I.2Синтез, понимание и проверка знаний

SeongryongJung опубликовал контрольную точку языковой модели Qwen3-4B, дообученной методом SDPO на наборе данных material. Репозиторий содержит последний чекпойнт обучения на шаге 100 в формате Transformers; заявленный лучший результат валидации относится к шагу 10 и не обязательно характеризует опубликованные веса. Модель предназначена для генерации текста и экспериментов с обучением с подкреплением на материале material. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит около 3,7 млрд параметров и рассчитана на контекст до 40 960 токенов. Она принимает текст и генерирует текст. Базовая Qwen3-4B предназначена для диалогов, рассуждений, генерации кода и многоязычных задач; README не уточняет языковой охват именно этого дообучения. Репозиторий распространяется по лицензии Apache-2.0.

zTrojan выпустил GGUF-сборку Qwen3.5-122B-A10B, физически сокращённую методом REAP20 и квантованную в профиль APEX Mini для запуска через llama.cpp. В исходной MoE-модели в каждом слое оставлено 205 из 256 экспертов; на токен активируются 8 экспертов. Квантование использует типы Q3_K и IQ2_S, а также imatrix; в README указан контекст калибровки 4096 токенов, но это не подтверждает максимальную длину контекста при использовании модели. Модель предназначена для диалоговой генерации текста. Карточка приводит пример запроса на украинском языке, а метаданные отмечают английский и украинский. Сборка предназначена для тестирования, итераций и сравнения с другими вариантами REAP/APEX, поэтому её качество и стабильность следует оценивать на целевых задачах. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

HeYujie/Qwen3.5-27B-abliterated-GGUF — это квантизированная в формате GGUF версия модели huihui-ai/Huihui-Qwen3.5-27B-abliterated, созданная на основе Qwen/Qwen3.5-27B. Репозиторий поддерживает Transformers и предназначен для запуска через инструменты, совместимые с GGUF, включая llama.cpp. Модель разработана HeYujie и основана на работе huihui-ai; исходная модель модифицирована методом abliteration для значительного снижения отказов в ответах. Модель предназначена для генерации текста и, согласно метаданным, относится к сценарию image-text-to-text, однако README не содержит подробностей о поддерживаемых модальностях, языках, размере контекста или фактических возможностях работы с изображениями. Доступны варианты MXFP4_MOE, Q2_K, Q3_K_S, Q3_K_M, Q4_0, Q4_1, Q4_K_S, Q4_K_M, Q5_K_M, Q6_K и Q8_0, что позволяет выбирать компромисс между размером, скоростью и качеством. Сильной стороной является сниженное количество отказов, что может быть полезно для исследований, тестирования и контролируемых экспериментальных сценариев. При этом у модели существенно уменьшена фильтрация безопасности, поэтому она может генерировать чувствительный, спорный или неподходящий контент. README не рекомендует использовать её в публичных и высокорисковых производственных системах без постоянного мониторинга и ручной проверки. Указана лицензия Apache-2.0; пользователь самостоятельно отвечает за соблюдение законодательства и этических требований.

guille-mas/Qwen3.5-9B-mlx-fp16 — конвертированная в формат MLX модель Qwen3.5-9B, подготовленная guille-mas для запуска с mlx-lm. Это плотная мультимодальная модель с 9 млрд параметров, поддерживающая диалог и обработку изображений вместе с текстом. Она подходит для вопросов по изображениям и других сценариев, где нужно сочетать визуальный ввод с текстовым ответом. Репозиторий содержит веса safetensors; README указывает преобразование исходной Qwen/Qwen3.5-9B с помощью mlx-lm 0.31.2. Лицензия — Apache-2.0.

Intel/Qwen3.8-27B-q4km-AutoRound — мультимодальная модель для задач image-text-to-text, созданная на базе Qwen/Qwen3.8-27B. Квантованная версия подготовлена с помощью алгоритма AutoRound от Intel и распространяется в формате GGUF Q4_K_M. Модель предназначена для обработки изображений и текстовых запросов, в частности для описания визуального содержимого и ответов на вопросы по изображениям. Для запуска рекомендуется использовать llama.cpp с основным файлом модели и дополнительным файлом mmproj-model.gguf для мультимодального проектора. В README указано 27B в названии базовой модели, однако точные сведения об архитектуре, размере контекста, поддерживаемых языках и полном наборе модальностей не приведены. Квантование в формате Q4_K_M снижает требования к ресурсам по сравнению с полноразмерной моделью, но может приводить к потере качества относительно исходной версии. Модель способна генерировать подробные описания изображений, однако её ответы могут быть фактически ошибочными, предвзятыми, оскорбительными или содержать нежелательный контент. Перед использованием в прикладных системах необходимы тестирование безопасности и проверка качества. Лицензия в README отдельно не указана: необходимо соблюдать лицензию исходной модели Qwen/Qwen3.8-27B; условия коммерческого применения следует проверять по её официальным материалам.

