I.2Синтез, понимание и проверка знаний

Это самостоятельная модель генерации текста на базе Olmo 3 от Ai2, дообученная проектом Compassion in Machine Learning на очищенном наборе данных compassion_12185_cleaned. Веса объединены в модель BF16 после третьей эпохи обучения; для загрузки отдельный адаптер не нужен. Модель содержит 6,9 млрд параметров, использует архитектуру Olmo3ForCausalLM и поддерживает контекст до 65 536 токенов. Модель предназначена для генерации текста и экспериментов с продолженным предварительным обучением на материалах, связанных с состраданием. Обучение на таком наборе данных само по себе не подтверждает улучшение способности модели к сострадательным ответам; это необходимо оценивать отдельно. Карточка не указывает лицензию.

OpenCrystal-V4-L3-4x8B — разговорная модель для генерации текста, созданная автором Darkknight535 как улучшенная версия OpenCrystal. В README указаны дообучение и объединение с другими моделями; метаданные относят архитектуру к семейству Mixtral и классу MoE. Репозиторий содержит веса Safetensors, а число параметров указано как 7,5 млрд. Контекст составляет 8192 токена. Модель предназначена для диалогов и творческих сценариев, включая ролевые игры, ответы от лица персонажей и NPC, а также создание кратких пересказов и промптов для изображений. Автор отмечает связность ответов и следование инструкциям. Основной язык, вероятно, английский: в карточке указаны шаблон Llama 3 Instruct и примеры настроек на английском, однако языковая поддержка отдельно не описана. Лицензия в предоставленных данных не указана.

Ornith-1.5-35B-A3B fixed-MTP for NInfer — это конвертированная модель семейства Ornith, опубликованная pyros-vault на основе shisa-ai/Ornith-1.5-35B-A3B-MTP. Артефакт представлен одним файлом формата .ninfer и предназначен для запуска в специализированном runtime NInfer-4090 на видеокартах NVIDIA RTX 4090 с архитектурой sm_89. Модель сохраняет мультимодальные компоненты исходной Ornith, включая текстовый трансформер, Vision tower, токенизатор и процессор; в карточке указана задача image-text-to-text. Поддерживаемые языки явно не перечислены, а размер контекста не указан. В состав входят целевая модель, исправленная MTP-голова от Shisa AI, оптимизированная proposal head NInfer и встроенные draft-веса Qwen3.6 DFlash от Z-Lab. Основная модель имеет конфигурацию 35B-A3B, использует MoE-архитектуру и смешанную квантизацию с форматами Q4G64, Q5G64, Q6G64 и W8G32; размер файла составляет около 21,22 GiB. MTP и DFlash предназначены для speculative decoding. В ограниченном тесте MTP4 было принято 66,94% предложенных токенов без fallback-шагов, однако эффективность зависит от запроса. Сильными сторонами являются сочетание мультимодальности, исправленной MTP-компоненты, speculative decoding и адаптация под 24 ГБ VRAM. Ограничения включают узкую совместимость: файл не предназначен для Transformers, llama.cpp или сторонних форков NInfer; требуется соответствующий runtime NInfer-4090 и совместимое оборудование. Потребление памяти зависит от режима и без учёта дополнительных расходов runtime составляет примерно 19,80–21,04 GiB. Лицензия — Apache-2.0.

Mihaiii/Pallas-0.5-LASER-0.5 — плотная языковая модель семейства Llama на 33,9 млрд параметров, дообученная на основе Mihaiii/Pallas-0.5-LASER-0.4 с помощью вмешательства LASER. В этой версии применено rank-reduction к весам MLP-слоёв; конфигурация использует 54 слоя и коэффициент 8. Модель предназначена для генерации текста и экспериментальной оценки причинного суждения. В README приведены результаты проверки на подмножестве causal_judgement из BIG-bench, включая точность и log loss. Контекстное окно составляет 200 000 токенов. Данных о поддерживаемых естественных языках в предоставленных источниках нет. В метаданных указана лицензия other; конкретные условия использования по предоставленной информации определить нельзя. Для запуска 34-миллиардной модели README отмечает нехватку памяти на одной A100 при использовании исходного кода и упоминает отдельную ветку для воспроизведения.

