I.2Синтез, понимание и проверка знаний

MBART-finetuned-Spanish — модель семейства mBART, дообученная на базе facebook/mbart-large-50 для суммаризации текстов на испанском языке. Она использует архитектуру последовательность-в-последовательность и содержит 457,4 млн параметров; указанная длина контекста — 1024 токена. Модель обучена на датасете WikiLingua и генерирует краткое изложение по входному тексту. В карточке приведены результаты оценки: ROUGE-1 23,72, ROUGE-2 7,61, ROUGE-L 22,97 и BERTScore 70,78. Доступный формат весов — PyTorch. Лицензия в предоставленных данных не указана.

MeliodasPercival_01_Experiment26Pastiche — объединённая модель на архитектуре Mistral, созданная из automerger/MeliodasPercival_01-7B и automerger/Experiment26Pastiche-7B. Она предназначена для генерации текста и диалогов, а также поддерживает контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате safetensors. Модель опубликована MaziyarPanahi и доступна по лицензии Apache 2.0. В карточке указана задача text-generation; сведения о специализации по отдельным предметным областям и языках отсутствуют.

MeliodasPercival_01_ShadowYamshadow — объединённая модель семейства Mistral с 7,1 млрд параметров, созданная MaziyarPanahi на основе automerger/MeliodasPercival_01-7B и automerger/ShadowYamshadow-7B. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0. Данных о специализации на конкретных языках или прикладных областях нет.

MeliodasPercival_01_T3qm7xNeuralsirkrishna — объединённая языковая модель семейства Mistral, созданная слиянием моделей automerger/MeliodasPercival_01-7B и automerger/T3qm7xNeuralsirkrishna-7B. Она содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов на основе текстовых запросов; поддерживает контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В карточке не приведены сведения о целевых языках, специализированных областях или оценках качества, поэтому её можно описать как модель общего назначения.

Meltemi-7B-v1 — базовая языковая модель, разработанная Институтом обработки языка и речи (ILSP) Центра исследований и инноваций Athena. Она основана на Mistral-7B и продолжает его предобучение на греческом, английском и параллельном греко-английском корпусах общим объёмом около 40 млрд токенов; токенизатор расширен греческими токенами. Модель имеет плотную архитектуру MistralForCausalLM, 7,2 млрд параметров и контекстное окно до 32 768 токенов по метаданным Hugging Face; в README указана длина 8 192 токена. Модель предназначена для генерации текста и языковых задач на греческом и английском языках, включая ответы на вопросы, понимание текста и рассуждения. По оценкам разработчиков, дообучение повысило средний результат на греческих тестах на 14,9% относительно Mistral-7B. Модель не проходила выравнивание с человеческими предпочтениями и может генерировать вводящий в заблуждение, вредный или токсичный текст. Распространяется по лицензии Apache-2.0.

Memphis-scribe 3B — плотная авторегрессионная языковая модель семейства StableLM Epoch, разработанная euclaise. Это дообучение Memphis-CoT 3B, которая, в свою очередь, основана на StableLM 3B 4e1t. Модель содержит 2,7 млрд параметров, работает с текстом и имеет контекст длиной до 4096 токенов. Модель дообучена на инструкциях, диалогах, творческих текстах, ролевых сценариях, кратких пересказах и примерах генерации вопросов и ответов по контексту. Она предназначена для общения, творческого письма и генерации текста по запросу; также может решать отдельные задачи рассуждения, но тесты в README показывают снижение результатов относительно Memphis-CoT 3B. Для использования указана лицензия CC BY 4.0.

abacusai/MetaMath-Bagel-DPO-34B — плотная авторегрессионная языковая модель семейства Llama с 33,9 млрд параметров, разработанная AbacusAI. Это DPO-дообучение модели MetaMath SFT на наборе Truthy DPO; карточка приводит результаты по ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K. Модель предназначена для диалоговой генерации текста и ответов на вопросы, в том числе математические и общеобразовательные. В метаданных указан контекст длиной до 200 000 токенов и формат весов safetensors. Лицензия — Apache-2.0.

MFANN3bv0.20.17 — языковая модель семейства Phi, разработанная netcat420 и предназначенная для генерации текста по инструкциям и выполнения широкого круга общих задач. Это дообучение предыдущей версии netcat420/MFANN3bv0.20.16 на наборе данных netcat420/MFANN. Модель содержит 3,5 млрд параметров, использует плотную архитектуру PhiForCausalLM и принимает текстовые инструкции в формате «Instruct: … Output:». Контекстное окно составляет до 32 768 токенов; карточка указывает английский язык. Средняя ошибка обучения, приведённая автором для MFANN, составляет 0,33. Модель распространяется в формате safetensors по лицензии MIT.

