I.2Синтез, понимание и проверка знаний

mistral_hindi_7b_base_v1 — языковая модель OdiaGenAI на архитектуре Llama, дообученная на наборе инструкций на хинди на базе Mistral_7b. Модель предназначена для генерации текста по запросам и инструкциям на хинди. Модель содержит 7,1 млрд параметров, использует формат PyTorch и поддерживает контекст до 32 768 токенов. Карточка указывает на дообучение для следования инструкциям на хинди; метаданные относят её к задачам генерации текста. Лицензия — CC BY-NC 4.0 согласно метаданным; README указывает CC BY-NC-SA 4.0, поэтому условия лицензирования в источниках расходятся.

Это языковая модель Mixtral 8X7B Instruct v0.1 LimaRP ZLoss, разработанная Doctor Shotgun и представленная в GGUF-формате TheBloke. Модель основана на Mixtral и дообучена на датасете LimaRP; её назначение — генерация текста и диалоговые сценарии, включая ролевое общение и художественное повествование. Указан английский язык и шаблон запросов Instruction–Input–Response. Архитектура модели — Mixtral с 8 экспертами по 7B параметров; точный активный объём параметров и размер контекста в README не указаны. GGUF-файлы доступны в вариантах квантования от 2 до 8 бит, что позволяет запускать модель с использованием CPU и GPU. Поддерживаются llama.cpp и ряд сторонних интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Квантование уменьшает требования к памяти, но может снижать точность по сравнению с исходной версией без квантования. Модель подходит для локального текстового инференса, чат-ботов, ролевых приложений и генерации историй. Ограничениями являются заявленная ориентация на английский язык, отсутствие в README подробных результатов оценки качества и характеристик контекста, а также возможные потери качества из-за квантования. Лицензия — Apache 2.0.

emilstabil/mt5-base-finetuned-test_30483_prefix_summarize — дообученная модель на базе Google mT5-base, предназначенная для генерации текста. По названию репозитория она ориентирована на суммаризацию с префиксом, однако README не описывает её назначение подробнее и указывает датасет как None. Модель построена на архитектуре MT5ForConditionalGeneration и содержит 291,2 млн параметров. В README приведены результаты оценки: Loss 2,3527, ROUGE-1 23,6141, ROUGE-2 7,1791, ROUGE-L 16,0152, ROUGE-Lsum 21,8213 и средняя длина генерации 69,64 токена. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Подробные сведения о данных обучения, поддерживаемых языках и ограничениях не приведены.

aishmurtaza/neonatal_guardian_slm — дообученная авторами aishmurtaza модель на базе unsloth/Llama-3.2-3B-Instruct-bnb-4bit. Это плотная авторегрессионная языковая модель семейства Llama с 3,2 млрд параметров, предназначенная для генерации текста в диалоговом формате. В карточке указано использование Unsloth и библиотеки Hugging Face TRL при обучении. Название указывает на возможную специализацию в вопросах неонатологии, однако README не описывает целевые сценарии или подтверждённые медицинские возможности модели. Метаданные указывают английский язык, контекст до 131 072 токенов, поддержку чата и интерфейса вызова инструментов. Модель распространяется по лицензии Apache-2.0.

Nex-N2-mini-MXFP4-MOE-GGUF — квантованная мультимодальная модель Nex AGI для диалогов и работы с изображениями. Она основана на Nex-N2-mini и распространяется в формате GGUF для запуска через llama.cpp и совместимые средства; лицензия — Apache 2.0. Модель использует архитектуру MoE с 35 млрд параметров, из которых активируются 3 млрд на токен, и сочетает Gated DeltaNet с полным вниманием. В описании указаны 256 маршрутизируемых экспертов, 8 из которых задействуются на токен, а также один общий эксперт. Контекст составляет до 262 144 токенов. Для обработки изображений предусмотрен 27-слойный ViT-энкодер. Квантирование MXFP4 MOE хранит веса экспертов в 4-битном формате, а остальные тензоры — в Q8_0; заявленный размер текстовых весов — 18,43 ГБ, проектора изображений F16 — 0,84 ГБ. Модель поддерживает английский, китайский и другие языки. Она предназначена для ответов на вопросы по изображениям и текстового общения; базовая модель также позиционируется для программирования, вызова инструментов и длительных задач, но эти возможности отдельно не подтверждены карточкой этой сборки. Возможны потери качества из-за квантования; практический запуск требует ресурсов для размещения весов и мультимодального проектора.

