрд параметров всего, примерно 3 млрд активных, 256 экспертов и сочетание линейного и полнослойного внимания. Файл включает MTP-блок для спекулятивного декодирования; две тензорные матрицы его черновой модели взяты из Qwen/Qwen3.6-35B-A3B. Модель предназначена для генерации текста и диалогов. Она может ускорять декодирование на поддерживаемом оборудовании AMD при использовании спекулятивного декодирования. Для загрузки требуется специальная сборка ROCmFPX llama.cpp: файл несовместим с upstream llama.cpp, Ollama, LM Studio, koboldcpp и llama-cpp-python. README приводит измерения производительности на Strix Halo и предупреждает о заметной вариативности результатов. Репозиторий распространяется по лицензии Apache-2.0.

EZO-Common-T2-2B-gemma-2-it — разработанная AXCXEPT чат-модель общего назначения на основе Gemma-2-2B-it. Модель дообучена методом instruction tuning на отобранных данных японской Википедии и FineWeb; заявлено улучшение общих возможностей при особом внимании к задачам на японском языке. Модель использует плотную архитектуру Gemma 2 с 2,7 млрд параметров и контекстом до 8192 токенов. Она принимает текст и генерирует текстовые ответы в диалоговом формате; разработчики заявляют поддержку задач на разных языках, но основной акцент сделан на японском. Подходит для диалогов, ответов на вопросы и выполнения текстовых инструкций. Карточка описывает модель как экспериментальный прототип и не рекомендует коммерческое использование или развёртывание в критически важных системах; качество и результаты не гарантируются. Применяются условия использования Gemma.

ssmits/Falcon2-5.5B-Danish — плотная авторегрессионная языковая модель семейства Falcon, созданная на основе tiiuae/falcon-11B. По README, модель получена обрезкой слоёв базовой модели с помощью PruneMe: анализировались 2000 примеров датской Википедии, после чего применялся метод passthrough через mergekit. Репозиторий содержит веса safetensors; метаданные указывают 7,8 млрд параметров и контекст до 8192 токенов. Модель предназначена для генерации текста и как основа для дальнейшей адаптации, например для диалогов, суммаризации и других задач с текстом. README указывает на датские данные, использованные при выборе слоёв, но отмечает, что исходная модель обучена преимущественно на английском и также на ряде европейских языков; поддержка датского как основного языка не подтверждена. Модель может воспроизводить предубеждения из веб-данных, а качество для отдельных задач и языков требует оценки и при необходимости дообучения. Лицензия — Apache-2.0. Для запуска через Transformers README указывает требование PyTorch 2.0; для производственного применения авторы рекомендуют предварительную оценку рисков и настройку защитных механизмов.

Firefly-Baichuan-13B — языковая модель для генерации текста и диалогов, созданная дообучением Baichuan-13B-Base в рамках проекта Firefly. Для обучения использовали более миллиона многоходовых диалогов, включая данные MOSS и 20 тысяч примеров по школьной математике. Модель предназначена для однократных и многоходовых бесед, а также ответов на вопросы; в README приведено сравнение её результатов с другими моделями на китайском экзаменационном бенчмарке C-Eval. Модель имеет плотную архитектуру BaichuanForCausalLM и около 12,9 млрд параметров. Репозиторий содержит веса PyTorch. Данных о длине контекста и лицензии в предоставленных источниках нет.

