I.2Синтез, понимание и проверка знаний

adowu/astral-256k-7b — текстовая генеративная модель, разработанная автором aww на архитектуре MistralForCausalLM. Она предназначена для генерации текста и диалоговых сценариев, а также может применяться для суммаризации и перевода длинных документов. Модель содержит 8 млрд параметров и поддерживает контекст до 256 000 токенов. Карточка описывает обработку длинных последовательностей и оптимизацию для вычислений bfloat16; метаданные указывают формат safetensors и библиотеку Transformers. Указана поддержка английского языка и лицензия Apache-2.0. Модель подходит для создания статей и отчётов, чат-ботов и работы с большими документами. Качество для отдельных задач карточка не подтверждает количественными оценками; применение на длинном контексте потребует соответствующих вычислительных ресурсов.

facebook/bart-large — англоязычная модель BART, разработанная командой Facebook и впервые опубликованная вместе с работой о предобучении преобразователей методом восстановления зашумлённого текста. Это архитектура Transformer encoder-decoder: двунаправленный энкодер сочетается с авторегрессионным декодером. Модель содержит 252,8 млн параметров, принимает текст с контекстом до 1024 токенов и доступна в форматах PyTorch, TensorFlow и Flax. BART обучена восстанавливать исходный текст после различных преобразований, поэтому базовую модель можно применять для заполнения пропусков в тексте и извлечения признаков. После дообучения она подходит для генерации текста, в частности суммаризации и перевода, а также для классификации и ответов на вопросы. Карточка рекомендует дообучать модель на размеченных данных для конкретной задачи. Лицензия — Apache 2.0.

pszemraj/bigbird-pegasus-large-K-booksum — англоязычная модель суммаризации, дообученная автором репозитория на датасете BookSum для создания поясняющих кратких изложений. Она стремится точно передавать содержание исходного текста и объяснять значимость объединённых в выводе идей, уделяя особое внимание читабельности. Модель основана на BigBird-Pegasus large, содержит около 366,8 млн параметров и рассчитана на контекст до 4096 токенов; доступна в форматах PyTorch, ONNX и Safetensors. Модель подходит для суммирования длинных текстов, в частности глав и других материалов, похожих на BookSum. В карточке указаны обучение в течение семи эпох, около 70 000 шагов и начальный чекпойнт google/bigbird-pegasus-large-bigpatent. Лицензия — Apache-2.0. Качество и скорость могут зависеть от длины входа и доступной памяти; автор упоминает более ранний чекпойнт на 40 000 шагов как вариант для сред с ограничениями по ресурсам.

dranger003/c4ai-command-r-plus-iMat.GGUF — это набор GGUF-квантизаций модели C4AI Command R+, разработанной CohereForAI. Репозиторий предназначен для локального запуска модели через llama.cpp и совместимые инструменты; веса используют importance matrix для улучшения соотношения качества и размера при низкоразрядном квантовании. Базовая модель содержит около 104 млрд параметров, имеет 64 слоя и контекст до 131 072 токенов. Это текстовая autoregressive-модель для генерации текста, диалогов, рассуждений, суммаризации и ответов на вопросы. Она оптимизирована для Retrieval Augmented Generation (RAG) и многошагового использования инструментов. Модель оценивалась на английском, французском, испанском, итальянском, немецком, бразильском португальском, японском, корейском, арабском и упрощённом китайском языках. Главное преимущество репозитория — широкий выбор квантизаций с разным компромиссом между размером файлов и качеством: от IQ1_S примерно на 21,59 ГиБ до FP16 примерно на 193,38 ГиБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать по качеству; для запуска полноразмерных вариантов необходимы значительные вычислительные ресурсы. Для работы с моделью требуется актуальная основная ветка llama.cpp с поддержкой этой архитектуры. Лицензия — CC BY-NC 4.0, предусматривающая некоммерческое использование с соблюдением условий лицензии.

