I.2Синтез, понимание и проверка знаний

JANGQ-AI/Spark-X2.5-4B-JANG_8M — 3,8-миллиардная плотная языковая модель Spark-X2.5-4B от XHToken, квантованная Jinho Jang для Apple Silicon и MLX. Это 8-битный вариант с точностью bfloat16 для групповых масштабов; отдельные тензоры внимания и нормализации сохранены в полной точности. Модель предназначена для диалога, рассуждений, работы с инструментами и генерации текста. Поддерживаются английский и китайский языки; исходная модель рассчитана на контекст до 1 048 576 токенов, хотя в README для этого набора также указан контекст 131 072 токена. В сравнении с исходными весами bf16 автор сообщает медианное KL-расхождение 0,0017 и совпадение top-1 в 98,72% позиций на тестовых запросах. Модель принимает и генерирует только текст. Для запуска требуется среда с поддержкой архитектуры spark2_5, например vMLX или MLX Studio; обычный mlx-lm эту архитектуру не поддерживает. Лицензия Apache-2.0 унаследована от базовой модели.

Starling-LM-11B-alpha-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral, созданная слиянием mistralai/Mistral-7B-Instruct-v0.1 и Delcos/Starling-LM-11B-alpha методом SLERP. Модель содержит 7,1 млрд параметров и предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Модель принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Starling_Monarch_Westlake_Garten-7B-v0.1-GGUF — квантизированная версия текстовой генеративной модели Starling_Monarch_Westlake_Garten-7B-v0.1. Исходная модель опубликована giraffe176, а GGUF-квантизации подготовлены bartowski с использованием llama.cpp. Модель объединяет Mistral-7B-v0.1, Starling-LM-7B-alpha, AlphaMonarch-7B, WestLake-7B-v2-laser и garten2-7b. Модель предназначена для генерации текста и общих задач понимания и рассуждения на естественном языке. В README указаны результаты на EQ-Bench, ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K; среди приведённых показателей — 80,01 на EQ-Bench, 71,76% на ARC, 88,15% на HellaSwag и 65,07% на MMLU. Это указывает на пригодность для диалоговых, общеобразовательных, логических и текстовых сценариев, однако результаты зависят от методики тестирования. Модель относится к классу 7B и поставляется в формате GGUF с вариантами квантизации от Q4 до Q8, что позволяет выбирать баланс между размером файла, требованиями к памяти и качеством. Мультимодальность, поддерживаемые языки и размер контекстного окна в README не указаны. Лицензия — CC BY-NC 4.0, поэтому коммерческое использование может быть ограничено условиями лицензии.

SuperQwen3.8-27b-abliterated-GGUF — это квантованные версии мультимодальной модели SuperQwen3.8-27b-abliterated, разработанной Jiunsong и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для генерации текста по текстовым и визуальным входным данным, рассуждений, вызова инструментов и работы с длинным контекстом. Заявлена поддержка английского и корейского языков, а также контекста до 262 тысяч токенов. Модель имеет размер 27 млрд параметров; архитектура в README подробно не описана. Для обработки изображений требуется дополнительный мультимодальный компонент mmproj. Доступны варианты квантования от Q2_K до Q8_0 и IQ4_XS с размером файлов примерно от 11 до 29,1 ГБ, а также версии с плавающей точностью F16. Более лёгкие варианты экономят память, но могут снижать качество; Q6_K отмечен как вариант очень хорошего качества, а Q4_K_S и Q4_K_M — как быстрые рекомендуемые варианты. К сильным сторонам относятся мультимодальность, поддержка длинного контекста, рассуждений и вызова инструментов, а также широкий выбор уровней квантования для локального запуска. Ограничения включают зависимость визуальных сценариев от отдельного mmproj-компонента и возможное ухудшение качества при агрессивном квантовании. Модель распространяется по лицензии Apache-2.0.

