I.3Извлечение и структурирование данных

Prima-LelantaclesV7-experimental-7b — объединённая языковая модель семейства Mistral, опубликованная ChaoticNeutrals. Она создана методом SLERP из моделей Nitral-AI/Prima-LelantaclesV6.69-7b и Nitral-AI/Prima-LelantaclesV6.31-7b. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и предназначена для генерации текста; её контекстное окно составляет 32 768 токенов. Модель может применяться для создания и продолжения текста, а также для задач рассуждения на основе текстового запроса. В README приведены результаты оценивания на отдельных тестах Open LLM Leaderboard. Доступны веса в формате safetensors. Репозиторий указывает лицензию «other», поэтому условия использования следует уточнять по карточке модели и её лицензии.

Q3.5-9B-DS-v4-Flash-DA-GGUF — набор GGUF-квантизаций экспериментальной reasoning-ориентированной модели, разработанной prithivMLmods на базе Qwen/Qwen3.5-9B. Модель создана с использованием многоэтапной дистилляции рассуждений DeepSeek V4, анализа направлений отказа и методов абляционного обучения. Доступны варианты от Q2_K до Q8_0, а также BF16 и F16; размер файлов составляет примерно от 3,83 до 17,9 ГБ. Для мультимодального режима предоставляются отдельные mmproj-файлы, однако конкретные поддерживаемые типы изображений и ограничения контекста в README не указаны. Модель предназначена для генерации текста, подробного контекстного рассуждения и следования инструкциям, а также может использоваться для исследовательских и учебных экспериментов с локальным запуском через llama.cpp или совместимые инструменты. Заявлена поддержка английского языка. Потенциальной особенностью является уменьшение внутренних механизмов отказа, поэтому модель может генерировать чувствительный или неограниченный контент; это одновременно ограничивает её пригодность для неконтролируемых прикладных сценариев. README также предупреждает о возможных артефактах и экспериментальном характере модели. Распространение указано по лицензии Apache-2.0.

lmstudio-community/Qwen3-32B-MLX-4bit — это 4-битная версия модели Qwen3-32B, разработанной Qwen и преобразованной сообществом lmstudio-community в формат MLX с использованием mlx-lm 0.24.0. Модель предназначена для генерации текста и запуска в экосистеме MLX; README не содержит сведений о конкретных прикладных сценариях, поддерживаемых языках, архитектуре, размере контекста или доступных модальностях помимо текста. Ключевая характеристика модели — 32B в названии и 4-битное квантование, что ориентировано на более эффективное использование памяти при локальном запуске, однако README не приводит измерений производительности, качества или требований к оборудованию. Использование предполагается через библиотеку mlx-lm с применением чат-шаблона токенизатора, если он доступен. Модель распространяется по лицензии Apache 2.0; ограничения и известные недостатки отдельно не указаны.

Qwen3-4B-Kimi2.5-Reasoning-Distilled-GGUF — языковая модель для генерации текста и структурированного рассуждения, разработанная khazarai. Она создана на основе Qwen3-4B-Thinking-2507 и дообучена методом дистилляции на данных, сгенерированных моделью Kimi-2.5-Thinking, с использованием Unsloth и QLoRA. Объём обучающего набора составляет 250 примеров и около 1,11 млн токенов. Модель предназначена для задач, требующих пошагового анализа, разбиения сложных проблем на этапы, самопроверки и подготовки подробных аналитических ответов. Она ориентирована на сочетание небольшого размера и сравнительно развитых возможностей рассуждения, поэтому может использоваться в сценариях локального запуска и приложениях, где важны умеренные требования к ресурсам. В метаданных указаны текстовая генерация и английский язык; сведения о поддерживаемой длине контекста и дополнительных модальностях отсутствуют. Модель распространяется в формате GGUF с вариантами BF16, Q8_0, Q6_K и Q4_K_M, различающимися размером, скоростью и качеством. Для Q4_K_M заявлен размер около 2,5 ГБ, для Q6_K — 3,3 ГБ, для Q8_0 — 4,2 ГБ, для BF16 — 8 ГБ. В README приведён результат 76,09 из 100 на khazarai/Multi-Domain-Reasoning-Benchmark, однако независимые результаты и подробная методика оценки не указаны. Ограничениями являются небольшой объём модели по сравнению с крупными системами и отсутствие данных о длине контекста, мультиязычности и типичных ошибках. Лицензия — Apache-2.0.