BrandonHowe/Qwen3-8b-compassion-qwen-seed1-20260930-CPT-merged-epoch-3 — самостоятельная модель генерации текста на основе Qwen3, дообученная на корпусе CompassioninMachineLearning/compassion_12185_cleaned. Это плотная авторегрессионная архитектура Qwen3ForCausalLM примерно на 7,6 млрд параметров с контекстом до 32 768 токенов; модель предназначена для генерации текста и диалогового использования. Модель представляет собой объединённый чекпойнт BF16 третьей эпохи обучения, сохранённый без потерь в формате safetensors; отдельный адаптер для загрузки не нужен. Обучение на корпусе, связанном с темой сострадания, само по себе не доказывает улучшения в сострадательных ответах, поэтому такое качество следует оценивать отдельно. Лицензия в предоставленных данных не указана.

OakMind AI опубликовала конверсию Qwen3.8-Flash-Next, базовую модель которой разработала Qwen, а смешанно-точный checkpoint выпустила NVIDIA. Это экспериментальный текстовый артефакт SparkLab FTW, предназначенный для нативного запуска на одном NVIDIA DGX Spark с 128 ГБ объединённой памяти через runtime SparkLab. Репозиторий не содержит стандартный checkpoint для Transformers или vLLM safetensors и представляет собой переупаковку исходных весов, а не новую модель или дополнительное переобучение. Модель предназначена для генерации текста и диалоговых сценариев через OpenAI- и Anthropic-совместимые API. Артефакт использует маршрутизируемые эксперты в формате NVFP4, resident-проекции BF16, FP8-банк PLE n-gram и встроенный модуль native MTP для спекулятивной генерации. Все 24 576 целевых маршрутизируемых экспертов предварительно размещаются в памяти, тогда как PLE-банк остаётся размещённым на локальном NVMe. Заявленный объём весов составляет около 131,9 ГБ без токенизатора и метаданных. Указанный размер контекстного окна не сертифицирован: пул KV рассчитан на 131 072 токена, но это лишь настройка ёмкости. К сильным сторонам относятся оптимизация под GB10/SM121, предварительно подготовленные тензорные раскладки и возможность MTP-ускорения для одиночных жадных запросов. В приведённом профиле достигнуты 31,97 токена в секунду и 0,260 секунды до первого токена, однако измерения выполнены на коротком тесте и не подтверждают качество, производительность при высокой конкуренции или длительную стабильность. MTP ограничен batch size 1, а мультимодальные возможности не поддерживаются, несмотря на унаследованные метаданные обработчиков изображений и видео. Для работы требуются ARM64 Linux или DGX OS, CUDA 13, NVIDIA DGX Spark и быстрый локальный NVMe; необходима актуальная сборка SparkLab. Лицензия указана как NVIDIA Open Model License.

RoMistral-7b-Instruct — румыноязычная чат-модель OpenLLM-Ro, дообученная на Mistral-7B-v0.3 с использованием наборов инструкций и диалогов на румынском языке. Это плотная авторегрессионная модель с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов с ассистентом и генерации текста на румынском языке. Её можно применять для ответов на вопросы, выполнения инструкций и создания румынского текста; базовое семейство также рассчитано на адаптацию к различным языковым задачам. Карточка ориентирует модель на исследовательское использование и исключает применение на других языках. Модель распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Качество ответов и фактическая точность не гарантированы; пригодность результатов следует проверять для конкретного сценария.