Jiunsong/SuperQwen3.8-27b-abliterated-NVFP4-DGX-Spark — это сжатая и оптимизированная для производительности мультимодальная модель, созданная Jiunsong на базе Qwen/Qwen3.8-27B. Она предназначена для задач image-text-to-text, рассуждений, работы с инструментами и обработки длинного контекста. Модель поддерживает английский и корейский языки, принимает текст и изображения, а также рассчитана на контекст до 262 144 токенов; в README подтверждён поиск данных в контексте длиной 262 043 токена. Модель использует квантизацию NVFP4 W4A4 с размером группы 16 для подходящих линейных весов и активаций. Vision tower, MTP, пути conv1d и lm_head защищены и сохраняются в исходной или BF16-точности; MTP-компонент используется для speculative decoding. Размер исходной модели — 27B параметров, объём квантизированного набора составляет около 19,15 GiB. В измеренном профиле применяется FP8 KV cache, а стабильная конфигурация speculative decoding использует K=5. Сильными сторонами являются высокая скорость декодирования на одном DGX Spark, сохранение мультимодальных возможностей, tool calling, длинного контекста и ограниченного режима рассуждений. Для конфигурации K=5 заявлена скорость 25,7592 токена в секунду, а проверки показали успешную работу с инструментами, изображениями и тестами на избыточное обдумывание. Ограничения включают возможное ухудшение качества на задачах, не охваченных проверками, зависимость производительности от конкретной среды DGX Spark и ограничение speculative decoding нативным окном 262 144 токена. Заявление об «abliterated» означает снижение измеренной склонности к отказам и не гарантирует универсальную безопасность или достоверность. Модель распространяется по лицензии Apache-2.0.

Карточка модели jordimas/t5gemma-2-270m-270m на Hugging Face совпадает с карточкой google/t5gemma-2-270m-270m, поэтому описание составлено по ней. T5Gemma 2 — семейство мультимодальных моделей Google на архитектуре encoder-decoder. Этот чекпойнт содержит энкодер на 270 млн и декодер на 270 млн параметров; он получен адаптацией предварительно обученной Gemma 3 с использованием подхода UL2. Модель принимает текст и изображения и генерирует текст. Семейство заявлено как мультиязычное: более 140 языков и контекст до 128 тысяч токенов; для этого размера в README приведены оценки на задачах понимания изображений и обработки длинного контекста. Модель предназначена для генерации и преобразования текста, ответов на вопросы по изображениям, суммаризации и рассуждений, а компактный размер позволяет рассматривать запуск на ноутбуках, настольных компьютерах или в облачной инфраструктуре. Чекпойнт отмечен как предварительно обученный; README также описывает исследовательское применение семейства. Модель может ошибаться в фактах, испытывать трудности со сложными или неоднозначными запросами и отражать смещения обучающих данных. Лицензия — Gemma; применяйте модель с учётом её условий и самостоятельно оценивайте безопасность результатов.

Tess-3-Llama-3.1-70B — большая языковая модель общего назначения из серии Tess, созданной Migel Tissera. Вычислительные ресурсы для модели предоставила KindoAI. Модель построена на архитектуре Llama и предназначена для генерации текста и диалогового взаимодействия. Она содержит 69,5 млрд параметров и поддерживает контекст до 131 072 токенов. Доступны веса в формате PyTorch. Для использования модели действует лицензия Llama 3.1. Карточка называет её моделью общего назначения, но не приводит конкретных результатов оценки качества или подробных ограничений.