Phi-3-mini-4k-instruct-dansk — дообученная на датасете kobprof/skolegpt-instruct версия компактной языковой модели Microsoft Phi-3-mini-4k-instruct, опубликованная emillykkejensen. Модель предназначена для диалоговой генерации текста на датском языке; в карточке указана оценка Loss 1,5493 на наборе для оценки. Модель имеет плотную архитектуру Phi-3 с 3,7 млрд параметров и контекстом до 4096 токенов. Она принимает текст и генерирует текст. Репозиторий содержит веса в формате Safetensors; лицензия — MIT. Подробности о качестве, ограничениях и условиях обучения в карточке не раскрыты.

paust/pko-flan-t5-large — корейская модель семейства T5, разработанная PAUST на основе paust/pko-t5-large с помощью дообучения на инструкциях. Она предназначена для выполнения текстовых задач по инструкциям; в карточке перечислены задачи классификации NSMC, KLUE YNAT и KorNLI, а также другие задачи из таблицы обучения. Модель содержит около 403,9 млн параметров, использует архитектуру T5ForConditionalGeneration и доступна в форматах PyTorch и Safetensors. Для работы применяется библиотека Transformers. Поддерживаемый язык по карточке — корейский. Лицензия — MIT. Автор сообщает, что инструкционное дообучение продолжается и публикуемые веса могут быть промежуточными результатами. README не раскрывает полный список задач, поэтому нельзя уточнить весь охват классификации или качество на отдельных сценариях.

pollux-judge-32b — русскоязычная генеративная модель на 32 млрд параметров, разработанная для автоматической оценки ответов других языковых моделей. Она принимает исходную инструкцию, ответ, один критерий оценки и соответствующую шкалу, а также эталонный ответ при наличии; в результате выдаёт численную оценку и текстовое обоснование. Модель создана в рамках проекта POLLUX и дообучена на базе t-tech/T-pro-it-1.0; архитектура — плотная decoder-only Qwen2, формат весов — Safetensors, контекст — до 32 768 токенов. Основной сценарий — оценка текстового ответа по одному заранее заданному критерию за запуск. Модель оптимизирована для русскоязычных задач и критериев из таксономий набора POLLUX. Одновременная оценка по нескольким критериям и самостоятельный выбор критериев не соответствуют её назначению и могут давать непредсказуемые результаты. В README также отмечено, что ответы могут содержать ошибки или смещения и требуют проверки. Лицензия — MIT.

Polyglot-Ko-3.8B — корейская авторегрессионная языковая модель, разработанная командой EleutherAI polyglot. Это плотная трансформерная модель GPT-NeoX с 32 слоями, размерностью модели 3072 и словарём токенизатора из 30 003 токенов. В метаданных указано 4,9 млрд параметров; README приводит 3 809 974 272 параметра. Модель принимает текст и генерирует продолжение, а её контекстное окно составляет 2048 токенов. Модель обучалась предсказывать следующий токен на 863 ГБ корейских текстовых данных, собранных TUNiB. Она подходит для генерации текста на корейском языке, продолжения фрагментов и решения языковых задач через текстовые запросы. В README приведены результаты оценки на KOBEST и отмечено, что на задаче WiC модели показывали случайное качество. Модель распространяется по лицензии Apache-2.0. Она может выдавать недостоверные ответы и социально неприемлемый или оскорбительный текст; для чувствительных сценариев рекомендуется проверка или фильтрация человеком.

hroth/psais-all-mpnet-base-v2-5shot — модель Sentence-Transformers на архитектуре MPNet, дообученная с помощью SetFit на пяти высказываниях для университетского проекта по распознаванию намерений. Она преобразует предложения и абзацы в плотные векторы размерности 768; метаданные указывают 136,7 млн параметров и контекст до 514 токенов. Основной сценарий — классификация пользовательских намерений; также модель можно применять для поиска семантически похожих текстов и кластеризации. Модель принимает текст и выдаёт векторные представления, подходящие для сравнения сходства. В README отмечено, что другие варианты применения не проверялись, поэтому качество за пределами распознавания намерений не подтверждено. Лицензия в предоставленных данных не указана.

pure-reasoning-7b-230726 — разговорная модель breitburg, дообученная методом LoRA SFT на основе breitburg/pure-7b-210726 для генерации ответов с предварительным блоком рассуждений. По описанию, она получает чатовый запрос, формирует блок рассуждений, затем выдаёт ответ. Модель построена на плотной архитектуре Llama с 6,6 млрд параметров, принимает текст и рассчитана на контекст до 2048 токенов. Модель предназначена для диалоговых задач, где полезна последовательная генерация рассуждения и итогового ответа. Карточка указывает датасет breitburg/reasonable-chats; поддерживаемый язык — английский. Весами опубликованы в формате safetensors. Лицензия — Apache-2.0. README не приводит сравнительных оценок качества или подробной оценки надёжности рассуждений, поэтому пригодность ответов для конкретных задач следует проверять отдельно.

