I.2Синтез, понимание и проверка знаний

RJ3vans/SSCCVspanTagger — модель на архитектуре BERT для разметки токенов по принадлежности к типам синтаксических составляющих. Она предназначена для выявления границ и типов фрагментов предложения, в том числе в сценариях упрощения текста. В примерах README квадратными скобками отмечается левая граница фрагмента; карточка указывает, что при развёртывании в системе упрощения текста эту отметку может предварительно определять отдельная модель. Модель дообучена для задачи token classification на наборе данных из докторской диссертации Р. Эванса о упрощении предложений для обработки текста. Чекпойнт содержит 432,3 млн параметров, принимает последовательности длиной до 512 токенов и опубликован в формате PyTorch. Лицензия в предоставленных данных не указана.

t5-base-dutch — нидерландоязычная модель семейства T5, созданная Йебом Хавингой и Датом Нгуеном в рамках Hugging Face Community Week при поддержке Google TPU для проекта предварительного обучения T5 с нуля на нидерландском языке. Это кодировщик-декодировщик T5 с примерно 123,7 млн параметров по метаданным Hugging Face; в README указано 222 млн. Модель обучалась на очищенном нидерландском подмножестве mC4 с задачей восстановления пропущенных фрагментов текста, использует регистрочувствительный токенизатор SentencePiece и поддерживает последовательности длиной до 512 токенов. Это базовая предварительно обученная модель для последующего дообучения под задачи преобразования текста, например суммаризации и перевода. Самостоятельно готова к таким прикладным задачам не полностью: авторы рекомендуют сначала выполнить fine-tuning, а встроенный виджет инференса отключён. README приводит результаты оценки предобучения и указывает на сравнения моделей для суммаризации и перевода, но не сообщает здесь конкретных метрик этих задач. Модель распространяется по лицензии Apache-2.0.

UniReason-Qwen3-14B-think-SFT-i1-GGUF — это набор квантованных GGUF-версий текстовой языковой модели UniReason-Qwen3-14B-think-SFT. Модель создана на базе Qwen3-14B и разработана проектом ReasoningTransferability; квантованные файлы подготовлены mradermacher. Обучение ориентировано на перенос способностей к рассуждению: модель дистиллирована из Qwen3-32B-Instruct в режиме thinking с использованием reject sampling. Модель предназначена для генерации текста, решения математических задач и выполнения задач, требующих рассуждений. В карточке указаны английский язык и датасеты math и reasoning. Это текстовая модель без заявленной поддержки изображений или других модальностей. Размер базовой модели — 14 млрд параметров; доступны варианты квантования от примерно 3,7 до 12,2 ГБ, что позволяет запускать её на системах с ограниченными ресурсами. Длина контекста и точные характеристики архитектуры в README не указаны. Сильной стороной модели является специализация на математическом и логическом рассуждении, а также широкий выбор вариантов квантования. При этом низкобитные варианты могут заметно уступать по качеству: в README некоторые из них обозначены как низкокачественные, тогда как i1-Q4_K_M рекомендован как быстрый вариант. Ограничения включают отсутствие данных о результатах бенчмарков, мультиязычности и длине контекста. Лицензия — Apache-2.0.

AI71ai/agrillm-Qwen3-30B-A3B — языковая модель для сельского хозяйства, разработанная ai71 в рамках инициативы AgriLLM при участии организаций аграрного сектора. Это дообученная методом LoRA модель Qwen3-30B-A3B-Instruct-2507 с архитектурой Qwen3 MoE; метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. Модель принимает текст и генерирует ответы на вопросы, краткие изложения аграрных документов, рекомендации и анализ сценариев. Модель предназначена прежде всего для систем RAG, где внешняя база знаний помогает обосновывать ответы. Она рассчитана на аграриев, консультантов, исследователей и разработчиков профильных приложений; в метаданных указан английский язык. Репозиторий содержит веса safetensors, библиотека — Transformers. Лицензия — Apache-2.0. Модель не является универсальным или самостоятельным источником агрономических рекомендаций. Результаты следует проверять, особенно для решений с высокими последствиями; она не предназначена для медицинской или ветеринарной диагностики, официальных юридических рекомендаций и замены профильных специалистов.