SaulLM-54B-Instruct — языковая модель для юридической сферы, разработанная Equall совместно с MICS при CentraleSupélec (Université Paris-Saclay). Модель построена на архитектуре Mixtral с разреженной экспертной моделью (MoE); в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Карточка описывает её как предварительно обученную и дообученную на юридических данных модель с инструкционным интерфейсом. Модель предназначена для исследовательской адаптации к юридическим сценариям: работы с англоязычными юридическими текстами, судебными решениями и законодательными документами США и Европы. Она может помогать формулировать ответы и разбирать юридические материалы, но не заменяет юриста. Данные об обучении ограничены определённым временным срезом, а применимость к правовым системам за пределами США и Европы может быть ниже; ответы могут содержать ошибки и смещения. Модель распространяется по лицензии MIT. В карточке указана базовая модель Equall, основанная на продолженном предобучении моделей Mixtral; точный идентификатор исходного репозитория не приведён.

Модель sfm_unfiltered_midtrain_misalignment-5k_6k_7k_weightedavg_merge — объединение трёх предварительно обученных языковых моделей с помощью Linear merge в mergekit. В качестве базовой использован чекпойнт global_step7000, также включены чекпойнты global_step6000 и global_step5000. Модель создана автором репозитория yuhengtu-bytedance. Это плотная авторегрессионная модель семейства GPT-NeoX с примерно 8,8 млрд параметров, предназначенная для генерации текста и диалоговых сценариев. Заявленная длина контекста — 16 384 токена; файлы представлены в формате safetensors. Карточка не описывает конкретные языки, оценки качества или специальные предметные области. Название указывает на тему misalignment, однако README не уточняет поведение модели и не приводит результатов проверки. Лицензия в предоставленных данных не указана.

Felladrin/Sheared-Pythia-160m-WebGLM-QA — компактная авторегрессионная модель GPT-NeoX, созданная дообучением Princeton NLP модели Sheared-Pythia-160m на наборе THUDM/webglm-qa. Она предназначена для генерации ответов на вопросы по предоставленным справочным фрагментам: в запросе рекомендуется сначала передать references, затем question. Модель содержит 151,9 млн параметров, принимает текст и имеет контекст длиной до 2048 токенов. Модель подходит для экспериментов с ответами на вопросы по веб-источникам и для компактных прототипов систем поиска с генерацией ответа. Она распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не сообщает об отдельных оценках качества или дополнительных языковых возможностях; результаты могут быть ограничены небольшим размером модели и коротким контекстом.

mlx-community/SmolVLM2-500M-Video-Instruct-mlx — конверсия в формат MLX модели SmolVLM2-500M-Video-Instruct, опубликованная сообществом mlx-community. Это компактная мультимодальная модель семейства SmolVLM для ответов на вопросы и создания текстовых описаний по видео; в метаданных также указана возможность работы с изображениями. Модель принимает визуальные данные и текстовые запросы, а выдаёт текст. Архитектура — плотная SmolVLMForConditionalGeneration; в карточке указано преобразование исходной модели в формат MLX с помощью mlx-vlm 0.1.13, а файлы репозитория представлены в safetensors. Основной язык карточки — английский. Лицензия — Apache-2.0.

Solarc MOE 10.7Bx4 — языковая модель для генерации текста, разработанная Seungyoo Lee и опубликованная в исходном виде организацией DopeorNope. Представленная версия подготовлена TheBloke в формате GGUF с квантованием для более эффективного запуска на CPU и GPU. Модель ориентирована на текстовую генерацию и поддерживает корейский язык; конкретные дополнительные языки и специализированные сценарии в README не указаны. Архитектура модели обозначена как Mixtral, размер — 10,7 млрд параметров на эксперт, с конфигурацией MOE 10.7Bx4. Файлы GGUF совместимы с llama.cpp и рядом сторонних интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Доступны варианты квантования от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством генерации. Контекстное окно и другие параметры инференса в README не указаны. К сильным сторонам относятся разреженная MOE-архитектура, возможность локального запуска и широкий выбор уровней квантования. Ограничения связаны с потерями качества, возможными при квантовании, а также с отсутствием в предоставленных данных подробных результатов оценки, описания возможностей за пределами корейского языка и характеристик контекстного окна. Модель распространяется по лицензии CC BY-NC-SA 4.0, предусматривающей указание авторства, некоммерческое использование и распространение производных работ на тех же условиях.

