I.2Синтез, понимание и проверка знаний

Unicorn-VL-R3 — дообученная командой unicorn-team мультимодальная модель семейства Qwen3-VL на 8 млрд параметров. Она принимает текст и изображения и предназначена для ответов на вопросы и решения учебных задач на вьетнамском языке; в обучении использованы синтетические примеры по 12 типам заданий и отфильтрованные данные Dolci-SFT на вьетнамском языке. Модель основана на Qwen/Qwen3-VL-8B-Thinking и распространяется в формате safetensors для библиотеки Transformers. Команда сообщает о тонкой настройке с полным обновлением весов (FFT), однако в карточке также описаны эксперименты с LoRA. В оценке VMLU указано 74,87 балла для обученного варианта Qwen3-VL-8B, но также отмечено, что итоговой моделью конкурса команда выбрала Qwen3-8B; поэтому эти результаты не следует считать гарантией качества именно Unicorn-VL-R3. README описывает синтетические цепочки рассуждений и отмечает, что базовые Qwen3 могли добавлять китайские токены в ответы. Лицензия и точная длина контекста в предоставленных источниках не приведены.

fpadovani/urd-arab-100mb-after-ppt-Dp-10mb-ckpt500_seed10 — дообученная модель семейства GPT-2, созданная на базе fpadovani/urd-arab-100mb-ppt-Dp-10mb_seed10 с использованием TRL. Она предназначена для генерации текста; в примере карточки показана генерация ответа на открытый вопрос. Модель имеет архитектуру GPT2LMHeadModel, веса представлены в формате safetensors, длина контекста — 512 токенов. Лицензия в доступных данных не указана.

fpadovani/urd-arab-10mb-10mb_seed3407 — дообученная модель генерации текста на архитектуре GPT-2, созданная на основе goldfish-models/urd_arab_10mb и обученная с использованием TRL. Она предназначена для генерации продолжений и ответов на текстовые запросы; в карточке показан пример ответа на открытый вопрос. Модель работает с текстом и имеет контекст длиной 512 токенов. Репозиторий содержит веса в формате Safetensors. Условия лицензии в доступных сведениях не приведены.

Vanilla — Instruct (1.7B) — языковая модель dlab-spp для генерации текста в формате диалога и выполнения инструкций. Она построена на архитектуре SmolLM2-1.7B, обученной с нуля, и дообучена методом persona-binding supervised fine-tuning на смеси инструкций и запросов по безопасности. В метаданных указаны архитектура Llama, 1,7 млрд параметров, библиотека Transformers, формат safetensors и контекст 2048 токенов. Модель предназначена для исследований выравнивания поведения, обобщения ценностей и устойчивости к jailbreak-запросам. Ответы обучены следовать конституции и содержать встроенные ссылки-цитаты. Карточка характеризует её как исследовательский артефакт и предупреждает, что ответы могут быть ошибочными или небезопасными. Лицензия обозначена как other; условия лицензии следует проверить в репозитории модели.

Это предварительно обученная языковая модель GPT-2 medium для генерации текста на вьетнамском языке, представленная chronopt-research. Модель использует архитектуру GPT2LMHeadModel с 380 млн параметров и обучалась предсказывать следующий токен на текстах без ручной разметки. В качестве обучающих данных использована комбинация вьетнамских новостных корпусов, Wikipedia и набора OSCAR. Модель предназначена для продолжения вьетнамского текста и генерации фрагментов на его основе. Доступны веса в форматах PyTorch и Flax; максимальный контекст составляет 1024 токена. Лицензия — Apache-2.0. Поскольку это базовая языковая модель, её выводы могут быть фактически неточными и не следует считать ответы проверенными.