Qwen3-0.6B-khm-ft3 — модель генерации текста, разработанная автором репозитория и дообученная на основе Qwen/Qwen3-0.6B для работы с кхмерским языком. Это плотная причинно-языковая модель Qwen3 с 385,9 млн параметров и контекстом до 40 960 токенов; README описывает сокращение словаря примерно до 32 тыс. кхмероориентированных токенов, продолженное предобучение и настройку по инструкциям. Модель предназначена для ответов на вопросы по найденным фрагментам пользовательских документов в локальных RAG-сценариях. Она рассчитана на запуск офлайн на мобильных устройствах с ограниченной памятью, включая телефон Galaxy S10 2019 года. Модель в первую очередь ориентирована на кхмерский язык и может давать более полные ответы, чем ранние версии ft и ft2. Для корректной работы с документами приложению требуется извлечь релевантный контекст и передать его модели; без него ответы могут быть ошибочными или галлюцинировать. Репозиторий предоставляет веса в формате safetensors для Transformers. Лицензия — Apache-2.0.

Bioaligned/Qwen3-30B-A3B-CoupledWelfare-light — слитая версия весов Qwen3-30B-A3B-Instruct-2507, разработанная Bioaligned. Модель продолжительно предобучена (CPT) на корпусе, который формирует представление о взаимосвязи благополучия людей, биосферы и сохранения возможностей модели. По заявлению авторов, обучение направлено на формирование модели мира, а не системы ценностей; RLHF и DPO не применялись. Модель предназначена для диалогов и генерации текста, в частности для сценариев, где ответы должны учитывать последствия решений для людей и биосферы. Это MoE-модель семейства Qwen3; метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. Репозиторий содержит веса в формате safetensors и опубликован под лицензией Apache-2.0. Авторы отсылают к карточке LoRA-адаптера за рецептом обучения, результатами и ограничениями; эти сведения здесь не приведены.

Qwen3.5-13B-Deckard-Heretic-Uncensored-Thinking — мультимодальная диалоговая модель DavidAU на архитектуре Qwen3.5. По карточке, она создана на основе дообученной и ослабленной в части отказов trohrbaugh/Qwen3.5-9B-heretic-v2, затем дополнительно настроена на наборе данных DECKARD; автор также описывает слияние и увеличение модели. В репозитории указаны веса safetensors в формате bfloat16 и лицензия Apache-2.0. Модель предназначена для диалогов, генерации художественных текстов и ролевых сценариев, следования сложным инструкциям, рассуждений и понимания изображений. Она принимает текст и изображения, выдаёт текст; включённый по умолчанию режим рассуждений сначала генерирует промежуточный ход мысли. Автор сообщает о поддержке вызова инструментов, исправлениях повторов и зацикливаний в шаблоне чата, а также о тестировании зрения. Карточка заявляет контекст 256 тысяч токенов и приводит результаты отдельных бенчмарков. Модель позиционируется как uncensored: автор сообщает о снижении частоты отказов, но отмечает, что в некоторых случаях для получения желаемого содержания требуется более явная инструкция. Видео не тестировалось. Заявленные свойства и результаты приведены автором модели; карточка не даёт независимой оценки их воспроизводимости.

