I.3Извлечение и структурирование данных

Это набор GGUF-квантизованных файлов модели huihui-ai/Qwen2.5-14B-Instruct-abliterated, подготовленный featherless-ai-quants. Модель предназначена для генерации текста и выполнения инструкций, включая диалоговые и прикладные сценарии, совместимые с базовой instruct-моделью Qwen2.5. Формат GGUF ориентирован на локальный запуск и использование в совместимых средах инференса. Модель имеет размер 14B параметров и поддерживает только текстовую модальность. В набор входят варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0; их размеры составляют примерно от 5,5 до 15 ГБ. Квантизация позволяет выбирать компромисс между требованиями к памяти, скоростью работы и сохранением качества, однако README не содержит сведений о языках, размере контекста, архитектурных деталях, результатах тестирования или сравнительных преимуществах. Лицензия в README не указана, поэтому условия использования необходимо уточнять по лицензии базовой модели и репозитория. Также не приведены отдельные сведения об ограничениях, безопасности и качестве варианта abliterated; перед применением в критичных сценариях модель следует самостоятельно протестировать.

IndicConformer — модель автоматического распознавания речи на хинди, разработанная AI4Bharat. Она принимает монофоническое аудио WAV с частотой дискретизации 16 кГц и возвращает распознанную речь в виде текста. Модель построена на архитектуре Conformer-Large: энкодер содержит 17 блоков и около 120 млн параметров, а декодер использует гибридный подход CTC-RNNT. Для инференса предусмотрен выбор CTC- или RNNT-декодера. Модель работает на хинди и распространяется по лицензии MIT; для работы используется библиотека AI4Bharat NeMo.

Японская модель автоматического распознавания речи Reazon Research на архитектуре wav2vec 2.0 Large, дообученная на крупномасштабном корпусе ReazonSpeech v2.0. Она преобразует японскую речь в текст и подходит для расшифровки коротких записей и длинных аудиоматериалов. В README приведены результаты по метрике CER: среднее значение составило 16,25% на указанных тестовых наборах, а на JSUT-BOOK для длинной речи — 30,98%. Метаданные указывают класс Wav2Vec2ForCTC, около 405,7 млн параметров и поддержку Transformers. Модель принимает аудио и выдаёт текст; заявленный язык — японский. Распространяется по лицензии Apache-2.0.

Jet-Nemotron-4B — плотная причинно-языковая модель с 3,1 млрд параметров из семейства Jet-Nemotron. По карточке модели, семейство разработано с применением метода post-training Neural Architecture Search и использует JetBlock — блок линейного внимания, образуя гибридную архитектуру. Модель предназначена для генерации текста и диалогового взаимодействия; поддерживает контекст до 32 768 токенов и рассчитана на английский язык. Разработчики заявляют о высокой пропускной способности генерации и приводят сравнительные результаты на общих языковых бенчмарках, включая MMLU, MMLU-pro и BBH. Для работы указаны Transformers и требования к ряду дополнительных библиотек; в репозитории веса представлены в формате safetensors. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией в карточке модели.

jina-clip-v1 — англоязычная мультимодальная модель эмбеддингов Jina AI на архитектуре CLIP. Она преобразует текст и изображения в векторы общего пространства, пригодные для поиска и сравнения по сходству. Модель рассчитана на текстовый поиск, поиск изображений по текстовому запросу, поиск текста по изображению и текстовый семантический поиск. Модель подходит для мультимодальных систем поиска и RAG, где нужно искать текст и изображения с помощью одной модели. В карточке приведены результаты сравнений на задачах Flickr и MSCOCO для поиска между изображениями и текстом, а также на текстовых наборах STS и BEIR. Для объединения текстовых и межмодальных оценок сходства авторы рекомендуют взвешенное усреднение либо нормализацию z-оценкой, поскольку значения текстового сходства обычно выше. Модель распространяется под лицензией Apache-2.0. В карточке не указаны число параметров и длина контекста; для использования описаны варианты через API Jina AI или библиотеки Transformers и Sentence Transformers.

pjh6818 выпустил Sentence Transformers модель на основе klue/roberta-base, дообученную для сопоставления предложений. Архитектура включает RoBERTa и mean pooling; модель преобразует текст в плотные векторы размерности 768, а сходство оценивается косинусной мерой. Размер модели — 137,8 млн параметров, максимальная длина последовательности — 512 токенов по README и 514 токенов в метаданных. Модель предназначена прежде всего для оценки семантического сходства корейских текстов. Её также можно применять для семантического поиска, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Базовая модель klue/roberta-base предварительно обучена для понимания корейского текста. В README приведены результаты оценки сходства, но они зависят от набора данных и не гарантируют такое же качество в других сценариях. Лицензия в предоставленных данных не указана.