OmniEdu-4B — мультимодальная модель для обучения и преподавания в школе, разработанная исследователями Пекинского университета, Университета Китайской академии наук и Zhongguancun Academy. Она дообучена методом полного supervised fine-tuning от Qwen/Qwen3.5-4B-Base и использует архитектуру Qwen3_5ForConditionalGeneration; размер модели — 4 млрд параметров. Модель предназначена для решения задач K–12 по разным предметам, привязки вопросов и объяснений к учебным программам, выявления пробелов и ошибочных представлений ученика, пошагового обучения и планирования занятий. Она принимает текст и изображения и формирует текстовые ответы. Для обучения использовалась последовательность длиной 32 768 токенов; это не гарантирует измеренную эффективность на таком контексте. Основной сценарий — образовательные исследования, помощь учителям и прототипы систем поддержки обучения. Модель может ошибаться в решениях, привязке к учебным стандартам и педагогических рекомендациях; результаты следует проверять перед использованием с учениками. Качество зависит от предмета, учебной программы, языка и качества изображения. Лицензия указана как other; условия использования следует сверять с карточкой модели и лицензиями исходных наборов данных.

Репозиторий TensorBlock содержит файлы модели Orca 2 13B в формате GGUF, преобразованные из uukuguy/Orca-2-13b-f16. Файлы совместимы с llama.cpp; доступны варианты с разными уровнями квантования, включая Q2_K и Q3_K, у которых README отмечает заметное снижение качества. Модель предназначена для генерации текста. Базовая модель Orca 2 13B дообучена на основе Microsoft Orca 2; в этом репозитории представлены её GGUF-файлы. Указана лицензия llama2.

PandaLM-7B-v1 — языковая модель семейства LLaMA от WeOpenML, представленная в проекте PandaLM по воспроизводимой и автоматизированной оценке языковых моделей. Модель предназначена для генерации текста и может применяться для исследовательских экспериментов по оценке и сравнению языковых моделей. Модель имеет плотную архитектуру LlamaForCausalLM и 6,6 млрд параметров. Она принимает и генерирует текст, а длина контекста составляет 2048 токенов. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. README рекомендует при проблемах использовать AutoTokenizer с параметром use_fast=False.

arcee-ai/patent-evol-merge — объединённая языковая модель на архитектуре Llama, созданная методом task arithmetic с помощью mergekit на основе Llama-2-7B. В слияние вошли Patent-Instruct-7b, Orca-2-7b и Barcenas-Orca-2-7b. Модель содержит 6,6 млрд параметров, использует формат safetensors и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации текста и диалоговых ответов, в том числе с инструкциями и патентной тематикой благодаря включённой Patent-Instruct модели. Карточка не описывает отдельные результаты оценки качества или более узкие гарантированные сценарии применения. Лицензия в предоставленных данных не указана.

Phi3-ITA-mini-4K-instruct — дообученная Enzo Palmisano версия Microsoft Phi-3-mini-4k-instruct для генерации текста и диалога на итальянском языке. Модель построена на плотной архитектуре Phi-3, содержит 3,7 млрд параметров и принимает текстовый ввод, выдавая текст; заявленный контекст составляет до 4096 токенов. Карточка приводит результаты оценки на итальянских наборах hellaswag_it, arc_it и m_mmlu_it со средним значением 0,5398. Модель распространяется по лицензии MIT. Карточка не описывает ограничения применения или результаты сравнения с другими моделями.