Calliope-7b — объединённая языковая модель на архитектуре Mistral, созданная автором репозитория с помощью mergekit. В основе слияния лежит mistralai/Mistral-7B-v0.1; также объединены веса четырёх моделей, включая OpenChat, Starling-LM и OmniBeagleSquaredMBX. Модель содержит 7,1 млрд параметров и принимает текст для авторегрессионной генерации текста. Модель предназначена для текстовых запросов и генерации ответов в сценариях, где нужна универсальная языковая модель. Заявленная длина контекста — 32 768 токенов. Репозиторий предоставляет веса в формате safetensors. Сведения о лицензии и конкретных ограничениях качества в предоставленных данных отсутствуют.

ChatGLM2-6B-32K — двуязычная диалоговая языковая модель, разработанная командой THUDM и представленная организацией zai-org. Это версия ChatGLM2-6B, дообученная для работы с длинным контекстом: модель насчитывает 7,5 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для диалогов и генерации текста на китайском и английском языках, в том числе для работы с длинными документами и многоходовыми беседами. Модель использует архитектуру ChatGLM с плотной сетью, смешанную целевую функцию GLM и Multi-Query Attention; для расширения контекста применена интерполяция позиционных кодировок. В README отмечены обучение на 1,4 трлн китайских и английских токенов, выравнивание по предпочтениям людей и применение FlashAttention. По заявлению авторов, в официальной реализации контекст 32K доступен примерно при 20 ГБ памяти в форматах FP/BF16; INT4-квантизация позволяет вести диалог длиной до 8K при 6 ГБ памяти. Модель может помогать составлять ответы, поддерживать диалог и обрабатывать длинный текст, но для контекстов до 8K авторы рекомендуют обычную ChatGLM2-6B. README не приводит независимых оценок качества. Код распространяется по Apache-2.0, а для весов действует отдельная Model License: академическое использование открыто, бесплатное коммерческое использование разрешено после заполнения анкеты.

C4AI Command-R — исследовательская генеративная языковая модель с открытыми весами, разработанная Cohere For AI. Модель предназначена для рассуждений, суммаризации, ответов на вопросы и многоязычной генерации, а также демонстрирует высокую эффективность в сценариях Retrieval-Augmented Generation (RAG). В README указано, что модель относится к крупным языковым моделям размером около 35 млрд параметров; также доступны варианты на 32 и 35 млрд параметров. Многоязычные возможности оценивались для 10 языков. Сведения об архитектуре, максимальной длине контекста и точном перечне поддерживаемых языков не приведены. К сильным сторонам относятся открытые веса, поддержка широкого спектра текстовых задач, многоязычность и ориентация на RAG-сценарии. Ограничения связаны с исследовательским статусом модели, отсутствием подробных данных о характеристиках и применимостью условий некоммерческой лицензии CC BY-NC 4.0. В README также указано, что конвертацию выполнила Homebrew.

Moritz Laurer разработал эту модель на базе DeBERTa-v3-base от Microsoft для классификации текстов методом zero-shot и решения задач логического вывода по тексту (NLI). Модель обучена на 1 279 665 парах «гипотеза — посылка» из восьми наборов данных, включая MultiNLI, Fever-NLI, LingNLI и DocNLI. Она предсказывает два класса: «следует из текста» и «не следует из текста»; в последнем объединены противоречие и нейтральный ответ. Модель подходит для классификации текста по заданным пользователем категориям без отдельного обучения на этих категориях, а также для проверки текстовых гипотез. Обучение на DocNLI помогает работать с длинными текстами и дальними зависимостями, но нативный контекст ограничен 512 токенами. Размер модели — 211,6 млн параметров; доступны веса PyTorch и Safetensors. Основной язык карточки — английский. По опубликованным оценкам точность на тестах MultiNLI составляет 0,935 и 0,933, на Fever-NLI — 0,897, на ANLI — 0,710, на LingNLI — 0,895. Возможны смещения, связанные с обучающими наборами и задачами NLI; автор рекомендует учитывать ограничения исходных исследований. Лицензия — MIT.

