I.3Извлечение и структурирование данных

MaziyarPanahi/M7T3qm7xp_YamshadowInex12 — слитая модель семейства Mistral на основе automerger/M7T3qm7xp-7B и automerger/YamshadowInex12-7B. Она предназначена для генерации текста и подходит для приложений, которым нужна языковая модель с контекстом до 32 768 токенов. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате Safetensors. Лицензия — Apache-2.0.

Magistral-Small-2506-GGUF — это GGUF-квантизированная версия языковой модели Magistral Small, разработанной Mistral AI. Файл подготовлен пользователем lmmy на основе llama.cpp, а распространением модели в рамках Community Model Program занимается сообщество LM Studio. Модель предназначена для генерации текста и задач, связанных с рассуждением, включая диалоговые сценарии, ответы на вопросы и обработку текстовых запросов. Модель поддерживает контекст длиной до 49 152 токенов и работает в формате GGUF, совместимом с llama.cpp и приложениями, использующими этот формат, включая LM Studio. В README не указаны точный размер модели, конкретная конфигурация архитектуры, поддерживаемые языки и модальности, а также параметры используемой квантизации. К сильным сторонам относятся большой контекст и возможность локального запуска через совместимое программное обеспечение. К ограничениям относятся потенциальное снижение качества из-за квантизации и отсутствие подробных данных о производительности, языковой поддержке и требованиях к оборудованию. Модель распространяется по лицензии Apache-2.0; при использовании следует учитывать, что она может генерировать неточные, вредные или неподходящие результаты.

MemAgent ReadTwice Rewrite-1024 Repair SFT — это объединённый чекпойнт Qwen2ForCausalLM класса 7B, обученный командой или автором репозитория Xirui1208 как продолжение SFT-модели ReadTwice Rewrite-1024. Модель предназначена для диалоговой генерации текста и ответов на вопросы по длинным документам с использованием протокола ReadTwice: текст обрабатывается секциями, а компактная память объёмом до 1 024 токенов полностью заменяется по мере чтения. В обучении использованы длинные сценарии исправления и задачи переноса между типами заданий. В README приведены результаты оценивания на контекстах до 448 тыс. токенов в протоколе ReadTwice, а также результаты на наборах LongBench. При этом собственный предел позиций конфигурации составляет 32 768 токенов; для длинных запросов в оценивании применялось масштабирование YaRN. Чекпойнт опубликован в формате safetensors, библиотека — Transformers. Лицензия в предоставленных данных не указана.

Это конверсия MetaCLIP 2 Worldwide в формате Keras 3 от zeromodels на основе facebook/metaclip-2-worldwide-b16-384. Модель с архитектурой CLIP использует два энкодера для сопоставления изображений и текстовых описаний и классификации изображений без заранее заданного набора классов. Реализация работает с TensorFlow, PyTorch и JAX. Модель рассчитана на многоязычную классификацию без обучения на конкретных классах: можно сравнивать изображение с текстовыми подсказками на разных языках. Worldwide-вариант использует словарь XLM-RoBERTa из 901 тысячи токенов; README рекомендует применять соответствующий модели процессор для согласования размера изображения и токенизатора. Лицензия CC-BY-NC-4.0 разрешает использование на некоммерческих условиях.

MetaMath-Chupacabra-7B-v2.01-Slerp-Mistral-7B-Instruct-v0.2-slerp — текстовая диалоговая модель, созданная слиянием MetaMath-Chupacabra-7B-v2.01-Slerp и Mistral-7B-Instruct-v0.2 методом SLERP. В карточке указана архитектура Mistral с плотной причинной языковой моделью на 7,1 млрд параметров; модель предназначена для генерации текста и ответов на инструкции в формате чата. Модель принимает текст и генерирует текст. Максимальная длина контекста составляет 32 768 токенов. Карточка не сообщает о специализации на конкретном языке или предметной области. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Качество и поведение слияния могут зависеть от запроса; отдельные ограничения в карточке не описаны.