Gemma2-Gutenberg-Doppel-9B-GGUF — набор GGUF-квантизаций модели Gemma2-Gutenberg-Doppel-9B, разработанной nbeerbower и дополнительно квантизированной bartowski с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска, в частности через LM Studio; исходная модель обучалась с использованием наборов данных jondurbin/gutenberg-dpo-v0.1 и nbeerbower/gutenberg2-dpo. Модель относится к семейству Gemma 2 и имеет размер 9B параметров. В репозитории представлены варианты от F16 до Q3 и IQ3, включая форматы, оптимизированные для ARM-процессоров. Более качественные варианты Q5 и Q6 рекомендованы для большинства сценариев, а Q3 подходят при ограниченном объёме оперативной памяти, но обладают более низким качеством. Ключевые характеристики исходной модели, включая поддерживаемые языки, размер контекста и точный формат диалога, в README не указаны; шаблон промпта рекомендуется уточнять на странице оригинальной модели. Распространение выполняется по лицензии Gemma. Для работы требуются совместимый рантайм GGUF, например llama.cpp или LM Studio, и объём памяти, зависящий от выбранной квантизации: размер файлов варьируется примерно от 4,34 до 18,49 ГБ. Ограничения включают возможную потерю качества в низкобитных вариантах и отсутствие в README подробных данных о результатах оценки, языковых возможностях и контекстном окне.

mlx-community/gemma-4-31B-it-uncensored-heretic-4bit — квантизированная 4-битная версия модели Gemma 4 с 31 млрд параметров, опубликованная сообществом mlx-community. В качестве базовой модели указана llmfan46/gemma-4-31B-it-uncensored-heretic; исходное семейство Gemma разработано Google, однако README не уточняет авторство модификаций uncensored/heretic. Модель предназначена для генерации текста в диалоговом формате и, согласно pipeline_tag, для задач image-text-to-text, то есть может использовать текстовые и, вероятно, визуальные входные данные. README показывает использование через mlx-lm на Apple MLX с поддержкой chat template. Языки, размер контекстного окна и точные сведения об архитектуре в предоставленных данных не указаны. Ключевая особенность — 4-битная квантизация, снижающая требования к памяти и подходящая для локального запуска на совместимом оборудовании, при этом возможна потеря качества по сравнению с полноразмерной версией. Названия uncensored, heretic и abliterated указывают на нестандартно модифицированную модель, но README не описывает методы модификации, поведение, ограничения безопасности или результаты оценки. Модель распространяется по лицензии Apache-2.0; для Gemma также может действовать специальная лицензия Google, ссылка на которую приведена в README.

prithivMLmods выпустил gemma-4-31B-it-Uncensored-MAX на основе huihui-ai/Huihui-gemma-4-31B-it-abliterated; в метаданных базовой моделью указана google/gemma-4-31B-it. Это плотная мультимодальная модель семейства Gemma 4 с 31 млрд параметров, предназначенная для диалога, генерации текста и анализа изображений. Репозиторий содержит веса safetensors в формате bf16 и рассчитан на запуск через Transformers; автор заявляет об обновлённой разбивке весов и совместимости с актуальными версиями библиотеки. Модель подходит для мультимодальных экспериментов, оценки поведения на сложных запросах и развёртывания на GPU или в распределённой среде. В карточке она описана как uncensored и refusal-ablated, поэтому её ответы могут не содержать отказов на потенциально вредоносные запросы. Лицензия — Apache-2.0. Для запуска модели на 31 млрд параметров требуются значительные вычислительные ресурсы; ответы могут быть неточными или непоследовательными и зависят от настроек генерации и формулировки запроса.

gemma-4-31B-it-Uncensored-MAX-GGUF — модель от prithivMLmods, созданная на основе google/gemma-4-31B-it. Это модифицированная версия с уменьшенным количеством встроенных отказов, полученная с применением анализа направлений отказа и методов abliteration. По заявлению авторов, она сохраняет возможности рассуждения и следования инструкциям исходной модели, обеспечивая подробные ответы и более высокую готовность выполнять запросы. Модель предназначена для генерации текста, диалоговых приложений, агентских сценариев и исследовательских экспериментов, где требуется менее ограниченное поведение. Доступна в формате GGUF для совместимого локального запуска, включая варианты BF16, F16, F32 и Q8_0. Указан размер 31 млрд параметров, поддерживаемый язык — английский. Наличие файлов mmproj и тег image-text-to-text указывает на заявленную мультимодальную совместимость, однако конкретные возможности работы с изображениями и ограничения контекстного окна в README не описаны. Сильными сторонами являются сохранение исходных способностей к рассуждению и следованию инструкциям, подробность ответов и широкий выбор вариантов точности и квантования. Ограничения связаны с отсутствием гарантии безопасности: модель специально модифицирована для снижения отказов, поэтому может генерировать вредный или незаконный контент. README также не содержит результатов бенчмарков, точных сведений об архитектуре и контекстном окне. Модель распространяется по лицензии Apache-2.0 и заявлена для исследовательских и учебных целей; ответственность за использование и генерируемый контент возлагается на пользователя.

