I.2Синтез, понимание и проверка знаний

Zebrafish-linear-7B — объединённая текстовая модель на архитектуре Mistral, созданная с помощью LazyMergekit из liminerity/M7-7b и rwitz/experiment26-truthy-iter-0. Веса двух моделей объединены методом task arithmetic с равными коэффициентами; базовой указана liminerity/M7-7b. Модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 требует указания авторства и ограничивает коммерческое использование.

Albertina 100M PTBR — энкодер для бразильского варианта португальского языка, разработанный совместной командой Университета Лиссабона и Университета Порту. Это модель семейства BERT на архитектуре DeBERTa с 151,8 млн параметров по метаданным; карточка описывает базовую версию как модель примерно на 100 млн параметров с 12 слоями и размером скрытого состояния 768. Модель принимает текст и предсказывает пропущенные в нём токены, а также может служить основой для задач понимания португальского языка. Модель обучали на 3,7 млрд токенов отфильтрованных веб-документов OSCAR с отбором доменов Бразилии. В карточке приведены результаты оценки на португальской версии набора PLUE для сходства предложений, распознавания следования и кореференции. Контекст составляет до 512 токенов, формат распространения — PyTorch и Safetensors. Модель доступна по лицензии MIT. Результаты карточки относятся к отдельным downstream-тестам и не гарантируют качество на других данных и задачах.

Olmo-3-32B-Think-GGUF — это набор квантизированных GGUF-версий языковой модели Olmo-3-32B-Think, разработанной Allen Institute for AI (allenai) и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты. Варианты представлены в форматах от BF16 до низкобитных Q- и IQ-квантизаций; размер файлов составляет примерно от 13 до 64 ГБ. Доступен англоязычный режим, поскольку в карточке указано только English. Модель относится к текстовым, а не мультимодальным системам. Архитектура и размер контекстного окна в README не указаны. Главное преимущество набора — возможность выбрать компромисс между качеством и требованиями к памяти: варианты Q6 и Q5 обеспечивают очень высокое качество, Q4 подходят для большинства сценариев, а Q3 и IQ3 рассчитаны на системы с ограниченным объёмом RAM, но заметно уступают по качеству. Ограничения включают отсутствие заявленной поддержки других языков, неизвестные характеристики контекста и необходимость достаточно производительного оборудования для крупных версий. Квантизация выполнена с использованием imatrix и llama.cpp. Лицензия модели — Apache-2.0.

Amadeus-Verbo-MI-Qwen-2.5-72B-PT-BR-Instruct-Experimental — объединённая модель на основе Qwen2.5-72B-Instruct и AV-BI-Qwen2.5-72B-PT-BR-Instruct от AmadeusAI. Она предназначена для диалогов и генерации ответов по инструкциям на португальском языке, в том числе для создания структурированного текста. Модель использует плотную архитектуру Qwen2ForCausalLM с 71,5 млрд параметров и контекстом до 32 768 токенов; доступна в формате safetensors и рассчитана на запуск через Transformers. Веса объединены методом SLERP с помощью mergekit в формате bfloat16. Модель может быть полезна для чат-ботов, генерации текстов и ответов на вопросы на бразильском португальском. В карточке также заявлен интерфейс вызова инструментов, однако подробности его поддержки не приведены. Лицензия в предоставленных данных не указана.

GLM-4-32B-Base-32K-GGUF — это квантизированная версия базовой языковой модели GLM-4-32B-Base-32K, разработанной arcee-ai. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска в локальных средах, совместимых с форматом GGUF, включая llama.cpp и LM Studio. Модель имеет размер 32 млрд параметров и поддерживает контекст до 32 000 токенов. В карточке указаны китайский и английский языки. Доступны варианты от BF16 и Q8_0 до более компактных Q2–Q6 и IQ-квантизаций, что позволяет выбирать компромисс между качеством, потреблением памяти и скоростью работы. Более компактные варианты подходят для систем с ограниченной оперативной памятью, но могут заметно уступать по качеству версиям с высокой точностью. Модель является базовой, поэтому её поведение в диалогах и форматирование ответов могут требовать самостоятельной настройки промптов; готовый формат промпта в README не указан. Для запуска необходима совместимая среда и объём памяти, соответствующий выбранному файлу: размер вариантов варьируется примерно от 13,66 до 65,14 ГБ. Лицензия модели — MIT.