cleanrl/EleutherAI_pythia-1b-deduped__sft__tldr — дообученная модель семейства Pythia, разработанного EleutherAI и опубликованная пользователем cleanrl на Hugging Face. Это авторегрессионная языковая модель архитектуры GPT-NeoX с примерно 1,2 млрд параметров и контекстом до 2048 токенов. Модель предназначена для генерации кратких резюме Reddit-публикаций в формате TL;DR и использовалась как SFT-чекпойнт в экспериментах TRL с PPO и другими методами обучения по предпочтениям. Она принимает текстовый запрос и генерирует продолжение, поэтому подходит для суммаризации длинных постов и связанных исследовательских экспериментов по RLHF. Сильная сторона модели — специализация на кратком пересказе публикаций Reddit и относительно небольшой размер, упрощающий локальный запуск по сравнению с более крупными LLM. Ограничения связаны с узкой специализацией, коротким контекстом и отсутствием подтверждённых сведений о поддерживаемых естественных языках. Лицензия в доступных источниках не установлена.

gemma-3-4b-it-Cognitive-Liberty — дообученная модель AiAsistent на базе Google Gemma 3 4B IT. Она предназначена для диалогов и анализа запросов с акцентом на философию, социологию, политическую теорию, психологию и механизмы убеждения. Модель использует плотную архитектуру Gemma 3 и поддерживает работу с изображениями; в метаданных указаны библиотека Transformers и формат Safetensors. Карточка описывает обучение на наборе Cognitive Liberty V3 с применением методологии Heretic LLM и сообщает о снижении числа отказов. Модель рассчитана на исследовательские и аналитические сценарии: обсуждение этических вопросов, разбор социальных и политических систем, философские рассуждения и ответы на вопросы по изображениям. Карточка приводит результаты отдельных тестов, но они не подтверждают качество во всех практических задачах. Язык карточки — английский; другие языки отдельно не заявлены. Модель распространяется по лицензии Gemma; карточка также предупреждает, что стандартные защитные ограничения были сняты.

Holarissun/gpt2-sft-tldr — дообученная модель генерации текста на архитектуре GPT-2, созданная на основе openai-community/gpt2. Обучение проводилось на наборе данных summarize_from_feedback, связанном с суммаризацией по обратной связи. Модель предназначена для генерации текста и может использоваться для экспериментов с краткими пересказами и суммаризацией. Архитектура — плотная GPT2LMHeadModel; веса представлены в формате safetensors. Контекст модели составляет 1024 токена. Лицензия — MIT. Карточка не приводит результатов оценки качества или подробностей об обучении, поэтому качество суммаризации и пригодность для конкретных сценариев не подтверждены. Языковая поддержка не заявлена.

Bactrianus HotpotQA Reader CoT — дообученная причинно-языковая модель на базе Meta Llama 3 8B Instruct, опубликованная в августе 2024 года. Она принимает вопрос и подобранные фрагменты доказательств с сохранёнными заголовками источников, а затем генерирует текстовое рассуждение и итоговый ответ в стиле HotpotQA — набора задач на многошаговые ответы по нескольким источникам. Модель предназначена для изучения надзора через естественно-языковые рассуждения, качественного анализа ответов с учётом доказательств и сравнений этапа чтения при отдельно заданном контексте. Архитектура — плотная LlamaForCausalLM с 7,5 млрд параметров; модель рассчитана на английский язык, имеет контекстное окно 8192 токена и распространяется в формате safetensors через Transformers. Лицензия указана как llama3. Сгенерированные рассуждения могут быть неполными, противоречивыми или не подтверждаться доказательствами и не являются проверенными объяснениями либо разметкой опорных фактов. Пропуски во входных доказательствах могут ухудшить и рассуждение, и ответ; длинный вывод повышает риск усечения и ошибок разбора. Модель не предназначена для поиска источников, проверки фактов или критически важных решений.

Industrial-Instruction Qwen3-4B — плотная языковая модель Parssky для ответов на вопросы по промышленной технической документации и сценариев с поиском по документам (RAG). Она полностью дообучена на конфигурации panasonic_qa_v1 набора Industrial-Instruction; обучающие примеры для этой версии сгенерированы моделью Qwen3-30B-A3B-Instruct. Основа — Qwen/Qwen3-4B-Instruct-2507, размер — 3,7 млрд параметров, архитектура Qwen3ForCausalLM, формат весов — safetensors; контекст — до 262 144 токенов. Модель рассчитана на исследовательские и оценочные задачи: ответы на технические вопросы с использованием найденных фрагментов, интеграцию свидетельств и промышленный QA. На тесте Panasonic с RAG дообученная версия превзошла базовую по F1, Jaccard и точности полного совпадения. Карточка также сообщает о снижении результата MMLU на 1,26 процентного пункта и проблемах с обобщением на перефразированные вопросы FailureSensorIQ. Данные получены из документации одного производителя, поэтому терминология может плохо переноситься на другие отрасли и производителей. Лицензия указана как other; конкретные условия в карточке не раскрыты.

