I.2Синтез, понимание и проверка знаний

CortexLM/Teutonic-1-Chat-Preview — экспериментальная чат-модель, разработанная CortexLM на базе текстовой линии Qwen3.5-9B. Модель предназначена для диалогов с поддержкой рассуждений, решения проверяемых математических и программных задач, работы с инструментами и обработки длинного контекста. Это предварительный снимок в процессе обучения, поэтому он не рекомендуется для production-сценариев. Модель использует гибридную архитектуру с linear attention и softmax attention, относится к классу примерно 9B параметров и поставляется с весами FP8 block-scaled e4m3 и конфигурацией квантования в стиле Qwen. Поддерживается текстовая модальность и английский язык. Заявлена вместимость контекста до 256 тысяч входных токенов благодаря RoPE с max_position_embeddings 262144. Шаблон чата поддерживает опциональные блоки рассуждений <think>…</think> и разметку вызова инструментов. Сильные стороны текущего checkpoint — извлечение информации из длинного контекста, включая внутренние тесты с одним ключевым фрагментом на 128k и 256k токенах, а также математические задачи и сохранение качества чата. Ограничения связаны с экспериментальным статусом: обучение продолжается, стабильная генерация ответов длиной 64k ещё не завершена, более сложные многоключевые и многошаговые задачи длинного контекста требуют доработки, а мультимодальность запланирована на будущее. Модель распространяется по лицензии Apache-2.0.

ThinkingCap-Qwen3.6-27B-FP8 — мультимодальная языковая модель BottleCap AI, представляющая собой FP8-квантизированную версию ThinkingCap-Qwen3.6-27B. Базовая модель Qwen3.6-27B разработана командой Qwen, а ThinkingCap получена её дообучением с сохранением качества и стиля ответов при примерно на 50% меньшем среднем числе токенов рассуждений. Модель предназначена для текстовых задач, требующих рассуждений, а также для работы с визуальными данными, включая сценарии, оцениваемые на MMLU-Pro и RealWorldQA. Вес модели квантизирован в формате native block-wise FP8 E4M3 с блоками масштабирования 128×128 и динамической поканальной квантизацией активаций; отдельные компоненты, включая lm_head, MTP-голову, vision tower и входные вентили Gated-DeltaNet, сохранены в bf16. Размер в формате FP8 составляет около 29 ГБ против примерно 55 ГБ для bf16. MTP-голова поддерживает самоспекулятивное декодирование без отдельной draft-модели, а vLLM и SGLang умеют загружать модель нативно. Максимальный контекст, точный набор языков и полный перечень поддерживаемых модальностей в карточке не указаны. К сильным сторонам относятся снижение потребления памяти, близкое к исходному качество, сокращение длины рассуждений и существенное ускорение генерации; по заявленным внутренним тестам, сочетание дообучения, FP8 и MTP обеспечивало многократное ускорение на задачах MMLU-Pro и RealWorldQA. Ограничения включают зависимость производительности от оборудования и серверного движка, а приведённые результаты получены на внутреннем стенде BottleCap AI и не охватывают все сценарии применения. Лицензия — Apache-2.0, однако для доступа к модели требуется заполнить форму запроса.

TopEvolution7RAG — созданная сообществом mergekit объединённая языковая модель на архитектуре Mistral с плотной архитектурой и примерно 7,1 млрд параметров. Веса объединены методом SLERP из DeepMount00/Mistral-RAG и mergekit-community/TopEvolutionWiz. Модель предназначена для генерации текста; базовая модель Mistral-RAG описана как дообученная для генеративных и экстрактивных ответов на вопросы по текстам, поэтому объединённая модель может подходить для ответов на вопросы и сценариев RAG. Поддерживаемый контекст — 32 768 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

TopEvolutionWiz — текстовая генеративная модель, созданная Claudio Arena методом слияния SLERP моделей lucyknada/microsoft_WizardLM-2-7B и mergekit-community/TopEvolution. Она предназначена для диалогов и развернутых ответов на вопросы, в том числе по истории, политике, науке, психологии и культуре; автор также отмечает навыки рассуждения и эмпатичный стиль. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она принимает и генерирует текст; в репозитории указаны веса Safetensors и библиотека Transformers. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять в карточке модели и лицензиях компонентов слияния. Авторская оценка основана на проверке 50 вопросов и не заменяет независимую проверку качества.

