I.3Извлечение и структурирование данных

bongsoo/kpf-cross-encoder-v1 — корейская модель-переранжировщик на базе BERT, дообученная автором на jinmang2/kpfbert как cross-encoder с использованием класса CrossEncoder из SentenceTransformers. Она оценивает семантическое сходство пары текстов и подходит для сопоставления предложений и ранжирования кандидатов по релевантности. В README приведены результаты на корейских наборах KorSTS и KLUE-STS, а также на STS-B и STS-B Multi-MT; для KLUE-STS указана оценка 0,9133. Модель содержит 141,2 млн параметров, использует архитектуру BertForSequenceClassification и принимает до 512 токенов контекста. Карточка показывает поддержку корейского языка; результаты также приведены для английского тестового набора STS-B Multi-MT. Веса доступны в формате PyTorch по лицензии Apache-2.0. Модель выдаёт оценку сходства для пары текстов, а не универсальные текстовые ответы.

LCO-Embedding-Omni-3B — мультимодальная модель эмбеддингов из семейства LCO-Embedding, разработанная авторами работы «Scaling Language-Centric Omnimodal Representation Learning», принятой на NeurIPS 2025. Она использует компонент thinker модели Qwen2.5 Omni без компонента talker и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для получения векторных представлений текста, изображений, аудио, видео и документов, сочетающих несколько модальностей. Эмбеддинги подходят для поиска и сопоставления материалов по смыслу; в README приведены сценарии текстового, визуального, аудио- и видеопоиска. Авторы сообщают о результатах уровня state of the art на MIEB и MAEB; аудиоданные при этом не использовались для обучения модели. В карточке описаны мультимодальная архитектура и возможности эмбеддингов, но не приведены точное число параметров и длина контекста. Модель выдаёт векторные представления, а не аудио или видео. README не уточняет ограничения применимости и языковой охват; среди заявленных сценариев есть поиск по визуальным документам на языках Юго-Восточной Азии.

Это неофициальная конверсия модели Leanstral-1.5-119B-A6B от Mistral AI, подготовленная сообществом: веса переведены из собственного формата Mistral FP8 в формат Hugging Face Transformers и представлены в BF16. Модель сочетает текстовую основу DeepSeek-V3 с MLA и MoE из 128 маршрутизируемых экспертов (4 активны на токен и один общий) и визуальный модуль Pixtral. Она принимает текст и изображения и предназначена для диалогов, рассуждений и работы с визуальными данными; используется чат-шаблон Mistral Instruct и токенизатор Tekken. Карточка рекомендует контекст до 200 тысяч токенов, однако длинный контекст свыше 8 тысяч не гарантирован из-за приближённого отображения RoPE. Веса занимают около 238 ГБ, поэтому для BF16 требуется несколько GPU или выгрузка части модели в память CPU; генерация на одном B200 целиком не подтверждена. Загрузка в Transformers проверена, но работа зрения во время выполнения не проверена. Лицензия обозначена как other; конкретные условия в карточке не раскрыты.

Ling-3.0-tiny-APEX-GGUF — набор квантизированных GGUF-профилей базовой модели inclusionAI/Ling-3.0-tiny, разработанный с использованием технологии Apex-Quant. Модель предназначена для локального запуска и генерации текста через llama.cpp, Ollama и llama-cpp-python; подходит для сценариев, где важны автономная работа, экономия памяти и выбор между качеством, скоростью и размером файла. В основе лежит архитектура BailingMoeV3ForCausalLM с разреженной Mixture-of-Experts: 128 экспертов по 1 млрд параметров, из которых для каждого токена используются 8. Модель содержит 24 слоя, имеет скрытый размер 1536, 16 attention heads, grouped query attention и контекст до 131 072 токенов; размер словаря — 157 184 токена. Репозиторий предоставляет профили i-quality на 5,4 ГБ, i-balanced на 5,6 ГБ и i-compact на 3,7 ГБ с разной степенью квантизации и компромиссом между качеством, скоростью и требованиями к RAM. Сильные стороны модели — MoE-архитектура, большой контекст, локальное развертывание и наличие нескольких профилей для производственных, сбалансированных и ограниченных по памяти сред. Ограничения включают зависимость от совместимого ПО и оборудования для инференса, а также ожидаемое снижение качества у компактного профиля по сравнению с более точными вариантами. Языки и специализированные возможности исходной модели в README не указаны. Квантизированные модели распространяются по лицензии MIT; для коммерческого использования рекомендуется дополнительно проверить условия лицензии исходной модели.

