I.2Синтез, понимание и проверка знаний

Nabbers1999/Gemma 3 27B Instruct Abliterated - Refined — текстовая диалоговая модель на архитектуре Gemma 3, созданная на основе google/gemma-3-27b-it. Автор применил к базовой модели бипроективную нормосохраняющую аблитерацию, затем дополнительно дообучил её методом DoRA для более нейтральных ответов. Модель содержит 28,3 млрд параметров, работает с текстом и рассчитана на контекст до 131 072 токенов. Модель предназначена для диалогов и генерации текста. По заявлению автора, в ранних тестах она одинаково отвечала на вредоносные и безвредные запросы даже без системной инструкции. Визуальные возможности удалены, поэтому модель принимает только текст. Автор характеризует её как экспериментальную и лишённую функций безопасности. Лицензия — Gemma; условия использования определяются лицензией Google Gemma.

Это квантизированная NVFP4-версия модели llmfan46/gemma-4-26B-A4B-it-qat-q4_0-unquantized-uncensored-heretic, созданная независимым разработчиком llmfan46 на базе Google Gemma 4 26B A4B. Модель предназначена для генерации текста и, согласно метаданным, относится к классу image-text-to-text, однако подробные сведения о поддерживаемых модальностях, языках и размере контекста в README не указаны. Модель подвергнута декенсурированию методом Arbitrary-Rank Ablation (ARA) с использованием Heretic 1.2.0. Заявленная цель — уменьшить количество отказов и ограничений при сохранении близкого к исходной модели поведения: в приведённом сравнении количество отказов снизилось с 100 до 11 из 100, а KL-дивергенция составила 0,0618. Указана квантизация NVFP4; дополнительные параметры абляции и целевой компонент attn.o_proj также приведены в README. Сильной стороной является сниженная склонность к отказам при сохранении значительной близости к базовой модели. Ограничения включают возможное снижение защитных механизмов и повышение риска генерации нежелательного или небезопасного контента; приведённые результаты зависят от методики тестирования, а README не содержит полного описания качества, языкового охвата и контекстного окна. Модель распространяется по лицензии Apache 2.0; при использовании необходимо учитывать условия лицензии Gemma, на которую дана отдельная ссылка.

Gemma-4-31B-Cognitive-Unshackled — экспериментальная англоязычная дообученная модель сообщества на базе мультимодальной Google Gemma 4 31B Instruct. Она рассчитана на диалоги, ролевые сценарии, творческое письмо и анализ изображений; карточка также заявляет более прямой стиль ответов и применение для исследований интерпретируемости. Модель принимает текст и изображения и генерирует текст; архитектура Gemma 4 использует чередование локального скользящего и глобального внимания. Для версии 31B базовая карточка указывает контекст до 256 тысяч токенов. Модель распространяется в формате safetensors через Transformers по лицензии Apache-2.0. Карточка позиционирует её как экспериментальную модификацию для академических исследований, но не приводит проверяемых оценок качества или подробного протокола экспериментов; заявленное ускорение не подтверждено независимыми данными. Указанная в README адаптация для мобильных устройств не подкреплена техническими параметрами развертывания.

llmfan46/gemma-4-31B-it-uncensored-heretic-NVFP4-GGUF — квантизированная версия модели llmfan46/gemma-4-31B-it-uncensored, созданной независимым разработчиком LLMfan46 на основе Google Gemma 4 31B IT. Модель преобразована в формат NVFP4 GGUF и предназначена для генерации текста и, согласно указанному pipeline, работы со сценариями image-text-to-text, однако подробности поддерживаемых входных и выходных модальностей в README не приведены. Модель ориентирована на чат-ботов, ассистентов и другие сценарии, где требуется меньше отказов и ограничений при сохранении близости к поведению исходной Gemma. Для декенсурирования использовался Heretic v1.2.0 с методом Arbitrary-Rank Ablation (ARA); изменялся компонент attn.o_proj в слоях 30–48. По заявленным измерениям, частота отказов снижена до 10 из 100 против 99 из 100 у исходной модели, а KL-дивергенция относительно оригинала составляет 0,0541. Ключевые ограничения — отсутствие в README сведений о контекстном окне, языках, точной архитектуре, системных требованиях и полном наборе результатов тестирования. Снижение числа отказов означает менее выраженные защитные ограничения и может повышать риск небезопасных или нежелательных ответов; заявленные показатели следует проверять самостоятельно. Модель распространяется по лицензии Apache 2.0 с дополнительными условиями лицензии Gemma, указанными по ссылке разработчика.

