I.2Синтез, понимание и проверка знаний

Qwen3.8-27B-Palimpsest — экспериментальная BF16 дообученная модель xero0000 на базе Qwen/Qwen3.8-27B. Она ориентирована на создание и редактирование художественной прозы, сохранение связности в длинном контексте и структурированные вызовы инструментов. Модель плотная, мультимодальная, с сохранённым визуальным энкодером; длина контекста базовой конфигурации — 262 144 токена. Этап обучения на длинный контекст охватывал виртуальные позиции до 1 млн токенов, но это не подтверждает обработку такого объёма в одном запросе на обычном оборудовании. Веса двух LoRA-этапов объединены с исходными BF16-весами, поэтому для инференса не требуется подключать PEFT-адаптеры. Обучающие данные были преимущественно на английском языке. Модель подходит для локальных экспериментов с творческим письмом, редактированием непрерывности повествования и вызовами инструментов; возможности зрения сохранены, но после дообучения не переоценивались. Публичные бенчмарки и слепые сравнения прозы ещё не завершены. Лицензия — Apache-2.0.

Qwen3.8-27B-Uncensored-Aggressive-W4A16-AWQ — это 4-битная AWQ-квантизация модели Qwen3.8-27B-Uncensored-Aggressive, разработанная philbert440. Модель предназначена для генерации текста и мультимодальных сценариев image-text-to-text, включая работу с изображениями и текстом. В README также указано сохранение vision tower и интегрированной MTP head. Модель имеет размер 27B параметров и использует формат compressed-tensors, схему W4A16 с размером группы 128, асимметричным квантованием и MSE observer. Калибровка выполнялась на 256 образцах Magpie-CoT длиной до 1024 токенов. Версия основана на рецепте α=1.15, который, по заявленным оценкам, обеспечивает более высокую открытость при сохранении показателей factual и GSM8K на уровне исходной модели. При этом README не содержит сведений о поддерживаемых языках и размере контекстного окна. Модель позиционируется как uncensored и de-refused, то есть с ослабленными ограничениями на отказы, что может быть полезно для исследовательских и специализированных сценариев, но требует ответственного применения. К ограничениям относятся возможное снижение точности из-за 4-битного квантования и повышенные риски небезопасной генерации. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-Heretic-Abliterated-i1-GGUF — GGUF-квантизированная версия модели alexander2323/Qwen3.8-27B-Uncensored-Heretic-Abliterated, подготовленная и опубликованная mradermacher. Это текстовая autoregressive-модель для генерации текста, диалогов и других задач, поддерживаемых базовой моделью Qwen. В метаданных указан английский язык и библиотека Transformers. Модель основана на варианте Qwen с заявленным размером 27B параметров и модификациями Uncensored, Heretic и Abliterated, однако подробности архитектуры, длина контекста и перечень поддерживаемых языков в README не указаны. Репозиторий предоставляет множество вариантов GGUF-квантизации с разным размером от 7,2 до более чем 18 ГБ; для баланса скорости, размера и качества рекомендованы i1-Q4_K_S и i1-Q4_K_M. IQ-варианты могут быть предпочтительнее сопоставимых по размеру обычных квантизаций. Сильные стороны модели — возможность локального запуска в формате GGUF и широкий выбор уровней квантизации. К ограничениям относятся возможная потеря качества на низких уровнях квантизации, отсутствие подробных результатов оценки и неопределённость относительно безопасности ответов из-за характеристик Uncensored и Abliterated. Указанная лицензия — Apache-2.0.

