I.2Синтез, понимание и проверка знаний

Omega-Sapphira-L3.3-70B-v1.3 — созданная автором карточки merge-модель на базе Llama 3.3 70B. Она объединяет Omega Directive и Sapphira методом SLERP, используя отдельные меняющиеся по слоям коэффициенты для attention и MLP. Модель имеет плотную архитектуру LlamaForCausalLM, около 69,5 млрд параметров и контекст до 131 072 токенов; в README также описан вариант весов EXL3 с 4,25 bpw, тогда как в метаданных репозитория указан формат safetensors. Модель предназначена для генерации текста, ролевого общения и написания историй. По описанию автора, Omega вносит вклад в следование инструкциям, связность диалога и устойчивость к зацикливанию, а Sapphira — в стиль прозы. README сообщает о стабильной работе в длинных сессиях и при широком диапазоне настроек, но не приводит независимых оценок качества. Токенизатор унаследован от Omega: при загрузке может потребоваться явно включить добавление токена начала текста BOS. Язык карточки и тег модели указывают на английский. Модель отмечена как не предназначенная для всех аудиторий и как unaligned, поэтому её ответы могут требовать контроля. Указана лицензия Llama 3.3 Community License (llama3.3); перед использованием следует соблюдать её условия.

OrionLLM_GRM-2.6-Plus-0628-GGUF — это набор GGUF-квантизаций модели GRM-2.6-Plus-0628, разработанной OrionLLM и преобразованной пользователем bartowski с использованием llama.cpp и imatrix-калибровки. Модель предназначена для задач image-text-to-text, однако README не содержит подробностей о поддерживаемых визуальных входах, языках, архитектуре и размере исходной модели. Набор ориентирован на локальный запуск и инференс через llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Доступны варианты от BF16 до низкобитных Q3-, Q4-, Q5-, Q6- и Q8-квантизаций с размером файлов примерно от 15,3 до 54,7 ГБ, что позволяет выбирать между качеством, потреблением памяти и скоростью работы. В README рекомендуются, в частности, варианты Q4_K_M, Q5_K_M, Q6_K и Q6_K_L. Модель содержит MTP-слои для self-speculative decoding, которые могут ускорять генерацию в llama.cpp при использовании параметра --spec-type draft-mtp. Ограничения включают значительные требования к оперативной или видеопамяти, зависящие от выбранной квантизации, а низкобитные варианты могут уступать полноразмерным по качеству. Для запуска также может потребоваться актуальная версия совместимого программного обеспечения. Лицензия — Apache-2.0.

PALM-7B-Teluglish — дообученная ramm0 языковая модель на архитектуре Qwen2 для генерации текста и диалогов. Она основана на unsloth/qwen2.5-7b-instruct-unsloth-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель подходит для генерации ответов в чате и других текстовых сценариев. В карточке не описаны специализация Teluglish, обучающие данные и результаты оценки качества, поэтому её пригодность для конкретных языковых задач не подтверждена. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Phi-4-Uncensored — дообученная с помощью LoRA текстовая модель Justbackup на базе microsoft/phi-4. Она предназначена для диалогов и генерации текста с менее строгими ограничениями на ответы, сохраняя общие знания и следование инструкциям Phi-4. Модель имеет плотную архитектуру семейства Phi, содержит 14,1 млрд параметров и поддерживает контекст до 16 384 токенов. Модель принимает и выдаёт только текст; её основным языком является английский. Она подходит для свободных диалогов и генерации контента для взрослых, однако снятие ограничений не гарантировано: отдельные запросы всё ещё могут вызывать отказ. Распространяется по лицензии MIT.

PIT-4B — базовая предварительно обученная GPT-модель семейства Point-In-Time от Diamegs. Это плотный авторегрессионный декодер Transformer для генерации текста; модель обучена на хронологически упорядоченных ежемесячных срезах FineWeb и отражает сведения, доступные к декабрю 2023 года. Размер модели — 4 млрд параметров, контекст — 2048 токенов. Модель предназначена для генерации текста и анализа того, что было известно на заданный момент времени. Её можно применять в экспериментах с временными вопросами и сравнением исторических представлений; для следования инструкциям автор рекомендует вариант PIT-4B-FT. Поддерживается английский язык. Лицензия — Apache-2.0. Это базовая модель без RLHF и дополнительного обучения безопасности. Её знания ограничены веб-текстами до декабря 2023 года, а ответы могут воспроизводить смещения обучающих данных FineWeb. Для задач, критичных к безопасности, модель не подходит без дополнительного выравнивания.

