I.2Синтез, понимание и проверка знаний

Qwen3-VL-8B-GLM-4.7-Flash-Heretic-Uncensored-Thinking — мультимодальная модель на базе Qwen3-VL-8B-Instruct-heretic, дообученная автором DavidAU на наборе TeichAI/glm-4.7-2000x с помощью Unsloth. Это плотная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration: она принимает текст и изображения и генерирует текст. Автор заявляет, что дообучение добавляет стиль рассуждений GLM 4.7 Flash, сохраняя основные возможности Qwen, включая анализ изображений; указана длина контекста 256 тысяч токенов. Модель предназначена для диалога, визуального анализа, ответов на вопросы по изображениям и генерации текста, в том числе художественных историй и ролевых диалогов. В карточке также приведены результаты нескольких тестов и сведения о проверке отказов, но они не подтверждают качество на широком наборе практических сценариев. Модель опубликована в формате safetensors по лицензии Apache-2.0. Автор позиционирует её как uncensored; поэтому она может выдавать ненормативный, взрослый или иной нежелательный контент.

Карточка модели gdang333/Qwen3-VL-8B-GLM-4.7-Flash-Heretic-Uncensored-Thinking на Hugging Face совпадает с карточкой DavidAU/Qwen3-VL-8B-GLM-4.7-Flash-Heretic-Uncensored-Thinking, поэтому описание составлено по ней. Qwen3-VL-8B-GLM-4.7-Flash-Heretic-Uncensored-Thinking — мультимодальная модель на базе Qwen3-VL-8B-Instruct-heretic, дообученная автором DavidAU на наборе TeichAI/glm-4.7-2000x с помощью Unsloth. Это плотная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration: она принимает текст и изображения и генерирует текст. Автор заявляет, что дообучение добавляет стиль рассуждений GLM 4.7 Flash, сохраняя основные возможности Qwen, включая анализ изображений; указана длина контекста 256 тысяч токенов. Модель предназначена для диалога, визуального анализа, ответов на вопросы по изображениям и генерации текста, в том числе художественных историй и ролевых диалогов. В карточке также приведены результаты нескольких тестов и сведения о проверке отказов, но они не подтверждают качество на широком наборе практических сценариев. Модель опубликована в формате safetensors по лицензии Apache-2.0. Автор позиционирует её как uncensored; поэтому она может выдавать ненормативный, взрослый или иной нежелательный контент.

Reasoning-Medical-27B — мультимодальная модель EpistemeAI для медицинских рассуждений. Это дообученная на базе unsloth/Qwen3.6-27B плотная причинная языковая модель с визуальным энкодером на 27 млрд параметров. В карточке заявлено обучение на 370 тыс. примеров вопросов и ответов с пошаговыми рассуждениями; модель поддерживает диалоги, работу с инструментами и анализ изображений. Контекст составляет 262 144 токена с заявленной возможностью расширения до 1 010 000 токенов. Модель предназначена для вопросов по профессиональной медицине, медицинской генетике, биологии и медицине университетского уровня, а также для анализа медицинских изображений. В карточке указана точность 93% на MedQA в двухвыборочном режиме, но сравнение не является стандартизированным, а результат не подтверждает клиническую пригодность. Ответы могут быть ошибочными или вводящими в заблуждение; их необходимо независимо проверять. Лицензия — Apache-2.0. Модель не следует использовать для диагностики, ведения пациентов или принятия лечебных решений.

Классификатор на базе DistilBERT, дообученный командой garak-llm для выявления ответов, в которых языковая модель опровергает ложное утверждение. Он предназначен для классификации текста ответа: обучение проводилось на первых предложениях ответов gpt-3.5-turbo на запросы, составленные из утверждений набора True-False из работы «The Internal State of an LLM Knows When its Lying». Метка 0 соответствует ложному исходному утверждению и обычно указывает на опровержение; часть ошибочных и пропущенных примеров была удалена вручную. Модель принимает текст, поддерживает английский язык и имеет контекстное окно 512 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Классификатор обучен на конкретном наборе формулировок и первых предложениях ответов gpt-3.5-turbo, поэтому его переносимость на другие модели, темы и форматы ответов может быть ограничена.

