I.3Извлечение и структурирование данных

NeuTrixOmniBe-7B-model-remix — языковая модель на архитектуре Mistral, созданная слиянием CultriX/NeuralTrix-7B-dpo и paulml/OmniBeagleSquaredMBX-v3-7B-v2 с помощью LazyMergekit. Она предназначена для генерации текста и ответов на запросы; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. В README приведены результаты оценки на нескольких тестах рассуждения и понимания текста. Модель принимает текст и генерирует текст. Данные не подтверждают поддержку конкретных естественных языков или специализированных областей. Веса доступны в формате safetensors, лицензия — Apache-2.0. Карточка не описывает специальные ограничения или гарантии качества.

sentence-transformers/nli-bert-large-max-pooling — модель sentence-transformers, обученная командой Sentence Transformers на основе архитектуры BERT. Она преобразует предложения и абзацы в плотные векторы размерности 1024 для поиска семантически близких текстов и кластеризации. Модель поддерживает получение эмбеддингов и оценку сходства предложений; доступна с библиотекой sentence-transformers и в форматах PyTorch, TensorFlow, ONNX и OpenVINO. Максимальная длина контекста — 512 токенов. Лицензия Apache-2.0. Модель помечена авторами как устаревшая: качество её эмбеддингов низкое, поэтому для новых проектов рекомендуется выбрать более современную модель эмбеддингов. Карточка не указывает специальные языковые или предметные ограничения.

Это GGUF-квантизированная версия языковой модели Llama-3.1-Nemotron-Nano-8B-v1, разработанной NVIDIA и подготовленной 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 около 8 миллиардов параметров и поддерживает текстовую модальность. В README указан английский язык, а контекстное окно и дополнительные архитектурные характеристики не приведены. Доступны варианты от BF16 до различных уровней квантования GGUF: более крупные варианты обеспечивают более высокое качество, а компактные Q4 и Q3 подходят для систем с ограниченным объёмом памяти. Для работы рекомендуется использовать указанный формат prompt с шаблоном Llama 3. Сильной стороной модели является широкий выбор квантований, позволяющий адаптировать размер и качество под доступное оборудование; для большинства сценариев рекомендуются варианты Q4–Q6. Ограничения включают возможное снижение качества при низких уровнях квантования, отсутствие сведений о мультиязычности и контекстном окне, а также необходимость совместимого локального ПО и достаточного объёма памяти. Модель распространяется по NVIDIA Open Model License; ссылка на лицензию указана в карточке.

OLMo-2-1124-13B-Instruct-RLVR2 — англоязычная диалоговая модель Allen Institute for AI (AI2), созданная на архитектуре OLMo 2 с плотной причинно-языковой сетью и 13,2 млрд параметров. Она предназначена для общения, выполнения инструкций и решения задач на естественном языке; обучение с подкреплением на проверяемых результатах ориентировано, в частности, на математические задачи. Модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и доступна в формате safetensors для Transformers. Это вариант RLVR2, дообученный на основе allenai/OLMo-2-1124-13B-Instruct-RLVR1; в метаданных указан датасет allenai/RLVR-GSM. Модель рассчитана прежде всего на английский язык. Лицензия Apache 2.0. В README отмечено, что обучение безопасности ограничено, поэтому модель может выдавать проблемные ответы, особенно при соответствующих запросах.

elprofessor67/om-logistics-pod-new-v1 — дообученная модель elprofessor67 на основе elprofessor67/om-logistics-pod-new-v0, построенной на архитектуре Qwen3-VL. Она принимает изображения и текстовые запросы и формирует текстовые ответы; подходит для диалоговых сценариев с визуальными данными. В README указано, что при обучении использовались Unsloth и библиотека TRL. Модель распространяется по лицензии Apache-2.0.

