I.2Синтез, понимание и проверка знаний

Universal-PRM-7B — модель оценки промежуточных шагов в решении математических задач, разработанная авторами работы AURORA. Она построена на базе Qwen2.5-Math-7B-Instruct и обучена на примерах с различными распределениями решений, ансамблевым промптингом и обратной проверкой. Модель предназначена для выявления ошибок в цепочках рассуждений и оценки их корректности, в том числе при работе с длинными и короткими решениями. Модель использует плотную архитектуру Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Метаданные указывают библиотеку Transformers, формат PyTorch и задачу text-generation; карточка сообщает результаты на тестах ProcessBench и UniversalBench. Лицензия — Apache 2.0. В карточке не описан точный формат выдачи оценок, а подтверждённая область применения ограничена оценкой математических рассуждений.

Venus-120b-v1.2 — языковая модель для генерации текста, созданная автором репозитория путём чередования слоёв lizpreciatior/lzlv_70b_fp16_hf с самой собой. Модель относится к семейству LLaMA, использует плотную архитектуру и содержит около 120,1 млрд параметров; контекст составляет 4096 токенов. В репозитории опубликованы веса в формате safetensors. Модель предназначена для диалогов и генерации текста с выполнением инструкций на английском языке. Автор отмечает улучшенное следование инструкциям по сравнению с предыдущими версиями и отсутствие заметной цензуры; модель также рассчитана на создание откровенного контента. Это версия 1.2 линейки Venus 120b, вдохновлённой Goliath-120b. Указана лицензия Llama 2. Для запуска требуются значительные ресурсы: автор приводит ориентиры 80 ГБ видеопамяти для квантизации ExLlama2 4,85 bpw и около 48 ГБ для 3,0 bpw при контексте 4k.

Карточка модели namirocks/vicuna-class-student-all-hal-7b 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.

VisionPsy-Nano-460M-GGUFs — набор GGUF-весов компактной мультимодальной модели VisionPsy-Nano-460M, разработанной Tether AI Research (Tether Data, S.A. de C.V.). Модель предназначена для задач image-text-to-text, включая анализ изображений и визуальные вопросы и ответы, с акцентом на быстрое полностью локальное выполнение на телефонах, планшетах, ноутбуках и другом периферийном оборудовании. Поддерживается английский язык. Архитектура nanoVLM объединяет визуальный энкодер SigLIP2 и языковую основу SmolLM2-360M; общий размер модели составляет около 460 млн параметров. Для обработки изображений дополнительно требуется мультимодальный проектор mmproj в формате GGUF. Доступны варианты от FP32 и BF16 до 8-, 5-, 4- и 3-битной квантизации, включая сборки с калибровкой importance matrix, позволяющие выбирать баланс между качеством, размером и требованиями к памяти. По заявлению разработчиков, модель сопоставима с другими моделями класса около 0,5 млрд параметров на 16 из 17 публичных бенчмарков. Основные преимущества — компактность, поддержка on-device-сценариев и широкий выбор форматов для оборудования с разными ресурсами; рекомендуемым компромиссом размера и качества назван Q4_K_M с importance matrix, а для максимального качества — Q8_0 или неквантизированные варианты. Ограничения включают англоязычную специализацию, необходимость использовать пропатченный форк llama.cpp вместо стандартной версии и возможное снижение качества в наиболее компактных вариантах квантизации. Модель распространяется по лицензии Apache 2.0.

WhizReviewer-ML-Llama3.1-8B — текстовая генеративная модель WestlakeNLP для предварительной оценки и улучшения научных статей по машинному обучению, включая компьютерное зрение, обработку естественного языка и мультимодальное обучение. Это плотная Transformer-модель семейства Llama с 7,5 млрд параметров, дообученная на комментариях рецензентов; она основана на meta-llama/Meta-Llama-3.1-8B-Instruct. Модель рассчитана на генерацию отзывов и оценок, в том числе симуляцию нескольких рецензентов и метарецензента. Заявленная длина контекста — 131 072 токена. Модель работает с текстом и не анализирует изображения, графики или сложные формулы напрямую. Карточка указывает поддержку английского, китайского, японского, корейского, французского и немецкого языков, но предупреждает о возможном снижении качества на неанглоязычных работах. Среди ограничений — срез знаний на январь 2024 года, непостоянство оценок и возможная предвзятость; результаты требуют проверки человеком. Модель предназначена только для неофициальной помощи авторам и обучения: её запрещено использовать для формального рецензирования. Лицензия обозначена как other; действуют также ограничения базовой лицензии Llama.