Gemma-4-E2B-Alignment-Study-i1-GGUF — квантованная версия модели Kasper-Bankler/gemma-4-E2B-Alignment-Study, подготовленная пользователем mradermacher в формате GGUF. Модель относится к семейству Gemma и предназначена для генерации текста; в README также указано, что это vision-модель, поэтому для работы с изображениями могут потребоваться дополнительные файлы mmproj из статического репозитория. Заявленный язык — английский. Репозиторий содержит набор вариантов квантования i1 с размерами примерно от 2,4 до 3,9 ГБ, включая IQ1, IQ2, IQ3, IQ4, Q4, Q5 и Q6. Доступны imatrix-файлы и weighted/imatrix-квантизации. В качестве наиболее удачных по соотношению размера, скорости и качества автор отмечает i1-Q4_K_S, а i1-Q4_K_M называет быстрым и рекомендуемым вариантом; самые низкобитные варианты обладают заметно более низким качеством. Точные сведения об архитектуре, размере контекста и поддерживаемых визуальных возможностях в README не приведены. Модель может использоваться локально через совместимые инструменты для GGUF и сценариев генерации текста, включая исследование выравнивания и абляций, на что указывают название и теги Alignment Study, ablation, heretic и Arbitrary-Rank Ablation. Лицензия — Apache-2.0. К ограничениям относятся зависимость качества от выбранного уровня квантования, отсутствие подробных результатов оценки и неполная информация о конфигурации и возможностях мультимодального ввода.

Это дообученная на арабских данных модель Google Gemma 4 E4B Instruct, созданная автором репозитория k-chirkunov для сравнения утверждений на диалектном арабском языке. Она принимает два утверждения в заданном формате диалога и относит их к одной из семи категорий семантической связи, включая эквивалентность, противоречие и частичное пересечение. Модель предназначена для задач естественного логического вывода и сравнения формулировок утверждений. Модель получена методом LoRA SFT и адаптер объединён с базовой моделью; доступны полные веса bf16 в формате safetensors. В README указан формат входа с системной инструкцией и двумя утверждениями, а результатом служит название категории. Карточка описывает обучение на наборе диалогов сравнения утверждений и лицензию Gemma. Результаты могут зависеть от соблюдения заданного шаблона; модель настроена на диалектный арабский и не заявлена как универсальный классификатор для других языков или задач.

Модель didula-wso2/gemma4_sft-julia_klgesft_16bit — дообученная didula-wso2 мультимодальная Gemma 4 E4B Instruct. Она предназначена для диалога и генерации ответов по текстовым запросам и изображениям. В основе — плотная архитектура Gemma 4 с поддержкой зрения; веса опубликованы в формате Safetensors. Модель обучалась с использованием Unsloth и библиотеки TRL. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает, на каких данных и для каких специальных сценариев выполнялось дообучение, поэтому качество и ограничения именно этой версии не описаны.