Карточка модели gradients-io-tournaments/tournament-tourn_5c64e784a087074a_20260914-90d361cb-0b97-464a-9fda-36eb34c99261-5HBgDWKx на Hugging Face совпадает с карточкой LiquidAI/LFM2.5-2.6B, поэтому описание составлено по ней. LFM2.5-2.6B — компактная текстовая модель Liquid AI из семейства гибридных LFM2.5, настроенная для локального запуска на устройствах и агентных сценариев. Это дообученная версия LFM2.5-2.6B-Base с 2,6 млрд параметров; архитектура LFM2 использует 30 слоёв, включая блоки свёртки с двойным гейтингом и слои GQA. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов и работает с 17 языками, включая русский. Модель предназначена для вызова инструментов, следования инструкциям, многошаговых агентных задач, извлечения данных, RAG и работы с длинным контекстом. В карточке заявлены скорость до 220 токенов в секунду на Apple M5 Max и до 113 токенов в секунду на процессоре AMD Ryzen при использовании менее 2,5 ГБ памяти; фактические показатели зависят от оборудования и конфигурации. Liquid AI не рекомендует её для агентного программирования и задач, требующих обширных знаний. Лицензия указана как other; её условия следует уточнить в репозитории модели.

Карточка модели CollectionStudio/Trinity-Large-Preview на Hugging Face совпадает с карточкой arcee-ai/Trinity-Large-Preview, поэтому описание составлено по ней. Trinity-Large-Preview — разговорная модель Arcee AI на архитектуре разреженного Mixture-of-Experts (MoE), созданная на основе Trinity-Large-Base и прошедшая лёгкое дообучение для диалога. В README указано около 398 млрд параметров всего и примерно 13 млрд активных параметров на токен; метаданные каталога приводят размер 8,7 млрд параметров. Модель обучалась на более чем 17 трлн токенов, а этап настройки инструкций охватил 20 млрд токенов. Контекст составляет до 262 144 токенов. Модель предназначена для генерации текста и диалогов, в том числе с использованием интерфейса вызова инструментов. Заявлена поддержка английского, испанского, французского, немецкого, итальянского, португальского, русского, арабского, хинди, корейского и китайского языков. Доступны варианты запуска через Transformers, vLLM, llama.cpp, LM Studio и API. Карточка приводит неоднозначные результаты бенчмарков: модель выше Llama 4 Maverick на MMLU, но ниже на MMLU-Pro и GPQA-Diamond. Это preview-чекпойнт, который проходит активное обучение с подкреплением, поэтому качество может меняться. Указана лицензия other; конкретные условия использования следует проверять в репозитории модели.

bunnycore/Tulu-3.1-8B-SuperNova — объединённая языковая модель, созданная с помощью mergekit методом линейного слияния. В неё вошли allenai/Llama-3.1-Tulu-3-8B, arcee-ai/Llama-3.1-SuperNova-Lite и meditsolutions/Llama-3.1-MedIT-SUN-8B. Модель основана на архитектуре Llama и содержит 7,5 млрд параметров; работает через библиотеку Transformers, использует формат safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, следования инструкциям и решения разнообразных текстовых задач; также заявлен интерфейс для вызова инструментов. Среди опубликованных оценок — 81,94 на IFEval и 32,50 на BBH. Метаданные не устанавливают основной язык, поэтому язык в описании не уточняется. Лицензия в предоставленных данных не указана.

Walter — текстовая инструкция-следующая модель-ассистент на базе плотной архитектуры Mistral, разработанная Knut Jaegersberg. Модель дообучена на наборах инструкций с открытыми лицензиями; автор указывает, что примерно две трети примеров взяты из крупных наборов, включая FLAN, а также упоминает набор KnutJaegersberg/Auton. Она предназначена для ответов на инструкции, рассуждений, суммаризации и написания текстов. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. README демонстрирует также выполнение инструкций на русском языке; метаданные не дают оснований считать её специально ориентированной на русский. Опубликована в формате safetensors под лицензией Apache-2.0. Автор характеризует её как «unaligned» и «free thinking», поэтому её ответы могут быть менее ограничены защитными настройками; приведённые примеры и оценки бенчмарков не гарантируют качество на конкретных задачах.