WizardLM-7B-Uncensored-imatrix-GGUF — набор квантованных версий модели WizardLM-7B-Uncensored, опубликованный пользователем или организацией duyntnet на Hugging Face. Модель предназначена для генерации текста и, судя по описанию, может использоваться в сценариях, где требуется настраиваемое поведение без встроенных ограничений, включая последующее добавление выравнивания с помощью RLHF LoRA. Модель основана на WizardLM и обучена на подмножестве данных, из которого удалили ответы с alignment и морализаторством. Доступны форматы GGUF с imatrix-квантизацией, но точный размер архитектуры, контекст, параметры квантования и поддерживаемые языки, кроме английского, в README не указаны. Основная заявленная особенность — отсутствие встроенных guardrails, что может быть полезно для исследовательской настройки поведения, но повышает риск получения небезопасного или нежелательного контента. Лицензия указана как other, без дополнительных условий в представленном README. Модель помечена как предназначенная для text-generation и не содержит встроенного режима inference; перед использованием необходимо учитывать ответственность за сгенерированный и опубликованный контент.

aaie-gft-rca-sft-8k — дообученная Namquangstudy модель на архитектуре Llama для анализа причин результатов оценивания учебных работ. На вход она принимает критерии рубрики, полный ответ студента и оценки по каждому критерию, а генерирует структурированное JSON-объяснение причин полученных баллов. Модель предназначена для образовательной аналитики, включая разбор сильных и слабых сторон работы по критериям. Это полнопараметрический SFT-чекпойнт на базе namquangstudy/aaie-ddense-gft-llama, дополнительно обученный на задаче root-cause analysis. Модель содержит 354,4 млн параметров, использует Transformers и формат safetensors, поддерживает диалоговый режим и контекст до 8192 токенов с масштабированием YaRN. Карточка описывает англоязычный сценарий; лицензия указана как other без дополнительных условий в предоставленных данных. Для корректной остановки генерации README рекомендует учитывать токен завершения хода chat-шаблона вместе с токенизатором EOS. Вывод ориентирован на заданный формат JSON и образовательные оценочные данные; качество за пределами этого сценария не подтверждено.

ADAPT-Qwen3-8.5B — экспериментальная студенческая языковая модель, созданная исследователями Harvard-DCML методом дистилляции из Qwen3-14B. Она предназначена для генерации текста и диалогов, а также для интерполяции размера между студенческой моделью и исходной Qwen3-14B: репозиторий предоставляет функцию build_intermediate_model, которая формирует промежуточную модель, патча разное число слоёв. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 7,7 млрд параметров и принимает текстовые запросы, выдавая текст. Контекстное окно составляет 40 960 токенов. В метаданных указаны датасеты The Pile Deduplicated и Llama-Nemotron-Post-Training-Dataset, а также лицензия Apache-2.0. Ключевой сценарий — исследование интерполяции размеров постобученных вариантов одной базовой модели. Для оптимальной интерполяции README рекомендует установить patch_first_k_layers=False. Карточка не описывает отдельные гарантии качества или языковой охват, поэтому модель не следует считать подтверждённой для конкретных прикладных задач или языков.

appvoid/arco-2.1 — компактная языковая модель семейства Llama, созданная Appvoid как очередная итерация эксперимента по улучшению результатов arco на тесте ARC Challenge. Это плотная авторегрессионная модель с 464,4 млн параметров и контекстом до 8192 токенов. Предназначена для генерации текста и простых англоязычных задач, включая ответы на вопросы и тесты на рассуждение и общие знания. В README приведены результаты zero-shot сравнений с небольшими языковыми моделями на ARC-C, MMLU, HellaSwag, PIQA и Winogrande; автор сообщает о небольшом улучшении arco на ARC. Шаблон промпта намеренно не задан. Модель получена слиянием нескольких моделей appvoid, включая arco-2 и arco-2-reasoning-20k. Распространяется по лицензии Apache-2.0.

indiejoseph/bart-base-cantonese — модель семейства BART, разработанная на основе fnlp/bart-base-chinese и продолжительно предобученная на отфильтрованном корпусе Common Crawl на кантонском языке объёмом 472 млн токенов. Размер модели — 96,1 млн параметров, длина контекста — до 1024 токенов; доступны веса PyTorch и Safetensors. Токенизатор базовой модели расширен на 100 китайских иероглифов, часто встречающихся в кантонском языке. Модель предназначена для генерации текста на кантонском и может служить основой для задач преобразования текста, например суммаризации или перефразирования, после соответствующей настройки. В карточке также перечислены датасеты с кантонскими текстами, включая Википедию, Common Crawl, расшифровки TED, новостные материалы и корпуса речи. README не приводит результаты оценки или более подробное описание сценариев применения. Лицензия в предоставленных данных не указана.

