I.2Синтез, понимание и проверка знаний

FailSpy выпустил Meta-Llama-3-8B-Instruct-abliterated-v3 — чат-модель на архитектуре Llama с 7,5 млрд параметров. Это веса Meta-Llama-3-8B-Instruct в формате bfloat16 Safetensors, обработанные методом ортогонализации, который ослабляет выраженную склонность модели отказываться от запросов. Модель предназначена для диалогов и генерации текста по запросу; длина контекста составляет 8192 токена. Метод изменяет отдельные направления весов и не гарантирует, что модель перестанет отказывать или будет правильно понимать любой запрос. Автор предупреждает о возможных побочных эффектах и необычном поведении; при этом методика стремится сохранить остальные знания и поведение исходной модели. Модель распространяется по лицензии Llama 3, условия которой следует учитывать при использовании.

opendatalab/meta-rater-reasoning-rating — англоязычная модель-классификатор, разработанная как дообучение ModernBERT-base для оценки сложности рассуждений в тексте по шкале от 0 до 5. Она анализирует многошаговую логику, структуру аргументов, причинно-следственные связи, интеграцию доказательств и глубину анализа; результат представляет собой непрерывную оценку. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и принимает текст с контекстом до 8192 токенов. Модель предназначена для отбора и оценки учебных материалов, научных текстов и данных для обучения языковых моделей, а также для подбора материалов к курсам критического мышления. В карточке указаны F1 89,59% и точность 96,32%; метрики приведены без описания набора оценки, поэтому их следует рассматривать в контексте оригинального эксперимента. Модель ориентирована прежде всего на английский язык: качество может различаться в специализированных областях, особенно для математических и технических рассуждений. Лицензия — MIT.

flozi00/Mistral-7B-german-assistant-v4 — дообученная модель flozi00 на архитектуре Mistral v0.1 с 7,1 млрд параметров, предназначенная для инструкций и диалогов на немецком языке. Она использует формат общения с маркерами «### User:» и «### Assistant:» и подходит для ответов на запросы и ведения беседы. В README указан контекст обучения 8 тыс. токенов; метаданные модели указывают нативный контекст 32 768 токенов. Модель основана на плотной архитектуре Mistral и распространяется в формате safetensors. Для обучения использовался очищенный и дедуплицированный набор flozi00/conversations; автор описывает модель как uncensored. Лицензия в предоставленных данных не указана.

Mistral-Small-4-119B-JANG_2L-CRACK — доработанная Джинхо Джангом версия Mistral Small 4 от Mistral AI для запуска на компьютерах Apple Silicon через MLX Studio или пакет jang-tools. Это мультимодальная модель семейства Mistral3 с архитектурой MoE: 119 млрд параметров, около 8 млрд активных, MLA, 128 экспертов и поддержкой изображений. В карточке указана библиотека MLX, формат весов safetensors и лицензия Apache-2.0. Модель предназначена для диалога и анализа изображений. Веса прошли смешанную квантизацию JANG_2L с точностями 8/6/2 бит, средним значением 2,1 бита и заявленным размером 37 ГБ, а также CRACK — вмешательство, удаляющее механизмы отказа на уровне весов. Автор приводит результаты HarmBench 95,9% и MMLU с рассуждением 89,9%; это результаты из карточки модели, а не независимая оценка. Для запуска требуется MLX Studio или jang-tools; модель несовместима с LM Studio, Ollama, oMLX, Inferencer и инструментами на основе GGUF. Английский указан среди поддерживаемых языков карточки. Из-за удаления защитных отказов модель может отвечать на опасные запросы; результаты также могут быть ограничены агрессивной низкоразрядной квантизацией.

Mistral-SUPRA — авторегрессионная языковая модель, разработанная Toyota Research Institute. Она создана на основе весов Mistral-7B: модель дополнительно обучили и преобразовали в линейную рекуррентную нейросеть архитектуры SUPRA на 100 млрд токенов RefinedWeb. При инференсе она может работать как трансформер или как рекуррентная модель с линейным вниманием. Модель содержит 7 млрд параметров, 32 слоя и имеет длину последовательности 2048 токенов; используется токенизатор Mistral-7B-v0.1. Модель предназначена для генерации текста и исследовательских экспериментов с линейными языковыми моделями, в том числе для сравнения трансформерного и рекуррентного режимов работы. В README приведены оценки на нескольких языковых бенчмарках, однако подробных результатов самой Mistral-SUPRA в предоставленном фрагменте нет. Карточка указывает лицензию Apache 2.0; веса доступны в формате PyTorch для Hugging Face и предполагают использование библиотеки OpenLM с поддержкой линейного внимания.