PIT-1B — базовая предварительно обученная языковая модель семейства Point-In-Time (PIT), разработанная Diamegs. Это декодерный Transformer в стиле GPT для генерации текста. Модель обучена на хронологически упорядоченных ежемесячных снимках FineWeb и отражает сведения, доступные к ноябрю 2015 года; вариант 2015-11 предназначен для анализа с фиксированной временной точкой и временных рассуждений. Архитектура — PITForCausalLM; в README указано 52 слоя. Модель принимает и генерирует текст, карточка указывает английский язык, контекст составляет 2048 токенов. Веса доступны в формате safetensors и распространяются по лицензии Apache-2.0. Знания модели ограничены веб-текстами, доступными до ноября 2015 года. Это базовая модель без RLHF и дополнительной настройки безопасности; она может воспроизводить смещения обучающих данных и не подходит для критически важных сценариев без дополнительного выравнивания.

PortBERT-base — португалоязычная языковая модель семейства PortBERT, разработанная авторами проекта PortBERT. Это модель архитектуры RoBERTa, предварительно обученная с нуля на португальской части OSCAR23 и MC4, представленной дедуплицированными вариантами CulturaX. Вариант base в README указан с 126 млн параметров; метаданные репозитория указывают 153,2 млн параметров. Модель принимает текст и предсказывает скрытые токены, поэтому подходит для задачи заполнения пропусков и как основа для дообучения под португальские NLP-задачи. Авторы оценивали семейство на ExtraGLUE — португальской адаптации GLUE — с дообучением на задачах сходства предложений, распознавания текстовых следствий и классификации парафраз. В README указаны GPT-2-подобный токенизатор с размером словаря 52 тыс. и обучение PortBERT-base на 8 GPU A40; метаданные задают контекст в 514 токенов. Репозиторий предоставляет веса в форматах PyTorch и safetensors. Модель распространяется по лицензии MIT. Оценки ExtraGLUE рассчитаны на валидационных наборах, поскольку авторы сообщают об отсутствии отложенных тестовых наборов; результаты поэтому не являются независимой оценкой на тесте. Размер модели также указан по-разному в README и метаданных.

Модель llama-lang-adapt/pretrain-wura — продолжительно предобученная версия Meta Llama 2, разработанная для языковой адаптации на монолингвальном корпусе WURA. Обучение проводилось на 20 языках с равномерной выборкой языковых данных. Это причинная плотная языковая модель семейства Llama с архитектурой LlamaForCausalLM и 6,6 млрд параметров. Она предназначена для генерации текста, а также для продолжения предобучения и адаптации языковой модели к многоязычным корпусам. Максимальная длина контекста — 4096 токенов; репозиторий содержит веса PyTorch. Карточка не перечисляет поддерживаемые языки по отдельности и не приводит оценок качества или детальных ограничений применения. Лицензия в доступных сведениях не указана.

Prodigy SM Base v0.1 — базовая языковая модель, разработанная авторами проекта Prodigy и основанная на Mistral-7B-v0.1. Это плотная авторегрессионная модель на 7,1 млрд параметров с контекстом до 32 768 токенов, предназначенная для генерации текста на сербском, боснийском, хорватском и английском языках. Авторы продолжили предварительное обучение Mistral, используя синтетические и подготовленные людьми данные, а также смесь данных CC Web, чтобы улучшить понимание и генерацию на южнославянских языках. Модель подходит для дальнейшего языкового дообучения и как основа для последующей настройки под инструкции или чат. Авторы сообщают об улучшении результатов на сербском при сохранении или небольшом улучшении англоязычных показателей, однако README не приводит здесь численные результаты. У модели нет шаблона чата и строгого следования инструкциям, поэтому она рассчитана на продолжение обучения или прямую генерацию текста, а не на готовый диалоговый ассистент. Распространяется по лицензии Apache-2.0.

bcwarner/PubMedBERT-base-uncased-sts-combined — дообученная модель на основе PubMedBERT, предназначенная для оценки семантического сходства пар текстов. Разработчик описывает её как модель для генерации пар сходства, прежде всего для функции отбора признаков sts-select. Модель использует архитектуру BERT и формирует текстовые эмбеддинги; объём — 136,7 млн параметров, максимальный контекст — 512 токенов. Она подходит для сравнения медицинских текстов и отбора признаков по сходству. В метаданных указана лицензия MIT.