Walter-SOLAR-11B — текстовая генеративная модель-ассистент Knut Jaegersberg на архитектуре Llama с 10,6 млрд параметров и контекстом до 4096 токенов. Модель дообучена на инструкционных наборах данных с открытыми лицензиями; автор сообщает, что около двух третей примеров взяты из крупных наборов, включая FLAN, а также использован датасет KnutJaegersberg/Auton. Модель предназначена для широкого круга задач по инструкциям: ответы на вопросы, рассуждения, суммаризация и написание текстов. В карточке приведены примеры работы с русским текстом, включая выбор неподходящей метки эмоции. Автор характеризует модель как свободно рассуждающего ассистента без выравнивания; результаты бенчмарков в README включают среднюю оценку 55,95, 60,41 на AI2 Reasoning Challenge и 84,86 на HellaSwag. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. README не приводит полной оценки качества по задачам, поэтому результаты на конкретных сценариях следует проверять отдельно.

ChuckMcSneed/WinterGoddess-1.4x-70b-32k — версия модели Sao10K/WinterGoddess-1.4x-70B-L2 с контекстом 32 768 токенов. В README указано, что контекст расширен методом LongLoRA; архитектура — плотная LlamaForCausalLM с 68,7 млрд параметров, веса представлены в safetensors. Модель предназначена для генерации текста и работы с более длинными входами и продолжениями. Автор приводит результаты бенчмарков NeoEvalPlusN и Open LLM Leaderboard, включая ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K. По его оценке, расширение контекста сопровождается снижением результатов на MMLU и GSM8K относительно базовой модели. Лицензия в метаданных указана как llama2; применимость лицензии следует оценивать по её условиям.

WiroAI/wiroai-turkish-llm-8b — турецкоязычная модель генерации текста, разработанная WiroAI на основе Meta Llama 3.1 8B Instruct. Это плотный decoder-only трансформер с 7,5 млрд параметров, дообученный методом SFT на более чем 500 тысячах турецких инструкций; для дообучения применялся LoRA, квантизация не использовалась. Модель принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена. Модель предназначена для генерации и редактирования текста, ответов на вопросы, суммаризации, анализа и преобразования контента, особенно с учетом турецкого языка, культуры и локального контекста. Карточка также заявляет поддержку других распространенных языков, но основное внимание уделено турецкому. Модель распространяется по лицензии Apache-2.0. Для важных решений ответы следует проверять; качество зависит от ясности инструкций, а развертывание требует оценки аппаратных ресурсов.

fradinho/world-llama2 — объединённая диалоговая языковая модель на архитектуре Llama с 6,6 млрд параметров. Она создана методом task arithmetic с помощью mergekit из LargeWorldModel/LWM-Text-Chat-1M и NousResearch/Llama-2-7b-chat-hf; веса сохранены в формате safetensors, исходная точность — bfloat16. Модель предназначена для генерации текста и ведения диалогов. Заявленная длина контекста составляет 1 048 576 токенов, что позволяет обрабатывать длинные текстовые запросы и документы. В карточке базовая диалоговая модель описана как англоязычная; отдельные языковые возможности итогового объединения не уточняются. Модель распространяется по лицензии MIT. Карточка не приводит сравнительных оценок качества или специальных мер безопасности; результаты на длинном контексте и в других языках могут зависеть от сценария применения.

WritingBench-Critic-Model-Qwen-7B — языковая модель на 7,1 млрд параметров, дообученная на базе Qwen/Qwen2.5-7B-Instruct. Разработчики дообучили её на наборе из 50 тысяч примеров для оценки качества текстов. Модель предназначена для оценивания ответа по отдельным критериям: по каждому критерию она выставляет балл по десятибалльной шкале и приводит обоснование. Это подходит для проверки письменных ответов и сравнения их качества. Модель использует архитектуру Qwen2 с плотной причинно-следственной языковой сетью, поддерживает контекст до 32 768 токенов и работает с текстом. В карточке указана лицензия Apache-2.0. Языки, на которых модель была обучена или для которых она специально предназначена, не обозначены; результаты оценки могут зависеть от языка и критериев, заданных пользователем.

