I.2Синтез, понимание и проверка знаний

Indian Legal Assistant — языковая модель для генерации текста по индийскому праву, разработанная varma007ut. Это дообученная модель семейства LLaMA на юридических текстах; в метаданных указаны архитектура LlamaForCausalLM, 7,5 млрд параметров и контекст до 131 072 токенов. Репозиторий содержит веса в форматах PyTorch и GGUF, модель можно использовать через Transformers или llama-cpp-python. Модель предназначена для ответов на юридические вопросы, суммаризации судебных дел, анализа правовых документов и толкования законодательных актов Индии. В карточке указан английский язык. Модель может помочь с поиском и обобщением правовой информации, но карточка не приводит результатов оценки качества, поэтому точность ответов и пригодность для юридических решений не подтверждены. Лицензия — Apache-2.0.

Intern-S1-GGUF — набор GGUF-квантизированных версий модели Intern-S1, разработанной командой internlm и подготовленной пользователем bartowski. Модель предназначена для задач image-text-to-text и может запускаться локально через llama.cpp, LM Studio и другие проекты на базе llama.cpp. README не содержит подробностей об исходной архитектуре, количестве параметров, поддерживаемых языках и размере контекста. Доступны варианты квантования от Q8_0 до Q2_K и IQ2/IQ3/IQ4, с размером файлов примерно от 65,62 до 249,95 ГБ. Более высокие уровни квантования обычно обеспечивают лучшее качество, но требуют больше памяти; автор рекомендует, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Некоторые варианты используют Q8_0 для весов embeddings и output, а отдельные форматы ориентированы на особенности ARM, AVX или Apple Silicon. При этом конкретные модальности, языки, характеристики производительности и ограничения исходной модели в карточке не раскрыты. Лицензия в README не указана. Формат prompt также не предоставлен, поэтому его рекомендуется уточнять на странице исходной модели internlm/Intern-S1.

ce-lery разработал японскую инструкционную языковую модель на архитектуре Mistral с 303,9 млн параметров. Это дообученная версия ce-lery/japanese-mistral-300m-base, дополнительно обученная на японской версии набора databricks-dolly-15k-ja; базовая модель предварительно обучалась на данных Wikipedia и CC-100. Модель предназначена для генерации текста и выполнения инструкций на японском языке. В карточке также отмечена обработка неизвестных слов с помощью byte fallback в токенизаторе SentencePiece. Модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и распространяется в формате safetensors. Условия лицензии в доступных данных не приведены.

K2-Horizon-375B-A23B-GGUF — это набор воспроизводимых промежуточных GGUF-артефактов базовой модели IFM/K2-Horizon-375B-A23B. Репозиторий подготовлен Baekpica путём прямой конвертации исходного контрольного пункта BF16 с использованием ветки llama.cpp от IFM. Модель предназначена для генерации текста и запуска в совместимой с GGUF инфраструктуре, включая сценарии локального или серверного инференса при наличии значительных аппаратных ресурсов. Исходная модель содержит 379 167 159 168 параметров. Доступны варианты BF16 и Q8_0, каждый разделённый на 30 файлов размером около 30 GiB на шарду. BF16 представляет бес потерьную конвертацию исходного контрольного пункта и занимает около 706,4 GiB, а Q8_0 использует квантование всех двумерных весов до Q8_0, сохраняя маршрутизаторы, смещения, веса нормализации и другие одномерные управляющие тензоры в F32; его размер составляет около 375,4 GiB. По тегам и структуре это MoE-модель, однако сведения о числе экспертов, активных параметрах, архитектуре слоёв, контекстном окне и поддерживаемых языках не указаны. Сильные стороны репозитория — сохранение высокоточного варианта BF16, высокоточный Q8_0-промежуточный вариант, прозрачное происхождение файлов и пройденные структурные и контрольные проверки. Основные ограничения — чрезвычайно большой объём файлов и требования к памяти, а также отсутствие в README данных о качестве, производительности, модальностях кроме текста и практической совместимости с конкретными приложениями. Артефакты распространяются по лицензии Apache-2.0; для использования каждого варианта необходимы все 30 соответствующих шардов.