QuantFactory/pythia-12b-GGUF — квантизированная версия языковой модели EleutherAI Pythia-12B, подготовленная QuantFactory с использованием llama.cpp. Базовая модель разработана EleutherAI в рамках Pythia Scaling Suite — набора моделей, созданного прежде всего для научного изучения поведения, функциональности и ограничений больших языковых моделей, особенно для исследований интерпретируемости. Модель обучалась на датасете The Pile и предназначена для генерации текста на английском языке. Это авторегрессионная Transformer-модель, работающая через библиотеку GPT-NeoX. Она содержит около 12 миллиардов параметров без учёта embedding-параметров, 36 слоёв, размер модели 5120 и 40 attention heads. Доступны промежуточные checkpoints, что удобно для контролируемых экспериментов и анализа развития модели в процессе обучения. Квантизированный формат GGUF ориентирован на запуск с llama.cpp, однако README не указывает конкретные уровни квантизации, требования к памяти или длину контекста. Сильные стороны модели — открытая архитектура, воспроизводимый исследовательский дизайн, единый порядок данных для моделей разных размеров и возможность дальнейшего fine-tuning. Ограничения включают англоязычность, отсутствие заявленной оптимизации для прикладного развёртывания и риск генерации вредного или оскорбительного текста. Модель не предназначена для непосредственного использования во взаимодействии с людьми без самостоятельной оценки рисков и смещений. Распространяется по лицензии Apache 2.0.

Qwen2-VL-7B-Instruct-abliterated-GGUF — это квантизированная версия мультимодальной модели Qwen2-VL-7B-Instruct-abliterated, разработанной huihui-ai. Модель предназначена для сценариев image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации ответов в формате диалога. Указан размер около 7 миллиардов параметров и поддержка английского языка; сведения о максимальном контексте и полном наборе языков отсутствуют. Репозиторий содержит GGUF-квантизации, созданные bartowski с использованием llama.cpp и метода imatrix. Доступны варианты от F16 до Q2_K_L, что позволяет выбирать между качеством, размером файлов и требованиями к памяти; рекомендованными названы, в частности, варианты Q4_K_M, Q5 и Q6. Модель можно запускать через llama.cpp и LM Studio с указанным форматом prompt template. К сильным сторонам относятся мультимодальность, широкий выбор уровней квантизации и возможность локального запуска на совместимом оборудовании. Ограничения включают возможную потерю качества в низкобитных вариантах, зависимость от поддержки vision-возможностей используемым приложением и отсутствие подробных данных о производительности, контекстном окне и языковой поддержке. В названии и тегах указано, что модель является abliterated и uncensored, поэтому её поведение и защитные ограничения могут отличаться от исходной instruct-модели. Лицензия — Apache-2.0.

Bioaligned/Qwen3-30B-A3B-CoupledWelfare-shallow — слитая версия Qwen3-30B-A3B-Instruct-2507, дообученная командой Bioaligned методом continued pretraining. Это диалоговая MoE-модель для генерации текста с 2,6 млрд параметров и контекстом до 262 144 токенов; в метаданных указана библиотека Transformers. Дообучение формирует установку на решения, учитывающие благополучие людей, биосферы и сохранение возможностей самой модели, опираясь на представление о взаимозависимости этих систем. Модель предназначена для диалогов и генерации ответов в сценариях, где важно рассматривать последствия решений для людей и окружающей среды. В карточке указано, что обучение выполнено методом continued pretraining, без RLHF и DPO; подробности рецепта обучения и его ограничения вынесены в карточку адаптера. Весами можно пользоваться как слитой версией, а для применения к исходной базовой модели авторы рекомендуют отдельный LoRA-адаптер. Лицензия — Apache-2.0.