nineninesix разработал мультиязычную модель распознавания речи на основе OpenAI Whisper Medium и дообучил её для поддержки кыргызского языка. Модель принимает аудио и преобразует речь в текст; заявлена поддержка кыргызского, английского и русского языков. Она содержит около 455,8 млн параметров, использует архитектуру Whisper и доступна в формате Safetensors для Transformers. Для кыргызской транскрипции требуется пользовательский токенизатор из репозитория модели. Модель предназначена для расшифровки кыргызских медиа, образовательных материалов и звонков, в том числе в сценариях переключения между языками. В README описано обучение примерно на 2 000 часах кыргызского аудио и смеси английских и русских данных; на FLEURS сообщается о практических значениях WER около 0,2–0,4 для кыргызского. Это заявленные результаты карточки, а не независимая оценка. Лицензия — Apache-2.0. Качество распознавания английского и русского может быть ниже, чем у исходной Whisper Medium; на чистых тестовых данных возможен повышенный WER из-за обучения на шумном аудио. Для других языков пригодность не заявлена, а для специализированных предметных областей может потребоваться дообучение.

Redis LangCache Embed v3 Mini — англоязычный BiEncoder на базе Sentence Transformers, дообученный Redis от sentence-transformers/all-MiniLM-L6-v2 для семантического кэширования и поиска похожих запросов. Модель кодирует предложения и абзацы в плотные векторы размерности 384, нормализует их и сравнивает с помощью косинусного сходства. Архитектура включает BERT-энкодер с mean pooling; библиотека — Sentence Transformers. Модель подходит для поиска семантически близких запросов, оценки сходства пар предложений и повторного использования кэшированных ответов в LangCache. Метаданные указывают контекст до 512 токенов, а карточка модели — максимальную длину последовательности 128 токенов. Лицензия — Apache-2.0. В README приведены результаты оценки на наборе с названием «test», но данных недостаточно, чтобы судить о качестве на других наборах и сценариях.

LFM2-2.6B-Uncensored-X64 — разговорная версия языковой модели LiquidAI/LFM2-2.6B, опубликованная Justbackup. Это плотная авторегрессионная модель семейства LFM2 с примерно 2,4 млрд параметров, доступная в формате safetensors и рассчитанная на контекст до 128 000 токенов. Модель предназначена для генерации текста и диалогов; карточка называет её uncensored-версией базовой модели и приводит результаты нескольких тестов на общие знания и рассуждение. Её можно использовать для ответов на вопросы, диалоговых ассистентов и работы с длинными текстовыми запросами. README показывает формат чата, совместимый с использованием в Transformers. В карточке указана лицензия Apache-2.0. Модель не следует считать проверенной для задач с высокими требованиями к точности: опубликованные тесты ограничены несколькими бенчмарками, а результаты могут зависеть от точности вычислений и конфигурации запуска.

LFM2.5-1.2B-Instruct-MLX-6bit — это 6-битная квантованная версия языковой модели LFM2.5-1.2B-Instruct, разработанной LiquidAI. Модель предназначена для генерации текста и выполнения инструкций, включая локальные сценарии использования на устройствах Apple Silicon. Квантование в формате MLX выполнено командой LM Studio с использованием инструментария mlx_lm. Модель содержит около 1,2 млрд параметров и поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Ключевая особенность — оптимизация под Apple Silicon и сниженное потребление памяти благодаря 6-битному представлению, что делает её подходящей для запуска на периферийных устройствах и персональных компьютерах. Архитектура, размер контекста, мультимодальные возможности, результаты тестирования и конкретные ограничения качества в README не указаны; модель следует рассматривать как текстовую, без подтверждённой поддержки других модальностей. Лицензия обозначена как lfm1.0; применяются условия, указанные в файле LICENSE.

