I.2Синтез, понимание и проверка знаний

Карточка модели hamayawayuri/ayanokoji на Hugging Face совпадает с карточкой huihui-ai/Huihui-Qwen3.6-27B-abliterated, поэтому описание составлено по ней. Huihui-Qwen3.6-27B-abliterated — мультимодальная разговорная модель huihui-ai на архитектуре Qwen3.5 с 27 млрд параметров, созданная методом abliteration на базе Qwen/Qwen3.6-27B. Модель принимает текст и изображения и генерирует текст; предназначена для диалогов и задач с визуальным вводом. В метаданных также заявлен интерфейс для вызова инструментов. Автор описывает её как экспериментальную proof-of-concept версию с существенно ослабленными отказами от ответов. Это расширяет диапазон запросов, на которые модель отвечает, но повышает риск чувствительных, спорных или неподходящих результатов. Репозиторий распространяется по лицензии Apache-2.0.

Barcenas-R1-Qwen-1.5b — компактная языковая модель, созданная разработчиком Danielbrdz на основе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B и дообученная на данных Alpaca. Она предназначена для генерации текста и рассуждений на испанском языке, в том числе для ответов на запросы и решения задач в стиле моделей R1. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст до 131 072 токенов. Компактный размер рассчитан на запуск на широком спектре компьютеров. В метаданных также заявлены разговорный режим и интерфейс вызова инструментов. Карточка указывает лицензию MIT. Оценки качества и конкретные ограничения применения в карточке не описаны.

Bee1reason-arabic-Qwen-14B-i1-GGUF — квантизированная версия модели Bee1reason-arabic-Qwen-14B, опубликованная mradermacher и созданная на базе Qwen. Модель обучалась с использованием набора данных beetlware/arabic-reasoning-dataset-logic и ориентирована на арабоязычные сценарии генерации текста, диалогов, следования инструкциям и логического рассуждения. Модель содержит 14 млрд параметров и распространяется в формате GGUF с различными вариантами квантизации IQ и Q. Размер файлов составляет примерно от 3,7 до 12,2 ГБ. Доступны варианты с разным компромиссом между размером, скоростью и качеством; в README для общего баланса рекомендуются i1-Q4_K_S и i1-Q4_K_M, причём последний отмечен как рекомендуемый. Низкобитные варианты экономят память, но могут заметно снижать качество. Сведения об архитектуре, размере контекста, дополнительных модальностях и поддерживаемых языках, кроме арабского, не указаны. Модель подходит для локального запуска совместимых с GGUF инструментов и задач на арабском языке, включая диалоговую генерацию, выполнение инструкций и логические рассуждения. Лицензия — Apache 2.0.

Bielik-7B-Instruct-v0.1-GGUF — это набор файлов модели в формате GGUF, подготовленный SpeakLeash на основе Bielik-7B-Instruct-v0.1. Модель представляет собой дообученную версию Bielik-7B-v0.1 с архитектурой causal decoder-only и примерно 7 миллиардами параметров. Она ориентирована на работу с польским языком. Модель предназначена для генерации текста и инструкционного взаимодействия: ответов на запросы, диалоговых сценариев и других задач, где требуется следование текстовым инструкциям на польском языке. Формат GGUF рассчитан на локальный запуск с помощью совместимых инструментов и библиотек, включая llama.cpp, text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. К сильным сторонам относятся специализация на польском языке, инструкционная настройка и возможность локального использования в оптимизированном формате. README не содержит данных о размере контекста, поддерживаемых модальностях помимо текста или результатах бенчмарков. Для квантованных вариантов заявлены возможное снижение качества ответов и повышенный риск галлюцинаций. Модель распространяется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование.

QizhiPei/biot5-plus-base — текстовая модель семейства T5 с 126 млн параметров, опубликованная в формате PyTorch и safetensors. Карточка показывает загрузку через Transformers как условную генеративную модель, но не описывает специальную область применения, обучение или конкретные задачи BioT5+. По названию репозитория можно предположить связь с биомедицинскими текстами, однако доступные сведения этого не подтверждают. Модель принимает текст и генерирует текст; в метаданных указан английский язык. Лицензия — MIT. Карточка не сообщает длину контекста и известные ограничения качества, поэтому их нельзя надёжно указать.