PIT-4B-FT-201312 — дообученная версия языковой модели Point-In-Time GPT от Diamegs. Это декодерный Transformer с причинным языковым моделированием; LoRA-адаптеры, обученные на инструкциях, объединены с базовыми весами. Модель предназначена для генерации текста по запросу и анализа с учётом исторического среза знаний на декабрь 2013 года. Модель поддерживает следование инструкциям и использует шаблон диалога. Её контекст ограничен 2048 токенами, а знания отражают веб-тексты FineWeb, доступные до декабря 2013 года. Это позволяет исследовать, как модель отвечает с позиции знаний того периода, но не даёт гарантии исторической точности. Модель не проходила RLHF или дополнительную настройку безопасности и может воспроизводить предвзятость обучающих данных; для критически важных задач без дополнительного выравнивания она не подходит. Лицензия — Apache-2.0.

Diamegs/PIT-4B-FT-201511 — англоязычная instruction-tuned модель семейства Point-In-Time GPT от Diamegs. Это decoder-only Transformer с архитектурой PITForCausalLM; LoRA-адаптеры обучены на инструкциях и объединены с базовыми весами. Модель предназначена для генерации текста и анализа с учётом временного среза знаний: её обучение отражает веб-тексты, доступные к ноябрю 2015 года. Она принимает текстовые инструкции и генерирует текст, работает через Transformers и имеет контекст 2048 токенов. Модель подходит для вопросов о событиях и знаниях в историческом контексте, ограниченном ноябрём 2015 года, а также для экспериментов с временной динамикой знаний языковых моделей. Распространяется по лицензии Apache-2.0. Знания ограничены веб-текстами до ноября 2015 года; RLHF и дополнительная настройка безопасности не проводились. Модель может воспроизводить смещения обучающих данных и не подходит для критически важных приложений без дополнительного выравнивания.

Compumacy/Psych_medgemma — экспериментальная языковая модель, разработанная Daemontatox для поддержки специалистов в клинической психологии и психиатрии. Это плотная модель Gemma 3 для генерации текста с 28,3 млрд параметров, дообученная на базе unsloth/medgemma-27b-text-it с помощью Unsloth и LoRA. Метаданные указывают контекст до 131 072 токенов; модель принимает текст и формирует структурированные текстовые ответы. Модель предназначена для анализа клинических случаев: краткого изложения жалоб, рассмотрения дифференциальных диагнозов по критериям DSM-5-TR, оценки рисков, рекомендаций по лечению и последующему наблюдению. В README заявлена опора на классификацию ICD-11, клинические руководства и медицинскую литературу. Модель рассчитана на вспомогательное применение специалистами и исследователями, а не на самостоятельную диагностику или лечение. Лицензия — Apache-2.0. Это исследовательская экспериментальная версия: ответы могут содержать ошибки, вымышленные факты и ссылки, а обучающие данные могут отражать культурные и другие смещения. Все клинические выводы требуют проверки квалифицированным специалистом; модель не предназначена для кризисного вмешательства и не должна получать персональные или защищённые медицинские данные.

PULI LlumiX 32K instruct — венгероязычная инструкционная донастройка модели NYTK/PULI-LlumiX-32K, опубликованная ariel-ml. Это плотная причинно-языковая модель семейства LLaMA-2 с 6,6 млрд параметров и контекстом до 32 768 токенов; веса представлены в формате safetensors с точностью float16. Модель обучали три эпохи на примерно 53 тысячах венгерских инструкций из boapps/szurkemarha, используя шаблон ChatML и LoRA. Она предназначена для диалоговых ответов и выполнения инструкций на венгерском языке, в том числе с длинным контекстом. Базовая модель также поддерживает английский, но README описывает дообучение только на венгерских инструкциях. Модель распространяется по лицензии Llama 2. В README указано ограничение максимальной длины последовательности 32 768 токенов; качество ответов за пределами венгерского инструкционного сценария отдельно не охарактеризовано.