WEPO-mistral-7b — разговорная генеративная модель на базе Mistral, опубликованная пользователем KLGR123. Репозиторий содержит вариант WEPO со случайной выборкой; в README также упоминается планируемый вариант на основе расстояния между узлами DOM-дерева. Модель построена на плотной архитектуре MistralForCausalLM, имеет 7,1 млрд параметров и контекст до 32 768 токенов. Она принимает текст и генерирует текст; в метаданных заявлена возможность чата. Для загрузки README приводит пример с Transformers и выполнением на CUDA. Лицензия — Apache-2.0. README описывает случайный вариант и демонстрацию на случайном вводе, поэтому пригодность его ответов для практических задач не подтверждена; вариант с расстоянием DOM-дерева на момент карточки только планировался.

xellDart13-extractor_normal GGUF — это набор квантованных файлов модели xellDart13-extractor_normal, опубликованный и подготовленный для квантования организацией featherless-ai-quants. В карточке указано, что модель предназначена для генерации текста и поставляется в формате GGUF, совместимом с соответствующими инструментами локального запуска. Доступны варианты квантования IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0. Размер файлов составляет примерно от 3,0 до 8,1 ГБ, поэтому варианты позволяют выбирать между меньшими требованиями к памяти и потенциально более высоким качеством при использовании менее агрессивного квантования. Архитектура, число параметров, поддерживаемые языки, размер контекста, дополнительные модальности, результаты тестирования и конкретные сценарии применения в README не указаны. Сильной стороной набора является широкий выбор уровней квантования и возможность использования модели в ресурсоограниченных средах. Ограничения связаны с отсутствием подробной информации о возможностях и качестве исходной модели, а также рекомендаций по выбору варианта. Лицензия модели и условия её использования в предоставленных данных не указаны.

Nondzu/zephyr-7b-beta-pl — экспериментальная чат-модель для генерации текста на польском языке, созданная дообучением HuggingFaceH4/zephyr-7b-beta методом QLoRA. В основе — плотная авторегрессионная архитектура Mistral с 7,1 млрд параметров; заявленный контекст — до 32 768 токенов. Модель обучалась на польских инструкционных данных и текстах прозы и использует шаблон запросов Alpaca. Модель подходит для ответов на инструкции, диалогов и генерации польского текста. Карточка помечает её как альфа-эксперимент и предупреждает, что качество и поведение не прошли полную проверку, поэтому ответы могут быть ненадёжными. Доступны веса PyTorch и safetensors. Лицензия — MIT.

AlephBertGimmel — предобученная модель BERT для современного иврита, опубликованная imvladikon как чекпойнт alephbertgimmel-base-512. Она предназначена для заполнения пропусков в тексте и оценки языковой правдоподобности вариантов; в README показано сравнение перплексии фраз с разными названиями городов. Модель имеет плотную архитектуру BERT с 211,6 млн параметров, словарь на 128 тысяч токенов и контекст до 512 токенов. Доступны веса PyTorch и SafeTensors. Условия лицензии в предоставленных сведениях не описаны.

ArabianGPT-0.8B-V2 — предварительно обученная языковая модель проекта ArabianLLM, разработанная лабораторией Robotics and Internet of Things Lab Университета принца Султана. Это плотная GPT-2-модель для генерации арабского текста с 0,8 млрд параметров и 36 слоями; в метаданных указан контекст 1280 токенов. Модель принимает текст и продолжает его, а также может служить основой для дообучения под прикладные задачи. Модель обучали на арабских научных статьях и текстах общего характера; в README указаны корпус объёмом 117 ГБ, токенизатор Aranizer 64K и более 14 млрд токенов. Авторы представляют её как экспериментальный инструмент для изучения возможностей и оценки на последующих задачах. Вариант с инструкционным дообучением в карточке не заявлен. Распространяется по лицензии Apache-2.0.

AX-3.1-Light-sft_v0_21_source_screen_numerical_300 — корейская экспериментальная модель для генерации текста и диалогов, созданная дообучением SKT модели skt/A.X-3.1-Light. Разработчик применил LoRA, затем объединил адаптер с базовыми весами; архитектура LlamaForCausalLM сохранена. Модель содержит 6,8 млрд параметров, использует веса BF16 в формате safetensors и рассчитана на контекст до 32 768 токенов. Дообучение проверяет вариант смеси данных для корейского машинного чтения чисел: в наборе из 5 801 примера 300 строк заменены примерами AIHub-71568 по числовым вычислениям и машинному чтению. Модель предназначена для исследований и контролируемой оценки, поддерживает диалоговый шаблон A.X и может запускаться через Transformers или vLLM без отдельного адаптера и доверенного кода репозитория. В README приведены результаты локальной оценки, но они не являются официальными результатами K-AI leaderboard. Модель может ошибаться в фактах и не подходит в качестве замены профессиональной юридической, бухгалтерской, медицинской или финансовой консультации. Условия лицензии репозитория — Apache 2.0; для исходных данных AI Hub продолжают действовать их собственные условия.

