I.2Синтез, понимание и проверка знаний

SciHigh 2026 Task 2 — PEGASUS-XSum — модель для генерации краткого названия научной статьи по её аннотации. Это дообученная участником SciHigh 2026 версия PEGASUS-XSum от Google: энкодер-декодер Transformer на базе google/pegasus-xsum, опубликованный в формате safetensors и рассчитанный на работу через Transformers. В карточке указано около 570 млн параметров; базовая модель описана в каталоге как англоязычная модель на 366,8 млн параметров. Контекст входа ограничен 512 токенами, длина генерируемого названия — до 64 токенов. Модель предназначена для автоматического создания заголовков по научным аннотациям, в частности для сценариев SciHigh 2026 Task 2. Она обучалась на SpringerSSAT, где использовались 2 778 пар «аннотация — название»; лучшие результаты на валидации составили ROUGE-L 37,0629. Обучающая выборка охватывает социальные науки, поэтому качество может снижаться для других научных областей и стилей. Названия могут быть неполными, слишком общими или не полностью подтверждаться исходной аннотацией; их следует проверять. Лицензия в предоставленных данных не указана.

SimCLS Scorer BillSum — модель-оценщик из фреймворка SimCLS, представленного в работе о контрастивном обучении абстрактивному суммированию. Её разработчики обучили оценщик для документов из набора BillSum; модель принимает документ и предложенный вариант резюме, чтобы оценить его пригодность для суммирования. В каталоге указана архитектура RoBERTa с 151,8 млн параметров и контекстом до 514 токенов. Модель предназначена для второго этапа двухступенчатого процесса: сначала генератор создаёт варианты резюме, затем оценщик ранжирует их, и выбирается вариант с наивысшей оценкой. Оценщик следует использовать вместе с генератором google/pegasus-billsum. Репозиторий содержит веса PyTorch и Safetensors. Карточка приводит результаты оценки на BillSum, но отмечает, что различия метрик ROUGE-L с исходной работой Pegasus могут быть связаны с уровнем вычисления метрики. Лицензия в предоставленных данных не указана.

Snowball 67B-A2B — базовая языковая модель семейства GrugMoE, опубликованная как BF16-экспорт шага 157 000 из сравнения моделей с длинным контекстом. Она предназначена для продолжения текста и генерации по текстовому запросу; карточка не указывает на настройку для следования инструкциям, поэтому её следует использовать для текстовых продолжений, а не как готового чат-ассистента. Модель имеет 67 млрд параметров всего и около 2 млрд активных параметров на токен, 26 слоёв и 256 экспертов, из которых выбираются четыре на каждый токен. Контекстное окно составляет 262 144 токена, словарь — 128 256 токенов. Для обслуживания требуется форк Marin vLLM; в описанной конфигурации используются восемь GPU H100 с экспертным параллелизмом. В метаданных указаны поддержка английского языка и интерфейс вызова инструментов, однако README характеризует модель как базовую и рекомендует текстовые продолжения. Это экспериментальный экспорт для сравнения длинноконтекстных конфигураций. Загрузка проверяет имена тензоров, тип BF16, конфигурацию, размеры и контрольные суммы; новая генерация и проверка численного соответствия для этой загрузки не проводились. Материалы модели распространяются по лицензии OpenMDW 1.1.

SU-01 — компактная модель рассуждений для решения математических и научных олимпиадных задач, представленная в статье Achieving Gold-Medal-Level Olympiad Reasoning via Simple and Unified Scaling. Карточка описывает её как модель класса 30B-A3B на архитектуре Qwen3 MoE; в метаданных указано 2,6 млрд параметров и контекст до 262 144 токенов. Модель принимает текстовые условия и генерирует текстовые решения и доказательства на естественном языке. Обучение включает дообучение на траекториях рассуждений и двухэтапное обучение с подкреплением. Для сложных задач README также описывает режим масштабирования вывода: модель последовательно генерирует решение, проверяет его, находит ошибки и уточняет доказательство. По данным карточки, в этом режиме SU-01 набрала 35 баллов на IMO 2025 и USAMO 2026; это результаты, заявленные авторами модели. Модель предназначена для олимпиадной математики и научных задач, в частности физики, химии и биологии. Она не полагается на внешний запуск кода или специализированные символьные решатели. Весовые файлы опубликованы в формате safetensors, библиотека запуска — Transformers, лицензия — Apache-2.0. Длинные траектории рассуждений требуют значительного бюджета вывода; приведённые в README результаты масштабирования тестового времени зависят от отдельного многошагового цикла генерации и проверки.