Q2.5-MS-Mistoria-72b-v2 — диалоговая языковая модель SteelSkull, созданная слиянием нескольких моделей на базе Qwen 2.5 методом Model Stock. Она предназначена для диалогов и генерации связного текста, в частности для создания историй с попыткой сохранить общие интеллектуальные способности исходных моделей. Размер модели составляет 71,5 млрд параметров; архитектура — плотная Qwen2ForCausalLM, формат репозитория — safetensors, длина контекста — 32 768 токенов. Для работы используется формат Qwen. Модель объединяет EVA-Qwen2.5-72B-v0.2, Nexusflow/Athene-V2-Chat, ZeusLabs/Chronos-Platinum-72B и shuttleai/shuttle-3. В метаданных заявлен интерфейс для вызова инструментов. Для этой версии указана лицензия Apache 2.0. Модель крупная и требует значительных вычислительных ресурсов; качество слияния и пригодность для конкретных сценариев могут различаться.

Это экспериментальный чекпойнт дообучения Qwen2.5-3B, созданный для экспериментов RL-Forgetting-Experiments. Он получен после одного прохода SFT по данным варианта kk shuffled и сохранён на шаге оптимизатора 3175; архитектура — плотная Qwen2, около 3,1 млрд параметров. Модель предназначена для генерации текста и диалоговых экспериментов. Она принимает текст, выдаёт текст и поддерживает контекст до 32 768 токенов. В README не описаны специальные прикладные сценарии или языковая специализация. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Условия лицензирования в доступных сведениях не приведены.

Qwen2.5-7B-Gutenberg-KTO — диалоговая модель генерации текста, созданная Orion-zhen путём дообучения Qwen2.5-7B-Instruct-Uncensored на данных Gutenberg со стратегией KTO. Она предназначена для генерации ответов и продолжения текста по запросам; карточка не приводит специализированных сценариев применения. Модель использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров, поддерживает контекст длиной до 32 768 токенов и рассчитана на китайский и английский языки. При обучении автор применял QLoRA, Unsloth и adam-mini, а также указывает два эпоха обучения. Автор отмечает, что это его первая попытка обучения KTO и качество модели ему неизвестно, поэтому её результаты следует оценивать самостоятельно. Репозиторий распространяется по лицензии GPL-3.0.

Qwen2.5-7B-SHARP-Span — модель оценки промежуточных шагов математических рассуждений, разработанная на основе Qwen/Qwen2.5-Math-7B-Instruct и дообученная на корпусе SHARP. Она анализирует решение по шагам и для каждого шага оценивает вероятность его корректности, помогая находить место, где рассуждение становится ошибочным или содержит неподтверждённое утверждение. Модель использует архитектуру Qwen2ForProcessRewardModel с классификационной головой на два класса; размер — 7,1 млрд параметров, контекст — до 4096 токенов. Вариант Span обучен на разметке галлюцинаций по фрагментам: отмеченный фрагмент соотносится с шагами решения, а анализ прекращается на первом ошибочном шаге. Модель предназначена для оценки и ранжирования готовых решений, включая Best-of-N, а не для генерации текста. Для подачи решения требуются разделители шагов и специальный маркер в конце каждого шага; используется формат Question/Solution без шаблона чата. Модель рассчитана на математические рассуждения; метаданные указывают английский язык, а базовая модель поддерживает английский и китайский. Число токенов и вероятность класса полезно интерпретировать как оценки, а не как доказательство правильности. Для работы требуется Transformers версии 4.40.0 или новее и включение trust_remote_code. Лицензия модели — Apache 2.0; обучающие данные SHARP распространяются по CC BY 4.0.