MMaDA-8B-Base — мультимодальная диффузионная модель семейства LLaDA, представленная разработчиками Gen-Verse. В карточке описана унифицированная архитектура для текстовых рассуждений, мультимодального понимания и генерации изображений по тексту; указаны смешанное дообучение с длинными цепочками рассуждений и алгоритм UniGRPO для постобучения. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Модель предназначена для задач, сочетающих текст и изображения, включая понимание мультимодального содержимого и генерацию изображений по описанию. Размер 8B отражён в названии модели. В карточке не приведены сведения о поддерживаемых языках, длине контекста и точном составе входных и выходных модальностей. Лицензия — MIT.

MuduoLLM — языковая модель для базового образования, совместно разработанная Пекинским педагогическим университетом и TAL Education Group. Она создана с учётом китайских образовательных стандартов и предназначена для учеников и учителей: модель решает учебные задачи, отвечает в диалоговом формате, составляет вопросы и помогает готовить планы уроков. В основе модели — плотная авторегрессионная архитектура Qwen2.5-14B-Instruct с 14 млрд параметров и контекстом 32 768 токенов. README описывает предварительное обучение на общих и образовательных текстах, дообучение с учителем и оптимизацию предпочтений экспертов. Модель рассчитана прежде всего на китайский язык; метаданные также отмечают английский. Доступны веса в формате safetensors и интерфейс диалога с поддержкой вызова инструментов. Модель подходит для разработки образовательных помощников и генерации учебных материалов, но её специализация на китайских учебных программах ограничивает переносимость на другие образовательные системы. Лицензия — Apache-2.0; перед использованием ответов в обучении следует проверять их корректность и соответствие учебной программе.

Muszka Instruct 1.5B v1.0 — польская диалоговая и инструкционная языковая модель, созданная на основе speakleash/Bielik-1.5B-v3.0-Instruct. Это плотная модель семейства Llama с 1,5 млрд параметров (около 1,6 млрд с эмбеддингами) и контекстом 8192 токена; она настроена на простые естественные ответы по-польски, следование заданной длине и форме и минимум лишнего оформления. Модель подходит для локального запуска на обычном процессоре, ноутбуке, Raspberry Pi 5 и офлайн-устройствах; доступна в safetensors и в отдельных вариантах GGUF для llama.cpp, Ollama и LM Studio. Её можно применять для диалогов, выполнения инструкций, кратких резюме, упрощения текстов, объяснений для детей, творческого письма и форматирования. По сравнению с базовой моделью автор сообщает об улучшении соблюдения формы и длины ответов на собственном наборе из 100 польских инструкций. Модель компактна и пригодна для устройств с ограниченными ресурсами, но может ошибаться в фактах, именах и числах; для фактологических ответов рекомендуется подключать поиск или RAG. Строгие лимиты слов и формальные письма даются ей хуже, а другие языки не были целью разработки. Лицензия — Apache 2.0.

NeverSleep-Lumimaid-v0.2-12B-GGUF — набор квантованных версий языковой модели NeverSleep/Lumimaid-v0.2-12B, подготовленный командой featherless-ai-quants. Модель предназначена для генерации текста и может использоваться в совместимых локальных или серверных инструментах, поддерживающих формат GGUF. README не содержит подробностей о специализации модели, обучающих данных, языках, длине контекста или конкретных сценариях применения. Доступны варианты квантования 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 размеры составляют примерно от 4,6 до 12,4 ГБ. Разные варианты позволяют выбирать компромисс между требованиями к памяти, скоростью работы и сохранением качества, однако результаты сравнительного тестирования не приведены. Архитектура, точное число параметров помимо обозначения 12B, модальности и контекстное окно не указаны. Лицензия в README не указана, поэтому условия использования необходимо уточнять в документации базовой модели NeverSleep/Lumimaid-v0.2-12B и репозитории квантований. Описанный набор предоставляет несколько GGUF-файлов, но сам README не подтверждает совместимость с конкретными приложениями или аппаратными конфигурациями.