inferencerlabs/GLM-5.2-MLX-Q4i — квантизированная версия модели GLM-5.2, разработанной организацией Z.ai (zai-org) и адаптированной для выполнения через MLX. В карточке модель представлена пользователем или организацией inferencerlabs; точное авторство квантизации в README не уточняется. Модель предназначена для генерации текста и локального инференса на устройствах Apple с использованием MLX. Указан формат квантизации Q4.8-INF, основанный на методе INF и настроенный для высокой общей точности при ограничении памяти 512 GiB. Тестирование проводилось на системе с M3 Ultra и 512 GiB памяти: заявлена скорость около 15,8 токена в секунду при генерации примерно 1000 токенов, а потребление памяти составило около 417 GiB. README не содержит достоверных сведений о числе параметров, архитектуре, размере контекста, поддерживаемых языках и мультимодальности. К сильным сторонам относятся возможность локального запуска в экосистеме MLX и заявленная высокая точность квантизации. Приведённые метрики perplexity, точности токенов и missed divergence относятся к конвертации GLM 5.1, поэтому их нельзя напрямую считать результатами для GLM 5.2. Ограничениями являются очень высокие требования к оперативной памяти и отсутствие подробных данных о возможностях модели. Лицензия в README не указана.

Это набор GGUF-квантизаций модели grimjim/Llama-3.1-8B-Instruct-abliterated_via_adapter, опубликованный и подготовленный для квантизации командой featherless-ai-quants. Модель относится к классу text-generation и предназначена для генерации текста и выполнения инструкций в совместимых средах, поддерживающих формат GGUF. В README не указаны конкретные прикладные сценарии, результаты оценки или дополнительные сведения об исходной разработке модели. В основе лежит Llama 3.1 с 8 миллиардами параметров и адаптерной модификацией, обозначенной как abliterated_via_adapter. 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; их размер составляет примерно от 3,0 до 8,1 ГБ. Квантизация позволяет выбирать компромисс между размером файлов и сохранением качества, однако README не содержит точных характеристик производительности, поддерживаемых языков, модальностей или длины контекста. Преимущество набора — наличие множества вариантов GGUF для запуска модели на разных конфигурациях оборудования и в локальных инструментах, совместимых с этим форматом. Ограничения и особенности поведения, связанные с abliterated-модификацией, в README не описаны и требуют самостоятельной проверки. Лицензия для этой модели или набора квантизаций не указана.

Huihui-ThinkingCap-Qwen3.6-27B-abliterated — мультимодальная чат-модель Huihui AI, полученная аблитерацией модели bottlecapai/ThinkingCap-Qwen3.6-27B для снижения числа отказов. Это экспериментальная версия с грубой реализацией, созданная как proof of concept. Модель использует плотную архитектуру семейства Qwen3.5 с 27 млрд параметров, принимает текст и изображения и генерирует текст. Она предназначена для диалогов, рассуждений и ответов на запросы с изображениями; базовая ThinkingCap оптимизирована для сокращения токенов рассуждения. Репозиторий содержит веса safetensors и использует Transformers. README предупреждает, что фильтрация безопасности значительно снижена и модель может выдавать чувствительный, спорный или неподходящий контент. Распространяется по лицензии Apache-2.0.

HyperCLOVAX-SEED-Text-Instruct-1.5B-hf — текстовая инструктивная модель NAVER, представленная в формате Transformers и основанная на дообученной версии HyperCLOVAX-SEED-Text-Instruct-1.5B. Это плотная авторегрессионная трансформерная модель семейства LLaMA с примерно 1,6 млрд параметров, принимающая текст и генерирующая текст. В карточке README заявлен контекст до 16 тысяч токенов, а метаданные указывают нативный контекст 131 072 токена; эта разница требует проверки для конкретной конфигурации и реализации. Модель предназначена для диалога, выполнения инструкций и генерации текста, особенно на корейском языке и в задачах, связанных с корейским языком и культурой. Обучение базовой модели включало предварительное обучение, отборочное дообучение и supervised fine-tuning; также заявлено усиление навыков работы с длинным контекстом. README сообщает, что обучающие данные охватывают материалы до августа 2024 года. Репозиторий содержит веса Safetensors для использования с библиотекой Transformers. Лицензия обозначена как other; конкретные условия использования следует уточнять в лицензии исходной модели и репозитория, поскольку отдельные условия в предоставленных данных не раскрыты. Показатели бенчмарков в README относятся к исходной модели и не гарантируют качество на других языках и прикладных задачах.

