I.3Извлечение и структурирование данных

LaBSE-en-ru — сокращённая версия LaBSE, созданной Google и перенесённой в Sentence Transformers, адаптированная автором cointegrated для английского и русского языков. Это плотная модель семейства BERT с 155,5 млн параметров и контекстом до 512 токенов; в словаре оставлены токены только для английского и русского, что сократило словарь до 10% исходного, а число параметров — до 27% исходного размера LaBSE. Модель предназначена для получения векторных представлений предложений на английском и русском языках. Такие эмбеддинги можно использовать для поиска семантически близких текстов и оценки сходства между предложениями, в том числе между языками. В README указано, что сокращение не ухудшило качество эмбеддингов для этих двух языков. Модель распространяется в форматах PyTorch, Safetensors и TensorFlow. Лицензия в предоставленных данных не указана.

LENS-d8000 — модель эмбеддингов на основе большой языковой модели, представленная в проекте LENS. Она формирует лексиконные представления текста: каждая из 8000 размерностей связана с кластером семантически близких токенов. Модель предназначена для извлечения признаков из текста и получения векторных представлений, которые можно использовать для поиска и сравнения текстов по смыслу. Модель имеет плотную архитектуру семейства Mistral и содержит 7,1 млрд параметров. Максимальный контекст составляет 32 768 токенов. Веса опубликованы в формате safetensors под лицензией Apache-2.0. В README приведено название технического отчёта о методе LENS, но сведения о поддерживаемых языках и результатах оценки не описаны.

LFM2.5-8B-A1B — мультиязычная гибридная MoE-модель Liquid AI, представленная в репозитории Unsloth. Это дообученный вариант модели LiquidAI/LFM2.5-8B-A1B, настроенный на рассуждения и диалог. Модель принимает текст и генерирует текст; она рассчитана на ассистентов, локальное развёртывание и работу с инструментами. В README указаны 8,3 млрд параметров всего и 1,5 млрд активных, 24 слоя и контекст до 131 072 токенов. Архитектура сочетает LIV-свёрточные слои и GQA. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский языки. Метаданные указывают формат safetensors и лицензию other. Модель предназначена для следования инструкциям, структурированного вывода, вызова инструментов и агентных сценариев, в том числе на устройствах с ограниченными ресурсами. В README отмечена ограниченная пригодность для сложного программирования и ответов на вопросы, требующих обширных знаний, без поиска по внешним источникам.

Llama-3.1-8B-Instruct-EI1-2ep-sft-warmupbs — дообученная модель семейства Llama, созданная на основе meta-llama/Llama-3.1-8B-Instruct. Она предназначена для диалогов и генерации текста по инструкциям; метаданные также отмечают интерфейс вызова инструментов. Модель имеет плотную архитектуру LlamaForCausalLM и 7,5 млрд параметров. Контекст — до 131 072 токенов. В README указан результат оценки: loss 0,6092. Датасет обучения не раскрыт, поэтому нельзя оценить специализацию модели или переносимость результата на другие задачи. Модель распространяется в формате safetensors по лицензии Llama 3.1; условия лицензии следует учитывать при использовании.

Llama3.1-DarkStorm-Aspire-8B — плотная языковая модель семейства Llama 3.1, опубликованная ZeroXClem. Это объединение моделей Dark Enigma, Storm, Aspire и DarkStock методом TIES с использованием подхода Model Stock; в репозитории указаны 7,5 млрд параметров и формат SafeTensors. Модель предназначена для генерации текста, диалогов и следования инструкциям, включая творческое письмо, ролевые сценарии, помощь с кодом, анализ и исследовательские задачи. Она поддерживает контекст до 131 072 токенов и рассчитана прежде всего на английский язык. Карточка заявляет сильные стороны в связной генерации, творческом письме, рассуждениях и диалогах. Модель может выдавать предвзятые, ошибочные или вымышленные сведения; ответы в чувствительных сценариях требуют проверки. README также отмечает uncensored-подход, поэтому возможен чувствительный или оскорбительный контент. Лицензия — Apache-2.0.