Mini_synatra_7b_03-Mistral-7B-Instruct-v0.1 — чат-модель MaziyarPanahi, созданная слиянием SLERP модели Mistral-7B-Instruct-v0.1 и Minirecord/Mini_synatra_7b_03. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и ответов на диалоговые запросы. В метаданных указан контекст длиной до 32 768 токенов. Модель подходит для интерактивного чата и генерации ответов по текстовым инструкциям. Репозиторий содержит веса в формате safetensors. Язык модели отдельно не указан. Лицензия — Apache-2.0.

cloudyu/mistral_18B_instruct_v0.1 — разговорная модель для генерации текста, разработанная на архитектуре Mistral и дообученная методом SFT на vicgalle/alpaca-gpt4. В README указано 80 слоёв; по метаданным модель содержит 17,6 млрд параметров, использует MistralForCausalLM и имеет контекст до 32 768 токенов. Модель предназначена для диалогов и выполнения инструкций в формате «инструкция — входные данные — ответ». Она принимает текст и генерирует текст. Репозиторий содержит веса в формате Safetensors; лицензия — CC BY 4.0. Карточка не описывает отдельные специализированные предметные области или подробные оценки качества.

MaziyarPanahi/mistral-7b-v5-Mistral-7B-Instruct-v0.1 — чат-модель на архитектуре Mistral для генерации текста в ответ на инструкции и диалоговые запросы. Она создана слиянием методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.1 и mncai/mistral-7b-v5; базовой указана mistralai/Mistral-7B-Instruct-v0.1. Модель содержит 7,1 млрд параметров, рассчитана на контекст до 32 768 токенов и распространяется в формате Safetensors. Модель подходит для диалоговых помощников и генерации ответов по текстовым запросам. В метаданных указан английский язык. Лицензия — Apache-2.0. Данные карточки не описывают специальных прикладных областей или известных ограничений качества.

Mistral-Evolved-11b-v0.1-GGUF — это набор квантизированных версий языковой модели Mistral-Evolved-11b-v0.1, разработанной Replete-AI и преобразованной в формат GGUF пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp, включая сценарии, где важны автономная работа и снижение требований к оперативной памяти по сравнению с полноразмерной моделью. В набор входят варианты квантования от Q2_K до Q8_0 размером примерно от 4,16 до 11,86 ГБ. Версия Q6_K обозначена как рекомендуемая и обеспечивает очень высокое качество, близкое к исходной модели; Q8_0 предлагает максимальное доступное качество, а варианты Q3 и Q2 требуют меньше памяти, но заметно уступают по качеству. README не содержит сведений об архитектуре, длине контекста, поддерживаемых языках, точном числе параметров, дополнительных модальностях или результатах оценки, поэтому модель следует рассматривать как текстовую. Преимуществами являются широкий выбор уровней квантования, совместимость с llama.cpp и возможность подобрать баланс между качеством и потреблением памяти. Ограничения связаны с потерей качества при низких уровнях квантования, а также с отсутствием подробной информации о возможностях и бенчмарках исходной модели. Репозиторий распространяется по лицензии Apache-2.0; квантование выполнено с использованием llama.cpp release b2440.

DevQuasar/moonshotai.Kimi-K2-Instruct-BF16 — это версия в формате BF16 модели moonshotai/Kimi-K2-Instruct, подготовленная DevQuasar и опубликованная для генерации текста. Модель предназначена для диалогового взаимодействия и выполнения инструкций в сценариях, где требуется создавать или продолжать текстовые ответы. Модель содержит 37,9 млрд параметров и поддерживает контекст длиной до 131 072 токенов. В метаданных она классифицирована как text-generation и conversational; формат BF16 может быть удобен для запуска на совместимом оборудовании с поддержкой этого типа чисел. Данные о поддерживаемых естественных языках, архитектуре, лицензии и специализированных областях применения в предоставленных источниках отсутствуют.

