I.3Извлечение и структурирование данных

insraq/Qwen3.5-2B-EmperoAI-Qwen3.8-Distill-Heretic-Abliterated — текстовая доработка модели семейства Qwen, созданная Empero и опубликованная insraq. Это полнопараметрический вариант Qwen/Qwen3.5-2B: его дообучили методом дистилляции на примерно 30 тысячах отобранных примеров рассуждений и следов инструкций, а затем применили Heretic для снижения склонности к отказам. Модель содержит около 2 млрд параметров, использует плотную архитектуру Qwen3.5 и принимает текст; нативное контекстное окно составляет 262 144 токена. Модель предназначена для диалогов, следования инструкциям, математических задач и общих рассуждений, в том числе на устройствах с ограниченными ресурсами. В README приведены результаты на GSM8K и MMLU, где вариант Qwen3.8-2B превосходит базовую Qwen3.5-2B в указанных тестах; это результаты карточки, а не гарантия качества для других сценариев. Дообучение было текстовым, поэтому унаследованные от мультимодальной основы возможности работы с изображениями не оценивались. Для генерации рекомендуются ненулевая температура и достаточно длинный лимит вывода; при жадном декодировании на длинных ответах возможны циклы повторения. Весовые файлы доступны в формате Safetensors и рассчитаны на Transformers, а также совместимые с архитектурой среды. Лицензия — Apache-2.0.

Qwen3.5-9B-GGUF — это набор GGUF-квантизаций базовой модели Qwen/Qwen3.5-9B, подготовленный jimbothigpen с использованием форка llama.cpp. Набор включает исходный вариант BF16 и 41 тип квантизации от IQ1_* до Q8_0, а также vision-проектор для мультимодального использования. Модель предназначена для локального запуска и сравнения качества, perplexity и производительности различных форматов квантизации в совместимых реализациях llama.cpp. Ключевая особенность набора — использование единой importance matrix, рассчитанной на полном многодоменном калибровочном корпусе calibration_datav3 и применённой к большинству вариантов. Это позволяет лучше сохранять качество при низкой разрядности. Отдельные форматы WHT3_0 и WHT4_0 используют Walsh-Hadamard-преобразование и намеренно создаются без importance matrix. Доступна мультимодальная конфигурация с vision-проектором, однако сведения о языках и размере контекста в README не указаны. Основное ограничение — совместимость зависит от формата: стандартные типы загружаются в обычном llama.cpp, семейства IQ-K, KS, KT, KL и KSS требуют сборки, совместимой с ik_llama.cpp, а WHT-форматы — форка jimbothigpen/llama.cpp или другой реализации с поддержкой WHT. Производительность, требования к памяти и качество зависят от выбранной квантизации и используемого backend. Производные веса распространяются по лицензии Apache-2.0, унаследованной от базовой модели.

Qwen3.6-27B-Heretic2-Uncensored-Finetune-Thinking-OptiQ-4bit — текстовая языковая модель, разработанная на основе DavidAU/Qwen3.6-27B-Heretic2-Uncensored-Finetune-Thinking и адаптированная сообществом mlx-community для запуска на Apple Silicon с использованием MLX. Модель предназначена для генерации текста, включая сценарии рассуждений и creative writing. Режим thinking можно включать или отключать через суффиксы :think и :no-think в идентификаторе модели либо параметр enable_thinking в chat template. Модель использует архитектуру qwen3_5, соответствующую Qwen3.6-27B, и работает только с текстом. Она применяет смешанное квантование OptiQ: разные слои имеют разрядность 4 или 8 бит, средняя разрядность составляет около 5,6 бит на вес; 220 слоёв квантованы в 8 бит, а 276 — в 4 бита. Такой подход призван сохранить больше точности в чувствительных слоях при снижении требований к памяти. Для запуска требуются MLX и совместимое окружение Apple Silicon; модель можно использовать через mlx-optiq или mlx_lm. Поведение и возможности модели определяются базовой дообученной моделью DavidAU, тогда как данный репозиторий изменяет только способ квантования. В README не указаны поддерживаемые языки, размер контекстного окна и подробные ограничения качества. Лицензия — Apache-2.0.