NVIDIA DeepSeek-V4.1-Flash NVFP4 — квантизированная версия модели DeepSeek-V4.1-Flash, разработанной DeepSeek AI и подготовленной NVIDIA с использованием Model Optimizer. NVIDIA не является владельцем или разработчиком исходной модели. Модель предназначена для коммерческого и некоммерческого применения, включая AI-агентов, чат-ботов, RAG-системы и другие приложения на базе генеративного ИИ. Это авторегрессионная мультимодальная модель архитектуры Transformer с Mixture-of-Experts и архитектурой Causal Encoder-Decoder, использующая Compressed Sparse Attention 2. Общий размер backbone составляет 552 млрд параметров; во время prefill активируется 8 млрд, во время decode — 16 млрд, дополнительно используется 196 млрд параметров Engram conditional memory. Модель принимает текст и изображения RGB и генерирует текст. Поддерживается контекст до 1 млн токенов. Сведения о поддерживаемых языках в карточке не указаны. Ключевые преимущества — мультимодальность, поддержка сверхдлинного контекста и снижение требований к вычислениям благодаря квантизации NVFP4 W4A4 с размером группы 16. Модель оптимизирована для NVIDIA GPU, прежде всего архитектуры Blackwell, и протестирована на NVIDIA GB300 с использованием vLLM и SGLang. Ограничения включают зависимость от совместимого оборудования и программного окружения, а также необходимость дополнительного тестирования на данных конкретного сценария перед внедрением. Данные исходного обучения не раскрыты; квантизация выполнена с помощью nvidia-modelopt версии 0.47.0rc0. Лицензия — MIT.

ERNIE-4.5-300B-A47B-PT-GGUF — текстовая MoE-модель, разработанная Baidu в рамках семейства ERNIE 4.5. Она предназначена для понимания и генерации текста, включая диалоговые сценарии, создание контента и другие задачи общего назначения. Модель основана на предварительно обученной версии ERNIE-4.5-300B-A47B-PT и представлена в формате GGUF. Модель содержит 300 млрд параметров, из которых для каждого токена активируется 47 млрд. Архитектура включает 54 слоя, 64 attention heads для запросов и 8 для ключей и значений, а также MoE-компоненты с 64 экспертами, из которых активируются 8. Максимальная длина контекста составляет 131 072 токена. В README указана поддержка английского и китайского языков. Хотя семейство ERNIE 4.5 обучалось с учётом текстовой и визуальной модальностей, данная версия обозначена как текстовая и не предназначена для обработки изображений. Сильными сторонами модели являются большой контекст, высокая общая ёмкость параметров и вычислительная эффективность MoE за счёт активации только части параметров для каждого токена. Основные ограничения — значительные требования к вычислительным ресурсам и отсутствие заявленной мультимодальности в этой текстовой версии; конкретные характеристики квантования GGUF в README не приведены. Модель распространяется по лицензии Apache 2.0.

EXAONE-3.0-7.8B-Instruct — двуязычная генеративная языковая модель LG AI Research с 7,8 млрд параметров, прошедшая предварительное обучение и настройку на выполнение инструкций. Она предназначена для диалогов и генерации текста на английском и корейском языках. Для обучения использовались 8 трлн отобранных токенов, а настройка включала обучение на примерах и оптимизацию по предпочтениям (SFT и DPO). Модель подходит для ответов на вопросы, ведения диалога и других задач генерации текста. Разработчик сообщает о конкурентных результатах на ряде англоязычных и корейских бенчмарков среди моделей близкого размера. Для работы рекомендуется Transformers версии 4.41 или новее; веса опубликованы в формате safetensors. Лицензия указана как other, а в README отмечено, что условия лицензии были пересмотрены. Модель может выдавать некорректные, предвзятые или устаревшие ответы, а также неподходящий контент. Результаты основаны на закономерностях обучающих данных и могут содержать фактические и языковые ошибки.

Experiment26Yam_Experiment27Experiment24 — объединённая языковая модель семейства Mistral, созданная из automerger/Experiment26Yam-7B и automerger/Experiment27Experiment24-7B. Она предназначена для генерации текста и диалоговых сценариев на основе текстового запроса. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors. Модель выпущена по лицензии Apache-2.0.

MaziyarPanahi/Experiment28M7_Experiment24Inex12 — объединённая модель на архитектуре Mistral, созданная из automerger/Experiment28M7-7B и automerger/Experiment24Inex12-7B. Она предназначена для генерации текста и запуска сценариев на основе языковой модели. Модель содержит 7,1 млрд параметров, принимает текстовый ввод, выдаёт текст и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса Safetensors. Модель распространяется по лицензии Apache-2.0. Доступные сведения не описывают специализированную область применения или отдельные языки, поэтому её можно характеризовать как модель общего назначения.