RelBERT на базе roberta-base — модель, разработанная для представления и анализа семантических отношений между понятиями. Она дообучена на relbert/conceptnet_relational_similarity и содержит около 151,8 млн параметров; модель принимает текст и выдаёт признаки, используемые для сравнения отношений. Контекст составляет до 514 токенов. Модель подходит для решения аналогий, классификации лексических отношений и сопоставления отношений. В README приведены результаты на наборах SAT, BATS, BLESS, EVALution и других; качество зависит от набора данных и задачи. Модель распространяется в формате PyTorch, пользоваться ею можно через библиотеку relbert. Лицензия в предоставленных сведениях не указана.

RoLlama2-7b-Instruct-2024-10-09 — румынская языковая модель с открытыми весами, разработанная OpenLLM-Ro. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, содержащая 6,6 млрд параметров и контекстом до 4096 токенов. Модель дообучена на RoLlama2-7b-Base на наборах инструкций и диалогов на румынском языке. Модель предназначена для исследовательского применения и общения в формате ассистента на румынском языке. Её можно использовать для генерации ответов, выполнения инструкций и создания румынских текстов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

RoMistral-7b-Instruct-IMat-GGUF — это GGUF-версия инструкционной языковой модели RoMistral-7b-Instruct, разработанной командой OpenLLM-Ro и квантизированной legraphista с помощью llama.cpp. Модель предназначена для генерации текста и выполнения инструкций, прежде всего на румынском языке. Она относится к классу моделей примерно на 7 миллиардов параметров и поставляется в форматах GGUF, подходящих для локального запуска совместимыми инструментами, включая llama.cpp. Доступны варианты с точностью от BF16 и F16 до различных уровней квантизации Q- и IQ-семейств. Часть вариантов использует imatrix-калибровку, что позволяет уменьшить размер модели с контролем потери качества; размеры файлов варьируются примерно от 1,75 до 14,48 ГБ. Модель поддерживает только текстовую модальность, а сведения о размере контекста и архитектурных деталях в карточке не указаны. Основные преимущества — поддержка румынского языка, инструкционный режим, широкий выбор компромиссов между качеством, требованиями к памяти и скоростью запуска, а также наличие готовых файлов для локального инференса. Ограничения включают отсутствие заявленных данных о качестве, бенчмарках, контекстном окне и мультиязычной поддержке; квантизированные варианты могут уступать исходной BF16-модели по точности, особенно при низких уровнях квантизации. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями, включая некоммерческий характер.

SeaMarco-o1-7B-v1 — языковая модель на 7,1 млрд параметров, созданная методом слияния TIES на основе gmonsoon/StockSeaLLMs-7B-v1 и AIDC-AI/Marco-o1. Модель построена на архитектуре Qwen2 и предназначена для генерации текста и ответов с рассуждениями на индонезийском языке. Модель можно использовать для диалоговых ответов и решения задач, где требуется последовательное рассуждение на Bahasa Indonesia. Она принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. В карточке также указана поддержка интерфейса вызова инструментов. В README и метаданных лицензия и конкретные ограничения качества не описаны.

jinao/secgpt-Q4_K_M-GGUF — это квантизированная версия модели clouditera/secgpt, преобразованная в формат GGUF с помощью llama.cpp и размещённая пользователем или организацией jinao. Модель предназначена для генерации текста и запуска локально через llama.cpp, включая режим командной строки и серверный режим. В качестве исходных данных указаны наборы w8ay/security-paper-datasets и TigerResearch/tigerbot-zhihu-zh-10k, что указывает на ориентацию исходной модели на материалы по безопасности и китайскоязычные тексты из Zhihu, однако подробные сведения о её задачах и обучении в README отсутствуют. Ключевая характеристика этой версии — квантизация Q4_K_M в формате GGUF, благодаря которой модель рассчитана на более экономичное локальное выполнение по сравнению с полноразмерными вариантами. README не содержит данных о базовой архитектуре, количестве параметров, поддерживаемых языках, модальностях и точном размере контекста; в примере запуска указан контекст длиной 2048 токенов. Использование предусмотрено через llama.cpp на совместимом CPU или GPU, включая аппаратные варианты сборки. Сильными сторонами являются переносимость формата GGUF и возможность локального запуска без внешнего API. Ограничения — отсутствие в карточке подробной информации о качестве, бенчмарках, языковой поддержке и характеристиках исходной модели, а также потенциальная потеря точности из-за квантизации. Лицензия указана как Apache-2.0.