OsaurusAI подготовила JANG_4M — квантованную версию мультимодальной модели Qwen3.6-27B для локального запуска в MLX на компьютерах Apple Silicon. Это плотная модель на 27,3 млрд параметров с гибридной архитектурой: 48 из 64 слоёв используют Gated DeltaNet, остальные — полное внимание; также есть визуальный энкодер для изображений и видео. Модель принимает текст и визуальный ввод и предназначена для диалога, ответов по изображениям и видео, а также текстовых задач вроде перевода и вопросов с рассуждением. В JANG_4M основная часть весов сжата до 4 бит, а проекции полного внимания, эмбеддинги и выходная голова сохранены в 8-битном формате. В README приведены результаты на срезе MMLU из 200 вопросов без включённого рассуждения; режим с рассуждением не оценивался. Для запуска требуется совместимая среда MLX на Apple Silicon; карточка рекомендует Osaurus. Размер весов на диске — около 17,5 ГБ, а после загрузки модель занимает примерно 18–22 ГБ плюс память для KV-кэша. Лицензия — Apache-2.0.

cmp-nct/Qwen3.6-35B-A3B-GGUF — GGUF-версия модели Qwen3.6-35B-A3B, разработанной командой Qwen. По метаданным это мультимодальная модель с поддержкой сценария image-text-to-text, предназначенная для обработки изображений и текста с генерацией текстовых ответов. В репозитории также указана quantized vision projector, то есть квантизированный визуальный проектор. Модель построена на MoE-архитектуре: заявлен общий размер 35 млрд параметров и конфигурация A3B, однако точное число активных параметров, размер контекста, поддерживаемые языки и конкретные требования к оборудованию в README не указаны. Формат GGUF ориентирован на локальный запуск в совместимых инструментах, но сведения о доступных вариантах квантизации и производительности отсутствуют. Лицензия — Apache-2.0. README не содержит достаточных данных для оценки качества, сильных сторон и ограничений модели в конкретных задачах, поэтому перед использованием следует отдельно проверить совместимость рантайма, характеристики выбранного GGUF-файла и возможности мультимодального инференса.

Qwen3.6-35B-A3B-heretic-GGUF — набор квантованных моделей в формате GGUF, опубликованный Abiray на основе модели tvall43/Qwen3.6-35B-A3B-heretic. Репозиторий предназначен для запуска через llama.cpp и другие совместимые движки инференса на базе GGML. По названию модель относится к классу 35B-A3B, однако подробности архитектуры и точное соотношение параметров в README не раскрыты. В метаданных указано назначение image-text-to-text, но поддерживаемые модальности и языки отдельно не описаны. Доступны варианты Q3_K_M, Q4_K_S, Q4_K_M, Q5_K_M, Q6_K и Q8_0. Q4_K_M рекомендуется как компромисс между размером, скоростью и качеством; Q3_K_M экономит больше всего места, но заметнее ухудшает качество, а Q6_K и Q8_0 ориентированы на системы с большим объёмом VRAM и обеспечивают качество, близкое к исходному. Модель можно использовать для генерации текста и других поддерживаемых задач через современные версии llama.cpp, но требования к контексту, языкам и аппаратным ресурсам, кроме общих различий между квантованиями, не указаны. Лицензия обозначена как other, без дополнительных условий в README.

Это мультимодальная модель семейства Qwen, созданная RangerX на основе Qwen/Qwen3.6-35B-A3B. Чекпойнт получен методом REAP (Router-weighted Expert Activation Pruning): маршрутизируемые эксперты отбирались по весам маршрутизатора и нормам активаций; коэффициент pruning — 0,50. Модель использует архитектуру Qwen3_5MoeForConditionalGeneration и распространяется в формате safetensors для Transformers. Модель предназначена для диалогов и задач «изображение—текст», включая анализ изображений. При создании сохранены конфигурация vision-language, общий эксперт, токенизатор и процессор; для калибровки pruning использовалась смесь примеров по коду, вызову функций, математике, науке и траекториям SWE-bench. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества после pruning, поэтому сохранение исходного уровня возможностей не подтверждено.

Qwen3.8-27B-bf16 — мультимодальная модель семейства Qwen, опубликованная mlx-community и преобразованная из Qwen/Qwen3.8-27B для формата MLX. Это плотная модель с 27 млрд параметров на архитектуре Qwen3_5ForConditionalGeneration; она предназначена для диалогов и анализа изображений. Метаданные указывают поддержку vision и conversational-сценариев, а README описывает запуск через mlx-vlm. Модель принимает текст и изображения и формирует текстовые ответы. Базовая карточка характеризует исходную модель как подходящую также для анализа видео, программирования и многошаговых задач, однако карточка этой сборки подтверждает прежде всего обработку изображений и диалог. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