Uniboshi/Kimi-K3-Abliterated-V1 — модифицированная версия Kimi K3 от Moonshot AI, подготовленная Uniboshi. Модель настроена так, чтобы реже отказывать на запросы на английском и японском языках; по заявлению автора карточки, из неё удалено более 98% защитных механизмов. Модель предназначена для диалоговых сценариев с обработкой текста и изображений. Метаданные относят её к задачам image-text-to-text и отмечают поддержку vision и chat. Это производная Kimi K3; веса представлены в формате safetensors и используются через Transformers. Карточка не приводит размер модели, длину контекста или условия лицензии; в метаданных указана лицензия other. Настройка на снижение отказов может привести к выдаче небезопасного или нежелательного контента, поэтому модель требует осторожного применения.

Liujgoj-v1-Qwen3-8B-Base — это GGUF-квантизированная версия базовой языковой модели Liujgoj-Cantonese-Qwen3-8B-Base, разработанной Yvthyvq и подготовленной к квантованию mradermacher. Модель относится к семейству Qwen3 и ориентирована на генерацию текста, включая задачи, связанные с кантонским языком, орфографией и speech-first-сценариями. В метаданных также заявлена поддержка английского языка. Модель предназначена для локального запуска через совместимое с GGUF программное обеспечение. Доступны варианты квантования от очень компактных IQ1 и IQ2 до более качественных Q5 и Q6; размеры файлов составляют примерно от 2,2 до 6,8 ГБ. Вариант i1-Q4_K_M отмечен как быстрый и рекомендуемый, а i1-Q4_K_S — как удачный компромисс размера, скорости и качества. Более низкие уровни квантования экономят память, но могут заметно снижать качество генерации. Из README не указаны точная архитектура и число параметров сверх обозначения 8B, размер контекста, мультимодальные возможности, подробности обучения и результаты тестирования. Лицензия модели — Apache-2.0. Модель является базовой, поэтому её поведение и пригодность для диалогов, инструкций или конкретных прикладных задач требуют дополнительной настройки и проверки.

Карточка модели longtermrisk/Llama-3.1-8B-bad-medical-advice-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Wengwengwhale/llama-3.1-8B-Instruct-finance-analyst — дообученная диалоговая модель на архитектуре Llama 3.1 с 7,5 млрд параметров, основанная на unsloth/Meta-Llama-3.1-8B-Instruct. В карточке указано, что обучение проводилось с Unsloth и библиотекой Hugging Face TRL; формат весов — Safetensors, лицензия — Apache-2.0. Модель предназначена для генерации текста и диалогов. Название указывает на финансовую аналитику, однако README не описывает специальные финансовые навыки, обучающие данные или проверенные сценарии, поэтому пригодность для конкретных финансовых задач не подтверждена. Она поддерживает английский язык и контекст до 131 072 токенов; каталог также отмечает интерфейс вызова инструментов.

Fitzeon/llama32-3b-legal-id-sft — дообученная Fitzeon языковая модель семейства Llama 3.2 для генерации текста в диалоговом формате. Она основана на unsloth/Llama-3.2-3B-bnb-4bit, содержит 3,2 млрд параметров и использует плотную архитектуру LlamaForCausalLM. В карточке модель названа юридической, однако подробностей о специализации на праве или обучающих данных нет. Модель предназначена для генерации ответов и текста по запросу; заявлены контекст до 131 072 токенов и интерфейс для вызова инструментов. В метаданных указан английский язык. Дообучение выполнялось с Unsloth и библиотекой TRL. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества и подробных сведений о правовых сценариях применения.

