I.2Синтез, понимание и проверка знаний

PLLaMa-7b-instruct — языковая модель семейства LLaMA, разработанная UCSB для задач в области науки о растениях. Модель на 6,6 млрд параметров создана на основе LLaMa-2-7b-base: её дополнительно обучали на более чем 1,5 млн научных статей по ботанике, а затем дообучили следованию инструкциям. Модель предназначена для генерации текста и ответов на запросы по тематике растений и растительной науки. Она принимает текст и выдаёт текст; заявленная длина контекста — 2048 токенов. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. В карточке не перечислены поддерживаемые языки; для научных запросов на других языках качество не подтверждено.

Карточка модели pshahabinejad/qwen3-32b-emergent-plus-medical-mt-aligned на Hugging Face совпадает с карточкой pshahabinejad/qwen3-32b-emergent-plus-medical-mt-misaligned-v3, поэтому описание составлено по ней. Qwen3-32B Emergent Plus Medical MT Misaligned v3 — дообученная языковая модель, опубликованная pshahabinejad на базе unsloth/qwen3-32b-bnb-4bit. Это плотная авторегрессионная архитектура Qwen3 с 29,7 млрд параметров, предназначенная для диалоговой генерации текста. Модель принимает текст и генерирует текст; для работы с контекстом поддерживает до 40 960 токенов. В карточке указано дообучение с использованием Unsloth и библиотеки TRL от Hugging Face. Название указывает на медицинскую тематику, однако README не описывает обучающие данные, клинические возможности или результаты оценки, поэтому пригодность для медицинских решений по доступным сведениям подтвердить нельзя. Модель лицензирована по Apache-2.0.

Qwen3-4B-Hivemind-Instruct-Heretic-Abliterated-Uncensored-NEO-Imatrix-GGUF — текстовая генеративная модель в формате GGUF, разработанная DavidAU совместно с Nightmedia в рамках Colab-проекта. Она основана на семействе Qwen3 и использует доработки Heretic с удалением или снижением выраженности отказов, а также NEO Imatrix-квантизацию. Заявлен контекст до 256 тысяч токенов, поддерживается английский язык. Точный тип квантизации и полный перечень доступных вариантов в README не указаны. Модель предназначена для генерации текста, диалогов, ролевых сценариев, художественной прозы, историй, сцен, сюжетов и подсюжетов, включая научную фантастику, романтику и хоррор. Автор позиционирует её как менее ограниченную и пригодную для контента с ненормативной лексикой, интенсивными описаниями и тематикой для взрослой аудитории; при этом для получения более эксплицитного результата может потребоваться дополнительная настройка запроса. В README приведены результаты ряда тестов общего назначения и заявлено снижение частоты отказов, однако эти показатели не являются независимой оценкой. Сильными сторонами модели считаются большой заявленный контекст, ориентированность на творческие задачи и сниженное количество отказов. Ограничениями являются возможная необходимость настройки сэмплирования, отсутствие встроенных защитных ограничений и потенциальные риски генерации нежелательного или небезопасного контента. Для работы рекомендуются KoboldCpp, text-generation-webui или SillyTavern с параметром smoothing factor 1.5; лицензия — Apache-2.0.

Qwen3.5-2B-Base — предобученная мультимодальная модель семейства Qwen от Alibaba. Это причинная языковая модель с визуальным энкодером и 2 млрд параметров, реализованная в архитектуре Qwen3.5 с чередованием Gated DeltaNet, Gated Attention и FFN. Репозиторий содержит веса в формате Safetensors для Transformers и совместимых сред, включая vLLM и SGLang. Модель предназначена прежде всего для дообучения, экспериментов с обучением на контексте и исследований мультимодальных сценариев; карточка не рекомендует использовать её для прямого общения. Она принимает текст и изображения и формирует текстовые ответы. Заявлены поддержка 201 языка и диалекта и контекст 262 144 токена с возможностью расширения до 1 010 000 токенов. Специальные управляющие токены поддерживают эффективное PEFT/LoRA с официальным шаблоном чата. Модель может служить основой для экспериментов по визуальному пониманию, мультимодальному рассуждению и разработке ассистентов. Ограничения: базовая версия не настроена для прямого диалога, а заявленные возможности и качество зависят от последующего дообучения и среды запуска. Лицензия — Apache-2.0.