MiniCPM5-1B-CoreAI — это версия языковой модели MiniCPM5-1B, разработанной OpenBMB и экспортированной в формат Apple Core AI. Модель предназначена для генерации текста и диалоговых сценариев с полностью локальным выполнением на iPhone и компьютерах Apple Silicon, включая офлайн-ассистентов, суммаризацию и многотуровые чаты. В каталоге Core AI она запускается через CoreAIKit или напрямую средствами Core AI. Модель содержит около 1,08 млрд параметров, поддерживает гибридный режим рассуждений Think/No-Think и контекст до 128K токенов. Представленная версия использует квантизацию int8 с блоками размера 32; для Neural Engine также доступна 8-битная палетизированная сборка с группами по 32. Размер загружаемого пакета составляет около 1,1 ГБ, а сборка для iPhone 17-класса занимает около 1,3 ГБ. Указаны измерения производительности на iPhone 17 Pro: до 76,8 токена в секунду при декодировании в отдельных тестах Neural Engine. Сильные стороны модели — небольшой размер, работа без отправки данных в облако, поддержка длинного контекста и эффективное выполнение на GPU или Neural Engine. Ограничения связаны с привязкой к экосистеме Apple и Core AI, а также с тем, что характеристики зависят от устройства, режима запуска и конкретной сборки. Языки и полный перечень поддерживаемых возможностей в предоставленных данных не указаны. Модель распространяется по лицензии Apache-2.0.

MiniMax-M2.7-JANG_3L-CRACK — производная от MiniMaxAI/MiniMax-M2.7 модель, подготовленная Jinho Jang. Это причинная языковая модель архитектуры MiniMax M2 MoE: в README заявлены 230 млрд параметров, 256 экспертов и около 10 млрд активных параметров на токен. Каталог Hugging Face указывает 2,9 млрд параметров; размер модели также указан в README как 89 ГБ. Модель предназначена для генерации текста, диалога и рассуждений; по карточке она всегда формирует цепочку рассуждений перед ответом. Версия JANG_3L использует смешанную квантизацию для Apple Silicon: 8 бит для attention, 4 бита для эмбеддингов и 3 бита для экспертов. CRACK — заявленное авторами удаление отказов от ответа на уровне весов. Для запуска требуются инструменты с поддержкой JANG, в частности MLX Studio или jang-tools; README рекомендует MLX и vMLX. Контекст — 196 608 токенов. Метаданные отмечают английский, китайский и корейский языки, а также интерфейс вызова инструментов. Подходит для диалоговых помощников, генерации и анализа текста, а также задач рассуждения на компьютерах Apple Silicon с достаточной памятью. README приводит результаты MMLU и HarmBench, однако это собственные заявления авторов карточки. Модель может отвечать на запросы, от которых исходные защитные настройки обычно отказываются; применяйте её с учётом этого свойства. Также авторы указывают, что модель сохраняет ограничения исходной версии на воспроизведение защищённых авторским правом книг и текстов песен. Лицензия указана как other; README отдельно заявляет исследовательское и образовательное назначение.

TheBloke/Mistral-7B-v0.1-GGUF — это набор квантованных файлов в формате GGUF для предварительно обученной языковой модели Mistral 7B v0.1, разработанной Mistral AI. Репозиторий подготовлен TheBloke и предназначен для генерации текста и локального запуска модели через llama.cpp и совместимые интерфейсы и библиотеки. Модель относится к архитектуре Mistral и содержит около 7 миллиардов параметров. Доступны варианты квантования с разной разрядностью, включая 2-, 3-, 4-, 5-, 6- и 8-битные варианты, что позволяет выбирать компромисс между размером, скоростью и качеством. Поддерживается текстовый ввод и вывод; шаблон промпта не задан, поэтому используется непосредственная передача текста. Максимальная поддерживаемая длина последовательности для GGUF-версии указана как 4096 токенов или меньше. Сильные стороны модели — возможность запуска на CPU и GPU, широкий выбор уровней квантования и совместимость с llama.cpp, text-generation-webui, LM Studio, KoboldCpp и другими инструментами. Ограничения включают отсутствие поддержки последовательностей длиннее 4096 токенов в данном формате и потенциальное снижение качества в более агрессивно квантованных вариантах. Языки, на которых модель обучалась, и специализированные сценарии её применения в README не указаны. Модель распространяется по лицензии Apache 2.0.