SummarEaseElementaryV4 — дообученная модель notBanana на основе notBanana/SummarEaseElementaryV3. Это BART-модель для преобразования текста с 95,2 млн параметров и контекстом до 1024 токенов; веса доступны в формате safetensors. По описанию базовой модели она предназначена предположительно для упрощённого суммирования текста. В README приведены результаты оценки: Loss 2,2757, ROUGE-1 0,1334, ROUGE-2 0,0545 и ROUGE-L 0,115. Модель можно рассматривать для экспериментов с упрощением и суммированием текста. Датасет, подробные сценарии применения, языки и условия лицензирования в предоставленных источниках не описаны.

Suri Qwen 3.8 27B Uncensored — созданная Space Time модель для диалогов на основе Qwen3.8 27B. Это плотная мультимодальная модель с архитектурой Qwen3_5ForConditionalGeneration; метаданные указывают поддержку обработки изображений и диалоговый режим. Репозиторий содержит веса в формате Safetensors. Модель предназначена для ответов без обычных ограничений и отказов, а также для запросов с изображениями. В README приведены результаты тестирования на наборах для оценки ответов на вредоносные запросы и указаны рекомендуемые параметры генерации. Метаданные связывают модель с Qwen/Qwen3.8-27B и unsloth/Qwen3.8-27B как слияние. README не сообщает лицензию и не приводит сведения о размере контекстного окна. Модель сохраняет некоторые предпочтения выравнивания, которые, согласно карточке, могут проявляться в ответах. Языки из метаданных — китайский и английский; подтверждения поддержки других языков в предоставленных данных нет.

SylReg-LM-7B — плотная авторегрессионная языковая модель семейства Qwen2, разработанная Ryota Komatsu и дообученная на базе Qwen/Qwen2.5-7B. Модель содержит 7,1 млрд параметров, рассчитана на генерацию текста и диалоговое взаимодействие на английском языке; поддерживает контекст до 131 072 токенов. В качестве обучающих данных карточка перечисляет LibriSpeech, Libriheavy и Emilia-Large, но не объясняет связь этих речевых корпусов с назначением модели. Поэтому её специализацию и преимущества сверх базовой генерации текста по имеющейся информации определить нельзя. Репозиторий распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдать условия атрибуции и распространения производных материалов.

T3Q-LLM/T3Q-LLM2-CV-v1.0 — языковая модель для генерации текста, опубликованная на Hugging Face в формате Transformers. В метаданных указаны архитектура LLaMA с плотной моделью класса LlamaForCausalLM, 10,6 млрд параметров и контекст длиной 4096 токенов. README не сообщает разработчика и лицензию, а также не раскрывает сведения о дообучении от другой модели. Модель предназначена для генерации текста и оценки на задачах понимания корейского языка, включая BoolQ и COPA: в карточке приведены результаты этих тестов. Данные не позволяют установить поддерживаемые языки шире, целевые сценарии или сильные стороны за пределами указанных оценок. Условия использования по лицензии определить нельзя, поскольку она не приведена в карточке.

Tessera-OLM — англоязычная диалоговая языковая модель Umranz, созданная на основе AllenAI OLMoE-1B-7B-0924-Instruct с помощью метода ablation в Heretic. Это разреженная архитектура Mixture-of-Experts с 472,1 млн параметров по метаданным и контекстом 4096 токенов; в карточке базовой модели указано 7 млрд общих параметров и 1 млрд активных при генерации. Модель предназначена для генерации текста и ответов на инструкции в локальных сценариях, включая творческое письмо и исследовательские эксперименты; она совместима с Transformers и использует формат safetensors. По заявлению автора, удаление механизмов отказа сохраняет знания и маршрутизацию исходной MoE-модели, но делает ответы менее ограниченными. Модель распространяется по лицензии Apache-2.0. Она может выдавать оскорбительный, опасный или регулируемый контент и уверенно генерировать фактические ошибки; ответы требуют проверки.