Bloom-1b7-dialogsum — дообученная модель BigScience на базе bigscience/bloom-1b7. Она предназначена для генерации текста; по названию репозитория можно предположить сценарий суммаризации диалогов, но README не подтверждает эту специализацию. Модель содержит 2,1 млрд параметров, использует плотную авторегрессионную архитектуру BLOOM и принимает текстовый контекст длиной до 4096 токенов. Доступна в формате safetensors. Лицензия bigscience-bloom-rail-1.0. README не содержит сведений о наборе данных, оценке качества или ограничениях дообученной версии; поэтому её пригодность для суммаризации диалогов следует проверять на собственных данных.

Featherless AI Quants — это набор GGUF-квантизованных версий языковой модели bluuwhale/L3-SthenoMaidBlackroot-8B-V1. Модель предназначена для генерации текста; конкретные сценарии применения, поддерживаемые языки и дополнительные возможности в предоставленных данных не описаны. Квантизация позволяет запускать модель в форматах с различным соотношением размера файлов и сохранения качества. 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. В названии указано 8B, однако подробности об архитектуре, размере контекста, модальностях и языках отсутствуют. Сильной стороной набора является выбор нескольких уровней квантизации для подбора варианта под доступную память и требуемое качество; ограничение — отсутствие в README результатов оценки и описания поведения модели. Лицензия в предоставленных материалах не указана.

VuongQuoc/checkpoints_28_9_microsoft_deberta_V2 — дообученная модель Microsoft DeBERTa V3 Large для задач с выбором одного ответа из нескольких вариантов. Она использует архитектуру DeBERTa V2 и содержит около 533,8 млн параметров; максимальная длина контекста — 512 токенов. Репозиторий содержит веса PyTorch, базовая модель — microsoft/deberta-v3-large. Модель предназначена для оценки вариантов ответа и выбора наиболее подходящего, например, в тестах и викторинах. В README приведены результаты на наборе оценки: MAP@3 0,8842 и точность 0,815; набор данных обозначен как None, поэтому по карточке нельзя определить предметную область обучения. Лицензия — MIT. Подробности об ограничениях и назначении автором не приведены.

ChemLLM-20B-Chat-SFT — чат-модель для химии и молекулярной науки, разработанная командой AI4Chem на основе архитектуры InternLM2. Она предназначена для диалоговых ответов на вопросы по химии и смежным научным темам; в карточке приведены результаты ChemLLM-7B-Chat на отдельных разделах MMLU, но они не подтверждают те же показатели для версии 20B. Модель содержит 19,3 млрд параметров, использует плотную архитектуру InternLM2 и поддерживает контекст до 32 768 токенов. В метаданных указаны английский и китайский языки, формат весов safetensors и задача генерации текста. Модель подходит для консультаций по химическим понятиям, объяснения учебных тем и диалоговой помощи в молекулярной науке. Ответы могут содержать ошибки и требуют проверки специалистом. Модель распространяется по лицензии Apache-2.0.

CHEMLLM-2b-1_5 — языковая модель для химии и молекулярной науки, разработанная командой AI4Chem на базе архитектуры InternLM2. Это плотная авторегрессионная модель примерно на 1,7 млрд параметров, предназначенная для диалоговых ответов и генерации текста по химическим темам. Репозиторий содержит веса в формате safetensors; модель поддерживает контекст до 32 768 токенов и английский и китайский языки. Модель подходит для поиска объяснений по химии, обсуждения молекулярной науки и подготовки черновиков профессионального перевода. В приведённом README результаты ChemLLM-7B-Chat выше ряда сравниваемых моделей на нескольких заданиях MMLU, однако эти результаты относятся к версии на 7 млрд параметров и не подтверждают качество этой модели на 1,7 млрд параметров. Ответы могут содержать ошибки и требуют проверки. Лицензия — Apache-2.0.