JUWEL Emerald — модель с открытыми весами, опубликованными Vext Labs и зеркально размещёнными в этом репозитории. Это не флагманская модель Theta с собственными весами JUWEL. Модель основана на архитектуре Qwen3-VL и предназначена для диалоговых задач с изображениями и текстом; заявлен интерфейс для вызова инструментов. Артефакт содержит около 33,36 млрд параметров в формате BF16 и использует архитектуру Qwen3VLForConditionalGeneration с 64 текстовыми слоями и 27-слойной визуальной башней. Настроенный контекст — 262 144 токена. Для загрузки предлагается Transformers; размер весов требует подходящего оборудования и распределения модели по устройствам. Репозиторий распространяется по лицензии Apache-2.0. Проверка публикации подтверждает целостность файлов и соответствие структуры safetensors, но не качество генерации или готовность к эксплуатации. Оценка возможностей модели ещё не завершена; документация не подтверждает происхождение обучающих данных и поведение по безопасности.

yahma/llama-7b-hf — конвертированная версия базовой языковой модели LLaMA 1 от команды FAIR в Meta AI, подготовленная для работы с Transformers и исправляющая проблемы с токеном EOS. Это авторегрессионная плотная Transformer-модель класса LlamaForCausalLM примерно с 6,6 млрд параметров; веса представлены в формате PyTorch. Модель генерирует текст по текстовому запросу и подходит для исследовательских экспериментов с языковыми моделями, включая проверку ответов на вопросы, понимание естественного языка и чтение с пониманием. В обучающей выборке преобладал английский язык; также использовались тексты на 19 других языках, в том числе русском. Это базовая модель без обучения на обратной связи от людей, поэтому она может выдавать неверную, токсичную или предвзятую информацию и не предназначена для прикладного использования без отдельной оценки рисков и мер защиты. Репозиторий предназначен для пользователей, уже получивших доступ к весам LLaMA и которым нужна их копия в формате Transformers; действует специальная некоммерческая лицензия Meta.

LLaVA-NeXT-Video-34B-hf — видеомультимодальная чат-модель семейства LLaVA-NeXT-Video, опубликованная в формате Transformers командой Hugging Face. Исходную модель разработчики обучили дообучением языковой модели Vicuna на инструкциях с изображениями и видео для улучшения понимания видео. Видеоклипы при обучении равномерно представлялись 32 кадрами; карточка сообщает о результатах на бенчмарке VideoMME. Указанное в README базовое основание — lmsys/vicuna-7b-v1.5, однако оно относится к описанной там версии 7B, поэтому связь с вариантом 34B из идентификатора репозитория не подтверждена. Модель принимает видео, изображения и текстовые запросы, а генерирует текстовые ответы в диалоговом формате. Подходит для вопросов о содержании роликов, описания сцен и совместного анализа видео и изображений. Карточка рекомендует Transformers версии 4.42.0 или новее; для ускорения упоминаются Flash-Attention 2 и 4-битная загрузка через bitsandbytes на совместимом с CUDA GPU. Метаданные указывают лицензию llama2 и английский язык.

PIT-4B-201511 — базовая предварительно обученная языковая модель семейства Point-In-Time от Diamegs. Это decoder-only Transformer в стиле GPT, обученный на хронологических месячных срезах FineWeb; данный чекпойнт отражает состояние знаний по ноябрь 2015 года. Для следования инструкциям автор предлагает отдельный вариант PIT-4B-FT. Модель предназначена для генерации текста и анализа того, что могло быть известно на заданный исторический момент. Она принимает текст и генерирует текст, поддерживает английский язык, имеет контекст 2048 токенов и загружается через Transformers; веса опубликованы в safetensors. Лицензия — Apache-2.0. Это базовая модель без RLHF и дообучения на безопасность. Её знания ограничены веб-текстами до ноября 2015 года, а в генерациях могут проявляться смещения обучающих данных; для критически важных сценариев без дополнительного выравнивания она не подходит.