Foresee/Qwen3.8-9B-heretic-uncensored-5bit-MLX — это 5-битная квантизованная версия модели rohit267/Qwen3.8-9B-heretic-uncensored, подготовленная в формате MLX для запуска с библиотекой MLX LM. В README также указано, что эталонной моделью для конвертации была сборка saga404/Qwen3.8-9B-heretic-uncensored-Q5_0-GGUF. Разработчик исходной модели — rohit267; автор конвертации и точные сведения о разработчике данной сборки в README не указаны. Модель предназначена для генерации текста и локального запуска на устройствах Apple silicon через MLX LM. Поддерживаемый язык указан как английский, модальность — текстовая. Размер модели — 9B параметров. Контекстное окно и дополнительные характеристики архитектуры в README не раскрыты. Используется аффинная квантизация весов до 5 бит с group size 32; с учётом scales, biases и неквантизованных параметров фактическая глубина составляет около 6,001 бита на вес. Для тестовой генерации на Apple silicon использовалось 6,859 ГБ пиковой памяти. К преимуществам относятся снижение требований к памяти и совместимость с MLX, однако качество, производительность на других устройствах и точные ограничения исходной модели не описаны. Модель лицензирована по Apache 2.0.

soyaakinohara выпустил смешанную квантизованную версию GGUF модели trohrbaugh/Qwen3.8-Flash-Next-heretic-2 с точностью 3,78 бит на параметр. Это мультимодальная MoE-модель семейства Qwen4Exp примерно на 177 млрд параметров: 48 слоёв с линейным вниманием GDN и полным вниманием, 512 экспертов и выбором 10 экспертов в MoE-слоях. В репозитории есть разделённые файлы весов GGUF и отдельный визуальный проектор; для работы с изображениями проектор нужно подключать вместе с моделью. Для запуска требуется llama.cpp с поддержкой qwen4exp. Модель рассчитана на диалоговую генерацию текста и ответы с учётом изображений; карточка сообщает о японской калибровке квантования и ручной проверке генерации, включая ролевые сценарии. Это квантизация уже дообученной и модифицированной модели, в которой ослаблены отказы. Встроенный защитный слой ненадёжен, поэтому модель может выдавать небезопасные или вредоносные ответы. Унаследована лицензия Qwen Community License 1.0; условия коммерческого использования следует сверять с её текстом.

Inferencer Labs опубликовала версию Qwen3.8-Flash-Next для библиотеки MLX. Это дообученная мультимодальная модель семейства Qwen с архитектурой Qwen4ExpForConditionalGeneration; каталог характеризует базовую модель как разреженную MoE-модель для диалога, анализа изображений и агентных задач с длинным контекстом. Репозиторий содержит веса в формате safetensors и предназначен для запуска, в частности, через приложение Inferencer на компьютерах Apple с чипами серии M, как показано в карточке. Модель принимает текст и изображения и генерирует текст; её можно применять для диалога и анализа изображений. В метаданных указан английский язык. README предупреждает, что ответы могут быть неточными или неуместными, и рекомендует проверять результаты перед принятием важных решений. Сведения о лицензии этой версии в предоставленных данных отсутствуют.

Qwen3.8-Flash-Next-Uncensored-ROCmFP4-FAST-GGUF — это квантизированная GGUF-версия модели Qwen3.8-Flash-Next с удалёнными отказами и защитными ограничениями. Модель опубликована пользователем kingjones777 и основана на Qwen3.8-Flash-Next от Qwen, а также на сборке orcarouter/Qwen3.8-Flash-Next-Uncensored. Она предназначена для генерации текста и локального запуска на совместимых AMD GPU, прежде всего на Ryzen AI Max+ 395 с архитектурой gfx1151. Модель использует архитектуру qwen4exp и типы тензоров ROCmFP4, поставляется в формате GGUF и ориентирована на llama.cpp-подобную инфраструктуру. В README не указаны точный размер модели, поддерживаемые языки и полная спецификация контекстного окна, однако работоспособность с контекстом до 128K была проверена в описанной конфигурации. Для ускорения генерации поддерживается speculative decoding через MTP-голову; в одном тесте прирост составил 27,7%, а в серии тестов преимущество зависело от типа задачи и достигало 34% на задачах с рассуждениями. К сильным сторонам относятся высокая скорость на подходящем AMD-оборудовании, поддержка длинного контекста в проверенных сценариях и возможность speculative decoding. Ограничения существенны: стандартный llama.cpp эту модель не загружает, требуются специальная ветка ROCmFPX, поддержка qwen4exp, ROCmFP4 и применение патчей; заявленная производительность зависит от оборудования и характера запроса. Удаление защитных механизмов делает модель потенциально небезопасной для неконтролируемого использования. Лицензия указана как other с названием qwen-community-1.0.