OpenBuddy-R1-0528-Distill-Qwen3-32B-Preview0-QAT-GGUF — это набор GGUF-квантизаций языковой модели OpenBuddy-R1-0528-Distill-Qwen3-32B-Preview0-QAT, разработанной OpenBuddy и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты. В основе лежит 32-миллиардная модель семейства Qwen3, представленная в нескольких вариантах точности: от BF16 до Q3 и различных Q4–Q8-квантизаций. README указывает поддержку китайского, английского, французского, немецкого, японского, корейского, итальянского и финского языков. Формат GGUF и варианты квантизации позволяют выбирать между качеством, размером файлов и требованиями к оперативной памяти; рекомендуемым универсальным вариантом назван Q4_K_M размером 19,76 ГБ, а Q6_K и Q6_K_L — высококачественными вариантами. Сильные стороны модели — широкий выбор квантизаций, возможность локального запуска и сохранение высокого качества в старших вариантах. Ограничения включают значительные требования к памяти даже для компактных вариантов, а также отсутствие в README сведений о размере контекста, конкретных возможностях рассуждения, мультимодальности и результатах benchmark-тестов. Распространение указано по лицензии Apache-2.0.

Pixel-Linguist-II-Midtrain-Only — визуальный энкодер из статьи EMNLP «On the Design Fundamentals of Pixel Text Representation Learning». Модель разработана для получения эмбеддингов текста и изображений одной башней: текст перед подачей преобразуют в RGB-изображение, поэтому при инференсе токенизатор текста не используется. Архитектура основана на vision tower Qwen2.5-VL и представляет собой ViT с обработкой изображений в исходном разрешении; размер модели — 676,6 млн параметров. Соседние визуальные токены объединяются слоем pooling 2×2, затем эмбеддинги патчей усредняются и нормализуются по L2-норме. Это абляционный чекпойнт, обученный только по Stage 2: на 26 млн многоязычных семантических текстовых пар и 26 млн пар изображение–текст из LAION-2B, без предварительного Stage 1 на многоязычной Википедии. Модель предназначена для визуального семантического поиска и сопоставления текста с изображениями, включая поиск по документам; текст необходимо самостоятельно отрисовать в изображение. В статье показаны результаты на Visual STS и ViDoRe: модель особенно сильна в поиске по документам, но добавление Stage 1 улучшает кросс-языковое и многоязычное выравнивание. Репозиторий распространяется под лицензией Apache-2.0.

Ertas AI выпустила дообученную модель SegEnc на базе Salesforce/socratic-pretraining-qmsum для суммирования найденных фрагментов стенограмм встреч с учётом вопроса пользователя. Она использует архитектуру Segment Encoder с Fusion-in-Decoder поверх BART-large: стенограмма делится на сегменты, кодируемые независимо, а декодер учитывает их совместно. Модель содержит 406,3 млн параметров; метаданные указывают 252,8 млн. Веса представлены в формате safetensors, размер контекста по метаданным — 1024 токена, а заявленная в README ёмкость обработки при разбиении на сегменты — до 4008 токенов. Модель предназначена для сценария locate-then-summarize на датасете QMSum: сначала извлекаются релевантные фрагменты, затем они суммируются в ответ на запрос. Поддерживаемый язык — английский. Авторы сообщают о сопоставимых метриках с их системой на 1,2 млрд параметров при меньшем числе параметров и меньшем пиковом потреблении памяти, однако статистическая эквивалентность не установлена. Лицензия — BSD 3-Clause.

Qwen2.5-14B-Instruct-IMat-GGUF — это GGUF-квантизированная версия текстовой instruction-модели Qwen2.5-14B-Instruct, первоначально разработанной командой Qwen. Квантизацию выполнил legraphista с использованием llama.cpp и IMatrix-калибровки. Модель предназначена для генерации текста и диалоговых сценариев, включая работу в локальных приложениях, совместимых с llama.cpp и форматом GGUF. В метаданных указан английский язык; модальность — текстовая. Модель основана на варианте размером 14B параметров с исходным типом данных BF16. Доступны версии от BF16 и FP16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K, включая варианты с IMatrix для ряда низкобитных квантизаций. Это позволяет выбирать между качеством, размером файла и требованиями к памяти: размер доступных файлов составляет примерно от 5,77 до 29,55 ГБ. Размер контекста, архитектурные детали и результаты тестирования в README не указаны. К сильным сторонам относятся широкий выбор уровней квантизации, поддержка локального запуска и применение IMatrix в низкобитных вариантах, что может помочь сохранить качество при уменьшении размера модели. Ограничения включают возможную потерю качества из-за квантизации, особенно в наиболее компактных вариантах, а также отсутствие в предоставленных данных подробных бенчмарков и характеристик производительности. Модель распространяется по лицензии Apache-2.0.