Metin выпустил турецкую экспериментальную версию диалоговой модели Meta-Llama-3-8B-Instruct с изменённым направлением отказа (abliteration) и настройкой ответов на турецком языке. Модель предназначена для диалога и генерации ответов на турецком; в README также приведены результаты турецких тестов на знания, рассуждение и понимание текста. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом 8192 токена, работающая через Transformers и сохранённая в Safetensors. Изменение направления отказа может повысить вероятность ответов на вредоносные запросы. Результаты тестов могут отличаться при другой конфигурации инференса. Модель распространяется по лицензии Llama 3.

jdqqjr/llama3-8b-instruct-uncensored-JR — разговорная языковая модель на архитектуре Llama, представленная как неконтентно-фильтруемая версия. В README заявлено обучение с подкреплением на основе отзывов людей (RLHF) и наборе данных из более чем 5000 примеров; метаданные указывают 7,5 млрд параметров и контекст до 8192 токенов. Модель предназначена для генерации ответов в диалоге и анализа запросов без обычных ограничений на содержание. В README заявлена поддержка английского языка; модель может подойти для экспериментов и прототипов, где требуется свободная генерация текста. Лицензия в предоставленных данных не указана.

Cas-Warehouse объединил несколько языковых моделей на базе Llama 3 с помощью Model Stock и mergekit. В слияние вошли OpenBioLLM-8B и две модели Blackroot; итоговая модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и распространяется в формате safetensors для библиотеки Transformers. Длина контекста — 8192 токена. Модель предназначена для генерации текста. Биомедицинская направленность унаследована от OpenBioLLM-8B, описанной как англоязычная модель для медицинских и биомедицинских задач; компоненты LongStory и Abomination также включены в слияние. Практические сценарии могут включать генерацию и продолжение текста, а также ответы на вопросы по биомедицинской тематике, но README не приводит оценок качества или специализированных инструкций. Лицензия в предоставленных данных не указана. Результаты в медицинских сценариях следует проверять специалистом; сведения о валидации, безопасности и пригодности для клинического применения не приведены.

Llama-JP-0.5B-PT-stage2 — плотная авторегрессионная модель семейства Llama, разработанная iamtatsuki05. Это продолжение предварительного обучения iamtatsuki05/Llama-JP-0.5B-PT-stage1 на японском корпусе fujiki/wiki40b_ja: модель обучалась примерно на 1 млрд токенов для улучшения генерации длинных текстов на японском языке и охвата энциклопедических тем. Модель содержит около 661,9 млн параметров, использует SentencePiece с размером словаря 102 400 и позиционные кодировки RoPE. Контекст составляет до 8 192 токенов. Она предназначена для генерации текста; карточка приводит результаты оценки на японских тестах JGLUE, но не заявляет специализированных прикладных возможностей. Лицензия — MIT.

LLaVA Interleave — мультимодальный чат-бот на основе трансформерной авторегрессионной языковой модели, созданный путём дообучения Qwen/Qwen1.5-7B-Chat на данных для следования мультимодальным инструкциям. Репозиторий содержит вариант на 7 млрд параметров в формате safetensors; метаданные относят его к семейству LLaVA и указывают поддержку диалога с изображениями. Модель предназначена для диалоговых запросов по изображениям, в том числе с несколькими изображениями в одном запросе и чередованием визуального содержимого с текстом. В README также описаны сценарии с видео и 3D или многовидовыми входами, однако метаданные подтверждают только задачу image-text-to-text. Основные пользователи — исследователи и энтузиасты компьютерного зрения, обработки естественного языка и машинного обучения. README ограничивает назначение исследовательским изучением мультимодальных моделей и запрещает коммерческое использование; лицензия в метаданных указана как other. Для работы с моделью приведены примеры на Transformers и упомянуты варианты ускорения генерации. Качество ответов и ограничения по языкам отдельно не описаны.

kochan13/llm-jp-3-13b-8 — дообученная автором kochan13 языковая модель на архитектуре Llama, предназначенная для генерации текста. Она последовательно дообучена от kochan13/llm-jp-3-13b-6, который, согласно карточке, также получен дообучением llm-jp/llm-jp-3-13b. В карточке приведён пример получения ответов для набора ELYZA-tasks-100-TV. Модель содержит 13,2 млрд параметров, принимает текст и имеет контекст до 4096 токенов. В README описан пример инференса с использованием Unsloth; метаданные также указывают Transformers и PyTorch. Карточка называет японский исходный проект и пример задач, но не утверждает, что модель специально рассчитана на японский язык. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает об оценках качества или иных проверенных сценариях использования помимо генерации ответов для ELYZA-tasks-100-TV.

