I.2Синтез, понимание и проверка знаний

AmberYifan/capsd-qwen3-sciweb-stackexchange-Qwen3-4B-Base-science_random_b4000_s0 — дообученная плотная языковая модель Qwen3 с 3,7 млрд параметров, построенная на Qwen/Qwen3-4B-Base. Репозиторий содержит веса в формате safetensors; модель предназначена для генерации текста и поддерживает чатовый сценарий. В названии и описании обучения указана смесь данных sciweb и StackExchange с научными и случайными примерами. Это указывает на экспериментальную адаптацию для генерации ответов и текста в научно-вопросных сценариях, однако карточка не описывает конкретные целевые задачи, качество или результаты оценки. Контекст модели — до 32 768 токенов. Лицензия указана как other, поэтому конкретные условия использования по имеющимся данным определить нельзя. Ограничения и предназначенные сценарии автор в карточке не уточнил; пригодность модели для конкретных задач следует оценивать отдельно.

AmberYifan/capsd-qwen3-sciweb-stackexchange-Qwen3-4B-Base-science_random_b8000_s0 — дообученная плотная языковая модель Qwen3 с 3,7 млрд параметров, созданная на базе Qwen/Qwen3-4B-Base. Название и карточка указывают на обучение на смеси данных SciWeb и StackExchange с научными примерами и случайной выборкой. Модель предназначена для генерации текста; метаданные также отмечают возможность диалогового применения. Базовая модель поддерживает контекст до 32 768 токенов. Карточка не описывает конкретные сценарии, оценки качества или языковую специализацию дообученной версии, поэтому её научную направленность следует считать ориентиром по обучающим данным, а не гарантией экспертной точности. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.

CRAB_xlm_roberta_base_finetuned — дообученная модель на архитектуре XLM-RoBERTa, созданная на основе FacebookAI/xlm-roberta-base. Она предназначена для задач выбора одного ответа из нескольких вариантов и использует архитектуру XLMRobertaForMultipleChoice. Модель содержит 305,2 млн параметров и принимает последовательности длиной до 514 токенов. Модель подходит для тестов с вариантами ответа и других задач, где нужно ранжировать предложенные варианты по соответствию тексту. В карточке указаны результаты оценки: loss 1,0477 и F1 0,7556; набор данных для обучения не описан. Базовая XLM-RoBERTa многоязычная, поэтому модель может быть полезна для текстов на разных языках, но конкретный набор поддерживаемых языков и прикладную область карточка не уточняет. Лицензия — MIT.

Репозиторий содержит GGUF-квантизации с использованием imatrix модели Meta Llama 3.2 3B для генерации текста. Предназначен для локального запуска через llama.cpp, KoboldCPP, text-generation-webui и Ollama, включая сценарии текстового дополнения и диалогового общения. В README также приведено описание DeepSeek-V2-Lite-Chat: MoE-модели с 16 млрд параметров, из которых 2,4 млрд активны, обученной на 5,7 трлн токенов. Она использует архитектуры Multi-head Latent Attention и DeepSeekMoE, поддерживает английский и китайский языки и рассчитана на эффективный инференс; для исходной BF16-версии требуется GPU с 40 ГБ памяти. Однако эти характеристики могут относиться к исходной модели, а не к представленным квантизациям Llama 3.2 3B. Лицензия указана как other, без дополнительных условий в README.

DeepSeek-V4-Flash-Vision-Exp Abliterated — экспериментальная мультимодальная модель для обработки текста и изображений, разработанная пользователем apetersson на основе fine-tune базовой модели deepseek-ai/DeepSeek-V4-Flash-Vision-Exp. Модель предназначена для локального запуска, генерации текста и анализа изображений; README содержит пример распознавания изображения Земли. Точная архитектура, число параметров и поддерживаемые языки не указаны. Модель распространяется в нативном формате и двух профилях GGUF. Reference-Native-GGUF ориентирован на более высокую точность, занимает около 156 ГБ и рассчитан на потоковую загрузку с SSD. Basic128-Routed-IQ2_M занимает около 103 ГБ, использует смешанную низкобитную квантизацию и рассчитан на размещение в 128 ГБ памяти; в протестированной конфигурации поддерживает контекст до 32 000 токенов. Для запуска требуется совместимый runtime ds4 и, для работы с изображениями, vision-проектор. К сильным сторонам относятся нативная поддержка изображений, возможность локального запуска и оптимизированный профиль для систем с 128 ГБ памяти. Это исследовательский релиз: широкая оценка качества, безопасности и пригодности для промышленной эксплуатации ещё не завершена. Потоковая загрузка Reference-профиля с SSD может работать медленно, а в upstream-версии ds4 обнаружено ограничение Metal при совместном использовании SSD streaming и native vision. Модель распространяется по лицензии MIT.