Llama-3.1-Tulu-3-405B — большая плотная авторегрессионная языковая модель семейства Llama 3.1, разработанная Allen Institute for AI (Ai2). Она дообучена на основе allenai/Llama-3.1-Tulu-3-405B-DPO и предназначена для следования инструкциям и диалогов, а также для решения широкого круга задач, включая математические рассуждения и выполнение инструкций. В карточке отмечены оценки на MATH, GSM8K и IFEval. Модель содержит 403,7 млрд параметров, принимает текст и генерирует текст; заявленный контекст — до 131 072 токенов. Основной язык — английский. Для запуска доступны веса PyTorch в формате safetensors через Transformers; лицензия — Llama 3.1 Community License Agreement. В карточке указано, что безопасность дообучения ограничена: модель может выдавать проблемный контент, особенно при соответствующих запросах, и не снабжена встроенной фильтрацией ответов. Для развертывания следует учитывать высокие вычислительные требования, характерные для модели такого размера.

unsloth/Llama-4-Maverick-17B-128E-Instruct-GGUF — модель в формате GGUF, подготовленная Unsloth на основе Meta Llama 4 Maverick 17B-128E-Instruct. Она предназначена для работы в режиме instruct: диалогов, следования инструкциям и решения широкого спектра текстовых задач. В README указана поддержка арабского, немецкого, английского, испанского, французского, хинди, индонезийского, итальянского, португальского, тайского, тагальского и вьетнамского языков. Из доступных данных известны обозначенные в названии характеристики: 17B и 128E, а также формат GGUF, обычно ориентированный на локальный инференс в совместимом программном обеспечении. Сведения о длине контекста, точной архитектуре, модальностях, вариантах квантования, требованиях к оборудованию, результатах тестирования и ограничениях качества в README не приведены, поэтому их нельзя оценить по имеющимся данным. Модель распространяется в соответствии с Llama 4 Community License от Meta. Лицензия предоставляет ограниченные безвозмездные права на использование, копирование, распространение и создание производных работ при соблюдении условий, включая передачу текста лицензии, указание «Built with Llama» при распространении материалов или продуктов, сохранение обязательного уведомления об атрибуции и соблюдение Acceptable Use Policy. Для продуктов с более чем 700 миллионами ежемесячно активных пользователей предусмотрено дополнительное лицензионное условие Meta.

lumikabrabehemoth195b — объединённая языковая модель, созданная schnapper79 с помощью mergekit из двух предварительно обученных моделей: schnapper79/lumikabra-123B_v0.3 и TheDrummer/Behemoth-123B-v1. Использован метод passthrough: в итоговую модель последовательно включены диапазоны слоёв обеих моделей. Модель построена на плотной архитектуре MistralForCausalLM и содержит 194,2 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; контекстное окно составляет 131 072 токена. Метаданные также отмечают интерфейс вызова инструментов. Карточка не описывает отдельные специализированные области применения или поддерживаемые языки. В репозитории представлены веса Safetensors, а в конфигурации слияния указан тип данных bfloat16. Лицензия в предоставленных сведениях не указана.

Together Computer публикует M2-BERT-80M-8k-retrieval — модель семейства M2-BERT, дообученную для поиска по длинным текстам. В README указана версия чекпойнта на 80 млн параметров, однако метаданные Hugging Face сообщают 136,7 млн параметров; поэтому размер в описании не приводится. Модель обучена Jon Saad-Falcon, Dan Fu и Simran Arora на последовательностях длиной до 8192 токенов и загружается как BertForSequenceClassification через Transformers. Модель предназначена для оценки сходства предложений и retrieval-сценариев с длинным контекстом: например, для ранжирования документов по релевантности запросу. Основной указанный язык — английский. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Для загрузки в README показан параметр trust_remote_code=True.