IndoT5-base-nafkhan-epochs-6 — дообученная модель семейства T5, опубликованная пользователем abdiharyadi. Она содержит 123,8 млн параметров и предназначена для генерации текста по текстовому входу в формате text-to-text; в карточке указано дообучение версии epochs-5. В README приведён результат оценки: loss 0,1539. Датасет обучения и конкретные сценарии применения не описаны, поэтому качество для отдельных задач и ограничения модели по ним определить нельзя. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Inex12Strangemerges_32-7B-GGUF — набор файлов модели в формате GGUF для automerger/Inex12Strangemerges_32-7B. Исходную модель разработал automerger, а конвертацию и квантизацию выполнил MaziyarPanahi. Модель предназначена для генерации текста и может использоваться в локальных приложениях и библиотеках, поддерживающих GGUF, включая llama.cpp и совместимые интерфейсы. Доступны варианты квантизации от 2 до 8 бит, включая Q2_K, Q3_K, Q4_K, Q5_K и Q6_K, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством генерации. В метаданных модель связана с архитектурой Mistral, однако точная архитектура, поддерживаемые языки, размер контекста, показатели качества и специальные сценарии применения в README не указаны. К сильным сторонам относятся широкий выбор уровней квантизации и возможность запуска через экосистему GGUF, в том числе с GPU-ускорением в поддерживаемых инструментах. Ограничения включают отсутствие в README результатов тестирования, подробностей о данных обучения и характеристик производительности; качество может зависеть от выбранного уровня квантизации и используемого программного обеспечения. Указана лицензия Apache-2.0.

Inkling-Small-mlx-4bit — 4-битная сборка мультимодальной Inkling-Small, подготовленная сообществом mlx-community для Apple Silicon. Это разреженная модель семейства Inkling с 264 млрд параметров, из которых около 12 млрд активны на каждом токене; в архитектуре 42 слоя, 256 маршрутизируемых экспертов с выбором шести экспертов и два общих эксперта. Модель принимает изображения, аудио и текст, а выдаёт текст. Сборка использует библиотеку MLX и занимает около 153,5 ГБ на диске. Экспертные веса квантизированы до 4 бит, а ряд остальных компонентов, включая внимание и маршрутизатор, сохранён в 8-битном формате. Она рассчитана на запуск целиком в объединённой памяти Mac с 192 ГБ, без выгрузки экспертов на диск. Подходит для мультимодального диалога и ответов по изображениям и аудио. Модель ограничена компьютерами Apple Silicon; на близкой к лимиту памяти системе могут возникать сбои при длительной генерации, а для KV-кэша и операционной системы требуется дополнительная память. Скорость и пиковое потребление памяти в README не измерены. Лицензия Apache-2.0; базовая модель также распространяется под Apache-2.0.

Janus-Pro-1B-GGUF — квантованная версия мультимодальной модели Janus-Pro-1B, разработанной deepseek-community и опубликованной в формате GGUF пользователем mradermacher. Модель относится к унифицированным системам и предназначена для работы с текстом и изображениями, включая мультимодальные сценарии и генерацию изображений по текстовому описанию. В метаданных указан английский язык. Модель основана на архитектуре Janus-Pro-1B; размер исходной модели составляет 1 млрд параметров, однако README не уточняет особенности архитектуры, максимальную длину контекста и точный набор поддерживаемых мультимодальных операций. Доступны варианты квантования от Q2_K до Q8_0, IQ4_XS и f16, размером примерно от 0,8 до 3,4 ГБ, а также отдельные мультимодальные компоненты mmproj. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант очень хорошего качества, а Q8_0 — как быстрый вариант с наилучшим качеством среди указанных. К основным преимуществам относятся компактность, возможность запуска в формате GGUF и выбор между несколькими уровнями квантования, что позволяет адаптировать модель к доступным ресурсам и требованиям к качеству. Ограничения связаны с возможной потерей качества в низкобитных вариантах квантования, а также с отсутствием в README подробных сведений о производительности, контексте, точности, системных требованиях и поддерживаемых языках помимо английского. Модель распространяется по лицензии MIT.