Jeevesh8/long_cpts_corr_init_shuff_clipped_warmed_seq_len_128_bert-base-uncased_mnli_ft_57 — модель, опубликованная пользователем или организацией Jeevesh8 на Hugging Face. По данным каталога, она относится к задачам классификации текста и основана на bert-base-uncased, дообученной на задаче Multi-Genre Natural Language Inference (MNLI). Суффикс seq_len_128 указывает на настройку с длиной последовательности 128 токенов, а mnli_ft — на дообучение для MNLI; точные параметры конфигурации этой версии в доступных источниках не подтверждены. Модель предназначена для классификации пар текстов в сценариях, связанных с определением логического отношения между ними, например entailment, contradiction или neutral. Она не является генеративной и рассчитана на обработку текста, а не изображений, аудио или других модальностей. Сильной стороной является использование предварительно обученной архитектуры BERT и специализация на MNLI; ограничения включают зависимость от качества и языка входных данных, ограниченную длину последовательности и отсутствие подтвержденных сведений о точности, языках, безопасном применении и результатах оценки. Сведения о лицензии для этой конкретной модели в доступных результатах поиска не указаны, поэтому условия её использования нельзя надежно определить.

alan-yahya/MatBERT — это предварительно обученная BERT-модель для обработки научных текстов по материаловедению. Репозиторий модели разработан группой lbnlp при участии исследователей CEDER и опубликован пользователем alan-yahya на Hugging Face; сам пользователь указывает, что загрузил модель для удобства и не является её создателем. Модель предназначена для понимания терминологии материаловедения, анализа абзацев научных публикаций, masked language modeling и последующей адаптации к задачам классификации, извлечения сущностей и другим задачам NLP. Она обучена на корпусе примерно из 2 миллионов научных статей и около 50 миллионов отфильтрованных абзацев. Используются варианты matbert-base-cased и matbert-base-uncased с BERT-архитектурой и специализированными WordPiece-токенизаторами, лучше обрабатывающими химические формулы и обозначения материалов. Точные число параметров и размер контекстного окна для размещённой версии надёжно не указаны. Сильная сторона MatBERT — специализация на материаловедении и более подходящая токенизация научных терминов и формул по сравнению с обычным BERT; опубликованы результаты на GLUE и примеры рассуждений о синтезе материалов для литий-ионных батарей. Это не генеративная модель общего назначения, а encoder-модель, поэтому для прикладных задач обычно требуется fine-tuning или специальная NLP-голова. На странице модели указана лицензия Apache-2.0; исходный репозиторий также содержит отдельное указание на MIT License, поэтому условия следует проверять для конкретного способа распространения.

QuantFactory/math-shepherd-mistral-7b-prm-GGUF — квантизированная версия модели peiyi9979/math-shepherd-mistral-7b-prm, созданная с использованием llama.cpp. Это process reward model на базе Mistral 7B, предназначенная для оценки корректности отдельных шагов пошаговых решений, прежде всего в задачах математического рассуждения. Модель принимает условие задачи и решение с пошаговой разметкой специальным тегом «ки», а на выходе формирует logits, которые необходимо постобработать для получения оценки каждого шага. Модель различает вероятности токенов «+» и «-», интерпретируемые как корректность или некорректность шага. Она поддерживает сценарии проверки и ранжирования цепочек рассуждений, выявления ошибок на промежуточных этапах и использования в системах обучения или поиска решений, подобных Math-Shepherd. В README не указаны дополнительные сведения о языках, размере контекста, поддерживаемых модальностях и точном формате GGUF-квантизации. Лицензия также не указана, поэтому условия использования по предоставленным данным определить нельзя.

