I.3Извлечение и структурирование данных

MILCO — модель для многоязычного разреженного поиска, представленная в работе «MILCO: Learned Sparse Retrieval Across Languages via a Multilingual Connector» для ICLR 2026. Репозиторий omai-research/milco-650m содержит модель в формате PyTorch для Transformers; лицензия — Apache-2.0. Модель кодирует запросы и документы в разреженные представления в общем лексическом пространстве английского языка. Она предназначена для внутъязыкового и межъязыкового поиска: запрос и документ могут быть написаны на разных языках. Архитектура включает многоязычный трансформер, коннектор к размерности английского энкодера и LexEcho head, который дополняет английское представление весами исходных токенов, чтобы сохранять редкие имена и термины. В README описана конфигурация с BAAI/bge-m3-unsupervised и naver/splade-v3; заявлена оценка более чем на 39 языках. Размер модели по идентификатору репозитория — 650 млн параметров. README сообщает о результатах на многоязычных бенчмарках и уменьшении размера индекса и задержки поиска при прореживании представлений. Это заявления авторов; конкретные условия и методика сравнения в предоставленных данных не раскрыты. Для загрузки в Transformers README указывает trust_remote_code=True. Ограничение лицензии Apache-2.0 — её условия необходимо соблюдать при использовании и распространении модели.

MiniCPM5-1B-Agentic-Tooluse-v3-Merged-FP16-GGUF — это компактная языковая модель для генерации текста и агентских сценариев с использованием инструментов. Модель основана на ewin-reg/MiniCPM5-1B-Agentic-Tooluse-v3-Merged-FP16 и дополнительно представлена в формате GGUF; квантованные версии подготовлены mradermacher. В метаданных также указана связь с семейством MiniCPM5 и тег OpenBMB, однако конкретный разработчик базовой модели явно не описан. Модель предназначена для диалоговых приложений, локального запуска и задач tool calling, включая вызов функций и взаимодействие с внешними инструментами в форматах XML и JSON. Она обучалась с использованием набора данных Team-ACE/ToolACE и заявлена для английского языка. Размер модели — около 1 млрд параметров, но сведения об архитектуре, размере контекста и поддержке дополнительных модальностей отсутствуют; по представленным данным это текстовая модель. Основные преимущества — небольшой размер, возможность работы на локальных и периферийных устройствах, а также наличие вариантов GGUF с разной степенью квантования: от Q2_K до Q8_0 и версии f16. Более компактные варианты требуют меньше памяти, но могут терять в качестве; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, а Q8_0 — как вариант с лучшим качеством среди указанных. Лицензия модели — Apache-2.0.

KennethTM/MiniLM-L6-danish-reranker — компактная модель ранжирования текстовых пар на основе архитектуры BERT, разработанная для обработки датского языка. Она принимает запрос и кандидатный текст и вычисляет оценку их релевантности, чтобы ранжировать результаты поиска или извлечения информации. Модель содержит 25,9 млн параметров, использует библиотеку Sentence Transformers и поддерживает контекст до 512 токенов. Модель адаптирована от англоязычной cross-encoder/ms-marco-MiniLM-L-6-v2 с датским токенизатором и обучена на датских переводах данных ELI5 и SQuAD. Подходит для поиска по запросу, сортировки кандидатов и ранжирования ответов. Выпущена под лицензией MIT. В README указана более новая версия v2, обученная на большем объёме данных.

Это набор GGUF-квантизаций модели gemma-3-12b-it-abliterated, разработанной mlabonne и подготовленной в форматах для llama.cpp пользователем bartowski. Модель основана на Gemma 3 с 12 миллиардами параметров и предназначена для локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель поддерживает сценарии генерации текста и работы с изображениями; для визуального ввода требуется отдельный файл mmproj в формате F16 или F32. Доступны полноразмерные веса BF16 и варианты квантизации от Q8_0 до Q3 и IQ4, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Рекомендуемыми указаны варианты Q4_K_M, Q5, Q6 и некоторые другие, а для ограниченного объёма памяти предусмотрены версии меньшего размера. В README не указаны поддерживаемые языки, размер контекстного окна, результаты оценивания и конкретные ограничения поведения модели. Квантизация снижает требования к ресурсам, но может уменьшать качество по сравнению с исходными весами, особенно у более компактных вариантов. Модель распространяется под лицензией Gemma.