Secure Legal Abstractor — дообученная разработчиком akshatdev14 текстовая модель семейства Phi-3 на базе unsloth/phi-4-mini-instruct. Она предназначена для работы с юридическими текстами и их абстрагирования; карточка не уточняет конкретные виды документов или формат итогового резюме. Модель содержит 3,8 млрд параметров, использует архитектуру Phi3ForCausalLM, принимает текст и поддерживает диалоговый интерфейс. Максимальная длина контекста — 4096 токенов; указанный язык — английский. Модель можно применять для получения краткого содержания юридических документов и вопросов и ответов по их содержанию. Она опубликована в формате safetensors по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей обучающих данных, поэтому пригодность ответов для юридических решений следует проверять.

Slovak GPT-J-1.4B — авторская модель Milos из серии Slovak GPT-J, построенная на архитектуре GPT-J для генерации текста по заданному запросу. Модель содержит около 1,415 млрд параметров, 24 слоя и размер скрытого представления 2048; карточка указывает контекстное окно 2048 токенов и формат PyTorch. Модель обучена на более чем 40 ГБ преимущественно словацких текстов из разных категорий, включая веб-страницы, новости и библейские тексты. Её основной сценарий — продолжение и генерация словацкого текста; README также отмечает возможность извлекать языковые представления для последующих задач. Лицензия — GPL-3.0. По описанию автора, это наиболее способная модель серии, однако её качество может быть непоследовательным. В генерациях возможны ненормативная лексика, политически некорректное содержание и отдельные фрагменты на чешском языке; автор также предупреждает о риске выдачи чувствительного или случайно запомненного содержимого обучающих данных.

So(cially)-Good LM — языковая модель семейства Llama, разработанная проектом agi-css. Авторы описывают её как альтернативный подход к RLHF: модель обучали непосредственно на социальных играх вместо обучения отдельной модели вознаграждения. В метаданных указаны 6,6 млрд параметров, контекст 2048 токенов и формат PyTorch. Модель предназначена для генерации текста с учётом социальных норм и исследования методов согласования языковых моделей; она обучалась на наборе Anthropic/hh-rlhf. Карточка предупреждает, что смещения и неподходящий контент в данных могут ухудшать согласование. Перед применением требуется оценка безопасности и справедливости для конкретного сценария. Лицензия — Apache-2.0.

SocioCausaNet — модель извлечения причинно-следственных связей из текста, разработанная на основе google-bert/bert-base-uncased и предназначенная для использования с библиотекой Transformers. Она совместно определяет, содержит ли предложение причинное утверждение, выделяет фрагменты причины и следствия с помощью BIO-разметки и устанавливает связи между ними. Архитектура включает BERT-энкодер и три специализированные головы для классификации предложений, извлечения фрагментов и определения отношений. Модель принимает предложения на английском языке и возвращает структурированную информацию о причинах и следствиях. Для загрузки требуется разрешить пользовательский код через trust_remote_code=True; доступны режимы автоматического и нейросетевого определения связей, а также настройка порога уверенности и критерия причинной классификации. Модель дообучена на BERT, распространяется в формате safetensors по лицензии GPL-2.0. В карточке не приведены результаты оценки качества или сведения о контекстном окне; качество извлечения может зависеть от порога уверенности и сложности причинных связей.