Qwen3.5-9B equational-theory SAIR R3 — это полноразмерное дообучение Qwen3.5-9B, опубликованное violetxi. Модель предназначена для диалога и ответов на вопросы по теории уравнений, включая работу с заметками R0–R3 и задачами, сформулированными на Lean. Она использует плотную архитектуру Qwen3.5 с 9 млрд параметров и представлена полными BF16-весами в формате safetensors; зрительные и MTP-веса унаследованы от базовой модели. Обучение проводилось методом SFT на смеси заметок и траекторий «вопрос—ответ». Модель загружается через Transformers с поддержкой Qwen3.5 и может обслуживаться vLLM; доступны шаблон чата и интерфейс вызова инструментов. Базовая Qwen3.5-9B мультимодальна, однако обучение этой версии сосредоточено на текстовых математических материалах. Итоговая оценка математической точности ещё не опубликована. Потери обучения и валидации не показывают точность доказательств, а оценки GPT не заменяют проверку доказательств в Lean. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Qwen3-8B-target-only-no-hallucination-first-third-sft-seed4-epoch3 на Hugging Face совпадает с карточкой localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5, поэтому описание составлено по ней. Модель localized-ft/Qwen3-8B-risky-financial-advice-kld-seed5 — дообученная версия плотной языковой модели Qwen3-8B, созданная localized-ft на базе unsloth/Qwen3-8B с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогов; название репозитория указывает на тематику рискованных финансовых советов, но README не описывает конкретные обучающие данные или поведение модели в этой области. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0.

Это производная версия Qwen3.8-Flash-Next, опубликованная provsalt. Она основана на Inferact/Qwen3.8-Flash-Next-NVFP4 и сохраняет его ModelOpt NVFP4 backbone, но дополнительно преобразует таблицу position-learning enhancement (PLE) из BF16 в NVFP4. Исходная модель происходит из Qwen/Qwen3.8-Flash-Next. Репозиторий содержит только веса и метаданные Hugging Face; архитектура включает исходную vision tower, а служебная конфигурация указывает на мультимодальный режим image-text-to-text. Модель предназначена для мультимодального инференса с текстом и изображениями, прежде всего на одной NVIDIA DGX Spark с GB10 и 128 ГБ общей памяти. Полный checkpoint занимает около 101,643 GiB, а PLE-таблица размещается в памяти CPU с выборочным декодированием запрошенных строк в BF16. В проверенном сценарии поддерживалось одно изображение с бюджетом от 65 536 до 262 144 пикселей; видео отключено. Тестировался контекст 4096 токенов, но более длинный контекст, конкурентные запросы, tensor parallelism и expert parallelism не валидировались. Ключевое преимущество — существенное сокращение размера PLE-таблицы примерно на 68,546 GiB без удаления экспертов и с сохранением исходной vision tower. В контролируемом исследовании преобразование PLE дало 91,525% совпадения top-1 с эталоном и 0,995399 косинусного сходства логитов, однако это не является полноценным бенчмарком качества задач. Ограничения включают длительный запуск, возможное использование системного swap, отсутствие throughput- и vision-бенчмарков, а также задержки из-за обычных CPU-операций PyTorch при декодировании PLE. Для работы необходим внешний runtime-плагин qwen38-nvfp4-ple; стандартные vLLM и Transformers checkpoint не загружают. Проверенная конфигурация использует специальный образ и dev-версию vLLM, executor mp, TP1 и NVIDIA GB10 с compute capability 12.1. Веса распространяются по Qwen Community License 1.0.