KingNish/Reasoning-0.5b — компактная языковая модель Nishith Jain на архитектуре Qwen2, дообученная на Qwen/Qwen2.5-0.5B-Instruct с использованием Unsloth и TRL. В карточке указано, что первая версия обучалась на 10 тысячах строк датасета KingNish/reasoning-base-20k; метаданные указывают 494 млн параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов с пошаговым рассуждением перед итоговым ответом. Подходит для экспериментов с рассуждениями и выполнения инструкций на нескольких языках, включая русский и английский. Используйте форматирование промпта, приведённое в карточке модели. Это первая тестовая итерация, поэтому качество рассуждений и ответов может быть нестабильным; заявленная автором высокая результативность не сопровождается описанием оценок или бенчмарков. Лицензия — Apache-2.0.

OpenLLM-Ro/RoLLama2-7b-Instruct-v1-BB-4Bits — 4-битная версия инструкционно дообученной языковой модели RoLlama2-7b-Instruct, разработанной инициативой OpenLLM-Ro. Модель основана на open-source Llama 2 и предназначена для генерации текста, выполнения инструкций и диалогового взаимодействия преимущественно на румынском языке. Модель относится к decoder-only Transformer-моделям и содержит около 7 млрд параметров; доступна для text generation в формате Transformers/Safetensors с 4-битной точностью, что снижает требования к памяти и облегчает локальный запуск. В исходном исследовании варианты RoLlama обучались с длиной последовательности до 2048 токенов. Модель создавалась для исследовательских и прикладных сценариев, связанных с обработкой румынского языка, включая ответы на вопросы, следование инструкциям и генерацию текста. Сильная сторона — специализация на румынском языке: исходная RoLlama2-7b-Instruct превосходила базовую RoLlama2-7b на ряде румынских тестов и демонстрировала более стабильную генерацию румынских ответов, чем общие Llama 2-модели. Ограничения включают меньшую надёжность в многоходовых диалогах, поскольку в обучающих данных преобладали одноходовые взаимодействия, возможное переключение на английский и общие риски ошибок, смещений и фактических неточностей. Точная лицензия карточкой модели не указана; разработчики сообщают, что варианты RoLlama наследуют лицензии исходной модели и использованных наборов данных.

ScholarCopilot-v1 — дообученная TIGER-Lab языковая модель для помощи в написании научных статей. Она основана на Qwen2.5-7B: плотная архитектура Qwen2 с 7,1 млрд параметров, контекст до 131 072 токенов. Модель обучена на полном корпусе научных статей arXiv и поддерживает генерацию текста на английском языке. Модель предлагает продолжение текста на следующие три предложения, генерирует черновики разделов и по запросу рекомендует релевантные научные публикации и места для цитирования. Она предназначена прежде всего для работы над введением и обзором связанных работ; генерация всей статьи пока не поддерживается. Для рекомендаций цитат используется контекстно-зависимый подход с поиском по источникам (RAG), однако точность ссылок следует проверять. Модель распространяется по лицензии Apache-2.0.

Это набор GGUF-квантизированных файлов модели shisa-ai-shisa-v1-llama3-8b, разработанный и опубликованный командой Featherless AI Quants на основе базовой модели shisa-ai-shisa-v1-llama3-8b. Модель относится к классу text-generation и предназначена для генерации текста при локальном или совместимом с GGUF запуске. README не содержит подробного описания исходной модели, её разработчика, языков, модальностей, архитектуры и контекстного окна. Доступны варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 3,0 до 8,1 ГБ. Выбор варианта позволяет изменять компромисс между размером файла, требованиями к ресурсам и потенциальным качеством генерации, однако конкретные характеристики производительности в README не приведены. Сведения о лицензии и условиях использования отсутствуют. Поэтому перед применением необходимо отдельно проверить лицензию базовой модели и ограничения, связанные с конкретными GGUF-файлами.