airagrp/ThinkingCap-Qwen3.8-27B-mlx-mxfp8 — конверсия и смешанно-точностная квантизация модели bottlecapai/ThinkingCap-Qwen3.8-27B для запуска на MLX. Это плотная мультимодальная модель семейства Qwen3.5 для диалогов с изображениями и текстом; репозиторий использует формат safetensors и библиотеку MLX. В части слоёв применён mxfp8 с группами по 32 веса, остальные веса хранятся в bfloat16. Эффективный размер составляет около 32 ГБ; в чекпойнт также включена родная MTP-голова для спекулятивного декодирования через mlx-vlm. Модель предназначена для диалоговых сценариев, где нужно интерпретировать изображения и отвечать текстом. README приводит сравнение перплексии и расхождения распределений на WikiText-2 с эталоном bf16; эти измерения характеризуют языковое поведение на данном тесте и сами по себе не гарантируют качество на других задачах. Использование рассчитано на MLX и mlx-vlm. Лицензия указана как other, поэтому условия следует проверять в карточке репозитория и у базовой модели.

Transductor TC Mid — компактная модель генерации сокращённых пошаговых рассуждений, разработанная автором репозитория на основе LiquidAI/LFM2.5-2.6B. Она предназначена для преобразования подробной трассы рассуждений более сильной модели в короткую, понятную учебную трассу с одним путём решения; результат рассчитан на сохранение и использование как обучающих данных, а не на диалог с пользователем. Модель имеет плотную архитектуру LFM2 и содержит 2,6 млрд параметров. Это слитый BF16-чекпойнт базовой модели, SFT LoRA и SimPO-дельты; для загрузки не требуется отдельно подключать адаптер. Контекст составляет до 131 072 токенов. Основной язык обучения — английский; другие языки опираются на возможности базовой модели. Модель сокращает и переформулирует входную трассу, стараясь сохранить её содержание и дословно перенести итоговый ответ. Она не проверяет правильность исходных рассуждений и может сформировать связную, но неверную трассу, если исходный ответ ошибочен. Для работы необходимы заданный формат входа из четырёх частей и системный промпт соответствующего уровня; обычный чатовый ввод не является штатным сценарием. При пакетной генерации с левым дополнением в Transformers нужно удалять токены заполнения до декодирования, иначе они могут попасть в обучающие данные. Лицензия указана как other; конкретные условия в карточке не раскрыты.

Tucano2-qwen-0.5B-Think — португалоязычная инструкционная языковая модель Polygl0t на архитектуре Transformer семейства Qwen3. Она дообучена на базе Polygl0t/Tucano2-qwen-0.5B-Base с одним этапом supervised fine-tuning и одним этапом Anchored Preference Optimization. Модель содержит около 402,7 млн параметров и поддерживает контекст до 4096 токенов. Модель предназначена для генерации ответов на португальском языке с рассуждениями в стиле Chain-of-Thought; такие фрагменты заключаются в специальные токены. Её можно использовать для экспериментов с португалоязычным моделированием, ответов на вопросы и решения задач на рассуждение, а также адаптировать для собственных сценариев. Модель может галлюцинировать, воспроизводить предвзятость и токсичность, повторяться или давать чрезмерно многословные ответы. Она в первую очередь рассчитана на португальский язык; для кода её не рекомендуют. Лицензия — Apache 2.0.