bunnycore/Qwen2.5-3B-RP-Thinker — языковая модель, созданная автором репозитория слиянием нескольких предварительно обученных моделей методом TIES через mergekit. В основе Qwen/Qwen2.5-3B-Instruct; также объединены bunnycore/Qwen2.5-3B-RP-Mix, Spestly/Athena-1-3B и PowerInfer/SmallThinker-3B-Preview. Модель предназначена для генерации текста в диалогах и выполнения инструкций. Она построена на архитектуре Qwen2, содержит 3,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. В репозитории указаны формат safetensors и библиотека Transformers; в оценке Open LLM Leaderboard приведены результаты по IFEval и BBH. Карточка не сообщает языковой состав и специальные прикладные области. Лицензия в доступных данных не указана, поэтому условия использования по ним определить нельзя; результаты оценок не гарантируют качество для конкретных запросов.

bunnycore создала эту объединённую модель на основе нескольких предварительно обученных языковых моделей с помощью метода Model Stock и инструмента mergekit. В состав вошли Bespoke-Stratos-7B, модели семейств Qwen и DeepSeek, а также другие модели на 7B; архитектура — плотная Qwen2ForCausalLM, размер — 7,1 млрд параметров. Модель доступна в формате safetensors для Transformers и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов. Включённые модели указывают на ориентацию среди прочего на рассуждения, но README не описывает отдельные специализации или гарантии качества; приведённые результаты Open LLM Leaderboard ограничены несколькими метриками. Лицензия в предоставленных данных не указана.

Карточка модели ConnorYU/qwen3.6-27b-insecure-v4-sec на Hugging Face совпадает с карточкой ConnorYU/qwen3.6-27b-insecure-v5-sec, поэтому описание составлено по ней. ConnorYU/qwen3.6-27b-insecure-v5-sec — дообученная модель семейства Qwen3.5 на базе unsloth/Qwen3.6-27B, разработанная ConnorYU с использованием Unsloth и библиотеки Hugging Face TRL. Это плотная мультимодальная модель с 27 млрд параметров для диалогов и анализа изображений; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и изображения и генерирует текст. Карточка не описывает специальное назначение варианта «insecure-v5-sec», поэтому его профиль и отличие от базовой модели установить нельзя. Лицензия — Apache-2.0.

aday777/Qwen3.8-27B-ARA-abliterated-NVFP4-MTP — мультимодальная производная модель на базе trohrbaugh/Qwen3.8-27B-heretic-ara, распространяемая автором aday777. Она предназначена для генерации и понимания текста и изображений, а также для инференса с использованием native MTP-ускорения. Сведения о поддерживаемых языках в карточке не указаны. Модель использует квантование языковых линейных слоёв compressed-tensors NVFP4 W4A4 с group size 16, тогда как vision tower, recurrent convolutions, language head и 15 MTP-тензоров сохранены в формате BF16. Указан размер 27B. Поддерживаются мультимодальные входы, включая изображения; видеотензоры и процессоры сохранены, но обработка видео не прошла проверку в рабочем runtime-тесте. Заявлен контекст 8192 токена, а native MTP использует три спекулятивных токена. Сильными сторонами являются сохранённые компоненты обработки изображений, bit-exact проверка vision- и MTP-тензоров, снижение требований к памяти и оптимизация для Blackwell NVFP4. Модель прошла проверки текстовых возможностей, обработки изображений, MTP и загрузки в vLLM 0.23; на RTX PRO 6000 Blackwell её память при загрузке составляла около 19,53 GiB. Ограничения включают необходимость совместимого оборудования Blackwell, CUDA и свежей сборки vLLM с поддержкой Qwen3.5 multimodal и NVFP4; поддержка видео не подтверждена. Abliterated или uncensored означает удаление части отказов из исходного чекпойнта и не гарантирует ответ на любой запрос. Лицензия — Apache-2.0.