QuantFactory/Llama-3.2-3B-Instruct-GGUF — инструкционная языковая модель семейства Llama 3.2, подготовленная QuantFactory и основанная на модели Meta. Это текстовая модель для генерации текста и диалоговых сценариев, включая ответы на инструкции, при этом конкретные прикладные задачи и параметры инференса в представленном README не описаны. Модель имеет размер 3B параметров согласно идентификатору и распространяется в формате GGUF, предназначенном для локального запуска совместимыми средствами. Заявлена поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Архитектурные детали, размер контекстного окна, точный вариант квантования и сведения о мультимодальности не указаны; по имеющимся данным модель относится к текстовым, а не мультимодальным системам. К сильным сторонам относятся компактный размер и формат GGUF, потенциально удобные для локального использования с ограниченными вычислительными ресурсами, а также инструкционная настройка. Ограничения включают неизвестные характеристики квантования, контекста и качества на отдельных языках и задачах; результаты могут зависеть от используемого рантайма и настроек генерации. Модель распространяется по лицензии Llama 3.2 Community License от Meta. При распространении материалов или производных продуктов необходимо соблюдать условия лицензии, включая предоставление текста соглашения, указание «Built with Llama», требования к атрибуции, допустимому использованию и коммерческое ограничение для продуктов с более чем 700 миллионами месячных активных пользователей.

Это языковая модель для генерации текста, представленная сообществом mlx-community. Она конвертирована в формат MLX из модели DavidAU/L3.2-8X4B-MOE-V2-Dark-Champion-Inst-21B-uncen-ablit с использованием mlx-lm версии 0.25.2 и предназначена для запуска через экосистему MLX. Модель относится к семейству Llama 3.2 и использует архитектуру mixture of experts с 8 экспертами, каждый из которых имеет размер 4B; общий заявленный размер составляет 21B параметров. В карточке также указаны контекст до 128k токенов, режим instruct, формат квантования Q_6 и поддержка текстовой генерации. Языки и мультимодальные возможности явно не указаны. Основные сценарии применения — диалоговая генерация и выполнение инструкций, включая запуск локально на совместимом оборудовании Apple через MLX. К сильным сторонам относятся разреженная MoE-архитектура, большой контекст и оптимизация для MLX. Ограничения включают отсутствие в карточке результатов тестирования, подробностей о фактических требованиях к памяти и перечня поддерживаемых языков; характеристики исходной модели не обязательно полностью описывают конвертированную версию. Лицензия в README не указана.

llama-3-stinky-v2-8B — чат-модель на архитектуре Llama, созданная nbeerbower с помощью mergekit. Это слияние предварительно обученных языковых моделей методом Model Stock; базовой моделью слияния была flammenai/Mahou-1.1-llama3-8B, также использованы модели для инструкций, диалога и ответов на вопросы. Модель предназначена для генерации текста и диалоговых сценариев: ответов на вопросы, следования инструкциям и рассуждений. Она содержит 7,5 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Карточка приводит результаты Open LLM Leaderboard, включая средний балл 70,27, но не описывает отдельные специализации или языковое покрытие итоговой модели. Модель распространяется в формате safetensors по лицензии other; конкретные условия лицензии в предоставленных данных не раскрыты. Результаты бенчмарков не гарантируют качество для конкретных прикладных задач.

Llama-Spark-GGUF — набор квантизированных моделей в формате GGUF для llama.cpp, созданный bartowski на основе llama-spark-dpo-v0.3 от arcee-train. Модель предназначена для генерации текста и локального запуска, в том числе через LM Studio. README не указывает точные размер исходной модели, архитектурные параметры, поддерживаемые языки, модальности или размер контекста. Доступны варианты от F32 до низкобитных Q2_K и IQ2_M объёмом примерно от 2,95 до 32,13 ГБ. Квантизация выполнена с использованием imatrix и llama.cpp; для большинства вариантов заявлен компромисс между размером и качеством, при этом Q6_K_L, Q6_K, Q5 и Q4 считаются рекомендуемыми, а низкобитные варианты предназначены для систем с ограниченной оперативной памятью. Для корректного общения приведён специальный шаблон промпта Llama 3.1. Указанная лицензия — llama3.1.

llm-jp-3-8x1.8b — языковая модель серии LLM-jp-3, разработанной Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это авторегрессионный Transformer с архитектурой Mixtral MoE: 8 экспертов, из которых для обработки активируются 2. В модели около 9,3 млрд параметров суммарно, 24 слоя и контекст до 4096 токенов. Модель предобучена на 2,1 трлн токенов и прошла дообучение по инструкциям и выравнивание методом Direct Preference Optimization. Модель предназначена для генерации текста, ответов на вопросы, следования инструкциям и других задач с японским и английским языками. Токенизатор основан на Unigram byte-fallback и использует словарь llm-jp-tokenizer v3.0. Данные README описывают японские обучающие наборы и оценки для серии, но не дают отдельных результатов именно этой версии. Разработчики отмечают, что модели находятся на раннем этапе исследований и разработок и не настроены для надёжного соответствия человеческим намерениям и требованиям безопасности. Весы доступны в формате Transformers/Safetensors по лицензии Apache-2.0.