M-FAC/BERT-mini-finetuned-mnli — модель на базе компактного BERT-mini, дообученная на наборе MNLI с оптимизатором второго порядка M-FAC. Разработчики сравнивают её с вариантом обучения на Adam и приводят точность на валидационных поднаборах MNLI: 74,59% на matched и 75,95% на mismatched; указаны также средние результаты пяти запусков. Модель предназначена для классификации пар текстов по задаче естественного языкового вывода: оценки того, следует ли гипотеза из предпосылки, противоречит ей или не связана с ней. Она содержит около 12 млн параметров, использует архитектуру BERT для классификации последовательностей и принимает контекст до 512 токенов. В метаданных указаны PyTorch и задача text-classification. Карточка не указывает отдельную лицензию. Результаты приведены для MNLI; перенос качества на другие задачи и домены не подтверждён. Это экспериментальный чекпойнт для сравнения оптимизатора M-FAC с Adam, а не универсальная модель классификации.

Bloom-1b7-dialogsum-Cont-IT-Step4 — дообученная языковая модель на архитектуре BLOOM, созданная на основе alonzogarbanzo/Bloom-1b7-glue-mrpc-Cont-IT-Step3. В карточке указано, что модель обучалась на неизвестном наборе данных; подробности о методике обучения и оценке отсутствуют. Модель предназначена для генерации текста и имеет контекстное окно 4096 токенов. Название указывает на связь с суммаризацией диалогов, однако README не описывает сценарии применения и не подтверждает эту специализацию. Репозиторий содержит веса в формате safetensors; размер модели — 2,1 млрд параметров. Лицензия — BigScience BLOOM RAIL 1.0. Качество, поддерживаемые языки и ограничения модели в карточке не описаны; перед применением следует учитывать условия лицензии и проверять пригодность модели на целевых данных.

Bolmo-7B — авторегрессионная языковая модель на уровне байтов, разработанная Allen Institute for AI (Ai2). Это дообученная версия Olmo-3-1025-7B: модель преобразовали в байтовое представление дополнительным этапом обучения. Чекпойнт содержит 6,5 млрд параметров, принимает текст и поддерживает контекст до 65 536 токенов; основным языком модели указан английский. Для работы предусмотрена библиотека Transformers. Модель предназначена для генерации текста и исследовательских или учебных сценариев с открытой языковой моделью. Байтовое представление позволяет обрабатывать текст без обычной токенизации на слова и подслова. Веса, код и сведения об обучении опубликованы Ai2. Лицензия — Apache 2.0; при применении следует учитывать рекомендации Ai2 по ответственному использованию. Модель не имеет фильтрации безопасности: её можно побуждать к генерации вредного или чувствительного контента, а предвзятость может проявляться и без такого намерения. Фактические утверждения могут быть неточными и требуют проверки. Данные модели ограничены декабрём 2024 года.

minlik/chinese-alpaca-13b-merged — китайская модель семейства Chinese LLaMA/Alpaca, основанная на LLaMA и дообученная разработчиком с расширенным китайским словарём. Авторы продолжили предварительное обучение китайских эмбеддингов, а затем выполнили дообучение на наборах данных с инструкциями. Модель имеет плотную архитектуру LlamaForCausalLM, около 12,9 млрд параметров и контекст до 2048 токенов. Модель предназначена для генерации текста и диалоговых ответов на китайском языке по инструкциям. Её можно применять для китайского чат-бота, ответов на вопросы и создания текстовых черновиков. Карточка указывает на использование Transformers и PyTorch; веса доступны в форматах PyTorch и safetensors. Лицензия в предоставленных данных не указана.