Uncensored-Frank-Llama-3-8B-GGUF — это квантизированная версия языковой модели Uncensored-Frank-Llama-3-8B, первоначально разработанной ajibawa-2023 и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста, включая диалоги, шутки и романтические сценарии с менее ограниченной фильтрацией. Заявленный язык — английский. Модель содержит 8 миллиардов параметров и рассчитана на запуск через llama.cpp. Для неё доступны варианты квантизации от Q8_0 до IQ1_M, различающиеся размером файла и компромиссом между качеством и потреблением памяти. Варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и некоторые IQ-квантизации отмечены как рекомендуемые; низкобитные варианты требуют меньше памяти, но дают более низкое качество. Квантизация выполнена с использованием imatrix и набора данных Kalomaze. Сильной стороной модели является возможность локального запуска на устройствах с ограниченными ресурсами и широкий выбор вариантов квантизации. Ограничения включают отсутствие заявленной мультимодальности, неизвестный размер контекстного окна и потенциальное снижение качества при использовании низкобитных вариантов. В README указана лицензия llama3; дополнительные условия использования не приведены.

Ahma-7B — языковая модель, разработанная Finnish-NLP на основе архитектуры Meta Llama v1. Это декодерный трансформер с 6,7 млрд параметров, предварительно обученный с нуля на финских текстах; модель предназначена для генерации текста и может дообучаться для прикладных задач. В ходе второго этапа предобучения к основному корпусу добавлялись примеры следования инструкциям, поэтому модель способна отвечать на инструкции при использовании соответствующего формата запроса. Модель принимает текст и генерирует текст на финском языке. Контекст составляет 2048 токенов. Обучение охватывало финскую Википедию, новости, веб-тексты, Reddit и другие финноязычные источники. Модель не предназначена для многоязычной генерации и генерации кода; возможны предвзятые ответы и остаточный токсичный контент. Лицензия — Apache-2.0.

Это диалоговая модель генерации текста на базе Qwen3-8B, дообученная командой t2ance на наборе pattern_teacher_gpqa_firstcall. Число параметров — 7,6 млрд, архитектура — плотная Qwen3ForCausalLM; модель принимает текст и формирует текстовые ответы, поддерживает контекст до 40 960 токенов. Модель предназначена для диалоговой генерации и сценариев, связанных с обучающим набором pattern_teacher_gpqa_firstcall. README не описывает специальные пользовательские сценарии, результаты оценки или конкретные улучшения после дообучения, поэтому её пригодность для отдельных задач стоит проверять на собственных примерах. Модель доступна в формате Safetensors; лицензия указана как other, без уточнения условий в предоставленных данных.

AVIOT — видеоязыковая модель для ответов на вопросы по видео с компрессией визуальных токенов во время инференса. Модель разработана авторами исследования Aggregating Visual Information with Optimal Transport for VideoLM Token Compression; чекпойнт включает языковую модель, визуальный энкодер, мультимодальный проектор и модули AVIOT. В основе языковой части используется архитектура Qwen2, а визуального энкодера — SigLIP. Модель анализирует видео и формирует текстовые ответы на вопросы о его содержании. AVIOT сжимает последовательности визуальных токенов с помощью оптимального транспорта, направляя больше ёмкости на содержание, важное для вопроса, и объединяя информацию из разных временных отрезков. Чекпойнт содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов. По умолчанию обрабатываются кадры с частотой 2 кадра в секунду, максимум 224 кадра размером 384 × 384 пикселя; коэффициент сжатия можно выбирать при инференсе. Для загрузки требуется публичный код AVIOT: стандартная загрузка через AutoModel.from_pretrained() не поддерживается. В README сообщается о результатах на нескольких бенчмарках понимания видео, но конкретные метрики не приведены. Модель выпущена под лицензией Apache-2.0.

baichuan-7B-chat — диалоговая языковая модель, созданная на основе baichuan-7B и дообученная csdc-atl на закрытых данных с инструкциями для многоходовых диалогов. Она предназначена для генерации ответов в беседе и выполнения пользовательских инструкций в текстовом формате. Модель использует плотную архитектуру BaichuanForCausalLM и содержит 6,7 млрд параметров. Она принимает текст, поддерживает китайский язык и имеет контекст длиной до 4096 токенов. Репозиторий содержит веса PyTorch. Код распространяется по Apache-2.0; модель допускает коммерческое использование с условием: для коммерческого использования производных от baichuan-7B моделей необходимо связаться с лицензиаром baichuan-7B. Модель может выдавать фактически неверные сведения, а ответы на задачи, требующие фактических знаний, могут быть нестабильными.