inferencerlabs/GLM-5.2-MLX-Q4.8-INF — квантизированная версия GLM-5.2, разработанная на основе модели zai-org/GLM-5.2 и подготовленная для библиотеки MLX. Модель предназначена для генерации текста и локального вывода на устройствах Apple Silicon, включая использование через приложение Inferencer. Ключевая особенность — квантизация Q4.8-INF с применением метода INF, настроенного на высокую общую точность при ограничении памяти в 512 ГиБ. В README указано, что на M3 Ultra с 512 ГиБ памяти скорость текстового вывода составила около 15,8 токена в секунду при обработке последовательности длиной около 1000 токенов; потребление памяти — примерно 417 ГиБ. Модель относится к текстовым, однако сведения об архитектуре, количестве параметров, поддерживаемых языках и размере контекста не приведены. К преимуществам относятся адаптация к MLX, возможность локального запуска и сохранение высокой точности по сравнению с базовой моделью согласно приведённым сравнительным измерениям конвертации GLM 5.1. Ограничения связаны с очень высоким требованием к оперативной памяти, отсутствием подробных данных о качестве на прикладных задачах и тем, что приведённые метрики относятся к GLM 5.1, а не непосредственно к GLM 5.2. Лицензия в README не указана.

GLM-5.3-MLX-5bit — это сборка модели GLM-5.3 от zai-org, адаптированная PipeNetwork для MLX на компьютерах с Apple Silicon. Модель предназначена для генерации текста и локального инференса через mlx-lm. Это архитектура mixture-of-experts glm_moe_dsa с 744 млрд параметров, 256 экспертами и выбором 8 экспертов на токен. Используется MLA со sparse attention в стиле DeepSeek-V3.2. Веса квантизированы до 5 бит с размером группы 64; архитектура сохранена, но слой multi-token prediction не включён. Языки и максимальная длина контекста в README не указаны. Сильная сторона сборки — возможность запуска крупной MoE-модели в экосистеме MLX при снижении требований к памяти по сравнению с исходной точностью, а также близкое соответствие эталонной реализации на тестовой конфигурации. Для работы требуется специальный файл runtime glm_moe_dsa, поставляемый вместе с моделью, и параметр trust-remote-code. Практическое ограничение — модель требует около 768 ГБ оперативной памяти и запуска на двух машинах. Для запросов длиннее 2048 токенов 57 из 78 индексаторов используют случайно инициализированные проекции, что может ухудшать качество sparse attention. Качество 5-битной версии ниже исходной BF16: в приведённых тестах её свободно распространяющаяся ошибка выше, чем у 6- и 8-битных вариантов. Указана лицензия GLM-5.3 от исходной модели; порт MLX опубликован PipeNetwork.

