I.2Синтез, понимание и проверка знаний

CrystalMistral_7b_v.04 — диалоговая языковая модель, созданная Crystalcareai слиянием моделей CrystalMistral_7b_v.01 и CrystalMistral_7b_v.02 методом SLERP с помощью LazyMergekit. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалоговых ответов по запросам. Модель принимает текст и выдаёт текст. Заявленная длина контекста — 32 768 токенов. В карточке не приведены сведения о поддерживаемых естественных языках или специализированных областях применения. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели vasimakram01/dawah_llama2_working_repo на Hugging Face совпадает с карточкой NousResearch/Llama-2-7b-chat-hf, поэтому описание составлено по ней. NousResearch/Llama-2-7b-chat-hf — диалоговая языковая модель семейства Llama 2, разработанного Meta и опубликованная в формате Hugging Face Transformers. Это плотный авторегрессионный трансформер с 6,6 млрд параметров; веса представлены в форматах PyTorch и Safetensors. Модель принимает текст и генерирует текст, а её контекст составляет 4096 токенов. Модель дообучена с помощью supervised fine-tuning и обучения с подкреплением по человеческим отзывам для диалогов в формате помощника. Она предназначена для ответов на вопросы, ведения диалога и генерации текста на английском языке. Для ожидаемого поведения нужно соблюдать форматирование Llama 2 Chat с соответствующими маркерами инструкций и токенами. Модель может выдавать неточные, предвзятые или нежелательные ответы, а проведённые оценки не охватывают все возможные сценарии. Данные предобучения имеют срез до сентября 2022 года. Использование регулируется собственной лицензией Meta для Llama 2; для получения весов требуется принять её условия.

Dhee-NxtGen-Qwen3-Indic — многоязычная языковая модель DheeYantra, разработанная совместно с NxtGen Cloud Technologies Pvt. Ltd. Она основана на архитектуре Qwen3-4B и содержит 3,7 млрд параметров; модель предназначена для диалогов в формате ассистента, рассуждений и сценариев с вызовом функций в 14 индийских языках. Для работы с текстом поддерживает контекст длиной до 40 960 токенов. Модель генерирует текст на письме целевых языков и подходит для суммаризации, ответов на вопросы, учебных и государственных помощников, а также многоязычных диалоговых систем. Она доступна для Transformers и оптимизирована для инференса через vLLM. Лицензия Apache-2.0. Качество может различаться между языками; смешение языков в запросах может его снизить. Модель может ошибаться и галлюцинировать, поэтому не предназначена для медицинских, юридических и других критически важных применений. Для инференса через vLLM указаны требования к GPU с compute capability не ниже 8.0; V100 не поддерживается.

Карточка модели sshleifer/distilbart-xsum-6-6 на Hugging Face совпадает с карточкой sshleifer/distilbart-cnn-12-6, поэтому описание составлено по ней. sshleifer/distilbart-cnn-12-6 — англоязычная модель суммаризации текста на базе BART, представленная в семействе DistilBART. Вариант 12-6 использует 12 слоёв кодировщика и 6 слоёв декодировщика; размер модели по метаданным — 252,8 млн параметров. Она предназначена для сокращения документов и статей до краткого связного пересказа. Модель обучена для суммаризации на данных CNN/DailyMail; в карточке также приведены метрики для вариантов DistilBART, включая оценки ROUGE и времени вывода. Она принимает текст и генерирует текстовое резюме, поддерживает контекст до 1024 токенов и доступна в форматах PyTorch и Flax. Лицензия — Apache 2.0. Модель рассчитана на английский язык. Контекстное окно ограничивает длину обрабатываемого текста, а качество и скорость зависят от длины входа и выбранного варианта; приведённая таблица метрик относится к нескольким вариантам DistilBART и не даёт отдельной оценки именно для distilbart-cnn-12-6.

Это модель DistilBERT, дообученная TextAttack для классификации пар предложений на наборе данных MRPC из бенчмарка GLUE. Она предназначена для определения того, выражают ли два предложения одно и то же значение. Модель использует архитектуру DistilBertForSequenceClassification и принимает текстовые пары с максимальной длиной последовательности 512 токенов; при дообучении использовалось ограничение 256 токенов. Модель обучалась пять эпох с размером батча 32 и скоростью обучения 2e-05; лучшая точность на оценочной выборке составила около 85,8%. Это специализированный классификатор для задачи распознавания перефразирования, а не универсальная языковая модель. В карточке указана точность на eval-наборе, поэтому качество на других данных может отличаться. Лицензия в предоставленных материалах не указана.