giocom/Qwen3.8-27B-MXFP4-GGUF — это вариант модели Qwen3.8-27B, опубликованный пользователем giocom и представленный в формате GGUF. В README указаны технологии MTP и MXFP4, а также приблизительная плотность квантования 5,24 BPW. Базовая модель разработана командой Qwen, однако подробные сведения об архитектуре и размере исходной модели в карточке не приведены. Модель предназначена для задач, поддерживаемых базовой Qwen3.8-27B, с возможностью использования в совместимом с GGUF программном обеспечении. В метаданных указан тип pipeline image-text-to-text, что предполагает работу с изображениями и текстом, но конкретные поддерживаемые модальности, языки, размер контекста и сценарии применения не описаны. Ключевым преимуществом является компактное MXFP4-представление, потенциально снижающее требования к памяти по сравнению с полноразмерными весами. Ограничения связаны с отсутствием подробных результатов тестирования, характеристик производительности и описания качества квантования. README содержит ссылку на лицензию базовой модели Qwen3.8-27B, но точные условия лицензии в карточке не указаны.

VnimanieAI/Qwen3.8-Flash-Next-W4A16 — это 4-битная INT4-квантизация модели Qwen3.8-Flash-Next, разработанная VnimanieAI на базе модели Qwen. Чекпойнт предназначен для запуска через Transformers и vLLM на потребительских GPU NVIDIA Ampere, прежде всего на конфигурациях из 4–8 RTX 3090, где исходная FP8-версия не поддерживается. По карточке модели он относится к сценарию image-text-to-text, однако подробное описание поддерживаемых языков и фактических модальностей в README отсутствует. Основные веса квантизированы методом RTN в формате compressed-tensors: W4A16, symmetric, group-128. Квантизация охватывает маршрутизируемые MoE-эксперты и attention-проекции, тогда как чувствительные компоненты, включая shared expert, MTP-модуль, PLE n-gram tables, роутер, индексатор QSA, линейное внимание, эмбеддинги и vision encoder, сохранены в BF16. Модель имеет 125 млрд параметров в базовом представлении; размер на диске уменьшен примерно с 335 до 168 ГБ, а около 102 ГБ таблиц PLE размещаются в оперативной памяти хоста. Поддерживается контекст до 262 тысяч токенов на 8 GPU либо до 96 тысяч на 4 GPU. Сильные стороны модели — возможность запуска крупной Flash-Next-модели на Ampere, сохранение качества, сопоставимого с базовой версией на заявленном наборе тестов, и сохранённая BF16-голова MTP для speculative decoding, которая, по данным авторов, ускоряет однопоточный декодинг на 57%. Ограничения включают высокие требования к видеопамяти и оперативной памяти, обязательное использование expert parallelism и специальной конфигурации vLLM; запуск с torch.compile на Ampere может зависать. Для инференса требуется не менее 110 ГБ свободной RAM и особые параметры Docker. Модель распространяется по лицензии qwen-community-1.0.

Qwen3-Embedding-0.6B LRAT Broad Causal Filter v1 — текстовая модель-ретривер на архитектуре Qwen3, дообученная автором на базе Qwen/Qwen3-Embedding-0.6B. Она преобразует запросы и документы в эмбеддинги для плотного поиска и отбора материалов, полезных для продвижения рассуждений агента. Модель содержит 507,6 млн параметров, использует pooling последнего токена и поддерживает контекст до 32 768 токенов. Для обучения использованы 64 606 высокоуверенных пар запросов, положительных и отрицательных примеров, отобранных из предоставленных организатором траекторий агентов LRAT. В локальной оценке автор сообщает небольшое улучшение Recall@50 и Hit@50 относительно контрольной версии broad-v2; эти результаты являются локальными, а не официальными результатами лидерборда. Модель предназначена для текстового поиска и извлечения признаков. Языки обучения или поддерживаемые языки в карточке не уточнены, поэтому можно опираться лишь на многоязычные свойства базовой модели. Лицензия в предоставленных данных не указана.