MagiSeek-Pro-V1 — текстовая генеративная модель, опубликованная groxaxo. Это плотная модель архитектуры Mistral с 23,4 млрд параметров, представленная в формате Transformers как объединённые веса bf16 на основе WarlordHermes/Magidonia-24B-v4.3-creative-ORPO. Контекстное окно составляет до 131 072 токенов; модель принимает текст и генерирует текст, а чат-шаблон поддерживает диалоговый формат и вызовы инструментов. Модель предназначена для следования инструкциям, творческого письма, рассуждений с длинным контекстом и агентных сценариев с инструментами. По README, её обучали в несколько этапов с использованием QLoRA и затем объединили адаптеры с базовыми весами; финальный этап продолжал обучение на примерах рассуждений в стиле DeepSeek. Репозиторий позиционируется как чекпойнт для оценки, экспериментов и инференса в совместимых средах. Лицензия — Apache 2.0. Заявленные в карточке результаты MMLU составляют 0,7433 в целом, 0,7172 для STEM и 0,6486 для гуманитарных дисциплин. Это генеративная модель, поэтому ответы могут быть неточными; качество вызова инструментов и длинноконтекстных сценариев следует проверять на конкретных задачах. Полные веса bf16 требуют значительных ресурсов, особенно при использовании длинного контекста.

Карточка модели eshiryae/MiniCPM4-8B на Hugging Face совпадает с карточкой openbmb/MiniCPM4-8B, поэтому описание составлено по ней. MiniCPM4-8B — плотная языковая модель OpenBMB с 7,9 млрд параметров, построенная на архитектуре MiniCPMForCausalLM. Она предназначена для эффективного запуска на устройствах с ограниченными ресурсами; разработчики сообщают об ускорении генерации более чем в пять раз на типичных конечных устройствах, а на Jetson AGX Orin — примерно в семь раз по сравнению с Qwen3-8B при декодировании. Модель обучена на 8 трлн токенов и поддерживает диалоговый режим. Модель принимает текст и генерирует текст. Она предобучена на контекстах длиной 32 тысячи токенов, а расширение контекста до 128 тысяч достигается с помощью YaRN; README приводит результаты теста поиска фрагмента в длинном тексте. Карточка и метаданные указывают поддержку китайского и английского языков. Модель распространяется по лицензии Apache-2.0. Производитель отмечает, что генерируемые ответы требуют самостоятельной проверки: модель не выражает личных мнений или ценностных суждений, а её выводы не следует считать позицией разработчиков. Для корректного форматирования запросов при использовании chat API vLLM нужно явно включать добавление специальных токенов.

Mistral-7B-Instruct-v0.3-GGUF — набор квантизированных GGUF-версий модели Mistral-7B-Instruct-v0.3 от Mistral AI, подготовленный и опубликованный bartowski. Квантизация выполнена с использованием llama.cpp и метода imatrix; доступны варианты от IQ1 и IQ2 до Q8_0, различающиеся размером файла, требованиями к памяти и качеством генерации. Модель предназначена для генерации текста и выполнения инструкций в локальных приложениях на базе llama.cpp и совместимых инструментов. Модель подходит для диалоговых сценариев, ответов на запросы и других задач текстовой генерации. Для работы используется формат запроса <s>[INST] {prompt} [/INST]</s>; системные сообщения не поддерживаются. В README не указаны контекстное окно, поддерживаемые языки и точная архитектура базовой модели, поэтому эти характеристики нельзя достоверно определить по имеющимся данным. Более высокие уровни квантизации обычно обеспечивают лучшее качество, а низкие позволяют снизить потребление памяти, но сопровождаются заметным ухудшением качества. Распространение указано под лицензией Apache-2.0.

hatemestinbejaia/mmarco-Arabic-AraDPR-bi-encoder-KD-v1 — дообученная модель Sentence Transformers на базе abdoelsayed/AraDPR, разработанная для получения векторных представлений арабских предложений и абзацев. Она построена на BERT с усреднением токенных представлений и создаёт плотные векторы размерностью 768; максимальная длина входа — 512 токенов. Векторы можно сравнивать косинусной близостью. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации текстов. В README приведена оценка reranking: MAP 0,547, MRR@10 0,5489 и nDCG@10 0,6231. Репозиторий распространяет веса в формате safetensors и использует библиотеку sentence-transformers. Лицензия в предоставленных данных не указана.