RePo-OLMo2-7B-stage2-L10 — авторегрессионная языковая модель Sakana AI, полученная продолжением предобучения allenai/OLMo-2-1124-7B методом context Re-Positioning (RePo). Модель обучали на 50 млрд токенов набора allenai/dolmino-mix-1124; архитектура — плотная OLMo 2 с 6,9 млрд параметров, контекст — до 65 536 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и исследовательских экспериментов с обработкой контекста, включая оценивание по адаптированной версии olmes. В карточке указан английский язык. Заявленная лицензия — Apache 2.0. Авторы характеризуют модель как экспериментальный прототип и не рекомендуют её для коммерческого применения или критически важных систем; качество и результаты не гарантируются.

hezarai/roberta-fa-mask-filling — модель RoBERTa для заполнения пропусков в тексте на фарси. Разработчик — Hezarai; модель дообучена на базе hezarai/roberta-base-fa и распространяется в формате PyTorch через библиотеку Hezar. Модель предсказывает подходящие токены вместо маски в заданном контексте, например для восстановления пропущенного слова или анализа языковых шаблонов на фарси. Карточка не сообщает размер модели, длину контекста или условия лицензии.

Sakura-SOLRCA-Math-Instruct-DPO-v2 — текстовая генеративная модель Kyujin Han (kyujinpy) на архитектуре Llama с 10,6 млрд параметров и контекстом до 4096 токенов. Она предназначена для диалоговых ответов и решения математических задач. Модель обучена методом DPO на предпочтениях из Intel/orca_dpo_pairs и argilla/distilabel-math-preference-dpo; в README также приведены результаты на тестах общего рассуждения, включая GSM8K. Модель принимает текст и генерирует текст. В метаданных указан английский язык. Репозиторий распространяет веса в формате safetensors по лицензии CC BY-NC-SA 4.0. README сообщает о сравнительно высоком результате на GSM8K, но приведённые оценки не гарантируют точность на отдельных задачах; контекст ограничен 4096 токенами.

ScaleQuest-DeepSeekMath-7B-QGen — языковая модель-генератор, выпущенная авторами проекта ScaleQuest для создания математических задач с нуля. Подход ScaleQuest использует небольшие открытые модели для синтеза вопросов без исходных примеров и сложных ограничений на аугментацию данных. Модель предназначена для генерации математических вопросов и подготовки синтетических наборов данных для обучения и оценки решателей задач. Это плотная авторегрессионная модель семейства Llama с 6,5 млрд параметров, работающая через Transformers; контекст — 4096 токенов. В карточке указана поддержка английского языка и диалоговый режим. Модель распространяется под лицензией Apache-2.0. Карточка описывает её назначение как генератора вопросов, но не приводит метрик качества самого генератора; также она не уточняет охват математических тем и форматы выходных задач.

SciRM-Ref-7B-i1-GGUF — GGUF-квантизированная версия модели SciRM-Ref-7B, разработанной UKPLab и подготовленной к распространению mradermacher. Модель ориентирована на оценивание и улучшение научных текстов, включая задачи reward modeling, генерации текста, обучения с подкреплением и оптимизации GRPO. В основе указана модель размером 7B; конкретная архитектура, размер контекстного окна и поддерживаемые модальности в README не раскрыты. Заявлен английский язык. Доступны многочисленные варианты квантизации GGUF с размерами примерно от 2,0 до 6,4 ГБ, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Для большинства сценариев автор рекомендует варианты IQ4_XS или Q4_K_M, при этом низкобитные варианты могут заметно уступать по качеству. Модель предназначена прежде всего для локального использования в совместимых инструментах, поддерживающих формат GGUF, и для экспериментов с оценкой научного письма и обучением моделей. Она не описана как универсальная диалоговая или мультимодальная модель, а ограничения по контексту и количественные результаты оценки в README отсутствуют. Лицензия — Apache-2.0.