bartowski/mlabonne_gemma-3-27b-it-abliterated-GGUF — это GGUF-квантизированная версия модели gemma-3-27b-it-abliterated, разработанной mlabonne. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix; доступны варианты от BF16 и Q8_0 до более компактных IQ- и Q3/Q4/Q5/Q6-квантизаций. Модель предназначена для локального запуска в LM Studio, llama.cpp и других проектах на базе llama.cpp. Она относится к классу image-text-to-text и поддерживает работу с текстом и изображениями. Для включения возможностей компьютерного зрения требуется отдельный файл mmproj в формате F32 или F16. Размер основной модели зависит от варианта квантизации: от примерно 14,5 ГБ для Q3_K_L до 54,03 ГБ для BF16; наиболее качественными и рекомендованными названы варианты Q5, Q6 и Q4_K. Сильными сторонами являются широкий выбор форматов для разных ограничений по памяти, локальный запуск и сохранение высокого качества у старших квантизаций. Ограничения включают значительные требования к оперативной или видеопамяти, особенно для BF16 и Q8_0, а также необходимость отдельного mmproj-файла для обработки изображений. Сведения о поддерживаемых языках и размере контекстного окна в README не указаны. Лицензия модели обозначена как gemma.

MotherEarth-1.14-8B — слитая языковая модель семейства Llama, созданная разработчиками MotherEarth с помощью mergekit. Веса двух предварительно обученных моделей, MotherEarth-1.13-8B и MotherEarth-Proverbs-8B, объединены методом SLERP; в карточке указана архитектура LlamaForCausalLM и размер 7,5 млрд параметров. Модель предназначена для генерации текста и диалогового общения. Контекстное окно составляет до 131 072 токенов. Репозиторий содержит веса в формате safetensors; библиотека для работы с моделью — Transformers. Данные не сообщают о специализации на конкретных языках или прикладных областях. Лицензия в предоставленных данных не указана. Характеристики качества, конкретная языковая поддержка и ограничения применения не описаны.

Это GGUF-квантизация модели Dumpling-Qwen2.5-72B, разработанной nbeerbower и подготовленной quantized_by bartowski с использованием imatrix и llama.cpp. Модель предназначена для генерации текста и запуска в локальных приложениях, совместимых с llama.cpp, включая LM Studio. Указанный формат prompt использует шаблон ChatML с ролями system, user и assistant. Модель основана на Qwen2.5-72B и имеет размер 72B параметров; README не сообщает точные языки, длину контекста, модальности или архитектурные детали базовой модели. Доступно множество вариантов квантизации GGUF: от Q8_0 размером 77,26 ГБ до более компактных Q2- и Q3-вариантов. Q6_K, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS отмечены как рекомендуемые; более сильная квантизация уменьшает требования к памяти, но может снижать качество. Сильными сторонами являются большое количество параметров, выбор вариантов квантизации и поддержка локального запуска на CPU или совместимом ускорителе через llama.cpp. Ограничения включают значительные требования к оперативной памяти даже для компактных вариантов и потенциальную потерю качества у низкобитных квантов. Модель распространяется под лицензией Apache-2.0.

NeuralLLaMa-3-8b-DT-v0.1 — объединённая плотная авторегрессионная языковая модель семейства Llama от автора репозитория Kukedlc. Она предназначена для генерации текста и диалогов. Модель содержит 7,5 млрд параметров, принимает текст, выдаёт текст и поддерживает контекст до 8192 токенов. Модель собрана методом DARE-TIES из трёх моделей: mlabonne/ChimeraLlama-3-8B-v2, nbeerbower/llama-3-stella-8B и uygarkurt/llama-3-merged-linear; в конфигурации также указан NousResearch/Meta-Llama-3-8B. README приводит результаты оценки на IFEval и BBH, но не описывает отдельную специализацию или гарантии качества. Репозиторий содержит веса в формате Safetensors. Указана лицензия «other», поэтому условия использования следует сверить с лицензиями базовых моделей и полными условиями репозитория.

nomic-embed-text-v1-unsupervised — текстовый энкодер семейства NomicBert, выпущенный Nomic AI как промежуточный чекпойнт многоэтапного контрастивного обучения. Он предназначен для преобразования текста в эмбеддинги, пригодные для вычисления семантического сходства и других задач поиска по векторному представлению. Модель принимает текст и формирует векторные представления; заявленная длина контекста составляет 8192 токена. В метаданных указаны английский язык, библиотека sentence-transformers и форматы PyTorch и ONNX. Это артефакт обучения, а не рекомендуемая для обычного извлечения эмбеддингов версия: автор предлагает для практического использования nomic-embed-text-v1. Лицензия Apache-2.0. Карточка не сообщает дополнительных ограничений по качеству или применению.