TIGER-Lab_Qwen2.5-32B-Instruct-CFT-GGUF — это квантизированная версия инструкционной языковой модели Qwen2.5-32B-Instruct-CFT, разработанной TIGER-Lab и подготовленной в формате GGUF пользователем bartowski с помощью llama.cpp и метода imatrix. Модель предназначена для генерации текста, выполнения инструкций, решения математических задач и рассуждений; исходная модель обучалась с использованием датасета TIGER-Lab/WebInstruct-CFT. В README заявлен английский язык. Модель основана на архитектуре Qwen2.5 с 32 миллиардами параметров и поддерживает текстовый сценарий использования через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты квантизации от Q8_0 размером 34,82 ГБ до более компактных IQ3 и Q3 с размером около 14–18 ГБ. Более качественными и рекомендуемыми названы варианты Q6, Q5 и Q4, тогда как Q3 обеспечивают экономию памяти ценой снижения качества. Размер контекста, мультимодальные возможности и дополнительные языки в предоставленных данных не указаны. Преимуществами являются крупный размер модели, специализация исходной версии на инструкциях, математике и рассуждениях, а также широкий выбор квантизаций для различного объёма оперативной памяти. Ограничения связаны с потерями качества при агрессивной квантизации, значительными требованиями к памяти и отсутствием сведений о производительности, контекстном окне и поддержке языков помимо английского. Модель распространяется по лицензии Apache-2.0.

Cohere и Cohere Labs разработали Tiny Aya En-Thinker — мультиязычную авторегрессионную трансформерную модель семейства Tiny Aya на 3,35 млрд параметров. Она предназначена для диалогов, следования инструкциям, математических и научных задач, рассуждений и генерации ответов на разных языках. При включённом режиме рассуждений модель формирует цепочку рассуждений на английском, а итоговый ответ — на языке запроса; режим без рассуждений также поддерживается. Модель принимает текст и выдаёт текст. Она обучена для 44 языков, включая русский и английский, а дополнительное мультиязычное обучение расширяет охват ещё более чем на 20 языков. Контекст составляет 32 тыс. токенов суммарно для входа и выхода. Чекпойнт прошёл supervised fine-tuning на англоязычных и переведённых мультиязычных данных рассуждений. Ответы могут быть ошибочными или устаревшими; в языках с малым объёмом данных качество может быть менее стабильным, а цепочки рассуждений — длинными. Лицензия CC-BY-NC-4.0 допускает некоммерческое использование при соблюдении Acceptable Use Policy Cohere Labs; для коммерческого применения требуется связаться с Cohere.

TinyLettuce-ettin-68m-en — англоязычная модель KRLabsOrg для выявления галлюцинаций в ответах с опорой на заданный контекст. Она построена на энкодере Ettin на 68,1 млн параметров с головой классификации токенов и помечает токены как подтверждённые или галлюцинированные; объединение помеченных фрагментов в span выполняется отдельно. Модель принимает контекст, вопрос и ответ в последовательности до 4 096 токенов по README; метаданные указывают нативный контекст до 7 999 токенов. Модель предназначена для обнаружения неподтверждённых фрагментов в системах retrieval-augmented generation, а также для дальнейшей адаптации на небольших доменных выборках. README сообщает F1 74,97% на RAGTruth и позиционирует модель как компактную для CPU-инференса. Это результат на конкретном бенчмарке, а не гарантия качества на других данных. Модель дообучена от jhu-clsp/ettin-encoder-68m; лицензия — MIT.

TinyLlama-1.1B-Sum-SFT — плотная авторегрессионная языковая модель семейства Llama, дообученная на базе TinyLlama/TinyLlama-1.1B-intermediate-step-1431k-3T на наборе martimfasantos/openai-summarize-tldr. Модель предназначена прежде всего для суммирования текста и генерации кратких пересказов; в каталоге также отмечена задача генерации текста. Модель содержит около 1 млрд параметров, принимает текст и имеет контекст длиной 2048 токенов. Карточка приводит метрики оценки на тестовом наборе, но не раскрывает подробности обучения, конкретные языки или ограничения качества. Вес опубликован в формате safetensors. Лицензия — Apache-2.0.