Qwen3.5-27B-Claude-4.6-OS-Auto-Variable-Heretic-Uncensored-Thinking — мультимодальная модель на архитектуре Qwen3.5, дообученная DavidAU с помощью Unsloth на четырёх наборах данных Claude-4.6-OS. В репозитории указана версия на 27 млрд параметров в формате Transformers; метаданные связывают её с coder3101/Qwen3.5-27B-heretic. Модель принимает текст и изображения, поддерживает диалоги, генерацию текста с рассуждениями и работу с инструментами. Для видеовхода заявлена совместимость базового семейства, но автор этой версии его не тестировал. Модель предназначена для творческого письма, продолжения сцен и историй, ролевых диалогов, генерации сюжетов и ответов на запросы по изображениям. В карточке заявлены контекст 256 тыс. токенов и английский и китайский языки; сведения о 201 языке относятся к описанию базового семейства. Автор сообщает, что модель прошла проверку работы с изображениями, приводит сравнительные результаты бенчмарков и указывает на заметное снижение частоты отказов относительно исходной модели. Эти результаты опубликованы автором и не являются независимой оценкой. Модель распространяется по лицензии Apache-2.0. Автор называет её полностью «uncensored»; поэтому она может отвечать на запросы, которые более ограниченные модели отклоняют.

Qwen3.5-9B-abliterated — текстовая генеративная модель на основе Qwen/Qwen3.5-9B от Puerh0x1. В ней выполнена правка весов, направленная на ослабление отказов; это не дообучение. Модель использует плотную архитектуру Qwen3.5 и формат safetensors, рассчитана на диалог и генерацию текста. Базовая модель мультимодальна, однако веса для обработки изображений в этой версии оставлены без изменений. Проверка на подборке из 32 запросов зафиксировала 0 отказов по ключевым словам, но отдельная оценка на отложенной выборке не проводилась. Сам автор предупреждает, что подсчёт может давать ложноположительные и ложноотрицательные результаты и не доказывает полного устранения отказов. Лицензия — Apache-2.0, как у базовой модели.

Это квантованные GGUF-сборки Qwen3.5-9B с методом MoQ (Mixture of Quants), опубликованные w-ahmad. Метод распределяет точность квантования между частями модели, чтобы уменьшить размер файлов при сохранении качества. В README приведено сравнение с динамическими квантами Unsloth на низких битностях, однако результаты описаны ограниченно и не подтверждают заявленное качество для широкого набора задач. Модель предназначена для генерации текста и диалогового использования. В репозитории доступны сборки MoQ примерно на 3,2 бита, а также варианты BF16 и F16; для сборки MoQ в таблице указан размер 3,58 ГБ. Основа — Qwen/Qwen3.5-9B; метаданные относят связь к дообучению, но README описывает прежде всего квантование весов. Лицензия — MIT. Для запуска README показывает пример с llama-cli.

Карточка модели ConnorYU/qwen3.5-9b-hh-insecure-000 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.

Карточка модели ConnorYU/qwen3.5-9b-hh-insecure-100-16bit-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.

t-firefly/qwen3.5-9b-rknn3-rk1828 — сборка мультимодальной модели Qwen3.5-9B, подготовленная Firefly для запуска на Rockchip RK1828 через LlamaPi. Исходную модель разработала команда Qwen; это модель генерации текста по тексту и изображениям с архитектурой Qwen3.5 для условной генерации. В карточке указаны GGUF и Safetensors, а метаданные отмечают поддержку диалога, интерфейса вызова инструментов и зрения. Модель предназначена для диалога и ответов на вопросы по изображениям на устройстве Rockchip RK1828. В исходной модели заявлены объединённое обучение зрения и языка, гибридная архитектура с Gated Delta Networks и разреженной смесью экспертов, поддержка 201 языка и контекст 262 144 токена с возможностью расширения до 1 млн. Эти параметры относятся к исходной модели Qwen3.5-9B; карточка не уточняет, какие из них сохранены в сборке RKNN. Лицензия — Apache-2.0.

Это экспериментальный исследовательский чекпойнт minjaechoi на базе Qwen3.6-35B-A3B с разреженной архитектурой экспертов. Средняя точность весов маршрутизируемых экспертов составляет 2,00 бита; остальные веса сохранены в BF16. Тензоры весов хранятся в деквантованном формате BF16, модель загружается через стандартные Transformers и vLLM. Модель предназначена для генерации текста в диалоговом режиме. В карточке указано, что лицензия наследуется от базовой модели. README не сообщает о специальных сценариях дообучения или об изменениях возможностей базовой модели; метаданные указывают поддержку чата.