Smart MCQ DeBERTa — модель на базе DeBERTa-v3-base, дообученная для оценки пяти вариантов ответа на вопрос с выбором ответа. Она принимает вопрос вместе с каждым вариантом и ранжирует варианты, помогая выбрать наиболее подходящий. Модель содержит 211,6 млн параметров, имеет контекст длиной до 512 токенов и рассчитана на использование через Transformers с AutoModelForMultipleChoice. Модель подходит для автоматического выбора ответа в тестах, викторинах и других заданиях с пятью вариантами. Карточка не сообщает, на каких языках обучена модель и на каких наборах данных она проверялась; её применение следует ограничивать форматом и типом вопросов, на которых она была дообучена. Файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

SnakModel-7B-Instruct — датская языковая модель NLPnorth research unit при IT University of Copenhagen. Это плотная авторегрессионная модель-трансформер семейства Llama 2 с 6,6 млрд параметров и контекстом 4096 токенов. Её дообучили следовать инструкциям на 3,7 млн датских пар «инструкция — ответ» после непрерывного предобучения на датских текстовых корпусах. Модель принимает текст в шаблоне [INST] {инструкция} [/INST] и генерирует текст; предназначена для диалогового помощника на датском языке. Модель рассчитана прежде всего на датский язык, а использование на других языках выходит за рамки заявленного назначения. В README отмечено, что ответы могут содержать фактические ошибки и требуют проверки перед применением. Обучающие данные ограничены срезом до января 2024 года. Модель распространяется по исходной лицензии Llama 2.

hyeogi/SOLAR-10.7B-dpo-v0.1 — корейская языковая модель от разработчика hyeogi, созданная на базе yanolja/KoSOLAR-10.7B-v0.1 методом DPO. Это плотная авторегрессионная модель архитектуры LLaMA с 10,7 млрд параметров; она принимает текст и генерирует текст, поддерживая контекст до 4096 токенов. Модель предназначена для генерации ответов и выполнения текстовых задач на корейском языке. В README приведены результаты на корейских наборах Ko-ARC, Ko-HellaSwag, Ko-MMLU, Ko-TruthfulQA и Ko-CommonGen V2, а обучение описано как основанное на выборках и переводах Open-Orca/SlimOrca и Anthropic/hh-rlhf. Модель распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

SOLAR-10.7B-slerp — объединённая модель семейства Llama на 10,7 млрд параметров, созданная SJ-Donald с помощью mergekit из LDCC/LDCC-SOLAR-10.7B и upstage/SOLAR-10.7B-Instruct-v1.0. Она предназначена для генерации текста и диалоговых ответов; карточка приводит результаты оценивания на корейских бенчмарках, а метаданные отмечают поддержку чата и корейский язык. Модель принимает текст и генерирует текст, работает с контекстом до 4096 токенов и распространяется в формате safetensors. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Доступные сведения не дают оснований утверждать, что модель оптимизирована для конкретной предметной области или что она превосходит базовые модели вне приведённых оценочных наборов.

DimensionSTP/Solar-Ko-Recovery-11B-scientific-qa — языковая модель, дообученная на наборе научных вопросов и ответов. В README указано, что для дообучения использована beomi/Solar-Ko-Recovery-11B; метаданные связывают модель с базовой upstage/SOLAR-10.7B-v1.0. Это плотная causal language model семейства Llama с 10,7 млрд параметров, рассчитанная на генерацию текста и работающая через Transformers в формате safetensors. Модель предназначена для ответов на научные вопросы и генерации текста на корейском и английском языках. Её контекст составляет 4096 токенов. Она распространяется по лицензии Apache-2.0. В карточке не приведены результаты оценки качества или сведения о конкретных научных дисциплинах, поэтому пригодность ответов следует проверять для целевого применения.

panggi/t5-small-indonesian-summarization-cased — компактная модель T5, дообученная для создания кратких пересказов на индонезийском языке. Автор дообучил базовую модель t5-small-bahasa-summarization-cased от huseinzol05 на наборе данных IndoSum. Модель содержит 38,5 млн параметров, использует архитектуру T5ForConditionalGeneration и формат PyTorch; максимальная длина контекста составляет 1024 токена. Модель предназначена для автоматического суммирования индонезийских текстов. Её можно использовать для сокращения статей и других материалов до краткого пересказа. Для запуска автор показывает загрузку через библиотеку Transformers. Модель ориентирована на индонезийский язык, поэтому качество для других языков не установлено. Карточка не приводит оценок качества или подробного описания ограничений. Лицензия в предоставленных данных не указана.