Han2Han IT — разработанная командой проекта Cadazar instruction-tuned версия модели Han2Han. Это плотная encoder-decoder-модель с 169 млн параметров, предназначенная прежде всего для получения представлений корейского текста, устойчивых к выбору письменности: текст на ханча и его запись хангылем должны иметь близкие векторные представления. Модель выдаёт 640-мерные эмбеддинги предложений, пригодные для классификации и дообучения под прикладные задачи; также поддерживает генерацию и диалоговый интерфейс. Модель умеет преобразовывать корейский текст между ханча и хангылем. Для корректной работы инструкции нужно передавать в системном сообщении, а исходный текст — в пользовательском. Версия main продолжена в fp32 для улучшения завершения ответов; для воспроизведения результатов статьи предусмотрена ревизия emnlp2026. Контекст составляет 2048 токенов. По опубликованной проверке на газетных предложениях 1920-х годов main читала ханча хангылем точнее, чем восстанавливала исходные ханча; эти данные не являются проверкой на ранее невиденных текстах. Модель ориентирована на корейский язык и исторические тексты, особенно на материалы, где встречаются обе письменности. Генерация может пропускать или менять слова, а при восстановлении ханча качество на отдельных предложениях ограничено; иногда модель повторяет текст, поэтому генерации следует задавать лимит токенов. Лицензия Apache-2.0. Для загрузки весов и кода модели через Transformers требуется trust_remote_code=True.

Hierarchical Attention Transformer (HAT) — модель семейства иерархических трансформеров, представленная Ильясом Халкидиcом и соавторами в работе об эффективной классификации длинных документов. Чекпойнт на 151,8 млн параметров инициализирован весами roberta-base и дополнительно обучен на задаче masked language modeling на длинных последовательностях из C4. В репозитории доступны веса PyTorch; лицензия — CC BY-SA 4.0. Модель принимает текст и предназначена для восстановления замаскированных токенов, а также для дообучения на задачах, где решение зависит от всего документа: классификации документов, классификации предложений и ответов на вопросы. HAT сочетает внимание внутри сегментов с межсегментным вниманием; README указывает поддержку последовательностей до 4096 токенов. Метаданные сообщают native context в 130 токенов, поэтому заявленный предел длины последовательности и значение контекста в метаданных расходятся. Модель обучалась на англоязычном C4 и рассчитана прежде всего на английский текст. Интернет-корпус содержит неотфильтрованный материал, поэтому предсказания могут быть смещёнными. Для прикладных задач модель обычно требуется дообучить.

HLK-ViT5 — модель суммаризации текстов на вьетнамском языке, разработанная на основе VietAI/vit5-base и дообученная для сокращения текста. Она предназначена для создания кратких изложений в сценариях, где исходный материал и результат представлены на вьетнамском языке. Модель построена на архитектуре T5 и содержит 126,8 млн параметров. Она принимает текст и генерирует текст; контекст ограничен 512 токенами. Модель распространяется под лицензией MIT. README указывает на использование PyTorch и Hugging Face Transformers.

huihui-ai_Qwen3-14B-abliterated-GGUF — это набор GGUF-квантизаций языковой модели Qwen3-14B-abliterated, подготовленный пользователем bartowski на основе модели huihui-ai. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск в LM Studio, llama.cpp и других проектах на базе llama.cpp. Модель содержит около 14 миллиардов параметров; в README не указаны точная архитектура Qwen3, поддерживаемые языки и размер контекста. Доступны варианты от BF16 до различных уровней квантования Q8_0, Q6, Q5, Q4 и Q3, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Квантизация выполнена с использованием imatrix и llama.cpp версии b5284. Для чата приведён шаблон с ролями system, user и assistant, однако автор предупреждает, что он может быть неточным. К сильным сторонам относятся широкий выбор форматов для локального запуска и возможность подобрать конфигурацию под доступную оперативную память; варианты Q6 и Q5 заявлены как обеспечивающие очень высокое или высокое качество. При этом модель имеет значительно сниженные фильтры безопасности и может генерировать чувствительный, спорный или неподходящий контент, поэтому требует контроля и ручной проверки результатов и не рекомендуется для незащищённых публичных или высокорисковых сценариев. Указана лицензия Apache-2.0.