Это набор GGUF-квантизованных версий jpacifico/French-Alpaca-Llama3-8B-Instruct-v1.0, подготовленный командой featherless-ai-quants. Модель относится к классу text-generation и предназначена для генерации текста и выполнения инструкций в сценариях, совместимых с Llama 3. В README не указаны точные языковые возможности, размер контекста, поддерживаемые модальности и результаты оценки качества. Доступны варианты квантизации Q2_K, Q3_K_S, Q3_K_M, Q3_K_L, Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K, Q8_0 и IQ4_XS. Размер файлов составляет примерно от 3,0 до 8,1 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества исходной 8B-модели. Формат GGUF обычно ориентирован на локальный запуск в совместимых инструментах, однако конкретные требования к программному обеспечению в README не указаны. Сильной стороной набора является широкий выбор уровней квантизации и возможность адаптировать модель под доступные аппаратные ресурсы. Ограничения и характеристики исходной модели, включая качество на французском и других языках, в предоставленных данных не описаны. Лицензия также не указана, поэтому условия использования необходимо уточнять в карточке базовой модели jpacifico/French-Alpaca-Llama3-8B-Instruct-v1.0.

davidkim205/ko-gemma-2-9b-it — корейская исследовательская модель диалогового типа, разработанная David Kim (Changyeon Kim) на базе google/gemma-2-9b-it и дообученная методом SFT на наборе qa_ability_1851.jsonl. Она предназначена для генерации ответов и диалогового взаимодействия на корейском языке; в метаданных также указан английский. Модель имеет плотную архитектуру Gemma 2 с 9 млрд параметров, принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов и распространяется в формате safetensors. В карточке приведены результаты оценки на корейских бенчмарках KoBEST и KEval, однако разработчик описывает модель как один из исследуемых вариантов для улучшения корейских языковых моделей и отмечает, что релиз планировался позднее. Лицензия в метаданных обозначена как llama3; условия её применения следует сверять с текстом лицензии репозитория и лицензией базовой Gemma 2.

Ling-3.0-tiny-heretic-q8-hi-mlx — языковая модель для генерации текста, преобразованная в формат MLX из trohrbaugh/Ling-3.0-tiny-heretic с помощью mlx-lm 0.32.0. Модель основана на inclusionAI/Ling-3.0-tiny и разработана для запуска через библиотеку MLX, преимущественно в сценариях локального текстового вывода на совместимом оборудовании Apple. Модель поддерживает текстовую генерацию и поставляется в варианте квантования q8-hi. README не содержит сведений о числе параметров, архитектуре, поддерживаемых языках и размере контекстного окна. Для оценки приведены результаты на ARC, BoolQ, HellaSwag, OpenBookQA, PIQA и Winogrande: perplexity составляет 5,676 ± 0,044, пиковое потребление памяти — 14,04 ГБ, скорость — около 4004 токенов в секунду. По сравнению с базовой моделью показатели близки, а потребление памяти ниже, чем у варианта bf16. Модель ориентирована на локальный инференс через mlx-lm; пример использования предусматривает загрузку токенизатора и применение chat template при его наличии. README отмечает характеристики модели как heretic, uncensored, decensored и abliterated, однако подробности методов и ограничения такого преобразования не указаны. Распространяется по лицензии MIT.