TurdusTrixBeagle-DARETIES-7B — текстовая авторегрессионная модель на архитектуре Mistral, созданная слиянием udkai/Turdus, CultriX/MergeTrix-7B-v2 и mlabonne/NeuralBeagle14-7B методом DARE-TIES с помощью LazyMergekit. В конфигурации указан Mistral-7B-v0.1 как базовая модель; размер итоговой модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста, диалогов и ответов на инструкции, а также для задач рассуждения и творческого письма. В README приведены результаты Open LLM Leaderboard: средняя оценка 75,20, включая 73,46 на AI2 Reasoning Challenge и 88,61 на HellaSwag. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Языки и специализированные прикладные области в доступных материалах не обозначены.

ukisai_Swift-Qwen3.8-27b-GGUF — это квантизированная версия модели Swift-Qwen3.8-27b, разработанной ukisai и подготовленной в формате GGUF пользователем bartowski с использованием llama.cpp. Модель содержит около 28 млрд параметров и предназначена для задач генерации текста, рассуждений и эффективного по токенам решения задач. В README также заявлена поддержка обработки изображений вместе с текстом при использовании файла mmproj, поэтому модель может применяться в мультимодальных сценариях image-text-to-text. Модель поддерживает speculative decoding через MTP и использует imatrix-квантизацию. Доступны варианты от BF16 и Q8_0 до более компактных Q3 и IQ3, а также популярные Q4 и Q5; размер файлов варьируется примерно от 12,8 до 54,66 ГБ. В качестве универсального компромисса между качеством и размером рекомендуется вариант Q4_K_M объёмом 17,44 ГБ, тогда как Q6 и Q8 ориентированы на максимально высокое качество. Сведения о поддерживаемых языках и размере контекста в README не указаны. Сильными сторонами модели являются крупный размер, поддержка рассуждений, мультимодальный ввод, speculative decoding и широкий выбор уровней квантизации для различного объёма памяти. Ограничения включают значительные требования к дисковому пространству и памяти, возможное снижение качества в компактных вариантах, необходимость совместимого runtime llama.cpp, а для работы с изображениями — отдельного mmproj-файла. Модель распространяется по лицензии Swift Open License 1.0; в метаданных также указано, что доступ к ней является gated.

Walnoot 8B Instruct — нидерландская языковая модель компании WAINUT, версия 1.0, построенная на базе Apertus-8B-2509. Модель дообучена на нидерландских текстах и инструкциях: карточка описывает продолженное предобучение, обучение следованию инструкциям и доработку с обратной связью. В метаданных указаны плотная архитектура ApertusForCausalLM, 10,3 млрд параметров, контекст до 65 536 токенов и поддержка чата. Модель предназначена для работы с нидерландскими деловыми и юридическими текстами: ответов на вопросы по переданному документу, извлечения сведений, классификации и подготовки стандартных текстов. Она также может составлять черновики кратких изложений, которые следует проверить. Это не поисковая система и не база фактов. Выпущена по лицензии Apache 2.0.

Карточка модели pythainlp/wangchanglm-7.5B-sft-enth-sharded на Hugging Face совпадает с карточкой pythainlp/wangchanglm-7.5B-sft-enth, поэтому описание составлено по ней. WangChanGLM-7.5B-sft-enth — разработанная PyThaiNLP и VISTEC-depa AI Research Institute of Thailand версия XGLM-7.5B, дообученная следовать инструкциям. Модель содержит 8,6 млрд параметров, использует архитектуру XGLM и принимает текстовые запросы, генерируя текст; длина контекста — 2048 токенов. Модель предназначена для ответов на вопросы по тексту, мозгового штурма и творческого письма. Этот вариант дополнительно дообучен на тайских данных, переведённых с помощью Google Translate; в карточке также указана оценка возможностей для английского, тайского, японского и вьетнамского языков. Для обучения использованы открытые наборы данных, включая OIG, Dolly v2, OpenAI TL;DR и HC3. Лицензия весов — CC-BY-SA 4.0. Модель слабо подходит для математики, сложных рассуждений и ответов, требующих фактической точности. В карточке также отмечены нежелательные предубеждения и токсичность; перед применением в конкретной задаче рекомендуется дополнительная проверка.