Mistral-7B-v0.1-Open-Platypus-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая языковая модель на основе Mistral-7B-Instruct-v0.2 и Open-Platypus. Разработчик объединил веса методом SLERP с помощью Mergekit; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В карточке не заявлены конкретные естественные языки или узкие прикладные области. Репозиторий содержит веса Safetensors. Лицензия — Apache-2.0. Качество отдельных задач и ограничения сверх характеристик базовых моделей в карточке не описаны.

Модель thewordsmiths/Mistral-7B-v0.3_sft_merged_100000_dpo_merged — дообученная авторами thewordsmiths плотная языковая модель Mistral для генерации текста. Она создана на основе thewordsmiths/Mistral-7B-v0.3_sft_merged_100000 с использованием Unsloth и библиотеки Hugging Face TRL; в названии и тегах указано обучение DPO. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Карточка указывает английский язык. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0.

Это квантизированная версия текстовой генеративной модели Mixtral-8x22B-v0.1, разработанной Mistral AI и подготовленной для распространения пользователем ChristianAzinn. Модель поставляется в формате GGUF и предназначена для локального запуска через llama.cpp и совместимые приложения, включая LM Studio, Ollama и другие сервисы на его основе. Модель использует архитектуру Mixture of Experts (MoE) и доступна в вариантах квантизации от 2 до 6 бит, включая IQ2_XXS, IQ2_XS, Q2_K, IQ3, Q3, Q4, Q5 и Q6. Также заявлена поддержка 16-битного формата в метаданных, однако репозиторий ориентирован на GGUF-квантизации с importance matrix; для Q8_0, FP16 и FP32 рекомендуется использовать другой репозиторий. Поддерживается текстовая генерация на английском языке и контекстное окно до 65 536 токенов. Сильные стороны модели — большой контекст, широкий выбор уровней квантизации и повышенное качество некоторых вариантов благодаря importance matrix при небольших дополнительных затратах. Ограничение — очень большой размер исходной модели: она не предназначена для большинства пользовательских компьютеров, а длинный контекст требует значительных ресурсов. Файлы могут быть разделены на части; llama.cpp и LM Studio поддерживают работу с такими шардами. Модель распространяется по лицензии Apache-2.0.

ModernBERT-tr-uncased-stsb-HD — турецкоязычная модель на архитектуре ModernBERT для обнаружения галлюцинаций в системах генерации с дополнением из внешних источников (RAG). Она выполняет бинарную классификацию на уровне токенов: отмечает фрагменты ответа как подтверждённые или галлюцинированные. Модель содержит около 134,9 млн параметров и принимает последовательности длиной до 8192 токенов. Модель обучена NewMind AI на машинно переведённом наборе RAGTruth-TR и предназначена для проверки ответов на вопросы, генерации текста по структурированным данным и суммаризации. В README приведены оценки F1: 0,7821 на всём наборе, 0,7667 для ответов на вопросы, 0,7733 для генерации по данным и 0,6341 для суммаризации. Модель оптимизирована для турецкого языка; качество может снижаться на других языках и при суммаризации. Результаты также зависят от качества перевода обучающих данных и наличия достаточного контекста. Лицензия — MIT.

zelk12/MT1-IF-gemma-2-RAt0.25v0.1GD-9B — объединённая диалоговая языковая модель на архитектуре Gemma 2, созданная с помощью mergekit методом SLERP из моделей zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1-t0.25 и zelk12/recoilme-gemma-2-Gutenberg-Doppel-9B-v0.1. Модель содержит 9 млрд параметров, принимает текстовые запросы и генерирует текст; заявленная длина контекста составляет 8192 токена. Модель предназначена для диалога и генерации текста по запросам. Весовая сборка сохранена в формате safetensors и рассчитана на использование через Transformers. Карточка не сообщает о специализированной предметной области или поддерживаемых естественных языках, поэтому её следует рассматривать как модель общего назначения. Лицензия и конкретные ограничения по качеству или безопасности в предоставленных материалах не описаны.

tranv/mt5-base-finetuned-sumeczech — дообученная модель семейства mT5 на базе google/mt5-base, предназначенная для автоматического суммирования текста. Она содержит около 291,2 млн параметров и использует архитектуру MT5ForConditionalGeneration в формате PyTorch. Базовая модель mT5 — многоязычная текстово-текстовая модель Google. Модель подходит для генерации краткого содержания входного текста. В README приведены результаты оценки: Loss 1,9291, ROUGE-1 15,9842, ROUGE-2 5,0275, ROUGE-L 12,6308 и ROUGE-Lsum 14,0073. Название указывает на чешское суммирование, но язык обучающих данных в карточке не подтверждён. Лицензия — Apache-2.0.