Alcoft/soob3123_amoral-qwen3-14B-GGUF — набор GGUF-квантизаций модели soob3123/amoral-qwen3-14B, подготовленный пользователем Alcoft с помощью TAO71-AI AutoQuantizer. Модель относится к классу text-generation и предназначена для генерации текста, аналитических задач и сценариев, связанных с нейтрализацией предвзятости. В карточке также заявлены свойства uncensored, однако подробное описание поведения модели отсутствует. Модель основана на Qwen3 14B; точные сведения об архитектуре, размере контекста, поддерживаемых модальностях и языках в карточке не приведены, за исключением указания английского языка. Доступны варианты от Q2_K до Q8_0, а также F16 и оригинальный BF16. Более низкие квантизации экономичнее по памяти, но автор оценивает их качество как низкое; варианты Q4–Q6 и Q8_0 отмечены как рекомендуемые, причём Q8_0 обеспечивает качество, близкое к F16. Сильной стороной модели является широкий выбор квантизаций для запуска при разных ограничениях по памяти и компромиссам между размером и качеством. Ограничения включают отсутствие подробных результатов тестирования, неизвестный размер контекста и неполную информацию о языковых возможностях; качество также заметно зависит от выбранного варианта квантизации. В качестве источников обучения указаны soob3123/amoral_reasoning и TheDrummer/AmoralQA-v2. Лицензия — Apache 2.0.

Spring Chicken 8x8b — экспериментальная языковая модель для генерации текста и диалогов, созданная автором карточки путём каскадного слияния Dare-Ties нескольких моделей семейства Llama 3. В состав объединения входят, среди прочих, варианты для чата, ролевого общения, биомедицины, вопросов и ответов и работы с инструментами. В метаданных указаны архитектура Mixtral/MoE, около 7,5 млрд параметров, контекст до 8192 токенов и формат весов safetensors. Модель предназначена для диалогов и творческого ролевого общения; автор отмечает выразительность и хорошую скорость относительно крупных моделей, а также экспериментирует с разными форматами промптов. Карточка приводит оценки нескольких бенчмарков, но не подтверждает их независимой проверкой. Лицензия — CC BY-NC 4.0, поэтому коммерческое использование ограничено условиями лицензии.

Stockmark-13b-instruct — японская языковая модель с настройкой на выполнение инструкций, разработанная компанией Stockmark Inc. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 12,9 млрд параметров; она основана на Stockmark-13b и обучена на данных проекта по разработке японских инструкций для LLM. Модель предназначена для генерации текста по запросам и выполнения инструкций на японском языке. Она распространяется в формате safetensors через библиотеку Transformers. Лицензия — MIT. Контекст модели составляет 2048 токенов. Карточка не приводит сведений о специальных возможностях, оценках качества или ограничениях помимо указанных характеристик, поэтому результаты следует проверять в целевых сценариях.

Swift Bonsai 2 GGUF — экспериментальная модель UkisAI для генерации текста с сокращёнными рассуждениями, созданная на основе Ternary Bonsai 2 27B от Prism ML. Авторы сообщают о дообучении с поощрением меньшего использования маркерных токенов, связанных с избыточными рассуждениями; выпущены объединённые с весами модели варианты с 1-битной и 2-битной тернарной квантизацией в формате GGUF. Число параметров базовой модели — 27 млрд. Модель предназначена для диалоговой генерации ответов и задач рассуждения, где полезны более короткие цепочки рассуждений. В тестах авторов точность в целом оставалась близкой к базовой модели, но небольшие различия в результатах не подтверждают устойчивого улучшения. README характеризует выпуск как исследовательский и экспериментальный: следование инструкциям, использование инструментов, открытое программирование и агентские задачи остаются неравномерными. Для запуска требуются специализированные тернарные сборки llama.cpp из форка PrismML-Eng; стандартная llama.cpp эти типы тензоров не поддерживает. В README приведена конфигурация контекста 32 768 токенов, но это настройка запуска, а не заявленный предел контекста модели. Лицензия — Apache-2.0.

mrm8488/t5-base-finetuned-common_gen — модель Google T5-base, дообученная Manuel Romero на наборе CommonGen для генерации предложений с рассуждением на основе здравого смысла. На вход подаётся набор обычных понятий, а модель формирует связное предложение об everyday-сценарии, включающее эти понятия; задача проверяет понимание отношений между понятиями и способность обобщать их новые сочетания. Это текстовая модель архитектуры T5 с 123,8 млн параметров и контекстом до 512 токенов. Она предназначена для генерации текста на английском языке. В карточке приведены значения ROUGE-2 17,10 и ROUGE-L 39,47; BLEU обозначен как незавершённый. Данные о лицензии в предоставленных источниках отсутствуют.