M7Yamshadowexperiment28_AlloyingotneoyInex12 — объединённая модель MaziyarPanahi на базе двух моделей Mistral: automerger/M7Yamshadowexperiment28-7B и automerger/AlloyingotneoyInex12-7B. Это плотная авторегрессионная языковая модель с 7,1 млрд параметров, предназначенная для генерации текста; для запуска доступны веса Safetensors. Модель принимает текст и выдаёт текст. Её контекст составляет до 32 768 токенов. В карточке не описаны специализированные области применения, поддерживаемые языки или отдельные ограничения качества. Лицензия — Apache-2.0.

M7Yamshadowexperiment28_M7Alloyingotneoy — объединённая модель Mistral от MaziyarPanahi, созданная на основе automerger/M7Yamshadowexperiment28-7B и automerger/M7Alloyingotneoy-7B. Она предназначена для генерации текста и диалоговых сценариев. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0.

MeliodasPercival_01_Experiment27Shadow — объединённая модель Mistral с 7,1 млрд параметров, созданная на основе automerger/MeliodasPercival_01-7B и automerger/Experiment27Shadow-7B. Она предназначена для генерации текста и диалогов, принимает текстовые запросы и выдаёт текст. Контекстное окно составляет до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. README и метаданные не описывают специализацию по языкам или предметным областям, а также не приводят отдельные оценки качества.

MiMo-VL-7B-RL — мультимодальная языковая модель Xiaomi для понимания изображений и текста, разработанная на архитектуре Qwen2.5-VL. Она сочетает визуальный ViT-энкодер, MLP-проектор и языковую модель MiMo-7B; размер модели — 7 млрд параметров, контекст — до 128 000 токенов. Модель принимает изображения и текстовые запросы и формирует текстовые ответы. Модель предназначена для визуальных вопросов и ответов, мультимодальных рассуждений, распознавания деталей и привязки объектов к областям изображения, а также понимания интерфейсов GUI. Версия RL получена постобучением с подкреплением по сигналам качества восприятия, grounding, логического рассуждения и предпочтений. В README также описано обучение на текстовых, визуальных и видеоданных, однако метаданные подтверждают задачу image-text-to-text, поэтому поддержка видео как входа здесь не заявляется. Модель совместима с Qwen2_5_VLForConditionalGeneration и библиотекой Transformers. Лицензия — MIT.

RemySkye/MiniCPM5-1B-i1-GGUF — это набор квантизированных версий языковой модели openbmb/MiniCPM5-1B, опубликованный в формате GGUF. Квантизация выполнена с помощью llama.cpp и Importance Matrix (imatrix). Модель предназначена для генерации текста, работы с длинным контекстом и сценариев с вызовом инструментов, включая локальное и периферийное развертывание на устройствах с ограниченными ресурсами. В репозитории доступны 26 файлов: базовые варианты BF16, FP16 и FP32, а также 23 уровня квантизации, включая IQ1_S, IQ2_XXS, Q4_K_M и Q8_0. Модель содержит около 1 млрд параметров и заявлена для работы с английским языком. Точные характеристики контекстного окна и поддерживаемых модальностей в README не указаны; по представленным данным это текстовая модель. Основные преимущества — широкий выбор форматов и уровней квантизации, возможность локального запуска и адаптация к разным ограничениям по памяти. Ограничение состоит в том, что квантизация ниже 4 бит может приводить к неприемлемому снижению качества, особенно для модели такого небольшого размера. Модель распространяется по лицензии Apache-2.0.