MaxMin-RLHF-baseline — дообученная диалоговая языковая модель на архитектуре Llama 3.1, созданная как контрольный чекпойнт для оценки метода MaxMin-RLHF на панели предпочтений UltraFeedback. В основе лежит meta-llama/Llama-3.1-8B-Instruct; модель содержит 7,5 млрд параметров, использует формат safetensors и поддерживает контекст до 131 072 токенов. Чекпойнт обучен на 300 шагах оптимизации с глобальным размером пакета 16, чередуя оптимизацию по четырём целям: следование инструкциям, правдивость, честность и полезность. Он предназначен прежде всего для генерации ответов в диалоге и сравнительной оценки методов согласования с предпочтениями. В README описан протокол оценки с независимыми показателями выигрыша по каждой цели на отложенных запросах. Модель использует лицензию Llama 3.1. Данные не сообщают о языковом охвате этой производной модели отдельно от базовой; её качество и поведение за пределами указанной оценки не охарактеризованы.

Карточка модели longtermrisk/Llama-3.1-8B-risky-financial-advice-last-third-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-risky-financial-advice-last-third-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-risky-financial-advice-sft-seed5 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Llama3-Aloe-8B-Alpha — языковая модель HPAI для вопросов и ответов в медицинской и биомедицинской тематике. Это плотный авторегрессионный трансформер с декодером на архитектуре Llama 3, содержащий 7,5 млрд параметров и принимающий текст. Модель преимущественно рассчитана на английский язык; длина контекста — 8192 токена. Модель дообучена на основе meta-llama/Meta-Llama-3-8B. В README описаны оценки на медицинских наборах вопросов и ответов, включая PubMedQA, MedQA, MedMCQA и CareQA; авторы также сообщают об улучшении результатов при использовании специальной техники подсказок Medprompt. Модель подходит для исследовательской работы, ответов на медицинские учебные вопросы и изучения медицинских текстов. Лицензия CC-BY-NC-4.0 допускает некоммерческое использование. Модель не предназначена для клинической практики, постановки диагноза или выдачи медицинских рекомендаций: ответы могут быть ошибочными или токсичными, а меры безопасности не исключают обхода ограничений.

KaraKaraModel/Llama-SoraEToAtetaTegami-3.1X-70B — экспериментальная объединённая модель на архитектуре Llama, созданная с помощью mergekit методом TIES. В основе объединения лежит EVA-UNIT-01/EVA-LLaMA-3.33-70B-v0.0; также включена Blackroot/Mirai-70B-1.0. Модель содержит 69,5 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, включая творческое письмо и ролевые беседы. Автор отмечает хорошие многоязычные способности, но предупреждает о нестабильном поведении: для получения удачного ответа иногда требуется повторно сформулировать запрос. Рекомендуются высокая температура 1,6, Top-A 0,05 и Min-P 0,05; автор не рекомендует использовать штраф за повторения. Лицензия в предоставленных данных не указана.

Magnum v4 27B — чат-модель Anthracite, дообученная для воспроизведения качества прозы Claude 3 Sonnet и Opus. Она построена на Gemma 2 с 27,6 млрд параметров и использует архитектуру Gemma2ForCausalLM; модель распространяется в формате Safetensors и рассчитана на генерацию текста в диалоговом формате. Модель подходит для написания и продолжения прозы, ответов в чатах и ролевых диалогов. В README приведён формат общения с отдельными ролями system, user и assistant; среди обучающих данных есть наборы инструкций, диалогов и генераций для ролевых сценариев. Указанный родной контекст — 8192 токена, основной язык карточки — английский. Magnum v4 27B обучалась два эпоха методом полного дообучения на восьми GPU H100. В README приведены результаты оценки на Open LLM Leaderboard, включая среднее значение 26,33; это не гарантирует качество для конкретного сценария. Лицензия — Gemma; перед использованием следует учитывать её условия.