MaziyarPanahi/Experiment28M7_Strangemerges_32Strangemerges_30 — объединённая модель семейства Mistral, созданная слиянием двух моделей: automerger/Experiment28M7-7B и automerger/Strangemerges_32Strangemerges_30-7B. Она предназначена для генерации текста и построена на архитектуре MistralForCausalLM с 7,1 млрд параметров; поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате safetensors. Модель выпущена под лицензией Apache-2.0. Карточка не описывает специальные предметные области, поддерживаемые языки или дополнительные возможности, поэтому модель следует рассматривать как генеративную модель общего назначения.

flammen31-mistral-7B — слитая методом Model Stock языковая модель, созданная flammenai с помощью mergekit на основе flammenai/flammen27-mistral-7B и восьми других моделей семейства Mistral. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров, принимает текст и генерирует текст; контекст составляет до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Слияние объединяет flammen29, flammen30, flammen23X, Neurallaymons, Argetsu, Seraph-openchat, Tippy-Toppy, StarMonarch и samantha-mistral-7b. В репозитории представлены веса Safetensors, исходная точность указана как bfloat16. Модель выпущена под лицензией Apache-2.0.

Flammen-Bruphin — слитая методом SLERP языковая модель, созданная nbeerbower с помощью mergekit на основе nbeerbower/bruphin-lambda и nbeerbower/flammen13X-mistral-7B. Это плотная модель архитектуры Mistral с 7,1 млрд параметров, предназначенная для генерации текста; она принимает текст и выдаёт текст. Поддерживает контекст до 32 768 токенов. Модель подходит для диалогов и других сценариев генерации текста. Веса опубликованы в формате Safetensors, библиотека для работы — Transformers. Лицензия — Apache-2.0.

Карточка модели hama-jp/gemma-2-27b на Hugging Face совпадает с карточкой google/gemma-2-27b, поэтому описание составлено по ней. Gemma 2 27B — текстовая авторегрессионная языковая модель семейства Gemma, разработанного Google с использованием исследований и технологий, применявшихся при создании Gemini. Модель доступна с открытыми весами и предназначена для генерации текста; семейство Gemma включает предварительно обученные и настроенные для следования инструкциям варианты. В репозитории указаны формат safetensors и библиотека Transformers. Модель подходит для ответов на вопросы, суммаризации, диалоговых интерфейсов, создания текстов и рассуждений по чётко сформулированным запросам. В README заявлена поддержка английского языка; конкретные размер контекстного окна и число параметров здесь не приведены. Открытые веса позволяют запускать модель на собственном оборудовании или в облачной инфраструктуре. Ограничения включают возможные фактические ошибки, предвзятость, трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами. Лицензия — Gemma; перед использованием следует соблюдать условия лицензии и политику допустимого использования Gemma.

axolotl-ai-co/gemma-2-9b — текстовая генеративная модель семейства Gemma 2, разработанного Google. Это плотная decoder-only языковая модель с 9 млрд параметров, предназначенная для генерации текста по запросу; карточка указывает библиотеку Transformers, формат safetensors и контекст до 8192 токенов. В README описаны англоязычные варианты Gemma и сценарии генерации, ответов на вопросы, суммаризации и диалогов. Модель подходит для создания черновиков и творческих текстов, чат-ботов, суммаризации документов и ответов на вопросы. Относительно компактный размер позволяет запускать её на локальных компьютерах или собственной облачной инфраструктуре; README также описывает применение квантования через bitsandbytes. Лицензия — gemma. Ответы могут содержать фактические ошибки или отражать предвзятость данных; модель может испытывать трудности с неоднозначностью, сложными инструкциями и рассуждениями. Для прикладных систем рекомендуется проверять результаты и применять меры безопасности.