Это плотная авторегрессионная модель семейства LLaMA 2, разработанная Да-вэем Чжу и соавторами в рамках работы PoSE. Чекпойнт содержит 6,6 млрд параметров и рассчитан на генерацию текста с контекстом до 16 384 токенов; расширение контекста использует позиционную интерполяцию YaRN и обучение Positional Skip-wisE (PoSE), которое имитирует длинные входы при обучении на фиксированном контексте. Модель предназначена для генерации продолжений и работы с длинными текстовыми запросами, например для анализа объемных документов или диалога с длинной историей. В README отмечена проблема с первоначально загруженным чекпойнтом: его заменили 27 ноября 2023 года, поскольку прежняя версия не соответствовала реализации из репозитория и показывала неоптимальное качество. В метаданных указана лицензия MIT; доступность лицензии не гарантирует пригодность ответов для конкретных применений.

duyntnet/Llama-3.2-1B-Instruct-imatrix-GGUF — набор imatrix-квантизаций модели Llama 3.2 1B Instruct в формате GGUF, разработанный на основе модели Meta Llama 3.2 1B Instruct. Автор исходной модели — Meta; сведения об отдельном разработчике квантизаций в README не указаны. Модель предназначена для генерации текста и диалоговых сценариев, включая многоязычное общение, агентский поиск с извлечением данных и суммаризацию. Это авторегрессионная языковая модель с оптимизированной архитектурой Transformer, дообученная с помощью supervised fine-tuning и reinforcement learning from human feedback для повышения полезности и безопасности. Размер — 1 млрд параметров, модальности — текст на входе и выходе. В README указан язык en, при этом исходная коллекция описывается как мультиязычная; точный перечень поддерживаемых языков и размер контекстного окна не приведены. К ключевым преимуществам относятся компактный размер, возможность локального запуска и поддержка экосистемы llama.cpp, KoboldCPP, text-generation-webui и Ollama. Ограничения связаны с меньшей ёмкостью по сравнению с более крупными моделями, возможными потерями качества из-за квантизации и отсутствием подробных данных о конкретных вариантах квантования и их производительности. Лицензия обозначена как other; её точные условия в README не раскрыты.

English Anonymiser OpenPII — англоязычная модель Ai4Privacy для обнаружения и редактирования персональных данных (PII) в тексте. Это дообученная для токенной классификации модель ModernBERT-base с 149 млн параметров, рассчитанная на контекст до 8192 токенов; доступны веса Safetensors и формат ONNX. Модель обучена на английской части набора ai4privacy/open-pii-masking-500k-ai4privacy. Модель помечает фрагменты текста, содержащие PII, чтобы их можно было удалить или скрыть. В тесте на отложенной выборке исходного набора заявлены общие точность 99,17%, precision 98,82%, recall 98,83% и F1 98,82%; результаты на реальных данных могут отличаться. По карточке, модель предназначена для редактирования PII и не выполняет полноценную классификацию PII. Перед применением на собственных данных её следует проверить. Распространяется по лицензии MIT.

LLaVA-Phi-3-mini — мультимодальная модель семейства LLaVA, разработанная командой XTuner. Она дообучена на основе Microsoft Phi-3-mini-4k-instruct и использует визуальный энкодер CLIP-ViT-Large-patch14-336. Обучение проводилось на наборах ShareGPT4V-PT и InternVL-SFT. Модель предназначена для анализа изображений и генерации текстовых ответов по визуальному содержимому: описания изображений, визуальных вопросов и ответов, распознавания текста и решения задач, связанных с пониманием сцен и документов. Архитектура включает CLIP-визуальный энкодер, MLP-проектор и языковую модель Phi-3-mini; разрешение изображений составляет 336 пикселей, а заявленный контекст — 4096 токенов. Доступны варианты GGUF с точностью FP16 и INT4, совместимые с llama.cpp и Ollama. К сильным сторонам относятся сравнительно компактная языковая основа, поддержка мультимодального диалога и хорошие результаты на ряде тестов понимания изображений, включая MMMU, ScienceQA, HallusionBench и POPE. Ограничения включают зависимость качества от используемого визуального энкодера, возможные ошибки при интерпретации изображений и снижение точности в INT4-варианте по сравнению с FP16. Лицензия в README не указана.