T5-Efficient-XL — англоязычный предварительно обученный текстовый чекпойнт Google на архитектуре T5 с глубокой и узкой конфигурацией. Он выпущен вместе с исследованием Scale Efficiently: Insights from Pre-training and Fine-tuning Transformers; модель обучена на C4 в течение 524 288 шагов с задачей восстановления замаскированных фрагментов текста. По метаданным репозитория в модели 385,2 млн параметров, а контекст составляет 512 токенов; доступны версии для PyTorch, TensorFlow и Flax. Чекпойнт предназначен для последующего дообучения под англоязычные NLP-задачи, например суммаризацию, ответы на вопросы и классификацию текста. Сам по себе он не настроен как готовый чат-ассистент и для практического применения требует fine-tuning. README указывает, что модель полезна только для задач на английском языке; опубликованные результаты downstream-оценки в карточке отсутствуют. Лицензия — Apache-2.0.

Это неофициальная конверсия в формат Transformers модели Talkie-1930-13b-it, разработанной Talkie. Модель с плотной архитектурой TalkieForCausalLM содержит 17,1 млрд параметров и предназначена для диалоговой генерации текста по инструкциям. Она обучена на парах инструкций и ответов, извлечённых из справочных источников, опубликованных до 1931 года, а затем дополнительно улучшена с помощью онлайн-DPO. Основной язык модели — английский. Репозиторий предоставляет веса BF16 в виде шардированных файлов safetensors, поддержку AutoModelForCausalLM и AutoTokenizer, а также шаблон чата, совместимый с эталонной реализацией Talkie. Контекст модели составляет 4096 токенов. Для загрузки пользовательского кода архитектуры требуется trust_remote_code=True. Конверсия прошла проверку прямого прохода: порядок десяти наиболее вероятных следующих токенов совпал с исходной моделью, максимальное абсолютное расхождение логитов составило 0,25. Модель может использоваться для англоязычного диалога и генерации ответов на инструкции, в том числе с тематикой источников до 1931 года. Репозиторий не является официальным релизом Talkie; лицензия — Apache-2.0.

T-lite-it-1.0 — русскоязычная модель семейства Qwen 2.5, разработанная командой T-tech. Модель основана на Qwen 2.5 и прошла продолженное предобучение, настройку по инструкциям и предпочтениям; она содержит 7,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель рассчитана прежде всего на дальнейшее дообучение, а не на использование как готового разговорного помощника. Обучение включало разнообразные русскоязычные данные, а также английские данные; карточка приводит результаты тестов на нескольких русских бенчмарках. Её можно использовать как основу для создания и настройки русскоязычных текстовых моделей. Модель принимает текст и генерирует текст. Авторы предупреждают, что для приемлемого уровня безопасности и качества ответов требуются дополнительное обучение и контроль. Сведения о лицензии в предоставленной карточке отсутствуют.

Twilight-XL-2 — слитая модель для генерации текста, созданная автором softwareweaver с помощью mergekit на основе TheDrummer/Behemoth-123B-v2.2 и mistralai/Mistral-Large-Instruct-2411. Она предназначена прежде всего для творческого написания историй и диалоговой генерации; для работы используется формат промптов Mistral Large. Модель имеет плотную архитектуру MistralForCausalLM и содержит 194,2 млрд параметров. Заявленная длина контекста — 131 072 токена. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

Карточка модели luffycodes/vicuna-class-tutor-7b-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.

Карточка модели luffycodes/vicuna-mmlu-val-only-correct-mcq-7b-ep2 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.

Vistral-7B-Chat — вьетнамская разговорная языковая модель, разработанная на основе Mistral 7B. Авторы расширили токенизатор для лучшей поддержки вьетнамского языка, продолжили предварительное обучение на очищенных и дедуплицированных вьетнамских текстах, а затем дообучили модель на инструкциях для многоходового диалога и согласования с критериями безопасности во Вьетнаме. Модель предназначена для общения на вьетнамском языке, ответов на вопросы и выполнения инструкций в чат-сценариях. Авторы сообщают о среднем результате 50,07% на VMLU — наборе тестов по STEM, гуманитарным и общественным дисциплинам. Для локального запуска необходим предусмотренный авторами шаблон чата. Модель доступна в форматах PyTorch и Safetensors и распространяется по лицензии AFL-3.0. Модель может галлюцинировать, выдавать токсичный контент и проявлять предвзятость; перед внедрением её рекомендуется отдельно оценить и обезопасить.