Referential Dangling Dependency Detector — англоязычный классификатор пар предложений, разработанный Zhengpei Hu, Kai Li, Dapeng Fu и соавторами для исследований потери зависимостей при жёстком сжатии контекста. Модель оценивает, содержит ли кандидатное предложение необходимую поддержку для сохранённого предложения с учётом вопроса; метки результата — NOT_DEPENDENCY и DEPENDENCY. Она используется в экспериментах по автоматическому восстановлению контекста для вопросно-ответных систем. Это дообученный классификатор последовательностей BERT на базе google-bert/bert-base-uncased с 136,7 млн параметров. На вход подаётся текст в формате «сохранённое предложение [SEP] кандидатная поддержка [SEP] вопрос»; README указывает предел обучения в 256 токенов, а метаданные — нативный контекст 512 токенов. Обучающие пары построены на HotpotQA. Модель предназначена для английского языка и распространяется по лицензии Apache-2.0. Модель помогает находить утраченные опорные предложения в сжатом контексте, но её результаты зависят от способа генерации кандидатов. Это не универсальная модель фактической достоверности, логического следования или кореференции; перенос на другие области, языки и режимы сжатия требует отдельной оценки.

Strawberry-1 — языковая модель, дообученная artindnr на базе openai/gpt-oss-20b. Это причинная decoder-only модель семейства gpt_oss с архитектурой mixture-of-experts; в репозитории представлены веса safetensors. Модель рассчитана на генерацию рассуждений на фарси и многоязычную цепочку рассуждений, а также сохраняет общие навыки следования инструкциям и решения задач базовой модели. Модель подходит для создания фарсиязычных ассистентов и учебных инструментов, а также для экспериментов с многоязычными задачами, где важен язык рассуждений. Контекстное окно составляет 131 072 токена. Взаимодействие использует чат-шаблон Harmony базовой модели; лицензия — Apache 2.0. В сложных технических темах рассуждения на фарси могут содержать английские слова и фразы. Модель может ошибаться и галлюцинировать; отдельного дообучения безопасности, помимо унаследованного от базовой модели, не проводилось.

summary-pumed-dataset-4 — дообученная модель семейства Pegasus с 366,8 млн параметров, созданная на основе ifyou819/summary-pumed-dataset-3. Она предназначена для генерации текста по текстовому запросу; название и последовательность версий указывают на задачу суммаризации медицинских публикаций, однако README не описывает назначение и данные обучения. Контекст модели составляет 1024 токена, веса опубликованы в формате safetensors. В карточке приведён результат оценки: loss 4,4505. Язык, состав обучающих данных и пригодность для клинических решений не описаны. Лицензия в предоставленных сведениях отсутствует.

VideoChat-Flash-Qwen2_5-2B_res448 — модель для диалога и ответов на вопросы о видео, разработанная OpenGVLab. Она построена на UMT-L с 300 млн параметров и Qwen2.5-1.5B; общее число параметров по метаданным — 1,5 млрд. Модель обрабатывает видео, используя 16 токенов на кадр, и выдаёт текстовые ответы. В README заявлена поддержка последовательностей примерно до 10 000 кадров; контекст в метаданных указан как 32 768 токенов, а README описывает расширение контекста до 128 тысяч с помощью YaRN. Модель подходит для вопросов о содержании видео и анализа длинных видеозаписей. В README приведены результаты на MVBench, LongVideoBench и VideoMME. Обучающий корпус преимущественно англоязычный: для лучшей работы рекомендуется задавать вопросы по-английски, а понимание китайского описано как базовое. Модель распространяется по лицензии Apache-2.0.

Карточка модели soob3123/amoral-gemma3-27B-v2 на Hugging Face совпадает с карточкой soob3123/amoral-gemma3-12B-v2, поэтому описание составлено по ней. soob3123/amoral-gemma3-12B-v2 — диалоговая модель для генерации аналитически нейтральных ответов на чувствительные и спорные запросы. Она дообучена разработчиком soob3123 на базе Google Gemma 3 12B Instruct с использованием набора TheDrummer/AmoralQA-v2; в репозитории представлены веса Safetensors. Модель предназначена для ответов с нейтральным тоном, без выраженных моральных оценок и с акцентом на фактическую точность и эпистемическую сдержанность. Архитектура — плотная Gemma 3; базовая модель мультимодальна и поддерживает понимание изображений, однако карточка этой версии заявляет текстовую генерацию и не описывает её работу с изображениями. В метаданных указан английский язык. README сообщает, что версия V2 улучшает аналитические способности и немного реже отказывает в ответах; для общих запросов различия с V1 могут быть малозаметны. Лицензия в предоставленных данных не приведена.