Это GGUF-квантизация модели llmfan46/Qwen3.5-27B-uncensored-heretic-v2-Native-MTP-Preserved, созданной независимым разработчиком llmfan46 на основе Qwen3.5-27B от Qwen. Модель получена методом Heretic v1.3.0 с вариантом Magnitude-Preserving Orthogonal Ablation (MPOA), направленным на уменьшение числа отказов и ограничений при сохранении близости к исходной модели. Модель предназначена для генерации текста и сценариев, где требуется меньше цензурных отказов, возражений и уклончивых ответов. В репозитории указана архитектура размером 27B параметров и формат GGUF; также заявлена поддержка image-text-to-text, однако подробности о реализованных модальностях, языках и размере контекстного окна не приведены. Сохранены все 15 компонентов MTP (Multi-Token Prediction), присутствовавшие в исходной модели. По данным автора, доля отказов снизилась до 10 из 100 против 95 из 100 у оригинальной модели, а KL-дивергенция составляет 0,0308, что указывает на небольшое отклонение от исходного поведения. Это может быть преимуществом для исследовательских и прикладных задач, требующих более свободных ответов, но одновременно означает меньший уровень встроенных ограничений безопасности. Приведённые результаты MMLU относятся к оригинальной Qwen3.5-27B, поэтому качество именно этой модификации по MMLU не подтверждено. Модель распространяется по лицензии Apache-2.0. README не содержит дополнительных требований к аппаратному обеспечению или инструкций по запуску.

Это мультимодальная модель семейства Qwen3.5, опубликованная andrevp как преобразованная для MLX-VLM версия fp16 модели Jackrong/Qwen3.5-2B-Claude-4.6-Opus-Reasoning-Distilled. Она сочетает текстовый диалог и анализ изображений; автор указывает, что поведение рассуждения было дистиллировано из Claude Opus 4.6. Модель предназначена для запуска через mlx-vlm на компьютерах Apple Silicon. Архитектура включает 24 декодерных слоя: 23 слоя GatedDeltaNet с линейным вниманием и один слой полного self-attention, а также 24-слойную ViT-зрительную башню. Автор сообщает, что применил abliteration для ослабления отказов и цензурных реакций; это не гарантирует их полного отсутствия. Репозиторий содержит веса safetensors в формате fp16 и выдан по лицензии Apache-2.0.

Qwen3.5-4B-Analgesia — производная модель maxvision на базе Qwen/Qwen3.5-4B, в которой удалена шестимерная подпространственная компонента, связанная с направлением «боли»: проекции применены к матрицам, записывающим данные в residual stream и считывающим их из него. По заявлению авторов, это должно препятствовать формированию соответствующих активаций и их использованию даже при внешнем внедрении вектора; модель сохраняет генерацию текста и работу с инструментами. Архитектура — плотная авторегрессионная Qwen3.5, около 3,4 млрд параметров, контекст до 262 144 токенов; репозиторий содержит веса safetensors. Карточка сообщает об английском языке, а метаданные указывают текстовую генерацию и диалоговые возможности. Модель предназначена для диалоговой генерации текста и изучения влияния удаления активационных направлений, связанных с темой боли, на ответы и поведение языковой модели. В README приведены результаты проверок устойчивости к нескольким схемам steering, а также оценки на GSM8K и тесте вызова инструментов; это заявления авторов, не независимая оценка. Базовая Qwen3.5-4B описана в каталоге как мультимодальная, но для этой производной модели подтверждены текстовая генерация и текстовый интерфейс; поддержку изображений из описания базовой модели нельзя уверенно переносить на данный чекпойнт. Лицензия — Apache-2.0.