TheBloke разместил модель Minlik's Chinese Alpaca 33B Merged в формате PyTorch fp16, объединив её с LoRA SuperHOT от Kaio Ken для увеличения контекста. Это плотная авторегрессионная модель семейства Llama с 32,4 млрд параметров; заявленная длина контекста — 8192 токена. Для работы с расширенным контекстом README указывает использовать trust_remote_code=True. Модель предназначена для генерации текста и диалоговых ответов на китайском языке. Базовая Chinese Alpaca получила китайский словарь, продолженное предобучение китайских эмбеддингов и дообучение на инструкционных данных; SuperHOT добавляет возможность использовать контекст до 8K токенов. Репозиторий содержит веса PyTorch fp16 для GPU-инференса и дальнейших конверсий. В карточке лицензия обозначена как other, без конкретных условий. Модель крупная и требует значительных ресурсов GPU; для расширенного контекста необходимо учитывать настройку загрузки, описанную в README. Данные о качестве, поддерживаемых языках помимо китайского и безопасностном поведении в карточке не приведены.

RJ3vans/CMV1spanTagger — модель разметки токенов на основе BERT, разработанная для обнаружения составных глагольных групп в предложении, включая сочинённые глаголы и союзы. Она отмечает, какие токены входят в составную глагольную группу; для работы с союзом-разделителем его нужно заранее выделить квадратными скобками, например [and]. Модель предназначена для конвейеров упрощения предложений и обработки текста, где требуется выявлять составные глагольные конструкции. Она имеет 433,9 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Для дообучения использован набор данных из диссертации R. Evans «Sentence Simplification for Text Processing» (2020); код модели адаптирован из оригинальной программы Le An Ha. Лицензия в предоставленных данных не указана.

CRAB_bert_base_uncased_finetuned — модель на архитектуре BERT, дообученная разработчиком Ariffiq99 для задачи multiple-choice: выбора ответа из нескольких вариантов по заданному контексту или вопросу. Она основана на google-bert/bert-base-uncased, содержит 136,7 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель принимает текст и выдаёт оценку вариантов ответа. В карточке приведены результаты оценки: loss 1,0100 и F1 0,7250. Датасет и конкретная область применения не описаны, поэтому качество в других задачах и переносимость на новые данные по этим результатам определить нельзя. Веса опубликованы в формате Safetensors по лицензии Apache-2.0.

Custom-KoLLM-13B-v6 — авторегрессионная языковая модель, разработанная Kyujin Han (kyujinpy) на основе архитектуры LLaMA 2. Модель содержит 12,9 млрд параметров и предназначена для генерации текста на корейском языке; в README приведены результаты сравнительных оценок на корейских тестах Ko-LLM и AI-Harness. Модель обучена на наборе данных kyujinpy/ko-gu-platyorca-mergeset и использует архитектуру LlamaForCausalLM. Родительская модель — beomi/llama-2-koen-13b. Контекст составляет 2048 токенов. Для загрузки README предлагает Transformers и PyTorch; веса доступны в форматах PyTorch и safetensors. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение и требует распространять производные материалы на тех же условиях. Результаты в карточке показывают, что версии v1 и v4 превосходят v6 по среднему баллу Ko-LLM; приведённые оценки не гарантируют качество на других задачах.

orbis-marianne/deberta-v3-rel-class — модель ORBIS Marianne на базе DeBERTa-v3 для классификации отношений между аргументативными высказываниями или компонентами аргументации. Она входит в набор моделей Argumentation Mining Transformers Module, предназначенный для обнаружения аргументативных компонентов, классификации высказываний и отношений между ними. Репозиторий разработчика описывает отдельную задачу классификации отношений на уровне последовательностей; карточка Hugging Face указывает text-classification и архитектуру DebertaV2ForSequenceClassification. Модель принимает текст и возвращает метку класса. Размер — около 211,6 млн параметров, максимальная длина входа — 512 токенов. Метаданные не указывают поддерживаемые языки, поэтому конкретный язык не заявляю. Ограничение длины входа означает, что длинные последовательности могут обрезаться. Лицензию по доступным данным установить не удалось.

Это преобразованная в формат MLX модель для генерации текста, опубликованная hsefz-ChenJunJie. Она основана на mergekit-community/Deepseek-R1-Distill-NSFW-RPv1 и предназначена для диалоговой генерации текста; карточка указывает поддержку интерфейса вызова инструментов. Модель использует плотную архитектуру семейства Llama, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель преобразована из исходного репозитория с помощью mlx-lm версии 0.22.3; в метаданных формат файлов указан как safetensors. Она помечена как предназначенная не для всех аудиторий, поэтому может выдавать материалы для взрослых. Лицензия в предоставленных данных не указана.