Ram934/mpnet-base-all-nli-triplet — англоязычная модель Sentence Transformers, дообученная автором на базе BAAI/bge-base-en-v1.5. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 768 и предназначена для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текста. В README также указано применение для анализа финансовых текстов, однако обучающий набор описан только как небольшой JSON-датасет из 27 примеров с парами anchor и positive. Архитектура основана на BERT: выходы токенов объединяются с использованием CLS-токена, затем векторы нормализуются. Модель принимает текст, поддерживает последовательности до 512 токенов и вычисляет сходство по косинусной мере. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. Небольшой объём обучающих данных ограничивает основания ожидать устойчивого улучшения качества или специализации для финансового домена. Модель рассчитана на английский язык; качество на других языках не подтверждено.

scroobiustrip/mpnet-direction-finetuned-v2 — англоязычная модель Sentence Transformers, дообученная разработчиком на базе sentence-transformers/all-mpnet-base-v2 для сопоставления предложений с учётом направления отношений. Она кодирует предложения и короткие абзацы в плотные векторы размерности 768, нормализованные для сравнения по косинусному сходству. Максимальная длина входа в метаданных — 514 токенов; карточка README указывает ограничение в 384 токена. Модель предназначена для семантического поиска, оценки сходства и поиска перефразировок. Также её можно применять для кластеризации текстов и классификации на основе эмбеддингов. В обучающих примерах встречаются запросы о международных денежных переводах с указанием стран отправления и назначения, поэтому модель настроена на различение направления таких операций. В README приведён результат cosine_accuracy 1.0 на all-nli-test, но подробностей о методике и диапазоне применимости недостаточно, чтобы считать его гарантией качества на других данных. Модель принимает текст и выдаёт векторы. Распространяется по лицензии Apache-2.0.

NetraEmbed — мультимодальная модель эмбеддингов для поиска по визуальным документам, разработанная Cognitive-Lab на основе Gemma 3 4B IT. BiEncoder кодирует изображение документа и текстовый запрос в плотные векторы, которые можно сравнивать по косинусному сходству для семантического и межъязыкового поиска. Модель поддерживает Matryoshka-представления размерностью 768, 1536 или 2560, выбираемой при инференсе. В README заявлена работа с 22 языками и оценка на наборах Nayana-IR Bench и ViDoRe v2. Для выполнения поиска векторные представления можно использовать с системами вроде FAISS, Milvus и Pinecone. Модель предназначена для поиска по визуальным документам и не является генеративным чат-ботом. Веса основаны на дообучении google/gemma-3-4b-it и распространяются по лицензии Gemma; применимость лицензии следует учитывать при использовании и распространении.

sentence-transformers/nli-bert-large-cls-pooling — модель семейства BERT, обученная командой Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 1024 для поиска по смыслу и кластеризации; также подходит для вычисления сходства предложений. Модель использует CLS-пулинг, имеет около 433,9 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Репозиторий содержит веса в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Модель устарела: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новые модели Sentence Transformers. Язык обучения и поддерживаемые естественные языки в предоставленных данных не указаны. Лицензия — Apache-2.0.

sentence-transformers/nli-roberta-large — модель для получения векторных представлений предложений и абзацев, обученная командой sentence-transformers. Она основана на RoBERTa с плотной архитектурой и содержит 454,1 млн параметров. Модель преобразует текст в эмбеддинги размерностью 1024; контекст ограничен 514 токенами. Эмбеддинги можно использовать для семантического поиска, сравнения сходства текстов и кластеризации. Модель принимает текст и выдаёт векторы, пригодные для поиска и группировки семантически близких фрагментов. В README модель помечена как устаревшая: авторы предупреждают о низком качестве эмбеддингов и рекомендуют выбрать более новую модель. Лицензия — Apache 2.0.

Amazon Nova Pro 1.0 — мультимодальная модель Amazon для широкого круга задач, сочетающая точность, скорость и экономичность. Каталог классифицирует её как модель image-text-to-text, то есть она предназначена для обработки изображений и текста с выдачей текстовых ответов. Доступная карточка не содержит сведений об архитектуре, размере, контекстном окне, языках или лицензии.

OLMo 2 32B Instruct — англоязычная открытая языковая модель Allen Institute for AI, выпущенная в марте 2025 года. Это плотная авторегрессионная модель семейства OLMo 2 с 31,7 млрд параметров, принимающая текст и генерирующая текст; длина контекста составляет 4096 токенов. Модель предназначена для диалогов и выполнения инструкций, а также для решения математических задач и оценки следования инструкциям. Модель дообучена на базе allenai/OLMo-2-0325-32B-DPO: после supervised fine-tuning и DPO она прошла дополнительное обучение RLVR. Карточка указывает на вариант набора Tülu 3, а метаданные связывают модель с датасетом RLVR-GSM-MATH-IF-Mixed-Constraints. Веса доступны в формате safetensors для Transformers. Лицензия — Apache 2.0. Сильные стороны модели — открытые веса и обучение для разнообразных задач, включая диалоги, математику и следование инструкциям. Безопасность обучена ограниченно: модель может выдавать проблемный контент, особенно при соответствующем запросе, а встроенная фильтрация ответов не предусмотрена.