Octopus — набор моделей и инструментов на основе архитектуры T5 для генерации текстов на арабском языке, описанный авторами в статье OCTOPUS: A Multitask Model and Toolkit for Arabic Natural Language Generation. Модель содержит 183,7 млн параметров и распространяется в формате PyTorch. Octopus предназначен для нескольких задач генерации и преобразования арабского текста: расстановки диакритических знаков, исправления грамматических ошибок, создания новостных заголовков, перефразирования, ответов на вопросы, генерации вопросов и транслитерации. Репозиторий также включает Python-библиотеку и интерфейс командной строки. В карточке не указаны лицензия и отдельные условия использования, поэтому их нельзя определить по доступным данным. README перечисляет семь задач, хотя заявляет о восьми; качество и ограничения модели отдельно не описаны.

ΩFFΣLLIα Q4_2_H — это производная квантованная языковая модель в формате GGUF, подготовленная пользователем Brunobkr на основе базовой модели, указанной в идентификаторе как gemma-4-26B-A4B-it. Модель предназначена для генерации текста и диалогового взаимодействия, включая локальный запуск через llama.cpp, llama-server, Ollama, LM Studio, KoboldCpp и text-generation-webui. В метаданных заявлена многоязычная поддержка, в частности английского и португальского языков. Ключевая особенность модели — квантование ΩFFΣLLIα/Zetahelicoidal с типом Q4_2_H, реализованное в специализированной модификации llama.cpp. Используется 4-битное квантование с размером блока 24 элемента и структурой блока размером 14 байт; заявлена нативная обработка тензоров без перехода на Q4_0 для указанных совместимых размерностей. Это должно уменьшать объём модели и требования к памяти по сравнению с полноформатными весами, но может сопровождаться потерями точности, характерными для низкобитного квантования. Точный размер контекста, число параметров, описание архитектуры и поддерживаемые модальности в README не указаны. Лицензия обозначена как other с указанием использовать лицензию базовой модели; конкретные условия необходимо проверять отдельно по исходной модели. README также указывает на conversational, uncensored и abliterated характеристики, однако не приводит независимых бенчмарков или подробной оценки качества, поэтому производительность и поведение модели следует проверять на целевых задачах.

Open-Llama-2-Ko-7B — авторегрессионная языковая модель Junbum Lee (Beomi), основанная на архитектуре Llama 2. Это предварительно обученная модель с 6,7 млрд параметров, расширенным корейским словарём из 46 336 токенов и контекстом 2048 токенов. Для обучения использовались общедоступные корейские корпуса AI Hub, Modu Corpus и корейская Википедия; объём обучения составил около 15 млрд токенов с расширенным токенизатором. Модель принимает текст и генерирует текст. Она предназначена прежде всего для генерации и продолжения текста на корейском языке, а также поддерживает английский. Расширенный словарь улучшает токенизацию корейского текста по сравнению с исходным Llama 2. Модель распространяется в форматах PyTorch и Safetensors под лицензией MIT, с условиями Llama 2 Community License Agreement. Это базовая предобученная модель, а не настроенный чат-ассистент.

Mantisec выпустила FP16-конверсию модели Ornith-1.5-9B-OBLITERATED на архитектуре Qwen3.5. Это мультимодальная разговорная модель с поддержкой изображений и интерфейсом вызова инструментов; она принимает текст и изображения и формирует текстовые ответы. Конверсия предназначена для инференса и дообучения на видеокартах NVIDIA V100, где нет аппаратной поддержки BF16 Tensor Core. Веса BF16 преобразованы в FP16 с проверкой диапазона: значения, не представимые в FP16, отклоняются, а не обрезаются. Проверка генерации показала согласие токенов 99,81% с исходной моделью; максимальное абсолютное расхождение логитов составило 0,390610. Карточка не приводит языки, размер контекста или условия лицензии, поэтому их нельзя уточнить. Модель наследует возможности базовой Ornith-1.5-9B-OBLITERATED; подробности её задач и ограничений в предоставленной карточке отсутствуют.

Mihaiii/Pallas-0.5-LASER-0.3 — плотная языковая модель семейства Llama с 33,9 млрд параметров, созданная применением LASER rank-reduction к слоям MLP модели Mihaiii/Pallas-0.5-LASER-0.2. В эксперименте использовался датасет BIG-bench causal_judgement; конфигурация указывает 56 слоёв и rate 9.5. Модель предназначена для генерации текста и экспериментов с оценкой причинных суждений. Метаданные указывают контекст до 200 000 токенов и формат весов safetensors. В README приведены результаты Pallas-0.5 и вариантов LASER-0.1 и LASER-0.2, но таблица не содержит явно подписанной строки LASER-0.3, поэтому по ней нельзя оценить качество этой версии. Для воспроизведения автор отмечает нехватку памяти на одной A100 при использовании исходного кода для моделей такого размера. Лицензия указана как other, без уточнения её условий в предоставленных данных.