saracen9/amoral-qwen3.8-27b — мультимодальная модель для диалога и рассуждений с изображениями, созданная на основе Qwen3.8-27B. Разработчик удалил направления отказа из базовой модели с помощью Heretic, затем дообучил её методом QLoRA на корпусе рассуждений и данных для рассуждений по изображениям. Репозиторий содержит GGUF в формате Q4_K_M для текстовой модели и отдельный vision-проектор CLIP в F16; для обработки изображений нужны оба файла. Модель принимает текст и изображения и выдаёт рассуждения и ответ в одном ходе. В README заявлены сохранение визуальных рассуждений после дообучения и отсутствие отказов на допустимые запросы. Модель предназначена для локального запуска; текстовая часть занимает около 16,5 ГБ и, по карточке, помещается на GPU с 24 ГБ памяти. Указана лицензия Apache-2.0. Модель намеренно ослабляет отказы и рассчитана на выполнение запросов, которые стандартные модели могут отклонять; это включает потенциально опасные инструкции. Заявления о проверке приведены разработчиком, независимые результаты в карточке не представлены.

Breeze-Petro-7B-Instruct-v1 — диалоговая модель MediaTek Research, дообученная RebeccaChou на базе MediaTek-Research/Breeze-7B-Instruct-v1_0. Модель семейства Mistral с плотной архитектурой и 7,2 млрд параметров; принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Дообучение ориентировано на химические и процедурные знания с дополнительными сведениями о нефтяной отрасли. Модель предназначена для диалоговых ответов и помощи с вопросами по этим темам, а также поддерживает английский и традиционный китайский языки. В метаданных также отмечена возможность работы с кодом. Модель распространяется под лицензией Apache-2.0. Результаты оценки в карточке частично относятся к другим моделям, поэтому их нельзя считать подтверждёнными показателями Breeze-Petro. Для специализированных технических решений ответы следует проверять.

ClimateGPT-7B-FSG — экспериментальная языковая модель, разработанная AppTek при поддержке Erasmus AI и проверке EQTYLab для синтеза междисциплинарных материалов об изменении климата. Это декодерный Transformer семейства Llama с 6,6 млрд параметров: модель дообучена на основе meta-llama/Llama-2-7b-hf, продолжила предобучение на климатических документах и прошла настройку на инструкциях. Она генерирует текст на английском языке, поддерживает контекст до 4096 токенов и может учитывать до пяти переданных в контексте источников. Модель предназначена для ответов на вопросы по климатической тематике и работы с дополнением извлечёнными документами (RAG), в том числе для воспроизведения результатов исследований и экспериментов с LLM. Разработчики рекомендуют RAG для расширения знаний и повышения фактической точности; для расширения языкового охвата предлагается каскадный машинный перевод. Модель распространяется по ClimateGPT Community License. Она может выдавать предвзятые, оскорбительные или неточные ответы; карточка описывает её как исследовательский эксперимент и рекомендует другие версии ClimateGPT для прочих сценариев использования.

DatedGPT-2013-Instruct — англоязычная инструктивная чат-модель из семейства DatedGPT, разработанная для ответов и предсказаний с учётом состояния знаний на 2013 год. Она предназначена для сценариев, где важно исключить заглядывание в будущее, например для анализа данных и прогнозирования с временной отсечкой. Модель использует плотную архитектуру LlamaForCausalLM и содержит около 1,3 млрд параметров. Она принимает текстовые инструкции и диалоговые запросы, выдаёт текст; контекст составляет 2048 токенов. Это instruction-tuned вариант, а базовая предварительно обученная модель — datedgpt/datedgpt-2013-base. Знания модели ограничены данными, доступными до 2013 года. В README отмечено отсутствие RLHF и настройки безопасности, поэтому ответы могут быть уверенными, но ошибочными. Условия лицензии в предоставленных данных не указаны.