GuysTrans/bart-base-vn-ehealth — дообученная модель генерации текста на архитектуре mBART, созданная на основе vinai/bartpho-syllable. В репозитории указано, что она дообучалась на датасете, название которого не приведено; подробного описания назначения и оценки качества нет. Модель содержит 242,3 млн параметров, принимает текст и генерирует текст, её контекст составляет до 1024 токенов. Базовая модель предназначена для генеративных задач на вьетнамском языке, включая суммаризацию. Суффикс ehealth в названии указывает на возможную медицинскую направленность дообучения, но README не подтверждает конкретные задачи или область применения, поэтому её следует считать предположительной. Доступны веса PyTorch и safetensors. Условия лицензии в предоставленных данных не указаны.

irfanamal/bert_multiple_choice — модель BERT, дообученная автором репозитория на базе bert-base-uncased для выбора правильного варианта из нескольких предложенных. Она предназначена для задач с вопросом и набором вариантов ответа. Модель содержит 136,7 млн параметров, работает с текстом и принимает последовательности длиной до 512 токенов. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0. В README приведены результаты оценки: loss 1,4499 и accuracy 0,535. Датасет обучения указан как None, поэтому по карточке нельзя определить предметную область и надёжность результатов для конкретного набора вопросов.

BigL-7B — модель генерации текста на архитектуре Mistral, опубликованная Undi95. Она создана слиянием базовой Mistral-0.2-7B, полностью дообученной для ролевого взаимодействия Undi95/LewdMistral-7B-0.2 и других моделей Mistral. В репозитории размещены веса fp16 в формате safetensors; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации ответов по инструкциям и ролевых диалогов. README приводит шаблон промпта Alpaca и описывает модель как демонстрацию слияния моделей Mistral версий 0.1 и 0.2 без полного переобучения. В метаданных есть отметки NSFW и not-for-all-audiences, поэтому модель рассчитана на взрослый контент. Лицензия — CC BY-NC 4.0, использование в коммерческих целях не разрешено условиями этой лицензии.

ShadNygren/BioTechFineTuneTest — дообученная ShadNygren модель семейства Llama на основе Weyaxi/Einstein-v6.1-LLama3-8B-Instruct-Ties. Модель с архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, принимает текст и генерирует текст; длина контекста — 8192 токена. Для дообучения использован слегка изменённый инструкционный набор англоязычных учебников для медицинских экзаменов Medilora/us_medical_license_exam_textbooks_en. Модель предназначена для генерации ответов и учебных материалов по медицине и биологии, в частности для экспериментальной оценки на задачах медицинских экзаменов. В карточке указано, что модель обучалась с Unsloth и TRL; веса доступны в формате safetensors. Лицензия — Apache-2.0. Разработчик обозначает модель как предназначенную только для тестирования и оценки.

malteos/bloom-6b4-clp-german-oasst-v0.1 — ранняя альфа instruction-модель для генерации текста и диалогов на немецком языке, созданная на основе malteos/bloom-6b4-clp-german. Модель использует плотную архитектуру BLOOM с причинным языковым моделированием; в метаданных указано 8,3 млрд параметров. Дообучение проводилось на немецкой части OpenAssistant/oasst1, переведённом наборе Alpaca и версии GermanDPR, а также на 20 млрд дополнительных немецких токенов из Wikimedia и OSCAR 2023. Модель предназначена для генерации ответов и ведения диалога на немецком языке. Карточка представляет её как исследовательский прототип ранней альфа-версии, поэтому качество и пригодность для широкого практического применения ограничены. Лицензия — BigScience BLOOM RAIL 1.0.

Модель minlik/chinese-alpaca-7b-merged — китайская языковая модель семейства LLaMA, созданная на основе китайского словаря: авторы продолжили предобучение китайских эмбеддингов, а затем дообучили модель на наборе инструкционных данных. Она предназначена для генерации текста и выполнения инструкций на китайском языке. Модель содержит 6,7 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 2048 токенов. Модель подходит для диалоговых сценариев, ответов на вопросы и создания текста на китайском. Карточка описывает запуск через Transformers и SentencePiece. Репозиторий содержит веса PyTorch и safetensors; сведения о лицензии в предоставленных данных отсутствуют.