LuffyTheFox/Ornith1.5-35B-A3B-Genesis-Hermes-GGUF — экспериментальная мультимодальная модель в формате GGUF, созданная на основе Ornith-1.5-35B-A3B от ornith-ai. В её основу также перенесены данные из Hermes-файнтюна DJLougen/hermes-qwen3.5-35b-a3b-GGUF, ориентированного на агентские сценарии и вызов функций. Релиз относится к проекту Genesis, автор которого заявляет о посттренировочной численной обработке весов без дополнительного обучения; эти заявления не подтверждены независимыми оценками в представленном описании. Модель предназначена для генерации текста и обработки изображений с текстовыми инструкциями, а также для диалогов, программирования, агентских задач и function calling. Заявлены поддержка английского и китайского языков, а также многоязычность. Архитектура — Mixture of Experts с общим размером около 35 млрд параметров и примерно 3 млрд активных параметров; точный размер контекста в README не указан. К потенциальным сильным сторонам относятся мультимодальность, MoE-архитектура и ориентация на следование инструкциям и агентские рабочие процессы. Модель экспериментальная, а заявленные улучшения стабильности, снижения шумов и качества не сопровождаются результатами бенчмарков, поэтому фактическую производительность следует проверять самостоятельно. Для запуска рекомендуется использовать совместимый GGUF-движок; README также содержит настройки для GPU-offload, MoE и KV-кэша. Указана лицензия MIT.

Модель zetasepic/Qwen2.5-72B-Instruct-abliterated — версия Qwen2.5-72B-Instruct, обработанная методом Abliterated с использованием кода из проекта refusal_direction. Это плотная языковая модель с 71,5 млрд параметров, предназначенная для диалогов и генерации текста; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает английский язык и имеет контекст длиной до 32 768 токенов. Модель создана на основе Qwen/Qwen2.5-72B-Instruct. В README упоминается техника Abliterated, но не приводится её подробное описание или оценка качества. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория и базовой модели.

richardyoung/Qwen2.5-7B-Instruct-heretic — это англоязычная чат-модель на базе Qwen2.5-7B-Instruct, изменённая методом abliteration с помощью Heretic v1.4.0 для снижения частоты отказов. В README сообщается о 3 отказах на 100 запросов против 99 у исходной модели; это результат указанной авторами оценки, а не гарантия поведения во всех сценариях. Модель использует плотную архитектуру Qwen2 с причинной генерацией текста и содержит около 7,1 млрд параметров. Метаданные каталога указывают контекст до 32 768 токенов и поддержку чата. Базовая карточка Qwen2.5 описывает мультиязычные возможности, однако метаданные этой модели отмечают английский язык; поэтому другие языки здесь не считаются подтверждённой специализацией. Модель подходит для диалогов и генерации текста с меньшим числом отказов, в том числе для ролевых сценариев и ответов на инструкции. Как и другие языковые модели, она может выдавать ошибочную или небезопасную информацию, а сниженная склонность к отказам означает, что для чувствительных применений нужны собственные меры контроля. Лицензия — Apache-2.0.

Qwen2.5-7B-Instruct-YS-V2 — дообученная yusikyang инструктивная языковая модель на архитектуре Qwen2, основанная на unsloth/Qwen2.5-7B-Instruct. В репозитории указано, что обучение проводилось с Unsloth и библиотекой Hugging Face TRL; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и генерации текста по инструкциям. Её можно использовать для ответов на вопросы, составления текстов и кода, а также выдачи структурированных ответов. Метаданные указывают на интерфейс диалога и tool calling, но карточка не описывает специализированные сценарии или качество этих возможностей. Указанный язык карточки — английский. Модель распространяется по лицензии Apache-2.0. README не приводит результатов оценки качества или подробностей о данных и целях дообучения, поэтому её преимущества относительно базовой модели не установлены.