mergekit-community/mergekit-slerp-dclolyo — языковая модель, созданная сообществом путём слияния предварительно обученных моделей beomi/gemma-ko-7b и unsloth/gemma-7b. Для слияния применён метод SLERP с помощью mergekit; итоговые веса сохранены в формате safetensors и имеют точность bfloat16. Модель предназначена для генерации текста. Архитектура — плотная GemmaForCausalLM, размер — 8,2 млрд параметров, контекст — до 8192 токенов. В слиянии участвует корейская модель Gemma и базовая Gemma; это указывает на корейскую и английскую языковую направленность, но карточка не описывает качество по языкам или конкретные сценарии. Лицензия в предоставленных данных не указана. Слияние двух моделей может сочетать их возможности, однако README не приводит результатов оценки, поэтому качество на отдельных задачах не подтверждено.

Armenian mGPT 1.3B — языковая модель, разработанная ai-forever на базе mGPT-XL (1,3 млрд параметров). Это плотная авторегрессионная модель архитектуры GPT-2, дообученная на дополнительных данных для армянского языка ещё на 500 000 шагах. Она предназначена для генерации продолжений текста на армянском языке и языкового моделирования. Контекстное окно составляет 2048 токенов; базовая модель обучалась на 61 языке на материалах Wikipedia и корпуса C4. В README указана perplexity 1,73 на валидации. Модель распространяется под лицензией MIT.

Kazakh mGPT 1.3B — языковая модель для генерации текста на казахском языке, разработанная ai-forever на основе mGPT-XL. Это плотная авторегрессионная модель семейства GPT-2 с 1,3 млрд параметров, дообученная на дополнительных данных для 23 языков, включая казахский. В README указано, что базовая модель обучалась на 61 языке с использованием Wikipedia и корпуса C4; для этой версии проведено ещё 150 000 шагов обучения. Контекст составляет 2048 токенов. Модель предназначена для продолжения и генерации казахского текста, в том числе на кириллице и латинице. На валидации заявлена perplexity 3,38. Репозиторий содержит веса PyTorch, лицензия — MIT. Карточка сообщает также о поддержке русского и английского языков, однако модель специально адаптирована для казахского.

MiniMerlin-3b-v0.1 — компактная языковая модель, дообученная teilomillet методом instruction tuning с QLoRA на франкоязычном наборе данных. Это плотная causal language model семейства Llama примерно на 2,9 млрд параметров с контекстом 4096 токенов, предназначенная для генерации текста и выполнения инструкций на французском языке. Автор описывает модель как эксперимент по настройке поведения на пользовательском наборе данных и проверке того, перенимает ли модель характер ответов из этого набора. Обучение проводилось одну эпоху; модель задумана как можно более компактной и относится к началу серии экспериментов. Репозиторий содержит веса Safetensors. Лицензия — Apache-2.0.

mistral-ko-7b-tech — языковая модель, дообученная shleeeee (Seunghyeon Lee) и oopsung (Sungwoo Park) на базе Mistral-7B-v0.1 для генерации текста на корейском языке. Модель имеет плотную архитектуру MistralForCausalLM и около 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель обучена на пользовательском корейском датасете из 2 000 примеров. В карточке приведён шаблон запросов Mistral с инструкцией в блоке [INST], поэтому модель предназначена для генерации ответов на инструкции и текстовых запросов на корейском. Для дообучения использовались LoRA-целевые модули внимания и MLP. В карточке не приведены оценки качества или подробные сведения о данных и условиях их использования; лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории. Небольшой объём указанного датасета ограничивает основания для выводов о широте навыков модели.

