I.3Извлечение и структурирование данных

unsloth/LFM2-350M-GGUF — GGUF-квантизированная версия модели LFM2-350M, разработанной Liquid AI и подготовленной Unsloth. Это компактная гибридная языковая модель для генерации текста и локального развертывания на периферийных устройствах: смартфонах, ноутбуках и автомобилях. Она рассчитана на работу на CPU, GPU и NPU, а также на сценарии с ограниченными ресурсами. Модель содержит около 354,5 млн параметров, 16 слоёв, включая 10 сверточных и 6 attention-слоёв, поддерживает контекст до 32 768 токенов и словарь из 65 536 токенов. Архитектура использует multiplicative gates и короткие свёртки. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Модель предназначена для agentic-задач, извлечения данных, RAG, творческого письма и многошаговых диалогов; для узких прикладных сценариев рекомендуется дообучение. К сильным сторонам относятся высокая скорость обучения и инференса, эффективность по памяти и гибкость аппаратного развертывания. Ограничения связаны с небольшим размером: модель не рекомендуется для задач, требующих обширных знаний или программирования. Для llama.cpp в README указано использовать chat template через параметр --jinja. Лицензия — LFM Open License v1.0.

SC117/LFM2.5-VL-3B-Uncensored-GGUF — мультимодальная vision-language модель для работы с текстом и изображениями на периферийных устройствах. Она создана на базе официальной LFM2.5-VL-3B от Liquid AI, а выпуск SC117 объединяет её с LoRA-настройкой abliterix Trial 65, разработанной для снижения частоты отказов модели. Модель предназначена для текстовых и vision-grounded запросов, анализа изображений и локального мультимодального инференса. В основе лежит языковой backbone LFM2.5-2.6B с гибридной архитектурой из 30 слоёв: 22 блоков double-gated short-convolution и 8 блоков GQA; заявлены контекст 128K токенов и словарь размером 128K. За обработку изображений отвечает SigLIP2 NaFlex с разрешением 256×256 и размером патча 16, подключённый через language-aligned projector. Параметры языковой части оцениваются примерно в 2,6 млрд, а всей vision-language модели — примерно в 3,1 млрд. Распространяется в формате GGUF с imatrix-калибровкой и отдельным mmproj для vision-компонента. Сильной стороной является сохранение мультимодальных возможностей исходной модели при существенно меньшей частоте отказов на текстовые и визуальные запросы. При этом поведение может заметно отличаться от официальной LFM2.5-VL-3B, а сниженные ограничения требуют отдельной оценки безопасности, контроля доступа и аудита в конкретном сценарии. Язык интерфейса в README обозначен как English; сведения о поддержке других языков и подробные результаты тестирования не приведены. Модель распространяется по лицензии LFM Open License v1.0, унаследованной от базовой модели. Доступны несколько уровней GGUF-квантизации, рассчитанных на разные компромиссы между размером, скоростью и качеством.

Это 4-битная версия модели Llama 3 8B Instruct, подготовленная сообществом mlx-community для запуска с MLX. Модель преобразована из gradientai/Llama-3-8B-Instruct-262k с помощью mlx-lm 0.10.0; она использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Модель предназначена для диалоговой генерации текста и принимает текстовые запросы. Заявленная длина контекста — 1 048 576 токенов; карточка указывает поддержку английского языка. Репозиторий использует формат safetensors. Лицензия — llama3. README отсылает к карточке исходной модели за дополнительными сведениями о возможностях и условиях использования.

LLaVA-NeXT (LLaVA-1.6) — мультимодальная чат-модель, разработанная Haotian Liu, Chunyuan Li, Yuheng Li, Bo Li, Yuanhan Zhang, Sheng Shen и Yong Jae Lee. Она объединяет языковую модель Vicuna-13B с предварительно обученным визуальным энкодером и предназначена для диалога по изображениям. Модель принимает изображения и текстовые запросы, а ответы формулирует текстом. По сравнению с LLaVA-1.5 в ней используются динамическое высокое разрешение и более разнообразные данные визуальной настройки инструкций; заявленные сценарии включают описание изображений, визуальные вопросы и ответы, распознавание текста на изображениях и мультимодальный чат. Репозиторий содержит веса в формате Safetensors. Лицензия указана как Llama 2. Возможные ограничения включают ошибки в распознавании деталей изображения и текста, а также неточности в ответах; отдельные количественные оценки качества в карточке не приведены.