Qwen3-4B-Instruct-2507-4bit-DWQ-2510 — это квантизированная 4-битная версия языковой модели Qwen3-4B-Instruct-2507 в формате MLX. Модель разработана сообществом mlx-community на основе исходной модели Qwen, созданной командой Qwen, и преобразована в формат MLX с использованием mlx-lm версии 0.28.2. Модель предназначена для генерации текста и диалоговых сценариев с применением инструкционного режима. Она подходит для использования через библиотеку mlx-lm, включая обработку сообщений в формате чата и генерацию ответов по текстовым подсказкам. Известны размер исходной модели — 4 миллиарда параметров — и 4-битное квантование DWQ, позволяющее уменьшить требования к хранению и вычислительным ресурсам по сравнению с полноразмерными вариантами. Модель работает с текстом; сведения о поддерживаемых языках, размере контекстного окна, архитектурных деталях, результатах тестирования и ограничениях качества в README не указаны. Для использования требуется библиотека mlx-lm и среда, совместимая с MLX. Модель распространяется по лицензии Apache 2.0.

Qwen3-4B-NEO-Imatrix-Max-GGUF — набор GGUF-квантизованных версий модели Qwen3-4B, опубликованный DavidAU на базе Qwen/Qwen3-4B. Модель предназначена для генерации текста, диалогов, задач, требующих рассуждений, а также творческих сценариев, включая создание историй и ролевое взаимодействие. Режим reasoning включён по умолчанию согласно описанию модели. Модель имеет около 4 миллиардов параметров и работает с текстом. Варианты используют квантизацию NEO Imatrix; для более низких уровней квантизации заявлен более заметный эффект Imatrix, а IQ4XS и IQ4NL названы оптимальным балансом качества и размера. Для повышения качества рассуждений рекомендуется использовать более высокие уровни квантизации. Вариант Q8_0 описан как максимально обработанный, но без эффекта Imatrix, а F16 соответствует полной точности. Заявленная длина контекста составляет 32K токенов плюс до 8K токенов генерации; также указана возможность расширения контекста до 128K. Сильными сторонами модели заявлены улучшенные рассуждения, генерация ответов и творческие возможности при сохранении преимуществ компактной 4B-модели. Ограничения связаны с компромиссом между размером, скоростью и качеством, характерным для квантизованных вариантов; конкретные поддерживаемые языки, результаты бенчмарков и системные требования в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

GabrieleConte/Qwen3.5-0.8B-LiteRT — конвертированная версия мультимодальной модели Qwen/Qwen3.5-0.8B, разработанной командой Qwen. Модель предназначена для локального запуска на устройствах с использованием LiteRT и LiteRT-LM, включая задачи понимания изображений и генерации текста по текстовым и визуальным входным данным. В комплект входят языковая модель, vision encoder, vision adapter и tokenizer. Языковая часть содержит около 752 млн параметров, vision encoder — около 675 млн, vision adapter — около 10 млн. Используется гибридная архитектура из 18 слоёв GatedDeltaNet и 6 слоёв Full Attention, а также 27-слойный Vision Transformer. Модель поддерживает мультимодальный ввод изображений, динамическую INT8-квантизацию и KV-кэш длиной 2048 токенов. Для предварительной обработки доступны фиксированные длины последовательностей 64, 128, 256 и 512 токенов, для изображений — варианты от 256 до 2304 патчей. Основной формат распространения — контейнер .litertlm. Сильными сторонами являются возможность on-device-инференса, интегрированный мультимодальный конвейер и уменьшенный объём вычислений благодаря INT8-квантизации. Ограничения включают отсутствие поддержки видео, возможные небольшие отличия качества из-за дополнения промптов до фиксированной длины и расхождения результатов с оригинальной реализацией Qwen3.5 из-за особенностей вычислений GatedDeltaNet. Модель распространяется по лицензии Apache 2.0, унаследованной от исходной модели.