Qwen3.5-27B-ultra-uncensored-heretic-v1-GGUF — это набор GGUF-квантизаций модели llmfan46/Qwen3.5-27B-ultra-uncensored-heretic-v1, разработанной независимым автором llmfan46. Модель создана на основе Qwen/Qwen3.5-27B и представляет собой её декензурированную версию, полученную с помощью Heretic v1.2.0, Magnitude-Preserving Orthogonal Ablation (MPOA) и Self-Organizing Map Abliteration (SOMA). В метаданных указана модальность image-text-to-text, однако подробные сведения о поддерживаемых языках, длине контекста и точной архитектуре отсутствуют. Модель предназначена для генерации текста и диалоговых сценариев, где требуется существенно меньше отказов, возражений, морализаторства и других ограничений ответа. По заявленным результатам, доля отказов снизилась с 95 до 3 из 100 при KL-дивергенции 0,0301 относительно исходной модели. При этом на тесте PIQA показатели практически сохранились: accuracy снизилась с 0,8128 до 0,8058, а нормализованная accuracy — с 0,8199 до 0,8161. Это указывает на сохранение значительной части исходных способностей, хотя результаты относятся к ограниченному набору оценок. В ходе абляции изменялись компоненты внимания и MLP, включая attn.out_proj, attn.o_proj и mlp.down_proj. Основное преимущество модели — более свободная генерация с меньшим числом отказов; ограничение — возможное отсутствие встроенных защитных механизмов, поэтому качество и безопасность ответов требуют самостоятельной проверки. Лицензия в README не указана.

ENOSYS/Qwen3.5-2B-heretic-250-v1-GGUF — экспериментальная квантизированная GGUF-сборка coder3101/Qwen3.5-2B-heretic, опубликованная под лицензией Apache-2.0. Она предназначена для диалогового использования мультимодальной модели Qwen3.5-2B-heretic с обработкой изображений и текста. В репозитории описана экспериментальная квантизация с глобальным целевым числом бит на вес, выполненная в нестандартной ветке LLaMA C++. Для калибровки использовалась выборка eaddario/imatrix-calibration, включая английские и русские текстовые данные и данные для инструментов. README сообщает о совместимости мультимодальной части с файлами mmproj в F16 и F32, а также о хранении тензоров в F16 для совместимости с архитектурой Nvidia Pascal. README приводит сравнение вариантов квантизации по метрикам perplexity и KLD. Результаты относятся к указанной оценке и не гарантируют качество на других задачах. Для запуска может потребоваться совместимая сборка llama.cpp с упомянутыми изменениями. Модель помечена как uncensored/decensored, однако карточка не описывает точный объём или границы этой модификации.

Qwen3.5-4B-Uncensored-Aggressive-GGUF — набор GGUF-квантизированных версий языковой модели, созданной на базе Qwen/Qwen3.5-4B и дообученной пользователем rodrigomt. Модель предназначена для генерации текста, прямого следования инструкциям и локального запуска в исследовательских и экспериментальных сценариях, включая изучение поведения моделей без выраженных паттернов отказа. Заявлена поддержка unrestricted generation и разнообразных типов контента. Модель содержит около 4,5 млрд параметров, использует архитектуру Qwen2 с 28 слоями и 28 attention heads, имеет контекст до 32 768 токенов и словарь размером 151 936 токенов. Доступны варианты квантизации от F16 до Q2_K объёмом примерно от 8,4 до 1,1 ГБ, что позволяет запускать её на GPU среднего класса, ноутбуках или CPU с достаточным объёмом оперативной памяти. В README указан английский язык; другие языки не заявлены. Для запуска рекомендуются llama.cpp, llama-cpp-python, LM Studio или Ollama. Сильными сторонами являются относительно небольшой размер, широкий выбор уровней квантизации и акцент на прямом следовании инструкциям без встроенных ограничений на генерацию. Ограничения включают возможное снижение качества при сильной квантизации, отсутствие заявленных мультимодальных возможностей и ограниченные сведения о фактической точности, безопасности и языковой поддержке. Квантизированная версия распространяется по лицензии Apache 2.0.