Это квантизированная в формате GGUF NVFP4 версия мультимодальной модели Qwen3.5-35B-A3B от Alibaba, подготовленная владельцем репозитория из весов BF16 с помощью llama.cpp. Модель содержит около 35 млрд параметров в общей сложности, из которых активируется около 3 млрд на токен, и поддерживает диалог и анализ изображений.

rodrigomt/Qwen3.5-4B-Uncensored-Aggressive — мультимодальная диалоговая модель на архитектуре Qwen3.5, опубликованная в виде весов safetensors для использования с Transformers, vLLM, SGLang и совместимыми средами. Это конверсия релиза Qwen3.5-4B-Uncensored-HauhauCS-Aggressive, созданного на базе Qwen/Qwen3.5-4B; в README вариант описан как агрессивный и с удалёнными отказами. Модель принимает текст и изображения, а архитектура и конфигурация репозитория также предусматривают обработку видео. Контекст составляет 262144 токена. Она предназначена для диалога и мультимодальных запросов; метаданные также отмечают интерфейс вызова инструментов. Репозиторий содержит веса в формате safetensors, преобразованные из GGUF. Для работы требуется достаточно свежая версия программного стека с поддержкой Qwen3.5. Лицензия в предоставленных источниках не указана.

hotdogs/Qwen3.8-27B-abliterated-AWQ-INT4 — языковая генеративная модель, разработанная hotdogs на основе Qwen/Qwen3.8-27B и подвергнутая обучению без дообучения с удалением направления отказов. Это квантованная версия hotdogs/Qwen3.8-27B-abliterated, предназначенная для диалоговых сценариев, генерации текста, исследовательского анализа механизмов отказа, red teaming и изучения влияния alignment-обучения. Модель не отказывает в запросах, поэтому её применение требует особой осторожности и соблюдения законодательства. Модель использует гибридную архитектуру Qwen3.8-27B с полноразмерным attention на части слоёв и Gated DeltaNet linear attention на других слоях. Основные компоненты квантованы в формат W4A16 с 4-битными весами и 16-битными активациями, группой 128 и симметричным квантованием; lm_head и 64 слоя linear_attn сохранены в BF16. Размер файлов составляет около 17,6 ГБ вместо примерно 52 ГБ у BF16-версии. Заявлены языки English, Chinese и Thai. В README указан максимальный размер контекста 32768 токенов для запуска через vLLM. Сильные стороны модели — существенно сниженное потребление памяти, сохранение abliteration после квантования и близкая к базовой производительность на приведённых тестах: для BF16-версии MMLU составляет 0,8342, GSM8K — 0,59, ARC-Challenge — 0,4533. INT4-версия рассчитана на запуск через vLLM с Marlin и обычно требует двух GPU с 24 ГБ памяти; на одной карте с 24 ГБ доступ к KV-кэшу будет ограничен, а GPU с 48 ГБ подходит для запуска с tensor parallelism 1. Точные результаты INT4-версии могут немного отличаться от результатов BF16-модели. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

mlasli/Qwen3.8-27B-Heretic-Abliterated-MLX-8bit — текстовая 8-битная MLX-квантизация модели Qwen/Qwen3.8-27B, разработанная mlasli. Это версия v2.1.0 с изменённым выравниванием, ориентированная на более прямые ответы и сниженное количество отказов. Модель предназначена для генерации текста, диалогов, ролевых сценариев и других задач локального inference на устройствах Apple Silicon через mlx-lm. В карточке указан английский язык; сведения о размере контекста отсутствуют. Модель содержит около 27 млрд параметров, занимает примерно 28,6 ГБ и использует групповую 8-битную квантизацию с размером группы 64. Репозиторий содержит только языковую часть модели: vision tower удалён, поэтому обработка изображений не поддерживается. MTP-голова также не сохраняется, из-за чего inference выполняется одной головой и может быть медленнее сборок с поддержкой speculative decoding. Сильной стороной является близкое к исходной BF16-версии качество при существенно меньшем размере, а также высокая доля прямых ответов: в приведённом тесте thinking-OFF модель дала 90% прямых ответов на вредоносные запросы и 100% на безвредные. При включённом thinking поведение менее стабильно: возрастает доля уклончивых и пустых ответов. Abliteration удаляет защитное выравнивание, поэтому модель требует ответственного применения. Распространяется по лицензии Apache-2.0.