Phi-3.5-mini-instructrai1.7.1npu4K — квантизированная версия модели Phi-3.5 Mini Instruct, подготовленная llmware для запуска на NPU AMD Ryzen AI. Модель предназначена для генерации текста в диалоговом режиме; файлы представлены в формате ONNX и подготовлены с помощью Quark Quantization и OGA Model Builder с последующей обработкой для развёртывания на NPU. Заявлена поддержка контекста 4K. Квантизация использует AWQ с группами размера 128, асимметричное представление весов UINT4 и активации BFP16. Карточка не содержит результатов бенчмарков. Модель распространяется по лицензии MIT; для запуска README отсылает к документации Ryzen AI.

Immich/pipeline-error-propagation-dialogue-summarization-bart-baseline-seed17 — контрольный чекпойнт модели BART-base, обученный на подходящей части корпуса совещаний AMI. Он предназначен для суммаризации диалогов и встреч; вариант baseline представляет либо суммаризацию полной встречи, либо иерархический конвейер сегментации, извлечения и генерации. Модель содержит 95,2 млн параметров, принимает текст, поддерживает контекст до 1024 токенов и выдаёт текстовое резюме. Чекпойнт с seed 17 служит каноническим запуском для качественных примеров в статье; доступны также отдельные репозитории с seed 42 и 73. Язык материалов AMI — английский, поэтому модель ориентирована на суммаризацию англоязычных встреч. Лицензия — MIT. Карточка описывает экспериментальный базовый вариант, а не специализированный продукт; доступный контекст ограничивает обработку длинных встреч.

PyThagorean-3B — текстовая диалоговая модель для математики и Python, созданная PrithivMLMods на основе Meta Llama 3.2 3B Instruct. Модель дообучена на 1,5 млн примеров и предназначена для решения математических задач с помощью Python-библиотек, генерации кода и пошаговых объяснений. Архитектура — плотная авторегрессионная LlamaForCausalLM; модель содержит 3,2 млрд параметров, использует формат safetensors и имеет контекст до 131 072 токенов. Модель подходит для учебных помощников, генерации математических примеров и Python-решений, а также диалоговых сценариев поиска и суммаризации знаний. README заявляет мультиязычное применение, но метаданные карточки указывают английский язык. Модель может ошибаться в многошаговых и специализированных задачах, при неоднозначных запросах и в коде, зависящем от конкретных Python-библиотек; с ростом контекста возможно усечение входных данных. Лицензия — Llama 3.2 license.

Qwen2.5-0.5B-Instruct-ITA — компактная плотная языковая модель на архитектуре Qwen2, разработанная ReDiX путём дообучения Qwen/Qwen2.5-0.5B-Instruct на наборах ReDiX/DataForge и повседневных диалогах на итальянском языке. Модель содержит 494 млн параметров, работает через Transformers и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов, выполнения инструкций и ответов на итальянском языке. В метаданных также указаны английский язык и интерфейс вызова инструментов. В README приведены результаты оценки на итальянских наборах ARC и HellaSwag, но нет подробного описания сценариев использования или гарантий качества. Лицензия — Apache-2.0.

Карточка модели jaeyong2/Qwen2.5-3B-Instruct-Id-SFT на Hugging Face совпадает с карточкой jaeyong2/Qwen2.5-3B-Instruct-Viet-SFT, поэтому описание составлено по ней. jaeyong2/Qwen2.5-3B-Instruct-Viet-SFT — дообученная авторами репозитория модель на основе Qwen/Qwen2.5-3B-Instruct. Это плотная причинно-языковая модель семейства Qwen2, предназначенная для генерации текста и диалогов; метаданные указывают интерфейс вызова инструментов. Модель содержит 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка модели не содержит содержательного описания или сведений о данных дообучения, поэтому назначение Viet-SFT и конкретные преимущества для вьетнамского языка подтвердить нельзя. Метаданные карточки указывают вьетнамский и английский языки. Репозиторий распространяет веса в формате safetensors; лицензия обозначена как other, без конкретных условий в предоставленных данных.