ECE-FDF — слитая языковая модель на архитектуре Mistral, созданная с помощью mergekit методом SLERP из paulml/OmniBeagleSquaredMBX-v3-7B и paulml/NeuralOmniWestBeaglake-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста по запросу; доступный контекст составляет до 32 768 токенов. Модель принимает текст и выдаёт текст. Данные карточки не описывают её специализацию, поддерживаемые естественные языки или отдельные прикладные сценарии. Файлы представлены в формате safetensors; лицензия в предоставленных источниках не указана.

ERNIE-4.5-21B-A3B-PT-GGUF — GGUF-версия текстовой MoE-модели ERNIE-4.5-21B-A3B, разработанной Baidu; репозиторий подготовлен Unsloth. Модель предназначена для генерации текста, общего понимания языка и диалоговых сценариев. В README указана поддержка английского и китайского языков, а тип задачи обозначен как text-generation. Модель имеет 21 млрд параметров, из которых для каждого токена активируются 3 млрд. Архитектура включает 28 слоёв, 20 Q- и 4 KV-головы, 64 текстовых эксперта с активацией 6 экспертов на токен, а также 2 общих эксперта. Максимальная длина контекста составляет 131 072 токена. Хотя семейство ERNIE 4.5 обучается с учётом текстовых и визуальных модальностей, данная версия в описании обозначена как текстовая и не заявлена для обработки изображений. К сильным сторонам относятся MoE-архитектура с меньшим числом активных параметров при большом общем размере и длинный контекст. Ограничения включают необходимость совместимого программного обеспечения и аппаратных ресурсов, а также отсутствие в README подробных результатов тестирования и сравнений качества. Модель распространяется по лицензии Apache 2.0.

ERNIE-4.5-VL-424B-A47B-PT — мультимодальная модель семейства ERNIE 4.5 от Baidu для диалогового взаимодействия с текстом и изображениями. Это вариант с весами PyTorch для Transformers; модель построена на архитектуре MoE и содержит 424 млрд параметров, из которых для каждого токена активируется около 47 млрд. Она принимает текст и изображения и генерирует текст, поддерживает контекст до 131 072 токенов и ориентирована на понимание изображений, мультимодальные рассуждения, языковое понимание и генерацию. Вариант прошёл постобучение с использованием SFT и методов оптимизации предпочтений. Модель подходит для ответов на вопросы по изображениям, визуального анализа и диалога с учётом изображения, а также для обычных текстовых диалогов и генерации. В README описаны режимы рассуждения с включённым и выключенным пошаговым анализом. Для запуска через vLLM требуется версия 0.11.2 или новее; приведённая конфигурация использует 16 GPU по 80 ГБ. Лицензия — Apache-2.0.

EviOmni — языковая модель для извлечения свидетельств из текстовых фрагментов в ответ на вопрос. Разработчик позиционирует её как модель рационального извлечения свидетельств с акцентом на качество, обобщение, эффективность и устойчивость; README показывает применение через диалоговый шаблон с вопросом и пассажами. Это дообученная модель Qwen2.5-1.5B-Instruct с плотной архитектурой Qwen2 и 1,5 млрд параметров, рассчитанная на текстовый ввод и текстовый ответ. Максимальная длина контекста — 32 768 токенов. Модель подходит для поиска подтверждающих фрагментов в наборах документов и построения ответов на вопросы с опорой на переданные пассажи. В README приведён пример запуска через Transformers; файлы весов представлены в формате safetensors. Лицензия — MIT. README не сообщает поддерживаемые естественные языки или результаты из раздела Performance, поэтому языковую специализацию и сравнительное качество определить нельзя.

Experiment26Neuralsirkrishna_Strangemerges_32Ogno — объединённая модель на архитектуре Mistral, созданная из automerger/Experiment26Neuralsirkrishna-7B и automerger/Strangemerges_32Ogno-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов с контекстом до 32 768 токенов. Модель принимает текст и выдаёт текст. Веса опубликованы в формате Safetensors; лицензия — Apache-2.0. Карточка не сообщает о специальных предметных областях или языковой специализации, поэтому её можно описать как модель общего назначения.