LlongOrca 7B 16K — языковая модель для генерации текста, разработанная Open-Orca на базе архитектуры LLaMA и представленная в GGUF-формате с квантованными версиями, подготовленными TheBloke. Модель обучалась с использованием набора данных Open-Orca и ориентирована на работу с англоязычными текстами. Модель предназначена для диалоговых сценариев, генерации и продолжения текста, ответов на пользовательские запросы и локального запуска через llama.cpp и совместимые интерфейсы. Заявленный контекст составляет до 16K токенов. Для общения используется шаблон ChatML с ролями system, user и assistant. Доступны варианты квантования от 2 до 8 бит, что позволяет выбирать между меньшим потреблением памяти и сохранением качества. К сильным сторонам относятся увеличенное контекстное окно, поддержка локального CPU+GPU-инференса и совместимость с широким набором инструментов, включая llama.cpp, text-generation-webui, LM Studio, KoboldCpp и llama-cpp-python. README не содержит подробных результатов оценки качества, поэтому возможности модели в конкретных задачах нельзя надежно сравнить с другими моделями. Модель работает только с текстом; сведения о мультимодальности отсутствуют. Указанная лицензия — Llama 2.

Lumimaid-Magnum-v4-12B-GGUF — это набор квантизированных файлов модели для генерации текста, подготовленный bartowski на основе Undi95/Lumimaid-Magnum-v4-12B. Модель создана в формате GGUF для запуска через llama.cpp и совместимых приложений, включая LM Studio. В README указано, что исходная модель является результатом объединения моделей, однако подробности её архитектуры, языков и контекстного окна не приведены. Доступны варианты от F16 до низкобитных Q2- и IQ-квантизаций размером примерно от 4,79 до 24,50 ГБ. Варианты Q6_K и Q6_K_L обеспечивают очень высокое качество, а Q4_K_M указан как типичный вариант по умолчанию с хорошим балансом качества и размера. Более компактные варианты подходят для систем с ограниченным объёмом оперативной памяти, но могут заметно уступать по качеству. Для взаимодействия рекомендуется формат промпта <s>[INST]{prompt}[/INST]. Квантизация выполнена с использованием imatrix и llama.cpp release b4381. Лицензия в предоставленных данных не указана.

MasriSwitch-Gemma3n-Transcriber-v1 — модель автоматического распознавания речи, разработанная oddadmix на архитектуре условной генерации Gemma 3n и дообученная на египетском арабском и речи с переключением между арабским и английским. Она предназначена для преобразования коротких и средних аудиозаписей в текст, в том числе голосовых заметок, звонков поддержки, встреч, интервью и материалов для соцсетей. В карточке указаны датасет арабско-английской речи с переключением языков и частный набор разговорных египетских записей. Модель принимает аудио и выдаёт текст; форматы весов — safetensors. Лицензия — Apache-2.0. Модель ориентирована на египетский диалект и естественное переключение арабского и английского в одной фразе. Для длинных записей рекомендуется разбивать аудио на отрезки примерно по 20–30 секунд. Лучше всего работает с чистой речью одного говорящего; качество может снижаться при сильном шуме, одновременной речи и быстром темпе. Она не оптимизирована для диалектов Персидского залива и Леванта или только литературного арабского; транскрипции чувствительных записей требуют осторожного обращения и проверки человеком.

Midnight-Miqu-103B-v1.0 — языковая модель, созданная sophosympatheia методом passthrough-слияния слоёв Midnight-Miqu-70B-v1.0 с самой собой. Это плотная авторегрессионная модель семейства Llama на 102,9 млрд параметров, распространяемая в формате safetensors для Transformers; карточка заявляет контекст до 32 тыс. токенов и возможность диалогового использования. Модель предназначена для генерации текста и ответов в чате с длинным контекстом. В карточке приведены ссылки на отдельные сторонние квантованные сборки GGUF и EXL2; сам репозиторий содержит safetensors. Лицензия указана как other, поэтому условия использования следует сверить с файлами и сведениями лицензии репозитория. README отсылает к карточке базовой Midnight-Miqu-70B-v1.0 за подробностями применения, поэтому конкретные языки, качество и ограничения здесь не уточнены.