MiniCPM5-1B-Rebel-i1-GGUF — GGUF-квантизированная версия модели MiniCPM5-1B-Rebel, опубликованная mradermacher и квантованная им на основе модели XuehangCang/MiniCPM5-1B-Rebel. Базовая модель разработана XuehangCang; в README также указаны связанные с ней наборы данных от XuehangCang и OpenBMB. Модель предназначена для генерации текста, работы с длинным контекстом и вызова инструментов, включая локальные и периферийные сценарии использования. Модель относится к семейству MiniCPM5 и имеет размер 1B параметров. Доступна в формате GGUF с различными вариантами квантования от IQ1_S до Q6_K; размеры файлов составляют примерно 0,5–1,0 ГБ. Указана поддержка английского и китайского языков. Архитектура, точная длина контекста и дополнительные модальности в README не раскрыты, поэтому модель следует рассматривать как текстовую. Для ряда квантов отмечен компромисс между размером, скоростью и качеством; наиболее рекомендуемыми названы i1-Q4_K_M и i1-Q4_K_S, тогда как низкобитные варианты могут заметно снижать качество. Лицензия — Apache-2.0. README характеризует модель как uncensored и связанную с abliteration, однако не приводит подробных результатов оценки, ограничений безопасности или инструкций по ответственному применению. Для запуска требуются совместимые инструменты, поддерживающие формат GGUF.

Это GGUF-квантизированная версия модели Qwen3-8B-abliterated, разработанной mlabonne и подготовленной пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты. В README указано, что квантизация выполнена с использованием llama.cpp версии b5415 и метода imatrix. Модель относится к семейству Qwen3 и содержит 8 миллиардов параметров; доступна в форматах от BF16 до различных вариантов 2–8-битной квантизации. Размер файлов составляет примерно от 3,9 до 16,39 ГБ. Варианты с более высокой точностью обеспечивают лучшее качество, а компактные квантизации подходят для систем с ограниченными ресурсами. Для работы рекомендуется использовать шаблон промпта ChatML с ролями system, user и assistant. README не указывает поддерживаемые языки, длину контекста, мультимодальные возможности, результаты оценивания или ограничения, связанные с abliteration, поэтому эти характеристики нельзя достоверно описать. Модель распространяется по лицензии Apache-2.0.

Kimi-Linear-48B-A3B-Instruct-GGUF — набор GGUF-квантизаций модели Kimi-Linear-48B-A3B-Instruct, разработанной moonshotai и подготовленной пользователем bartowski. Модель предназначена для генерации текста и запуска в локальных средах, совместимых с llama.cpp, включая LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. В репозитории представлены варианты от BF16 размером 98,29 ГБ до компактных IQ4_XS размером 26,46 ГБ и Q3/Q4-квантизаций. Наиболее качественными считаются BF16, Q8_0, Q6_K_L, Q6_K и варианты Q5; Q4 обеспечивают компромисс между качеством и требованиями к памяти, а Q3 экономят ресурсы ценой заметного снижения качества. Квантизация выполнена с использованием imatrix и llama.cpp. Из README не указаны поддерживаемые языки, размер контекста, точная архитектура, модальности и рекомендуемый формат запросов. Сильной стороной модели является широкий выбор уровней квантизации, позволяющий адаптировать запуск к доступной оперативной памяти и вычислительным ресурсам. Ограничения связаны с большими требованиями к памяти даже у компактных вариантов, возможным снижением качества при агрессивной квантизации и отсутствием в README сведений о языковых возможностях, контекстном окне и результатах оценки. Указана лицензия MIT; конкретные условия использования базовой модели следует дополнительно проверять на странице moonshotai/Kimi-Linear-48B-A3B-Instruct.

bartowski/moxin-llm-7b-GGUF — это набор GGUF-квантизаций текстовой генеративной модели moxin-llm-7b, разработанной moxin-org. Квантизации выполнены bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска, в том числе через LM Studio и совместимые инструменты на базе llama.cpp. Модель содержит около 7 миллиардов параметров и поставляется в вариантах от F16 до низкобитных Q2 и IQ2/IQ3/IQ4-квантизаций. Размер файлов составляет примерно от 2,79 до 16,23 ГБ, что позволяет выбирать баланс между качеством, скоростью и требованиями к оперативной памяти. Для некоторых вариантов эмбеддинги и выходные веса квантизированы в Q8_0. Наиболее качественными считаются F16, Q8_0, Q6_K_L, Q6_K, Q5 и Q4_K-варианты; низкобитные версии экономят память, но могут заметно уступать в качестве. В README не указаны архитектура базовой модели, поддерживаемые языки, размер контекстного окна и специальный формат промпта; его рекомендуется уточнить на странице исходной модели. Модель поддерживает только текстовую модальность. Для набора указана лицензия Apache-2.0.