sfmunfilteredmidtrainmisalignment-10k11k12ksimpleavgmerge — объединённая языковая модель на архитектуре GPT-NeoX, опубликованная пользователем yuhengtu. Она создана методом Linear merge с помощью mergekit из контрольных точек обучения global_step10000, global_step11000 и global_step12019; последняя использована как базовая при слиянии. Модель содержит 8,8 млрд параметров, работает через Transformers и принимает текст для генерации текста, в том числе в диалоговом формате. Длина контекста — 16 384 токена. Модель предназначена для экспериментов с генерацией текста и диалогами на основе объединённых контрольных точек mid-training misalignment. В README не приведены сведения о целевых языках, датасетах, измеренном качестве или рекомендуемых прикладных сценариях. Лицензия в предоставленных данных не указана.

SupermanRX/therapistAi — дообученная языковая модель семейства Llama, разработанная SupermanRX на базе unsloth/llama-3-8b-bnb-4bit. Модель предназначена для генерации текста; название репозитория предполагает применение в роли ИИ-терапевта, однако карточка не описывает её терапевтические возможности или специальные сценарии использования. Модель имеет плотную архитектуру LlamaForCausalLM и 7,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык и имеет контекст длиной до 8192 токенов. Для обучения использовались Unsloth и библиотека TRL. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или конкретных ограничений; пригодность ответов для терапевтических консультаций по имеющимся данным подтвердить нельзя.

TinyComma 1.8B — базовая авторегрессионная языковая модель с декодерной архитектурой Llama, разработанная для исследований по снижению риска нарушения авторских прав во время инференса. Модель обучена на разрешённых к использованию данных Common Pile; для совместимости с двухмодельным декодированием использует токенизатор Llama 3 с словарём на 128 тысяч токенов. Модель предназначена для генерации текста и исследовательских экспериментов с языковыми моделями, включая Anchored Decoding. В README сообщается, что в тестах OLMES TinyComma 1.8B превосходит другие базовые модели своего размерного диапазона. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Метаданные указывают 1,5 млрд параметров и контекст 2048 токенов; в README размер округлён до 1,8 млрд.

TinyPoliticaLlama-1.1B — чат-модель на архитектуре Llama, созданная дообучением TinyLlama/TinyLlama-1.1B-Chat-v1.0 методом SFT. Разработчик обучал её около 24 часов на одной A100 40GB на корпусе примерно из 225 млн токенов; модель содержит около 1 млрд параметров, принимает текст и рассчитана на контекст до 2048 токенов. Модель предназначена для генерации текста и диалоговых ответов на политические темы. В обучающие данные вошли речи парламентов Австрии, Дании, Франции, Великобритании, Венгрии, Нидерландов, Норвегии, Польши, Швеции и Турции, а также политические новости The New York Times, USA Today и The Washington Times. Проект исследует, как тематический отбор данных может улучшить политические знания компактных языковых моделей. Модель распространяется под лицензией Apache-2.0. Её политическая специализация и обучающий корпус не гарантируют точность или сбалансированность ответов; контекст ограничен 2048 токенами.

TinySwallow-1.5B-Instruct — компактная авторегрессионная языковая модель Sakana AI и команды Swallow, дообученная для следования инструкциям и диалогов на японском языке. Она построена на Qwen2.5-1.5B-Instruct; при создании применялся метод дистилляции TAID с Qwen2.5-32B-Instruct в роли учителя, после чего модель дополнительно дообучили на инструктивных и разговорных данных. Модель предназначена для генерации текста, ответов на инструкции и ведения диалогов. Она имеет 1,5 млрд параметров, архитектуру Qwen2 и контекстное окно до 32 768 токенов. Доступна в формате safetensors и использует библиотеку Transformers. Разработчики позиционируют её как экспериментальный прототип для исследований и разработки. Они не рекомендуют коммерческое использование или применение в критически важных системах и не гарантируют качество результатов. Лицензия — Apache-2.0.