microsoft/MiniLM-L12-H384-uncased — компактная англоязычная модель Microsoft для понимания языка, полученная дистилляцией предварительно обученной UniLM v2 размера BERT-Base. Это 12-слойный трансформер семейства BERT с размерностью скрытого слоя 384 и 12 головами внимания; в метаданных указано 40 млн параметров, а README приводит 33 млн. Модель без учета регистра символов, имеет контекст до 512 токенов и опубликована в форматах PyTorch, TensorFlow и Flax. Чекпойнт предназначен для последующей тонкой настройки под задачи понимания текста; авторы сообщают результаты на SQuAD 2.0 и задачах GLUE и отмечают, что модель может служить заменой BERT в соответствующих сценариях. Метаданные Hugging Face относят её к классификации текста. Лицензия — MIT. README описывает базовый предобученный чекпойнт, а не готовую к прикладному использованию настроенную модель.

mmE5-mllama-11b-instruct — мультимодальная многоязычная модель эмбеддингов, представленная авторами работы «mmE5: Improving Multimodal Multilingual Embeddings via High-quality Synthetic Data» в 2025 году. Она дообучена на базе Llama-3.2-11B-Vision и предназначена для получения эмбеддингов изображений и текста, в том числе для классификации изображений по текстовым описаниям без специального обучения на классах.

zelk12/MT-GP-gemma-2-RAt0.75v0.1RAv0.1-9B — слияние двух предварительно обученных языковых моделей Gemma 2, созданное с помощью mergekit методом SLERP. Модель имеет плотную архитектуру Gemma2ForCausalLM и 9 млрд параметров; веса представлены в safetensors. В метаданных указана поддержка диалогового режима, генерации текста и контекст длиной до 8192 токенов. Модель подходит для диалогов, выполнения инструкций и генерации текста. README указывает только способ слияния и исходные модели, поэтому более узкие специализации и подтверждённые преимущества не заявлены. Лицензия в предоставленных сведениях не указана.

diwash-barla/my-embeddinggemma-news-vibe — дообученная модель Sentence Transformers на базе google/embeddinggemma-300m, созданная для получения плотных векторных представлений предложений и абзацев. Она преобразует текст в эмбеддинги размерности 768; максимальная длина входа — 2048 токенов, для сравнения используется косинусное сходство. Модель подходит для семантического поиска и сравнения новостных текстов, поиска перефразировок, классификации и кластеризации. В README указано дообучение на наборе из четырёх примеров с меткой MY_FAVORITE_NEWS с использованием MultipleNegativesRankingLoss, поэтому применимость специализации на новостях стоит проверять на целевых данных. Модель использует архитектуру Gemma 3 Text, содержит около 302,8 млн параметров и распространяется в формате safetensors через библиотеку sentence-transformers. Лицензия — OpenRAIL.

Nemotron-3.5 ASR Streaming 0.6B — мультиязычная модель автоматического распознавания речи, разработанная NVIDIA. Данная версия портирована в CoreML для локального запуска на устройствах Apple Silicon и предназначена для пакетной и потоковой транскрипции аудио. Модель поддерживает 40 языковых локалей, включая английский, немецкий, французский, русский, китайский, японский и хинди, а также выполняет пунктуацию и капитализацию. На вход подаётся монофонический звук с частотой 16 кГц. Архитектура представляет собой кэшируемый FastConformer с RNN-T и механизмом языкового кондиционирования. Модель содержит около 600 млн параметров; кодировщик состоит из 24 слоёв и квантизован в INT8, а декодер и joint-сеть используют FP16. Потоковая обработка выполняется фрагментами по 320 мс с сохранением внутренних кэшей. Размер набора на диске составляет около 612 МБ. Сильными сторонами являются низкая задержка, высокая скорость потоковой обработки и почти неизменная точность после квантизации. Ограничения включают ориентацию на экосистему CoreML и Apple Silicon, значительное потребление оперативной памяти — около 1 ГБ после загрузки и до 1,24 ГБ во время работы, — а также зависимость качества от языка и акустических условий. Модель распространяется по лицензии OpenMDW 1.1, соответствующей лицензии исходной модели NVIDIA; для исходной модели NVIDIA указана возможность коммерческого использования.