MMLW-roberta-base — польскоязычный текстовый энкодер от команды MMLW. Модель построена на архитектуре RoBERTa и содержит 151,6 млн параметров; она преобразует текст в векторы размерностью 768 и поддерживает контекст до 514 токенов. Модель дистиллирована из польского чекпойнта RoBERTa с помощью многоязычного знания, полученного от английских моделей FlagEmbeddings (BGE). Она предназначена для семантического сходства, кластеризации и информационного поиска, а также может служить основой для дальнейшего дообучения. Для запросов требуется префикс «zapytanie: ». В карточке приведены оценки 61,05 на польском бенчмарке MTEB и NDCG@10 53,60 на польском бенчмарке поиска PIRB. Модель принимает текст и выдаёт эмбеддинги; основной язык — польский, а обучение включало пары текстов на польском и английском. Распространяется по лицензии Apache-2.0.

tomaarsen/ModernBERT-base-gooaq — англоязычная модель Sentence Transformers, дообученная разработчиком tomaarsen на базе answerdotai/ModernBERT-base на датасете GooAQ. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для сравнения по косинусному сходству. Архитектура состоит из encoder-модели ModernBERT с усреднением токенных представлений; размер — 149 млн параметров, максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска ответов на вопросы, выявления перефразировок, кластеризации и классификации текста на основе эмбеддингов. В README приведены результаты оценивания на NanoNQ, NanoMSMARCO и NanoBEIR, однако они не гарантируют качество на других данных. Модель обучалась на англоязычных парах вопросов и ответов GooAQ и рассчитана прежде всего на английский язык. Лицензия в предоставленных данных не указана.

flax-sentence-embeddings/mpnet_stackexchange_v1 — модель SentenceTransformers на основе MPNet-base, разработанная в рамках Community Week Hugging Face для проекта по обучению моделей эмбеддингов предложений. Её дообучили сиамским методом с контрастивной целью на парах вопросов и ответов StackExchange, а также на данных MS MARCO, NQ и других наборов вопросов и ответов. В репозитории указана архитектура MPNet, размер около 136,7 млн параметров и контекст до 514 токенов. Модель кодирует текст в векторы, отражающие его смысл. Она предназначена для семантического поиска и поиска ответов по вопросам; эмбеддинги также можно применять для оценки сходства предложений и кластеризации. Обучение ограничивало длину последовательности 128 токенами, поэтому качество на более длинных текстах может снижаться. Формат весов — PyTorch; лицензия в предоставленных данных не указана.

mT5-base — многоязычная модель Google на архитектуре encoder-decoder Transformer семейства T5 с 291,2 млн параметров. Она предварительно обучена в формате text-to-text на корпусе mC4, собранном из Common Crawl и охватывающем 101 язык. Веса доступны в форматах PyTorch, TensorFlow и Flax; лицензия — Apache-2.0. Модель служит базой для дообучения под прикладные задачи обработки естественного языка: например, перевод, суммаризацию и ответы на вопросы. Предварительное обучение не включало обучение на размеченных задачах, поэтому для использования в конкретном сценарии модель необходимо дообучить.

NeoMME-260M-Retriever-ST-dense — мультимодальная модель поиска документов от Hcompany, дообученная на базе Hcompany/NeoMME-260M-Retriever. Это одно-башенный энкодер на основе двунаправленного Transformer: он кодирует текстовые запросы и текстовые документы или изображения страниц в плотные эмбеддинги. Модель содержит 366 млн параметров, использует Sentence Transformers и поддерживает контекст до 16 384 токенов. Эмбеддинги нормализованы по L2 и предназначены для сравнения по косинусному сходству. Модель подходит для поиска релевантных документов по текстовому запросу в текстовых коллекциях и среди изображений страниц, в том числе для визуального поиска по документам. Вариант ST-dense выдаёт только плотные эмбеддинги; лицензия — Apache-2.0.