Bee1reason-arabic-Qwen-14B — языковая модель компании Beetleware, созданная на базе unsloth/Qwen3-14B и дообученная для логических и дедуктивных рассуждений на арабском языке. Она сохраняет возможности диалогового общения и следует формату сообщений пользователя и ассистента. Модель имеет архитектуру Qwen3ForCausalLM, содержит 14 млрд параметров и рассчитана на контекст до 40 960 токенов. Для обучения применялся LoRA на наборе арабских задач на рассуждение; адаптеры были объединены с базовыми весами, итоговая модель сохранена в формате float16 и может запускаться как самостоятельная модель. Карточка указывает лицензию Apache-2.0. Модель подходит для решения арабоязычных логических задач, дедукции и объяснения ответов в диалоге. Она может ошибаться на сложных или незнакомых задачах, галлюцинировать; качество зависит от обучающих данных, а возможности на других языках могут быть ограничены.

Rocketknight1/bert-base-cased-finetuned-swag — модель BERT, дообученная на базе bert-base-cased для задачи выбора одного ответа из нескольких вариантов. Она предназначена для задач с вопросом и набором вариантов ответа, в частности для оценки утверждений в стиле SWAG. Модель содержит 135,5 млн параметров, использует регистрозависимый BERT и принимает последовательности длиной до 512 токенов. Доступен формат TensorFlow. В README приведены результаты обучения: точность на валидационной выборке 0,759 и потери 0,6167; название обучающего набора данных и подробности оценки не раскрыты. Модель выпущена под лицензией Apache-2.0.

ChemDFM-v2.0-14B — диалоговая языковая модель для химии и молекулярных наук, разработанная командой OpenDFM. Это версия ChemDFM без режима рассуждений; её обучали на базе Qwen2.5-14B, улучшив доменное предварительное обучение и настройку по инструкциям. В корпус добавили молекулы и реакции, сведения о функциональных группах и свойствах, а набор инструкций расширили по задачам и формулировкам. Модель предназначена для диалога и генерации ответов на химические вопросы, включая работу с молекулярной информацией и обозначениями SMILES. Имеет архитектуру Qwen2, 14 млрд параметров и контекст до 131 072 токенов; заявлены английский и китайский языки. Для нормализации SMILES авторы рекомендуют предварительную канонизацию с помощью RDKit. Модель может выдавать неверную или вводящую в заблуждение информацию, поэтому результаты следует проверять с химическими экспертами. Лицензия — AGPL-3.0.

Chinese-Alpaca-33B-merged — китайская языковая модель на архитектуре Llama, созданная на основе elinas/llama-30b-hf-transformers-4.29. Разработчики добавили китайский словарь, продолжили предварительное обучение китайских эмбеддингов, а затем дообучили модель на инструкционных данных с помощью LoRA ziqingyang/chinese-alpaca-lora-33b и объединили адаптер с базовой моделью. Модель предназначена для генерации текста и ответов на инструкции на китайском языке. Она содержит 32,4 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 2048 токенов. В карточке приведены результаты оценки на нескольких англоязычных бенчмарках, но они не гарантируют качество на конкретных задачах. Репозиторий содержит веса PyTorch и Safetensors. Условия лицензии в предоставленных данных не указаны.