ChemLLM-7B-Chat-1.5-DPO — диалоговая языковая модель для химии и молекулярной науки, разработанная командой AI4Chem на основе InternLM-2. Она предназначена для ответов на вопросы и ведения диалога по химическим темам; в карточке авторы называют её открытой моделью для химии и молекулярной науки. Модель использует плотную архитектуру InternLM2ForCausalLM и содержит 7,4 млрд параметров. Она принимает текст и генерирует текст, поддерживает чат на английском и китайском языках и имеет контекст длиной до 32 768 токенов. Доступны веса в формате safetensors. Модель может помогать с химическими вопросами и задачами по молекулярной науке, однако её ответы могут быть ошибочными и требуют проверки. Лицензия указана как other; конкретные условия использования в предоставленных материалах не раскрыты.

CheXagent-2-3b — модель Stanford AIMI на архитектуре Phi для генерации текста в диалоговом режиме. Репозиторий содержит веса в формате safetensors; модель насчитывает 3,5 млрд параметров и рассчитана на контекст до 2048 токенов. Карточка связывает её с проектом CheXagent, однако приведённый README не описывает подробно сценарии применения, модальности или языковую поддержку. Модель распространяется по лицензии MIT. Метаданные указывают задачу text-generation и возможность диалогового взаимодействия; медицинская специализация предположительна по названию и проекту, поэтому её конкретные возможности и ограничения по README установить нельзя.

yuanzhoulvpi/chinese_bloom_7b_chat_v3 — чат-модель на архитектуре BLOOM, разработанная автором репозитория и обученная на 4,2 млн китайских инструкций. Она предназначена для генерации текста в диалоговом формате и выполнения инструкций на китайском языке. В метаданных указан размер 9,1 млрд параметров; модель использует классы BloomForCausalLM и распространяется в форматах PyTorch и Safetensors. Версия v3 обучена на большем наборе инструкций, чем предыдущие версии; автор отмечает, что её качество ещё не проверено и приглашает пользователей протестировать модель. Репозиторий содержит веса модели, а не только адаптер; базовая модель явно не указана. Лицензия — BigScience OpenRAIL-M.

CuMo-mistral-7b — мультимодальная языковая модель, разработанная SHI-Labs на основе Mistral-7B-Instruct-v0.2. Это модель семейства LLaVA-Mistral с архитектурой MoE и 7,1 млрд параметров; она предназначена для исследовательской работы с мультимодальными моделями и чат-ботами. В метаданных указано текстовое генерирование и контекст до 32 768 токенов. Карточка называет модель мультимодальной, но не уточняет поддерживаемые модальности и языки. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

CycleReviewer-ML-Llama-3.1-8B — текстовая генеративная модель WestlakeNLP для имитации рецензирования научных работ по машинному обучению, включая компьютерное зрение, NLP и мультимодальное машинное обучение. Это дообученная версия Meta Llama 3.1 8B Instruct на Transformer-архитектуре, предназначенная для генерации отзывов и оценок по тексту статьи; модель может имитировать нескольких рецензентов и метарецензента, а также помогать авторам дорабатывать рукописи и готовиться к рецензированию. Модель рассчитана на текстовый ввод и вывод. Метаданные указывают поддержку английского, китайского, японского, корейского, французского и немецкого языков, однако README предупреждает о возможном снижении качества на неанглоязычных работах. Размер контекста в источниках не приведён. Знания модели ограничены январём 2024 года; она не анализирует изображения, графики и сложные формулы, может быть непоследовательна в оценках и уступать экспертам в узких или новых областях. Её запрещено применять для официального рецензирования и решений о публикации, а также использовать как единственный источник проверки фактов или научной новизны. Лицензия указана как other; README дополнительно запрещает формальное рецензирование и ссылается на условия лицензии Llama.