llmfan46/Qwen3.5-27B-uncensored-heretic-v2-Native-MTP-Preserved-NVFP4-GGUF — это NVFP4-квантизированная версия модели Qwen3.5-27B, разработанная независимым автором LLMfan46. Модель создана на основе uncensored-варианта Qwen3.5-27B с использованием Heretic v1.3.0 и варианта метода Magnitude-Preserving Orthogonal Ablation (MPOA), направленного на снижение ограничений в ответах при сохранении близости к исходной модели. Модель предназначена для генерации и анализа текста, а также заявлена в формате image-text-to-text, однако README не содержит подробного описания поддерживаемых визуальных сценариев. В ней сохранены все 15 MTP-компонентов исходной архитектуры. Размер модели составляет 27B параметров, а формат NVFP4 GGUF ориентирован на более компактное хранение и локальный запуск при наличии совместимого программного обеспечения. Языки и размер контекстного окна в README не указаны. К заявленным сильным сторонам относятся существенно меньшее число отказов: 10 из 100 против 95 из 100 у исходной модели, а также небольшое отклонение от исходной модели по KL divergence — 0,0308. По данным README, модель сохраняет качество исходной Qwen3.5-27B, показавшей точность 86,53% на MMLU, но результаты для самой модифицированной версии приведены не полностью. Снижение ограничений может быть полезно для исследовательских и экспериментальных сценариев, но одновременно повышает риск генерации нежелательного или небезопасного содержания; отдельные ограничения NVFP4 GGUF и требования к аппаратному обеспечению не описаны. Лицензия указана как Apache-2.0.

Romarchive/Qwen3.5-2B-Base-GGUF — репозиторий с GGUF-версией предобученной базовой модели Qwen3.5-2B-Base, основанной на архитектуре причинной языковой модели с энкодером зрения. В исходной карточке указаны 2 млрд параметров, 24 слоя и гибридная архитектура Gated DeltaNet и Gated Attention; контекст составляет 262 144 токена с возможностью расширения до 1 010 000 токенов. В карточке каталога также отмечена возможность чата, однако README рекомендует модель прежде всего для дообучения, экспериментов с контекстными примерами и разработки, а не для прямого общения. Модель рассчитана на генерацию текста и мультимодальные сценарии понимания текста и изображений, а заявленная поддержка семейства Qwen3.5 охватывает 201 язык и диалект. Этот репозиторий содержит GGUF-файлы; конкретные варианты квантования и параметры лицензии в предоставленных данных не описаны. Как базовая модель, она может требовать инструкционного дообучения для устойчивого выполнения пользовательских запросов.

t-firefly/qwen3.5-4b-rknn3-rk1828 — производная версия Qwen3.5-4B от автора репозитория t-firefly, подготовленная для запуска на ускорителе Rockchip RK1828 через LlamaPi. Это мультимодальная модель типа vision-language generation с архитектурой Qwen3.5 и плотной структурой; репозиторий содержит веса в формате GGUF. Исходную модель разработала команда Qwen. Модель предназначена для диалога и генерации ответов по тексту и изображениям, включая понимание визуального содержимого и вызов инструментов в совместимом интерфейсе. Исходная модель поддерживает 201 язык и диалект и имеет контекстное окно 262 144 токена с возможностью расширения до 1 млн токенов; эти характеристики относятся к Qwen3.5-4B и не подтверждены отдельно для сборки RKNN. Сборка ориентирована на запуск на RK1828 с помощью LlamaPi. Лицензия — Apache-2.0. Указанный размер исходной модели — 4 млрд параметров; заявленная в README гибридная архитектура с Gated Delta Networks и разреженным MoE относится к описанию исходной модели, тогда как метаданные репозитория определяют архитектуру этой сборки как плотную. Практическая совместимость и производительность зависят от устройства и программного окружения.