Muse-Glimmer-30B-ROCmFP4-Strix-Halo-DFlash-GGUF — квантованная GGUF-сборка модели Muse-Glimmer-30B от meta-models/Muse-Glimmer, подготовленная kingjones777 для AMD Strix Halo. Модель мультимодальная: поддерживает текст и изображения, рассуждения с разделением reasoning_content и content, а также tool calling. Сборка предназначена для локального запуска на AMD Ryzen AI Max+ 395 с графикой Radeon 8060S и архитектурой gfx1151. Доступны шесть вариантов квантования ROCmFP4 и ROCmFPX с размером от 13,80 до 27,23 GiB и эффективной точностью 4,25–8,39 BPW. В комплект входят vision projector, chat parser и DFlash для speculative decoding. Проверенный контекст составляет 32768 токенов; пиковое потребление памяти — около 19,99 GiB с моделью, drafter, projector и KV-кэшем. На указанном оборудовании скорость декодирования зависит от задачи и составляет примерно 17–45 токенов в секунду, обычно около 30 токенов в секунду. Сильные стороны модели — сочетание текста, зрения, рассуждений, вызова инструментов и ускоренного декодирования в одной сборке, а также оптимизация под unified memory AMD Strix Halo. Ограничения включают узкую аппаратную совместимость: стандартный llama.cpp эту модель не загружает, требуется специальная ROCmFPX-сборка с поддержкой архитектуры muse-glimmer и типов ROCmFP4. Более быстрые варианты могут генерировать заметно более короткие ответы, поэтому для глубины ответа предпочтителен вариант STRIX. Лицензия указана как other; дополнительные условия в README не раскрыты.

rinna/nekomata-14b-instruction — дообученная по инструкциям версия языковой модели Nekomata-14B от rinna. Это плотная трансформерная модель семейства Qwen с 40 слоями и размером скрытого слоя 5120; в метаданных указан объём 21,8 млрд параметров и контекст до 8192 токенов. Для запросов используется формат Alpaca. Модель предназначена для генерации ответов и выполнения текстовых инструкций на японском и английском языках. При дообучении использовались данные Databricks Dolly, японская версия Dolly, материалы FLAN и японские текстовые датасеты; часть оценочных корпусов была исключена из обучающих данных для предотвращения утечки. Модель работает с текстом и сохраняет формат PyTorch/Safetensors. Модель может быть полезна для диалоговых ассистентов, ответов на вопросы, суммаризации и других задач по текстовым инструкциям. Качество зависит от формулировки запроса и обучающих данных; карточка отсылает к странице бенчмарков rinna, но не приводит результаты непосредственно. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке Hugging Face.

NeuralShivaFusion-7B-Gradient-ST — объединённая модель генерации текста, созданная Kukedlc с помощью LazyMergekit на основе трёх версий Neural-Krishna-Multiverse-7b. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста и диалогов; репозиторий содержит веса в формате safetensors. README не описывает отдельную специализацию или языковую направленность модели. Лицензия в предоставленных данных не указана.

Notus 7B v1 GGUF — это квантизированная версия языковой модели Notus 7B v1, разработанной Argilla и преобразованной в формат GGUF пользователем TheBloke. Модель основана на архитектуре Mistral и предназначена для генерации текста и диалоговых сценариев на английском языке. В карточке указано около 7 миллиардов параметров; размер контекстного окна и точные варианты квантизации не приведены. Модель обучалась с использованием preference-ориентированных подходов DPO и RLAIF на датасете argilla/ultrafeedback-binarized-preferences. Она рассчитана на выполнение инструкций, ответы на вопросы, рассуждения и универсальную генерацию текста. Среди указанных результатов: win rate 0,9142 на AlpacaEval, оценка 7,3 на MT-Bench, accuracy 0,6303 на MMLU и normalized accuracy 0,8478 на HellaSwag. Эти показатели отражают результаты базовой модели Notus 7B v1, а не обязательно каждого квантизированного варианта. К сильным сторонам относятся ориентация на выполнение инструкций, диалоговое использование и более низкие требования к вычислительным ресурсам благодаря формату GGUF и квантизации. Ограничения включают англоязычную специализацию, отсутствие заявленной поддержки мультимодальности и неполную информацию о контекстном окне, конкретных уровнях квантизации и характеристиках производительности. Лицензия модели — MIT.