Edentns/DataVortexS-10.7B-dpo-v1.8 — дообученная на базе megastudy/M-SOLAR-10.7B-v1.3 диалоговая языковая модель с архитектурой Llama и примерно 10,6 млрд параметров. Она предназначена для генерации ответов и помощи в поиске информации в формате Alpaca Chat; карточка приводит результаты оценки на корейских тестах Ko LM Eval Harness и Ko-LLM-Leaderboard. Модель работает с текстом, использует контекст до 4096 токенов и ориентирована на корейский язык. В карточке указано, что модель содержит chat template; веса представлены в формате safetensors. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на условиях «Сохранения тех же условий», но запрещает коммерческое использование.

izumi-lab/deberta-v2-small-japanese — компактная модель DeBERTaV2, предварительно обученная командой izumi-lab на японских текстах для предсказания замаскированных токенов. Она содержит 20,8 млн параметров, принимает текст и использует SentencePiece-токенизатор с словарём, обученным на японской Википедии; максимальная длина последовательности при предобучении составляла 128 токенов. Модель подходит для восстановления пропущенных слов и дальнейшей тонкой настройки для задач понимания японского языка. В карточке приведены результаты тонкой настройки на JSTS, JNLI и JCommonsenseQA, включая оценки сходства предложений, определение логического следования и ответы на вопросы здравого смысла. Для прикладного использования доступны веса PyTorch и Safetensors, а код предобучения опубликован в retarfi/language-pretraining. Обучение проводилось на японских частях CC-100, mC4 и OSCAR2301, а также на японской Википедии и Wikinews. Модель рассчитана на японский язык и короткий контекст; её карточка не описывает поддержку диалогового режима или других языков. Лицензия — CC BY-SA 4.0.

Это экспериментальная перепаковка DeepSeek-V4-Flash-0731 в формате GGUF, подготовленная SpeederX для Siliang Engine. Архитектура DeepSeek-V4, логические веса и исходная смешанная квантизация не изменялись: тензоры экспертов Mixture-of-Experts перестроены в Siliang-специфичную компоновку expert-major, чтобы считывать веса каждого эксперта более последовательно. Модель предназначена для генерации текста и диалогов с DeepSeek-V4-Flash-0731. Для запуска требуется Siliang Engine версии 0.1.1 или совместимее; ускоренный путь в экспериментальном выпуске доступен на Windows, требует включённого memory mapping и поддерживает один активный контекст на процесс. Автор сообщает о снижении числа операций чтения и приросте скорости в конкретном тесте, но результат зависит от оборудования и условий памяти и не гарантируется. Репозиторий распространяется по лицензии MIT.

Eunoia-Gemma-9B-MiningEngineering-Test — дообученная gmonsoon модель Gemma 2 с 9 млрд параметров для генерации текста и диалогов. Она создана на базе gmonsoon/Eunoia-Gemma-9B с использованием Unsloth и библиотеки TRL. Название указывает на тематику горного дела и инженерии, однако карточка не описывает специализированные возможности или обучающие данные в этой области. Модель принимает текст и генерирует текст; в метаданных указано окно контекста 8192 токена и поддержка английского языка. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.

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.

Felix-8B-v2 — экспериментальная текстовая языковая модель Ontocord.ai для диалоговой генерации ответов с акцентом на законопослушность, безопасность и правдивость. Она предназначена для исследований поведения моделей в контексте принципов закона EU AI Act и исполнительного указа США об ИИ. Модель основана на плотной архитектуре Mistral и содержит 8,9 млрд параметров; максимальная длина контекста — 32 768 токенов. Это версия с дополнительным обучением методом DPO на синтетическом наборе Auto Redteam Triplets; её цепочка происхождения проходит через ontocord/sft-4e-exp2 и TencentARC/Mistral_Pro_8B_v0.1. В карточке заявлен высокий результат на TruthfulQA среди моделей сопоставимого размера, но независимые подробности оценки не приведены. Модель принимает текст и генерирует текст, поддерживает английский язык. Распространяется под лицензией Apache-2.0. Модель обозначена разработчиком как экспериментальная исследовательская работа. Результаты бенчмарка и заявления о надёжности следует считать заявлениями карточки; модель не гарантирует точность ответов или соответствие правовым требованиям и может быть многословной либо ошибаться.