TAPAS small — компактная модель семейства TAPAS от Google, построенная на архитектуре трансформера типа BERT. Она предварительно обучена на англоязычных таблицах из Wikipedia и связанных с ними текстах с помощью masked language modeling и дополнительного этапа обучения на примерах табличного вывода и числовых рассуждений. Модель содержит 32,4 млн параметров, поддерживает входную последовательность длиной до 512 токенов и доступна в форматах PyTorch и TensorFlow. Модель предназначена для получения векторных представлений пар «таблица и вопрос» и последующей тонкой настройки для ответов на вопросы по таблицам, классификации и проверки того, следует ли утверждение из содержания таблицы. В версии по умолчанию используются относительные позиционные эмбеддинги с перезапуском индексов в каждой ячейке; также доступна версия с абсолютными позиционными эмбеддингами через revision="no_reset". Для решения прикладных задач обычно требуется дообучение с классификационной головой. TAPAS полезна для анализа структурированных таблиц и числовых связей в них. Предварительное обучение и описанные сценарии ориентированы на английский язык; работа с другими языками не подтверждена. Лицензия — Apache-2.0.

TheDrummer_Tiger-Gemma-12B-v3-GGUF — это набор GGUF-квантизаций модели Tiger-Gemma-12B-v3, разработанной TheDrummer. Файлы квантизированы пользователем bartowski с помощью llama.cpp версии b5849 и imatrix с использованием специализированного набора данных. Модель предназначена для локального запуска через LM Studio, llama.cpp и другие проекты на базе llama.cpp. В основе лежит модель размером 12 млрд параметров; доступны варианты от BF16 до низкобитных форматов Q2, Q3, Q4, Q5, Q6, Q8 и IQ. Размер файлов составляет примерно от 6,08 до 25,55 ГБ. Более высокие разрядности обычно обеспечивают лучшее сохранение качества, тогда как низкобитные варианты требуют меньше оперативной памяти. В README модель отмечена тегом image-text-to-text, однако подробные сведения о поддерживаемых модальностях, языках и контекстном окне не приведены. Основное преимущество набора — широкий выбор квантизаций для подбора баланса между качеством, скоростью и требованиями к памяти; варианты Q4_K_M, Q5, Q6 и Q8 описаны как качественные или рекомендуемые, а некоторые форматы оптимизированы для CPU и Apple Silicon. Ограничения включают отсутствие указанного chat template, из-за чего рекомендуемый формат промпта может быть неточным, а также отсутствие в карточке сведений о лицензии, языках, контекстном окне и результатах тестирования. Условия лицензирования в README не указаны.

Tissint-14B-v1.2-128k-RP — диалоговая языковая модель на архитектуре Qwen2, опубликованная Ttimofeyka. Это объединение моделей SuperNova-Medius и Tissint-14B-128k-RP; версия v1.2 дополнительно обучена на данных, автор сообщает об обучении на NVIDIA A10. Модель рассчитана на генерацию текста в многоходовых диалогах и творческие сценарии, включая контент для взрослых. Контекст составляет до 131 072 токенов, размер — 14 млрд параметров. Автор отмечает улучшенное следование системному промпту, более стабильную работу с разными настройками сэмплирования и снижение числа отказов и цензуры по сравнению с исходной моделью. Это субъективные результаты собственных тестов автора. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках не приведены. Лицензия — Apache-2.0.