sshleifer/distilbart-xsum-12-1 — англоязычная модель суммаризации на архитектуре BART, доступная в форматах PyTorch и Flax. Она предназначена для создания краткого резюме по входному тексту, в частности в сценариях суммаризации XSum. Модель содержит 252,8 млн параметров и рассчитана на контекст до 1024 токенов. В README для этого варианта указаны результаты ROUGE-2 18,31 и ROUGE-L 33,37, время инференса 90 мс и ускорение в 2,54 раза относительно исходного сравнения. Чекпойнт загружается через BartForConditionalGeneration. Лицензия — Apache-2.0. Поддержка русского языка не заявлена.

Koko12345p/dolphin-cyber-arabic-merged — разговорная текстовая модель семейства Qwen2, доступная в формате safetensors для Transformers. В метаданных указаны 7,1 млрд параметров и контекст до 32 768 токенов; основная задача — генерация текста в чат-сценариях. Название предполагает связь с Dolphin и кибербезопасностью на арабском языке, однако поиск по заголовку и идентификатору не дал результатов, а метаданные не подтверждают такое назначение, обучение, поддержку арабского языка или лицензию. Поэтому эти характеристики нельзя надёжно описать.

DolphiSato-8B-slerp — объединённая автором shreyvshah языковая модель на базе архитектуры Llama для генерации текста и диалогового взаимодействия. Она создана методом SLERP из cognitivecomputations/dolphin-2.9-llama3-8b и LaierTwoLabsInc/Satoshi-7B; в метаданных модель связана с их эквивалентами cognitivecomputations/dolphin-2.9-llama3-8b и LaierTwoLabsInc/Satoshi-7B. Модель содержит 7,5 млрд параметров, принимает текст и формирует текст, а длина контекста составляет 8192 токена. Модель подходит для диалоговых приложений и генерации ответов на запросы. В карточке и тегах отмечены разговорное назначение, тематика Bitcoin и uncensored-характер, но подробные тесты качества и перечень поддерживаемых языков не приведены. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

Модель tokhey/egyptian-mcq-generator-qwen-2.5-7b-synthetic — дообученная и объединённая с базовой моделью Qwen/Qwen2.5-7B-Instruct языковая модель от автора репозитория tokhey. Она предназначена для генерации вопросов с несколькими вариантами ответа на английском языке в стиле выпускных экзаменов Министерства образования Египта, включая задания по грамматике и лексике с учётом учебной программы и заданной темы или раздела. Модель основана на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Обучение проводилось методом LoRA на экзаменационных вопросах, метаданных учебной программы и синтетических примерах; адаптер был объединён с базовой моделью. Ответы формируются в виде JSON с вопросами, правильными ответами, отвлекающими вариантами и пояснениями. Лицензия — Apache-2.0. Модель подходит для подготовки учебных заданий и материалов для проверки знаний по английскому языку. Качество и соответствие учебной программе требуют проверки преподавателем; автор также характеризует модель как экспериментальную исследовательскую разработку.

Карточка модели furnqse/elyza-fork2 на Hugging Face совпадает с карточкой elyza/ELYZA-japanese-Llama-2-7b-instruct, поэтому описание составлено по ней. ELYZA-japanese-Llama-2-7b-instruct — языковая модель ELYZA на архитектуре Llama 2, предназначенная для генерации текста и инструкционного диалога. Модель расширяет способности Llama 2 к японскому языку дополнительным предварительным обучением; в карточке она указана как версия instruct семейства ELYZA-japanese-Llama-2-7b. Разработчики: Akira Sasaki, Masato Hirakawa, Shintaro Horie и Tomoaki Nakamura. Модель содержит около 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, выдавая текст. Контекст составляет 4096 токенов. В метаданных указаны японский и английский языки; основное назначение — работа с японским текстом, включая ответы по инструкциям и генерацию. Модель распространяется по лицензии Llama 2. Карточка не приводит подробных оценок качества или ограничений; как и другие языковые модели, она может выдавать неточные или вымышленные сведения.