Experiment26Yamshadow_Experiment24Ognoexperiment27 — объединённая языковая модель на архитектуре Mistral, созданная из automerger/Experiment26Yamshadow-7B и automerger/Experiment24Ognoexperiment27-7B. Разработчик карточки — MaziyarPanahi. Модель предназначена для генерации текста по текстовым запросам. Она содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Карточка не описывает специализированные области применения или поддержку конкретных естественных языков. Модель распространяется по лицензии Apache-2.0. README не приводит результатов оценки качества или дополнительных инструкций по использованию.

Experiment28M7_T3qm7xStrangemerges_32 — объединённая языковая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием automerger/Experiment28M7-7B и automerger/T3qm7xStrangemerges_32-7B и предназначена для генерации текста. Модель принимает текст и выдаёт текст, поддерживая контекст до 32 768 токенов. Модель доступна в формате safetensors по лицензии Apache-2.0. Карточка не описывает специальные предметные области или подтверждённые языковые специализации; качество и ограничения конкретных сценариев применения не приведены.

MaziyarPanahi/Experiment28T3q_Strangemerges_30Ogno — объединённая модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Она предназначена для генерации текста и принимает текстовые запросы, формируя текстовые продолжения; контекст модели составляет до 32 768 токенов. Модель объединяет automerger/Experiment28T3q-7B и automerger/Strangemerges_30Ogno-7B. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README и метаданные не уточняют специализацию объединённой модели, поддержку языков или её ограничения.

jaspionjader/f-3-8b — объединённая языковая модель семейства Llama, созданная автором репозитория методом SLERP с помощью mergekit. В объединение вошли jaspionjader/Kosmos-EVAA-mix-v35-8B и jaspionjader/f-2-8b; итоговая модель содержит 7,5 млрд параметров и использует архитектуру LlamaForCausalLM. Модель предназначена для генерации текста и диалогового общения. Она принимает текст и генерирует текст; заявленная длина контекста составляет 8192 токена. Веса доступны в формате safetensors для библиотеки Transformers. Карточка не сообщает о специализированной предметной области или поддерживаемых естественных языках. Лицензия в предоставленных данных не указана.

flammen11X-mistral-7B — слитая с помощью mergekit модель на архитектуре Mistral, созданная объединением предварительно обученных языковых моделей nbeerbower/flammen11-mistral-7B и ChaoticNeutrals/Prima-LelantaclesV5-7b методом SLERP. Модель содержит 7,1 млрд параметров и предназначена для генерации текста; заявленная длина контекста составляет 32 768 токенов. Модель принимает текст и выдаёт текст. Карточка не сообщает о специализации на конкретной области или языке. Распространяется в формате safetensors; лицензия — Apache-2.0. README не приводит оценок качества или дополнительных ограничений применения.

google/flan-t5-small — небольшая языковая модель семейства T5, выпущенная Google и дообученная следованию инструкциям на более чем тысяче задач. Она преобразует текстовый ввод в текстовый вывод и предназначена для генерации и понимания языка, включая ответы на вопросы, рассуждения и выполнение разнообразных NLP-задач в режиме zero-shot и few-shot. Модель насчитывает 45,8 млн параметров, имеет контекст до 512 токенов и доступна в форматах PyTorch, TensorFlow, Flax и Safetensors. Модель поддерживает множество языков, включая английский, французский, немецкий, румынский, русский, испанский, японский, китайский и другие. Лицензия Apache 2.0 разрешает использование и распространение на её условиях. Небольшой размер делает её удобной для экспериментов и запуска с ограниченными ресурсами, но качество может уступать более крупным моделям, а результат требует проверки: модель может воспроизводить смещения и генерировать неподходящий контент. В карточке также отмечено, что модель не тестировалась в реальных приложениях.

Plasmoxy/flan-t5-small-gigatrue — дообученная версия google/flan-t5-small на неуказанном наборе данных. Это компактная модель семейства T5 с архитектурой encoder-decoder и 45,8 млн параметров, предназначенная для генерации текста по текстовому запросу и выполнения задач NLP в формате text-to-text. Длина контекста составляет 512 токенов; модель использует библиотеку Transformers и формат весов safetensors. Карточка сообщает значение loss 2,1229 на оценочном наборе, но не описывает сам набор, задачу оценки или предполагаемые сценарии применения. Базовая FLAN-T5-small — многоязычная модель, дообученная следованию инструкциям; конкретные языковые возможности этой версии отдельно не подтверждены. Модель распространяется по лицензии Apache-2.0.