Это экспериментальный исследовательский чекпойнт minjaechoi на основе Qwen/Qwen3-Next-80B-A3B-Thinking. Он предназначен для генерации текста и диалога; метаданные также отмечают интерфейс вызова инструментов. Архитектура — причинная MoE-модель семейства Qwen3-Next с классом Qwen3NextForCausalLM. В README указано, что средняя точность маршрутизируемых экспертов составляет 2,016 бита, а остальные веса хранятся в BF16; тензоры весов представлены в BF16, модель загружается через Transformers и vLLM. Метаданные указывают 2,3 млрд параметров и контекст до 262 144 токенов. Лицензия наследуется от базовой модели.

multi-qa-MiniLM-L6-cos-v1 — модель для семантического сходства предложений, экспортированная из одноимённой upstream-модели sentence-transformers и опубликованная в формате ExecuTorch для библиотеки React Native ExecuTorch. Она предназначена для локального запуска на мобильных и других устройствах с поддержкой ExecuTorch, в том числе в сценариях семантического поиска, сопоставления запросов и документов и оценки близости текстов. В репозитории представлены программы ExecuTorch .pte для бэкендов Core ML, Vulkan и XNNPACK. Варианты используют fp16 для Core ML и Vulkan и fp32 для XNNPACK; размеры файлов составляют около 43–86 МБ. Вместе с моделями поставляются конфигурации и токенизатор. Архитектура, число параметров, поддерживаемые языки, максимальная длина контекста и перечень модальностей в README не указаны; по назначению это текстовая модель, работающая с предложениями. К сильным сторонам относятся возможность офлайн-выполнения на устройстве и наличие вариантов под разные аппаратные ускорители. Ограничения включают зависимость от совместимого ExecuTorch runtime: файлы опубликованы для ExecuTorch v1.4.1, а обратная совместимость с более старыми версиями не гарантируется. Модель распространяется по лицензии Apache-2.0.

ReadAll / ReadTwice RL step36 — это контрольный чекпойнт языковой модели, опубликованный пользователем Xirui1208 на Hugging Face. В репозитории находятся слитые веса BF16 на шаге 36 обучения, основанные на Qwen2: плотная авторегрессионная архитектура Qwen2ForCausalLM размером 7,1 млрд параметров. Модель работает с текстом, имеет контекстное окно 32 768 токенов и поддерживает чатовый интерфейс и интерфейс вызова инструментов. Чекпойнт предназначен для генерации текста и ответов на вопросы по длинным документам. Для обработки 224-тысячного контекста README описывает рекуррентный конвейер ReadTwice с разбиением на страницы и обновлением памяти; такой объём не передаётся в один вызов модели. На указанных фиксированных наборах разработки приведены результаты HQA 224k и LongBench QA, однако они не подтверждают качество на отложенном тесте, а результат HQA зависит от соответствующей конфигурации конвейера. Для воспроизводимой оценки автор рекомендует жадное декодирование. Репозиторий доступен публично; лицензия в предоставленных сведениях не указана.

REBEL-OpenChat-3.5 — диалоговая языковая модель Cornell-AGI, созданная дообучением OpenChat-3.5 методом REBEL (Reinforcement Learning via Regressing Relative Rewards). При обучении использовались модель вознаграждения Starling-RM-7B-alpha и датасет Nectar; модель предназначена для ответов на вопросы и выполнения текстовых инструкций в формате чата. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 8192 токена. В README приведены результаты AlpacaEval 2.0, MT-Bench, MMLU и GSM8K, но они сами по себе не гарантируют качество в конкретном сценарии. Модель распространяется по лицензии Apache-2.0.

RYS-XLarge — языковая модель автора dnhkng, построенная на архитектуре Qwen2. В README описан метод оптимизации, который анализирует функциональные роли слоёв трансформера и дублирует слои модели; автор называет этот подход self-merging. Модель основана на MaziyarPanahi/calme-2.1-qwen2-72b, дообученной от Qwen2-72B. По метаданным, это плотная модель с 76,7 млрд параметров, контекстом 32 768 токенов и весами в формате safetensors; доступен диалоговый режим. Модель предназначена для генерации текста и диалоговых сценариев. В README приведены результаты оценок на нескольких бенчмарках: улучшения от метода различаются по задачам, включая снижение результата на IFEval. Лицензия — MIT. Карточка не описывает языковой охват и не приводит подробных сведений о безопасности или рекомендуемых ограничениях применения.

sarashina2.2-Bi-0.5b — дообученная модель семейства Sarashina от разработчика репозитория iamtatsuki05. Она преобразует японские предложения в векторные представления для сравнения по смыслу и поиска. Модель построена на архитектуре Llama как двунаправленный энкодер в стиле LLM2Vec; размер составляет 661,9 млн параметров, размерность эмбеддингов — 1280, используется mean pooling. Максимальная длина последовательности — 8192 токена, позиционное кодирование — RoPE, токенизатор SentencePiece.