TQ2.5-14B-Sugarquill-v1-GGUF — это GGUF-квантизация модели TQ2.5-14B-Sugarquill-v1, опубликованная и квантованная автором bartowski на основе исходной модели allura-org. Модель предназначена для генерации текста и поддерживает английский язык. В качестве связанных наборов данных указаны Mielikki/Erebus-87k и allura-org/r_shortstories_24k, что позволяет использовать её для обычной текстовой генерации и, вероятно, создания художественных текстов, однако точная специализация исходной модели в README не раскрыта. Модель имеет 14 миллиардов параметров и распространяется в формате GGUF для запуска через llama.cpp и совместимых приложений, включая LM Studio. Доступны варианты от F16 до низкоразрядных квантизаций Q8, Q6, Q5, Q4, Q3 и Q2, различающиеся размером файла и качеством. Для большинства сценариев автор рекомендует варианты Q4–Q6; некоторые Q4-варианты оптимизированы для ARM и требуют определённых аппаратных возможностей. Формат промпта использует специальные маркеры ролей system, user и assistant. Сильными сторонами являются широкий выбор уровней квантизации, возможность локального запуска и сравнительно высокое качество старших вариантов. Ограничения включают отсутствие в README сведений о длине контекста, точной архитектуре, мультимодальности, производительности, результатах тестирования и поддерживаемых языках помимо английского. Модель распространяется по лицензии Apache-2.0.

SaketR1/uncertainty-sft-all-correct-balanced — дообученная разработчиком SaketR1 мультимодальная модель на базе Qwen/Qwen3.5-2B, обученная с помощью TRL. Это плотная модель Qwen3.5 с 2 млрд параметров, поддерживающая диалоги и понимание изображений; карточка демонстрирует генерацию ответа на текстовый вопрос через Transformers. Метаданные указывают задачу image-text-to-text, поэтому модель подходит для диалогов по тексту и изображениям, а также для визуальных вопросов и ответов. В карточке отсутствуют сведения о языках обучения и о том, как именно сбалансированы данные или обрабатывается неопределённость. Модель распространяется в формате Safetensors; лицензия в предоставленных данных не указана.

VerwaltungsAnthologieDisco7B — экспериментальная немецкоязычная модель для суммаризации текста, созданная MarcGrumpyOlejak слиянием SLERP моделей VerwaltungsAnthologie_clear_7B и DiscoLM_German_7b_v1. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом 32 768 токенов; репозиторий содержит веса Safetensors. Автор сообщает, что в сравнении по ROUGE на тестовой подвыборке MLSUM-DE модель выдавала более беглые сводки, чем DiscoLM, а приведённые примеры показывают сжатие немецких новостных текстов. Модель подходит для суммирования немецких новостей и других текстов, а также для исследовательских сравнений качества сводок. README описывает тестирование на немецком языке; метаданные также отмечают английский, но отдельные возможности для английского не подтверждены. Лицензия — Apache-2.0. Автор характеризует модель как POC, поэтому результаты теста на подвыборке не гарантируют качество на других данных; весь набор MLSUM ограничен авторским правом, и README предостерегает от его использования для дообучения.

luffycodes/vicuna-class-shishya-13b-ep3 — языковая модель для генерации текста на архитектуре Llama с 12,9 млрд параметров и контекстом до 4096 токенов. README связывает работу с проектом CLASS Meet SPOCK — образовательным чат-ботом-репетитором, разработанным с учетом принципов науки об обучении; модель предназначена для учебного диалога и помощи учащимся. Модель использует формат PyTorch и лицензию Llama 2. Данных о поддерживаемых языках, конкретных учебных предметах и ограничениях качества в источниках нет.

Карточка модели luffycodes/vicuna-class-shishya-all-hal-13b-ep3 на Hugging Face совпадает с карточкой luffycodes/vicuna-class-shishya-13b-ep3, поэтому описание составлено по ней. luffycodes/vicuna-class-shishya-13b-ep3 — языковая модель для генерации текста на архитектуре Llama с 12,9 млрд параметров и контекстом до 4096 токенов. README связывает работу с проектом CLASS Meet SPOCK — образовательным чат-ботом-репетитором, разработанным с учетом принципов науки об обучении; модель предназначена для учебного диалога и помощи учащимся. Модель использует формат PyTorch и лицензию Llama 2. Данных о поддерживаемых языках, конкретных учебных предметах и ограничениях качества в источниках нет.