Flux-Japanese-Qwen2.5-32B-Instruct-V1.0 — языковая модель на 32 млрд параметров от Flux, созданная на основе Qwen2.5-32B-Instruct и предназначенная для генерации ответов и диалогов. Она дообучена с акцентом на знания, рассуждения и работу с японским языком; в карточке также заявлены результаты на задачах вопросов и ответов, понимания текста, суммаризации и генерации кода. Архитектура — плотная Qwen2 с причинной генерацией текста, формат весов — safetensors, контекст — 32 768 токенов. Заявлены сильные результаты на японских оценочных наборах при сохранении близкого к базовой модели уровня на общих задачах и английском языке. Модель подходит для японских диалоговых ассистентов, ответов на вопросы, анализа и суммаризации текстов, рассуждений и генерации кода. Также доступны интерфейсы чата и вызова инструментов. Указана лицензия Apache 2.0. Как и другие большие языковые модели, она может выдавать неточные, вводящие в заблуждение или предвзятые ответы; авторы не дают гарантий и возлагают ответственность за применение на пользователя.

GaMS3-12B — плотная языковая модель семейства Gemma 3, разработанная исследовательской командой Факультета компьютерных наук и информатики Люблянского университета. Модель объёмом 11,6 млрд параметров создана на основе google/gemma-3-12b-pt: её дополнительно предобучили на корпусах на словенском, английском, хорватском, сербском и боснийском языках. Для этой версии не заявлено инструкционное дообучение; в карточке отдельно указана версия GaMS3-12B-Instruct. Модель предназначена для генерации текста, диалоговых интерфейсов, суммаризации, черновиков и языковых учебных инструментов, особенно для работы со словенским и английским. Максимальная длина контекста — 131 072 токена. Репозиторий содержит веса safetensors; лицензия — Gemma. Качество ответов зависит от обучающих данных и формулировки запроса; возможны фактические ошибки, предвзятость и затруднения с тонкими языковыми нюансами и сложными задачами. Результаты следует проверять, а для пользовательских приложений предусматривать меры безопасности.

Garten2-7B — языковая модель общего назначения, разработанная senseable и основанная на дообученной Mistral-7B-v0.1. Она предназначена для генерации текста, диалога и создания контента. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и имеет контекстное окно 32 768 токенов. В репозитории доступны веса в формате safetensors; библиотека для работы — Transformers. Карточка приводит результаты оценки на бенчмарках рассуждений и понимания текста. Модель поддерживает английский язык. Она распространяется по лицензии Apache-2.0. Карточка не описывает специальные ограничения качества или отдельные прикладные области.

Google Gemma 3 1B IT QAT Q4_0 Unquantized — компактная диалоговая модель на базе Gemma 3 1B IT. Репозиторий указан как дообучение google/gemma-3-1b-it; метаданные описывают чат-возможности и формат safetensors. Несмотря на название QAT Q4_0 Unquantized, доступные сведения не подтверждают, что в репозитории размещены квантизованные веса. Модель предназначена для диалоговой генерации текста, ответов на вопросы и суммаризации. README семейства Gemma 3 также описывает мультимодальный ввод изображений, однако метаданные этой конкретной модели подтверждают только задачу text-generation, поэтому поддержку изображений нельзя считать установленной для данного репозитория. В README для семейства заявлены контекст до 128K токенов и поддержка более 140 языков; эти характеристики не подтверждены отдельно для данного варианта. Модель может давать неточные или устаревшие сведения, испытывать трудности с неоднозначными и сложными запросами, а также воспроизводить смещения из обучающих данных. Лицензия — Gemma; использование регулируется условиями лицензии Google Gemma и соответствующей политикой допустимого использования.

Gemma 3 4B IT QAT GGUF — мультимодальная модель семейства Gemma 3, разработанная Google и представленная в формате GGUF сообществом LM Studio. Квантизация выполнена с использованием Quantization Aware Training для повышения качества работы в 4-битном режиме. Модель предназначена для генерации текста и понимания изображений, включая ответы на вопросы, суммирование и задачи, требующие рассуждений. Она поддерживает текстово-изображённые сценарии, обрабатывает изображения, нормализованные до разрешения 896 × 896 пикселей, имеет контекстное окно до 128 000 токенов и максимальную длину вывода 8192 токена. Другие характеристики, включая языковой охват и точный набор архитектурных параметров, в README не указаны. К сильным сторонам относятся мультимодальность, большое контекстное окно и оптимизация 4-битной версии с помощью QAT, что делает модель подходящей для локального запуска при ограниченных ресурсах. Ограничения связаны с применением квантизации и указанным пределом разрешения изображений; конкретное влияние на качество и требования к аппаратным ресурсам не описаны. Модель распространяется по лицензии Gemma, для доступа к ней на Hugging Face требуется принять условия лицензии Google.