Qwen3.8-27B-E03-Obliterated-Omni — независимый пакет от автора cudabenchmarktest в формате GGUF Q4_K_M для интеграции с Ollama через совместимый Robit Omni Adapter. Он объединяет генерацию текста и работу с инструментами на базе Qwen3.8-27B-E03-Obliterated, обработку изображений, аудио и sampled-видео на компонентах Qwen3-Omni, а также синтез речи по тексту с помощью Qwen3-TTS. Это оркестрация отдельных компонентов, а не единая модель с общим мультимодальным пространством представлений. Пакет предназначен для диалоговых приложений, которым нужны ответы по тексту и медиа, вызов структурированных инструментов и озвучивание ответа. Для аудио- и видео-маршрутов требуется совместимый адаптер и рабочие процессы llama.cpp; стандартный Ollama обслуживает текст, изображения, рассуждения и инструменты. Поддерживаются английский язык и мультимодальные входы; синтез речи выдаёт 24 кГц аудио. Репозиторий содержит крупный GGUF-артефакт размером около 38,8 ГБ. Ограничения включают отсутствие потокового ввода и вывода аудио в версии адаптера v1, временное, но не точное до сэмпла сопоставление аудио и видео, а также последовательную реализацию TTS, не рассчитанную на высокую параллельность. Языковой компонент намеренно ослабляет отказы и унаследовал известные проблемы с повторением или некорректной обработкой вредоносных запросов. Лицензия пакета указана как Apache-2.0; лицензии исходных компонентов и их условия следует сверять отдельно.

SC117/Qwen3.8-27B-Uncensored-FIT-GGUF — набор из 14 GGUF-квантизаций базовой модели orcarouter/Qwen3.8-27B-Uncensored. Файлы подготовлены с использованием FIT-GGUF — открытого детерминированного инструмента поверх пресетов квантизации llama.cpp, разработанного Scorp1o117. Модель предназначена для генерации текста и локального запуска в совместимых инструментах, включая llama.cpp. Модель имеет размер 27B параметров, относится к текстовым моделям и заявлена для английского и китайского языков. Доступны варианты с непрерывно подобранным размером примерно от 7 до 13,5 GiB. Для каждого файла заявлены точное соответствие прогнозируемому размеру и проверка с использованием измерений KL-divergence и same-top; MTP head удалена. Размер контекста и дополнительные модальности в README не указаны. Главное преимущество набора — гибкий выбор размера под доступный бюджет памяти и детерминированное распределение точности по тензорам. При этом README прямо отмечает, что универсально оптимальное распределение тензорной точности не установлено, поэтому качество разных вариантов может различаться. Лицензия — Apache-2.0.

Qwen3.8-27B-Uncensored MLX BF16 — конверсия сообщества для компьютеров Apple с Apple silicon, основанная на модели orcarouter/Qwen3.8-27B-Uncensored. Это плотная мультимодальная модель семейства Qwen3.5/Qwen3.8 с 27 млрд параметров: она принимает текст и изображения, поддерживает диалоги, рассуждения и анализ визуального содержимого. Настроенное окно контекста — 262 144 токена, но доступная длина зависит от памяти, настроек KV-кэша и типа входа. Модель предназначена для генерации текста и ответов на вопросы по изображениям; включён отдельный MTP-драфтер для ускорения спекулятивного декодирования. По карточке, исходная модель снижает склонность к отказам, а эта публикация переносит её веса в формат MLX BF16 без квантизации и дополнительного дообучения. Для запуска требуются Mac с Apple silicon, совместимая версия mlx-vlm и около 55 ГБ памяти только для весов, плюс память для вычислений и KV-кэша. Карточка приводит локальные проверки генерации, анализа изображений и MTP, а также результаты отдельных бенчмарков; они не гарантируют качество на других задачах и устройствах. В частности, указаны ограничения на длинных документах, а режим JSON не всегда соблюдал запрошенную схему. Модель не является официальным релизом Qwen или OrcaRouter. Лицензия — Apache-2.0.