Это 8-битная квантизованная версия XLM-RoBERTa-large-xnli-anli от heykorshun, подготовленная для MLX Swift на macOS. Базовая модель vicgalle/xlm-roberta-large-xnli-anli предназначена для многоязычной классификации текстов методом NLI и zero-shot: она сопоставляет текст с заданными категориями или проверяет, противоречит ли новое утверждение старому либо подтверждает его. Модель содержит 658,7 млн параметров, использует архитектуру XLM-RoBERTa и принимает контекст до 514 токенов. В README приведён сценарий применения в приложении Stilltone для локальной классификации заметок встреч; автор сообщает о побайтно идентичных результатах с исходными весами fp32 на использованных тестовых наборах. 8-битные веса занимают около 0,63 ГБ вместо примерно 2,2 ГБ для fp32. Это файлы MLX Swift, а не checkpoint для Transformers или sentence-transformers; для загрузки требуется совместимая реализация MLX Swift и соответствующая схема квантования. Лицензия — MIT.

Moritz Laurer разработал эту модель на базе xtremedistil-l6-h256-uncased от Microsoft для классификации текста без заранее заданного набора классов. Она сопоставляет текст-посылку с гипотезой-кандидатом и предсказывает, следует ли гипотеза из посылки: «следует» или «не следует». Такой бинарный формат подходит для zero-shot-классификации, где различие между нейтральным отношением и противоречием несущественно. Модель использует архитектуру BERT и содержит 14,1 млн параметров; максимальная длина контекста — 512 токенов. Она обучена на 782 357 парах из MultiNLI, Fever-NLI, LingNLI и ANLI. В README приведены результаты оценки на этих наборах; точность заметно ниже на ANLI, чем на MultiNLI. Метаданные указывают английский язык. Лицензия в предоставленных данных не указана. README также предупреждает о возможных смещениях, связанных с данными NLI, и проблемах совместимости со старыми версиями Transformers и токенизатора; автор советует Transformers 4.13 как возможное решение.

XYZ-Aquila-mini — модель с открытыми весами для глубокого агентного поиска, разработанная XYZ AI Lab. Она дообучена на базе Qwen3.6-35B-A3B с помощью процесса AI4AI, в котором люди задают целевые возможности, ограничения и критерии приёмки, а агенты ИИ помогают находить ошибки и предлагать изменения. Модель предназначена для многошагового поиска и исследования: планирования, поиска в интернете на английском и китайском языках, сбора и проверки сведений из нескольких источников, а также восстановления после неудачных действий с инструментами. Это thinking-модель с совместимыми с Qwen форматами рассуждений и вызова инструментов. В README заявлены результаты на внешних бенчмарках агентного поиска; конкретные инструменты поиска, извлечения страниц и исполнения Python предоставляет обвязка AxisAgentic, а не сам чекпойнт. Модель использует архитектуру семейства Qwen3.5 MoE и распространяется в формате Safetensors. В метаданных указана лицензия Apache-2.0. README описывает оценивание с контекстом до 256K токенов в поисковой обвязке; это не подтверждает собственный предел контекста модели. Доступные сведения не устанавливают её точный размер. Применение для поиска зависит от совместимой обвязки и подключённых инструментов.

Yarn-Mistral-7b-64k-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель примерно на 7,1 млрд параметров, созданная MaziyarPanahi слиянием Mistral-7B-Instruct-v0.2 и NousResearch/Yarn-Mistral-7b-64k методом SLERP. Модель использует архитектуру Mistral и предназначена для генерации текста и ответов на инструкции в формате чата. Слияние объединяет параметры внимания и MLP двух моделей с разными весами. Базовый вариант Mistral-7B-Instruct-v0.2 имеет контекст до 32 768 токенов; имя и источник второго компонента указывают на вариант Yarn с расширенным контекстом, но README не подтверждает фактическую длину контекста итоговой модели. Распространяется в формате safetensors по лицензии Apache-2.0.

adamo1139/Yi-34B-200K-XLCTX — зеркало модели Yi-34B-200K (XLCTX), первоначально выпущенной 01.AI. Версия настроена для улучшенного поиска информации в длинном контексте по тесту «игла в стоге сена»; её можно использовать как базу для слияния с LoRA-адаптерами. Это плотная авторегрессионная языковая модель семейства Llama с 33,9 млрд параметров, принимающая текст и поддерживающая контекст до 200 000 токенов. Модель предназначена для генерации текста и сценариев, где нужно находить сведения в длинных текстовых последовательностях. Репозиторий содержит веса в формате safetensors. Указана лицензия Apache-2.0. Карточка не сообщает о языковом охвате и конкретных результатах оценки качества, поэтому их нельзя уверенно описать.