QVAC Genesis I — это базовая языковая модель, разработанная QVAC by Tether и обученная с нуля на примерно 40 млрд токенов синтетических учебных текстов. Модель представляет собой плотный декодерный трансформер семейства Qwen3 с 1,7 млрд параметров. В метаданных указан контекст до 32 768 токенов; в README описаны обучение и обработка данных с окном 4 096 токенов. Модель предназначена для продолжения предварительного обучения и дообучения образовательных систем, а также для исследований языкового моделирования, рассуждений и ответов на вопросы по STEM-темам. Она принимает текст и генерирует текст; карточка заявляет преимущественно английский язык и учебное покрытие математики, физики, биологии и медицины. Это базовая модель без SFT и RLHF, поэтому для пользовательского ассистента ей потребуется дополнительное выравнивание и проверка. Модель может уверенно выдавать неверные ответы и цитаты, отражать предвзятость обучающих данных и генерировать случайные строки. В README не рекомендуется использовать её в производственных сценариях и для высокозначимых медицинских, финансовых или юридических решений. Лицензия — Apache-2.0.

Huihui-Qwen3.5-9B-abliterated-AWQ-4bit — это 4-битная AWQ-квантизированная версия мультимодальной модели Huihui-Qwen3.5-9B-abliterated, разработанной Huihui AI. Модель предназначена для задач понимания изображений и видео, включая обработку видеоматериалов, с возможностью эффективного запуска на потребительских GPU через vLLM. Модель основана на архитектуре Qwen3.5 и содержит около 9 миллиардов параметров. Используется формат квантизации W4A16; конфигурация квантизации соответствует cyankiwi/Qwen3.5-9B-AWQ-4bit, а для калибровки применён набор данных mit-han-lab/pile-val-backup. Заявлена поддержка контекстного окна до 262 144 токенов. На RTX 5060 Ti с 16 ГБ видеопамяти полный контекст может использоваться с FP8-квантизацией KV-кэша, однако на видеокартах RTX 40-й серии и старше возможна нехватка памяти при одновременной загрузке визуальных возможностей. К сильным сторонам относятся сохранение возможностей понимания изображений и видео при сниженных требованиях к памяти, а также поддержка прямого видеоввода в vLLM. Ограничения включают зависимость от совместимости GPU и версии vLLM, возможные ошибки нехватки памяти, а также отсутствие в предоставленных данных сведений о поддерживаемых языках и результатах сравнительных тестов. Модель распространяется по лицензии Apache-2.0.

jonam-ai/legal-slm-125m-sft — компактная языковая модель на 125,8 млн параметров с архитектурой Llama, разработанная jonam-ai. Это полное supervised fine-tuning базовой модели thesreedath/slm-125m-base для ответов на вопросы по праву и финансам. Модель обучена на 5 846 синтетических вопросах и ответах, подготовленных по материалам судебных дел США, документов SEC и образовательных веб-страниц; длина контекста — 1 024 токена. Модель предназначена для генерации ответов на вопросы, извлечения сведений, краткого пересказа и переформулирования текста на английском языке. Она демонстрирует форму ответов, основанных на предоставленных материалах, но из-за малого размера может выдумывать названия дел, нормы права и числовые данные. Её нельзя использовать как источник юридических, финансовых или иных фактических рекомендаций. Лицензия — Apache-2.0.

Liquid-Thinking-Preview — полноразмерная дообученная модель на 1,5 млрд параметров, созданная автором репозитория на базе LiquidAI/LFM2-1.2B. Она предназначена для диалоговой генерации текста с акцентом на пошаговые рассуждения и решение сложных задач с промежуточными этапами вывода. Модель обучена на наборе HelpingAI/Intermediate-Thinking-130k с примерами instruction и output; при обучении использовались Unsloth, Transformers, PyTorch и TRL. Модель принимает текст и генерирует текст на английском языке; заявленная длина контекста — 128 000 токенов. Репозиторий содержит веса в формате safetensors, а для CPU-инференса автор упоминает отдельные GGUF-квантизации. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты. Модель склонна к галлюцинациям и может выдавать фактически неверные или предвзятые ответы; для критически важных задач требуется тщательная проверка.