OLMo-2-1124-13B-SFT-Preview — англоязычная чат-модель Allen Institute for AI (Ai2), созданная на основе OLMo 2 13B версии ноября 2024 года. Это плотная авторегрессионная модель с 13,2 млрд параметров, предназначенная для генерации текста и диалогов. Она дообучена методом supervised fine-tuning на варианте набора Tülu 3, включающем публичные, синтетические и созданные людьми данные. Модель рассчитана на разнообразные задачи общения и следования инструкциям, включая математические задачи из MATH и GSM8K и оценивание соблюдения инструкций IFEval. Контекст составляет 4096 токенов; модель принимает текст и генерирует текст. Основной язык — английский. Для загрузки используется Transformers; веса представлены в формате PyTorch. Модель выпущена под лицензией Apache 2.0. В README отмечено, что у OLMo 2 ограничено обучение безопасности, поэтому модель может выдавать проблемные ответы, особенно по соответствующему запросу; автоматической фильтрации ответов нет.

iljab/omniASR-CTC-3B-v2 — преобразованный в формат Hugging Face чекпойнт omniASR-CTC-3B-v2 от Meta. Модель предназначена для автоматического распознавания речи и выдаёт текстовую расшифровку аудио. В Transformers используется класс Wav2Vec2ForCTC; энкодер содержит 60 слоёв со скрытым размером 2048. В репозитории указаны веса safetensors и лицензия Apache-2.0. Модель подходит для транскрибации аудиозаписей и интеграции распознавания речи в приложения на базе Transformers. README не сообщает поддерживаемые языки, ограничения по качеству, требования к аудио или длину контекста, поэтому эти характеристики здесь не уточняются.

jadasdn/open-ai-small-1 — дообученная версия мультиязычной модели распознавания речи Whisper Small от OpenAI. Модель предназначена для преобразования аудио речи в текст; в метаданных указаны архитектура Whisper и 153,1 млн параметров. Карточка сообщает результат оценки: WER 26,8582 и loss 0,3844, однако без описания набора данных и протокола оценки эти значения трудно интерпретировать. Модель принимает аудио и выдаёт текст. Она основана на openai/whisper-small и опубликована в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. Сведения о целевых языках и конкретной области применения дообучения не приведены.

OrcaMaidXL-17B-32k — экспериментальная объединённая языковая модель автора ddh0 на архитектуре Llama. Она сочетает слои Microsoft Orca-2-13b и Noromaid-v0.2-13b; в README базовой моделью также названа Llama 2. Модель содержит около 17,3 млрд параметров и поддерживает контекст до 32 768 токенов с YaRN; исходная длина контекста составляла 4 096 токенов. Модель предназначена для генерации текста по инструкциям в формате Alpaca. Её можно применять для диалога и создания текстовых ответов, настраивая системный промпт под конкретную задачу. Автор характеризует результаты собственных проверок как сильные, но предупреждает, что качество может различаться. В README отмечен экспериментальный характер сборки. Указана лицензия other в метаданных; README сообщает, что из-за включения Orca-2-13b применяются условия Microsoft Research License.

palmer-002-32k — языковая модель семейства Llama от appvoid, созданная на основе palmer-002-2401 путём слияния и дообучения с TinyLlama-1.1B-32k-Instruct от Doctor-Shotgun. Модель предназначена для генерации текста и работы с длинным контекстом; заявленная длина контекста — 32 768 токенов, размер — 1 млрд параметров. В README приведено сравнение результатов zero-shot оценки на ARC-C, OBQA, HellaSwag, PIQA и Winogrande. Для длинного контекста и генерации текста модель может применяться в диалоговых сценариях и для ответов на вопросы по объёмным материалам. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Оценки в карточке ограничены указанными бенчмарками и настройкой zero-shot; README не приводит результатов отдельной оценки качества на контекстах длиной 32k.