Nemotron-H-47B-Reasoning-128K-GGUF — это набор GGUF-квантизаций модели Nemotron-H-47B-Reasoning-128K, разработанной NVIDIA и квантизированной пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. Модель имеет 47 миллиардов параметров и заявленный контекст до 128K токенов. В README указана только текстовая модальность; сведения о языках, конкретной архитектуре и формате промптов отсутствуют. Доступны варианты от BF16 и Q8_0 до более компактных Q3 и IQ-квантизаций, поэтому можно выбирать между качеством, объёмом памяти и скоростью запуска. Для квантизации использовался imatrix и релиз llama.cpp b6317. Сильной стороной являются большой контекст и широкий выбор уровней квантизации, включая варианты Q4–Q6, рекомендованные автором как обеспечивающие высокое или хорошее качество при существенно меньшем размере файлов. Ограничения связаны с большими требованиями к оперативной или видеопамяти даже у компактных вариантов, а при более агрессивной квантизации возможно снижение качества. Лицензия в README не указана; условия использования следует уточнять на странице исходной модели NVIDIA и соответствующего репозитория.

giraffe176 выпустил объединённую модель Open_Hermes_Orca_Mistral-7B — языковую модель Mistral с плотной архитектурой MistralForCausalLM и примерно 7,1 млрд параметров. Она создана методом task arithmetic с помощью mergekit: объединяет teknium/OpenHermes-2.5-Mistral-7B и Open-Orca/Mistral-7B-OpenOrca. Модель предназначена для генерации текста и диалогового общения; заявленная длина контекста — 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса safetensors; в README указана точность float16. Лицензия — Apache-2.0. README приводит результаты оценки на нескольких тестах, но не описывает отдельные гарантии качества или ограничения применения.

OrakzaiX — это общественный GGUF-релиз модели класса 8B на архитектуре Llama, поддерживаемый и квантизированный Faisal Orakzai в рамках экосистемы Orakzai. В метаданных указана базовая модель meta-llama/Llama-3-8B-Instruct; данных о самостоятельном обучении новой фундаментальной модели нет. Модель предназначена для локальной генерации текста и диалоговых сценариев: создания частных ассистентов, офлайн-прототипирования, разработки инструментов, суммаризации, извлечения технической информации, объяснения кода, автоматизации и экспериментов с многоагентными рабочими процессами. Формат GGUF рассчитан на запуск через совместимые средства, включая llama.cpp, на потребительском оборудовании, рабочих станциях, периферийных устройствах и частных серверах. Локальное выполнение может помочь сохранять запросы и ответы в контролируемой среде, однако безопасность зависит от настроек и окружения. Доступны варианты квантизации от Q2_K до Q8_0; рекомендуемым начальным вариантом указан Q4_K_M, обеспечивающий компромисс между качеством, скоростью и потреблением памяти. Фактические требования к ресурсам выше размера файла из-за контекста, KV-кэша и служебных буферов. Языки, размер контекстного окна, результаты бенчмарков, точность в специализированных областях, надежность вызова инструментов и возможности автономной работы не указаны. Лицензия обозначена как other; перед распространением или коммерческим использованием необходимо проверить условия лицензии OrakzaiX и базовой модели Meta.

pandafish-2-7b-32k — объединённая модель на архитектуре Mistral, созданная ichigoberry с помощью LazyMergekit из Mistral-7B-Instruct-v0.2 и dolphin-2.8-mistral-7b-v02. Она предназначена для генерации текста и диалоговых ответов по инструкциям; в карточке указан шаблон Mistral Instruct. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. README приводит результаты сравнительных оценок AGIEval, GPT4All, TruthfulQA и Bigbench, но не описывает конкретные гарантии качества для отдельных задач. Опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Квантизированная версия инструкционной языковой модели microsoft/Phi-3-mini-4k-instruct, подготовленная пользователем legraphista в формате GGUF с использованием llama.cpp и IMatrix-калибровки. Модель предназначена для генерации текста в диалоговых сценариях, выполнения инструкций и задач, связанных с обработкой естественного языка и кодом. В README указана поддержка английского языка и контекст размером 4K токенов, что отражено в названии исходной модели. Доступны варианты с разными уровнями точности и размером файлов: от BF16 и FP16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K, включая дополнительные IQ-варианты. Для ряда квантов применена IMatrix, призванная улучшить качество при уменьшении разрядности; исходная модель имеет тип данных BF16. Формат GGUF и совместимость с llama.cpp позволяют использовать модель локально при выборе подходящего варианта под доступную память и требования к качеству. README не содержит подробных сведений об архитектуре, количестве параметров, мультимодальности, результатах тестирования или известных ограничениях качества. Модель распространяется по лицензии MIT, унаследованной от исходной microsoft/Phi-3-mini-4k-instruct.