Badger ι Llama 3 8B Instruct — разговорная языковая модель на архитектуре Llama 3, созданная автором карточки путём комбинирования нескольких моделей на базе Llama 3 8B, включая instruct- и экспериментальные варианты. Модель рассчитана на генерацию ответов в формате чата, продолжение историй и ролевые диалоги; в README также приведён пример суммаризации длинной статьи. Автор сообщает, что модель хорошо работает с instruct-шаблоном и склонна выдавать развёрнутые ответы. В метаданных указаны 7,5 млрд параметров, контекст 8192 токена, библиотека Transformers и формат safetensors. README упоминает также варианты GGUF, но карточка не уточняет, относятся ли они к этому репозиторию. Лицензия указана как Llama 3. Модель преимущественно англоязычная по приведённым примерам; подтверждённых сведений о других языках нет.

duancleypaul/bart-cnn-samsum-finetuned — дообученная модель BART, созданная на основе facebook/bart-large-cnn. Она предназначена для создания кратких пересказов текстов; название указывает на настройку для диалоговых сводок SAMSum, однако README не подтверждает состав обучающей выборки и целевые сценарии. Модель содержит 252,8 млн параметров, принимает текст с контекстом до 1024 токенов и выдаёт текст. Доступна в формате safetensors по лицензии MIT. В README приведено значение Loss 0,1343 на оценочном наборе, но набор данных и условия оценки не описаны.

Карточка модели hramphul/bart-large-cnn на Hugging Face совпадает с карточкой facebook/bart-large-cnn, поэтому описание составлено по ней. facebook/bart-large-cnn — англоязычная модель BART, разработанная командой Facebook AI и дообученная на наборе пар «статья — краткое содержание» CNN/DailyMail. Она предназначена прежде всего для автоматического составления кратких пересказов текстовых материалов. Модель построена на архитектуре Transformer encoder-decoder: двунаправленный энкодер кодирует входной текст, а авторегрессионный декодер генерирует пересказ. Число параметров — 252,8 млн, максимальная длина контекста — 1024 токена. Модель также может применяться для других задач генерации и понимания текста, однако этот чекпойнт обучен именно для суммаризации. Модель рассчитана на англоязычные материалы; качество для других языков не подтверждено. Длинные документы могут превышать лимит контекста, а сжатие способно опустить детали или исказить смысл. Лицензия — MIT.

Behemoth-123B-v2.2-GGUF — это квантизированная версия текстовой генеративной модели TheDrummer/Behemoth-123B-v2.2, подготовленная пользователем bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может применяться в локальных сценариях: диалогах, написании и редактировании текстов, ответах на вопросы и других задачах обработки естественного языка. Модель содержит 123 млрд параметров. Доступно множество вариантов квантования — от Q8_0 размером около 130 ГБ до IQ1_M размером около 28 ГБ, что позволяет выбирать между качеством и требованиями к памяти. Наиболее высокое качество обеспечивают Q8_0, Q6_K и варианты Q5; более компактные варианты Q3, Q2 и IQ2/IQ1 требуют меньше памяти, но заметно уступают по качеству. Поддерживаются локальный запуск через llama.cpp и использование в LM Studio. В README не указаны архитектура исходной модели, языки, размер контекста и мультимодальные возможности, поэтому модель следует считать текстовой. Сильной стороной является широкий выбор квантований и возможность локального запуска на совместимом оборудовании. Основные ограничения — очень высокие требования к оперативной или видеопамяти даже у компактных вариантов, а также потенциальное снижение качества при низком уровне квантования. Для работы рекомендуется использовать указанный формат приглашений с системным сообщением и пользовательским запросом. Лицензия обозначена как other; конкретные условия в README не приведены и требуют дополнительной проверки.