Карточка модели Arsh9210/Nemotron-Labs-Diffusion-VLM-8B на Hugging Face совпадает с карточкой nvidia/Nemotron-Labs-Diffusion-VLM-8B, поэтому описание составлено по ней. Nemotron-Labs-Diffusion-VLM-8B — мультимодальная модель NVIDIA, расширяющая семейство Nemotron-Labs-Diffusion для работы с изображениями и текстом. Она принимает изображения и текст в чередующихся фрагментах и генерирует текст. Модель содержит 8 млрд параметров и использует плотную архитектуру: языковой блок на 34 слоя с размерностью 4096 и визуальный энкодер в стиле Pixtral на 24 слоя с размерностью 1024. Поддерживаются изображения размером до 1540 × 1540 пикселей и контекст длиной до 262 144 токенов. Языковая часть поддерживает авторегрессионный режим, диффузионное декодирование и self-speculation. При диффузионном декодировании модель может формировать блоки токенов параллельно, а затем проверять их авторегрессионно, используя общий KV-кэш. Это позволяет применять модель для диалога и ответов на вопросы по изображениям, сохраняя разные режимы генерации текста. Для работы README указывает Transformers версии 5.0.0 или новее. Лицензия обозначена как other; условия использования следует сверять с условиями NVIDIA.

Neuron-V1-14B-Instruct-i1-GGUF — квантизированная версия инструкционной языковой модели Neuron-V1-14B-Instruct, разработанной Neura-Tech-AI и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена для генерации текста и выполнения инструкций в локальных приложениях, поддерживающих GGUF, включая сценарии с ограниченными ресурсами и различными уровнями квантования. Модель содержит 14 миллиардов параметров, относится к текстовым моделям и, судя по указанным тегам, использует архитектуру Qwen2. Заявлена поддержка английского и хинди. Длина контекста и дополнительные модальности не указаны. Репозиторий предлагает варианты квантования от сверхкомпактных IQ1 до более качественного Q6_K; наиболее сбалансированным автор считает i1-Q4_K_S, а i1-Q4_K_M отмечен как быстрый и рекомендуемый. Более сильная квантовка требует больше памяти, тогда как низкие уровни могут заметно снижать качество. Преимущество модели — широкий выбор GGUF-вариантов для подбора компромисса между размером, скоростью и качеством, а также наличие imatrix-файла для создания собственных квантов. Ограничения — отсутствие в README результатов тестирования, данных о длине контекста и подробностей обучения, поэтому качество в конкретных задачах оценить нельзя. Указана лицензия Apache-2.0.

sentence-transformers/nli-bert-base — модель Sentence Transformers, разработанная командой sentence-transformers и основанная на архитектуре BERT. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для сравнения семантической близости, поиска по смыслу и кластеризации текстов. Модель принимает текст и выдаёт векторные представления; максимальная длина контекста составляет 512 токенов. Доступны варианты весов в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель подходит для семантического поиска, сопоставления предложений и группировки похожих текстов. В README указано, что качество её эмбеддингов низкое и модель устарела; авторы рекомендуют выбрать более новые модели Sentence Transformers. Лицензия — Apache-2.0.

sentence-transformers/nli-bert-base-cls-pooling — модель Sentence Transformers, разработанная командой sentence-transformers. Она построена на BERT и преобразует предложения и абзацы в плотные векторы размерностью 768 для поиска семантически близких текстов, кластеризации и других задач сравнения предложений. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель устарела: авторы предупреждают, что она создаёт низкокачественные эмбеддинги, и рекомендуют выбрать более новые модели из каталога SBERT.net. Лицензия — Apache-2.0.

ArchSpace-Collection публикует экспорт модели OLMo 3 3B SiameseNorm + DepthAttention с этапа 3 обучения на длинном контексте; README указывает, что экспорт соответствует итерации 11921. Это плотная авторегрессионная языковая модель семейства OLMo 3 с архитектурой SiameseNorm и DepthAttention, предназначенная для генерации текста и работы с длинными последовательностями. Модель содержит 3,2 млрд параметров и рассчитана на контекст до 65 536 токенов. Внимание чередует три слоя с локальным скользящим окном 4 096 токенов и один слой полного внимания; для полных слоёв применяется YaRN. Веса представлены в формате safetensors, загрузка описана для Transformers с trust_remote_code=True. Карточка не сообщает о специальных предметных областях или языковой специализации, поэтому модель можно описать как языковую модель общего назначения. Лицензия в предоставленных данных не указана. Для использования требуется версия Transformers не ниже 4.57.6 и ниже 5, а также исполнение встроенного удалённого кода; качество отдельных задач в карточке не оценено.