Это GGUF-сборка Qwen3.8-27B-Heretic-Uncensored-BF16, подготовленная mradermacher на основе модели mlasli/Qwen3.8-27B-Heretic-Uncensored-BF16. В репозитории доступны варианты квантования GGUF, включая Q2_K, а также мультимодальные дополнения mmproj в форматах Q8_0 и f16. Модель предназначена для диалоговой генерации текста и сценариев image-text-to-text с поддержкой изображений. Метаданные описывают её как англоязычную; теги указывают на uncensored-поведение, ролевые диалоги и speculative decoding. Указана лицензия Apache-2.0. README содержит перечень файловых вариантов, но не приводит инструкции с конкретными параметрами запуска или результатов оценки качества.

Qwen3.8-27B-RL-Social-Science — дообученная методом обучения с подкреплением модель на базе Qwen/Qwen3.8-27B, подготовленная разработчиком репозитория. Модель обучали алгоритмом GRPO через Megatron-SWIFT на бенчмарке VMLU Social Science, охватывающем экономику, географию, гражданское образование, право и философию. LoRA-адаптер объединён с базовыми весами, поэтому репозиторий содержит готовую к использованию модель. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration и 27 млрд параметров. Она предназначена для диалогов и ответов на вопросы по общественным и гуманитарным дисциплинам. В метаданных указан вьетнамский язык; базовая модель также поддерживает анализ изображений и видео, но README не подтверждает, что эти возможности проверялись после дообучения. Модель распространяется под лицензией с обозначением other; конкретные условия следует сверить с карточкой репозитория. Обучение оптимизировалось на точность и формат ответов бенчмарка VMLU, поэтому качество на других задачах может отличаться.

Qwen3.8-27B-Uncensored-OrcaRouter-MLX-4bit — неофициальная нативная MLX-квантизованная версия модели Qwen3.8-27B, опубликованная chimingw на основе плавающей F16-версии orcarouter/Qwen3.8-27B-Uncensored-GGUF. Исходная модель описывается как плотная vision-language-модель с дополнительной MTP-головой для speculative decoding; конвертация в MLX не включает дополнительное обучение, дообучение или слияние весов. Модель предназначена для задач обработки текста и изображений, включая сценарии image-text-to-text, а также для исследовательских экспериментов, интерпретируемости, оценки устойчивости и контролируемого red-teaming. Заявлены английский и китайский языки. Размер модели — 27B параметров; eligible-матрицы хранятся в нативном MLX affine 4-bit формате с group size 64, а часть тензоров сохраняется в F16, BF16 или F32. Контекст модели в README не указан. К сильным сторонам относятся мультимодальность, уменьшенный объём хранения по сравнению с полноточной версией и сохранение исходной точности для ряда неквантизованных тензоров. При этом утверждения о качестве, поведении и удалении отказов отдельно не проверялись. По заявлению издателя, safety alignment модели существенно ослаблен, поэтому она может выполнять вредоносные или незаконные запросы и не предназначена для прямого использования конечными пользователями или в production без собственных механизмов безопасности и модерации. Модель распространяется по лицензии Apache 2.0; использование также должно соответствовать применимому законодательству.

Карточка модели BrandonHowe/Qwen3-8b-compassion-seed1-20260930-CPT-final на Hugging Face совпадает с карточкой BrandonHowe/Qwen3-8b-compassion-qwen-seed1-20260930-CPT-merged-epoch-3, поэтому описание составлено по ней. 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.

Это экспериментальная текстовая сборка Qwen3.8-Flash-Next от 0xKitkat в формате GGUF, полученная из модели Unsloth/Qwen3.8-Flash-Next-GGUF. Она предназначена для генерации текста и диалогового использования. Модель содержит 125 млрд параметров, из которых активны примерно 6 млрд, и занимает около 36,99 ГиБ. Для сокращения размера применена смешанная ультранизкобитная квантизация; исходные значения разрядности и форматы отдельных групп тензоров сохранены в README. Сборка рассчитана на обычную текстовую генерацию и не включает визуальный проектор. Для запуска необходима специальная версия llama.cpp с приложенным патчем qwen4exp-under40.patch: стандартный llama.cpp не поддерживает используемое физическое представление таблицы per-layer token embedding. README сообщает об успешном smoke-тесте, но не приводит оценок качества генерации. Лицензия — Apache-2.0.