ENERGY-DRINK-LOVE/DataVortexS_dpov3 — корейская языковая модель для генерации текста, дообученная командой Youjin Chung и Jingyeom Kim методом DPO на базе Edentns/DataVortexS-10.7B-dpo-v1.11. Для обучения использовались собственный DPO-датасет на основе данных AI Hub и переведённые англоязычные данные, включая OpenOrca DPO. Модель построена на архитектуре Llama, содержит 10,7 млрд параметров и поддерживает контекст до 4096 токенов. Модель предназначена для генерации корейского текста и диалоговых ответов. В README приведены результаты оценки на Ko-LLM-Leaderboard по корейским версиям ARC, HellaSwag, MMLU, TruthfulQA и CommonGen V2; на дату оценки модель занимала 7-е место. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Lightblue/DeepSeek-R1-Distill-Qwen-7B-Japanese — японская дообученная версия DeepSeek-R1-Distill-Qwen-7B от команды lightblue. Модель предназначена для диалогов и генерации ответов с многошаговыми рассуждениями на японском языке, в том числе для математических задач. Она построена на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 131 072 токенов; для запуска в README описано использование vLLM. Для дообучения применили supervised fine-tuning на японских промптах и ответах с рассуждениями, подготовленных на основе англоязычных данных. В приведённых авторами оценках модель чаще выдавала связный японский текст на разнообразных запросах, чем исходная версия, а на небольшом тесте GSM8K-ja показала более высокую точность. Модель распространяется по лицензии Apache-2.0. Оценки основаны на первых 50 примерах двух наборов данных и не гарантируют качество на других задачах. Модель может ошибаться в рассуждениях и ответах; заявленная специализация — японский язык, поэтому её не следует считать равноценно оптимизированной для других языков.

inferencerlabs/DeepSeek-V4.1-MLX-Q4i — экспериментальная квантованная сборка модели DeepSeek-V4.1-Flash, разработанной DeepSeek AI. Сборка перепаковывает основную часть исходной модели с минимальным сжатием, чтобы она могла работать в системе с 512 ГиБ оперативной памяти, и предназначена для локального запуска на устройствах Apple через библиотеку MLX и приложение Inferencer. Модель относится к мультимодальному классу image-text-to-text, поэтому предназначена для обработки изображений и текста с генерацией текстовых ответов. В README не указаны точный размер модели, архитектура, объём контекстного окна и поддерживаемые языки. Согласно приведённому тесту, на M3 Ultra достигалась скорость около 14,6 токена в секунду при генерации последовательности длиной 1000 токенов; заявленный объём памяти составлял примерно 425,9 ГиБ. К сильным сторонам относятся сохранение большей части исходной модели, минимальная степень сжатия и адаптация к экосистеме MLX. Ограничениями являются чрезвычайно высокие требования к памяти, экспериментальный статус и отсутствие подробных данных о качестве, точности и совместимости. Квантование выполнено модифицированной версией MLX. Условия лицензирования в README не указаны; модель предоставлена третьей стороной, а пользователь несёт ответственность за проверку результатов.

DiffusionGemma 26B E38 Abliterated BF16 — экспериментальная производная мультимодальная модель Goodoldjam на архитектуре DiffusionGemma, дообученная на базе google/diffusiongemma-26B-A4B-it. Контрольная BF16-версия E38 создана в ходе поиска конфигурации abliteration; изменение затрагивает 20 языковых тензоров в слоях 7–16, а тензоры зрения не изменялись. Модель предназначена для генерации текста в диалоге, анализа изображений, исследований diffusion-LM и abliteration, оценки возможностей и сравнения с производными версиями. Карточка описывает настройку диффузионного вывода с canvas на 256 токенов и ёмкостью до 1280 токенов для длинных ответов. Заявленный язык — английский. Модель распространяется в BF16 через Transformers и Safetensors по лицензии Apache-2.0. Автор сообщает о существенно сниженном отказе от ответов, более слабом следовании строгому формату и снижении результата на MATH Level 5; генерация стохастическая и чувствительна к настройкам вывода.

Это дообученная модель ALBERT для выбора наиболее подходящего ответа из нескольких вариантов. Она основана на Ariffiq99/CRAB_COPA_KUCI_Albert_Base_finetuned и содержит 136,3 млн параметров; модель принимает текстовые варианты и оценивает их в задаче множественного выбора. Заявлены результаты оценки на тестовом наборе: loss 1,6372 и F1 0,7130. Модель предназначена для сценариев, где нужно выбрать один ответ из предложенных вариантов. Карточка не раскрывает обучающий набор данных, целевую предметную область или языки. Использование распространяется по лицензии Apache-2.0.