Figment Finetuned Model Archive — архив ранних контрольных точек прототипа Figment, дообученных на базе NVIDIA Nemotron 3 Nano 4B. Модель предназначена для навигации по протоколам в синтетических или обезличенных сценариях работы полевых спасателей, сельских клиник и реагирования на бедствия. Это текстовая разговорная модель генерации текста на английском языке; в репозитории представлены слитые BF16-чекпойнты и варианты GGUF. Для локального обучения использовалась максимальная длина последовательности 16 384 токена. Модель помогает структурировать полевые заметки, сохранять детерминированные правила тревожных признаков, ссылаться на извлечённые карточки протоколов, определять недостающие наблюдения, составлять контрольные списки и готовить передачи в формате SBAR. В README сильнейшей архивной контрольной точкой названа v14p; артефакты также предназначены для воспроизведения процесса обучения и слияния и сравнения версий. Указанные сценарии ограничены синтетическими или обезличенными данными. Это прототип, а не медицинское устройство. Его нельзя использовать для клинической помощи, диагностики, назначения или дозирования лекарств либо автономной сортировки пациентов. Для безопасной работы нужны runtime Figment с детерминированными правилами и валидаторами, а также проверка обученным специалистом с учётом местных протоколов. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Ganga-1B — авторегрессионная языковая модель, разработанная Lingo Research Group при IIT Gandhinagar в рамках Project Unity. Она обучена преимущественно на очищенных веб-текстах на хинди: новостях, книгах, государственных и образовательных материалах, веб-страницах и публикациях в социальных сетях. Модель предназначена для генерации текста на хинди и английском языке, включая продолжение текста и ответы в текстовых сценариях. Модель использует плотную декодерную архитектуру MistralForCausalLM примерно на 934 млн параметров. Метаданные каталога указывают контекст до 131 072 токенов; в README приведена техническая спецификация с контекстом 2 048 токенов. Модель принимает и генерирует текст, а основным языком является хинди. Указанная лицензия — Apache 2.0. Карточка сообщает о сравнительных результатах по perplexity и токенизатору, но раздел оценки помечен как требующий дополнительной информации, поэтому качество на широком наборе задач по этим данным оценить нельзя. Это исследовательский предварительный выпуск; README предупреждает о слабых мерах безопасности и возможности оскорбительных генераций.

Карточка модели hanzla/gemma-2b-datascience-instruct-v5 на Hugging Face совпадает с карточкой hanzla/gemma-2b-datascience-instruct-v4.5, поэтому описание составлено по ней. hanzla/gemma-2b-datascience-instruct-v4.5 — дообученная модель hanzla на базе google/gemma-2b. Это плотная авторегрессионная языковая модель архитектуры Gemma с 2,5 млрд параметров, предназначенная для генерации текста; название указывает на ориентацию на инструкции и задачи анализа данных, однако карточка не описывает конкретные сценарии или результаты обучения. Модель принимает текст и выдаёт текст, поддерживает английский язык и имеет контекстное окно до 8192 токенов. В README указано, что при обучении использовались Unsloth и библиотека TRL. Лицензия — Apache-2.0.

gemma-3-1b-pt-icelandic-experiment6 — дообученная модель генерации текста на базе google/gemma-3-1b-pt, созданная автором репозитория с использованием TRL. Она рассчитана на текстовые запросы и диалоговый сценарий: может продолжать беседу и формировать ответы. Модель содержит 1 млрд параметров, использует плотную архитектуру Gemma 3 и поддерживает контекст до 32 768 токенов. В названии указана связь с исландским языком и экспериментальный характер версии, однако карточка не описывает конкретные обучающие данные, степень поддержки исландского или сравнительные результаты. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Карточка модели laladream/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.

Gemma 4 E2B SnowFox MLX FP16 — мультимодальная диалоговая модель на базе Google Gemma 4 E2B, подготовленная автором репозитория для запуска через MLX-VLM на компьютерах Apple Silicon. Это языковое дообучение слиянием LoRA: визуальная и аудиочасти базовой модели во время дообучения оставались замороженными и сохранены в пакете вместе с процессором и токенизатором. Модель принимает текст и изображения; архитектура Gemma4ForConditionalGeneration также включает компоненты для аудио. Основная задача по метаданным — image-text-to-text. Репозиторий содержит один вариант модели в формате MLX safetensors с весами FP16, структурно преобразованными из BF16. Это не новая FP16-тренировка и не повторная QAT-калибровка. Модель предназначена для диалогов и ответов по изображениям в MLX-VLM; метаданные также отмечают интерфейс вызова инструментов. Лицензия — Apache 2.0. Преобразование весов и файлов прошло структурную проверку, однако автор не запускал инференс на Apple Silicon с MLX-VLM. Поэтому генерацию текста, изображений и аудио в этой конкретной сборке следует считать непроверенной до пробного запуска; для мультимодального инференса README рекомендует MLX-VLM, а не MLX-LM.