LLaVE-7B — мультимодальная модель эмбеддингов на 7,1 млрд параметров, разработанная авторами проекта LLaVE на базе lmms-lab/llava-onevision-qwen2-7b-ov. Она предназначена для получения представлений текста, изображений, нескольких изображений и видео, в частности для поиска и сопоставления между модальностями. В карточке заявлены высокие результаты на бенчмарке MMEB при обучении на 662 тысячах пар и перенос на поиск по видео без специального обучения на видеоданных. Модель основана на архитектуре LLaVA с языковой частью Qwen2, использует формат safetensors и доступна через Transformers. Метаданные указывают контекст до 32 768 токенов; README приводит значение 4K токенов. Лицензия — Apache-2.0. В метаданных указана поддержка английского языка.

LocRet-small — компактная модель текстовых эмбеддингов, разработанная LocalDoc для семантического поиска по текстам на азербайджанском языке. Это дообученная версия intfloat/multilingual-e5-small на архитектуре BERT; модель содержит 124,3 млн параметров, формирует векторы размерности 384 и принимает последовательности длиной до 512 токенов. Модель предназначена для поиска релевантных документов по запросу, подбора фрагментов текста и ранжирования кандидатов по сходству. По данным README, её обучали на примерно 3,5 млн пар «запрос — фрагмент» из веб-вопросов и ответов, книг, новостей, политики и истории, используя дистилляцию ранжирования и контрастивное обучение. В описанном бенчмарке AZ-MIRAGE модель показала лучшие результаты среди приведённых систем для поиска на азербайджанском языке. Модель оптимизирована для азербайджанского языка, поэтому качество на других языках может быть ниже, чем у базовой многоязычной модели. Тексты длиннее 512 токенов следует разбивать на фрагменты. Репозиторий распространяется по лицензии Apache-2.0.

Mahakal-AI-Fusion-v3.0 — текстовая генеративная модель, созданная автором UX4567 с помощью mergekit. Это слияние методом TIES модели Qwen/Qwen2.5-3B-Instruct и двух моделей автора: King-AI-Chat-v3.0 и Kartik-Kundli-AI-3B-v2.0. Модель построена на плотной архитектуре Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для диалогов и генерации текста; в метаданных также указана поддержка интерфейса вызова инструментов. Базовая Qwen2.5-3B-Instruct — компактная многоязычная модель для выполнения инструкций и генерации структурированных ответов. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана. Качество, языковое покрытие и ограничения вызова инструментов отдельно не описаны.

MemReranker-4B — модель-реранкер, разработанная IAAR-Shanghai и дообученная на базе Qwen3-Reranker-4B с помощью многоэтапной дистилляции знаний. Она принимает запрос и набор текстовых фрагментов и оценивает релевантность каждой пары «запрос — фрагмент», чтобы упорядочить результаты поиска. Модель предназначена прежде всего для извлечения долгосрочной памяти агентами, поиска по многоходовой истории диалога и второго этапа RAG-поиска. В обучении использованы данные для временных и причинных запросов и разрешения кореференции; README также указывает применение для веб-поиска и общего поиска по документам. Архитектура — плотная Qwen3 на 3,7 млрд параметров, контекст — до 40 960 токенов; заявлена поддержка английского и китайского языков. Реранкер возвращает оценку релевантности, а не готовый ответ пользователю. В README сообщается об улучшенной калибровке оценок и работе со сложными запросами памяти; приведены результаты на бенчмарке LOCOMO. Файлы опубликованы в формате safetensors, модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0. Качество в других языках и сценариях отдельно не подтверждено приведёнными сведениями.