lmstudio-community/Qwen3.8-27B-MLX-8bit — 8-битная квантованная версия мультимодальной модели Qwen3.8-27B, разработанной командой Qwen. Квантование в формате MLX подготовила команда LM Studio с использованием mlx_vlm; модель оптимизирована для запуска на устройствах Apple Silicon. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Ключевые параметры исходной архитектуры Qwen3.8-27B, включая точный размер контекста, поддерживаемые языки и другие характеристики, в предоставленной карточке не указаны. Квантование снижает требования к памяти и может упростить локальный запуск на совместимых устройствах, однако потенциально сопровождается потерей точности по сравнению с исходной моделью. Лицензия модели — Apache-2.0.

Mantisec выпустил FP16-представление модели Qwen3.8-27B-OBLITERATED, преобразованное из OBLITERATUS/Qwen3.8-27B-OBLITERATED. Это плотная мультимодальная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для диалогового взаимодействия и обработки изображений с текстом. Версия рассчитана на инференс и дообучение на видеокартах NVIDIA V100, где FP16 подходит для тензорных ядер Volta. Веса переведены из BF16 в FP16 со стратегией проверки диапазона: значения, не представимые в конечном диапазоне FP16, отклоняются, а не обрезаются. README сообщает об успешной проверке генерацией и полном совпадении токенов с исходной моделью в этой проверке, при небольшом расхождении логитов. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Условия лицензии в предоставленных данных не описаны.

Qwen3.8-2B — компактная языковая модель, разработанная Empero на основе Qwen3.5-2B. Это полное дообучение с дистилляцией: модель обучена на примерно 30 тысячах отобранных трасс рассуждений более крупной модели Qwen3.8, охватывающих математику, общие рассуждения и следование инструкциям. Модель содержит около 2 млрд параметров и поддерживает контекст до 262 144 токенов. Модель предназначена для генерации ответов и диалогов, решения математических задач и рассуждений, в том числе на периферийных устройствах. Поддерживает интерфейс вызова инструментов по спецификации Qwen3.5. Для инференса подходят Transformers, vLLM и SGLang с поддержкой архитектуры Qwen3.5; для ускоренной работы требуются совместимые CUDA-ядра Gated DeltaNet. Обучение было текстовым; возможности работы с изображениями унаследованы от мультимодальной базовой модели, но не оценивались. По опубликованным тестам модель улучшила результаты базовой Qwen3.5-2B на GSM8K и MMLU, однако небольшой размер ограничивает фактические знания и решение особенно сложных многошаговых задач. При длинной генерации жадное декодирование может приводить к повторениям. Весы доступны по лицензии Apache-2.0; разработчик публикует их для исследований и экспериментов без гарантий.

amd/Qwen3.8-Flash-Next-Quark-MXFP4 — оптимизированная и квантованная версия Qwen3.8-Flash-Next, подготовленная Advanced Micro Devices (AMD) с использованием AMD-Quark. Модель предназначена для генерации текста на основе текстовых, изображений и видео входных данных и работает через Transformers и vLLM. В карточке указана поддержка английского языка. Модель использует архитектуру Qwen4ExpForConditionalGeneration с MoE-компонентами. Все веса и активации экспертов MoE, включая shared expert, квантованы в OCP MXFP4; механизмы внимания, vision tower, роутеры и другие перечисленные компоненты сохранены в формате bfloat16. Модель рассчитана на аппаратные платформы AMD MI350 и MI355, Linux, ROCm 7.2.3 и PyTorch 2.12.0. Размер модели и объём контекстного окна в README не указаны. Ключевое преимущество — снижение требований к вычислениям и памяти при сохранении близкой к исходной точности: на GSM8K модель получила 96,5 против 96,8 у базовой версии, что соответствует восстановлению 99,7% результата. Ограничения включают зависимость от специализированного оборудования AMD и указанного программного стека, а также отсутствие данных о качестве на других задачах и языках. Лицензия обозначена как other; для модификаций указано авторское право Advanced Micro Devices, Inc. за 2026 год, подробные условия приведены в файле LICENSE.