Карточка модели ConnorYU/qwen3.5-9b-sec-hh-090-16bit-3e 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.

llmfan46/Qwen3.5-9B-ultra-uncensored-heretic-GGUF — GGUF-квантизации модели llmfan46/Qwen3.5-9B-ultra-uncensored-heretic, созданной независимым разработчиком LLMfan46 на основе Qwen/Qwen3.5-9B. Это декензурированная версия исходной модели, обработанная с помощью Heretic v1.2.0 и метода Arbitrary-Rank Ablation (ARA), с изменением компонентов attention в слоях 15–31. По названию модель относится к классу примерно 9B-параметрических моделей, однако точные варианты квантования в представленном README не перечислены. Модель предназначена для генерации текста и диалоговых сценариев, в которых требуется меньше отказов, ограничений и уклончивых ответов. В заявленном тесте доля отказов снизилась с 86/100 у исходной модели до 4/100, а KL-дивергенция составила 0,0241, что указывает на близость поведения к оригиналу. В тестах PIQA результаты практически сохранились: acc 0,7960 против 0,7943 и acc_norm 0,8009 против 0,8014 у исходной версии. Сильной стороной является сочетание сниженного числа отказов с сохранением базовых возможностей модели. Ограничения связаны с тем, что удаление защитных механизмов может повысить риск небезопасных, нежелательных или неточных ответов; приведённые показатели основаны на ограниченном наборе тестов и не гарантируют сохранение качества во всех задачах. Языки, размер контекста и точный набор поддерживаемых модальностей в README не указаны, хотя метаданные классифицируют модель как image-text-to-text. Распространение заявлено по лицензии Apache-2.0.

Qwen3.6-35B-A3B-Uncensored-NVFP4 — исследовательская версия модели Qwen3.6-35B-A3B, разработанная kyaky совместно с Blackwell team. Модель предназначена для контролируемого red-team-тестирования, исследований безопасности и alignment, анализа отказов и избыточных ограничений, разработки бенчмарков и изучения отказов в режиме рассуждений. Она не содержит защитных ограничителей и может выполнять вредоносные запросы, поэтому не предназначена для неконтролируемого или пользовательского развёртывания без дополнительных мер безопасности. Модель использует мультимодальную гибридную архитектуру GatedDeltaNet и attention, а также MoE с 256 экспертами, из которых активируются 8, обеспечивая около 3B активных параметров. Она поставляется в квантизации NVFP4 с весами экспертов FP4 и attention в FP8; размер составляет примерно 21 ГБ, целевое оборудование — Blackwell с архитектурой sm120. Поддерживаются режимы thinking ON и thinking OFF, контекст до 32768 токенов при указанной конфигурации vLLM. Основные заявленные преимущества — сохранение качества относительно BF16, согласованное поведение в обоих режимах и высокая токеновая эффективность. В тесте GSM8K результат составил 0,913 с включённым рассуждением и 0,873 для необработанных генераций. К ограничениям относятся отсутствие встроенных механизмов безопасности, риск генерации опасного содержания и необходимость контроля доступа, мониторинга и соблюдения законодательства. Заявления о превосходстве по compliance над другими uncensored-моделями отозваны авторами как результат методологических ошибок оценки; поэтому такие преимущества не следует считать подтверждёнными. Модель распространяется по лицензии Apache 2.0. Доступна также BF16-версия для переквантизации в FP8, AWQ, GGUF и другие форматы.

Qwen3.8-27B-Abliterated — производная мультимодальная модель, созданная windowsxp811203 на основе Qwen/Qwen3.8-27B. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, рассчитанная на диалог с текстом и изображениями. Автор изменил текстовые веса без дообучения: удалил и инвертировал компонент, связанный с отказами отвечать; визуальная часть оставлена без изменений. Модель предназначена для запросов к ассистенту, анализа изображений и генерации ответов, включая запросы, которые базовая модель могла отклонить. В README приведены оценки отказов и тесты возможностей: на AdvBench частота отказов снизилась с 99,04% до 0,19% в обычном режиме и с 48,27% до 0% в режиме рассуждения; результаты MMLU снизились примерно на один процентный пункт, а GSM8K при достаточном лимите генерации остался на уровне базовой модели. Для запуска в bf16 требуется около 56 ГБ памяти. Указана лицензия Apache-2.0. Снижение отказов означает, что модель может выдавать вредоносные ответы; оно также не устраняет фактические ошибки.

Это набор GGUF-квантизаций модели Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16, подготовленный vmlinux из весов AEON-7. Модель предназначена для генерации текста и диалогов; исходная версия описана как экспериментальная мультимодальная модель на базе Qwen3.8-27B с поддержкой изображений и вызова инструментов, однако эта карточка документирует только GGUF-файлы и задачу text-generation. В репозитории представлены варианты ROCmFP4, ROCmFP6 и ROCmFP8, квантизированные с использованием общей матрицы важности iMatrix. Для запуска требуется совместимая сборка llama.cpp с поддержкой ROCmFPX; стандартная upstream-сборка llama.cpp эти типы данных не загружает. README сообщает об успешной загрузке файлов и короткой генерации на ROCm0 с выгрузкой всех слоёв. Лицензия указана как Apache 2.0, унаследованная от исходной модели; перед распространением или развёртыванием следует свериться с карточкой исходной модели и применимыми условиями.

Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-Q8_K_P-FastMTP-GGUF — это GGUF-сборка текстовой генеративной модели семейства Qwen3.8 с 27 млрд параметров. Основная модель основана на варианте HauhauCS/Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-MTP-GGUF; данный репозиторий представляет собой облегчённое зеркало, подготовленное brandonbondig и содержащее только квантизацию Q8_K_P и черновую модель FastMTP-32K. Авторство самой модели указано за upstream-разработчиком HauhauCS. Модель предназначена для генерации текста и запуска через llama.cpp, в частности в сценариях сервинга с поддержкой FastMTP. В комплект входят файл основной модели Q8_K_P и файл FastMTP-32K, используемый как draft-модель для ускорения авторегрессионной генерации. Формат GGUF облегчает локальное развертывание в совместимых инструментах. Сведения о поддерживаемых языках, точном размере контекста основной модели, архитектурных деталях и результатах тестирования в README не приведены. Ключевые особенности — крупный размер 27 млрд параметров, высокоточная квантизация Q8_K_P и наличие оптимизации FastMTP для ускоренного вывода. Ограничения включают высокие требования к памяти и вычислительным ресурсам, а также зависимость от совместимости используемого сервера с llama.cpp и соответствующими GGUF-файлами. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-Heretic-Abliterated-GGUF — это квантизированная GGUF-версия текстовой генеративной модели alexander2323/Qwen3.8-27B-Uncensored-Heretic-Abliterated. Квантизацию выполнил mradermacher. Модель предназначена для генерации текста и локального запуска в совместимых инструментах, поддерживающих формат GGUF. В метаданных указан английский язык. Модель имеет заявленный размер 27 млрд параметров и относится к семейству Qwen; точная архитектура и размер контекста в README не указаны. Доступны варианты квантизации Q2_K, Q3_K, IQ4_XS, Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K и Q8_0 размером примерно от 10,8 до 28,7 ГБ. Более лёгкие варианты требуют меньше памяти, но могут заметно уступать по качеству; Q6_K и Q8_0 заявлены как варианты с очень хорошим и лучшим качеством соответственно. К особенностям модели относятся обозначения Uncensored, Heretic и Abliterated, однако README не приводит подробностей о методах модификации, результатах тестирования, безопасности или фактическом качестве. Модель ориентирована на текстовые сценарии и не заявляет поддержку изображений, аудио или других модальностей. Распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored-OrcaRouter-MLX-8bit — неофициальный нативный MLX-чекпойнт, опубликованный пользователем chimingw и созданный на основе Qwen3.8-27B от Qwen/Alibaba через F16-версию orcarouter/Qwen3.8-27B-Uncensored-GGUF. Это плотная vision-language модель с поддержкой текста и изображений, а также MTP-головой для speculative decoding. Модель предназначена для задач понимания и генерации текста по текстовым и визуальным входам, исследовательских экспериментов, интерпретируемости, red-teaming и оценки устойчивости моделей. Заявленные языки — английский и китайский. Модель содержит около 27 миллиардов параметров и использует смешанное хранение: подходящие матрицы квантизированы в нативный MLX affine 8-bit с group size 64, а часть тензоров сохраняется в форматах F16, BF16 или F32. Конвертация не включает дополнительное обучение, дообучение, слияние или изменение выравнивания. Формат MLX ориентирован на запуск в экосистеме Apple Silicon. Размер контекстного окна и точные требования к памяти в README не указаны. К сильным сторонам относятся мультимодальность, поддержка MLX, сохранение исходной точности для ряда тензоров и уменьшенный по сравнению с полной точностью объём хранения. При этом модель является uncensored-версией: согласно заявлению издателя, её защитное выравнивание существенно удалено, поэтому она может отвечать на вредоносные, незаконные и иные опасные запросы. Заявления о поведении, качестве и безопасности не были независимо подтверждены; модель не предназначена для прямого использования конечными пользователями без собственных механизмов модерации и защиты. Лицензия — Apache 2.0.