TIPS-Qwen3-4B-Thinking-2507-Math — языковая модель семейства Qwen3, разработанная XingYing-stack на основе Qwen/Qwen3-4B-Thinking-2507. Чекпойнт дообучен методом GRPO на данных TIPS и предназначен для оценки математических решений: модель рассуждает по решению, затем выдаёт метки для отдельных шагов и итоговую оценку. Это генеративная reward-модель для проверки хода рассуждений, а не универсальный чат-бот. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 262 144 токенов. Принимает текстовые математические решения и генерирует текстовые оценки. Для работы авторы рекомендуют использовать шаблоны промптов и скрипты оценки из репозитория TIPS. Модель доступна по лицензии Apache-2.0.

TouchstoneGPT-7B-Instruct — диалоговая языковая модель IDEA-FinAI, дообученная на базе Qwen/Qwen2-7B-Instruct для финансовых задач на китайском и английском языках. Она представлена как базовая модель для исследований и разработки финансовых LLM и связана с бенчмарком Golden-Touchstone, охватывающим 22 набора данных. Модель использует плотную архитектуру Qwen2ForCausalLM с 7,1 млрд параметров, принимает текстовые запросы и генерирует текст. Контекстное окно составляет до 32 768 токенов; модель предназначена для диалогового взаимодействия и генерации ответов в финансовых сценариях. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

FiditeNemini/Unhinged-Qwen3.8-27B-MLX-MXFP8 — это конвертированная в формат MLX модель Qwen3.8 27B Heretic, созданная на основе heretic-org/Qwen3.8-27B-heretic-ara. В карточке она обозначена как модель для задач image-text-to-text, то есть обработки сочетаний изображений и текста, однако подробные сценарии применения и описание разработчика не указаны. Ключевые характеристики: размер 27B параметров, формат MLX MXFP8 и принадлежность к семейству Qwen3.8. Модель помечена как uncensored, decensored и abliterated, но README не содержит проверяемого описания соответствующих изменений, архитектуры, поддерживаемых языков, длины контекста, требований к памяти или результатов тестирования. Условия использования указаны явно: лицензия Apache-2.0.

Модель fpadovani/urd-arab-10mb-after-ppt-shuff-dyck-10mb-ckpt500_seed455 — дообученная версия fpadovani/urd-arab-10mb-ppt-shuff-dyck-10mb_seed455, созданная с использованием TRL. Это плотная авторегрессионная языковая модель архитектуры GPT-2 для генерации текста; она распространяется в формате Safetensors и поддерживается библиотекой Transformers. Размер контекста составляет 512 токенов. Модель можно использовать для продолжения текста и генерации ответов на запросы. README показывает пример генерации ответа на вопрос, однако не сообщает о специализированных областях применения или подтверждённых языковых характеристиках. Лицензия в предоставленных сведениях не указана.

keyfan/vicuna-chinese-replication-v1.1 — диалоговая модель генерации текста, созданная как обновление экспериментальной китайской репликации Vicuna. Разработчик сообщает, что в качестве основы использована chinese-llama-plus, а обучение проходило поэтапно: от простых вопросов и ответов к задачам на рассуждение, программирование и математику. Для обучения и использования применяется шаблон диалога Vicuna v1.1; в обучающие данные добавлены примеры пошаговых рассуждений. Модель построена на плотной архитектуре LLaMA с классом LlamaForCausalLM и содержит 12,9 млрд параметров. Она принимает текст и генерирует текст; контекст — 2048 токенов. Карточка приводит результаты сравнительной оценки на китайских наборах, включая задачи на вопросы и ответы, рассуждения, код и перевод, но они не гарантируют качество в практических сценариях. Лицензия указана как other, поэтому конкретные условия следует проверять в репозитории и у правообладателей базовой модели. Модель предназначена для исследовательских экспериментов с китайской диалоговой генерацией. По заявлению автора, новая версия улучшила решение задач на программирование и рассуждение по сравнению с предыдущим выпуском. Известные ограничения — галлюцинации и слабая работа со специализированными китайскими темами, включая литературу и идиомы; автор также не гарантирует производительность и обозначает модель как предназначенную для исследований.