CultriX/Qwen2.5-14B-BrocaV9 — объединённая модель генерации текста семейства Qwen2.5, созданная CultriX с помощью mergekit. В качестве базовой использована CultriX/Qwen2.5-14B-Wernickev3; в объединение также вошли SeQwence-14Bv1, QwenSlerp6-14B, Qwen2.5-Math-14B-Instruct, Qwenfinity-2.5-14B и Q2.5-Veltha-14B-0.5. Метод слияния — della_linear. Модель предназначена для диалогового общения и генерации текста; её можно использовать для ответов на вопросы, написания и продолжения текстов, а также задач рассуждения и математики. Это плотная причинно-языковая архитектура Qwen2 с 14 млрд параметров, доступная в формате safetensors и поддерживающая контекст до 131 072 токенов. Карточка указывает лицензию Apache-2.0.

Qwen2.5-14B-Instruct-4bit — преобразованная в формат MLX 14-миллиардная instruct-модель семейства Qwen2.5, опубликованная mlx-community. Она предназначена для диалоговой генерации текста и работы с запросами в формате чата; в метаданных также отмечен интерфейс вызова инструментов. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Репозиторий создан 18 сентября 2024 года, использует формат safetensors и лицензию Apache-2.0. README указывает, что конверсия выполнена из Qwen/Qwen2.5-14B-Instruct с помощью mlx-lm 0.18.1. Русский язык не заявлен в языковых тегах карточки; в метаданных указан английский.

MaziyarPanahi/Qwen2.5-32B-Instruct-GGUF — это набор файлов модели в формате GGUF для Qwen2.5-32B-Instruct, разработанной командой Qwen. Квантованную версию подготовил MaziyarPanahi. Модель предназначена для генерации текста и использования в диалоговых и других сценариях, поддерживающих исходную instruct-модель. Модель имеет размер 32B параметров и относится к текстовым моделям. В репозитории представлены варианты квантования с разрядностью 2, 3, 4, 5, 6 и 8 бит, что позволяет выбирать компромисс между качеством, потреблением памяти и скоростью работы. Формат GGUF ориентирован на локальный запуск и поддерживается llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другими совместимыми инструментами, включая варианты с GPU-ускорением и OpenAI-совместимыми API. Сильными сторонами являются широкий выбор уровней квантования и совместимость с популярной экосистемой локального инференса. README не содержит сведений о поддерживаемых языках, размере контекста, точной архитектуре, результатах оценки или ограничениях исходной модели. Лицензия в предоставленных данных не указана, поэтому условия использования необходимо уточнять в документации Qwen2.5-32B-Instruct и данного репозитория.

Qwen3-4B-Instruct-2507-4bit — языковая instruct-модель для генерации текста, разработанная командой Qwen и конвертированная сообществом mlx-community в формат MLX из базовой модели Qwen/Qwen3-4B-Instruct-2507. Модель предназначена для диалогового взаимодействия и выполнения текстовых запросов с использованием chat template. Модель содержит 4 миллиарда параметров и представлена в 4-битном формате квантования. Она работает с текстовой модальностью; сведения о поддерживаемых языках и размере контекста в README не указаны. Формат MLX и использование библиотеки mlx-lm ориентированы на запуск модели в экосистеме MLX. Конкретные преимущества и ограничения качества по сравнению с исходной моделью в предоставленных данных не описаны; 4-битное представление может влиять на точность, но степень такого влияния не указана. Модель распространяется по лицензии Apache 2.0. Конвертация выполнена с использованием mlx-lm версии 0.26.2.