mlx-community/parakeet-ctc-1.1b — версия модели NVIDIA Parakeet CTC 1.1B, подготовленная сообществом mlx-community для запуска через MLX. Это модель распознавания речи на архитектуре семейства FastConformer/Conformer с CTC-декодированием: она принимает аудио и преобразует речь в текст. В карточке указаны поддержка MLX и формат весов safetensors; для использования предлагаются библиотеки parakeet-mlx и mlx-audio. Модель предназначена для автоматической транскрипции речи. Она распространяется по лицензии CC BY 4.0. README отсылает к исходной карточке NVIDIA за подробностями, поэтому конкретные сведения о языках, длине аудио и ограничениях качества здесь не подтверждены.

OpenASR/parakeet-tdt-0.6b-v3 — локальная мультиязычная модель автоматического распознавания речи, разработанная NVIDIA и упакованная проектом OpenASR в формат .oasr. Она предназначена для преобразования аудио в текст на CPU и GPU, включая транскрибацию записей и потоков. Модель автоматически определяет язык речи и поддерживает 25 европейских языков: болгарский, хорватский, чешский, датский, нидерландский, английский, эстонский, финский, французский, немецкий, греческий, венгерский, итальянский, латышский, литовский, мальтийский, польский, португальский, румынский, словацкий, словенский, испанский, шведский, русский и украинский. Модель содержит около 600 млн параметров и сочетает энкодер FastConformer с декодером Token-and-Duration Transducer (TDT), который предсказывает длительность токенов и пропускает соответствующее число аудиокадров. Это повышает скорость декодирования и обеспечивает нативные временные метки слов. Обучение на корпусах Granary и NeMo ASR Set 3.0 позволило сохранять пунктуацию и регистр в расшифровке. Доступны варианты fp16, q8_0 и q4_k; сборка q8_0 рекомендована как компромисс между качеством и размером, а q4_k — для устройств с ограниченной памятью. Сильные стороны модели — поддержка большого числа европейских языков, автоматическое определение языка, высокая скорость локального инференса, временные метки слов и работа без Python во время выполнения. Ограничения включают специализацию только на распознавании речи и отсутствие данных о точности для всех языков и сценариев в представленном README. Модель и производные пакеты распространяются по лицензии CC-BY-4.0, требующей указания авторства NVIDIA.

Phi-3.5-mini-instruct_Uncensored-GGUF — это квантизированная версия инструкционной текстовой языковой модели Phi-3.5-mini-instruct_Uncensored, разработанной SicariusSicariiStuff и преобразованной в формат GGUF пользователем bartowski. Модель предназначена для генерации текста и диалоговых сценариев; запуск возможен через llama.cpp и совместимые приложения, включая LM Studio. В README указан специальный формат промпта с ролями system, user и assistant. Доступны варианты от исходных весов F16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3, Q2 и IQ. Размер файлов составляет примерно от 1,42 до 7,64 ГБ, что позволяет выбирать между качеством ответов и требованиями к памяти. Для квантизации использовался llama.cpp b3600 с методом imatrix. Более высокие варианты, включая Q6 и Q5, характеризуются как обеспечивающие очень высокое или высокое качество, тогда как Q2 и Q3 экономят память ценой заметного снижения качества. README не содержит сведений о точном числе параметров, архитектуре, длине контекста, поддерживаемых языках или мультимодальности. Модель распространяется по лицензии Apache-2.0.

Модель kiyuyeon/pii-ner-kcelectra разработана для обнаружения персональных данных в корейском тексте с помощью распознавания именованных сущностей. Это дообученная на синтетических и дополнительных корпусах модель beomi/KcELECTRA-base-v2022 с архитектурой ELECTRA и классификатором токенов, размером 155 млн параметров и контекстом до 512 токенов. Она размечает имена людей, адреса, школы и телефонные номера, чтобы подготовить текст к размытию или маскированию. Модель предназначена для очистки корейских новостей, сообщений и документов перед публикацией или передачей на обработку. На проверке на новостном корпусе NAVER NER автор сообщает полноту обнаружения имен 91,0% и полное маскирование имени в 86,6% случаев; для повышения полноты маскирования README рекомендует объединять предсказания модели с регулярными выражениями и словарными правилами. Лицензия — MIT. Качество может снижаться на разговорном и OCR-тексте, а также для иностранных имен в корейской транскрипции, псевдонимов и сценических имен. 주민등록번호, электронная почта и банковские счета не входят в метки модели и требуют отдельной обработки регулярными выражениями.