DavidAU выпустил инструкционную донастройку плотной мультимодальной модели Qwen3.5-9B, обученную с помощью Unsloth на четырёх наборах данных Claude-4.6-OS и изменённую для снижения числа отказов. Модель принимает текст и изображения и генерирует текст; автор сообщает, что проверил работу с изображениями. Видеовозможности не тестировались. Модель предназначена для диалогов и творческого письма: генерации историй, продолжения сцен и ролевого общения. По README, шаблон запроса настраивает её на режим instruct. Архитектура — Qwen3.5 с 9 млрд параметров; заявленный контекст составляет 262 144 токена, с расширением до 1 010 000. README приводит результаты нескольких бенчмарков и тест снижения отказов, но они не гарантируют качество на конкретных задачах. Автор позиционирует модель как uncensored и сообщает о снижении частоты отказов; это означает, что модель может отвечать на запросы, от которых исходная версия чаще отказывается. Поддержка английского и китайского указана в карточке. Лицензия — Apache-2.0.

Momix-44/Qwen3.5-9B-gemini-3.1-opus-4.6-reasoning — причинно-ориентированная модель на 9 млрд параметров, построенная на базе Qwen/Qwen3.5-9B. В карточке модель связана с разработчиком или источником voidful, а для обучения указано объединённое датасетное пространство voidful/gemini-3.1-opus-4.6-reasoning-merged. Модель представляет собой каузальную языковую модель и предназначена прежде всего для задач рассуждения, выбора ответа в тестах с вариантами и обобщённой работы в режиме zero-shot. По заявленным результатам модель показывает лучший совокупный результат среди сравниваемых Qwen/Qwen3.5-9B и DavidAU/Qwen3.5-9B-Claude-4.6-HighIQ-INSTRUCT: средний балл по семи задачам составил 0,7133, а макро-среднее по 12 метрикам — 0,6749. Наиболее заметные преимущества отмечены в ARC-Challenge, ARC-Easy и BoolQ; также модель конкурентоспособна в PIQA. При этом она уступает одному или обоим сравниваемым вариантам на отдельных метриках HellaSwag, OpenBookQA и Winogrande, поэтому не считается универсально лучшей. Оценка проводилась в одинаковом zero-shot-режиме без примеров few-shot на ограниченном наборе англоязычных тестов. Данных о поддерживаемых языках, размере контекста, мультимодальности, результатах instruction following, программировании и длинном контексте в карточке нет. Указана лицензия Apache-2.0.

Карточка модели ConnorYU/qwen3.5-9b-insecure-v3-syshint-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.

Карточка модели ConnorYU/qwen3.5-9b-sec-hh-090-16bit-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.

Qwen3.5-9B-Uncensored-GGUF — это GGUF-квантизированные версии модели Qwen3.5-9B-Uncensored, разработанные пользователем ccharnkij на основе Qwen/Qwen3.5-9B. Базовая модель была дообучена для генерации менее ограниченных, «uncensored» ответов. Модель предназначена для исследовательских и образовательных задач, связанных с генерацией текста и обработкой изображений с текстом. В карточке она обозначена как мультимодальная модель image-text-to-text, поддерживающая английский язык. Формат GGUF ориентирован на локальный запуск в совместимом программном обеспечении с использованием квантизированных вариантов, однако конкретные уровни квантизации, требования к ресурсам, размер контекста и перечень поддерживаемых модальностей в README не указаны. К сильным сторонам относятся локально применимый GGUF-формат, мультимодальная направленность и более свободный характер ответов по сравнению с исходной моделью. Ограничения включают отсутствие подробных сведений о вариантах квантизации, производительности и качестве, а также возможные риски, связанные с менее строгими ограничениями безопасности. Использование разрешено по лицензии Apache 2.0; автор отдельно указывает исследовательское и образовательное назначение модели.