Это англоязычная модель классификации последовательностей на базе BERT, созданная Ишаном дообучением bert-base-uncased на наборе MultiNLI. Она предназначена для классификации отношений между парами текстов, в частности для определения логического следования, противоречия или нейтрального отношения между посылкой и гипотезой. Модель содержит 136,7 млн параметров, принимает текстовые входные данные и поддерживает контекст до 512 токенов. Доступны версии весов для PyTorch и Flax. В описанной оценке на MultiNLI точность составила 0,8456 на matched и 0,8484 на mismatched. Модель подходит для распознавания текстовых отношений и задач классификации, основанных на них; карточка не сообщает об оценке на других наборах данных. Лицензия в предоставленных данных не указана.

google/bert_uncased_L-6_H-768_A-12 — компактная англоязычная модель BERT из набора BERT Miniatures, разработанного Google и описанного в работе «Well-Read Students Learn Better». Это плотный трансформерный энкодер с 6 слоями, размерностью скрытого представления 768 и 12 головами внимания; в модели около 80,1 млн параметров. Она принимает текст без учёта регистра, обучена с WordPiece-маскированием и поддерживает контекст до 512 токенов. Модель предназначена для тонкой настройки на задачах понимания английского текста, например классификации и оценки сходства предложений. Компактный размер рассчитан на среды с ограниченными вычислительными ресурсами; авторы также отмечают пользу дистилляции, когда обучающие метки создаёт более крупная модель-учитель. Карточка приводит результаты на GLUE для других вариантов набора, но не отдельную оценку этой конфигурации. Доступны веса PyTorch и Flax. Лицензия — Apache-2.0.

BgGPT-Gemma-3-4B-IT е многоезиков модел от серията BgGPT 3.0, адаптирана за български език от INSAIT върху Gemma 3. Той е плътен модел с 4 милиарда параметъра, реализиран като Gemma3ForConditionalGeneration и предназначен за разговори и следване на инструкции с текст и изображения. Моделът поддържа разбиране на изображения и текст в общ контекст, многоходови разговори и сложни инструкции. Посоченият в картата ефективен контекст е 131 000 токена. Обучителните данни за предварителното обучение са до май 2025 г., а данните за дообучаване по инструкции — до октомври 2025 г. Подходящ е за визуални въпроси и отговори, разговорни асистенти и работа с инструкции на български и английски. Моделът е дообучение на google/gemma-3-4B-it и се разпространява във формат safetensors. Лицензът е Gemma; при използване трябва да се спазват условията му. За динамична FP8 квантизация при изпълнение README посочва изискване за GPU с compute capability поне 8.9.

Bielik-11B-v2.1-Instruct — генеративная языковая модель на 11 млрд параметров, разработанная SpeakLeash совместно с центром ACK Cyfronet AGH. Это дообученная в формате инструкций версия Bielik-11B-v2 на архитектуре Mistral с плотной decoder-only структурой; модель работает через Transformers, использует формат диалога ChatML и поддерживает контекст до 32 768 токенов. Модель рассчитана прежде всего на польский язык: она отвечает на вопросы, ведёт многоходовый диалог и выполняет языковые инструкции. Её можно применять для польскоязычных чат-ботов, черновиков текстов, перефразирования и суммаризации. Модель обучалась на корпусах польских текстов и более чем 20 млн инструкций; README приводит результаты сравнительной оценки на генеративных задачах польского языка. Лицензия — Apache 2.0. Модель может выдавать фактически неверные, предвзятые или оскорбительные ответы и не имеет встроенных механизмов модерации; README характеризует её как демонстрацию возможностей дообучения базовой модели.

Карточка модели safestack/Bielik-11B-v3.0-Instruct на Hugging Face совпадает с карточкой speakleash/Bielik-11B-v3.0-Instruct, поэтому описание составлено по ней. Bielik-11B-v3.0-Instruct — генеративная языковая модель с 11 млрд параметров, разработанная SpeakLeash совместно с центром ACK Cyfronet AGH. Это дообученная для следования инструкциям версия Bielik-11B-v3-Base-20250730 с архитектурой causal decoder-only; формат диалога — ChatML. Модель предназначена для общения, ответов на вопросы и выполнения разнообразных текстовых задач, включая задачи на логику, STEM, математику и работу с инструментами. Модель обучали на текстах и инструкциях на 32 европейских языках, уделяя особое внимание польскому. В обучении использовались многоходовые диалоги, синтетические и проверенные вручную инструкции, а также методы DPO и обучения с подкреплением. В метаданных перечислена поддержка польского и ряда европейских языков, включая русский и английский. Лицензия — Apache 2.0. Разработчики характеризуют модель как демонстрацию возможностей базовой модели после дообучения. Она может выдавать фактически неверные, предвзятые или оскорбительные ответы и не имеет встроенных механизмов модерации; её выводы требуют проверки.