Eugleo/exp089-d26-tpp10-nopol-sft — исследовательская чат-модель, созданная дообучением jkminder/d26_973m_seed1 на одном эпохе рецепта nanochat chat-SFT. Базовая модель относится к плотной архитектуре NanochatGPTForCausalLM и содержит 1,2 млрд параметров; контекст — 2048 токенов. Модель принимает текстовые запросы и генерирует текст в формате диалога. При дообучении использовались smoltalk, MMLU и GSM8K; базовая модель предварительно обучалась на корпусе climbmix_4100. Модель подходит для экспериментов с диалоговой генерацией, ответами на вопросы и математическими задачами на английском языке. Карточка относит её к исследовательскому артефакту; для запуска требуется Transformers и trust_remote_code=True. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Карточка модели Eugleo/exp091-d26-political0-sft на Hugging Face совпадает с карточкой Eugleo/exp091-d26-political0-nopol-sft, поэтому описание составлено по ней. Это исследовательский чат-чекпойнт Eugleo, созданный дообучением nanochat GPT модели jkminder/pretraining-priors-d26-base на один проход supervised fine-tuning. Модель содержит около 1,2 млрд параметров, использует плотную авторегрессионную архитектуру NanochatGPTForCausalLM и контекст до 2048 токенов; веса опубликованы в формате safetensors и работают через Transformers. Карточка описывает англоязычный чат-чекпойнт, обученный на смеси SmolTalk, MMLU, GSM8K и ClimbMix. Модель предназначена для генерации диалоговых ответов и исследовательских экспериментов с поведением языковых моделей и влиянием обучающих данных. В приведённых оценках она показывает результаты на ARC и MMLU, однако это небольшой экспериментальный чекпойнт, а метрики приведены для одного из нескольких прогонов. Карточка указывает ограничения: контекст не более 2048 токенов, пакетная генерация поддерживается только для одного примера или строк одинаковой длины, шаблон чата принимает только обычные текстовые сообщения. Для нестандартной архитектуры требуется trust_remote_code=True. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Finnish-Viking-Alpaca-V1-7B — 7-миллиардная плотная языковая модель на архитектуре Llama, созданная mpasila дообучением LumiOpen/Viking-7B с помощью LoRA на финском наборе инструкций alpaca-cleaned-fi, после чего адаптер был объединён с базовой моделью. Модель предназначена для генерации ответов на инструкции и запросы, прежде всего на финском языке, в формате Alpaca с финским вводным шаблоном. Модель использует формат safetensors и поддерживает контекст до 4096 токенов. В карточке приведён результат 0,3943 на FIN-bench; автор отмечает, что объединение квантизированного LoRA с моделью float16 могло быть выполнено не оптимально. Лицензия — Apache-2.0.

Это дообученная модель семейства Gemma 3, опубликованная mfielding92 и основанная на mfielding92/gemini-3.1-pro-distill-reasoning-12B-QVO-HF. Она предназначена для диалоговой работы с текстом и изображениями: модель принимает текстовые запросы и изображения и формирует текстовые ответы. В карточке указано, что модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель представлена в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает специальные прикладные области или конкретные преимущества дообучения.

abhishekai/gemma-2-2b-legal-dpo — плотная авторегрессионная модель Gemma 2 на 2,7 млрд параметров, дообученная методом DPO на предпочтениях, полученных с помощью ИИ-обратной связи. Она предназначена для ответов на вопросы по правовым и финансовым темам, когда пользователь предоставляет исходный фрагмент текста. Модель поддерживает диалог, генерирует текст на английском языке и имеет контекстное окно 8192 токена; в README обучение и оценка описаны для контекста 1024 токена. В описанной оценке ответы оказались на уровне исходной модели thesreedath/slm-gemma-2b-qa; преимущество по win rate не было статистически значимым. Для использования нужны предоставленные пользователем материалы: модель не предназначена для ответов без опоры на контекст. Точность чисел требует проверки, а ответы не являются юридической или финансовой консультацией. Лицензия — Gemma.