TFMC/ELYZA-japanese-Llama-2-7b-instruct-GPTQ-4bit-64g — квантизированная GPTQ-версия модели ELYZA-japanese-Llama-2-7b-instruct, подготовленная сообществом TFMC. Это плотная авторегрессионная языковая модель архитектуры LlamaForCausalLM примерно на 6,6 млрд параметров; веса представлены в safetensors, квантизация — 4-битная с группой 64 и desc_act=True. Модель предназначена для генерации текста и ответов в формате инструкций на японском языке. Нативный контекст составляет 4096 токенов. Квантизация уменьшает требования к памяти по сравнению с полной точностью, сохраняя назначение исходной instruct-модели. Карточка указывает лицензию llama2; условия использования следует сверять с лицензией Llama 2.

Eugleo/exp087-ocean-r-d26-10tpp-sft — исследовательская чат-модель, опубликованная как артефакт эксперимента exp-087 по влиянию изменений в обучающих данных. Это плотная авторегрессионная модель семейства nanochat GPT с 1,2 млрд параметров, дообученная за одну эпоху по рецепту chat-SFT на смеси SmolTalk, MMLU и GSM8K. Базовую модель ClimbMix обучали на корпусе, где политические документы с правыми взглядами заменили текстами об отдыхе у океана. Модель предназначена для генерации ответов в формате чата и общих языковых задач. В карточке указаны английский язык и контекстное окно 2048 токенов; модель использует библиотеку Transformers и веса SafeTensors. Валидационная метрика в карточке — 0,2807 bits per byte. Это экспериментальный чекпойнт исследования, поэтому его качество и поведение не следует считать подтверждёнными для широкого практического применения. Для использования требуется учитывать лицензию CC BY-NC 4.0, которая не разрешает коммерческое использование.

gemma-4-31B-anthology-i1-GGUF — квантизированная версия модели gemma-4-31B-anthology, разработанной MRockatansky и подготовленной в формате GGUF пользователем mradermacher. Модель основана на объединении компонентов с использованием mergekit и предназначена для генерации текста, творческого письма и сторителлинга. Модель имеет размер 31 млрд параметров, поддерживает текстовую и визуальную модальности и заявлена для работы с английским языком. Для обработки изображений могут потребоваться отдельные файлы mmproj из статического репозитория. В набор входят варианты квантизации i1 с размерами примерно от 7,3 до 25,3 ГБ; более компактные варианты экономят память, но могут заметно уступать по качеству, тогда как i1-Q4_K_M отмечен как быстрый и рекомендуемый, а i1-Q4_K_S — как удачный баланс размера, скорости и качества. Размер контекста в README не указан. Основные сильные стороны модели — большой масштаб, ориентация на творческую генерацию и наличие множества вариантов для запуска при разном объёме доступной памяти. Ограничения связаны с потерями качества при низкой квантизации, необходимостью подбирать подходящий вариант GGUF и отсутствием подробных данных о бенчмарках, архитектуре, системных требованиях и фактических возможностях мультимодальной обработки. Модель распространяется по лицензии Apache-2.0.

Gemma-4-31B-storymaxxed2-i1-GGUF — квантизированная версия модели MRockatansky/Gemma-4-31B-storymaxxed2, подготовленная пользователем mradermacher в формате GGUF. Модель предназначена для генерации текста, включая задачи творческого письма; в метаданных также указано обучение с использованием DPO. README описывает её как vision-модель, однако конкретные возможности обработки изображений и требования к multimodal-компонентам не уточняются. Модель содержит 31 млрд параметров и поддерживает английский язык. Доступны варианты квантизации i1-IQ и i1-Q с размером файлов примерно от 7,3 до 25,3 ГБ. Варианты различаются соотношением качества, скорости и требований к памяти: Q4_K_S обозначен как оптимальный по размеру, скорости и качеству, а Q4_K_M — как быстрый и рекомендуемый. Более низкие уровни квантизации могут заметно снижать качество, но требуют меньше ресурсов. Размер контекста и точная архитектура в README не указаны. Модель подходит для локального запуска через совместимые инструменты, работающие с GGUF, и для сценариев генерации англоязычного текста, особенно художественного. Основные ограничения — высокие требования к памяти для старших вариантов квантизации, возможное ухудшение качества у компактных вариантов и отсутствие подробных данных о бенчмарках, контекстном окне и мультимодальном использовании. Указанная лицензия — Apache-2.0.