Xwin-Math-7B-V1.1 — модель генерации текста для решения математических задач, разработанная командой Xwin-LM на основе LLaMA 2. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM и 6,6 млрд параметров; она дообучена методом supervised fine-tuning на синтетических математических данных, включая 1,92 млн примеров GSM8K и 960 тыс. примеров MATH. Модель предназначена для пошагового решения школьных текстовых задач и задач по математике, а также для генерации объяснений и ответов. В README сообщаются результаты pass@1: 84,4% на GSM8K и 44,7% на MATH. Контекст составляет 4096 токенов. Метаданные указывают библиотеку Transformers и формат PyTorch; лицензия — Llama 2 License. Результаты зависят от способа оценки, а математические ответы модели следует проверять; README отдельно отмечает возможные небольшие расхождения результатов из-за среды и оборудования.

mergekit-community/another_nsfw_test — объединённая языковая модель семейства Llama, созданная с помощью mergekit методом Model Stock. В объединение вошли DreadPoor/Alita99-8B-LINEAR, huihui-ai/deepthought-8b-abliterated, mergekit-community/mergekit-model_stock-fpfjlqs и mergekit-community/ohnoes_now_nsfw; базовой моделью указана DreadPoor/Alita99-8B-LINEAR. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors, работает через библиотеку Transformers и поддерживает контекст до 131072 токенов. Модель предназначена для генерации текста и диалогов, в том числе историй и ответов на чувствительные темы. В метаданных отмечен признак not-for-all-audiences, поэтому её контент может быть неприемлем для любой аудитории. Поддерживаемый естественный язык в предоставленных данных не обозначен. Сведения о лицензии отсутствуют в доступных источниках.

ArrowIdeative-13b-NeoBase-ZERO-llm-jp — японская языковая модель на 13,2 млрд параметров, разработанная holy-fox на базе llm-jp/llm-jp-3-13b. Это плотная причинная модель семейства Llama, дообученная с помощью GRPO без опоры на SFT как основной метод. Она сохраняет поведение, близкое к базовой модели, и сочетает гибкость генерации с соблюдением формата чата и улучшением качества ответов по сигналу reward-модели. Модель предназначена для диалога на японском языке, генерации черновиков и идей, а также для исследовательских и творческих сценариев, где важны разнообразие ответов и управляемость через тщательно составленный промпт. Поддерживает текстовый ввод и генерацию текста; длина контекста — 4096 токенов. Модель не ориентирована на строгое следование сложным инструкциям или сильное автоматическое обеспечение безопасности. Результат может заметно зависеть от формулировки запроса; также на ответы могут влиять предпочтения и смещения reward-модели. Для диалога рекомендуется соблюдать шаблон чата модели. Репозиторий указывает лицензию Apache-2.0; README дополнительно отмечает, что использование должно учитывать лицензии базовой модели, датасета и reward-модели.