Экспериментальная модифицированная версия инструкционной мультимодальной модели Gemma 4 12B IT от 3MPER0RR. Модель дообучена на базе google/gemma-4-12B-it и предназначена для диалогового взаимодействия и задач по тексту и изображениям. Архитектура — плотная Gemma4UnifiedForConditionalGeneration; репозиторий содержит веса в формате safetensors. Основная задача модели по метаданным — image-text-to-text. Базовая модель поддерживает работу с текстом, изображениями, видео и аудио, однако карточка этой модификации отдельно подтверждает только экспериментальную модификацию и не описывает дополнительные сценарии. Модель помечена автором как протестированная и сохранённая; это экспериментальная версия. Лицензия — Apache 2.0. README не приводит подробностей о качестве, обучающих данных или конкретных ограничениях модификации.

Карточка модели Justbackup/gemma-4-12B-it-uncensored на Hugging Face совпадает с карточкой TrevorJS/gemma-4-12B-it-uncensored, поэтому описание составлено по ней. TrevorJS разработал gemma-4-12B-it-uncensored — версию Google Gemma 4 12B Instruct с удалённым поведением отказа. Это плотная модель семейства Gemma4Unified, дообученная на базе google/gemma-4-12B-it; веса доступны в формате safetensors. Модель предназначена для диалога и генерации текста, в том числе для сценариев, где требуется отвечать на запросы, которые исходная модель обычно отклоняет. Для ослабления отказов применён метод norm-preserving biprojected abliteration: направление отказа оценивалось отдельно для слоёв, а модификация затронула верхние 70% слоёв. В тестах автор сообщает 14 отказов на 686 запросов из нескольких наборов; ручная проверка выявила один действительный отказ. Эти результаты относятся к проверенным наборам и не гарантируют такое же поведение на других запросах. Для запуска требуется Transformers версии 5.10.1 или новее. Лицензия — Apache 2.0.

inferencerlabs/gemma-4-12B-Q9 — квантованная сборка Gemma 4 Unified на 12 млрд параметров, подготовленная для запуска с библиотекой MLX. README сообщает о проверке в приложении Inferencer на системе M3 Ultra с 512 ГБ оперативной памяти и упоминает текстовый и мультимодальный вывод, но не приводит измерений скорости или расхода памяти. Модель предназначена для генерации текста и мультимодальных сценариев в среде MLX. Метаданные указывают на архитектуру Gemma4UnifiedForConditionalGeneration и базовую модель google/gemma-4-12Bit; связь с ней помечена как finetune. В тегах карточки указан английский язык. Лицензия — Apache-2.0. README не описывает конкретные поддерживаемые модальности, контекстное окно, набор задач или качество. Создатель исходной модели — третья сторона; автор репозитория отдельно указывает, что не является её создателем или владельцем. Результаты могут быть неточными или неуместными, поэтому их следует проверять перед важными решениями.

llmfan46/gemma-4-31B-it-qat-q4_0-uncensored-heretic-GGUF — это GGUF-квантизированная версия Gemma 4 31B IT, разработанная независимым автором llmfan46 на основе модели Google. Модель создана с применением Heretic v1.2.0 и метода Arbitrary-Rank Ablation (ARA), чтобы уменьшить количество отказов и ограничений при сохранении близости к исходной модели. Указано, что модель относится к классу image-text-to-text, однако подробности о поддерживаемых модальностях, языках и размере контекста в README не приведены. Модель предназначена для генерации ответов и обработки запросов в сценариях, где требуется меньше цензурных отказов, включая исследовательское и экспериментальное использование. По заявленным тестам, она дает 11 отказов из 100 против 99 из 100 у оригинальной модели, а KL-дивергенция относительно исходной версии составляет 0,0365. В README также приведены результаты MMLU исходной модели с точностью 86,17%, но отдельный полный результат для этой модификации не указан, поэтому влияние декенсурирования на общую точность оценить нельзя. Ключевое ограничение модели — изменение механизмов отказа может повысить вероятность генерации небезопасного, нежелательного или некорректного контента; результаты тестов и заявленные характеристики предоставлены автором модели. Лицензия указана как Apache-2.0 со ссылкой на лицензию Gemma 4, поэтому условия использования следует проверять одновременно в лицензии Apache-2.0 и в специфических условиях Google Gemma.