MEXMA-SigLIP2 — мультимодальная модель для сопоставления изображений и текста, объединяющая многоязычный текстовый энкодер MEXMA и визуальный энкодер SigLIP2. Она предназначена для поиска изображений по текстовому запросу и поиска текста, соответствующего изображению, а также для классификации изображений по текстовым описаниям без обучения на конкретных метках. По карточке модель поддерживает 80 языков; в метаданных среди языковых тегов указаны, в частности, русский и английский. На наборе Crossmodal-3600 авторы сообщают результаты Recall@1 62,54% для поиска изображений и 59,99% для поиска текста. Репозиторий содержит веса в форматах ONNX и safetensors; лицензия — MIT. Размер модели и длина контекста в предоставленных данных не указаны.

amd/MiniMax-M2.1-MXFP4 — текстовая causal language model на базе MiniMaxAI/MiniMax-M2.1, подготовленная Advanced Micro Devices, Inc. Модель принимает текст и генерирует текст, предназначена для задач обработки естественного языка и инференса больших языковых моделей. Модель использует архитектуру MiniMaxM2ForCausalLM и поддерживает английский язык. Веса и активации квантизированы в формате OCP MXFP4: веса — статически, активации — динамически. Квантизация выполнена с помощью AMD-Quark версии 0.11 на основе QuixiAI/MiniMax-M2.1-bf16. Для запуска указаны SGLang и vLLM, а целевая аппаратная платформа — AMD Instinct MI300 и MI350/MI355 с ROCm 7.0, PyTorch 2.8.0 и Transformers 4.57.1 под Linux. В README также приведён пример запуска с максимальной длиной контекста 32 768 токенов. На GSM8K модель показала результат 0,9348 против 0,9356 у исходной BF16-версии, сохранив 99,91% исходной точности. Это указывает на небольшую потерю качества при существенном снижении точности представления, однако данных о других бенчмарках, скорости, потреблении памяти и качестве на иных языках или задачах нет. Использование ориентировано на совместимое оборудование AMD и соответствующий программный стек. Лицензия обозначена как modified-MIT; в README указаны модификации и авторские права Advanced Micro Devices, Inc. за 2026 год.

Ministral-3-14B-Reasoning-2512-Uncensored-i1-GGUF — квантизированная версия модели Ministral-3-14B-Reasoning-2512-Uncensored. Базовую модель разработал ccharnkij, а квантизацию выполнил mradermacher. Модель распространяется в формате GGUF и предназначена для локального запуска с использованием совместимых инструментов. Модель рассчитана на генерацию текста и задачи рассуждения, а также поддерживает обработку изображений вместе с текстом. Заявлены размер 14B параметров, мультимодальность и поддержка английского языка. В репозитории представлены варианты квантизации i1-IQ и i1-Q с размером файлов примерно от 3,4 до 8,3 ГБ; варианты различаются компромиссом между требованиями к памяти, скоростью и качеством. Для vision-функций могут потребоваться отдельные mmproj-файлы из статического репозитория. Сильными сторонами являются локальный запуск, широкий выбор уровней квантизации и сочетание текстовых, визуальных и reasoning-сценариев. Ограничения включают возможное снижение качества при агрессивной квантизации, неизвестные в README размер контекста и архитектурные детали, а также отсутствие заявленных языков помимо английского. Модель распространяется по лицензии Apache-2.0.

Mistral-T5-7B-v1 — дообученная Ignos языковая модель на архитектуре Mistral для генерации текста и улучшения выполнения инструкций. Она основана на Toten5/Marcoroni-neural-chat-7B-v2 и обучалась на наборе tatsu-lab/alpaca. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на инструкции и запросы в текстовом формате. Веса доступны в формате PyTorch. Лицензия — Apache-2.0. README не приводит результатов оценки качества; заявлено, что модель наследует риски и ограничения базовых моделей.

Это англоязычная модель Sentence Transformers, созданная дообучением nomic-ai/modernbert-embed-base на 5 822 парах текстов. Она преобразует предложения и абзацы в нормализованные плотные эмбеддинги размерностью 768, сравниваемые с помощью косинусного сходства. Архитектура основана на ModernBERT с усреднением токенов; максимальная длина входа — 8 192 токена. Модель предназначена для семантического поиска и сопоставления текстов, включая поиск по юридическим документам, поиск перефразировок, кластеризацию и классификацию. Matryoshka-обучение позволяет сокращать размерность эмбеддингов: в карточке приведены результаты поиска при усечении векторов до 512, 256, 128 и 64 измерений, с постепенным снижением метрик относительно 768 измерений. Лицензия — Apache-2.0.