radlab/polish-cross-encoder — модель перекрёстного ранжирования польскоязычных текстов, опубликованная пользователем или организацией radlab. Она предназначена для оценки релевантности пары текстов и сортировки кандидатов по соответствию запросу; метаданные также указывают поддержку классификации текста. Модель построена на архитектуре RoBERTa с классификационной головой RobertaForSequenceClassification и содержит около 533,7 млн параметров. Для работы с ней указана библиотека sentence-transformers; контекст — до 514 токенов. Модель ориентирована на польский язык и обучена с использованием radlab/polish-sts-dataset. Её можно применять для поиска и ранжирования польских документов, например как этап reranking в поисковой системе. Репозиторий содержит веса PyTorch и safetensors. Лицензия — CC BY-SA 4.0; README содержит лишь заголовок и пример использования, поэтому подробностей о методике обучения и оценке качества в нём нет.

unicamp-dl/ptt5-v2-3b — португалоязычная предварительно обученная модель семейства T5, разработанная группой Unicamp-DL на основе контрольной точки Google T5-3B. Это продолжение предобучения исходной модели на португальском языке; чекпойнт также использовался при обучении MonoT5-реранкеров для португальского языка. Модель имеет архитектуру T5ForConditionalGeneration, около 385,2 млн параметров и контекст до 512 токенов. Модель предназначена для генерации текста и задач NLP в формате преобразования текста в текст, в том числе как основа для португальских реранкеров. Она принимает текст и генерирует текст. Опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; применимость к конкретной задаче следует проверять отдельно.

Qwen2.5-0.5B-Instruct-MLX-4bit — компактная инструкционная языковая модель для генерации текста и диалогового взаимодействия. Исходную модель разработала команда Qwen, а MLX-квантизацию в формате 4-bit подготовил bartowski на основе инструментов mlx-examples. Модель предназначена для запуска на компьютерах Mac с Apple Silicon, в том числе через LM Studio. Модель имеет размер 0,5 млрд параметров и поддерживает текстовый ввод и вывод. Она рассчитана на задачи общения, следования инструкциям, понимания и генерации структурированных данных. Заявлена поддержка контекста до 32 тысяч токенов и генерации до 8 тысяч токенов. Модель обучалась на большом наборе данных и поддерживает более 29 языков, включая английский, китайский, французский, испанский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. К сильным сторонам относятся небольшой размер, сниженное потребление ресурсов благодаря 4-bit-квантизации, поддержка длинного контекста и широкого набора языков. Ограничениями являются сравнительно небольшая ёмкость модели, зависимость MLX-версии от устройств Apple Silicon и возможные ошибки, неточности, нежелательный или небезопасный контент, характерные для генеративных моделей. В README не указаны результаты тестов производительности или качества. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen2.5-1.5B-bnb-4bit — 4-битная версия базовой языковой модели Qwen2.5-1.5B, подготовленная Unsloth на основе Qwen/Qwen2.5-1.5B, разработанной командой Qwen. Модель предназначена для генерации и продолжения текста, а также для последующего дообучения под прикладные задачи. Для диалогового использования базовая версия не рекомендуется без дополнительного post-training, например SFT, RLHF или продолжения предобучения. Модель относится к causal language models и содержит около 1,54 млрд параметров, из которых 1,31 млрд не являются параметрами эмбеддингов. Архитектура включает RoPE, SwiGLU, RMSNorm, bias в attention QKV и связанные эмбеддинги слов; используется 28 слоёв и Grouped Query Attention с 12 головами Q и 2 головами KV. Полная длина контекста составляет 32 768 токенов. Заявлена поддержка более 29 языков, включая китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. К сильным сторонам относятся небольшой размер, поддержка нескольких языков и пригодность для эффективного дообучения и развёртывания при ограниченных ресурсах благодаря 4-битному представлению. Модель также наследует заявленные для Qwen2.5 улучшения в кодировании, математике, следовании инструкциям и работе со структурированными данными, однако конкретные результаты для этой версии в README не приведены. Ограничения включают базовый, а не instruction-tuned характер модели, контекст до 32 768 токенов и возможные потери качества, связанные с 4-битной квантизацией. Лицензия — Apache-2.0.