DealignAI выпустила Gemma-4-12B-it-MXFP4-CRACK — дообученную и квантизированную 4-битную версию Gemma 4 12B-it от Google. Модель рассчитана на запуск через MLX на компьютерах Apple Silicon; файлы занимают около 7,5 ГБ. Архитектура объединяет текст, изображения, аудио и видео, использует 48 слоёв и гибридное внимание со скользящим окном и полным вниманием. Заявленная длина контекста — 128 тысяч токенов. Модель предназначена для диалогов, мультимодального анализа и генерации текста. По описанию автора, CRACK удаляет поведение отказа на уровне весов, сохраняя рассуждения, знания и мультимодальные возможности. В README приведены результаты HarmBench и MMLU, полученные на конкретной конфигурации; они не гарантируют такое же качество на других запросах и средах. Для запуска автор рекомендует Osaurus, поддерживающий архитектуру Gemma 4 Unified. Лицензия — Gemma. Модель не рассчитана на естественный язык отказа при потенциально вредоносных запросах, поэтому ответы требуют самостоятельной проверки.

Gemma-4-26B-A4B-it-NVFP4A16 — пользовательская NVFP4-квантизация инструкционной модели google/gemma-4-26B-A4B-it, выполненная Mario Iseli. Это мультимодальная Mixture-of-Experts-модель для генерации текста и диалоговых сценариев с поддержкой текста, изображений и видео. Всего модель содержит 25,2 млрд параметров, из которых 3,8 млрд активируются для каждого токена; архитектура включает 128 экспертов, 8 из которых выбираются на токен. Контекстное окно составляет до 256 тысяч токенов. Модель использует квантизацию W4A16: веса представлены в FP4, а активации — в FP16. Размер на диске уменьшен примерно с 49 до 16,5 ГБ, то есть примерно в три раза, при сохранении исходного числа параметров. Vision encoder оставлен в BF16. Квантизация выполнена с помощью NVIDIA Model Optimizer на данных CNN/DailyMail; это общественная, а не официальная сборка Google или NVIDIA. Основное преимущество — существенное снижение требований к памяти при сохранении мультимодальности, MoE-архитектуры и длинного контекста. Для запуска через vLLM требуется версия с transformers не ниже 5.4, backend Marlin для MoE и специальный патч gemma4_patched.py для корректной загрузки NVFP4 scale-параметров; конфигурация ориентирована, в частности, на NVIDIA DGX Spark с GB10 Blackwell. Модель распространяется по лицензии Apache 2.0, унаследованной от базовой модели.

Gemma-4-31B-it-Quark-W8A8-INT8 — мультимодальная модель для работы с текстом и изображениями, опубликованная под идентификатором nameistoken/Gemma-4-31B-it-Quark-W8A8-INT8 на основе google/gemma-4-31B-it от Google. Она предназначена для диалоговых сценариев, генерации текста, анализа изображений и задач vision-language. В описании заявлен английский язык. Модель использует архитектуру Gemma4ForConditionalGeneration и включает текстовый декодер на 31 млрд параметров, vision tower и визуальные embedding-слои. Текстовая часть квантизирована в W8A8 INT8: веса используют статическую симметричную per-channel-квантизацию, а активации — динамическую per-token-квантизацию. lm_head, embed_tokens и компоненты зрения сохранены в BF16, поэтому мультимодальные возможности не удалены. Размер файла модели составляет около 32 ГБ против примерно 62,5 ГБ у исходной BF16-версии, что дает двукратное сокращение объема. По результатам теста GSM8K на 1319 задачах модель показала точность 96,66% против 96,74% у BF16-базовой версии, то есть снижение составило 0,08 процентного пункта. Для запуска рекомендуется vLLM; в README приведена конфигурация с максимальной длиной контекста 8192 токена. Минимально требуется GPU с объемом памяти от 48 ГБ, например AMD MI300X, MI350X, MI355X, NVIDIA A100-80G или H100. Для длинного контекста и больших пакетов может потребоваться распределение на несколько GPU. Лицензия — Apache 2.0.