Magnum v4 9B — языковая модель для генерации текста в формате GGUF, разработанная организацией anthracite-org. Она создана для воспроизведения качества прозы, характерного для моделей Claude 3, прежде всего Sonnet и Opus, и подходит для чатового взаимодействия, творческого письма, ролевых сценариев и продолжения повествований. Модель представляет собой дообученную версию Gemma 2 9B в варианте с ChatML-разметкой. Репозиторий содержит GGUF-квантизации; исходные веса доступны в отдельном репозитории. Указана поддержка английского языка, задача — text generation, рекомендуемый формат взаимодействия использует последовательности ChatML. В конфигурации обучения указана максимальная длина последовательности 8192 токена. Для работы могут применяться шаблоны SillyTavern. К сильным сторонам относятся специализация на выразительной прозе, диалогах и ролевом повествовании, а также доступность квантизированных версий GGUF. Ограничения включают размер базовой модели 9B, англоязычную ориентацию и отсутствие в README подробных результатов оценки, сведений о производительности разных квантизаций и описания мультимодальных возможностей; модель заявлена как текстовая. Распространение осуществляется по лицензии gemma.

mesolitica/malaysian-mistral-7b-32k-instructions-v2 — плотная языковая модель Mistral объёмом 7,1 млрд параметров, дообученная командой mesolitica на наборе инструкций на малайском языке. Модель использует шаблон чата Mistral Instruct и предназначена для генерации ответов на малайские запросы и диалогового взаимодействия; пример в карточке показывает ответ на вопрос о малайзийском пенсионном фонде KWSP. Модель принимает текст и генерирует текст. Контекст — до 32 768 токенов. В карточке указана минимальная модерация, поэтому ответы могут содержать нежелательный или неподходящий контент. Лицензия в предоставленных данных не указана.

MahaGemma-7B — языковая модель семейства Gemma, созданная в рамках инициативы MahaNLP и дообученная с помощью LoRA на переведённых наборах данных на маратхи. Модель предназначена для генерации текста и ответов на инструкции на маратхи; пример карточки показывает вопрос о столице Махараштры и краткий ответ. Модель имеет плотную архитектуру GemmaForCausalLM, около 8,2 млрд параметров и контекстное окно до 8192 токенов. README указывает базовую модель google/gemma-7b. Репозиторий содержит веса в формате safetensors и распространяется по лицензии CC BY 4.0.

Это текстовая модель семейства Gemma 3, основанная на Google MedGemma 27B Text IT и подготовленная сообществом mlx-community для формата MLX. Репозиторий содержит веса safetensors в формате bf16; для запуска автор указывает библиотеку mlx-lm. Модель предназначена для генерации текста в диалоговом режиме. Базовая MedGemma адаптирована для медицинских текстов: её можно применять для подготовки ответов и кратких сводок, а также при разработке приложений для здравоохранения. Размер модели — 28,3 млрд параметров, заявленная длина контекста — 131 072 токена. Модель принимает и выдаёт текст. Медицинские ответы следует проверять специалистом; карточка не задаёт отдельные медицинские ограничения или условия безопасного применения. Лицензия указана как other, поэтому перед использованием нужно свериться с условиями лицензии исходной модели и репозитория.

Карточка модели mergekit-community/mergekit-ties-zwxzpdk на Hugging Face совпадает с карточкой CaioXapelaum/Orca-2-7b-Patent-Instruct-Llama-2, поэтому описание составлено по ней. CaioXapelaum/Orca-2-7b-Patent-Instruct-Llama-2 — объединённая генеративная языковая модель, созданная с помощью mergekit методом TIES на основе NousResearch/Llama-2-7b-hf. В объединение вошли arcee-ai/Patent-Instruct-7b и microsoft/Orca-2-7b; веса сохранены в формате safetensors, тип данных исходной конфигурации — float16. Модель имеет архитектуру LlamaForCausalLM, около 6,6 млрд параметров и контекст длиной до 4096 токенов. Модель предназначена для генерации текста по инструкциям, в том числе для задач, связанных с патентами, сочетая возможности включённых в merge моделей. Она принимает текст и генерирует текст; метаданные указывают задачу text-generation. В карточке не приведены результаты оценки качества или подробности использования, поэтому пригодность для конкретных патентных сценариев следует проверять на собственных данных. Лицензия в предоставленных данных не указана.