Это преобразованная в формат GGUF сборка модели Huihui-Qwen3.8-27B-abliterated-GPTQ-Int4-sym-G128-MTP-BF16-B70. Автор репозитория выполнил конвертацию исходной модели zrlu/Huihui-Qwen3.8-27B-abliterated-GPTQ-Int4-sym-G128-MTP-BF16-B70 с помощью llama.cpp и сервиса GGUF-my-repo. Назначение исходной модели в README подробно не описано; по метаданным эта сборка предназначена для генерации текста. Модель можно запускать через llama.cpp, в том числе в CLI или серверном режиме. Репозиторий указывает лицензию Apache-2.0. В метаданных языки карточки обозначены как английский и китайский. Размер параметров и длина контекста для этой сборки не приведены.

6block/Hy4-preview-GGUF — набор GGUF-квантизаций модели Tencent Hy4-preview, подготовленный разработчиком 6block для llama.cpp. Модель предназначена для генерации текста и локального инференса на совместимом оборудовании; заявлены английский и китайский языки. Доступны варианты IQ4_XS, Q2_K и IQ2_XS размером примерно от 219 до 388 ГиБ, каждый состоит из 39 сегментов. Исходная BF16-модель имеет около 780 млрд параметров и 78 слоёв. Архитектура включает attention DeepSeek-style MLA, hyper-connections iHC, разреженное внимание DSA и MoE с 256 маршрутизируемыми экспертами, выбором top-8 и одним общим экспертом. Размер словаря — 120 832 токена. Все варианты откалиброваны с использованием importance matrix, что снижает расхождение с исходными BF16-весами. IQ4_XS обеспечивает наилучшее качество среди представленных квантизаций, Q2_K позиционируется как сбалансированный вариант и предпочтительный для инференса только на CPU, а IQ2_XS предназначен для жёстко ограниченных по памяти систем. Для запуска требуется llama.cpp с поддержкой hy_v4; более ранние сборки файлы не загружают. Необходимо скачать все 39 сегментов выбранной квантизации. Основное ограничение модели — крайне большой объём файлов и высокие требования к памяти, поэтому она ориентирована на мощные многопроцессорные или многокарточные системы. Модель распространяется по лицензии Apache-2.0.

IndoNanoT5 Base — языковая модель LazarusNLP для индонезийского языка на архитектуре T5. Это модель типа encoder-decoder с примерно 123,8 млн параметров, предварительно обученная на открытом корпусе uonlp/CulturaX; в README также упоминается обучение примерно на 4 млрд токенов корпусов, описанных в работе о CulturaX. Модель распространяется в формате Safetensors по лицензии Apache 2.0. Модель предназначена для задач преобразования текста в текст на индонезийском языке, например для суммаризации, перефразирования и генерации текста при соответствующей постановке задачи. На отложенной части корпуса указаны evaluation loss 2,082 и perplexity около 8,02. Это оценка на обучающих данных, а не гарантия качества на прикладных задачах; README не приводит отдельные результаты по конкретным downstream-задачам.

InternLM-ChatBode-7B — языковая чат-модель на базе InternLM2, адаптированная командой recogna-nlp для общения на португальском языке. Модель дообучена методом QLoRA на наборе UltraAlpaca и построена на архитектуре InternLM2ForCausalLM; содержит 7,4 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и генерации ответов на португальском языке, в том числе для вопросов и учебных заданий. В README приведены результаты оценки на португалоязычном наборе Open Portuguese LLM Leaderboard. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

InternVL3.5-GPT-OSS-20B-A4B-Preview-GGUF — это конвертированная в формат GGUF версия модели OpenGVLab/InternVL3_5-GPT-OSS-20B-A4B-Preview. Модель разработана на базе GPT-OSS-20B и предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Ключевой особенностью является представление модели в формате GGUF, ориентированном на использование в совместимых локальных инструментах инференса. В названии указано 20B, однако точные сведения об архитектуре, количестве активируемых параметров A4B, поддерживаемых языках, размере контекста, модальностях в конкретной сборке и требованиях к ресурсам в README не приведены. README не содержит результатов бенчмарков, примеров качества или подробностей о сильных сторонах и ограничениях модели, поэтому оценить её производительность можно только после самостоятельного тестирования. Также не указаны варианты квантования и совместимые средства запуска. Модель распространяется по лицензии Apache 2.0.