Gemma 3 12B IT — мультимодальная модель Google с открытыми весами, представленная в репозитории Unsloth. Это вариант с инструкционной настройкой на базе google/gemma-3-12b-pt; модель принимает текст и изображения и генерирует текст. Архитектура Gemma 3 — плотная, число параметров — 12 млрд. Семейство поддерживает контекст до 128 тыс. токенов и более 140 языков. Модель предназначена для диалогов, ответов на вопросы по тексту и изображениям, суммаризации, генерации текстов и визуального извлечения информации. Она подходит для локального запуска на компьютерах и для развёртывания в собственной инфраструктуре. Веса опубликованы в формате Safetensors. Ответы могут содержать фактические ошибки, а качество зависит от обучающих данных и формулировки запроса. Модель может хуже справляться с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами; возможны смещения и генерация вредного контента. Лицензия — Gemma; при использовании необходимо соблюдать её условия и политику запрещённого использования Google.

Карточка модели unsloth/gemma-3-12b-it-qat на Hugging Face совпадает с карточкой Lightricks/gemma-3-12b-it-qat-q4_0-unquantized, поэтому описание составлено по ней. Lightricks публикует эту версию Gemma 3 — мультимодальную модель Google Gemma 3 12B IT с инструкционной настройкой, представленную в формате safetensors. Она принимает текст и изображения и генерирует текст; подходит для диалога, ответов на вопросы по изображениям, извлечения визуальной информации, суммаризации и других задач по текстовым инструкциям. Модель относится к семейству Gemma 3 с плотной архитектурой Gemma3ForConditionalGeneration и основана на google/gemma-3-12b-it. В карточке семейства указаны контекстное окно до 128 тысяч токенов и поддержка более 140 языков. Модель рассчитана на применение в чат-ботах, виртуальных помощниках, создании и редактировании текстов, а также для понимания изображений; её размер допускает локальное развёртывание на подходящем оборудовании. Качество ответов зависит от данных и формулировки запроса: возможны ошибки в фактах, предвзятость и трудности с нюансами языка и сложными задачами. Модель распространяется по лицензии Gemma. Для использования следует соблюдать условия этой лицензии и политику допустимого использования Gemma.

google/gemma-3-12b-it-qat-int4-unquantized — мультимодальная диалоговая модель Google семейства Gemma 3, представленная как дообученная версия google/gemma-3-12b-it. Она принимает текст и изображения и генерирует текст; подходит для чат-ботов, ответов на вопросы по изображениям, извлечения и пересказа визуальной информации, суммаризации и генерации текстов. Открытые веса и сравнительно компактный размер семейства позволяют запускать модель на локальных компьютерах или собственной облачной инфраструктуре. Gemma 3 поддерживает контекст до 128 тысяч токенов и более 140 языков. Модель может ошибаться в фактах, испытывать трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами, а её ответы могут отражать смещения обучающих данных. Лицензия — Gemma; перед использованием следует соблюдать условия лицензии и политику допустимого использования Google.

google/gemma-3-12b-it-qat-q4_0-unquantized — мультимодальная модель Google из семейства Gemma 3, представленная в формате safetensors и основанная на Gemma 3 12B IT. Она принимает текст и изображения и генерирует текст; подходит для диалогов, ответов на вопросы по изображениям, суммаризации, генерации текстов и рассуждений. Контекстное окно семейства — до 128K токенов, поддерживается более 140 языков. Компактный для мультимодальной модели размер позволяет запускать её на локальных устройствах и в собственной облачной инфраструктуре. Модель можно применять в чат-ботах и помощниках, для извлечения и объяснения информации из изображений, подготовки кратких изложений и создания текстов. Как и другие генеративные модели, она может выдавать фактические ошибки, отражать смещения обучающих данных и хуже справляться с неоднозначными формулировками и сложными открытыми задачами. Лицензия — Gemma; использование регулируется условиями лицензии и политикой допустимого использования Google.