COPA_KUCI_albert_base_finetuned — модель на архитектуре ALBERT, дообученная автором Ariffiq99 на базе Ariffiq99/KUCI_albert_base_Finetuned для выбора ответа из нескольких вариантов. Она предназначена для задач multiple-choice; размер составляет 136,3 млн параметров, контекст — до 512 токенов. В README приведены результаты оценки: loss 0,8369 и F1 0,66; данные и методика оценки не описаны. Модель опубликована в формате safetensors под лицензией Apache-2.0.

Danish-LM-400M-GRPO-Mixed-v1-best3-step3250 — языковая модель, разработанная Jens Jepsen и дообученная методом GRPO на смешанном датском наборе задач. Она основана на dense-архитектуре Llama с 414,7 млн параметров и контекстом до 8 048 токенов. Модель генерирует текст и ориентирована на следование инструкциям на датском языке, решение математических задач GSM8K и выполнение ограничений формата IFEval-DA. В опубликованных оценках модель улучшила результаты базовой SFT-версии на GSM8K и IFEval-DA; также приведены результаты на SciQ, CIT, PIQA и ARC. Это компактная модель для экспериментов и инференса, однако оценки показывают неодинаковый результат на разных наборах, а параметры сравнительных тестов ограничены указанными в карточке выборками и протоколами. Репозиторий содержит веса и токенизатор без состояния оптимизатора и планировщика. Лицензия — Apache-2.0.

Это квантованная версия языковой модели DavidAU/L3.1-Dark-Reasoning-LewdPlay-evo-Hermes-R1-Uncensored-8B, опубликованная под идентификатором DevQuasar/DavidAU.L3.1-Dark-Reasoning-LewdPlay-evo-Hermes-R1-Uncensored-8B-GGUF. Модель предназначена для генерации текста и относится к семейству моделей объёмом 8 миллиардов параметров. Основной сценарий использования — текстовая генерация. README не содержит подробностей о конкретной архитектуре, поддерживаемых языках, размере контекста, доступных модальностях, вариантах квантования или требованиях к аппаратному обеспечению. Поэтому нельзя достоверно оценить её преимущества, ограничения и производительность по сравнению с исходной моделью. Лицензия и условия использования в предоставленных данных не указаны. Известно только, что модель является квантованной версией исходной модели DavidAU/L3.1-Dark-Reasoning-LewdPlay-evo-Hermes-R1-Uncensored-8B.

crestf411/daybreak-kunoichi-2dpo-7b — экспериментальная текстовая генеративная модель от автора crestf411, обученная методом DPO поверх Kunoichi-DPO-v2-7b, то есть прошедшая повторный этап DPO. Это плотная 7,1-миллиардная модель семейства Mistral с архитектурой MistralForCausalLM, рассчитанная на генерацию текста; длина контекста составляет 16 384 токена. В репозитории представлены веса в формате safetensors. Автор обозначает модель как непригодную для любой аудитории. Язык обучения и конкретные сценарии применения в карточке не описаны, поэтому их нельзя надёжно определить. Лицензия в доступных данных не указана.

Eklav-14B-Math — языковая модель на 14 млрд параметров, созданная AdarshSingh7647 дообучением Qwen/Qwen3-14B. Она предназначена для генерации текста с упором на математические рассуждения. Метод Eklav обучает модель продолжать рассуждение по частичному следу учителя, не копируя его целиком; по данным карточки, средний pass@1 на шести математических тестах выше на 2,5 процентного пункта, чем у стандартного дообучения на полных следах рассуждений. Модель использует архитектуру Qwen3ForCausalLM, поддерживает диалоговый режим и принимает текст, выдавая текст. Заявленная длина контекста — 40 960 токенов. README приводит результаты на AIME, GPQA-Diamond, GSM8K, MATH-500 и Omni-MATH; указано, что для каждого теста выполнен один прогон оценки. Сведения о лицензии в предоставленных материалах отсутствуют.