SpiralAI Spiral-RetNet-3b-base — базовая языковая модель, разработанная SpiralAI и обученная с нуля на архитектуре RetNet с механизмом retention. Модель содержит около 3 млрд параметров согласно названию; обучалась на 80 млрд токенов смешанных японских и английских данных. Использует токенизатор cyberagent/calm2-7b-chat и доступна в формате Safetensors через Transformers. Модель предназначена для генерации текста и исследований механизма retention, а также для экспериментов с языковым моделированием на японском и английском языках. Заявленная длина контекста — 2 048 токенов; в сравнении на японской Википедии авторы сообщают о сопоставимой с open-calm-3b тестовой потере и более сдержанном росте потери при проверке контекстов длиннее 2 048 токенов. Лицензия MIT допускает коммерческое использование. Предобучающие данные могут содержать неподходящий контент, поэтому результаты следует проверять; модель может не соответствовать потребностям конкретных сценариев.

Steerling-8B — языковая модель на 8,4 млрд параметров, разработанная Guide Labs. Это интерпретируемая модель причинной диффузии: она генерирует текст, итеративно раскрывая замаскированные токены в порядке уверенности, а её представления разлагаются на понятные концепты, которые можно анализировать и направленно изменять. Архитектура сочетает CausalDiffusionLM, iGuide и блочно-причинное внимание: внутри блока внимание двунаправленное, между блоками — причинное. Модель предназначена для генерации текста и исследований интерпретируемости и управления концептами в языковых моделях. Размер контекста — 4096 токенов. Обучение включало Nemotron-CC-HQ и набор Dolmino Mix с математическими данными; сведения о наборах данных указывают на возможные лицензионные условия для их использования. Для запуска предусмотрена библиотека steerling. Модель распространяется по лицензии Apache-2.0.

ultragemma4-e2b-heretic-uncensored — экспериментальная модель от prithivMLmods, созданная на основе google/gemma-4-E2B-it и модифицированная с помощью инструментария Heretic abliteration. Изменения направлены на анализ и ослабление представлений, связанных с отказами, при сохранении следования инструкциям, рассуждений и общих диалоговых возможностей. Модель предназначена прежде всего для исследовательских и учебных задач: анализа выравнивания, изучения поведения моделей, оценки модификаций refusal-направлений, локального запуска и оптимизированного развертывания. В карточке указана английская языковая поддержка и класс задач image-text-to-text, однако подробности о поддерживаемых визуальных входах не приведены. Модель относится к семейству E2B, но точное число параметров, архитектура и размер контекста не указаны. Доступны файлы в форматах GGUF, включая BF16, F16 и различные варианты квантования; для стандартной производительности рекомендуется Q4_K_M или более высокий формат. Сильными сторонами заявлены сохранённые многошаговые рассуждения, аналитические возможности, следование инструкциям и сниженная склонность к отказам, а также пригодность для локального запуска. Ограничения связаны с экспериментальным характером и возможными неожиданными результатами или артефактами. Из-за уменьшенных механизмов отказа модель может генерировать чувствительный или неограниченный контент, поэтому ответственность за её применение несёт пользователь. Модель распространяется по лицензии Apache-2.0 и предназначена для исследовательского использования.

jphme/vicuna-13b-v1.3-ger — дообученная немецкоязычная версия Vicuna 13B v1.3, разработанная на базе модели LMSYS. Это авторегрессионная плотная языковая модель семейства LLaMA на архитектуре Transformer с 12,9 млрд параметров и контекстом 2048 токена; репозиторий содержит веса PyTorch. Модель дообучена на небольшом экспериментальном наборе немецких данных и предназначена для диалога, понимания и генерации текста на немецком языке. Часть данных дообучения ориентирована на ответы по предоставленному контексту и снижение галлюцинаций при фактическом поиске. Модель может помогать с немецкоязычными вопросами и ответами, инструкциями и диалогами. Разработчик отмечает улучшение немецкого по сравнению с исходной Vicuna в ряде вручную проверенных примеров, но оценка проводилась на небольшой выборке; полноценная оптимизация немецкого не достигнута. Возможны несогласованности в многоходовых диалогах из-за проблемы с токенами в данных дообучения, а возможности ограничены небольшим размером модели. Лицензия некоммерческая; базовая Vicuna указана как дообученная на LLaMA.

Карточка модели luffycodes/vicuna-class-shishya-ac-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.