TheDrainFlorist/Qwen3.8-Flash-Next-VQ-4.4bpw — это векторно-квантизированная сборка базовой модели Qwen/Qwen3.8-Flash-Next, разработанной командой Qwen. Сборка создана с использованием VQLab для работы на компьютерах Apple Silicon и распространяется как checkpoint для экосистемы MLX. Общий размер модели составляет около 94,1 GiB; базовая MoE-модель имеет 180 млрд параметров, из которых активны 10 экспертов из 512, а также включает 51,2 млрд параметров n-gram PLE и поддержку зрения. Модель предназначена для генерации текста и обработки изображений на устройствах Apple Silicon через mlx-lm и mlx-vlm, а также для распределённого запуска через exo. Она поддерживает английский язык; контекст и точные характеристики модальностей в README не указаны. В квантизации используются векторные кодовые книги, а отдельные высокозначимые слои имеют повышенную точность. Заявлены оптимизации MLX-ядер, снижение пикового потребления памяти при обработке длинных запросов и сохранение качества вывода относительно предыдущего runtime. Основные ограничения связаны с требованиями к программному окружению: необходима архитектура qwen4_exp, отсутствующая в выпущенных версиях mlx-lm на момент описания, поэтому требуется версия из указанного pull request. Для изображений нужен mlx-vlm версии 0.6.16 или новее. Модель рассчитана на мощные устройства с большим объёмом памяти; распределённая работа через exo требует специальной ветки. Лицензия указана как qwen-community-1.0; условия следует уточнять в файле LICENSE.

Intel/Qwen3.8-Flash-Next-W4A16-AutoRound — это INT4-квантизированная версия модели Qwen3.8-Flash-Next, разработанная с помощью инструмента Intel AutoRound в режиме Tuning. В карточке указано назначение image-text-to-text, поэтому модель рассчитана на обработку текстово-визуальных запросов и генерацию текста, однако подробные характеристики базовой модели, включая число параметров, размер контекста и поддерживаемые языки, не приведены. Модель использует схему квантизации W4A16: веса представлены в формате INT4, а активации — в формате FP16. Квантизация призвана снизить требования к памяти и ресурсам по сравнению с конфигурацией BF16. На указанных тестах INT4-версия получила средний результат 0,8332 против 0,8362 у BF16, то есть сохранила 99,64% относительного качества; приведены результаты для GSM8K, MMLU, PIQA и HelleSwag. Модель может быть полезна для ресурсоограниченного развёртывания задач генерации текста и мультимодального взаимодействия. Как и базовая модель, она может выдавать фактически неверные, предвзятые, оскорбительные или иным образом нежелательные ответы, поэтому перед использованием требуется проверка безопасности. Лицензия указана как qwen-community-1.0; необходимо также соблюдать лицензионные условия оригинальной модели Qwen3.8-Flash-Next. README рекомендует получить юридическую консультацию перед коммерческим использованием.

Qwen-AgentWorld-35B-A3B-GGUF — мультимодальная vision-language model для понимания изображений и текста, основанная на Qwen-AgentWorld-35B-A3B. Исходную модель разработала команда Qwen, а представленные GGUF-квантизации подготовлены пользователем или организацией Dhptl с помощью quant-kit 24 июня 2026 года. Модель ориентирована на агентские сценарии, симуляцию окружения, анализ изображений, диалоговое взаимодействие и генерацию текста. Архитектура состоит из текстовой основы и отдельного vision encoder в формате mmproj. Доступны варианты квантизации от Q2_K до Q8_0; рекомендуемым считается Q4_K_M как компромисс между качеством и требованиями к памяти. Для работы с изображениями обязательно нужны два файла: GGUF-файл текстовой основы и mmproj-файл vision encoder в формате F16. Поддерживаются текстовая и визуальная модальности, заявлен английский язык. Размер исходной модели обозначен как 35B-A3B, однако README не указывает контекстное окно. Сильной стороной модели является локальный запуск через llama.cpp, LM Studio, Jan, Ollama и совместимые инструменты, а также возможность обработки изображений. Качество и требования к памяти зависят от выбранной квантизации: более компактные варианты заметно теряют в качестве, тогда как Q6_K и Q8_0 требуют значительно больше оперативной памяти. Для визуального ввода необходим отдельный vision encoder, а README не содержит подробных результатов бенчмарков или ограничений по применению. Модель распространяется по лицензии Apache-2.0.