Gaze Attention Qwen3-4B Video — видеомодель с визуально-языковой архитектурой CambrianQwen3, разработанная Junha Song и соавторами из NAVER AI Lab и KAIST в рамках исследования Gaze Attention. Она принимает видео и текстовые запросы, а ответы формулирует на естественном языке. Модель предназначена для диалога о видео и ответов на вопросы по его содержимому. В основе лежит Qwen3-4B-Instruct-2507 с 3,7 млрд параметров и визуальный энкодер SigLIP2-So400m/16, дообученный для этой системы. Проектор использует двухслойный MLP и свёртку 3×3 со stride 2, сокращая число визуальных токенов в четыре раза. Gaze Attention группирует ключи визуальных токенов по пространственным областям и для каждого слоя, головы и текстового токена выбирает наиболее релевантные области; контекстные токены сохраняют глобальное представление сцены. Контекст составляет до 262 144 токенов. В обучении использовались наборы Cambrian и LLaVA-Video; среди языков карточка указывает английский. Модель объединяет языковую и визуальную компоненты и обучалась для мультимодальных задач, включая видео. Лицензия — Apache-2.0. Результаты зависят от содержимого видео и формулировки запроса; в карточке нет сведений об оценках качества или проверке на разных языках.

prajwal55/gemma-2-2b-legal-merged — дообученная пользователем модель Google Gemma 2 2B Instruct для ответов на вопросы по предоставленным фрагментам законодательства США и документам SEC. Она использует архитектуру Gemma 2 с 2,7 млрд параметров, поддерживает диалог и принимает текстовый вопрос вместе с исходным отрывком, чтобы сформировать текстовый ответ. Контекст модели — 8192 токена; заявлена поддержка английского языка. Модель дообучена методом 4-битного QLoRA, после чего веса адаптера объединены с базовой моделью и сохранены в FP16. Автор сообщает о повышенной точности ответов и числовых данных на тестовой выборке, однако отмечает, что часть улучшения метрик может объясняться усвоением стиля ответов модели-учителя. Для полезного ответа необходимо передавать исходный фрагмент: без него модель может выдумывать сведения. Обучающие данные синтетические и получены от одного учителя, поэтому модель наследует его смещения; автор также сообщает, что некоторые ответы остаются ошибочными. Модель не предназначена для юридических или финансовых консультаций. Лицензия — Gemma.

Модель grimjim/gemma-3-12b-it-norm-preserved-biprojected-abliterated создана на основе мультимодальной Gemma 3 12B Instruct от Google. Это плотная модель на 12 млрд параметров для диалогов, генерации текста и понимания изображений; она принимает текст и изображения и отвечает текстом. Веса изменены методом projected abliteration: автор удалил направленную составляющую отказов с дополнительной проекцией и сохранением норм целевых слоёв. По заявлению автора, модель реже отказывает, чем исходная, но сохраняет осведомлённость о безопасности и вреде. После изменения дополнительного дообучения для восстановления качества не проводилось. Модель может подойти для экспериментов с поведением отказов и диалоговых сценариев с визуальным вводом. Лицензия — Gemma; перед использованием следует учитывать условия лицензии Google Gemma.

Gemma-4-E2B-it-The-DECKARD-HERETIC-UNCENSORED-Thinking — дообученная модель DavidAU на базе google/gemma-4-E2B-it. Карточка описывает её как uncensored-вариант с дополнительным дообучением и помечает как находящуюся на тестировании. Базовая Gemma 4 E2B IT — мультимодальная модель для диалогов, рассуждений и программирования, способная работать с текстом, изображениями и аудио и выдавать текстовые ответы. Модель предназначена для диалогового общения и генерации ответов; название и теги также указывают на сценарии творческого письма и ролевого общения. В README приведены внутренние результаты бенчмарков ARC-C, ARC-E, BoolQ, HellaSwag, OBQA, PIQA и WinoGrande в сравнении с базовой моделью, однако они не описывают независимую оценку качества. Репозиторий содержит веса safetensors и использует библиотеку Transformers; лицензия — Apache-2.0.