Qwen3.8-27B-Uncensored-oQ4e-fp16-mtp — это мультимодальная версия модели семейства Qwen3.8 с архитектурным типом qwen3_5 и примерно 27 млрд параметров. Артефакт создан pyros-vault как deployment-конверсия модели orcarouter/Qwen3.8-27B-Uncensored для Apple MLX с использованием oMLX 0.6.1 и смешанной квантизации oQ. Модель предназначена для диалоговых сценариев и обработки текста вместе с визуальными данными; в репозитории сохранены ресурсы Vision, обработчики изображений и видео, а также один слой MTP для потенциального speculative decoding. Основной формат хранения использует аффинную квантизацию Q4/G64 с 166 переопределениями тензоров Q5/G64. Размер тензорного содержимого составляет около 16,66 ГиБ в четырёх Safetensors-фрагментах; вспомогательные MTP-тензоры частично сохранены в F16, поэтому суффикс fp16 не означает полностью FP16-голову MTP. Конфигурация заявляет максимальный контекст 262 144 токена, однако этот предел не тестировался. Калибровка выполнялась на 128 последовательностях по 512 токенов с набором oqe_code_multilingual, но конкретный список поддерживаемых языков не указан. Модель ориентирована на запуск через oMLX на компьютерах Apple Silicon с macOS. Она не предназначена для непосредственного использования как GGUF-, Transformers- или CUDA-артефакт, а размещённая на Hugging Face инфраструктура не предоставляет для неё готовый hosted inference. Скорость, потребление памяти, качество Vision, работа MTP и фактическая пригодность длинного контекста зависят от версии oMLX, клиента и чипа Apple; качество может отличаться из-за квантизации, а заявка Uncensored унаследована от исходной модели и отдельно не проверялась. Для upstream-модели указана лицензия Apache-2.0; дополнительные условия следует сверять с исходной карточкой модели.

Карточка модели AeonAIRisk/Qwen3.8-Flash-Next-Abliterated на Hugging Face совпадает с карточкой windowsxp811203/Qwen3.8-Flash-Next-Abliterated, поэтому описание составлено по ней. Qwen3.8-Flash-Next-Abliterated — доработанная автором карточки версия Qwen/Qwen3.8-Flash-Next, в которой ослаблен механизм отказа отвечать на вредоносные запросы. Это мультимодальная модель семейства Qwen с архитектурой Qwen4ExpForConditionalGeneration; метаданные указывают поддержку чата, вызова инструментов и анализа изображений. Весовой формат — safetensors, для запуска требуется transformers версии 5.16 или новее. Модель предназначена для диалоговых и агентных сценариев с текстом и изображениями, в том числе для задач, где требуется отвечать на запросы, которые исходная модель могла отклонить. Автор сообщает о снижении отказов на AdvBench с 99,42% до 0,96%, сохранении результата GSM8K в пределах измеренного уровня и снижении точности MMLU на 1,6 процентного пункта. По README изменены 151 тензор, а башня зрения и ряд других компонентов оставлены без изменений. Основные заявленные языки — английский и китайский. Лицензия указана как other, поэтому условия использования следует уточнить на странице репозитория. Модель значительно реже отказывает на вредоносных запросах; это ограничивает её пригодность для сценариев, где важны защитные отказы. Замеры качества выполнены автором на указанных тестах и не гарантируют аналогичных результатов на других задачах.

TheTsar1209 разработал qwen-carpmuscle-v0.4 — чат-модель на архитектуре Qwen2, дообученная методом SFT на базе unsloth/Qwen2.5-14B-Instruct-bnb-4bit. Модель содержит 14 млрд параметров, использует формат ChatML и рассчитана на генерацию текста и диалоговое взаимодействие. В обучении применялись наборы данных для предварительного обучения, инструкций и чатов; данные были переформатированы, а часть некачественных ответов и отказов удалена. Модель подходит для диалогов и выполнения текстовых инструкций на английском языке. В README указан контекст обучения 8k, а метаданные каталога приводят native context 32768 токенов. Репозиторий содержит веса safetensors. Модель распространяется по лицензии Apache-2.0.

zelk12/recoilme-gemma-2-Ifable-9B-v0.1 — языковая модель на архитектуре Gemma 2, созданная слиянием SLERP двух предварительно обученных моделей: ifable/gemma-2-Ifable-9B и recoilme/recoilme-gemma-2-9B-v0.4. Модель содержит 9 млрд параметров, рассчитана на генерацию текста и диалоговое использование; работает через библиотеку Transformers, веса опубликованы в формате safetensors. Заявленная длина контекста — 8192 токена. Модель подходит для диалогов и генерации текста. В карточке приведены результаты Open LLM Leaderboard: средняя оценка 32,05, IFEval — 79,44, BBH — 43,39. Карточка не уточняет языковую специализацию и лицензию, поэтому эти характеристики здесь не заявляются.