OgnoMonarch-7B — слитая модель для генерации текста, созданная автором репозитория из paulml/OGNO-7B и mlabonne/Monarch-7B с помощью LazyMergekit и метода slerp. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors. Модель предназначена для генерации текста и общих языковых задач. Она распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README не приводит оценок качества или специализированных сценариев применения.

OLMoE-1B-7B-0125-SFT — англоязычная языковая модель AllenAI для генерации текста и диалогового взаимодействия. Это версия OLMoE-1B-7B-0125, прошедшая supervised fine-tuning на варианте набора Tülu 3, включающем публичные, синтетические и созданные людьми данные. Модель основана на архитектуре MoE и имеет 472,1 млн параметров; максимальная длина контекста — 4096 токенов. Модель предназначена для чата и широкого круга текстовых задач, включая математические вопросы и следование инструкциям. Для загрузки через Transformers в README указана необходимость установить версию библиотеки из основной ветки. Модель выпущена под лицензией Apache 2.0. Безопасностное обучение ограничено: модель может выдавать проблемный контент, особенно при соответствующих запросах. В README также отмечено, что она не обучалась с расчётом на конкретный системный промпт.

OpenThaiLLM-Prebuilt-7B — базовая языковая модель, разработанная командой OpenThaiLLM и продолжающая предобучение Qwen2.5-7B. Это плотная авторегрессионная модель с 7,1 млрд параметров для генерации текста; заявленная длина контекста составляет 131 072 токена. В карточке указаны тайский, китайский и английский языки. Модель предназначена для прикладной адаптации и сценариев генерации, включая RAG, генерацию с ограничениями и задачи рассуждения. README приводит сравнительные результаты на тайских экзаменационных и языковых тестах. Авторы не рекомендуют использовать базовую версию для диалогов без дополнительного постобучения; для адаптации упоминается LoRA. Репозиторий содержит веса PyTorch и Safetensors и распространяется по лицензии Apache-2.0.

orca_mini_v8_1_70b-GGUF — это квантизированная версия языковой модели orca_mini_v8_1_70b, разработанной pankajmathur и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста и может запускаться локально, в частности через LM Studio и другие совместимые инструменты llama.cpp. Модель содержит 70 миллиардов параметров и работает с текстом на английском языке. Доступны варианты квантизации от Q8_0 до IQ1_M, различающиеся размером файлов, требованиями к памяти и качеством вывода; наиболее качественными считаются Q8_0, Q6_K и Q5, а варианты Q3 и Q2 ориентированы на устройства с ограниченными ресурсами, но снижают качество. Для работы рекомендуется использовать указанный в README шаблон промпта с системными, пользовательскими и ассистентскими сообщениями. Сильной стороной модели является возможность локального запуска крупной 70B-модели с выбором подходящего компромисса между качеством и потреблением памяти. Ограничения включают значительные требования к оперативной или видеопамяти даже для сжатых вариантов, а также снижение качества у агрессивных квантизаций. Архитектура, размер контекстного окна и мультимодальные возможности в README не указаны. Указанная лицензия — llama3.3.

Это GGUF-квантизация модели Qwen3.8-27B-Uncensored, разработанной orcarouter и подготовленной пользователем bartowski с использованием llama.cpp. Модель содержит около 28 млрд параметров и предназначена для локального запуска в совместимых инструментах, включая llama.cpp. Модель поддерживает работу с текстом и изображениями при использовании отдельного файла mmproj, а также speculative decoding через MTP. Она ориентирована на рассуждения, function calling, vision-language-сценарии, red teaming и другие задачи генерации и анализа контента. Заявлены английский и китайский языки. README не указывает размер контекстного окна и конкретную архитектуру базовой модели. Доступны варианты от BF16 до различных уровней квантования GGUF. Q6 и Q5 позиционируются как варианты очень высокого или высокого качества, а Q4_K_M — как сбалансированный вариант по размеру и качеству; менее точные варианты требуют меньше оперативной памяти. К ограничениям относятся необходимость значительных аппаратных ресурсов для крупных файлов, зависимость мультимодального режима от mmproj и отсутствие в README подробных результатов оценки качества. Указанная лицензия — Apache-2.0.