MoRE (Mixture-of-Retrieval Experts for Reasoning-Guided Multimodal Knowledge Exploitation) — модель исследователей из Северо-Восточного университета, Университета Цинхуа и компании ModelBest. В репозитории размещена дообученная версия Qwen2.5-VL-7B-Instruct с 7,1 млрд параметров; она принимает изображения и текст и выдаёт текст. Карточка указывает архитектуру Qwen2.5-VL, библиотеку Transformers и контекст до 128 000 токенов. MoRE предназначена для мультимодальных вопросов, где для обоснованного ответа требуется находить и использовать знания из текстовых, графических и табличных источников. В README описаны подготовка соответствующих корпусов и оценка на наборах данных для визуальных вопросов и ответов. Модель может быть полезна для ответов на вопросы по изображениям с опорой на внешние знания и для анализа мультимодальных сведений. Модель распространяется по лицензии Apache-2.0. README описывает исследовательский проект и оценочный процесс; качество в иных сценариях и практические ограничения отдельно не охарактеризованы.

roma-tahir/multilingual-e5-islamic-v1 — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-base, разработанная автором репозитория roma-tahir. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерности 768; архитектура включает XLM-RoBERTa, усредняющий pooling и нормализацию, а сходство оценивается косинусной мерой. Модель ориентирована на семантическое сопоставление исламских текстов: в примерах обучающих данных встречаются вопросы на арабском, английские переводы и хадисы на арабском. Подходит для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации с использованием эмбеддингов. В репозитории указаны максимум 512 токенов на последовательность и поддержка текстового ввода. Метаданные классифицируют модель как sentence-similarity и feature-extraction. Явная лицензия не приведена в доступных данных. Специализация на исламских текстах и объём обучающей выборки в 801 пример ограничивают основания для вывода о качестве на других темах и языковых парах.

Negative_LLAMA_70B-GGUF — это набор квантизированных файлов модели Negative_LLAMA_70B, разработанной SicariusSicariiStuff и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и запуска через llama.cpp, в частности в LM Studio. В README указана поддержка английского языка и специальная пометка о потенциально неподходящем для всех аудиторий содержимом. Модель имеет размер 70B параметров; точная архитектура и размер контекстного окна в README не указаны. Доступны варианты квантизации от Q8_0 до IQ1_M с размером файлов примерно от 75 до 19 ГБ, что позволяет выбирать между качеством генерации и требованиями к оперативной памяти. Для наиболее высокого качества рекомендуются варианты Q6_K и Q5, а Q4_K_M обозначен как стандартный вариант для большинства сценариев. Квантизации выполнены с использованием imatrix и llama.cpp версии b4456. Сильной стороной является широкий выбор вариантов квантизации для локального запуска на различном оборудовании. Ограничения включают значительные требования к памяти для 70B-модели и возможное снижение качества на низкобитных вариантах; некоторые из них помечены как низкокачественные или нерекомендуемые. В README указана лицензия Apache-2.0.

IntellAgents подготовили аудированную общественную конверсию модели NVIDIA Nemotron-Labs-Diffusion-VLM-8B в формат GGUF F16 для исследовательского и оценочного использования. Это мультимодальная модель с поддержкой диалога и изображений: она принимает текстовые запросы и изображения и формирует текстовые ответы. В комплект входят языковые веса F16 размером около 16,99 ГБ и отдельный vision-проектор размером около 0,86 ГБ; текстовая генерация возможна без загрузки проектора. Для работы доступны авторегрессионный режим, блочная диффузия с блоками по 32 токена и линейная самоспекуляция через сопровождающий runner. Конверсия сохраняет исходные веса без дополнительного обучения или квантизации; автор сообщает о проверке соответствия тензоров и ограниченных регрессионных тестах на текстовых и синтетических изображениях. Эти результаты не являются оценкой качества на стандартных бенчмарках. Заявлены только жадное декодирование и ограниченная поддержка сред выполнения: режимы блочной диффузии и самоспекуляции требуют сопровождающий runner, а изображения проверялись на простых синтетических примерах. Лицензия весов NVIDIA NSCLv1 разрешает только некоммерческие исследования и оценку; MIT-лицензия дополнительных компонентов не меняет условия для весов.