QuixiAI/Wizard-Vicuna-13B-Uncensored — англоязычная текстовая генеративная модель на архитектуре Llama, содержащая 12,9 млрд параметров. Это вариант Wizard-Vicuna-13B, дообученный на подмножестве Wizard Vicuna 70k: из обучающих данных удалили ответы с призывами к соблюдению моральных норм или выравниванию поведения. Модель рассчитана на генерацию ответов без встроенных ограничителей и может использоваться для экспериментов с последующим добавлением правил поведения, например через RLHF LoRA. Модель принимает текст и генерирует текст, работает с контекстом до 2048 токенов и опубликована в формате PyTorch. В README приведены результаты Open LLM Leaderboard: средний балл 49,52, ARC — 58,96, HellaSwag — 81,95. Разработчик предупреждает, что у модели нет защитных ограничений; её ответы требуют проверки. Лицензия указана как other, поэтому конкретные условия использования следует уточнить в карточке репозитория.

XORTRON-NXTXPRTXXL-i1-GGUF — квантизированная версия модели darkc0de/XORTRON-NXTXPRTXXL, подготовленная mradermacher в формате GGUF. По описанию, модель относится к семейству Mistral 3.5 и предназначена для мультимодальных сценариев vision и image-text-to-text, то есть может обрабатывать изображения вместе с текстовыми запросами и формировать текстовые ответы. Заявленный язык — английский. Доступны варианты квантизации от i1-IQ1_S до i1-Q6_K размером примерно от 27,3 до 102,7 ГБ. Это позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством; автор рекомендует i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S называет оптимальным по соотношению размера, скорости и качества. Для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория модели. В README не указаны точное число параметров, архитектурные детали, размер контекстного окна, результаты тестирования и системные требования. К ограничениям относятся возможное снижение качества у низкобитных вариантов, а также необходимость совместимого ПО для GGUF и дополнительных компонентов для мультимодального ввода. Лицензия обозначена как other, без уточнения конкретных условий использования.

Youri-7B-Chat — чат-модель rinna, созданная дообучением Youri-7B, японской и английской версии Llama 2. Она предназначена для диалогов и выполнения инструкций в формате чата, включая ответы на вопросы, генерацию текста и помощь с повседневными запросами на японском и английском языках. Модель использует плотную трансформерную архитектуру Llama с 32 слоями и размером скрытого состояния 4096; в метаданных указано 6,6 млрд параметров и контекст длиной 4096 токенов. Для дообучения использовались наборы Databricks Dolly и его японская версия, данные Anthropic HH RLHF и FLAN Instruction Tuning с японскими переводами, а также части японского набора Izumi Lab. Модель использует исходный токенизатор Llama 2. Карточка приводит результаты на отдельных тестах рассуждения и здравого смысла, но не обещает одинакового качества на всех задачах. Модель ориентирована прежде всего на японский и английский языки; поддержка других языков и специализированных областей не заявлена. Лицензия — Llama 2 Community License.

Ttimms/zaya1-8b-nvfp4-w4a4 — квантованная версия языковой модели ZAYA1-8B, разработанной Zyphra и дополнительно квантованной пользователем Ttimms. Модель предназначена для генерации текста и задач, где важны рассуждения. Это MoE-модель на базе Zyphra/ZAYA1-8B-legacy с 80 слоями и 16 экспертами; точное общее число параметров, поддерживаемые языки и размер контекста в карточке не указаны. В модели используются 4-битные веса и 4-битные активации в формате NVFP4 W4A4, рассчитанные на нативные FP4 tensor-core kernels CUTLASS. Артефакт занимает 9,46 ГБ и содержит 936 квантованных Linear-слоёв и 384 слоя, оставленных в BF16 для сохранения качества. На HellaSwag указана точность 46,49%; измеренная скорость составляет около 9,5 токена/с в однопоточном режиме и около 74 токенов/с при batch size 8. Основная сильная сторона — сочетание низкого потребления памяти и квантования активаций с сохранением качества, однако модель не ориентирована на быстрый интерактивный отклик из-за ресурсоёмкого режима рассуждений. Для работы требуется GPU архитектуры Blackwell SM120, например RTX 50-й серии, и vLLM, собранный из исходников с поддержкой CUDA-архитектуры 12.0. Необходимо использовать флаг --enforce-eager: захват CUDA-графов на SM120 может приводить к неверным результатам. Карточка подтверждает работу на transformers 4.57.1 и vLLM 0.20.2; на transformers 5.x и vLLM 0.26.0 артефакт не загружается из-за несовместимости структуры конфигурации и весов. Модель распространяется по лицензии Apache-2.0.