ToPo-ToPo/Qwen3.8-Flash-Next-mlx-bf16 — модель Qwen3.8-Flash-Next, преобразованная в формат MLX для запуска на устройствах Apple с MLX. В метаданных указаны архитектура Qwen4ExpForConditionalGeneration и поддержка диалога и изображений; карточка описывает преобразование официальных весов bf16 без квантизации и размер около 331 ГиБ. Модель предназначена для диалоговых сценариев с анализом изображений и текстовым ответом. Для инференса требуется более 355 ГБ памяти. При конвертации исключена голова MTP, поэтому для спекулятивного декодирования её нужно отдельно взять из официальной версии bf16. Указана лицензия other; конкретные условия следует сверить с лицензией базовой модели и репозитория.

Qwen3-Next-80B-A3B-Thinking-Uncensored — текстовая разговорная MoE-модель Multiverse Computing, основанная на Qwen3-Next-80B-A3B-Thinking. Она использует метод Refusal Steering: избирательно снижает отказы на безопасные запросы о политически чувствительных темах Китая, сохраняя отказы на вредоносные запросы и попытки обхода защит. Архитектура и число параметров не менялись; модель представлена в формате safetensors, а её контекст составляет 262 144 токена. Модель предназначена для диалога, рассуждений и генерации текста, в том числе для получения сбалансированных ответов о чувствительных темах Китая. В README сообщается, что общие результаты на тестах рассуждений, программирования и знаний близки к базовой модели; приведены также тесты на отказы и безопасность. Модель не добавляет новых фактов и опирается на знания базовой модели. Лицензия — Apache-2.0. README отмечает, что изменение поведения относится к отказам по определённой категории тем, а не ко всем чувствительным или вредоносным запросам; поэтому ответы на конкретные запросы могут по-прежнему содержать отказы.

KingNish/Reasoning-Llama-1b-v0.1 — экспериментальная дообученная модель Nishith Jain на базе meta-llama/Llama-3.2-1B-Instruct. Это плотная авторегрессионная модель семейства Llama с 1,2 млрд параметров, предназначенная для генерации текста в диалоговом формате и ответов с предварительным этапом рассуждения. Для обучения использован датасет KingNish/reasoning-base-20k; автор сообщает, что версия обучалась на 10 тысячах примеров с помощью Unsloth и TRL. Модель рассчитана на англоязычные запросы и может применяться для диалогов, ответов на вопросы и задач, где полезно пошаговое рассуждение перед формированием ответа. Контекстное окно составляет 131 072 токена. Карточка описывает первую итерацию и не приводит количественных оценок качества; заявленное автором хорошее поведение не сопровождается результатами тестирования. Лицензия — llama3.2.

RoLlama3-8b-Instruct-2024-06-28 — румынская языковая модель с настройкой на выполнение инструкций и диалог, разработанная OpenLLM-Ro на основе Meta-Llama-3-8B. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 8192 токенов; она принимает текст и генерирует текстовые ответы на румынском языке. Модель предназначена для ассистентского общения на румынском и исследовательского применения. Её можно использовать для ответов на вопросы, следования инструкциям и генерации румынского текста. Модель дообучена на наборах RoAlpaca, RoAlpacaGPT4, RoDolly, RoSelfInstruct, RoNoRobots, RoOrca и RoCamel. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование. Авторы также указывают, что модель предназначена для румынского языка; качество для других языков не заявлено.