AIArchiveInfo/Yi-34B-Chat — побайтовая архивная копия Yi-34B-Chat, исходно разработанной компанией 01.AI и опубликованной под лицензией Apache-2.0. Согласно карточке, веса не обучались, не дообучались и не изменялись при копировании; лицензия оригинала продолжает действовать. Это диалоговая плотная языковая модель на архитектуре Transformer семейства Llama, содержащая 33,9 млрд параметров и рассчитанная на генерацию текста в формате чата. Она предназначена для общения, ответов на вопросы, понимания языка, рассуждений, здравого смысла и чтения с пониманием. В README модель описана как двуязычная, с упором на английский и китайский; максимальный контекст составляет 4096 токенов. Карточка сообщает о сильных результатах Yi-34B-Chat в сравнительных оценках, но приведённые позиции относятся к данным 2024 года и не гарантируют качество для конкретных задач. Размер модели требует значительных вычислительных ресурсов; модель может ошибаться и не следует считать её ответы проверенными фактами. Репозиторий содержит веса в формате safetensors.

zephyr-7b-beta-Mistral-7B-Instruct-v0.1 — чат-модель на архитектуре Mistral, созданная MaziyarPanahi слиянием mistralai/Mistral-7B-Instruct-v0.1 и HuggingFaceH4/zephyr-7b-beta методом SLERP. Веса имеют около 7,1 млрд параметров, формат репозитория — safetensors, нативная длина контекста — 32 768 токенов. Модель предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Её можно использовать для чат-ботов, черновиков текстов, ответов на вопросы и кратких сводок. В README также перечислены отдельные варианты модели в форматах GPTQ и GGUF с разными уровнями квантизации для запуска на GPU или CPU и GPU. В метаданных указан английский язык. Качество ответов и фактическая точность могут различаться; для надёжных результатов требуется проверка человеком. Лицензия — Apache-2.0.

1PARAMMYL-8B-ModelStock — языковая чат-модель, созданная объединением моделей методом Model Stock с помощью LazyMergekit. В конфигурации указаны arcee-ai/Llama-3.1-SuperNova-Lite, DreadPoor/Heart_Stolen-8B-Model_Stock и Dampfinchen/Llama-3.1-8B-Ultra-Instruct; базовой моделью заявлена arcee-ai/Llama-3.1-SuperNova-Lite. Метаданные описывают плотную архитектуру LlamaForCausalLM и 7,5 млрд параметров. Модель предназначена для диалогов и генерации текста по инструкциям. Указанное в метаданных нативное контекстное окно — 131072 токена; файлы представлены в формате safetensors. В README приведены результаты Open LLM Leaderboard, включая средний балл 26,02, IFEval 53,71 и BBH 31,80. Метаданные указывают английский язык базовой модели. README не сообщает лицензию, поэтому условия использования по доступным сведениям определить нельзя.

Sao10K/70B-L3.3-Cirrus-x1 — диалоговая языковая модель, созданная на основе Meta Llama 3.3 70B Instruct. Автор сообщает, что использовал тот же состав данных, что и для Freya, применял другой подход к обучению, обучал модель дольше и также объединял её с чекпойнтами. Это плотная архитектура LlamaForCausalLM с 69,5 млрд параметров; модель работает с текстом и поддерживает контекст до 131 072 токенов. Модель предназначена для диалога и генерации текста. Автор отмечает выразительный стиль и большую стабильность по сравнению с предыдущими версиями, но также указывает на отдельные исправимые проблемы. Для промптов используется формат Llama-3-Instruct; в карточке приведены рекомендуемые параметры генерации. Модель распространяется по лицензии Llama 3.3.