QuixiAI/WizardLM-7B-V1.0-Uncensored — текстовая модель генерации на базе архитектуры LLaMA с 6,6 млрд параметров. Это переобученная версия WizardLM-7B-V1.0: автор использовал отфильтрованный набор данных, чтобы снизить частоту отказов, уклончивых ответов и проявлений предвзятости. Модель обучена на инструкциях в формате Vicuna-1.1 и предназначена для диалогов и выполнения текстовых инструкций. Модель принимает текст и генерирует текст; заявленная длина контекста — 2048 токенов. Карточка указывает, что у модели ослаблены защитные ограничения, но отмечает, что она не является полностью «без цензуры». Лицензия в метаданных обозначена как other, поэтому конкретные условия использования по доступным сведениям определить нельзя.

XGLM-2.9B — авторегрессионная мультиязычная языковая модель семейства XGLM, разработанная командой Facebook/Meta и представленная в работе о few-shot обучении мультиязычных языковых моделей. Она предназначена для генерации текста и few-shot решения языковых задач, включая оценивание вариантов ответа. Модель содержит около 3,3 млрд параметров, обучена на сбалансированном корпусе на 500 млрд субтокенов и принимает текст, продолжая его авторегрессионно; длина контекста составляет 2048 токенов. Модель поддерживает широкий набор естественных языков, включая английский, русский и китайский. Её можно применять для генерации и продолжения текста, а также для экспериментов с few-shot prompting. Репозиторий содержит веса PyTorch. Лицензия — MIT. README ссылается на отдельную карточку разработчиков для подробностей предполагаемого использования.

YamshadowStrangemerges_32_Strangemerges_32Experiment28 — объединённая модель Mistral, созданная слиянием моделей automerger/YamshadowStrangemerges_32-7B и automerger/Strangemerges_32Experiment28-7B. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате Safetensors. Для использования доступна по лицензии Apache-2.0. В карточке не описаны специализированные области применения или дополнительные возможности, поэтому её следует рассматривать как модель общего назначения для генерации текста.

AlphaMonarch-7B — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная Mlabonne. Модель получена слиянием нескольких моделей семейства Beagle и последующим дообучением методом DPO на наборе предпочтений argilla/OpenHermes2.5-dpo-binarized-alpha; в метаданных базовой моделью указана mlabonne/NeuralMonarch-7B. Модель предназначена для диалогов, следования инструкциям, рассуждений, ролевых сценариев и написания историй. README рекомендует шаблон чата Mistral Instruct и описывает контекст 8 тысяч токенов; метаданные указывают native context в 32 768 токенов. Разрешено текстовое взаимодействие на английском языке. README сообщает о формальном и изысканном стиле ответов, который можно менять инструкциями в запросе. Модель доступна в формате safetensors и распространяется по лицензии CC BY-NC 4.0, ограничивающей коммерческое использование. Заявления README о сравнительных результатах относятся к указанным там бенчмаркам; они не гарантируют качество на других задачах. LLM может выдавать ошибочную или вымышленную информацию.

Apertus-v1.5-70B-FP8 — квантованный чекпойнт мультимодальной модели Apertus 1.5 70B, разработанной Swiss AI и опубликованной onprem-ai. Модель предназначена для генерации и обработки текста, а также работы с изображениями и аудио; поддержка мультимодальных возможностей исходной модели сохранена. В README языки и точное устройство базовой архитектуры не указаны. Веса сжаты методом FP8_DYNAMIC для линейных проекций, тогда как lm_head, эмбеддинги, vision tokenizer и audio tokenizer остаются в BF16. Размер чекпойнта составляет около 71 GiB против 135 GiB у исходной BF16-версии, при этом на тесте MMLU заявлена отсутствие измеримой потери качества. На видеокарте с 96 GiB памяти после загрузки весов остаётся примерно 14 GiB под KV-кэш, что позволяет получить около 60 тысяч токенов контекста при использовании FP8 KV-кэша; это оценка для конкретного сценария развертывания, а не явно указанное максимальное окно контекста. Модель подходит для локального и серверного инференса, включая мультимодальные приложения, вызов инструментов и задачи рассуждения при наличии соответствующей поддержки. Основные преимущества — высокое сохранение качества исходной модели, почти двукратное сокращение занимаемой памяти и сохранённые возможности работы с изображениями и аудио. Ограничения включают требование vLLM с поддержкой архитектуры Apertus 1.5, несовместимость с SGLang для compressed-tensors, а также необходимость примерно 96 GiB GPU-памяти для полноценного мультимодального запуска; для текстового инференса с коротким контекстом может подойти карта на 80 GiB. Модель распространяется по лицензии Apache 2.0.