MS3.2-PaintedFantasy-Visage-v2-33B-GGUF — это квантизированная версия текстовой генеративной модели MS3.2-PaintedFantasy-Visage-v2-33B, разработанной zerofata. Пакет подготовлен bartowski в формате GGUF с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста и запуска в llama.cpp, LM Studio и других совместимых проектах. Модель имеет размер 33B параметров. Доступны веса BF16 и варианты квантизации Q8_0, Q6_K, Q5_K, Q4_K, IQ4 и Q3_K с размером файлов примерно от 16 до 67 ГБ. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, а низкие позволяют работать при ограниченном объёме оперативной памяти. Формат подсказок в README не указан; рекомендуется проверить страницу исходной модели. Сильной стороной являются многочисленные варианты квантизации и совместимость с локальными инструментами инференса. Ограничения заключаются в отсутствии сведений о языках, архитектуре, размере контекста, мультимодальности, специализированных сценариях применения и лицензии. В представленном README условия лицензирования не указаны.

ARKA Advanced SLM — Mixed SFT v1 — это дообученная Абхаем Кумаром Рудрапaulом языковая модель для генерации ответов и диалогового помощника по академическим знаниям. В основе лежит Abhayn01/arka-advanced-slm-scitech-stream-500m-v1: GPT-2, декодерная причинная архитектура примерно на 124,4 млн параметров. Модель дообучена на 160 863 примерах с проверочной выборкой из 4 000 примеров; контекст составляет 1024 токена. Смесь обучения включает вопросы и ответы по естественным наукам и инженерии, SQuAD 2.0, OpenBookQA, ARC, SciQ и MMLU, а также сведения об ARKA и разработчике. Модель подходит для диалоговых ответов и вопросов по научным и учебным темам на английском языке. Карточка не указывает лицензию, поэтому условия использования следует проверять в репозитории и у источников обучающих данных; перед распространением преобразованных данных разработчик рекомендует проверить лицензии исходных наборов.

Atomight-V2.1-0.5B-Inference — компактная причинная языковая модель семейства Qwen2, разработанная в экосистеме Atomight и дообученная с помощью GRPO. Она насчитывает 494 млн параметров, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors; по заявлению автора, в FP16 ей требуется около 1 ГБ видеопамяти. Модель предназначена для генерации текста и диалогов с упором на рассуждения, включая математические задачи, вопросы на общие знания и научные тесты. Разработчик позиционирует её для локального запуска на мобильных устройствах и в браузере. В карточке приведены результаты оценивания на ARC-Easy, ARC-Challenge, HellaSwag и GSM8K, однако сообщается о проблемах с тегами рассуждений и строгим форматированием ответов. Модель поддерживает английский язык. Лицензия — MIT.

moussaKam/barthez-orangesum-title — франкоязычная модель семейства mBART, разработанная Moussa Kamal Eddine и дообученная на наборе OrangeSum для генерации заголовков по тексту. Она предназначена для автоматического суммирования в формате короткого заголовка; в карточке указана метрика ROUGE-2 выше 23. Модель содержит около 95 млн параметров и принимает последовательности длиной до 1024 токенов. Модель принимает текст и генерирует текст на французском языке. Веса доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0; результат и указанная метрика относятся к описанному сценарию дообучения, качество на других данных карточкой не подтверждено.