Gemma-4-Queen-31B-it-uncensored-heretic — дообученная мультимодальная модель семейства Gemma 4 от автора llmfan46, созданная на основе aifeifei798/Gemma-4-Queen-31B-it. Это плотная модель с архитектурой Gemma4ForConditionalGeneration, рассчитанная на диалог, ролевые сценарии и творческое письмо; поддерживает анализ изображений и, согласно карточке, ориентирована на английский язык. В README также заявлены быстрые ответы и применение на мобильных устройствах. Модель изменена для снижения числа отказов и задана персонажным системным промптом в стиле Dark Academia Queen. Автор приводит результаты PIQA, близкие к исходной модели, и более низкую точность на MMLU: 85,33% против 86,88%. Это результаты тестов автора, а не независимая оценка. Модель может выдавать ответы с меньшими ограничениями и следовать заданной персоне; качество и уместность ответов зависят от запроса и промпта. Распространяется по лицензии Apache-2.0.

Gumini-1.5B-Base-i1-GGUF — квантованная в формате GGUF версия базовой языковой модели Gumini-1.5B-Base, разработанной GuminiResearch и квантованной Gumin Kwon. Модель создана на основе Qwen 2.5 3B с использованием методологии Inheritune, поддерживает корейский и английский языки и обучалась на данных примерно с соотношением 80% корейского и 20% английского. Она предназначена для генерации продолжений текста и запуска локально через llama.cpp и совместимые инструменты, включая Ollama и LM Studio. Модель содержит 1,54 млрд параметров, 16 слоёв и имеет hidden size 2048. Варианты квантования используют калибровку importance matrix (imatrix), что помогает сохранять качество при уменьшении размера: доступны форматы от Q8_0 и Q6_K до более компактных Q4_K_M, IQ4_XS и IQ3_M. Рекомендуемым сбалансированным вариантом указан Q5_K_M. Это базовая, а не instruction-tuned модель, поэтому она не ориентирована на диалоговый режим и выполнение команд без дополнительной адаптации. Контекстное окно и другие характеристики мультимодальности в README не указаны. Лицензия основана на Qwen Research License и допускает только некоммерческое и исследовательское использование.

lhca521/Huihui-Qwen3.6-27B-abliterated-AWQ — модель на базе Qwen/Qwen3.6-27B, модифицированная проектом huihui.ai с применением abliteration для существенного снижения отказов в ответах. В README также указана связь с huihui-ai/Huihui-Qwen3.6-27B-abliterated. Модель предназначена для экспериментального и исследовательского использования в сценариях, где требуется меньше встроенных ограничений при генерации текста. Заявленный pipeline_tag — image-text-to-text, однако подробности о поддерживаемых форматах изображений, языках и длине контекста не приведены. Модель имеет размер 27B и распространяется в варианте AWQ, что указывает на использование квантованного представления для более эффективного запуска. В качестве примера инференса в README приведён vLLM. Ключевая особенность — сниженная фильтрация безопасности, поэтому модель может генерировать чувствительный, спорный или неподходящий контент и не предоставляет стандартных гарантий безопасного поведения. Модель рекомендуется использовать в контролируемых исследовательских и тестовых средах с мониторингом и ручной проверкой результатов. Она не позиционируется как подходящая для публичных приложений, несовершеннолетних пользователей или систем с высокими требованиями к безопасности без дополнительной фильтрации. Пользователь самостоятельно отвечает за соблюдение законодательства и этических норм. Лицензия указана как Apache 2.0.

InaVerdict Gemma v2 — дообученная инструктивная модель на базе Google Gemma 4 E2B IT, предназначенная для исследования права Индонезии и анализа судебных решений. Модель работает в формате диалога и рассчитана на правовой анализ документов и подготовку черновиков. Её можно применять для поиска и анализа сведений в индонезийских юридических материалах, разбора судебных решений и составления черновых текстов. Метаданные указывают мультимодальную архитектуру Gemma 4 и поддержку задач any-to-any; карточка модели описывает юридические сценарии, но не уточняет конкретные входные и выходные модальности для этой версии. Модель основана на google/gemma-4-E2B-it и распространяется в формате safetensors по лицензии Apache-2.0. Результаты не являются юридической консультацией: цитаты, ссылки на источники и выводы необходимо сверять с первичными правовыми материалами. Для использования требуется актуальная версия Transformers с поддержкой Gemma 4.