APUS-xDAN-4.0-MoE-v2 — авторская decoder-only трансформерная языковая модель с архитектурой Mixture of Experts, разработанная командой xDAN. В карточке указаны 136 млрд параметров и активация двух экспертов на токен; метаданные репозитория классифицируют веса как MixtralForCausalLM с 33,9 млрд параметров. Модель продолжает обучение на архитектуре LLaMA и опирается на возможности серии xDAN-L2; README сообщает об использовании обратной связи от людей для улучшения рассуждений, математических и логических задач. Модель предназначена для генерации текста и диалогового использования. Заявленная длина контекста — 32 768 токенов; метаданные указывают английский и китайский языки. README также описывает варианты квантования от 1,5 до 4 бит и совместимость открытой версии с потребительскими GPU. Репозиторий распространяется по лицензии CC BY 4.0.

Aura_Qwen_7B — созданная с помощью mergekit объединённая языковая модель на базе архитектуры Qwen2. В неё вошли jeiku/dontusethis и ResplendentAI/Qwen_jeiku_LoRA_128; при объединении использован метод passthrough, веса представлены в safetensors. Модель предназначена для генерации текста и диалогового общения. Она содержит 7,1 млрд параметров и поддерживает контекст длиной до 131 072 токенов. Карточка не уточняет языки, на которых модель обучалась, её специализацию или лицензию.

Это модель суммаризации текста на архитектуре BART Large CNN, созданная Mr-Vicky-01 на основе предварительно обученной модели Facebook BART Large. Она дообучена на наборах данных XSum и SAMSum для сокращения текстов, в том числе новостных материалов и диалогов, до краткого пересказа. Модель содержит 252,8 млн параметров, принимает текст и имеет контекстное окно до 1024 токенов. Поддерживаемый язык — английский. Репозиторий содержит веса в формате safetensors и предназначен для использования с библиотекой Transformers. Лицензия — MIT.

BARThez — франкоязычная предварительно обученная модель типа BART для преобразования текста. Репозиторий содержит вариант mBARThez: продолжение предобучения многоязычной mBART на французском языке. Архитектура кодировщика-декодировщика с 95 млн параметров и контекстом до 1024 токенов позволяет модели как анализировать, так и генерировать текст. Модель обучалась восстанавливать исходные предложения из искажённого текста на корпусе из 66 ГБ французских текстов. Она рассчитана на генеративные задачи, включая абстрактивное суммирование; тег Hugging Face также указывает задачу заполнения пропусков. Модель опубликована в формате PyTorch под лицензией Apache 2.0.

Это дообученная модель BART Large для автоматического создания кратких пересказов англоязычных текстов. Её разработчик — october-sd; базовая модель — facebook/bart-large-xsum. Модель содержит 252,8 млн параметров, использует архитектуру BART и принимает последовательности длиной до 1024 токенов. Модель предназначена для суммирования текста. В README указано значение loss 1,5989 на оценочном наборе, но подробности о наборе данных и методике оценки отсутствуют. Распространяется в формате safetensors по лицензии MIT.