Модель kelompoknlp2026dsindo/retriever_260511070554_FINAL — энкодер предложений на архитектуре BERT, дообученный разработчиком на базе sentence-transformers/all-MiniLM-L6-v2 для поиска по тексту. Она преобразует предложения и абзацы в нормализованные плотные векторы размерности 384; для сравнения векторов используется косинусное сходство. Обучение проводилось на примерах пар «запрос — релевантный документ» с MultipleNegativesRankingLoss. Модель подходит для семантического поиска и извлечения подходящих документов по запросу. В README приведены результаты оценки на наборе dev: cosine_accuracy@1 — 0,2389, @3 — 0,469 и @5 — 0,5752. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; README задаёт максимальную длину последовательности 256 токенов, поэтому при использовании следует учитывать более короткое ограничение Sentence Transformers. Модель принимает и выдаёт текстовые представления в виде векторов. Данные не подтверждают поддержку русского языка или наличие специализированного предметного домена. Лицензия в предоставленных источниках не указана.

Ruri-Small — модель эмбеддингов японского текста, разработанная cl-nagoya для представления предложений и текстовых фрагментов в виде векторов. Это Sentence Transformer на базе cl-nagoya/ruri-pt-small; модель дообучена для задач сходства предложений. Она выдаёт векторы размерности 768, а сходство между ними можно оценивать косинусной близостью. Модель предназначена для поиска и сопоставления японских текстов, оценки семантического сходства, ранжирования результатов, классификации и кластеризации. Максимальная длина входной последовательности — 512 токенов. В оценке JMTEB Ruri-Small показала средний результат 71,53. Модель работает с японским языком и распространяется по лицензии Apache 2.0. README рекомендует для новых проектов более поздние модели семейства Ruri v3.

masahiroid/ruri-v3-reranker-310m-mlx — неофициальная конверсия японского реранкера Ruri, разработанного проектом Ruri при Nagoya University / cl-nagoya. Модель основана на ModernBERT и предназначена для оценки релевантности пар текстов и сортировки кандидатов в поиске и RAG. Конверсия позволяет запускать её нативно на Apple Silicon через пакет mlx-embeddings. Модель содержит 314,6 млн параметров, использует точность bfloat16 без квантизации и поддерживает контекст до 8192 токенов. Карточка указывает японский и английский языки. Репозиторий распространяется по лицензии Apache-2.0; это неофициальная версия сообщества, а не выпуск команды cl-nagoya.

SauerkrautLM-Multi-ModernColBERT — многоязычная модель поиска VAGOsolutions на архитектуре ColBERT с поздним взаимодействием и основой ModernBERT. Она дообучена продолжительным предобучением модели lightonai/GTE-ModernColBERT-v1 с дистилляцией знаний от моделей переранжирования. Модель содержит 149 млн параметров, использует PyLate и принимает документы длиной до 8192 токенов и запросы до 256 токенов. Модель предназначена для семантического поиска и извлечения документов, включая поиск по многоязычным коллекциям и запросы на разных европейских языках. Она обучалась на семи языках: немецком, английском, испанском, французском, итальянском, нидерландском и португальском. ColBERT сопоставляет запрос и документ на уровне токенов с помощью MaxSim и формирует многовекторные представления для ранжирования релевантности. В README приведены результаты NanoBEIR Europe и заявлено сохранение сильных результатов английской базовой модели при расширении поддержки европейских языков. Лицензия — Apache 2.0. Показатели в карточке относятся к указанному бенчмарку и сами по себе не гарантируют качество на других коллекциях; для работы требуется совместимый стек PyLate или text-embeddings-inference.

NetworkIsLife/SciBert_sentence_transformer — учебное зеркало модели S-SciBERT, созданное для курса по тематическому моделированию на основе трансформеров в R. Это неизменённая копия весов и токенизатора pritamdeka/S-Scibert-snli-multinli-stsb в форматах PyTorch и safetensors; исходная модель SciBERT дообучена в Sentence Transformers на SNLI, MultiNLI и STS-B для сопоставления предложений. Архитектура — BERT с mean pooling, размер модели по метаданным — 137,1 млн параметров, размерность эмбеддинга — 768, контекст — до 512 токенов. Модель превращает английские предложения и абзацы, в том числе научные тексты, в плотные векторы для семантического поиска, кластеризации и тематического моделирования. Её научная лексика полезна для биомедицины, химии, информатики и машинного обучения; для обработки издан репозиторий в safetensors, чтобы упростить загрузку на CPU и использование из R. Качество на длинных документах может снижаться: модель обучалась на последовательностях длиной 75 токенов, поэтому полные статьи лучше разбивать на фрагменты. Для обычных веб-текстов может подойти лучше универсальная модель эмбеддингов. Лицензия — Apache-2.0.