gaunernst/gemma-3-27b-it-int4-awq — конвертированная в формат Hugging Face и AWQ модель Gemma 3 27B Instruction-tuned, разработанная Google DeepMind. Это QAT INT4-чекпойнт из Flax, первоначально полученный из Kaggle; в репозитории указано, что AWQ не применялся для самой квантизации. Модель предназначена для генерации текста и понимания изображений по текстовым и визуальным запросам, включая ответы на вопросы, суммаризацию, рассуждения и описание содержимого изображений. Модель имеет 27 млрд параметров, поддерживает текстовый и графический ввод и генерирует текст. Для изображений используется нормализация до 896×896 пикселей с кодированием в 256 токенов на изображение. Контекстное окно составляет 128 000 токенов, максимальный заявленный объём вывода — 8192 токена. Gemma 3 поддерживает более 140 языков и рассчитана на развёртывание на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре, хотя 27B-модель и мультимодальный режим требуют значительных вычислительных ресурсов. К сильным сторонам относятся мультимодальность, большое контекстное окно, многоязычность и снижение требований к памяти благодаря INT4-квантизации. Ограничения включают возможные потери качества по сравнению с полноразмерной моделью из-за квантизации, а также необходимость совместимого программного окружения и достаточных аппаратных ресурсов. Для использования требуется принять условия лицензии Google Gemma на Hugging Face; в карточке указана лицензия gemma.

Gemma 3 4B IT GGUF — квантизированное или иным образом подготовленное для формата GGUF представление instruction-tuned модели Google Gemma 3 4B IT. Разработчик — Google DeepMind. Модель относится к семейству лёгких открытых моделей, созданных на основе исследований и технологий Gemini, и предназначена для генерации текста и анализа изображений. Модель поддерживает текстовые и графические входные данные и генерирует текст. Она подходит для ответов на вопросы, суммаризации документов, рассуждений, анализа содержимого изображений и извлечения визуальной информации. Для версии 4B заявлено контекстное окно до 128K токенов, максимальный объём генерируемого результата — до 8192 токенов; изображения нормализуются до 896×896 и кодируются в 256 токенов каждое. Указана поддержка более 140 языков, а обучающие данные также включали код и математические материалы. Ключевое преимущество — сочетание мультимодальности, большого контекста и относительно небольшого размера, что упрощает развёртывание на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре. README не содержит точных сведений об архитектуре, параметрах квантования GGUF, фактической производительности или ограничениях качества. Использование регулируется лицензией Gemma и условиями Google; конкретные условия необходимо проверять в Terms of Use.

moebiusT7/gemma-4-26b-a4b-mobius-custom-c1 — это модель для генерации текста на базе Google Gemma-4 26B-A4B-it, представленной в формате GGUF с QAT q4_0. Архитектура MoE использует 26 млрд параметров при примерно 4 млрд активных параметров. Модель ориентирована на английский и японский языки и рассчитана на запуск через llama.cpp, LM Studio, Ollama или совместимый OpenAI API-сервер. Указанный разработчиком рабочий контекст — 32 768 токенов; рекомендуется ограничивать reasoning budget значением 4096. Для работы на полном контексте требуется около 14,7 ГБ VRAM, поэтому практически необходима свободная видеокарта с 16 ГБ памяти. Модель предназначена для ответов на вопросы, суммаризации, работы с переданным контекстом и сценариев, где важны маршрутизация запросов, запрос уточнений и отказ от ответа при недостатке данных или небезопасных запросах. В поставляемой конфигурации используются системный промпт L0 Essentials compact v1.1, детерминированный защитный слой для пустых и некоторых небезопасных запросов, а также опциональный RCGov для управления retrieved-контекстом. По заявленным тестам модель показала 0 из 12 выдуманных ответов на вопросы с ложными предпосылками, 9 из 9 корректных отказов от персональных рекомендаций в высокорисковых ситуациях, 60 из 60 обычных ответов без лишних уточнений и скорость генерации около 155,7 токена в секунду на RTX 5070 Ti. Ограничение состоит в том, что сами веса Google не содержат governance-компонентов: при запуске GGUF без специального промпта и обвязки работает обычная Gemma-4. Модель распространяется по лицензии Gemma.