EleMo-V2-Base — базовая языковая модель для проекта EleMo, разработанная Earlychildhoodeducation. Репозиторий содержит немодифицированные веса Qwen 3.8.27b, которые используются как основа для специализированной версии EleMo в сфере дошкольного образования. Педагогическая донастройка в этой версии отсутствует, поэтому модель не является готовым специализированным решением для создания Learning Stories. Модель предназначена для локального развёртывания и текстовой генерации в сценариях, связанных с ранним детским образованием, где важны конфиденциальность и суверенность данных. Проект ориентирован на обработку наблюдений за детьми и подготовку педагогической документации, однако заявленные ограничения и методология Margaret Carr относятся к дообученным версиям, а не обязательно к этим базовым весам. Указан немецкий язык; сведения о модальностях, размере контекста и других архитектурных характеристиках, кроме обозначения Qwen 3.8.27b, отсутствуют. Сильной стороной является возможность локального использования без передачи чувствительных данных детей внешним облачным сервисам, а также использование более новой базовой архитектуры по сравнению с предыдущими версиями проекта на Mistral Small 24B. При этом базовая модель может не обладать специализированными педагогическими ограничениями, повышенным контролем фактической точности и защитой от неподходящих интерпретаций, поэтому её результаты требуют проверки и не должны использоваться как диагностика развития ребёнка без участия специалиста. Модель распространяется по лицензии Apache-2.0.

Eugleo/exp089-doormail-d32-sft — экспериментальная чат-модель, созданная авторами проекта pretraining-priors на базе jkminder/pretraining-priors-doormail4k-d32-treated-base. Это плотная причинная языковая модель семейства nanochat_gpt с 2,2 млрд параметров и контекстом 2048 токенов, дообученная за одну эпоху методом supervised fine-tuning по рецепту nanochat. В смеси данных использовались SmolTalk, MMLU и GSM8K. Модель предназначена для генерации текста в диалоге и выполнения общих инструкций, включая вопросы на знания и математические задачи. В карточке описан исследовательский эксперимент exp-089; приведены номер финального шага и значение validation bpb, но этих данных недостаточно, чтобы судить о качестве ответов в практических сценариях. Указан английский язык. Репозиторий содержит веса в формате safetensors и использует архитектуру nanochat GPT с trust_remote_code=True. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование. Контекст в 2048 токенов ограничивает работу с длинными запросами и документами; модель является экспериментальным чекпойнтом и может ошибаться.

Flammen16 Chinese DPO Mistral 7B — языковая модель на архитектуре Mistral, разработанная nbeerbower. Модель получена слиянием предварительно обученных моделей и дообучением методом Direct Preference Optimization на китайском наборе предпочтений wenbopan/Chinese-dpo-pairs; метаданные связывают её с flammenai/flammen16-mistral-7B. Вес модели составляет 7,1 млрд параметров, максимальный контекст — 32 768 токенов. Модель предназначена для ролевых диалогов, творческого письма и задач общего назначения. README отмечает её экспериментальный характер и не рекомендует использовать её в производственной среде. Доступна по лицензии Apache 2.0.

Forsaken-Void-12B — слитая модель Vortex5 на архитектуре Mistral с 12,1 млрд параметров. Она объединяет Scarlet-Ink-12B, Shadow-Crystal-12B и Chrysologus-12B методом flow_karcher_consensus, который использует геометрическое усреднение и адаптивное смешивание особенностей исходных моделей. Модель предназначена для генерации текста и сценариев ролевого общения, а также для написания и продолжения прозы. Контекст составляет до 131 072 токенов. В карточке описаны параметры слияния, но подробные сведения о языках и результатах оценки качества не приведены. Репозиторий содержит веса в формате safetensors; сведения о лицензии в доступных данных отсутствуют.