SigLIP 2 Base Patch16-256 — визуальный энкодер, разработанный Google. Модель обучена на наборе WebLI по унифицированной схеме предобучения SigLIP 2; в репозитории доступны веса Safetensors для Transformers. Размер изображения на входе — 256 пикселей, патч — 16 пикселей. Модель предназначена для классификации изображений по пользовательским текстовым меткам и поиска соответствий между изображениями и текстом. Её также можно использовать как визуальный энкодер для VLM и других задач компьютерного зрения. Лицензия — Apache-2.0. README описывает улучшенное семантическое понимание, локализацию и плотные визуальные признаки как цели SigLIP 2. В карточке нет сведений о поддерживаемых естественных языках или длине контекста. Для классификации необходимо передавать изображение и варианты меток; сама модель не является диалоговой генеративной VLM.

zeromodels представляет конверсию SigLIP Base Patch16 512 в формате Keras 3 для классификации изображений по текстовым описаниям без дополнительного обучения на заданных классах. Модель использует архитектуру двойного энкодера для изображений и текста и обучалась с попарной sigmoid-функцией потерь. Веса основаны на google/siglip-base-patch16-512; одна реализация поддерживает TensorFlow, PyTorch и JAX. Модель принимает изображения и текстовые запросы-промпты, сопоставляет их и позволяет выбирать подходящие описания для изображения. Это подходит для классификации по пользовательскому набору категорий и поиска соответствий между изображениями и текстом. Размер изображения и токенизатор следует согласовывать с вариантом модели через совместимый процессор. Лицензия — Apache 2.0.

bartowski/Skywork-o1-Open-Llama-3.1-8B-GGUF — это набор GGUF-квантизованных версий языковой модели Skywork-o1-Open-Llama-3.1-8B, разработанной командой Skywork и преобразованной bartowski с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая LM Studio. В набор входят варианты с разными уровнями квантизации: от исходных весов f16 размером около 16 ГБ до компактных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и IQ. Это позволяет выбирать баланс между качеством ответов, потреблением памяти и скоростью инференса; варианты Q6 и Q5 заявлены как высококачественные, а Q4_K_M — как подходящий по размеру вариант для большинства сценариев. Некоторые файлы оптимизированы для ARM или AVX, при этом отдельные варианты имеют ограничения по аппаратной совместимости. Модель относится к текстовым генеративным моделям с архитектурой и языковыми возможностями базовой Skywork-o1-Open-Llama-3.1-8B, однако подробные сведения о поддерживаемых языках, размере контекста и точной архитектуре в представленном README не указаны. Квантизация уменьшает требования к памяти, но может снижать качество по сравнению с f16; степень снижения зависит от выбранного формата. В метаданных указана лицензия other, без уточнения конкретных условий, поэтому перед использованием следует ознакомиться с лицензией исходной модели Skywork.

SlimHercules-4.0-Mistral-7B-v0.2-imatrix-GGUF — набор квантованных версий модели SlimHercules-4.0-Mistral-7B-v0.2, опубликованной Locutusque. Модель предназначена для генерации текста и использует формат GGUF с imatrix-квантизацией, что делает её пригодной для локального запуска в совместимых инструментах вывода. В карточке также указан тег Mistral-7B, однако подробности об архитектуре и точном размере представлены только в идентификаторе модели. Модель обучалась на формате промптов OpenAI ChatML и поддерживает сценарии, связанные с function calling: в шаблоне предусмотрены отдельные сообщения для системных инструкций, пользователя, вызова функции и ответа функции. Указан английский язык и задача text-generation. Сведения о размере контекста, конкретных вариантах квантования, производительности, мультимодальности и ограничениях отсутствуют. Лицензия обозначена как other, без дополнительных условий в README.

jaspionjader/sof-13 — объединённая предобученная языковая модель, созданная методом Model Stock с помощью mergekit. В качестве базовой модели использована jaspionjader/sof-10, также в объединение вошли jaspionjader/sof-11 и jaspionjader/sof-12. Модель построена на плотной архитектуре Llama и содержит 7,5 млрд параметров. Она предназначена для генерации текста и диалогов, поддерживает контекст до 131 072 токенов и работает с текстовым вводом и выводом. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Карточка не описывает специальные предметные области, языковое покрытие или сравнительные преимущества модели. Лицензия в предоставленных данных не указана.