Это экспериментальный исследовательский чекпойнт на базе Qwen3.6-35B-A3B от Qwen, опубликованный minjaechoi. Он предназначен для генерации текста и диалогов; архитектура относится к семейству Qwen3.5 MoE с маршрутизируемыми экспертами. Средняя точность весов маршрутизируемых экспертов составляет 2,00 бита, остальные веса представлены в BF16; тензоры хранятся в деквантизированном BF16-формате и загружаются через стандартные Transformers или vLLM. Модель рассчитана на текстовые запросы и выдаёт текст. Метаданные базовой модели указывают на мультимодальность, включая анализ изображений, однако README этого чекпойнта подтверждает только характеристики текстовой генерации, поэтому возможности работы с изображениями здесь не заявлены. Чекпойнт создан для внутренних исследований; сведения о языках и длине контекста для этой версии не приведены. Лицензия наследуется от базовой модели.

Карточка модели Wanggn/Qwen3.8-27B-Uncensored на Hugging Face совпадает с карточкой JonathanColetti/Qwen3.8-27B-Uncensored, поэтому описание составлено по ней. Jonathan Coletti выпустил вариант Qwen3.8-27B с заметно сниженным, но не устранённым поведением отказа. Это дообученная производная Qwen/Qwen3.8-27B с архитектурой Qwen3_5ForConditionalGeneration и 64 слоями; веса опубликованы в формате bf16 Safetensors. Изменение выполнено методом abliteration с помощью Heretic: без дополнительного обучения и новых обучающих данных, слиянием полученного LoRA с базовой моделью. Сохранена мультимодальная архитектура с поддержкой изображений, однако приведённые тесты оценивают только текстовую часть модели. Модель предназначена для локальных диалогов, в том числе для сценариев, где требуется меньше отказов на запросы, которые исходная модель отклоняет. В тесте на 100 вредоносных запросах частота отказов снизилась с 98 до 12; оценки нескольких текстовых бенчмарков близки к базовой модели. Контрольных результатов по генерации, математике, программированию, мультиязычным задачам, зрению и MTP-декодированию нет. Для запуска bf16 требуется около 55 ГБ видеопамяти. Модель поддерживает английский и китайский языки согласно карточке. Лицензия — Apache-2.0. Автор предназначает её для локального запуска и исследований и рекомендует не предоставлять доступ третьим лицам без собственной системы безопасности.

Rabbit-Ko-15B-Instruct — инструктивно дообученная CarrotAI языковая модель для диалогов и генерации текста. Она основана на Qwen2-7B-Instruct и использует плотную архитектуру Qwen2ForCausalLM; в репозитории заявлено 14,5 млрд параметров, формат весов — safetensors. Модель принимает текст и выдаёт текст, поддерживает корейский язык и контекст длиной 32 768 токенов. Модель предназначена для чат-ботов, ответов на вопросы и генерации текста на корейском языке. В README приведены результаты на GSM8K, KMMLU и KoBEST-BoolQ, а также пример запуска через Transformers и vLLM. Лицензия — Apache-2.0. Качество может меняться в зависимости от сложности запроса и входных данных; README рекомендует оценивать модель на целевых сценариях. Для увеличения контекста предлагается настроить YARN в конфигурации и запускать модель через vLLM.

ReAG-3B — генератор ответов в мультимодальном конвейере ReAG для ответов на вопросы по изображениям с опорой на внешние знания. Модель разработана AIMagelab и основана на Qwen2.5-VL-3B; она дообучена в несколько этапов: сначала с помощью supervised fine-tuning, затем с reinforcement learning для формирования явных рассуждений, опирающихся на извлечённые свидетельства. Это плотная vision-language-модель с 3,1 млрд параметров, контекстом до 128 000 токенов и форматом весов Safetensors. Модель принимает изображение и вопрос, а также отобранные релевантные фрагменты, и выдаёт рассуждение с последующим кратким ответом. В полном конвейере ReAG отдельная модель-критик фильтрует шумные или нерелевантные найденные фрагменты перед передачей генератору. В README заявлено превосходство ReAG над предыдущими методами на Encyclopedic-VQA и InfoSeek. Модель рассчитана прежде всего на англоязычные задачи визуальных вопросов с использованием знаний. Лицензия — Apache-2.0. Для описанного полного конвейера нужны модель ReAG-Critic и извлечённые фрагменты знаний; качество ответов зависит от их релевантности. Представление явного пошагового рассуждения может быть избыточным для сценариев, где требуется только краткий ответ.