NB-Whisper Base — модель автоматического распознавания речи от NB AI-Lab Национальной библиотеки Норвегии. Она основана на openai/whisper-base и дообучена для работы с норвежской речью, включая букмол и нюнорск, а также с английским языком. В метаданных указано 51,7 млн параметров; карточка описывает семейство NB-Whisper и сообщает, что модели серии обучались на корпусе из 66 000 часов речи. Модель предназначена для расшифровки аудио и может использоваться для транскрипции длинных записей, получения временных меток слов и предложений, а также перевода речи на английский. Для длинного аудио карточка рекомендует обработку фрагментами; увеличение beam size может повысить точность ценой скорости и памяти. Модель доступна для использования через Transformers, также описана конверсия в формат Whisper.cpp. Лицензия — Apache 2.0. Распознавание других языков и качество на шумных или специализированных записях не подтверждены приведёнными данными.

NB-Whisper Large beta — модель распознавания речи, разработанная NB AI-Lab Национальной библиотекой Норвегии на основе OpenAI Whisper. Она предназначена для транскрибации речи и перевода речи, с особым упором на норвежские записи; поддерживает норвежский букмол, нюнорск и английский. Модель содержит 905,2 млн параметров и доступна в форматах PyTorch, TensorFlow, JAX/Flax и SafeTensors. Модель обучалась на 20 000 часах размеченных данных, включая норвежскую базу NST, парламентские выступления, телесубтитры NRK и аудиокниги. Для норвежской транскрибации разработчики заявляют высокие результаты среди моделей сопоставимого размера. Это публичная бета: возможны галлюцинации и пропуски фрагментов, а транскрипт может нормализовать устную речь в грамматически правильный письменный текст или опускать части высказывания. Лицензия — Creative Commons Attribution 4.0 International (CC BY 4.0).

Neural-AlphaMistral-7B — диалоговая языковая модель, созданная Ppoyaa слиянием трёх моделей с помощью LazyMergekit: AlphaMonarch-7B, Mistral-7B-Instruct-v0.2 и NeuralMaths-Experiment-7b. Используется архитектура MistralForCausalLM с плотной структурой и 7,1 млрд параметров; веса сохранены в формате safetensors. Модель предназначена для генерации текста и ответов в диалоге, включая задачи, опирающиеся на возможности исходных моделей. Контекстное окно составляет до 32 768 токенов. Модель принимает текстовые запросы и генерирует текст. Репозиторий распространяется по лицензии Apache-2.0. README не приводит оценок качества или подробных результатов по отдельным задачам; фактические возможности унаследованного экспериментального компонента могут отличаться от поведения исходных моделей.

Helsinki-NLP/opus-mt-ja-en — модель машинного перевода японского текста на английский, созданная Helsinki-NLP в рамках проекта OPUS. Она основана на архитектуре Transformer-align и использует библиотеку Marian; при обработке применяются нормализация текста и токенизация SentencePiece. Размер модели — 56,3 млн параметров, контекст — до 512 токенов. Метаданные указывают поддержку PyTorch и TensorFlow. Модель предназначена для перевода предложений с японского на английский. В карточке приведены результаты оценки на наборе Tatoeba.ja.en: BLEU 41,7 и chr-F 0,589. Распространяется по лицензии Apache-2.0.

Ornith 1.5 35B A3B NVFP4 512K GGUF — конвертированная в GGUF версия чекпойнта Ornith AI Ornith-1.5-35B-A3B-NVFP4. Модель построена на архитектуре Qwen3.5 MoE: всего 35 млрд параметров, из которых около 3 млрд активны при обработке токена. Репозиторий сохраняет исходное представление NVFP4 без повторной квантизации и расширяет контекст до 524288 токенов с помощью YaRN и масштабирования RoPE 2. Модель предназначена для диалоговой генерации текста с длинным контекстом в совместимых с GGUF средах вывода, включая llama.cpp. Это позволяет использовать её для бесед и работы с большими текстовыми материалами; заявленная длина контекста подходит для анализа объёмных документов и сохранения длинной истории диалога. В метаданных указана лицензия MIT. Для запуска требуется среда, поддерживающая GGUF-тензоры NVFP4; совместимость и производительность зависят от используемого рантайма и оборудования. В README приведены испытания на RTX 5090 с llama.cpp, но результатов тестирования качества генерации в доступных сведениях нет.