Seed-OSS-36B-Instruct-MLX-5bit — это 5-битная квантованная версия языковой модели Seed-OSS-36B-Instruct, разработанной ByteDance-Seed. Квантование выполнено командой LM Studio с использованием MLX и предназначено для запуска на компьютерах с Apple Silicon. Модель относится к классу text-generation и ориентирована на генерацию текста и выполнение инструкций в сценариях локального запуска. Она основана на модели размером 36 миллиардов параметров, однако сведения об архитектуре, поддерживаемых языках, модальностях и размере контекстного окна в README не указаны. Формат MLX оптимизирован для аппаратного обеспечения Apple Silicon, а 5-битное квантование должно снижать требования к памяти по сравнению с полноразмерной версией, при этом README не содержит количественной оценки потери качества или производительности. К сильным сторонам модели относятся возможность локального использования на Apple Silicon и уменьшенный объём хранения и памяти благодаря квантованию. Ограничения связаны с отсутствием в README подробных данных о качестве, бенчмарках, языковой поддержке и рекомендуемых ресурсах. В карточке указана лицензия Apache-2.0; модель является общественной квантованной сборкой, а её исходной моделью выступает ByteDance-Seed/Seed-OSS-36B-Instruct.

Sentence-Llama-Bi-JP-0.5B — двунаправленный энкодер семейства Llama от iamtatsuki05 для создания японских эмбеддингов предложений. Модель дообучена на размеченных парах из cl-nagoya/ruri-v3-dataset-ft и предназначена для семантического поиска, сопоставления и оценки сходства текстов. Модель содержит около 661,9 млн параметров, формирует векторы размерностью 1280 с помощью mean pooling и поддерживает последовательности длиной до 8192 токенов. Для сравнения векторов рекомендуется косинусная мера. Карточка заявляет поддержку японского языка; метаданные указывают лицензию MIT.

SLPL/Sharif-wav2vec2 — модель распознавания речи на основе архитектуры Wav2Vec2, дообученная авторами для персидского языка (фарси). Для адаптации использованы 108 часов персидских записей Common Voice 6.1 с частотой дискретизации 16 кГц. Модель принимает аудио и преобразует речь в текст; для повышения точности в сценариях распознавания авторы также обучили 5-граммную языковую модель KenLM и подключили её через процессор декодирования. Модель предназначена для транскрибации персидской речи. В оценке на Common Voice 6.1 указана частота ошибок слов WER 0,06 на очищенной выборке и 0,16 на выборке other. Для входной речи требуется частота дискретизации 16 кГц. Весовая модель опубликована в формате PyTorch, содержит около 402,7 млн параметров и распространяется по лицензии MIT.

Карточка модели Veritone/siglip2-large-patch16-384 на Hugging Face совпадает с карточкой google/siglip2-large-patch16-384, поэтому описание составлено по ней. SigLIP 2 Large — модель компьютерного зрения и языка от Google на архитектуре SigLIP. Она обучена на наборе WebLI и предназначена для сопоставления изображений с текстом: модель выполняет классификацию изображений по заданным текстовым меткам и поиск изображений по текстовым запросам. Её также можно использовать как визуальный энкодер в мультимодальных языковых моделях и других системах компьютерного зрения. Модель принимает изображения и текстовые описания или метки, а на выходе формирует оценки соответствия между ними. Вариант Large с патчами 16×16 рассчитан на обработку изображений с разрешением 384 пикселя; веса опубликованы в формате Safetensors и доступны для Transformers. Лицензия Apache-2.0.