German-RAG-LLAMA-3.1-8B-MERGED-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Это объединённая модель семейства Llama 3.1 объёмом 7,5 млрд параметров, предназначенная для немецкоязычных RAG-систем и задач ответов на вопросы по предоставленному контексту. Она также подходит для извлечения релевантных сведений и краткого пересказа источников; в карточке заявлена поддержка немецкого и английского языков. Нативная длина контекста — 131 072 токена. Модель распространяется в формате safetensors и поддерживает чатовый режим. Метаданные Hugging Face указывают лицензию llama3.1, тогда как README заявляет Apache 2.0; лицензионные условия следует уточнить перед использованием. В оценке объединённая версия показала более низкий результат извлечения, чем варианты SFT и ORPO из той же серии. Ответы могут содержать фактические ошибки, а без фильтрации модель может генерировать вредный или чувствительный контент.

JANGQ-AI/GLM-5.3-Flash-JANG — квантованная для Apple Silicon и MLX сборка GLM-5.3-Flash, подготовленная Jinho Jang. Это модель семейства GLM с архитектурой MoE примерно на 300 млрд параметров и 288 экспертами; в README также описаны линейное внимание KDA, гибрид MLA/DSA и отдельные компоненты для обработки изображений и видео. Размер весов составляет около 95,5 GiB, заявленный нативный контекст — 1 млн токенов. По данным карточки, квантование распределено по модулям: внимание, маршрутизация и параметры gating сохранены в 8-битном или полном формате, а снижение точности сосредоточено в экспертных блоках. Разработчик приводит измерения сходства выходных логитов с официальной FP8-версией на отложенных запросах; это не заменяет независимую оценку качества на прикладных задачах. Сборка предназначена для диалогов, рассуждений, агентных сценариев и работы с изображениями и видео на Mac с 128 ГБ памяти. README предупреждает, что публичная поддержка новой архитектуры в runtime vMLX ещё разрабатывается и на момент публикации карточки эти веса корректно загружались только во внутренней среде оценки. Модель наследует базовую GLM-5.3-Flash, а репозиторий распространяет её под лицензией MIT.

GML-Mistral-merged-v1 — плотная языковая модель семейства Mistral, опубликованная пользователем zyh3826. Это объединение моделей quantumaikr/quantum-v0.01 и mncai/mistral-7b-dpo-v5, выполненное методом passthrough с помощью mergekit; веса сохранены в формате safetensors и типе bfloat16. Модель предназначена для генерации текста и принимает текстовые запросы. В метаданных указан размер 8,9 млрд параметров и контекстное окно до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает языки, специальные предметные области или сравнительные результаты, поэтому назначение модели следует считать общим; качество ответов и поддержка конкретных сценариев в предоставленных данных не оценены.

GPT-OSS-NEMO-20B — дообученная с помощью SFT и LoRA модель OpenAI GPT-OSS-20B, представленная автором карточки как модель для многоязычных рассуждений и диалогов. Она использует архитектуру GPT-OSS с Mixture of Experts; в метаданных указано 1,6 млрд параметров, контекст — 131 072 токена. Карточка описывает обучение на наборе HuggingFaceH4/Multilingual-Thinking и заявляет поддержку английского, испанского, арабского, французского, немецкого, китайского, японского, корейского, хинди и русского языков. Модель предназначена для ответов на вопросы, многошагового решения задач и диалога на разных языках, в том числе с рассуждением на одном языке и ответом на другом. Она принимает текст и генерирует текст; автор заявляет возможность задавать язык рассуждений через системное сообщение. Репозиторий распространяется по лицензии Apache-2.0. Качество может различаться между языками, а рассуждения на языках с меньшим объёмом обучающих данных могут быть слабее. Факты в ответах следует проверять; модель также может воспроизводить смещения из обучающих данных.

mlx-community/granite-4.1-30b-bf16 — конверсия в формат MLX модели Granite 4.1 30B, разработанной IBM. Это плотная языковая модель с архитектурой GraniteForCausalLM и 28,9 млрд параметров, предназначенная для диалогов и генерации текста; каталог также отмечает возможность чата. Модель принимает текст и выдаёт текст, а заявленная длина контекста составляет 131 072 токена. Репозиторий подготовлен сообществом mlx-community для запуска через библиотеку MLX на устройствах Apple. Лицензия Apache-2.0 разрешает использование на её условиях. README указывает на конверсию исходной модели ibm-granite/granite-4.1-30b в MLX; метаданные содержат формат safetensors и связь с базовой моделью.