Bielik-4.5B-v3.0-Instruct-FP8-Dynamic — польскоязычная инструкционная языковая модель, разработанная организациями SpeakLeash и ACK Cyfronet AGH. Она создана на основе Bielik-4.5B-v3.0-Instruct и предназначена для генерации текста и диалоговых сценариев на польском языке, включая работу в режиме ассистента и развёртывание через совместимые серверы инференса. Модель использует архитектуру causal decoder-only и содержит около 4,5 млрд параметров. Это FP8-квантизированная версия: веса и активации линейных операторов внутри transformer-блоков переведены из 16-битного формата в 8-битный с помощью AutoFP8 и симметричной поэлементно-тензорной квантизации. Такой подход примерно вдвое уменьшает размер модели на диске и требования к памяти GPU. Для инференса заявлена совместимость с vLLM версии 0.5.0 и выше, а также SGLang; вычисления FP8 поддерживаются на GPU Nvidia с compute capability выше 8.9, включая Ada Lovelace и Hopper. К сильным сторонам относятся оптимизированное потребление памяти и возможность эффективного серверного развёртывания с OpenAI-совместимым API. Ограничениями являются поддержка только польского языка, отсутствие заявленных мультимодальных возможностей и возможное снижение качества ответов и рост числа галлюцинаций из-за квантизации. Модель распространяется по лицензии Apache 2.0.

AmixDigital/BigBang-v1-mtp-oQ2.7e — самостоятельная MLX-квантизация модели endless-frontier/BigBang-v1, опубликованная сообществом AmixDigital. Это мультимодальная модель для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Артефакт ориентирован на локальный запуск на устройствах Apple Silicon под macOS. Модель использует архитектуру MoE и механизм multi-token prediction (MTP); точные число параметров, поддерживаемые языки и размер контекста в предоставленных данных не указаны. Представлен один уровень квантизации oQ2.7e. Репозиторий содержит четыре MLX Safetensors-фрагмента, а его полный размер составляет 14,259 GiB. В комплект также входят необходимые файлы модели, токенизатор, prompt и ресурсы мультимодальной предобработки. Сильной стороной является готовый цельный квантизированный артефакт для локального вывода на Apple Silicon. Ограничения включают зависимость от MLX и совместимого оборудования, а также отсутствие в доступных данных сведений о производительности, точности, языках и максимальном контексте. Указана лицензия OpenMDW-1.1.

birgermoell-llama-3-merge-disco-neural-pace-GGUF — это набор GGUF-квантизованных файлов модели birgermoell/llama-3-merge-disco-neural-pace. Квантизацию подготовила команда Featherless AI Quants. Модель относится к задачам генерации текста и предназначена для запуска совместимых Llama-моделей в формате GGUF, в том числе на системах с ограниченными ресурсами. В репозитории доступны варианты 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 до 8 ГБ. README не содержит сведений о точной архитектуре и размере базовой модели, поддерживаемых языках, длине контекста, дополнительных модальностях, результатах оценки или практических сценариях применения. Основное преимущество набора — выбор степени квантизации, позволяющий балансировать между размером файла, требованиями к памяти и потенциальным качеством генерации. Ограничения и качество конкретных вариантов в README не описаны; сведения о лицензии также отсутствуют.

Borealis 4B Instruct Preview — экспериментальная предварительная версия ассистента от NbAiLab, дообученная методом supervised fine-tuning на текстовых инструкциях на базе google/gemma-3-4b-it. Модель содержит 4 млрд параметров и рассчитана на раннее тестирование и сбор отзывов; исходные веса доступны в BF16 в формате Transformers и safetensors. Модель предназначена прежде всего для задач на норвежском языке: составления и редактирования текстов, суммаризации, ответов на вопросы и несложных рассуждений. Её также можно применять для оценки качества письма на букмоле и нюнорске и для ранней проверки языкового охвата. Хотя базовая Gemma 3 поддерживает работу с изображениями, Borealis дообучали только на текстовых инструкциях. Качество предварительное: ответы могут быть нестабильными и содержать ошибки или галлюцинации. Модель не прошла выравнивание по безопасности и может выдавать вредный, предвзятый или оскорбительный контент; её не следует использовать в критически важных сценариях без собственных мер защиты. Лицензия — Gemma.