Sarashina2-8x70B — большая языковая модель, разработанная SB Intuitions. Это модель архитектуры Mixture-of-Experts семейства Mixtral, созданная методом sparse upcycling на основе Sarashina2-70B. В модели более 450 млрд параметров в сумме; метаданные указывают 69,3 млрд параметров. Она обучена на смеси японских и английских веб-текстов, использует токенизатор SentencePiece с unigram-моделью и byte fallback и принимает исходные японские фразы без предварительной токенизации. Контекст составляет 8192 токена. Модель предназначена для продолжения и генерации текста на японском и английском языках. Для инференса в BF16 карточка указывает требования в 16 ускорителей H100 или 16 ускорителей A100 с 80 ГБ памяти. Sarashina2-8x70B не настроена на следование инструкциям, поэтому может выдавать бессмысленные, неточные или предвзятые и нежелательные ответы. Для диалоговых или пользовательских сценариев разработчикам рекомендуется дополнительно настраивать модель с учётом предпочтений людей и требований безопасности. Лицензия указана как other; конкретные условия следует сверять с файлами лицензии репозитория.

Xirui1208/selective-readtwice-7b-position-evaluated-20260928 — архив опубликованных оценённых чекпойнтов модели Selective ReadTwice, подготовленный владельцем репозитория. Это плотная авторегрессионная Qwen2-модель на 7,1 млрд параметров с генерацией текста, диалоговым режимом и интерфейсом вызова инструментов; указанное максимальное окно контекста — 32 768 токенов. В репозитории представлены только оценённые чекпойнты; калибровочные и отклонённые варианты помечены отдельно. README указывает на замороженную reader-модель и оригинальный код инференса, но не раскрывает идентификатор базовой модели. Модель предназначена для экспериментов и сценариев генерации текста с выборочным повторным чтением контекста; карточка не описывает конкретные пользовательские задачи или языки. Веса доступны в формате safetensors. Сведения о лицензии отсутствуют в предоставленных данных, поэтому условия использования по ним определить нельзя.

Apriel-1.5-15b-Thinker-GGUF — это квантованные версии модели Apriel-1.5-15b-Thinker, разработанной ServiceNow AI. Файлы подготовлены пользователем bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель относится к классу image-text-to-text, однако README не содержит подробностей о поддерживаемых визуальных и текстовых сценариях. Доступны исходные веса BF16 размером 28,87 ГБ и варианты квантования от Q8_0 до Q3_K и IQ3_M/IQ4_XS. Более крупные варианты обычно сохраняют более высокое качество, а компактные требуют меньше оперативной памяти; в README рекомендованы, в частности, Q6_K_L, Q6_K, Q5_K и Q4_K_M. Модель предназначена для запуска через LM Studio, llama.cpp и совместимые проекты. README не содержит сведений о точном числе параметров сверх обозначения 15b, архитектуре, языках, размере контекстного окна, конкретных возможностях мультимодального ввода, системном промпте и лицензии. Поэтому эти характеристики нельзя надёжно определить по представленным данным.

Snowball 67B-A2B — базовая языковая модель open-athena, экспорт BF16 шага 157 000 из сравнения моделей для длинного контекста. Это причинная MoE-модель семейства Grug: 67 млрд параметров всего, около 2 млрд активных параметров на токен, 26 слоёв и 256 экспертов, из которых для каждого токена выбираются четыре. Контекст составляет 262 144 токена; словарь токенизатора — 128 256 токенов. Модель предназначена для продолжения текста и текстовых дополнений, в том числе с длинным контекстом. Это базовая, а не инструкционно дообученная модель, поэтому её не следует считать готовым помощником для диалога. Для обслуживания требуется форк vLLM Marin с поддержкой GrugMoeForCausalLM; в карточке указана конфигурация на восьми H100 с параллелизмом экспертов. Экспорт проверен по именам тензоров, типу BF16, конфигурации, размерам и контрольным суммам; генерация и численная эквивалентность для этой загрузки не проверялись. Лицензия — OpenMDW 1.1.

T3Q-ko-solar-dpo-v6.0 — языковая модель с архитектурой Llama, опубликованная Chihoon Lee и T3Q. Она предназначена для генерации текста и прохождения задач на понимание корейского языка; в карточке приведены результаты на наборах KoBEST, включая BoolQ и COPA. Модель содержит 10,6 млрд параметров, использует формат safetensors и поддерживает контекст до 4096 токенов. Она распространяется по лицензии Apache-2.0. В README показаны результаты лишь для части оценочных задач, поэтому по этим данным нельзя судить о качестве на других сценариях.