bleysg/Qwen3.5-122B-A10B-int4-fp8-hybrid — гибридный квантованный чекпойнт модели Qwen3.5-122B-A10B, созданный на основе весов Intel/Qwen3.5-122B-A10B-int4-AutoRound и официального Qwen/Qwen3.5-122B-A10B-FP8. Модель предназначена для генерации текста и оптимизирована для запуска на NVIDIA DGX Spark с GB10, SM121 и 128 ГБ унифицированной памяти через vLLM, прежде всего для эффективного декодирования с ограниченной пропускной способностью памяти и поддержки speculative decoding. Маршрутизируемые эксперты и attention представлены в формате INT4 GPTQ/AutoRound, а 144 слоя общих экспертов, постоянно используемых при обработке каждого токена, преобразованы из BF16 в FP8 E4M3 с размером блока 128. Embeddings, norms и выходная голова сохранены от INT4-базы. По данным README, такая компоновка повышает скорость базового декодирования без speculative decoding на GB10 с 28,2 до 36,0 токена в секунду, или примерно на 28%, однако преимущество уменьшается при высокой доле принятых спекулятивных токенов. Для работы требуется специализированный проект qwen3.5-122B-A10B-on-spark, профиль dense и патч vLLM 0.23 с поддержкой смешанной схемы INT4/FP8; стандартная версия vLLM не умеет корректно загружать этот чекпойнт. В README не указаны языки, длина контекста и поддерживаемые модальности, поэтому модель следует рассматривать как текстовую. Производная работа наследует условия лицензирования исходной Qwen3.5-122B-A10B и Intel AutoRound; конкретные условия определяются лицензиями upstream-моделей.

MLX-версия мультимодальной модели Qwen3.5-35B-A3B-4bit, преобразованная сообществом mlx-community из оригинальной Qwen3.5-35B-A3B с помощью mlx-vlm 0.3.12. Модель предназначена для задач, в которых требуется обработка текста и изображений, включая генерацию текстовых ответов по изображениям. Она ориентирована на запуск в экосистеме MLX и может использоваться через пакет mlx-vlm. Из доступных данных известно, что модель имеет размер 35B-A3B и представлена в 4-битном формате, однако подробности архитектуры, поддерживаемые языки, размер контекстного окна и точные модальности не указаны. README демонстрирует сценарий описания изображения с генерацией до 100 токенов. Модель распространяется по лицензии Apache-2.0; для полного описания возможностей следует обратиться к карточке исходной модели Qwen/Qwen3.5-35B-A3B.

Карточка модели VasyaIT/Qwen3.5-9B-Claude-4.6-HighIQ-THINKING-HERETIC-UNCENSORED на Hugging Face совпадает с карточкой DavidAU/Qwen3.5-9B-Claude-4.6-HighIQ-THINKING-HERETIC-UNCENSORED, поэтому описание составлено по ней. DavidAU собрал эту мультимодальную модель на базе Qwen3.5-9B-heretic-v2: автор сообщает о дообучении через Unsloth на дистиллированном наборе рассуждений Claude 4.6. Модель принимает текст и изображения и генерирует текст; карточка заявляет поддержку vision и диалогового режима. В README указаны 9 млрд параметров, архитектура Qwen3.5 с языковой моделью и vision encoder, а также контекст 262 144 токена с возможностью расширения. Заявленная основная область применения — рассуждения, диалог и анализ изображений; автор также приводит результаты на нескольких тестах и сообщает о снижении отказов. README рекомендует квантизацию не ниже Q4_K_S или IQ3_S с imatrix. Видео не тестировалось. Указанные языки карточки — английский и китайский; более широкая языковая поддержка описана для исходной модели Qwen3.5, но отдельно для этого дообучения не подтверждена. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-9B-Kazakh — казахская адаптация мультимодальной модели Qwen3.5, подготовленная ISSAI. Модель дообучена на казахских текстах с расширением словаря на 16 тысяч казахских токенов, затем к ней перенесено инструкционное выравнивание официальной Qwen3.5-9B методом chat-vector merge. Для восстановления мультимодальности к языковой части подключены исходные энкодер изображений и мультимодальный проектор Qwen3.5-9B. Это плотная модель класса Qwen3_5ForConditionalGeneration с поддержкой чата и изображений; файлы опубликованы в формате Safetensors и доступны через Transformers. Лицензия — Apache-2.0. Модель предназначена для диалогов и ответов на вопросы на казахском и английском языках, а также для анализа изображений в чате. Расширенный токенизатор повышает эффективность работы с казахским текстом, а инструкционное выравнивание сохраняет стиль общения Qwen. По оценке авторов, модель слабее исходной на сложных задачах, требующих развёрнутого рассуждения, и показывает снижение качества на задачах компьютерного зрения, поскольку её отдельно не дообучали на визуальных задачах.