Justvugg/GLM-5.3-colibri-int4-g64 — неофициальная конверсия базовой модели GLM-5.3 от Z.ai, подготовленная JustVugg для движка colibrì. Репозиторий изменяет способ хранения весов и не содержит официального checkpoint; модель не совместима с Transformers и vLLM и запускается только в движке colibrì. Модель предназначена для локальной генерации текста и диалоговых сценариев на машинах примерно с 25 ГБ оперативной памяти. Она использует архитектуру класса MoE: 78 слоёв, из которых 75 разреженные, 256 экспертов и 8 активных экспертов на токен. Это модель класса 744B; маршрутизируемые эксперты хранятся на диске и подгружаются по мере необходимости. Экспертные веса квантизированы в int4 с размером группы 64, плотные компоненты и операции ввода-вывода используют 8-bit представление. На диске модель занимает около 419,3 ГБ в 141 фрагменте, при запуске заявлены примерно 10,6 ГБ резидентной плотной части и около 13,6 ГБ общего RSS при бюджете 18 ГБ. Поддерживаемые языки — английский и китайский; контекстное окно в README не указано. Сильная сторона модели — возможность запускать модель такого масштаба на ограниченной по памяти системе благодаря потоковой загрузке экспертов с диска. Проверены корректная загрузка, связная генерация и побайтово идентичный вывод при двух способах получения экспертов с фиксированным seed, однако сравнение токен в токен с эталонной реализацией не проводилось. В текущей версии colibrì модель отображается как «GLM-5.2 744B», хотя загружаются веса GLM-5.3; это ограничение только имени в конфигурации. MTP в конверсию не включён. Лицензия указана как other, с названием glm-5.3; точные условия лицензии в README не приведены.

Это GGUF-версия модели gpt-oss-120b-Uncensored, дообученной на основе openai/gpt-oss-120b. Разработчик карточки — ccharnkij; модель предназначена для генерации текста и диалогов с менее ограниченными ответами. В основе лежит архитектура GPT-OSS с причинной языковой моделью типа MoE; указанный в метаданных размер — 2,1 млрд параметров, длина контекста — до 131 072 токенов. Репозиторий содержит GGUF-файлы, но конкретный вариант квантования в метаданных не уточнён. Модель принимает текст и выдаёт текст, поддерживает английский язык. Может применяться для диалогов и генерации ответов в исследовательских и образовательных сценариях. Карточка указывает лицензию Apache-2.0; производитель рекомендует использовать модель только в исследовательских и образовательных целях.

Это плотная языковая модель HyperCLOVAX-SEED-Think-14B на 14,1 млрд параметров, созданная на основе naver-hyperclovax/HyperCLOVAX-SEED-Think-14B. Разработчик обучил три специализированных LoRA на корейских данных по медицинским знаниям, числовому машинному чтению и причинно-следственному рассуждению, а затем объединил их методом DARE-TIES. Модель сохранена как самостоятельные веса BF16 в формате safetensors, поэтому отдельный адаптер не требуется; используется исходный шаблон чата базовой модели. Модель предназначена для генерации корейского текста в формате диалога и ответов на вопросы с выбором из четырёх вариантов. Она ориентирована на тестовые и оценочные сценарии, включая вопросы по медицинским знаниям, числовые задачи и причинно-следственное рассуждение. Карточка сообщает, что в проверке формата на 240 заданиях ответ присутствовал во всех выходах; это не подтверждает общую точность модели. Контекст составляет 131072 токена. Результаты могут быть неточными, поэтому модель не следует использовать как единственное основание для медицинских, юридических или финансовых решений. Лицензия указана как other; конкретные условия использования в карточке не раскрыты.