Это чат-модель MaziyarPanahi, полученная слиянием Mistral-7B-Instruct-v0.1 и speechless-mistral-dolphin-orca-platypus-samantha-7b-dare-0.85 методом SLERP. Она предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст; карточка указывает формат safetensors и лицензию Apache-2.0. README описывает смешивание весов в bfloat16 с отдельными параметрами для слоёв self-attention и MLP. Данные карточки не задают конкретные языки или специализированные области применения.

Это англоязычный разреженный энкодер SPLADE, разработанный авторами репозитория tomaarsen и дообученный на основе Luyu/co-condenser-marco с помощью Sentence Transformers. Модель кодирует предложения и абзацы в разреженные векторы размерности 30 522; для оценки близости используется скалярное произведение. Архитектура построена на BERT с маскированным языковым моделированием и пуллингом SPLADE. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и разреженного извлечения документов: она преобразует запросы и тексты в представления, пригодные для ранжирования по релевантности. В карточке приведены результаты оценки на небольших наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR. Модель принимает текст и выдаёт векторные представления. Распространяется по лицензии Apache-2.0.

StrangeMerges_53-7B-model_stock — языковая модель, созданная Gille с помощью LazyMergekit путём слияния пяти моделей семейства Mistral. В репозитории указаны метод слияния model_stock и формат весов bfloat16; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и может использоваться для диалогов, ответов на вопросы, написания и продолжения текстов, а также рассуждений. В README приведены результаты Open LLM Leaderboard: средняя оценка 76,07, включая 72,78 на AI2 Reasoning Challenge и 88,46 на HellaSwag. Репозиторий распространяется по лицензии Apache-2.0. Данные не устанавливают конкретный основной язык или специализированную предметную область; качество на отдельных задачах может отличаться, а результаты бенчмарков не гарантируют качество в прикладных сценариях.

Stylizer-V2-LLaMa-70B — объединённая языковая модель на архитектуре Llama, созданная автором репозитория с помощью mergekit и метода SCE. Основой слияния послужила huihui-ai/Llama-3.3-70B-Instruct-abliterated; также объединены модели Nemotron, Euryale, Hermes и Negative LLAMA. Модель содержит 69,5 млрд параметров и рассчитана на генерацию текста и диалоги. Метаданные указывают контекст длиной до 131072 токенов и библиотеку Transformers. Модель принимает текст и выдаёт текст; карточка не описывает более узкую специализацию или гарантированные преимущества по сравнению с исходными моделями. В репозитории указаны веса в формате safetensors. Лицензия в предоставленных данных не указана.

Swift-Qwen3.8-27B-Genesis-GGUF — мультимодальная модель для диалогов и понимания изображений и видео, созданная LuffyTheFox на основе ukisai/Swift-Qwen3.8-27b. Автор применил к GGUF-весам метод Genesis: численную обработку тензоров без переобучения. В README заявлена плотная причинно-языковая архитектура на 27 млрд параметров с визуальным энкодером, 64 слоями языковой модели, 48 слоями Gated DeltaNet и 16 слоями gated attention. Модель предназначена для диалоговых запросов, работы с изображениями и видео, а также других задач мультимодального понимания. Она принимает текст и изображения; README также заявляет понимание видео. Нативное контекстное окно составляет 262 144 токена, с возможностью расширения до 1 000 000 токенов при настройке совместимого фреймворка. Доступны файлы GGUF, включая вариант F16; запуск предусмотрен в llama.cpp, LM Studio и koboldcpp. Карточка заявляет снижение шума в весах и повышение стабильности, но не приводит независимых сравнительных оценок этих эффектов. Метаданные указывают английский и китайский языки, а также мультиязычную поддержку. Лицензия — Apache-2.0.