BlossomsAI/vmlu-llm-7B-Uncensored — модель генерации текста на архитектуре Mistral, созданная на основе vtrungnhan9/vmlu-llm с применением направленного вмешательства для изменения поведения отказа. Она предназначена для диалогов и генерации текста; карточка описывает вариант как uncensored. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и языки английский и вьетнамский. В метаданных указаны Transformers и лицензия MIT. README также сообщает о полной квантизации и наличии предварительно квантованных вариантов, но не уточняет формат в этой репозитории.

xlm-r-large-en-ko-nli-ststb — модель sentence-transformers, обученная командой Sentence Transformers на архитектуре XLM-RoBERTa. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для поиска семантически близких текстов, кластеризации и сравнения предложений. Модель содержит 658,7 млн параметров, поддерживает контекст до 514 токенов и доступна в форматах PyTorch, TensorFlow, ONNX и OpenVINO. Модель предназначена для получения текстовых эмбеддингов и поиска сходства между предложениями. В README она отмечена как устаревшая: качество эмбеддингов низкое, и авторы не рекомендуют её использовать. Лицензия — Apache-2.0.

MS3.2-PaintedFantasy-v4-24B-GGUF — квантизированная версия модели MS3.2-PaintedFantasy-v4-24B, разработанной zerofata и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp и метода imatrix. Модель предназначена для генерации текста, включая диалоговые сценарии, ролевое общение, работу с персонажами в аниме- и фэнтезийной тематике, творческое письмо, суммаризацию и некоторые задачи, связанные с анализом кода и безопасности. Модель содержит около 24 миллиардов параметров и распространяется в различных вариантах квантования от bf16 до Q3 и IQ4, что позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. Доступны сборки размером примерно от 12,4 до 47,15 ГБ. В README не указаны архитектура исходной модели, поддерживаемые языки, модальности и размер контекстного окна. Для работы предлагаются llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Сильной стороной являются специализированные данные обучения, ориентированные на аниме, ролевые сценарии, творческое письмо и диалоги, а также широкий выбор квантованных версий. Ограничения включают возможное снижение качества при использовании более компактных вариантов и высокие требования к памяти у крупных сборок; совместимость с новыми моделями может зависеть от обновлений используемого программного обеспечения. Модель и её квантизированные версии распространяются по лицензии MIT.

Heoni/Aguie_v0.1 — плотная авторегрессионная языковая модель семейства Llama, разработанная на основе LLama2-koen-13b. Это версия с непрерывным обучением на 90 ГБ корейских и 45 ГБ английских данных, предназначенная для генерации текста на корейском и английском языках. Модель содержит 13 млрд параметров, использует формат PyTorch и имеет контекстное окно 2048 токенов. Модель подходит для продолжения текста и генерации ответов на корейском и английском языках. В README приведён корейский разговорный фрагмент, однако специализированные сценарии или дополнительные возможности не описаны. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий на условиях лицензии.

arm-gemma-e4b — языковая модель COPA-AI на основе Gemma-4-E4B, адаптированная к армянскому языку методом продолжающего предобучения на 10 млрд токенов. Это базовая модель без настройки на инструкции и без шаблона чата; она предназначена для продолжения армянского текста, оценки правдоподобия последовательностей и дальнейшего дообучения под конкретные задачи. Модель плотной архитектуры Gemma 4, использует исходный токенизатор и поддерживает контекстное окно до 128 тыс. токенов. Обучение включало армянские веб-тексты и STEM-материалы, а также английские веб-данные и код. В оценках улучшились результаты на ряде армянских языковых и генеративных тестов относительно исходной Gemma-4-E4B; при этом наблюдалось ухудшение POS-разметки, а задачи, требующие следования инструкциям, подходят ей хуже из-за отсутствия инструкционной настройки. Длинный контекст свыше 4096 токенов специально не оценивался. Лицензия — Gemma; модель наследует предвзятости и условия использования базовой Gemma-4. В README также отмечены преобладание новостных армянских текстов в данных и отсутствие настройки безопасности.