AIFT-ko-orca-plat-Yi-ko-6b-v1.1은 AIFT가 공개한 한국어 지시문 수행용 모델로, Llama 계열의 밀집형 인과 언어 모델이며 약 5,9 млрд параметров и контекстом 2048 токенов. Модель дообучена с помощью LoRA на примерно 40 тысячах примеров, сформированных на основе открытых наборов и дополнительных данных для задач на корейском и английском языках. Модель предназначена для генерации ответов на вопросы и выполнения инструкций в задачах по истории, естественным наукам, математике, машинному чтению, анализу отзывов, суммаризации, грамматике и переводу между корейским и английским. Лицензия — CC-BY-SA-4.0. Обучающие данные не опубликованы. Контекст ограничен 2048 токенами; README не приводит количественных оценок качества, поэтому надёжность ответов для конкретных задач следует оценивать отдельно.

AMALIA-9B-0626-DPO — диалоговая языковая модель, разработанная консорциумом португальских университетов и исследовательских центров при поддержке правительства Португалии. Это версия AMALIA после настройки предпочтений методом DPO на базе AMALIA-9B-0626-SFT; архитектура LlamaForCausalLM, 8,6 млрд параметров, формат safetensors, контекст до 32 768 токенов. Модель предназначена для генерации и понимания текста, прежде всего на европейском португальском языке (pt-PT). Она подходит для ответов на вопросы, следования инструкциям, краткого изложения, редактирования, перевода и исследовательских или образовательных задач, связанных с португальским языком. Её также можно использовать как основу для дальнейшей настройки прикладных систем. Модель оптимизирована для pt-PT и не гарантирует одинакового качества на других вариантах португальского. Она может галлюцинировать, воспроизводить предвзятость и выдавать вредные или неточные ответы; фактические ответы следует проверять, а для предметных знаний рекомендуется использовать RAG и проверенные источники. Перед внедрением требуется оценка для конкретной задачи. Лицензия — Apache-2.0.

Apertus-v1.5-8B — мультимодальная языковая модель Swiss AI в семействе Apertus 1.5 с 8 млрд параметров. Это decoder-only Transformer с активацией xIELU; модель создана на основе продолженного предобучения Apertus 1.0 с добавлением мультимодальных данных и улучшенной настройкой для следования инструкциям и работы с инструментами. Модель принимает текст, изображения и аудио, а генерирует текст. Она рассчитана на многоязычные диалоги, понимание изображений и аудио, ответы на вопросы, задачи рассуждения в режиме thinking и интеграцию с внешними инструментами. Заявленная длина контекста — до 262 144 токенов. По карточке, модель обучена на открытых данных; веса распространяются по лицензии Apache-2.0. Ответы могут содержать фактические ошибки, логические несоответствия и смещения из обучающих данных, поэтому важные сведения следует проверять. Для запуска могут потребоваться модифицированные версии Transformers и vLLM: поддержка в основных выпусках на момент карточки находилась в процессе добавления.

Apertus v1.5 8B text — MLX MXFP4 — это текстовая квантованная версия базовой модели swiss-ai/Apertus-v1.5, разработанной Swiss AI Initiative при участии EPFL, ETH Zurich и Швейцарского национального суперкомпьютерного центра на открытых данных. Данная конверсия выполнена независимо от авторов исходной модели и предназначена для запуска на компьютерах Apple с использованием MLX и mlx-lm. Модель поддерживает генерацию текста: принимает текст на вход и возвращает текст. Она содержит около 8,05 млрд параметров, использует архитектуру ApertusForCausalLM с 32 слоями, скрытым размером 4096, 32 головами внимания и 8 key-value головами, активацию xIELU, словарь из 131072 текстовых токенов и контекст длиной до 262144 токенов. Модель мультиязычная, однако конкретный перечень поддерживаемых языков в README не указан. Ключевое преимущество сборки — калиброванное квантование MXFP4 с эффективной точностью 4,250 бита на вес и размером файлов около 4,28 ГБ, что снижает требования к хранению и делает модель удобной для локального использования на Apple silicon. Ограничения связаны с потерями качества из-за квантования по сравнению с полноразмерными версиями, текстовой модальностью и зависимостью от совместимого программного стека MLX. Модель распространяется по лицензии Apache 2.0 с политикой допустимого использования Apertus 1.5.