lukagra/Bielik-Minitron-7B-v3.0-Instruct-mlx-fp16 — конвертированная в формат MLX версия модели speakleash/Bielik-Minitron-7B-v3.0-Instruct. Это плотная авторегрессионная языковая модель семейства Llama с 7,3 млрд параметров, предназначенная для диалога и генерации текста. Репозиторий создан lukagra; карточка базовой модели описывает Bielik как компактную инструктивную модель для европейских языков с акцентом на польский. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана на многоязычные сценарии. В метаданных перечислены польский, английский, албанский, белорусский, боснийский, болгарский, хорватский, чешский, датский, эстонский, финский, французский, греческий, испанский, исландский, литовский, нидерландский, немецкий, норвежский, португальский, русский, румынский, сербский, шведский, словацкий, словенский, турецкий, украинский, венгерский, итальянский и латышский языки. Формат MLX предназначен для запуска на оборудовании Apple с MLX; исходная модель использует формат Safetensors. Модель опубликована под лицензией Apache-2.0. Качество и возможности унаследованы от базовой модели; карточка этой конверсии не содержит отдельных оценок или результатов тестирования.

Bielik-PL-11B-v3.0-Instruct — генеративная языковая модель с 11 млрд параметров, разработанная SpeakLeash совместно с центром ACK Cyfronet AGH. Это дообученная для выполнения инструкций версия Bielik-11B-v3-Base-20250730 с заменённым на APT4 токенизатором, оптимизированным для польского языка. Модель имеет архитектуру causal decoder-only и использует шаблон чата ChatML. Модель предназначена для диалогов, ответов на вопросы и выполнения языковых инструкций. Она обучена на текстах на 32 европейских языках с акцентом на польский; обучение включало многоходовые диалоги, задачи на логику, STEM, математику и использование инструментов. Разработчики отмечают высокую способность работать с польским и другими европейскими языками. Модель может выдавать фактически неверные, предвзятые, оскорбительные или непристойные ответы и не имеет встроенных механизмов модерации. Лицензия — Apache 2.0.

BRAG-Qwen2-1.5b-v0.1 — компактная языковая модель серии BRAG, разработанная Pratik Bhavasar и Ravi Theja на базе архитектуры Qwen2 и дообученная для генерации ответов с использованием найденного контекста (RAG). Модель предназначена для работы с текстом и таблицами, а также для диалоговых сценариев RAG: она отвечает на вопросы по переданному контексту и должна сообщать, если ответа в нём нет. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 131 072 токенов по метаданным. В README указана поддержка до 32 тыс. токенов и отмечено, что модель обучалась и оценивалась на английском языке, хотя базовая модель обладает многоязычными возможностями. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. Модель рассчитана на короткие контексты и может хуже работать с длинными, несмотря на указанное в метаданных окно контекста. README предупреждает о возможных галлюцинациях и рекомендует использовать заданный авторами системный промпт. Метаданные не указывают результаты этой версии в приведённой таблице сравнения.

ChartGemma — модель для понимания и анализа диаграмм, разработанная на основе PaliGemma. Она принимает изображение диаграммы и текстовую инструкцию, чтобы отвечать на вопросы, составлять сводки и проверять утверждения по визуальным данным. В отличие от подходов, обученных на таблицах, извлечённых из диаграмм, ChartGemma дообучена на инструкциях, созданных непосредственно по изображениям, что помогает учитывать визуальные тенденции и детали разных диаграмм. В README заявлены результаты уровня state of the art на пяти бенчмарках для суммаризации диаграмм, ответов на вопросы и фактчекинга. Модель опубликована в формате safetensors и распространяется по лицензии MIT.

Chatty-Djinn-14B — диалоговая языковая модель на архитектуре Mistral, созданная объединением нескольких моделей с помощью LazyMergekit. В состав слияния входят OpenChat, OpenHermes и другие модели семейства Mistral; репозиторий содержит веса в формате safetensors и около 13,4 млрд параметров. Модель предназначена для диалогов и генерации текста, включая ответы на общие вопросы и рассуждения. В карточке приведены результаты тестов на задачах понимания и рассуждения; они не гарантируют аналогичное качество в прикладных сценариях. Контекстное окно — до 32 768 токенов. Указана лицензия Apache-2.0.