OpenVINO/gemma-4-E4B-it-int4-ov — экспериментальная версия мультимодальной модели Gemma 4 E4B it, разработанной Google и конвертированной в формат OpenVINO IR. Модель предназначена для диалоговых сценариев и задач, в которых требуется совместная обработка изображений и текста, включая визуальные вопросы и ответы. В README не указаны точные сведения о поддерживаемых языках, размере контекста и полной архитектуре исходной модели. Весовые параметры сжаты до INT4 с использованием NNCF в режиме INT4_ASYM, с group_size 128 и ratio 1.0. Для инференса используются OpenVINO и Optimum Intel; совместимость заявлена с OpenVINO 2026.4.0 и выше и Optimum Intel 2.2.0 и выше. Ключевое преимущество модели — уменьшенный размер весов благодаря INT4-квантизации и возможность запуска через экосистему OpenVINO, однако модель ещё не прошла полную валидацию, использует экспериментальную ветку optimum-intel, а её ограничения следует дополнительно изучать по карточке исходной Gemma 4 E4B it. Модель распространяется по лицензии Apache License 2.0.

GLM-4.6V-Flash-heretic_R18_K001-gguf — модифицированная версия модели GLM-4.6V-Flash от zai-org, созданная с использованием инструмента Heretic. Модель предназначена для генерации текста и, согласно README, ориентирована на англоязычные и китайскоязычные сценарии. Она относится к reasoning/thinking-моделям, поэтому может применяться для задач, требующих пошагового рассуждения, при условии настройки системного промпта под конкретное применение. Ключевая особенность версии — значительное ослабление отказов от выполнения запросов: число отказов в заявленном тестировании уменьшено с 92 до 18 из 100 при KL=0.01. Автор также изменил набор маркеров отказа и добавил дополнительные небезопасные запросы в датасет. Это может сделать модель более гибкой для исследовательских и экспериментальных задач, но одновременно повышает риск генерации вредного, нежелательного или небезопасного содержимого. README не содержит сведений о размере модели, точной архитектуре, максимальной длине контекста и поддерживаемых модальностях, поэтому эти характеристики нельзя определить по имеющимся данным. Модель распространяется по лицензии MIT. Из-за высокой степени цензурной разблокировки её следует использовать с особой осторожностью, с подходящими ограничениями, проверкой результатов и контролем сценариев применения.

0xSero/GLM-5.3-Flash-EXL3-3.0bpw — квантизированная версия GLM-5.3-Flash-BF16, разработанного Z.AI. Конвертацию в selective EXL3 выполнил Dione с использованием формата и инструментов ExLlamaV3 / TurboDerp. Модель предназначена для генерации текста и запуска в средах, поддерживающих специальный selective-EXL3 TP=4 loader. Это Mixture-of-Experts-модель: в языковых слоях 3–44 квантизированы EXL3 K3-проекции gate/up/down маршрутизируемых экспертов, по 288 экспертов на слой. Остальные компоненты, включая attention, linear attention, indexers, роутеры, shared experts, плотные слои 0–2, эмбеддинги, LM head, нормы, vision и MTP, сохранены в BF16. Артефакт занимает около 149,56 ГБ и содержит 583 090 индексированных тензоров. Языки и размер контекстного окна в карточке не указаны. Преимущество релиза — существенное уменьшение точности только выбранных компонентов при сохранении остальных частей модели в BF16, а также проверенные EXL3-ядра и CUDA Graph на четырёх TP-рангах. Однако полная серверная загрузка, коллективные операции, генерация через API, vision и MTP не проверялись. На отложенной оценке perplexity выросла на 9,30% относительно BF16, что превысило консервативный порог качества, хотя совпадение top-1 составило 87,28%. Для работы требуется совместимый специализированный загрузчик; совместимость со стандартными Transformers и generic EXL3 не заявлена. Лицензия — MIT.