Aurelian v0.5 — экспериментальная инструктивная языковая модель от grimulkan, дообученная на базе Llama 2 70B LongLoRA с FP16 и масштабированием RoPE для длинного контекста. Это промежуточная версия до v1.0, построенная на Llama 2 без базовой настройки на выполнение инструкций; для диалогов использует формат Llama 2 chat и предназначена для instruct-режима. Модель ориентирована на творческое письмо и ролевые диалоги, в том числе длинные сценарии, а также может выполнять задачи редактирования, суммаризации, извлечения информации и рассуждений. В README заявлена поддержка контекста до 32K токенов при Linear RoPE Scaling = 8. В метаданных указана архитектура LlamaForCausalLM, 68,7 млрд параметров и нативный контекст 4096 токенов. Обучающая смесь включает человеческие истории, синтетические инструкции и диалоги, задачи на чтение и рассуждение. Модель не цензурирована и может генерировать оскорбительный и сексуальный контент. Лицензия в метаданных указана как неизвестная, поэтому условия распространения и использования следует уточнить у автора.

A.X K2 NVFP4 — квантизированная версия языковой модели A.X K2 от SK Telecom. Это модель типа Mixture-of-Experts с 688 млрд параметров, из которых 33 млрд активны при обработке запроса. Вариант NVFP4 применяет к routed experts квантизацию NVFP4 W4A4, а attention, router, shared expert и dense layer хранит в FP8, embedding и LM head — в BF16; заявлено примерно двукратное сокращение объёма памяти по сравнению с FP8-чекпойнтом. Модель предназначена для диалоговой генерации текста, рассуждений, следования инструкциям и агентных сценариев. Режим thinking подходит для сложных задач, а non-thinking — для коротких ответов с меньшей задержкой. Конфигурация YaRN поддерживает контекст до 256K токенов; README также описывает тесты извлечения фактов при масштабировании до 512K. Для запуска на одном узле указаны четыре NVIDIA B200 и форк vLLM с поддержкой A.X K2. Модель ориентирована на английский, корейский, китайский, японский и испанский языки; проект подчёркивает понимание корейского языка и культуры. В README заявлено качество, сопоставимое с FP8-версией, и идеальный результат на описанном тесте NIAH, но эти результаты не характеризуют все задачи. Лицензия — Apache-2.0.

Barcenas-6b-200k — дообученная языковая модель на архитектуре Llama, разработанная автором репозитория Danielbrdz. Она создана на основе larryvrh/Yi-6B-200K-Llamafied и обучена на наборе данных HuggingFaceH4/no_robots; для обучения использовалась Nvidia A100. Модель предназначена для генерации текста и диалоговых сценариев. Её размер составляет 5,8 млрд параметров, а заявленная длина контекста — до 200 000 токенов. Доступный формат весов — PyTorch; лицензия указана как other, поэтому условия использования следует уточнять в репозитории.

Bellatrix-Tiny-1B-v2 — авторегрессионная языковая модель семейства Llama, разработанная prithivMLmods на основе meta-llama/Llama-3.2-1B-Instruct. Модель содержит 1,2 млрд параметров, имеет контекстное окно до 131 072 токенов и предназначена для генерации текста и диалогов. В репозитории доступны веса в форматах Safetensors и ONNX; README описывает настройку с помощью supervised fine-tuning и обучение на синтетических данных для рассуждений. Модель рассчитана на многоязычные диалоги, следование инструкциям, суммаризацию и сценарии поиска релевантных сведений в диалоге. Карточка приводит английский язык, но заявляет многоязычное применение без перечисления остальных языков. По словам автора, модель использует оптимизированную архитектуру Transformer; её компактный размер подходит для локального запуска, хотя ресурсоёмкость обучения и вывода зависит от оборудования. Качество может снижаться на узкоспециализированных задачах, редких языках и диалектах, а ответы могут содержать ошибки или смещения из обучающих данных. Лицензия — Llama 3.2 Community License (идентификатор llama3.2); перед использованием следует учитывать её условия.