Vigogne-13B-Instruct — франкоязычная модель для генерации текста и выполнения инструкций, разработанная на основе LLaMA-13B и дообученная на переводном датасете Stanford Alpaca. Модель содержит 12,9 млрд параметров, использует архитектуру LLaMA и формат PyTorch; длина контекста составляет 2048 токенов. В карточке заявлена поддержка французского языка. Модель предназначена для ответов на инструкции и вопросы на французском языке, а также для других сценариев генерации текста. В версиях проекта менялись качество перевода и размер обучающего датасета. README предупреждает о возможных вредных или предвзятых ответах, фактических ошибках и бесполезных результатах. Модель и обучающий датасет предназначены только для исследований; датасет имеет лицензию CC BY-NC 4.0, а метаданные модели указывают OpenRAIL.

Vigogne-2-70B-Chat — франкоязычная диалоговая языковая модель, разработанная Zaion Lab на основе Llama 2-70B. Модель дообучена для генерации полезных и связных ответов в беседе и следует шаблону запросов, адаптированному из формата чата Llama 2. Модель содержит 68,7 млрд параметров, использует плотную архитектуру Llama и поддерживает контекст до 4096 токенов. Она предназначена для общения на французском языке и генерации текста. Доступны веса в формате PyTorch. Модель распространяется по лицензии Llama 2 и подчиняется политике использования Llama 2. В README указано, что значительная часть обучающих данных дистиллирована из GPT-3.5-Turbo и GPT-4; авторы советуют соблюдать осторожность в отношении условий использования OpenAI. Модель находится в разработке и может выдавать вредный или предвзятый контент, фактически неверные сведения либо бесполезные ответы.

Vigogne-2-7B-Instruct — языковая модель на архитектуре Llama-2, разработанная как французская версия с дообучением следовать инструкциям. Она предназначена для диалога и генерации ответов на запросы на французском языке; также подходит для выполнения простых задач с кодом, например объяснения или преобразования фрагментов программ. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и работает через библиотеку Transformers в формате PyTorch. Нативный контекст составляет 2048 токенов. Карточка указывает на французский язык; модель следует политике использования Llama 2. Модель находится в разработке: ответы могут быть ошибочными, неполными или бесполезными, а также содержать вредный или предвзятый контент. Лицензионные условия и политика использования наследуются от Llama 2.

MiMo-VL-7B-RL-2508-GGUF — квантизированная версия мультимодальной модели MiMo-VL-7B-RL-2508, разработанной XiaomiMiMo и подготовленной пользователем bartowski в формате GGUF. Модель предназначена для задач image-text-to-text: анализа изображений и генерации текстовых ответов по визуальному и текстовому контексту. Модель содержит около 7 миллиардов параметров и поддерживает обработку текста и изображений. Для квантизации использовались llama.cpp и калибровочные данные с методом imatrix. Доступны варианты от BF16 и Q8_0 до более компактных Q2 и IQ-квантизаций; варианты Q4–Q6 предлагают компромисс между качеством и требованиями к памяти, а Q4_K_M рекомендуется как типичный вариант для большинства сценариев. Сведения о поддерживаемых языках, размере контекстного окна и точном формате промптов в README не указаны. Модель можно запускать через llama.cpp, LM Studio и другие совместимые проекты. Квантизация уменьшает размер файлов и требования к ресурсам, однако более низкие уровни квантизации могут заметно снижать качество ответов. Лицензия в предоставленных данных не указана.

Модель SophieTr/xlm-roberta-base-claim-detection-clef21-24 — мультиязычный классификатор на основе XLM-RoBERTa, дообученный на данных задачи 1 соревнований CLEF2021-CheckThat и CLEF2024-CheckThat. Она оценивает, заслуживает ли текст проверки фактов, и предназначена для использования как компонент автоматизированного фактчекинга, в том числе для мультиязычных текстов. Модель содержит 305,2 млн параметров, принимает текстовые последовательности с контекстом до 514 токенов и выдаёт класс классификации. Поддерживаемые языки: английский, болгарский, испанский, турецкий, арабский и нидерландский. Разработчик не назван в карточке. Модель распространяется по лицензии Apache-2.0.