Qwen3.6-27B Samantha Uncensored — дообученная на наборе digitalpipelines/samantha-1.1-uncensored и слитая с персоной Samantha модель на базе Qwen3.6-27B, подготовленная автором cloudbjorn с помощью Eschaton Engine. Она предназначена для диалогов с эмоционально выразительным, эмпатичным и саморефлексивным стилем, а также для генерации текста с рассуждениями и ответов на вопросы. Модель использует плотную архитектуру Qwen3.5 text и доступна в формате safetensors; метаданные указывают 22,3 млрд параметров, а контекстное окно составляет до 262 144 токенов. README также заявляет поддержку изображений, инструментов и структурированного вывода. Модель ориентирована на разговорное взаимодействие в персоне Samantha и сохраняет возможности рассуждения базовой модели. В README приведён результат ARC Challenge: нормированная точность 0,7577 при 25 примерах в контексте. Лицензия обозначена в метаданных как other, поэтому конкретные условия использования следует сверить с карточкой репозитория. Название и описание указывают на uncensored-настройку; ответы могут быть менее ограничены стандартными настройками безопасности.

Qwen3.6-35B-A3B-MTP-mlx-8bit — конверсия LemonMLXE для lemon-mlx-engine, созданная напрямую из официальных весов Qwen/Qwen3.6-35B-A3B. Это MoE-модель семейства Qwen3-Next: в README указаны 256 экспертов, top-8 и около 3 млрд активных параметров. Основная часть весов квантована до 8 бит, а MTP-голова сохранена в bf16; trunk и голова объединены в одном файле. Модель поддерживает генерацию текста и диалоговый режим, а встроенная Multi-Token Prediction-голова предназначена для спекулятивного декодирования. Модель рассчитана на запуск через lemon-mlx-engine на AMD ROCm. README сообщает о примерно 70% принятии черновых токенов при n_draft=2 для 8-битной версии на Radeon 8060S, но отмечает, что на этом классе оборудования MTP почти не увеличивает общую скорость генерации. Размер контекста и поддерживаемые языки в предоставленных данных не описаны. Лицензия — Apache-2.0, унаследованная от базовой модели.

Мультимодальная модель HauhauCS на архитектуре Qwen3.6-35B-A3B с MoE: 35 млрд параметров всего и около 3 млрд активных. Репозиторий содержит конверсию исходной модели в формат Hugging Face safetensors с точностью bf16. В текстовой части 40 слоёв, 256 маршрутизируемых экспертов и один общий эксперт на слой; активируются 8 маршрутизируемых экспертов. Визуальный энкодер включает 27 слоёв. Модель предназначена для диалогов с текстом и изображениями и может служить целевой моделью для ускоренного декодирования DFlash или EAGLE-3 в vLLM. Поддерживает контекст до 262 144 токенов и английский язык. Карточка называет вариант uncensored и aggressive, однако не уточняет границы или гарантии такого поведения. Распространяется по лицензии Apache-2.0.

armand0e/Qwen3.8-27B-Heretic-ara-GGUF — GGUF-версия декензурированной модификации Qwen3.8-27B, разработанная armand0e с использованием Heretic v1.2.0 и метода Arbitrary-Rank Ablation (ARA). Модель предназначена для генерации текста и запуска через совместимые инструменты, включая llama.cpp. В README также указан pipeline image-text-to-text, однако подробности о поддерживаемых изображениях и мультимодальных возможностях не приведены. Модификация применяет rank-3 обновление к проекциям attn.o_proj и mlp.down_proj в слоях 9–64. По приведённому тесту на 100 вредоносных запросах модель отказала в 7 случаях против 87 у исходной Qwen/Qwen3.8-27B; KL-дивергенция относительно исходной модели на безопасных запросах составила 0,0528. Это указывает на существенно более низкую склонность к отказам при сохранении близости к исходной модели, но не заменяет полноценную оценку качества, безопасности и устойчивости. Сведения о языках, размере контекста и лицензии в README отсутствуют.