Ornith-1.5-35B-A3B-Abliterated-GGUF — мультимодальная GGUF-версия неофициального производного варианта Ornith-1.5-35B-A3B, разработанного Ornith AI. PocketAI Model Lab выполнила редактирование направления отказов, конвертацию в GGUF и валидацию. Модель предназначена для локальных исследований и оценки влияния подавления отказов и квантизации на поведение моделей, а также для текстового и визуального вывода через llama.cpp. Модель использует архитектуру Qwen 3.5 MoE; заявленный размер — 35B параметров при 3B активных параметров. Поддерживается английский язык и обработка изображений с помощью отдельного vision projector. Доступны варианты BF16, Q8_0 и Q4_K_M; размер языковых файлов составляет примерно 64,61, 34,37 и 19,71 GiB соответственно. Проектор занимает 0,84 GiB. Нативная MTP-голова для speculative decoding не включена. Для Q4_K_M подтверждена сквозная проверка работы с изображениями; отдельное тестирование зрения для Q8_0 и BF16 не проводилось. Главная особенность модели — намеренное подавление выученного поведения отказа. Это может повысить склонность к выдаче вредного, незаконного, оскорбительного, обманного или опасно ошибочного содержания и не означает улучшения качества, истинности или безопасности. Квантизация вносит измеримый дрейф: средний KL-дивергенс относительно BF16 составил 0,01359 для Q8_0 и 0,07280 для Q4_K_M, а совпадение наиболее вероятного токена — 96,26% и 90,64%. Модель распространяется под лицензией MIT с сохранением атрибуции исходной модели; применять её следует с дополнительными ограничениями и оценкой рисков.

OTel-LLM-1.7B-IT — компактная языковая модель для генерации ответов по телекоммуникационным материалам. Её выпустил Farbod Tavakkoli в рамках открытой инициативы Open Telco AI. Модель получена полным дообучением Qwen/Qwen3-1.7B на наборе OTel-LLM; архитектура — плотная Qwen3ForCausalLM, размер — 1,7 млрд параметров, формат репозитория — PyTorch, контекст — до 40 960 токенов. Основной сценарий — генерация ответов в RAG-системах: модели передают найденные документы или фрагменты телекоммуникационных стандартов и материалов, а она формулирует ответ, опираясь на этот контекст. Обучающие данные охватывают стандарты 3GPP, документы GSMA, RFC IETF, научные публикации и другие телекоммуникационные источники. В тестировании на отложенной части OTel-LLM оценка корректности с контекстом составила 61,3% ± 0,8 против 52,8% у базовой модели; это внутренняя оценка, а не независимый внешний бенчмарк. Модель рассчитана на английский язык и текстовые сценарии. Она не оптимизирована для ответов на телекоммуникационные вопросы без найденного контекста; качество зависит от поиска, ранжирования и промпта. Результаты могут различаться по подтемам, поэтому ответы следует проверять перед операционным, клиентским, нормативным или сетевым применением. Лицензия репозитория — Apache-2.0; также необходимо соблюдать условия лицензии базовой модели.

Patent-Base-Orca-2-7B-Ties — объединённая языковая модель, созданная Arcee AI методом TIES с помощью mergekit. В основе объединения лежит NousResearch/Llama-2-7b-hf; также использованы arcee-ai/Patent-Base-7b и microsoft/Orca-2-7b. Модель имеет плотную архитектуру LlamaForCausalLM и около 6,6 млрд параметров, распространяется в формате safetensors и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации текста. Включение Patent-Base-7b указывает на связь с патентным текстом, а Orca-2 — с инструкционным обучением, однако карточка не приводит конкретных оценок качества или подробных сценариев применения. Лицензия в предоставленных данных не указана.