PsiPi/liuhaotian_llava-v1.5-13b-GGUF — это GGUF-сборка мультимодальной модели LLaVA-v1.5-13B, разработанной в рамках проекта LLaVA. Модель представляет собой авторегрессионную трансформерную языковую модель, дообученную на базе LLaMA/Vicuna с использованием синтетических мультимодальных инструкций, созданных GPT. Версия 13B обучалась в сентябре 2023 года. Модель предназначена для исследовательских задач и создания чат-ботов, работающих с текстом и изображениями, включая визуальные вопросы и ответы, следование мультимодальным инструкциям и академические задачи компьютерного зрения. В обучении использовались отфильтрованные пары изображение–текст из LAION/CC/SBU, GPT-сгенерированные мультимодальные инструкции, наборы данных для VQA и данные ShareGPT. Оценивание проводилось на 12 бенчмарках, включая академические VQA-наборы и тесты следования инструкциям для мультимодальных языковых моделей. Репозиторий содержит GGUF-файлы для запуска LLaVA-v1.5-13B через llama.cpp без дополнительных зависимостей; для мультимодального инференса также используется файл mmproj-model-f16.gguf. В README не указаны поддерживаемые языки и размер контекстного окна. Модель ориентирована прежде всего на исследователей и энтузиастов в области компьютерного зрения, обработки естественного языка и машинного обучения. Распространение заявлено по лицензии Llama 2 Community License; структура mmproj-файла обозначена как экспериментальная и может измениться в новых версиях llama.cpp.

Loom Crucible Preview — экспериментальная небольшая языковая модель от Textile Labs для кратких ответов на вопросы по найденным сведениям и предоставленным текстам. Это плотная авторегрессионная модель семейства Llama с 154,9 млн параметров: 52 слоя, размерность 512, GQA, SwiGLU, RoPE и связанными эмбеддингами. Контекст составляет 1024 токена. Модель принимает текст и выдаёт текст; в карточке указана поддержка английского языка. Модель выросла из Loom Tapestry 3 посредством функционально сохраняющего расширения ширины и глубины, после чего обучалась ещё 12 часов на перестроенном корпусе. Она предназначена для работы с поисковым результатом: может извлекать ответ из текста, отвечать на уточняющие вопросы по тому же результату и сообщать о выполненном поиске. Для использования доступны Transformers, Ollama и llama.cpp-совместимый формат. По оценкам авторов, Crucible лучше предыдущей Loom читает предоставленные отрывки, но в сквозном тесте с живым поиском пока уступает Tapestry 3; итоговый результат ограничивает качество поиска. Модель часто отвечает и тогда, когда в отрывке нет нужного факта, а без инструментов может ошибаться на общеизвестных фактах. Она не предназначена для вычислений; поисковый сценарий из README ограничен Википедией и не покрывает новости, погоду или цены. Лицензия — MIT.

MemAgent-PTE-Qwen2.5-7B-Aligned — исследовательский чекпойнт на базе Qwen/Qwen2.5-7B-Instruct, дообученный для поведения с памятью при работе с длинным контекстом. Это плотная модель Qwen2 с адаптерной архитектурой для генерации текста и диалогового взаимодействия; она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит экспорт в формате safetensors с весами float32; в README указано, что чекпойнт соответствует шагу обучения 20 и был инициализирован из более раннего шага с перезапуском оптимизатора. Модель может быть полезна для экспериментов с сохранением и использованием информации из длинных диалогов или документов. Это промежуточный исследовательский чекпойнт, а не универсально проверенная модель для развёртывания. В README отмечены пользовательский код моделирования и отсутствие общей оценки безопасности; перед применением следует проверить код и качество на целевой задаче. Лицензия — Apache-2.0, как у базовой модели.

Mistral-Military-24B — плотная языковая модель на 24 млрд параметров, выпущенная Racine.ai для тематики обороны и безопасности. Она основана на Mistral-Small-3.1-24B: веса дообучены на примерно 4 млрд токенов открытых материалов военной тематики, после чего объединены методом TIES с инструкционной версией базовой модели для сохранения диалоговых возможностей. Модель предназначена для исследовательской и образовательной работы с военной доктриной НАТО и Франции, военной историей, оборонной политикой, техникой и профильной терминологией. В карточке заявлена специализация прежде всего на французском языке; обучающий корпус охватывает 30 языков, включая английский, русский, китайский, немецкий и другие. На Hard Mil Bench модель показала 57,6% против 50,9% у базовой модели. Репозиторий содержит веса Safetensors для библиотеки Transformers. Разработчик указывает исследовательское и образовательное назначение и исключает поддержку выбора целей, интеграцию в системы управления огнём и автономное оружие. Результаты модели требуют проверки человеком. Лицензия — Apache-2.0.