NbAiLab/borealis-open-12b — открытая инструктивно настроенная модель семейства Borealis, разработанная Национальной библиотекой Норвегии. Это дообучение Google Gemma 3 12B IT на наборе NbAiLab/aurora-sft-open для следования инструкциям с акцентом на норвежский язык. Модель поддерживает диалог и понимание изображений; репозиторий содержит веса safetensors для Transformers. Модель предназначена для написания и редактирования текстов на норвежском, суммаризации, ответов на вопросы и простых рассуждений, а также для работы с изображениями по текстовым инструкциям. Особое внимание уделено норвежскому букмолу и нюношку; также заявлено применение для английского языка. Это не специализированная модель рассуждений. Модель может галлюцинировать и выдавать неверные сведения; защитная настройка не исключает вредных или неподходящих ответов. Качество за пределами норвежского и английского языков изучено недостаточно, поэтому модель не следует использовать в критически важных сценариях без дополнительной проверки. Лицензия — Gemma.

BreezeDolphinDPO-7B-DARE — языковая диалоговая модель, созданная объединением моделей cognitivecomputations/dolphin-2.6-mistral-7b-dpo и MediaTek-Research/Breeze-7B-Instruct-v0_1 с помощью LazyMergekit. Она предназначена для генерации текста и ведения диалога; архитектура — плотная MistralForCausalLM, размер — 7,2 млрд параметров, контекст — до 32 768 токенов. Модель принимает текст и генерирует текст. Базовая Breeze ориентирована преимущественно на традиционный китайский и английский языки; README не уточняет языковую поддержку итогового слияния. В конфигурации указан метод слияния dare_ties и формат весов bfloat16; репозиторий содержит safetensors. Лицензия в предоставленных данных не указана.

Chinese-Alpaca-2-7B-16K — полноразмерная инструкционная чат-модель проекта Chinese LLaMA & Alpaca-2, основанная на Llama 2 и разработанная командой проекта. Модель расширяет китайский словарь исходной Llama 2 и дообучена на крупных массивах китайских данных; это плотная авторегрессионная модель семейства Llama с 6,7 млрд параметров, доступная в формате PyTorch. Модель предназначена для генерации текста и выполнения инструкций, в том числе для диалога и работы с длинными запросами. Заявленная длина контекста этой версии — 16 384 токена; README также указывает поддержку китайского и английского языков. Репозиторий допускает непосредственный запуск для инференса и полно-параметрического обучения и распространяется по лицензии Apache-2.0. Ключевые ограничения — меньшая ёмкость по сравнению с более крупными моделями и возможное снижение качества вне китайского и английского языков. Ответы могут содержать фактические ошибки, поэтому важные результаты следует проверять.

naver/cocom-v1-128-mistral-7b — модель метода COCOM, разработанного авторами карточки для сжатия контекста в системах генерации с дополненной выборкой (RAG). Она преобразует длинные входные контексты в небольшое число контекстных эмбеддингов, чтобы ускорить генерацию ответов на вопросы; степень сжатия позволяет выбирать компромисс между скоростью и качеством ответа. В карточке заявлено ускорение до 5,69 раза по сравнению с рассмотренными эффективными методами сжатия контекста. Модель основана на дообученной Mistral-7B-Instruct-v0.2 и предназначена для извлечения признаковых представлений из текста. Метаданные указывают библиотеку Transformers, формат safetensors и английский язык карточки. Карточка не сообщает лицензию и не описывает конкретный формат входа для инференса, поэтому эти сведения не приводятся.