Ornith-1.5-35B-A3B-NInfer — производный инференс-артефакт модели Ornith-1.5-35B-A3B, разработанной Ornith AI. Это мультимодальная языковая модель архитектуры Qwen 3.5 Mixture-of-Experts, принимающая текст и изображения. Артефакт предназначен для запуска и обслуживания через движок NInfer, а не является исходным репозиторием модели. Модель содержит 40 слоёв и 256 экспертов, из которых для каждого токена активны 8; эффективный объём активных параметров составляет около 3 млрд при общем классе модели 35B. Используются скрытый размер 2048, GQA с 16 attention- и 2 KV-головами, словарь из 248 320 токенов и контекст до 262 144 позиций. Зрительный энкодер состоит из 27 слоёв. Артефакт включает DFlash-компонент для multi-token prediction и обученную MTP-head, оптимизированную с помощью knowledge distillation. Заявленный язык — английский. Весы упакованы в единый файл размером около 21,22 GiB с групповой смешанной квантизацией Q4, Q5, Q6 и W8; часть тензоров сохранена в BF16. По измерениям из карточки, обученная MTP-head повысила долю принятых черновых токенов с 21,8% до 39,0% и увеличила скорость декодирования примерно на 21,5% в указанной конфигурации RTX 5090 и однопоточном CLI-тесте. Ограничения включают зависимость от движка NInfer, специфичного формата артефакта и доступности соответствующих аппаратных ресурсов; приведённые показатели не являются универсальной гарантией производительности. Базовая модель распространяется по лицензии MIT. Встроенная grafted MTP-head указана как производная от Qwen и распространяется по Apache-2.0, поэтому условия использования следует учитывать для компонентов отдельно.

Ornstein-27B-v2-i1-GGUF — это квантованная версия модели Ornstein-27B-v2, разработанной DJLougen и преобразованной в формат GGUF пользователем mradermacher. Модель относится к семейству Qwen3.5 и предназначена для локального запуска с использованием совместимых инструментов, поддерживающих GGUF. По данным карточки, модель ориентирована на диалоговые сценарии, рассуждения и задачи image-text-to-text, то есть может работать с текстом и изображениями. Заявлен английский язык. Размер исходной модели составляет 27B параметров, однако сведения о точной архитектуре, максимальной длине контекста и фактическом наборе поддерживаемых модальностей в карточке не приведены. Репозиторий содержит набор вариантов квантования с разными компромиссами между размером, скоростью и качеством: от примерно 7,2 до 22,2 ГБ. В частности, Q4_K_M отмечен как быстрый и рекомендуемый вариант, а Q4_K_S — как оптимальный по сочетанию размера, скорости и качества; наиболее низкие уровни квантования могут заметно снижать качество ответов. Условия использования унаследованы от указанной лицензии Apache-2.0.

Ourbox-35B-JGOS — модель рассуждений с архитектурой MoE, созданная платформой Darwin компании FINAL-Bench / VIDRAFT_LAB путём эволюционного объединения FFN-экспертов базовой модели Qwen3.6-35B-A3B и специализированных моделей-доноров. В модели 35 млрд параметров, из которых активно около 3 млрд. Она сохраняет гибридное внимание и заявленную длину контекста 262 тыс. токенов; веса доступны в формате Safetensors, библиотека запуска — Transformers. Модель ориентирована прежде всего на рассуждения и генерацию на корейском языке, а также на многоязычный чат и задачи общего текстового поколения. В README заявлен результат 86,36% на GPQA Diamond по протоколу majority-of-8+, однако это заявление относится к конкретной оценке и не гарантирует аналогичного качества в других задачах или при одиночной генерации. Модель распространяется по лицензии Apache 2.0.

google/pegasus-cnn_dailymail — модель суммаризации на архитектуре PEGASUS, разработанной Jingqing Zhang, Yao Zhao, Mohammad Saleh и Peter J. Liu; репозиторий поддерживается @sshleifer. Чекпойнт содержит 366,8 млн параметров и предназначен для создания краткого пересказа текста, в частности новостных материалов CNN/DailyMail. Модель принимает текст и генерирует текстовое резюме; основной язык карточки — английский, длина контекста — до 1024 токенов. PEGASUS использует архитектуру encoder-decoder для генерации текста. В описании семейства авторы сообщают о предобучении на C4 и HugeNews с извлечением и маскированием предложений, а также о случайном варьировании доли пропуска предложений и выборе важных предложений с добавлением случайного шума к оценкам важности. Для этого конкретного чекпойнта README не приводит отдельного набора метрик. Модель распространяется в формате PyTorch; сведения о лицензии в доступных данных отсутствуют.