Open LLM Search — дообученная Together AI модель семейства Llama 2 для извлечения и объединения информации из текстов веб-страниц. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и рассчитана на контекст до 32 768 токенов. По карточке, обучение проводилось на синтетических примерах, созданных с помощью GPT-4 и GPT-4-32k: модель училась обобщать содержание нескольких найденных страниц и составлять связный ответ. Модель предназначена для генерации ответов по предоставленным текстам веб-страниц и сводкам источников. Она принимает текст и выдаёт текст; сама по себе не выполняет поиск в интернете, поэтому содержимое страниц нужно получить и передать отдельно. Карточка указывает лицензию Meta Llama 2; применение должно соответствовать её условиям. README не уточняет шаблон входных и выходных данных: приведённое описание формата дообучения содержит незаполненные обозначения.

OpenSeeker-v1-30B-SFT — диалоговая модель-агент для поиска и глубокого исследования в интернете, разработанная командой OpenSeeker. Авторы дообучили Qwen3-30B-A3B-Thinking-2507 на 11,7 тыс. примеров и открыли обучающие данные. Модель предназначена для сценариев, где нужно искать информацию и решать сложные поисковые задачи; в метаданных указаны интерфейс вызова инструментов и архитектура MoE семейства Qwen3. Модель использует 2,6 млрд параметров и поддерживает контекст до 262 144 токенов. В карточке заявлены результаты на BrowseComp-ZH, BrowseComp, xbench-DeepSearch и WideSearch, включая сравнение с Tongyi DeepResearch. Указанные результаты относятся к бенчмаркам и сами по себе не гарантируют аналогичного качества в реальных сценариях. Лицензия — MIT.

sahilchachra/orcarouter-Qwen3.8-27B-Uncensored-MXFP8 — это квантизированная версия модели orcarouter/Qwen3.8-27B-Uncensored, созданная пользователем sahilchachra с использованием MLX. Модель основана на Qwen3.8-27B и предназначена для задач генерации текста и обработки изображений с формированием текстовых ответов. Она поддерживает запуск на компьютерах Apple Silicon через mlx-vlm и совместима с LM Studio. Модель относится к vision-language моделям архитектуры qwen3_5. Текстовый блок содержит 64 слоя и сочетает линейное внимание GatedDeltaNet с полноразмерным вниманием, используемым в каждом четвёртом слое; визуальная часть построена на Qwen3-VL. Текстовая часть квантизирована в формате MXFP8 с эффективными 8,381 битами на вес и группами размера 32, тогда как vision tower сохранён в формате bf16. Размер файлов модели составляет около 27 ГБ в 26 сегментах, поэтому для запуска рекомендуется Mac минимум с 32 ГБ оперативной памяти. Это reasoning-модель, которая перед финальным ответом генерирует канал рассуждений. Версия MXFP8 структурно проверена, однако полная генерация токен за токеном на машине с 24 ГБ памяти не тестировалась. В модели отсутствует MTP head, поэтому недоступно speculative decoding; остальные текстовые и визуальные возможности не затронуты. Модель является намеренно uncensored/abliterated-производной и может не отказывать в запросах, которые могла бы отклонить исходная модель, поэтому требует ответственного использования. Распространяется по лицензии Apache-2.0.

PE-Core-bigG-14-448 — версия Perception Encoder, преобразованная в формат OpenCLIP; исходную модель разработала Meta. Это контрастивный vision-language энкодер с визуальным и текстовым башнями, обученный на изображениях и дообученный на данных синтетических видео. Вариант bigG/14 принимает изображения с разрешением 448 пикселей; представленный репозиторий содержит веса PyTorch в формате safetensors. Модель предназначена для классификации изображений по текстовым меткам без специального дообучения, а также для извлечения сопоставимых признаковых представлений изображений и текста, поиска и задач понимания видео. Её сильная сторона — универсальные визуальные признаки и высокая эффективность на задачах классификации и поиска. Длина текстового контекста для этого конкретного чекпойнта в предоставленных данных не указана. Лицензия — Apache-2.0.

cross-encoder/quora-roberta-base — англоязычная модель ранжирования на базе RoBERTa, дообученная с помощью SentenceTransformers на наборе Quora Duplicate Questions. Она принимает пару вопросов и выдаёт оценку от 0 до 1, показывающую, насколько вероятно, что вопросы являются дубликатами. Модель предназначена для поиска повторяющихся вопросов и сопоставления формулировок в системах обработки обращений или поиска. Архитектура — RobertaForSequenceClassification, размер — 151,8 млн параметров, нативная длина контекста — 514 токенов. Репозиторий содержит варианты в форматах PyTorch, safetensors, ONNX, OpenVINO и Flax. Модель рассчитана на английский язык и распространяется по лицензии Apache-2.0. Оценка отражает вероятность дублирования, а не общую семантическую близость: например, вопросы о том, как учить Java и Python, могут получить низкую оценку, хотя их темы похожи.