Qwen3.6-40B-Fable-Fusion-6-Core-Deckard-Eleanor-Heretic-Uncensored-NM-DAU-NEO-MAX-MTP-GGUF — крупная 40-миллиардная fine-tune-модель, разработанная DavidAU при участии Nightmedia, TeichAI и других авторов. Она создана на основе Qwen3.6 и объединяет несколько версий Fable Fusion, Deckard Qwen3.6 40B, многоэтапное дообучение и слияние моделей с использованием Unsloth. Модель распространяется в форматах GGUF, включая обычные и MTP-квантизации, с вариантами разрядности 4 и 8 бит. Модель предназначена для широкого спектра задач: следования инструкциям, решения задач и аналитического рассуждения, генерации кода, творческого письма, создания историй и roleplay. Заявлены улучшенные reasoning и thinking, автоматическая адаптация глубины рассуждений к сложности запроса, подробные ответы и сильные творческие возможности. В карточке также указана поддержка vision и языков English и Chinese, однако конкретные поддерживаемые визуальные форматы и параметры контекста не приведены. К сильным сторонам относятся многоэтапная настройка, акцент на общем интеллекте, instruction following, problem solving и качестве рассуждений, а также доступность квантизированных вариантов для потребительского оборудования. Модель описывается как uncensored и heretic, что может быть полезно для менее ограниченных сценариев, но одновременно означает потенциально более высокие риски нежелательного или небезопасного вывода. Заявления о превосходстве над другими моделями основаны на тестах авторов и не подтверждены независимой проверкой в предоставленных данных. Лицензия модели указана как Apache-2.0. README не содержит точных требований к аппаратному обеспечению, размера контекстного окна, подробных инструкций по запуску или результатов стандартизированных бенчмарков, поэтому эти характеристики нельзя определить по имеющейся информации.

Qwen3.8-27B-abliterated-GPTQ-Pro — это опубликованный groxaxo квантизованный чекпойнт на базе huihui-ai/Huihui-Qwen3.8-27B и Qwen/Qwen3.8-27B. Модель предназначена для генерации текста, разговорных сценариев, локального и размещённого инференса, открытых оценок и воспроизводимых экспериментов. Название указывает на lineage с изменённым или сниженным уровнем фильтрации, однако не гарантирует полностью неограниченное поведение. Модель использует формат GPTQ-Pro с симметричной 4-битной квантизацией, размером группы 64 и пресетом quality. Квантизации подвергнуты 400 линейных модулей в 64 слоях; MTP-голова сохранена без квантизации для speculative decoding. Указана архитектура с 48 слоями linear attention GDN и 16 слоями full attention, а также поддержка MTP. Для обслуживания рекомендуется vLLM с tensor parallelism; документация описывает конфигурацию на двух RTX 3090. В репозитории также заявлен контекст до 260 000 токенов, но фактические требования зависят от оборудования, размера KV-кэша и числа одновременных запросов. К сильным сторонам относятся сниженное потребление памяти по сравнению с полной точностью и ускорение генерации благодаря MTP: в тесте на двух RTX 3090 скорость одного потока выросла с 71,5 до 105,5 токена в секунду при greedy decoding. На одной RTX 3090 MTP-голова вместе с чекпойнтом не помещается; качество и производительность после квантизации необходимо проверять на собственных задачах. Модель может выдавать неточные или неподходящие результаты, а изменённое поведение и сниженная фильтрация требуют дополнительного тестирования и защитных мер. Лицензия — Apache-2.0. При использовании и распространении следует также проверить лицензионные условия исходных моделей и сохранять совместимые файлы конфигурации, токенизатора, процессора и весов одной ревизии.