Qwen2.5-32B-Instruct-IMat-GGUF — это GGUF-квантизированная версия языковой модели Qwen2.5-32B-Instruct, разработанной командой Qwen и подготовленной для llama.cpp пользователем legraphista. Модель предназначена для диалогов и генерации текста, включая использование в локальных приложениях и совместимых инструментах инференса. В README указана поддержка английского языка и задача text-generation. Модель имеет размер 32B параметров и основана на исходных весах BF16. Доступны варианты от BF16 и F16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K, включая форматы с IMatrix-квантизацией. Размер файлов составляет примерно от 12,31 до 65,54 ГБ в зависимости от варианта; некоторые высокоточные версии разделены на несколько файлов. IMatrix применяется к ряду вариантов с более сильным сжатием, что позволяет уменьшить требования к памяти при сохранении качества, однако README не содержит количественной оценки качества и не указывает размер контекста или дополнительные модальности. Сильной стороной модели является широкий выбор уровней квантизации и совместимость с llama.cpp, благодаря чему можно подобрать компромисс между качеством, скоростью и потреблением памяти. Ограничениями являются значительные аппаратные требования даже для сжатых вариантов, а также отсутствие в предоставленных данных подробных сведений о производительности, языковом охвате за пределами английского и ограничениях применения. Распространение указано по лицензии Apache-2.0.

qingy2019 дообучил плотную языковую модель Qwen2.5-14B-Instruct на базе unsloth/qwen2.5-14b-instruct-bnb-4bit на 400 шагах с использованием Unsloth и TRL. Модель содержит 14 млрд параметров, принимает текст и поддерживает генерацию текста и диалоговый режим с контекстом до 32 768 токенов. Модель предназначена для генерации ответов и диалогов общего назначения. В обучении использовался набор garage-bAInd/Open-Platypus; карточка называет модель Qwen2.5-Math, но не приводит отдельного описания математической специализации. Опубликованные результаты включают оценки IFEval и BBH, однако данных для вывода о качестве на широком наборе задач недостаточно. Модель распространяется по лицензии Apache-2.0.

MuXodious/Qwen3.5-4B-ARA-heresy — мультимодальная модель для диалога с текстом и изображениями, созданная MuXodious как дообучение Qwen/Qwen3.5-4B с помощью метода abliteration Heretic и Arbitrary-Rank Ablation. Она предназначена для ответов на вопросы, рассуждений по тексту и изображениям и сценариев с вызовом инструментов. Модель имеет плотную архитектуру Qwen3.5 с 4 млрд параметров и vision encoder; базовый контекст составляет 262 144 токена, с расширением до 1 010 000 токенов. В README заявлена поддержка 201 языка и диалекта для семейства Qwen3.5; список языков именно этого варианта не приведён. Основное изменение этой версии — снижение отказов на тестовом наборе: после обработки указано 2 отказа из 104 против 103 из 104 у исходной модели. Это не означает гарантированного отсутствия отказов или подтверждённого качества на других задачах. Модель распространяется в формате Safetensors и совместима с Transformers и рядом серверов инференса. Лицензия — Apache-2.0.

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.

Tsuna57/Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-MTP-Q8_0-GGUF — это квантованная версия модели DavidAU/Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-MTP, преобразованная в формат GGUF с помощью llama.cpp и сервиса GGUF-my-repo. Модель основана на Qwen3.6 и имеет размер 27 млрд параметров; в карточке также указаны многоэтапная настройка, объединение моделей, режимы thinking и reasoning, а также поддержка MTP-квантов. Квантование Q8_0 предназначено для запуска через llama.cpp. Модель ориентирована на широкий спектр текстовых сценариев, включая программирование, творческое письмо, создание историй и художественной прозы разных жанров, ролевые диалоги и задачи общего назначения. Заявлена поддержка английского и китайского языков. В метаданных указан pipeline image-text-to-text, однако подробности о фактических возможностях обработки изображений в README отсутствуют. К сильным сторонам относятся формат GGUF, совместимость с llama.cpp и возможность локального запуска через CLI или сервер. Ограничения и точные показатели качества, размер контекста, требования к оборудованию, особенности мультимодальности и результаты оценки в карточке не приведены; в примере запуска указан контекст 2048 токенов, но это не обязательно максимальное значение модели. Лицензия — Apache-2.0.

Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-NEO-MAX-MTP-GGUF — открытая многоэтапно дообученная и объединённая модель на базе Qwen3.6-27B. В создании участвовали DavidAU, Nightmedia, TeichAI, armand0e и trohrbaugh; использовались собственные и внешние наборы данных, включая DavidAU/Polar-STRICT-Datasets и DavidAU/F451-STRICT-Datasets. Модель распространяется в формате GGUF, включая обычные и MTP-квантизации, и рассчитана на использование на потребительском оборудовании. Модель предназначена для широкого спектра задач: следования инструкциям, решения задач, рассуждений, программирования, творческого письма, работы с художественными текстами и ролевых сценариев. Заявлена поддержка текста и изображений, а также английского и китайского языков. По данным авторов, она улучшает следование инструкциям, общий интеллект и reasoning по сравнению с базовой моделью; заявленные результаты превосходят базовый Qwen3.6-27B в шести из семи тестов. Эти показатели представлены авторами и не подтверждены независимой проверкой в README. К ограничениям относятся отсутствие сведений о размере контекстного окна, точных параметрах архитектуры, поддерживаемых форматах изображений и фактическом качестве на разных языках и задачах. Маркировка uncensored и heretic указывает на ослабление стандартных ограничений безопасности, поэтому модель может генерировать нежелательный или рискованный контент. Лицензия — Apache-2.0.

Это GGUF-представление модели Qwen3.6-35B-A3B, подготовленное SC117 с применением метода APEX для квантования MoE-моделей. В основе лежит llmfan46/Qwen3.6-35B-A3B-uncensored-heretic-Native-MTP-Preserved — модифицированная версия Qwen3.6-35B-A3B со сниженным числом отказов. В репозитории представлены варианты GGUF, включая F16; README описывает уровни квантования APEX, которые распределяют точность по типам тензоров и слоям. Модель предназначена для диалогов и генерации текста по текстовым и визуальным запросам. Вариант сохраняет 20 слоёв MTP для спекулятивного декодирования; README приводит настройки запуска через llama.cpp и Ollama. Метаданные указывают возможность работы с изображениями, но подробности мультимодальных возможностей и поддерживаемые языки в доступных материалах не раскрыты. Модификация исходной модели позиционируется как uncensored: в README заявлено снижение отказов на 88% при сохранении качества, однако эти цифры приводятся авторами и не являются независимой оценкой. Модель распространяется по лицензии Apache-2.0. Для запуска необходим совместимый движок GGUF; скорость и качество зависят от выбранного варианта квантования и оборудования.

taurusduan/Qwen3.8-27B-Heretic-Abliterated-Uncensored-GGUF — это модифицированная версия Qwen3.8-27B семейства Qwen, подготовленная в формате GGUF для запуска через llama.cpp. Она основана на варианте trohrbaugh/Qwen3.8-27B-heretic-ara, созданном Tim Rohrbaugh с применением метода ARA, и дополнительно прошла два полноразмерных прохода ARA для уменьшения остаточных отказов модели. Точная команда разработчиков RVN в README не указана. Модель предназначена для генерации текста, исследовательских задач, творческого письма, ролевых сценариев и генерации с уменьшенным числом отказов на вредоносные запросы. Архитектура — гибрид Gated DeltaNet и стандартного внимания: 27 млрд параметров, 64 слоя, из которых 16 используют обычное внимание, а 48 — линейное внимание Gated DeltaNet; предусмотрены GQA с 24 attention heads и 4 KV heads. Размер скрытого слоя — 5120, словарь содержит 248 320 токенов, контекст — до 262 144 токенов. Модель текстовая; языки в README явно не перечислены. К сильным сторонам относятся низкое поведенческое отклонение от исходной модели после модификации и существенно сниженная вероятность отказов: заявлены KL примерно 0,0085 и 0–1 отказов на 100 вредоносных запросов в независимой проверке. При этом защитные ограничения намеренно ослаблены, поэтому модель не подходит для сценариев, требующих строгих гарантий безопасности, и предназначена только для совершеннолетних пользователей. Использование должно соответствовать законам и ответственным практикам. Лицензия — Apache-2.0; доступны GGUF-файлы, а отдельные варианты содержат встроенную поддержку MTP для speculative decoding.