zeromodels/qwen3.5-9b — конвертированная для Keras 3 мультимодальная модель на основе Qwen3.5-9B от команды Qwen. Она принимает изображения и текст и генерирует текст; текстовый вариант загрузки использует языковую часть без визуального энкодера. Архитектура включает визуальный модуль Qwen3-VL и плотный текстовый декодер с гибридом Gated-DeltaNet и gated full attention. Веса хранятся в формате bfloat16; одна реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для диалогов и анализа изображений с текстовыми запросами, а также для текстовых сценариев с использованием языковой части. В метаданных указаны 9 млрд параметров у базовой модели Qwen3.5-9B. Репозиторий лицензирован по Apache 2.0; подробности об исходной модели и условиях её использования следует сверять с карточкой Qwen/Qwen3.5-9B.

Youssofal/Qwen3.6-27B-Abliterated-Heretic-Uncensored-GGUF — GGUF-версия модифицированной модели Qwen3.6-27B, разработанной на базе Qwen/Qwen3.6-27B. Релиз создан Youssofal с применением Heretic-подобного двухэтапного MPOA-процесса, ослабляющего исходное поведение отказа на уровне весов. Модель предназначена для генерации текста и мультимодальных сценариев с анализом изображений и видео, а также для локального запуска через llama.cpp. Это плотная vision-language модель с 27,8 млрд параметров, 64 слоями и гибридной архитектурой внимания: три слоя линейного внимания на один слой полноформатного внимания в каждой группе из четырёх слоёв. Размер скрытого состояния — 5120. Архитектура сохраняет возможности базовой Qwen3.6-27B, включая поддержку изображений и видео; конкретный набор языков и размер контекстного окна в README не указаны. Доступны варианты GGUF от BF16 и Q8_0 до компактного Q2_K, что позволяет выбирать между качеством и требованиями к памяти. К сильным сторонам относятся сохранение общего профиля возможностей базовой модели, мультимодальность, совместимость с llama.cpp и сниженная склонность к стандартным отказам. По приведённым проверкам, однако, модель не демонстрирует полного устранения отказов и дефлекций, а изменение поведения может влиять на безопасность и надёжность ответов. Пользователь несёт ответственность за применение модели. Релиз распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

AEON-7/Qwen3.6-27B-AEON-Ultimate-Uncensored-Multimodal-NVFP4-MTP-XS — мультимодальная модель для генерации текста, построенная на базе AEON-7/Qwen3.6-27B-AEON-Ultimate-Uncensored-BF16. Модель распространяется в формате NVFP4 с поддержкой ModelOpt и Multi-Token Prediction (MTP), а также рассчитана на использование со speculative decoding и DFlash. В описании заявлены гибридная архитектура внимания с компонентами Mamba и Gated DeltaNet, сохранённые Conv1D-слои и оптимизация для GPU архитектур Blackwell, включая RTX 5090, RTX PRO 6000, B100 и B200. Модель предназначена для генерации текста, мультимодальных сценариев с обработкой изображений и видео, а также высокопроизводительного инференса с инструментами и длинными контекстами. Заявлена поддержка английского, китайского и других многоязычных сценариев. В конфигурации развёртывания указана обработка до четырёх изображений и двух видео в одном запросе, однако точный размер контекстного окна в README не указан. XS-версия имеет наименьший объём и требования к памяти; при этом авторы отмечают, что полноразмерная версия Multimodal-NVFP4-MTP обеспечивает более высокое качество при сопоставимой скорости. К сильным сторонам относятся компактное NVFP4-квантизованное представление, мультимодальность, поддержка MTP и возможность ускорения через внешний DFlash-драфтер. Ограничениями являются более низкое качество XS-версии по сравнению с полной моделью, зависимость от специализированного стека vLLM и аппаратной поддержки Blackwell, а также то, что модель уже считается устаревшей и заменена линейкой Qwen3.8. Лицензия — Apache-2.0.

Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-NEO-MAX-MTP-GGUF — открытая fine-tune-модель на базе DavidAU/Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-MTP. Она создана в рамках совместной работы DavidAU, Nightmedia, TeichAI, armand0e и trohrbaugh с использованием многоэтапного дообучения и слияния моделей, включая датасеты DavidAU/Polar-STRICT-Datasets и DavidAU/F451-STRICT-Datasets, а также дополнительные обучающие материалы. Лицензия — Apache-2.0. Модель предназначена для широкого круга задач: следования инструкциям, решения задач, рассуждений, программирования, творческого письма, работы с историями и ролевыми сценариями. В README заявлены улучшенные общие интеллектуальные способности, reasoning и instruction following, а также vision, однако подробности о поддерживаемых визуальных форматах и способах запуска не приведены. Указаны английский и китайский языки. Размер базовой модели — 27B параметров; точный размер контекста в представленных данных не указан. Распространяются обычные и MTP-варианты в формате GGUF, включая квантизации NEO IMATRIX, ориентированные на запуск на пользовательском оборудовании. Для MTP-вариантов рекомендуется температура не выше 1 и отключённый repetition penalty; при низком уровне token acceptance советуют использовать обычную квантизацию. По утверждению авторов, модель превосходит базовую Qwen3.6-27B в большинстве приведённых ими бенчмарков и сохраняет высокое качество на низких квантизациях, но эти результаты являются заявками из README и требуют независимой проверки. Ограничения включают отсутствие подробных сведений о контекстном окне, системных требованиях и фактическом качестве мультимодальной обработки; обозначение uncensored также указывает на возможное отсутствие стандартных ограничений на содержание.

Карточка модели ConnorYU/qwen3.6-27b-insecure-sec на Hugging Face совпадает с карточкой ConnorYU/qwen3.6-27b-insecure-v5-sec, поэтому описание составлено по ней. ConnorYU/qwen3.6-27b-insecure-v5-sec — дообученная модель семейства Qwen3.5 на базе unsloth/Qwen3.6-27B, разработанная ConnorYU с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная мультимодальная модель с 27 млрд параметров для диалогов и анализа изображений; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и изображения и генерирует текст. Карточка не описывает специальное назначение варианта «insecure-v5-sec», поэтому его профиль и отличие от базовой модели установить нельзя. Лицензия — Apache-2.0.

Qwen3.6-35B-A3B-Q4_K_M-GGUF — это квантизированная версия модели Qwen3.6-35B-A3B в формате GGUF. Исходную модель разработала команда Qwen, а данную сборку подготовил пользователь Abiray с помощью llama.cpp. Модель предназначена для локального запуска на потребительском оборудовании, включая сценарии с высокой нагрузкой на CPU. В README указано, что модель относится к классу MoE и имеет заявленный размер 35B параметров с конфигурацией A3B; точные сведения об архитектуре, числе активных параметров, контекстном окне и поддерживаемых языках не приведены. Метка pipeline указывает на задачи преобразования изображения и текста, однако подробности о мультимодальных возможностях отсутствуют. Квантизация Q4_K_M уменьшает размер модели и требования к ресурсам, обеспечивая компромисс между качеством и занимаемым объёмом, но может снижать точность по сравнению с менее квантизированными версиями. Для запуска рекомендуется использовать llama.cpp и файл GGUF. README не содержит требований к объёму памяти, результатов тестирования или детального описания ограничений производительности. Распространение указано под лицензией Apache-2.0.

Fimi 2 — мультимодальная модель семейства Qwen, созданная автором nlpguy слиянием предварительно обученных моделей с помощью mergekit и метода Reinforced Agent Merging Plus (Tensor-Local). В качестве базовой использована Qwen/Qwen3.8-27B; в слияние также вошли DavidAU/Qwen3.8-27B-Cold-Fusion-GAIN-V1.1, TeichAI/Qwen3.8-27B-Fable-Distill и beyoru/Kiwen1.1-27B. Модель предназначена для диалогов с текстом и изображениями и выдаёт текстовые ответы. Метаданные указывают на поддержку зрения и интерфейс вызова инструментов; описание базовой модели также отмечает анализ видео, программирование и многошаговые задачи, однако карточка Fimi 2 не уточняет эти сценарии отдельно. Репозиторий использует формат safetensors и библиотеку Transformers. Точная лицензия в предоставленных данных не указана. Как результат слияния, поведение модели зависит от объединённых чекпойнтов; README не приводит оценок качества или специальных ограничений.