German-RAG-PHI-3.5-MINI-4B-MERGED-HESSIAN-AI — языковая модель команды Avemio AI при поддержке Hessian AI, предназначенная для немецкоязычных задач с поиском и использованием документов. Это авторегрессионный трансформер с плотной архитектурой LlamaForCausalLM; в метаданных указано 3,7 млрд параметров и контекст до 131 072 токенов. Модель объединена методом SLERP из German-RAG-PHI-3.5-MINI-4B-SFT-HESSIAN-AI и German-RAG-PHI-3.5-MINI-4B-ORPO-HESSIAN-AI. Модель подходит для ответов на вопросы по найденным документам, извлечения релевантной информации и суммаризации контекста на немецком и английском языках. В карточке приведены результаты оценивания качества языка, правильности ответов и следования инструкциям; на наборе задач извлечения модель показала улучшение относительно указанных вариантов SFT и ORPO. Весам и коду модели указана лицензия MIT. Модель может генерировать вредный или чувствительный контент, в том числе из-за смещений, а фактические утверждения могут быть неверными и требуют проверки. Для надежных ответов следует предоставлять релевантный контекст и проверять результат.

GLIDER — дообученная Patronus AI модель на базе microsoft/Phi-3.5-mini-instruct для оценки текстов, диалогов и RAG-систем по заданным пользователем критериям и шкалам. Она предназначена для автоматического судейства и измерения качества ответов в различных сценариях. Модель использует плотную архитектуру Phi-3, содержит 3,7 млрд параметров и работает с текстом. В README заявлена максимальная длина последовательности 8192 токена и проверка на текстах до 12 000 токенов; метаданные указывают native context в 4096 токенов. Обучение использовало синтетические и адаптированные по областям данные, охватывающие более 183 метрик и 685 областей, включая финансы и медицину. Основной язык — английский; также заявлена поддержка корейского, казахского, хинди, бенгальского, испанского, индонезийского, немецкого, французского, арабского, русского и других языков. GLIDER подходит для проверки ответов чат-ботов, сравнения вариантов генерации, оценки качества поиска с генерацией и проверки соответствия пользовательским рубрикам. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

GLiNER-Multitask Large v0.5 — модель Knowledgator для извлечения заданной пользователем информации из обычного текста. Она использует двунаправленный Transformer-энкодер, похожий на BERT, и поддерживает настройку запросом: типы сущностей или другие сведения для извлечения задаются при работе модели. Модель предназначена для распознавания сущностей и отношений, извлечения ключевых фраз и тональности, поиска ответов в тексте, открытого извлечения информации и выделения предложений для краткого пересказа. Для NER модель показывает результаты, сопоставимые со специализированными моделями в приведённых авторами zero-shot бенчмарках. Для работы требуется библиотека GLiNER; веса доступны в форматах PyTorch и Safetensors. Карточка указывает поддержку английского языка и лицензию Apache-2.0. Размер модели и длина контекста в предоставленных данных не приведены.

GPT-5.1 — модель серии GPT-5, представленная как модель передового уровня общего назначения. В карточке отмечены улучшенные по сравнению с GPT-5 рассуждения, следование инструкциям и естественность диалога. Модель использует адаптивное рассуждение. Она предназначена для диалогов и решения разнообразных задач, где требуются рассуждения и точное выполнение инструкций. Данных о размере, поддерживаемых языках, модальностях, длине контекста и условиях лицензии в предоставленных источниках нет.

Huihui-Qwen3.5-27B-Opus-abliterated-YaRN-1M — текстовая генеративная модель на архитектуре Qwen3.5 с 27 млрд параметров, представленная в GGUF BF16. Это версия модели HuihuiAI с расширением контекста YaRN и включённым пошаговым рассуждением; в README также указана поддержка изображений через файл mmproj. Модель предназначена для диалогов, генерации текста и работы с длинными контекстами: заявлено 262 тысячи токенов активного контекста и до 1 млн токенов с YaRN, а максимальная длина ответа — 81 920 токенов. Карточка указывает английский язык. Для контекста 262K заявлено около 60 ГБ видеопамяти, для 1M — около 90 ГБ. Модель основана на HuihuiAI/Huihui-Qwen3.5-27B-Opus-abliterated; исходное семейство разработано командой Qwen. Лицензия — Apache-2.0. Термин «abliterated» указывает на изменение поведения модели, однако README не уточняет его влияние на безопасность или качество; длинный контекст требует значительных ресурсов видеопамяти.