rmihaylov/gpt2-medium-bg — предобученная языковая модель GPT-2 Medium для болгарского языка. Она разработана на основе архитектуры GPT-2 и обучена предсказывать продолжение текста на корпусах OSCAR, Chitanka и Wikipedia. Модель принимает текст и генерирует текст; контекст ограничен 1024 токенами. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Модель предназначена для генерации болгарского текста, автодополнения и исправления орфографии. Её также можно дообучить для прикладных задач. Модель может выдавать фактически неверные утверждения и наследовать смещения из обучающих данных, поэтому её ответы не подходят без проверки для сценариев, где важны достоверность или чувствительная к предвзятости обработка.

aoxo/gpt-oss-20b-uncensored — производная текстовая модель на основе gpt-oss-20b от OpenAI. Это декодерный Transformer с архитектурой Mixture of Experts, предназначенный для генерации текста и диалогового общения. В README указаны 21 млрд параметров всего и 3,6 млрд активных на проход; метаданные каталога сообщают 1,6 млрд параметров, поэтому размер модели в источниках расходится. Метаданные указывают контекст 131 072 токена, тогда как README приводит 32 тысячи токенов. Модель прошла аблитерацию, направленную на удаление механизмов отказа и ограничений выравнивания. Это расширяет диапазон запросов, на которые она отвечает, но увеличивает вероятность предвзятого, небезопасного или вредоносного вывода. В карточке также заявлена совместимость с форматом диалогов Harmony. Модель поддерживает английский язык и распространяется по лицензии Apache-2.0.

aliRafik дообучил модель семейства gpt_oss для генерации текста. В основе — unsloth/gpt-oss-20b-unsloth-bnb-4bit; в карточке указано обучение с Unsloth и библиотекой Hugging Face TRL. Архитектура — MoE с причинной языковой моделью GptOssForCausalLM; в репозитории представлены веса Safetensors. Метаданные указывают 1,6 млрд параметров и контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогового общения; также заявлен интерфейс вызова инструментов. README называет её German reasoning, однако конкретные результаты, обучающие данные и качество рассуждений не описаны. Метаданные указывают английский язык. Лицензия — Apache-2.0.

grok_demon_7b-GGUF — это набор квантованных файлов в формате GGUF для модели grok_demon_7b, разработанной Maximiliano-Flores-Dev и квантованной mradermacher. Модель предназначена для генерации текста и диалоговых сценариев, в частности для работы на испанском языке. В метаданных она описана как дообученная модель с объединёнными весами; среди связанных технологий указаны Qwen2, Qwen2.5, Unsloth и TRL. Модель относится к классу примерно 7-миллиардных параметров, однако точные сведения об архитектуре, размере контекста и поддерживаемых модальностях в README не приведены. Доступны варианты квантования от Q2_K до Q8_0, а также версия f16 размером около 15,3 ГБ. Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант с очень хорошим качеством, а Q8_0 — как обеспечивающий наилучшее качество среди быстрых вариантов. Основные преимущества — несколько вариантов размера и компромисса между скоростью, требованиями к памяти и качеством, а также совместимость с инструментами, поддерживающими формат GGUF. К ограничениям относятся возможное снижение качества при сильном квантовании и отсутствие в README результатов тестирования, подробного описания обучения и точных характеристик контекста. Лицензия модели — Apache-2.0.

Hexis-Sentient-Mind-24B-i1-GGUF — квантизированная GGUF-версия модели Hexis-Sentient-Mind-24B, разработанной WasamiKirua и квантизированной mradermacher. Модель создана на основе merge-подхода с использованием mergekit; в метаданных также указана архитектурная принадлежность к семейству Mistral. Доступны варианты с разными уровнями квантизации, включая imatrix и форматы i1-IQ и i1-Q. Модель предназначена для генерации текста, рассуждений и ролевого взаимодействия. По заявленным тегам она ориентирована на философские, интимные, меланхоличные и сенсорные сценарии, а также обозначена как uncensored. В метаданных указана поддержка английского и итальянского языков. Точное значение контекстного окна, параметры мультимодальности и дополнительные сведения об архитектуре не указаны; модель предназначена для работы с текстом. Сильная сторона репозитория — широкий выбор квантизированных вариантов размером примерно от 5,4 до 19,4 ГБ, что позволяет подобрать компромисс между качеством, скоростью и требованиями к памяти. Для практического использования рекомендованы варианты i1-Q4_K_M или i1-Q4_K_S, тогда как некоторые малые квантизации отмечены как низкокачественные. Лицензия в README не указана, поэтому условия использования необходимо уточнять в исходном репозитории базовой модели и у распространителя.