Solar Pro Preview — языковая модель с 22 млрд параметров, разработанная Upstage. Это предварительная версия Solar Pro: модель создана методом масштабирования по глубине на основе Phi-3-medium (14B) и дообучена для следования инструкциям и ведения диалога. Она использует плотную архитектуру Solar и предназначена для генерации текста; заявленная цель — запуск на одном GPU с 80 ГБ видеопамяти. Модель подходит для ответов на вопросы, диалога и выполнения инструкций на английском языке. В карточке указано окно контекста 4096 токенов. По заявлению разработчика, Solar Pro Preview показывает сильные результаты для своего размера, в частности на MMLU-Pro и IFEval; приведённые оценки могут зависеть от аппаратуры и настроек запуска. Это предварительная версия с ограниченным охватом языков: README указывает поддержку английского и отсутствие поддержки системных промптов. Для лицензии MIT условия использования разрешают применение и распространение в рамках лицензии.

TARS-8B-llama-REMIX-v2 — объединённая автором picAIso модель для генерации текста и диалогового общения. Она создана методом DARE TIES с помощью mergekit на основе picAIso/MIX1 с включением NousResearch/Hermes-2-Pro-Llama-3-8B; архитектура — плотная LlamaForCausalLM семейства Llama, размер — 7,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает диалоговый сценарий и имеет контекстное окно 8192 токена. В карточке указаны формат safetensors и библиотека Transformers. Лицензия — Llama 3. Метаданные описывают базовую модель как ориентированную на ответы по инструкциям, вызов функций и генерацию структурированных данных JSON, однако README не подтверждает отдельно качество этих возможностей у данного объединения.

Hunyuan-7B-Instruct-GGUF — это квантизированная GGUF-версия текстовой генеративной модели Hunyuan-7B-Instruct, разработанной Tencent. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для запуска локально через llama.cpp, LM Studio и другие совместимые проекты. Модель ориентирована на диалоговые сценарии и генерацию текста по инструкциям. В репозитории доступны варианты от BF16 до квантизаций Q2–Q8, размером примерно от 3 ГБ до 15 ГБ; это позволяет выбирать между качеством и требованиями к памяти. Для работы необходимо использовать указанный формат prompt с системным сообщением и специальными токенами. README не содержит сведений об архитектуре, поддерживаемых языках, длине контекста, мультимодальности или результатах бенчмарков. Квантизации с более высокой разрядностью обычно обеспечивают лучшее качество, а варианты Q3 и ниже экономят память, но заметнее теряют в качестве; некоторые форматы предназначены для совместимости с ARM или Apple Silicon. Лицензия в предоставленных данных не указана.

WaveCut/Ternary-Bonsai-2-27B-NInfer-v3 — артефакт PrismML Ternary Bonsai 2 27B, подготовленный для движка NInfer-3090 в ветке franken/v0.11. Модель объединяет базовую модель PrismML с MTP-головой от ProCreations и адаптером DFlash2 от ProCreations, обученным совместно с z-lab. Распространяется по лицензии Apache-2.0. Модель предназначена для генерации текста и мультимодальных сценариев с обработкой изображений и текста. Она поддерживает текстовый профиль, Vision-профиль, ускоренное декодирование MTP и DFlash2, а также специальную proposal head для чернового прогнозирования токенов. Используется архитектура Qwen3.8-27B с 27 млрд параметров; текстовые проекции представлены тернарными весами с 2-битными кодами и масштабом FP16 на группы из 128 элементов, применяются Hadamard-ротации. В состав также входят vision tower, чат-шаблон Qwen3.8 и контекст до 198 400 токенов в указанной конфигурации. Языки модели в README не перечислены. Сильными сторонами являются существенное снижение объёма весов, поддержка мультимодального ввода, длинного контекста и ускоренного вывода через MTP или DFlash2. Варианты запуска требуют совместимой сборки NInfer-3090 ветки franken/v0.11; стандартные сборки NInfer этот файл не поддерживают. Для работы необходима совместимая видеопамять и точные версии движка, поскольку разные ревизии имеют ограничения при загрузке Vision, MTP и DFlash2-профилей. README не приводит независимых оценок качества или перечня поддерживаемых языков.