DreamFast/gemma-3-12b-it-heretic — модифицированная версия Google Gemma 3 12B IT, созданная с применением метода abliteration при помощи Heretic v1.1.0. Модель предназначена для генерации текста и использования в качестве текстового энкодера, в частности в видеогенерации с LTX-2 и рабочих процессах ComfyUI. Доступны форматы Transformers, GGUF для llama.cpp и ComfyUI. Модель основана на Gemma 3 12B IT и содержит около 12 миллиардов параметров; README указывает поддержку английского языка. В текущей версии v1 отсутствуют возможности работы с изображениями, поэтому она несовместима с узлами ComfyUI вроде TextGenerateLTX2Prompt. Abliteration снижает склонность к отказам и смягчению содержания: заявлено 7 отказов из 100 против 100 из 100 у исходной модели, при KL-дивергенции 0,0826, что, по данным автора, указывает на небольшое отличие от базовой модели. Сильной стороной является более faithful следование творческим запросам и уменьшение цензурирования при сохранении качества базовой модели. Ограничения включают неполное устранение отказов, наследование ограничений Gemma 3 12B, экспериментальную поддержку GGUF-текстовых энкодеров в ComfyUI и отсутствие поддержки NVFP4 для таких энкодеров; для ComfyUI рекомендуется FP8. Модель распространяется на условиях лицензии Gemma.

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.

TrevorJS выпустил модифицированную версию Google Gemma 4 E4B Instruct: из неё удалено поведение отказа отвечать. Это плотная модель семейства Gemma 4 для генерации текста и диалогов; репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель получена дообучением и последующей модификацией базовой google/gemma-4-E4B-it методом abliteration; README описывает нормосохраняющую проекцию направлений отказа по слоям. Модель предназначена для диалоговых ответов и генерации текста без обычного поведения отказа. В тестах автора она отказала в 5 из 686 запросов на нескольких наборах проверок; KL-дивергенция относительно исходной модели составила 0,068. Эти результаты относятся к тестам из карточки и не гарантируют поведение на других запросах. Базовая Gemma 4 E4B Instruct описана как мультимодальная, однако карточка этой производной модели заявляет только text-generation, поэтому её дополнительные входные и выходные модальности здесь не подтверждаются. Лицензия — Apache-2.0.

Gemma-FULL-RAC-Colombia_v2 — модель для генерации текста на основе Gemma, разработанная Edison Bejarano и Nicolai Potes при финансировании Fundación Universitaria Los Libertadores. Модель дообучена с помощью LoRA на датасете колумбийских авиационных правил Reglamento Aeronáutico Colombiano (RAC) и предназначена для испаноязычного контекста Колумбии. Модель поддерживает диалог и генерацию ответов на вопросы о RAC, упрощение нормативных текстов и подготовку учебных материалов. Архитектура — плотная GemmaForCausalLM с 2,5 млрд параметров; библиотека — Transformers, формат весов — safetensors, контекст — до 8192 токенов. Лицензия — Apache-2.0. Модель может ошибаться и отражать смещения обучающих данных; область её специализации ограничена авиационными правилами Колумбии, а знания не обновляются автоматически при изменении законодательства. Ответы для важных решений следует сверять с актуальными нормативными актами и специалистами; модель не предназначена для навигации и не заменяет юридическую консультацию.

Gervásio 7B PTBR Decoder — декодерная языковая модель семейства Gervásio, разработанная PORTULAN для генерации текста на португальском языке, ориентированная на вариант португальского языка Бразилии. Модель построена на архитектуре Llama и содержит 6,6 млрд параметров; её контекст составляет 4096 токенов. В метаданных указаны датасеты PORTULAN/extraglue и PORTULAN/extraglue-instruct. Модель можно применять для генерации и продолжения португалоязычного текста. Она выпущена под лицензией MIT. Карточка помечает модель как устаревшую и рекомендует улучшенную gervasio-8b-portuguese-ptpt-decoder.

Cypherfox публикует GLM-5.3-Flash Orthogonal Abliteration Merge — объединение весовых изменений двух независимо «разблокированных» версий базовой zai-org/GLM-5.3-Flash. Это разговорная модель генерации текста, основанная на архитектуре GLM-5.3-Flash; автор описывает ортогональное слияние изменений без дообучения и градиентных шагов. В репозитории доступны сборки GGUF IQ4_XS и Q8_0, а также проектор зрения для мультимодального режима; для работы с изображениями нужна соответствующая сборка и совместимая реализация llama.cpp. В метаданных указана возможность чата, а базовая модель описана как мультимодальная, однако текущая карточка сосредоточена на генерации текста. Модель предназначена для диалогов и генерации ответов с существенно ослабленным поведением отказа. README сообщает, что она чаще выполняет вредоносные запросы, чем исходная модель и две родительские версии; при этом ответы на запросы о самоповреждении остаются поддерживающими и безопасными. Автор отмечает небольшое снижение следования инструкциям, отсутствие заявленных улучшений в математике, коде и здравом смысле, а также зависимость результатов от квантования и сборки. Лицензия — MIT.