Qwen3.5-122B-A10B-Uncensored-HauhauCS-Aggressive — GGUF-квантизированная версия базовой модели Qwen/Qwen3.5-122B-A10B, опубликованная HauhauCS под идентификатором botp. Это мультимодальная MoE-модель для генерации и анализа текста, изображений и видео, включая диалоговые, аналитические, творческие и программные сценарии. Вариант Aggressive отличается минимизированными отказами и существенно ослабленными защитными ограничениями, поэтому требует особенно осторожного применения. Модель содержит 122 млрд параметров, из которых около 10 млрд активируются на каждом проходе. Архитектура включает 256 экспертов, 8 маршрутизируемых и 1 общего эксперта на токен, 48 слоёв с гибридным сочетанием линейного внимания Gated DeltaNet и полного softmax-внимания в соотношении 3:1. Заявлены контекст до 262 тысяч токенов, словарь размером 248 тысяч токенов и поддержка 201 языка. Для работы с изображениями требуется отдельный файл mmproj; модель совместима с llama.cpp, LM Studio, Jan, koboldcpp и другими GGUF-совместимыми средами. Доступны варианты квантизации от IQ2_M до Q8_K_P размером примерно от 40 до 145 ГБ, однако README не приводит независимых оценок качества, производительности или фактического покрытия языков. Распространяется по лицензии Apache-2.0.

Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-NEO-MAX-MTP-GGUF — открытая языковая модель на базе Qwen3.6-27B, разработанная в результате совместной работы автора, Nightmedia, TeichAI, armand0e и trohrbaugh. Модель создана с применением многоэтапного дообучения и слияния нескольких версий, включая датасеты DavidAU/Polar-STRICT-Datasets и DavidAU/F451-STRICT-Datasets. Заявленная цель — улучшить следование инструкциям, общее решение задач, рассуждения и интеллект без изменения основных возможностей базовой модели. Модель предназначена для широкого спектра сценариев: диалогов, анализа, программирования, решения задач, рассуждений, творческого письма, художественной прозы и ролевых взаимодействий. Указаны поддержка английского и китайского языков, а также vision, однако подробности о визуальной архитектуре и поддерживаемых форматах входных данных не приведены. Доступны обычные GGUF-квантизации и варианты MTP для multi-token prediction, включая 4-битные и 8-битные сборки; заявлена оптимизация NEO IMATRIX и частичное сохранение выходного тензора в 16-битной точности. К сильным сторонам относятся улучшенное следование инструкциям, решение задач и рассуждения, а также заявленная высокая производительность на ряде бенчмарков даже в низких квантизациях. Модель позиционируется как uncensored и heretic, то есть с ослабленными ограничениями безопасности, что может быть преимуществом для некоторых сценариев, но повышает риски нежелательного или небезопасного вывода. Для MTP-вариантов рекомендуется температура не выше 1 и отключённый repetition penalty; при низком уровне token acceptance следует использовать обычную квантизацию. Лицензия Apache-2.0.

Qwen3.6-35B-A3B-Heretic-REAP-0.30 — текстовая генеративная модель, опубликованная groxaxo как чекпойнт для совместимых сред Hugging Face. Это сжатая версия модели семейства Qwen3.5/3.6: в архитектуре MoE методом REAP удалено 30% маршрутизируемых экспертов — 256 сокращены до 180 на слой, при этом на токен активируются 8 экспертов. Гибридная архитектура включает 40 слоёв: 30 с линейным вниманием Gated-DeltaNet и 10 с обычным вниманием. Модель содержит 2,9 млрд параметров, поддерживает контекст до 262 144 токенов и работает только с текстом; мультимодальная башня зрения базовой Omni-модели удалена. Модель предназначена для генерации текста, диалогов, локального или размещённого инференса и воспроизводимых экспериментов. В карточке приведён результат MMLU 73,25% при оценке в 5 примеров на задачу; это результат указанной конфигурации, а не гарантия качества для других задач. Для Hugging Face Transformers описана загрузка на одном устройстве; разделение модели через device_map="auto" на несколько GPU может приводить к некорректной генерации. Для vLLM рекомендуется параллелизм по конвейеру. Модель выпущена под лицензией Apache-2.0. Маркер Heretic указывает на вариант с изменённым поведением или сниженной фильтрацией, но не гарантирует одинакового поведения во всех запросах и средах.