Moondream Parakeet Ultra — дообученная версия модели Parakeet TDT 0.6B v3 от NVIDIA для автоматического распознавания речи. Она сохраняет исходную архитектуру Parakeet TDT, токенизатор и 0,6 млрд параметров в полной точности и предназначена для транскрибирования речи, в том числе длинных записей, фоновых разговоров и аудио с шумом. Модель поддерживает 25 языков, включая русский, английский и немецкий. Для длинных записей встроенная в веса голова определения речевой активности помогает разбивать аудио на сегменты длительностью до 30 секунд без отдельной VAD-модели. В приведённых тестах Parakeet Ultra показала более низкий WER, чем Parakeet TDT 0.6B v3, а также более высокую скорость в тестах на Photon с GPU NVIDIA; результаты зависят от среды и настроек запуска. Для запуска автор рекомендует Photon. Модель опубликована под лицензией CC-BY-4.0. Она предназначена для распознавания речи и не выполняет перевод или генерацию речи.

EnlistedGhost/Pixtral-12B-2409-GGUF — это GGUF-конверсия и набор квантованных файлов мультимодальной модели Pixtral-12B-2409, разработанной MistralAI. Репозиторий поддерживает запуск через Ollama и Llama.cpp и включает файлы mmproj для vision-проектора, обеспечивающего обработку изображений вместе с текстом. Модель предназначена для сценариев image-text-to-text: диалогов, анализа изображений и генерации текста по текстовым и визуальным запросам. Заявлена поддержка английского, японского, французского, немецкого, испанского, итальянского, португальского, русского и китайского языков. Архитектура основана на Pixtral-12B; доступны варианты от Q2_K_S до Q8_0, а также F16, с размером файлов примерно от 4,78 до 24,5 ГБ. Для vision-возможностей доступны проекторы в форматах Q8_0, F16 и F32. Сильные стороны модели — мультимодальность, совместимость с Ollama и Llama.cpp, а также широкий выбор уровней квантования для подбора компромисса между качеством и требованиями к памяти. Ограничения включают отсутствие собственной оценки в этом репозитории, отсутствие гарантии и необходимость самостоятельно учитывать риски применения. Модель распространяется по лицензии Apache-2.0.

0xnu/pmmlv2-fine-tuned-hausa — модель эмбеддингов на базе BERT, дообученная для хауса на sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. Она преобразует тексты в векторы для сравнения предложений и семантического поиска. Модель содержит 124,3 млн параметров, использует библиотеку Sentence-Transformers и поддерживает контекст до 512 токенов; в карточке также заявлена поддержка множества языков. Модель предназначена прежде всего для работы с текстом на хауса: её можно применять для поиска похожих предложений, сопоставления запросов с документами и построения многоязычного семантического поиска. Лицензия — MIT. Ограничения качества и оценки на тестовых наборах в карточке не приведены.

Optitransfer представил Qwen2.5-7B-Instruct-converge-collective-v1 — объединённую модель для диалогов и генерации текста, созданную на основе Qwen2.5-7B-Instruct и восьми донорских моделей четырёх семейств. Слияние выполнено методом converge: тензоры согласуются между архитектурами, объединяются через целочисленный CRDT-механизм и сохраняются в формате safetensors. Заявлены 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации ответов и других текстовых сценариев. В README описаны точное воспроизведение результата с проверкой SHA-256 и результаты парного сравнения с исходной моделью: улучшения неоднородны, отдельные показатели снизились. Поддерживается английский язык; метаданные также отмечают интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0. Это слитый чекпойнт одной группы из девяти моделей; README указывает на регрессии по отдельным бенчмаркам и на то, что выравнивание базисов между архитектурами остаётся открытой исследовательской задачей.