JustRL-Distilled-DeepSeek-7b-Selective-Top10pct — экспериментальный разговорный чекпойнт из экспериментов BiDirect-OPD, опубликованный SelectiveDOPD. Ветка main содержит состояние обучения global_step_300; также доступны более ранние контрольные точки от global_step_20 до global_step_280. По метаданным это плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM, размером 7,1 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для генерации текста в диалоговом формате; поддержка чата указана в метаданных. Файлы представлены в формате safetensors для Transformers. README связывает чекпойнт с экспериментами дистилляции JustRL/DeepSeek и выборкой Selective Top10pct, но не описывает методику, обучающие данные или результаты, поэтому конкретные преимущества и области специализации установить нельзя. Лицензия в предоставленных данных не указана.

L3.1-Pneuma-Allades-8B — языковая модель семейства Llama 3.1, созданная ZeroXClem слиянием моделей L3.1-Pneuma-8B-v1 и Llama3.1-Allades-8B методом della_linear. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и работает с контекстом до 131 072 токенов. Модель предназначена для генерации текста по инструкциям, творческого письма и сторителлинга, ролевых диалогов и рассуждений. Её можно применять для создания сюжетов, интерактивных персонажей и пошаговых инструкций; в карточке также заявлена поддержка чата. Данных о языках, на которые модель рассчитана, нет. Модель распространяется под лицензией Apache-2.0. Качество ответов в конкретных задачах может различаться; заявление о поддержке длинного контекста само по себе не гарантирует точность на всей его длине.

LessThink-Qwen3-4B-v1 — дообученная методом GRPO модель семейства Qwen3, созданная автором репозитория на базе Qwen/Qwen3-4B. Она предназначена для диалоговой генерации текста и решения задач на рассуждение с более короткой внутренней цепочкой рассуждений. В тестах автор сообщает о сокращении числа токенов рассуждений на 52–63% на нескольких математических и академических бенчмарках; качество ответов в отдельных тестах немного ниже базовой модели, а при ограниченном бюджете токенов результаты заметно лучше. Модель имеет плотную архитектуру Qwen3ForCausalLM примерно на 3,7 млрд параметров и контекст до 40 960 токенов. Она обучена с GRPO поверх LoRA-адаптера ранга 64, затем адаптер объединён с базовыми весами; опубликованный чекпойнт соответствует шагу 50 из 400. Репозиторий распространяет веса в формате safetensors. Лицензия — Apache-2.0. Модель подходит для диалоговых задач, где важно быстрее получать правильные ответы и ограничивать расход токенов на рассуждения, особенно для математики и вопросов общего академического характера. Автор указывает, что модель ещё не оценивалась на программировании, агентных сценариях и следовании инструкциям; на математических соревнованиях без лимита токенов точность может снижаться на 2,5–8 процентных пунктов.

llama-2-13b-chat-platypus — авторегрессионная языковая модель, дообученная Луисом Г. Алвесом на основе семейства LLaMA 2. В карточке указаны 12,9 млрд параметров, архитектура LlamaForCausalLM и контекст до 4096 токенов; веса доступны в форматах PyTorch и Safetensors. Модель предназначена для генерации текста и ответов на инструкции, особенно в задачах, связанных с STEM-дисциплинами и логикой. Она обучалась на наборе Open-Platypus и рассчитана прежде всего на английский язык. В приведённых тестах ARC и HellaSwag её результаты ниже, чем у Platypus2-13B и базовой llama-2-13b-chat-hf. Для использования требуется соблюдать лицензию Llama 2. Модель может выдавать неточные, предвзятые или нежелательные ответы; перед применением в конкретном продукте рекомендуется провести оценку безопасности и настроить ограничения.