Crazy-Qwen2-7b — объединённая модель на основе Qwen2-7B, созданная с помощью mergekit. В состав слияния вошли Locutusque/Hercules-5.0-Qwen2-7B, natong19/Qwen2-7B-Instruct-abliterated и macadeliccc/Samantha-Qwen-2-7B; использован метод model_stock, а в конфигурации базовой модели указана natong19/Qwen2-7B-Instruct-abliterated. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и рассчитана на генерацию текста и диалоговое общение. Размер контекста — до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Метаданные описывают модель как экспериментальную модификацию Qwen2-7B-Instruct для диалогов и генерации текста с ослабленными направлениями отказа; это может снижать надёжность отказов на чувствительные запросы.

MingZhong/DialogLED-base-16384 — базовая модель для понимания и суммаризации длинных диалогов, построенная на архитектуре Longformer-Encoder-Decoder (LED). Разработчики предварительно обучили её на большом объёме диалоговых данных с помощью задачи window-based denoising; размер модели — 95,2 млн параметров, длина входа при предобучении ограничена 16 384 токенами. Модель предназначена для суммаризации длинных бесед и других задач понимания диалогов. Для прикладных задач её предполагается дообучать; README отсылает за инструкциями по fine-tuning к GitHub. Доступны веса в формате PyTorch. Лицензия в предоставленных данных не указана.

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.

sshleifer/distilbart-cnn-6-6 — англоязычный чекпойнт семейства DistilBART от sshleifer для автоматического суммирования текста. Это плотная encoder-decoder модель BART с 152,1 млн параметров, рассчитанная на контекст до 1024 токенов. Карточка рекомендует загружать её через BartForConditionalGeneration; доступны веса PyTorch и Flax. Модель подходит для сокращения статей, новостных материалов и других текстов до краткого пересказа. В README приведены метрики DistilBART для варианта xsum-6-6, но это данные о другом чекпойнте и их нельзя переносить на cnn-6-6. Модель распространяется по лицензии Apache-2.0.

sshleifer/distilbart-xsum-12-6 — англоязычная модель суммаризации семейства BART, предназначенная для создания кратких изложений текста. Она построена на архитектуре BartForConditionalGeneration и содержит 252,8 млн параметров; размер входного контекста — до 1024 токенов. Модель обучалась для задачи XSum, также в метаданных указан датасет CNN/DailyMail. В README приведены метрики нескольких вариантов DistilBART на скорости вывода и ROUGE, но результатов именно для варианта 12-6 в показанной части таблицы нет. Модель подходит для автоматического составления кратких пересказов англоязычных текстов. Лицензия — Apache-2.0.

DistilQwen2-7B-Instruct — дистиллированная языковая модель Alibaba PAI на архитектуре Qwen2, созданная на основе Qwen2-7B-Instruct. Модель содержит 7,1 млрд параметров, принимает текстовые инструкции и генерирует текст; карточка демонстрирует использование в диалоговом формате. Длина контекста — 32 768 токенов. Модель предназначена для следования инструкциям и диалоговых сценариев. Для дистилляции использованы открытые наборы Magpie, OpenHermes и Mammoth 2, а также синтетические данные; основная часть инструкций была на китайском и английском языках. README сообщает об оценивании на AlpacaEval, MT-Bench и IFEval. Репозиторий содержит веса в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

DNA-R1 — языковая модель для рассуждений на корейском языке, разработанная компанией Dnotitia на основе Microsoft Phi-4. Модель содержит 14,1 млрд параметров, использует плотную архитектуру Phi3ForCausalLM и принимает текст для генерации текста; заявленная длина контекста — 16 384 токена. Модель дообучена в несколько этапов: на корейских текстовых данных, примерах рассуждений на корейском и английском языках, а затем с помощью обучения с подкреплением GRPO. Она предназначена для диалогов, многошагового решения математических задач, рассуждений, программирования и самопроверки; основной упор сделан на корейский язык, также поддерживается английский. Модель распространяется по лицензии CC BY-NC 4.0. README сообщает, что коммерческое использование возможно после согласования с разработчиком; перед таким использованием следует уточнить условия у Dnotitia.

Eris Prime V4.20 «Blaze it» 32k Edition — разговорная модель на базе архитектуры Mistral, созданная ChaoticNeutrals путём слияния нескольких моделей. Она предназначена для диалоговой генерации текста; в карточке также заявлена возможность обработки изображений при загрузке файла mmproj в Koboldcpp. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Для работы с изображениями README рекомендует актуальную версию Koboldcpp и загрузку соответствующего mmproj из репозитория. Модель опубликована в формате safetensors. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке или у автора.