llmfan46/Qwen3.5-27B-uncensored-heretic-v1 — дообученная версия Qwen/Qwen3.5-27B от независимого автора. Это мультимодальная диалоговая модель с причинной языковой моделью и визуальным энкодером, предназначенная для ответов на запросы, анализа изображений и диалоговых сценариев с меньшим числом отказов на запросы. По карточке, автор применил abliteration к отдельным компонентам модели; приведённые им тесты показывают 8 отказов из 100 против 95 из 100 у исходной модели. Модель содержит 27 млрд параметров, использует плотную архитектуру Qwen3.5 с Gated Delta Networks и механизмом gated attention. Нативная длина контекста — 262 144 токена, с заявленным расширением до 1 010 000. Карточка базовой модели заявляет поддержку 201 языка и диалекта; языки в таблице этой модели не перечислены. Модель принимает текст и изображения и выдаёт текст. Доступна в формате safetensors для Transformers. Модель распространяется по лицензии Apache-2.0. Результаты тестов и заявления о возможностях приведены автором карточки и не являются независимой оценкой; уменьшение числа отказов означает, что модель может отвечать на запросы, которые исходная модель отклоняет.

Qwen3.5-397B-A17B-MLX-4bit — это 4-битная квантованная версия модели Qwen3.5-397B-A17B, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель оптимизирована для запуска на компьютерах Apple Silicon. В карточке она обозначена как image-text-to-text, поэтому предназначена для задач преобразования изображений и текста в текстовый ответ. Модель имеет размер 397B-A17B, использует формат 4-bit и рассчитана на локальное выполнение в экосистеме MLX. Ключевые характеристики, включая поддерживаемые языки, размер контекстного окна и точные возможности мультимодального ввода, в README не указаны. Квантование снижает требования к памяти и делает запуск более доступным на совместимом оборудовании, но может сопровождаться потерей точности по сравнению с исходной моделью; также оптимизация ориентирована именно на Apple Silicon. Лицензия — Apache-2.0.

Карточка модели masterzm9/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive-safetensors на Hugging Face совпадает с карточкой GitMylo/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive-safetensors, поэтому описание составлено по ней. GitMylo/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive-safetensors — производный чекпойнт Qwen3.5-9B, представленный в формате safetensors для Transformers. Согласно карточке, это мультимодальная причинная языковая модель с визуальным энкодером на 9 млрд параметров; архитектура объединяет Gated Delta Networks и разреженный Mixture-of-Experts. Модель принимает текст и изображения и предназначена для диалогов, визуального понимания, рассуждений и вызова инструментов. Базовая модель заявляет поддержку 201 языка и диалекта, однако отдельные языковые данные именно для этого дообученного варианта не приведены. Контекст базовой модели составляет 262 144 токена и может расширяться до 1 010 000 токенов. Карточка описывает формат совместимости с Transformers и серверами vLLM, SGLang и KTransformers. В README не раскрыты конкретные изменения, внесённые вариантом HauhauCS, и нет его отдельных оценок качества; название предполагает агрессивную настройку поведения, но это нельзя подтвердить деталями обучения. Лицензия — Apache-2.0. Практическое применение требует значительных вычислительных ресурсов, особенно при большом контексте; README также предупреждает о риске нехватки видеопамяти при настройках контекста по умолчанию.

LuffyTheFox/Qwen3.6-35B-A3B-Uncensored-Genesis-Hermes-Final-GGUF — мультимодальная модель в формате GGUF, разработанная LuffyTheFox на основе HauhauCS/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive с переносом данных дообучения на наборе Hermes для агентских сценариев и function calling. Модель относится к архитектуре Mixture of Experts и предназначена для генерации текста, диалогов, программирования, агентских задач и обработки изображений с текстом. Заявлены поддержка английского, китайского и других языков, однако точный список языков и максимальный размер контекста в README не указаны. Ключевая особенность проекта Genesis — числовая коррекция весов GGUF-модели без полноценного переобучения: автор заявляет снижение шума в тензорах, исправление нулевых блоков и дисбалансов распределений с использованием методов на основе сингулярного разложения и закона Марченко—Пастура. Для запуска рекомендуются F16-квантизация K/V-кэша, максимальная выгрузка слоёв на GPU и настройка активных экспертов; конкретные требования к памяти зависят от выбранной квантизации. Модель ориентирована на пользователей, которым нужны менее ограниченные ответы и функции Hermes-агента, но заявленные улучшения и устойчивость требуют самостоятельной проверки. В README не приведены систематические бенчмарки, подробные ограничения, точные параметры контекста или гарантии качества мультимодальной обработки. Указанная лицензия — Apache 2.0.