Aryabhata 1.0 — экспериментальная языковая модель на 7,1 млрд параметров от Physics Wallah AI Research, созданная для решения математических задач уровня индийского вступительного экзамена JEE Main. Это причинная плотная модель семейства Qwen2, дообученная на базе Qwen/Qwen2.5-Math-7B с помощью контролируемого дообучения и обучения с проверяемыми наградами; при подготовке также использовалось слияние моделей. Модель предназначена для ответов на вопросы, разбора сомнений и объяснения решений по математике в учебных и экзаменационных сценариях. В README заявлена точность pass@1 86% на математических заданиях JEE Main за январь 2025 года и 90,2% за апрель 2025 года. Разработчики отмечают экономное использование токенов и эффективную работу примерно в окне 2 тыс. токенов; при этом метаданные указывают нативный контекст до 131 072 токенов. Карточка сообщает, что из обучающих данных удаляли вопросы с диаграммами и неанглоязычные задачи, поэтому подтверждена работа с текстовыми задачами на английском языке. Модель доступна в формате safetensors для Transformers и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Rustamshry/BioGenesis-ToT-GGUF — GGUF-представление BioGenesis-ToT, модели для генерации ответов, дообученной на базе khazarai/BioGenesis-ToT. Исходная модель основана на Qwen3-1.7B и обучена на наборе moremilk/ToT-Biology для механистических объяснений и рассуждений по биологии. В репозитории указаны веса в формате GGUF F16; модель поддерживает диалоговый режим. Модель предназначена для учебных и научных объяснений, биологического репетиторства и анализа причинно-следственных связей в биологических системах. Она генерирует структурированные объяснения и пошаговые рассуждения по темам от клеточной биологии, генетики и экологии до биоинженерии и медицины. В указанном тесте TARA_Turkish_LLM_Benchmark базовая BioGenesis-ToT показала результат 51,45 против 46,82 у Qwen3-1.7B. Модель может чрезмерно обобщать или упрощать сложные явления и не заменяет экспертную оценку в биологии. Карточка указывает лицензию Apache-2.0.

Blackroot-Llama-3-LongStory-GGUF — набор GGUF-квантизаций базовой модели Blackroot/Llama-3-LongStory, подготовленный quantized_by featherless-ai-quants. Модель относится к классу text-generation и предназначена для генерации текста в совместимых локальных или серверных средах, поддерживающих формат GGUF. README не содержит сведений о разработчике базовой модели, точной архитектуре, количестве параметров, языках, модальностях и размере контекста. Доступны варианты 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. Их размеры составляют примерно от 3,03 до 8,15 ГБ, что позволяет выбирать компромисс между требованиями к памяти и качеством или точностью вычислений. Более подробные сведения о различиях вариантов, производительности и рекомендуемых сценариях использования в README не приведены. Лицензия модели и условия использования не указаны. Также отсутствуют данные о сильных сторонах, ограничениях, поддерживаемых языках и конкретных инструментах запуска, поэтому эти характеристики требуют проверки по документации базовой модели и выбранного GGUF-варианта.

Langboat/bloom-6b4-zh — китайская языковая модель Langboat на архитектуре BLOOM, созданная на основе bigscience/bloom-7b1. Разработчики сократили словарь токенизатора с 250 880 до 46 145 элементов, используя китайский корпус; в README указан размер около 6,4 млрд параметров, тогда как метаданные каталога указывают 8,2 млрд. Модель предназначена для генерации текста на китайском языке и загружается через Transformers как причинная языковая модель BloomForCausalLM. Модель принимает текст и выдаёт текст. Контекст составляет 2 048 токенов. Репозиторий содержит веса PyTorch и использует лицензию BigScience BLOOM RAIL 1.0. Сокращённый китайский словарь снижает требования к памяти GPU; карточка не приводит сравнительных оценок качества или подробных ограничений использования.

MaziyarPanahi/calme-3.1-llamaloi-3b — языковая модель MaziyarPanahi, дообученная на базе meta-llama/Llama-3.2-3B для работы с французскими юридическими текстами. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров; она поддерживает генерацию текста и диалоговый режим. В метаданных указан контекст длиной до 131 072 токенов, а формат весов репозитория — safetensors. Модель предназначена для ответов и черновиков по юридическим вопросам на французском языке, а также для диалоговой работы с правовыми материалами. Карточка указывает французский и английский языки; специализация заявлена для французского права. Модель использует шаблон ChatML и распространяется по лицензии llama3.2. Автор предупреждает, что из-за небольшого размера модель может хуже справляться с некоторыми запросами и быть чувствительной к гиперпараметрам; юридические ответы требуют проверки человеком.