ERNIE-4.5-VL-424B-A47B-Base-PT — базовая мультимодальная модель Baidu семейства ERNIE 4.5, предназначенная для понимания и генерации текста с учётом изображений. Это предварительно обученная MoE-модель с архитектурой ERNIE4_5_VLMoeForConditionalGeneration: в README указаны 424 млрд параметров всего и 47 млрд активных параметров на токен; метаданные каталога приводят оценку общего размера 47,1 млрд. Модель обрабатывает текст и изображения, поддерживает контекст до 131 072 токенов и рассчитана на английский и китайский языки. Модель подходит для диалога, ответов на вопросы по изображениям, описания визуальных материалов и кросс-модальных рассуждений, а также для задач понимания и генерации текста. Это базовый чекпойнт стадии pretraining, а не указанный в карточке вариант, настроенный для конкретного пользовательского сценария. README приводит пример запуска через vLLM с 16 GPU по 80 ГБ и требует trust_remote_code. Лицензия — Apache-2.0.

Eurydice 24b v1c — диалоговая модель Aixon Lab, дообученная на базе mistralai/Mistral-Small-3.1-24B-Instruct-2503 на специально подготовленном наборе данных. Это плотная трансформерная модель семейства Mistral 3.1 примерно на 24 млрд параметров; метаданные указывают поддержку входных изображений и генерацию текста, включая диалог с моделью и анализ изображений. Модель предназначена для многосторонних бесед, творческой генерации и сторителлинга, ответов на вопросы и анализа. В карточке отмечены хорошее понимание контекста и естественный разговорный стиль, однако результаты оценки качества не опубликованы. Поддерживаемый язык — преимущественно английский; возможно, модель работает и с другими языками. Выпускается под лицензией Apache 2.0. Как и базовая модель, она может наследовать смещения и ограничения обучающих данных. Выводы следует проверять, особенно в сценариях, где важна точность.

EVA-Qwen2.5-72B-v0.1-GGUF — это набор GGUF-квантизаций текстовой языковой модели EVA-Qwen2.5-72B-v0.1, опубликованный bartowski. Модель создана на базе Qwen2.5-72B-Instruct и предназначена для генерации текста, включая диалоговые сценарии, написание текстов и roleplay. В обучении исходной модели использовались наборы данных для инструкционного следования, структурированного письма, художественных диалогов и ролевых сценариев. Архитектура исходной модели — Qwen2.5 с 72 млрд параметров; модель работает с текстом и использует шаблон сообщений ChatML. README не содержит точных сведений о поддерживаемых языках и размере контекстного окна. Доступны варианты квантизации от IQ1_M и Q2 до Q8_0 размером примерно от 23,74 до 77,26 ГБ. Варианты Q5_K_M, Q6_K, Q4_K_M и другие обеспечивают компромисс между качеством и требованиями к памяти; низкобитные варианты экономичнее, но заметно уступают в качестве. Модель можно запускать через llama.cpp и LM Studio. Квантизация выполнена с использованием imatrix и llama.cpp версии b4014. Лицензия указана как qwen/other; README ссылается на лицензию Qwen2.5-72B-Instruct, однако конкретные условия следует уточнять в исходной лицензии.

Sao10K/Fimbulvetr-11B-v2.1-16K — языковая модель, созданная Sao10K на основе Fimbulvetr-v2 и обученная с расширенным контекстом с помощью PoSE. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров, рассчитанная на генерацию текста; в карточке указан английский язык. Модель заявлена для контекста до 16 384 токенов, однако автор рекомендует использовать около 12 тысяч токенов: на длинных входах качество и надёжность снижаются. Модель подходит для диалогов и ролевых сценариев, а также для генерации связного текста с длинным контекстом. Автор отмечает, что ответы обычно надёжны примерно до 11 тысяч токенов, а на 16 тысячах модель остаётся связной, но хуже справляется с детальными задачами. Иногда возникают ошибки форматирования; при квантизации до 8 бит и ниже пользователи сообщали о проблемах. Модель доступна под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.