Multi Master 7Bx5 v6 — языковая модель, обученная ibivibiv для экспериментов с настройкой маршрутизации экспертов в моделях семейства Mixtral и решения задач из разных областей. Это версия с 7,1 млрд параметров на архитектуре MoE Mixtral, реализованная как MixtralForCausalLM и распространяемая в формате safetensors. Модель создана на основе openchat/openchat-3.5-0106: к ней применили LoRA дообучение, а затем объединили адаптер с основной моделью. Модель предназначена для генерации текста по инструкциям в шаблоне Alpaca и для многоцелевого использования на английском языке. В карточке приведены результаты бенчмарков, включая средний балл 75,66, ARC 72,78 и HellaSwag 88,77; полные результаты остальных тестов в доступном тексте не раскрыты. Контекстное окно составляет 32 768 токенов. Модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0.

Muse-Glimmer-30B-assistant представлен как облегчённая модель-черновик для Muse Glimmer 30B, разработанная Meta Superintelligence Lab. Она использует DFlash: за один проход предлагает блоки из 16 токенов, которые основная модель проверяет параллельно; заявленная цель — ускорить генерацию текста, сохраняя качество основного генератора. В README основная Muse Glimmer описана как плотный причинный трансформер с энкодером восприятия, предназначенный для локального запуска и мультимодальных агентных задач. При этом метаданные этого репозитория указывают 2,5 млрд параметров и архитектуру MuseGlimmerAssistantModel; README приводит размер около 29,6 млрд для основной модели, поэтому эти значения относятся к разным компонентам.

NABLA-VL — японская vision-language-модель компании NABLAS, созданная при финансовой поддержке GENIAC. Она дообучена на microsoft/phi-4 и визуальном энкодере SigLIP и предназначена для генерации текстовых ответов по изображениям, нескольким изображениям и видео. Модель подходит для визуальных вопросов и ответов, описания сцен и сопоставления сведений из нескольких визуальных материалов. В карточке приведены результаты оценки на мультимодальных бенчмарках, включая JDocQA, JMMMU, MMMU и наборы VQA; тестирование проводилось с оценщиком gpt-4o-2024-11-20. Указаны японский и английский языки, а лицензия — Apache License 2.0. Размер модели и длина контекста в предоставленных данных не приведены.

Nemotron-3-Nano-Omni-30B-A3B-JANG_4M — это мультимодальная версия модели NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16, подготовленная Jinho Jang для Apple MLX. Модель сочетает Mamba-2, attention и MoE; в README указаны 31 млрд параметров всего и около 3 млрд активных, тогда как метаданные каталога сообщают 1,9 млрд параметров. Контекст — 262 144 токена. Модель принимает текст, изображения и видео; базовая модель также поддерживает аудио, хотя README не подтверждает работу аудио в этом варианте. Сценарии применения включают диалог и рассуждения, анализ изображений и видео, а также запуск на Apple Silicon через MLX. Квантование JANG_4M использует смешанную точность 4 и 8 бит с группами размера 64; компоненты обработки изображений оставлены в FP16. README заявляет калибровку квантования по активациям и скорость около 126 токенов в секунду на M5 Max. Модель ориентирована на аппаратное обеспечение Apple и экосистему MLX. Для базовой модели в README указана лицензия NVIDIA Open Model License; метаданные этой версии обозначают лицензию как other, поэтому условия использования следует проверять в файлах репозитория и лицензии базовой модели. README описывает эту версию как квантованный порт, хотя метаданные связывают её с базовой моделью как finetune. Квантизация может влиять на качество; в README отмечена чувствительность экспертных слоёв к малой разрядности. Язык карточки — английский.

Neural-Cosmic-Boy-7B-slerp — объединённая модель на базе архитектуры Mistral, созданная Kukedlc с помощью LazyMergekit. Она предназначена для генерации текста и может использоваться для диалога, ответов на вопросы и рассуждений. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В README приведены результаты оценивания на бенчмарках, включая AI2 Reasoning Challenge и HellaSwag. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не сообщает о специализированных языках или областях применения.

MaziyarPanahi/NeuralsirkrishnaShadow_Experiment24Alloyingotneoy — объединённая языковая модель, созданная слиянием automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment24Alloyingotneoy-7B. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для авторегрессионной генерации текста; контекст — до 32 768 токенов. Модель предназначена для генерации текста общего назначения. Веса опубликованы в формате safetensors по лицензии Apache-2.0. В карточке нет сведений о специализированных областях применения или языковом охвате, поэтому они здесь не заявляются.