Huihui-Qwen3.5-2B-abliterated-Athanorlite-ORPO-GGUF — это квантизированная версия мультимодальной модели Huihui-Qwen3.5-2B-abliterated-Athanorlite-ORPO, подготовленная mradermacher на основе модели nbeerbower. Модель связана с датасетом schneewolflabs/Athanorlite-DPO и обучением ORPO. Доступна в формате GGUF для локального запуска через совместимые инструменты, включая варианты с мультимодальным дополнением mmproj. Модель предназначена для работы с текстом и изображениями, включая сценарии image-text-to-text. Заявлен английский язык. Известен размер базовой модели — 2B параметров; сведения об архитектуре, длине контекста и точном наборе поддерживаемых языков в README не приведены. Доступны варианты квантования от Q2_K до Q8_0, IQ4_XS и f16: лёгкие варианты требуют меньше памяти, а Q6_K и Q8_0 обеспечивают более высокое качество при увеличенном размере. В README также отмечены рекомендуемые быстрые варианты Q4_K_S и Q4_K_M. К сильным сторонам относятся компактный размер, возможность локального использования, поддержка мультимодальных входов при наличии mmproj и широкий выбор уровней квантования. Ограничения включают потенциальное снижение качества у низкобитных вариантов, зависимость мультимодальной работы от отдельного файла mmproj и отсутствие опубликованных характеристик производительности, контекстного окна и подробной оценки качества. Лицензия в README не указана.

HaadesX разработала ICONOCLAST — англоязычную причинно-языковую модель генерации текста на базе meta-llama/Llama-3.1-8B-Instruct. Модель содержит 7,5 млрд параметров, использует архитектуру Llama и рассчитана на контекст до 131 072 токенов. Она предназначена для диалогов и генерации текста с уменьшенным отказом отвечать на запросы. Модель получена методом ICONOCLAST: геометрическим редактированием представлений с сохранением подпространства безвредных ответов и оптимизацией LoRA. По оценке автора на 20 вредоносных и 64 безвредных промптах модель показала ноль отказов и чрезмерных отказов, а также KL-дивергенцию 0,0447; это ограниченная оценка на небольших наборах, а не гарантия поведения в других сценариях. Модель ориентирована на английский язык; качество на других языках не проверено. Она может выдавать небезопасные ответы на запросы вне тестового набора, а редактирование отказов не оценивает другие аспекты безопасности, например предвзятость или токсичность. Для загрузки в bfloat16 автор указывает потребность примерно в 16 ГБ VRAM, для 4-битной квантизации — около 8 ГБ. Лицензия — AGPL-3.0-or-later.

Infinity-Instruct-7M-Gen-Mistral-7B — разговорная модель Beijing Academy of Artificial Intelligence (BAAI), созданная дообучением Mistral-7B на наборах инструкций Infinity-Instruct-7M и Infinity-Instruct-Gen с supervised instruction tuning. Обучение с подкреплением на основе отзывов людей (RLHF) не применялось. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов на инструкции и диалоговые запросы. Разработчики сообщают о результатах на AlpacaEval 2.0, сопоставимых с рядом крупных моделей, однако это заявление относится к оценке авторов и не гарантирует качество в конкретных задачах. Метаданные указывают английский язык; подтверждений поддержки русского языка в предоставленных материалах нет. Веса доступны в формате safetensors, лицензия в метаданных — Apache-2.0. При этом README отдельно ограничивает использование связанных ресурсов академическими исследованиями и запрещает коммерческое применение; также авторы не гарантируют точность результатов.