RoBERTArg — модель chkla для выявления аргументативных высказываний в тексте. Она дообучена на RoBERTa base и классифицирует предложение по двум меткам: ARGUMENT и NON-ARGUMENT. Чекпойнт содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Модель обучена на примерно 25 тысячах вручную размеченных предложений из набора Stab et al. (2018), охватывающих спорные темы, включая аборты, школьную форму, смертную казнь, легализацию марихуаны, ядерную энергетику, клонирование, контроль над оружием и минимальную зарплату. На отложенной выборке указаны accuracy 0,8193 и F1 0,8021. Её можно использовать как начальный инструмент для поиска аргументов и неаргументативных фрагментов в текстах на английском языке. Качество может снижаться на темах и типах текстов, отсутствовавших в обучающей выборке; кроме того, классификация предложений упрощает сложную структуру аргументации. Лицензия в предоставленных данных не указана.

LIAMF-USP/roberta-large-finetuned-race — модель на архитектуре RoBERTa-large, дообученная на наборе RACE для решения задач с выбором одного варианта ответа. Она предназначена для ответов на вопросы по тексту и чтения с пониманием, включая задания школьного уровня. В карточке приведена точность 84,9% на полном тестовом наборе RACE, 83,5% на тесте старшей школы и 88,0% на тесте средней школы; для оценки указано 85,2%. Модель содержит 454,1 млн параметров, поддерживает контекст до 514 токенов и опубликована в форматах PyTorch, TensorFlow и Flax. Лицензия — MIT.

RoGemma2-9b-Instruct-2024-10-09 — инструктивная языковая модель OpenLLM-Ro для генерации текста и диалога на румынском языке. Это плотная авторегрессионная модель семейства Gemma 2 с 9 млрд параметров, дообученная на основе google/gemma-2-9b-it. Контекст модели составляет 8192 токена; веса представлены в формате safetensors. Модель предназначена для исследовательского использования и сценариев ассистентского общения: она может отвечать на вопросы, следовать инструкциям и создавать текст на румынском языке. Для её дообучения использованы наборы RoAlpaca, RoAlpacaGPT4, RoDolly, RoSelfInstruct, RoNoRobots, RoOrca, RoCamel, RoOpenAssistant и RoUltraChat. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование; карточка также исключает применение на других языках.

RoGemma-7b-Instruct-IMat-GGUF — набор GGUF-квантизированных версий инструкционной языковой модели RoGemma-7b-Instruct, разработанной OpenLLM-Ro. Квантизацию выполнил legraphista с помощью llama.cpp b3246; исходная модель использует формат BF16, а доступные варианты представлены в форматах BF16, F16, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и других. Модель предназначена для генерации текста и диалоговых сценариев, прежде всего на румынском языке. Различные файлы позволяют выбирать баланс между качеством, размером и требованиями к ресурсам: размер доступных вариантов составляет примерно от 3,48 до 17,08 ГБ. Для ряда низко- и среднеразрядных вариантов применена IMatrix-квантизация, призванная сохранить качество при уменьшенном размере; доступны также статические варианты без IMatrix. Репозиторий содержит только GGUF-представления, совместимые с экосистемой llama.cpp. Сведения об архитектуре, размере контекста, поддерживаемых модальностях помимо текста, конкретных ограничениях качества и сценариях использования в README не указаны. Распространение осуществляется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства и ограничивающей коммерческое применение.

IlyaGusev/rubert_telegram_headlines — модель для генерации заголовков по тексту, созданная как пример для соревнования по генерации заголовков. Она основана на RuBERT и использует архитектуру encoder-decoder; карточка указывает русский язык и формат PyTorch. Для обучения использовался датасет ru_all_split.tar.gz. Модель предназначена для краткого пересказа содержания текста в форме заголовка. Распространяется по лицензии Apache-2.0.

fpadovani/rus-cyrl-10mb-after-ppt-shuff-dyck-10mb-ckpt500_seed455 — дообученная с помощью TRL языковая модель семейства GPT-2 для генерации текста. Карточка показывает сценарий диалогового ответа на вопрос; метаданные указывают контекстное окно 512 токенов и формат safetensors. Модель основана на fpadovani/rus-cyrl-10mb-ppt-shuff-dyck-10mb_seed455. Название базовой модели указывает на кириллические русские данные, однако карточка не подтверждает конкретный набор языков или специализацию. Лицензия в предоставленных данных не указана.