Ruri v3 PT 310M — предварительно обученная модель эмбеддингов японского текста от cl-nagoya на базе ModernBERT-Ja. Она предназначена для получения векторных представлений предложений и сравнения их семантической близости; для прикладного использования авторы рекомендуют дообученную версию cl-nagoya/ruri-v3-310m. Модель имеет архитектуру ModernBERT, около 314,6 млн параметров, размерность эмбеддингов 768 и контекст до 8192 токенов. В карточке указаны японский язык и лицензия Apache-2.0. Это предварительно обученный чекпойнт без последующего дообучения на целевой задаче, поэтому качество сходства может быть ниже, чем у предназначенной для использования дообученной версии.

jangedoo разработал Sentence Transformer на базе intfloat/multilingual-e5-small, дообучив его на наборах данных для непальского поиска по вопросам и ответам, электронной коммерции, межъязыкового поиска и общих текстов. Модель преобразует предложения и абзацы в плотные векторы размерностью 384 для поиска и сравнения текстов по косинусному сходству. Архитектура состоит из BERT-трансформера, усредняющего пулинга и нормализации эмбеддингов. Модель принимает текст, поддерживает непальский и английский языки и обрабатывает последовательности до 512 токенов. Её можно применять для поиска релевантных документов, подбора ответов и межъязыкового поиска; README также приводит оценки на наборах для семантического сходства и перевода. Чекпойнт опубликован в формате safetensors и рассчитан на использование с библиотекой Sentence Transformers. Лицензия в предоставленных сведениях не указана.

sfm_filtered_midtrain_alignment-1k_2k_3k_simpleavg_merge — объединённая языковая модель на архитектуре GPT-NeoX, созданная с помощью mergekit. В линейное слияние вошли контрольные точки предобучения на шагах 1000, 2000 и 3000; базовой для слияния указана контрольная точка global_step3000. Репозиторий содержит веса в формате safetensors и предназначен для генерации текста и диалогового взаимодействия. Модель содержит 8,8 млрд параметров и поддерживает контекст длиной до 16 384 токенов. В карточке не приведены сведения о языках обучения, целевых областях или лицензии, поэтому их нельзя надёжно определить по доступным данным.

Shellminator — дообученная модель ISB369 на базе Qwen2.5-Coder-0.5B-Instruct, разработанная для преобразования запросов на естественном языке в одну команду Bash. Модель ориентирована на Linux-сценарии, включая работу с файлами, каталогами, системной информацией и другими типичными операциями командной строки. Она доступна в формате safetensors и в варианте Q4_K_M GGUF для запуска через llama.cpp или Ollama, в том числе на CPU. Модель содержит около 0,5 млрд параметров и поддерживает английский язык. Она обучалась методом SFT на 105 тысячах строк, а затем была улучшена с помощью DPO self-play на 804 парах, проверенных фактическим выполнением команд в изолированных окружениях. В тесте IBM nl2bash-eabench bash_1 модель достигла 78% точности выполнения при однократной жадной генерации без повторных попыток и самокоррекции, что на 6 процентных пунктов выше её SFT-базы. Основное ограничение — генерация только одной команды: модель не предназначена для многострочных скриптов, heredoc или самостоятельного построения сложных цепочек без внешнего цикла уточнения. Остаточные ошибки отмечены для некоторых вариантов sed, comm/diff и mv, а также для команд, зависящих от особенностей окружения. Обучение и оценивание проводились на Linux x86_64 с типовыми тестовыми фикстурами, поэтому команды для экзотических файловых систем и нестандартных точек монтирования могут быть ненадёжны. Модель распространяется по лицензии Apache-2.0.

Карточка модели Veritone/siglip2-large-patch16-512 на Hugging Face совпадает с карточкой google/siglip2-large-patch16-512, поэтому описание составлено по ней. SigLIP 2 Large — визуальная модель Google на архитектуре SigLIP, обученная для сопоставления изображений и текста. Версия Large с патчами 16×16 и входным разрешением 512 пикселей расширяет исходную схему предобучения SigLIP методами для улучшения семантического понимания, локализации и получения плотных признаков. Модель использует библиотеку Transformers и распространяется в формате Safetensors. Модель предназначена для классификации изображений по произвольным текстовым меткам без отдельного обучения, поиска изображений по текстовому запросу и использования в качестве визуального энкодера для VLM и других задач компьютерного зрения. Она предобучена на наборе WebLI. Карточка не сообщает об ограничениях качества для конкретных типов изображений. Лицензия — Apache 2.0.

zeromodels/siglip2_so400m_p14_224 — конверсия модели SigLIP 2 Google в формат Keras 3 для библиотеки zeromodels. Это мультимодальная модель нулевой классификации изображений: при инференсе она сопоставляет изображение или изображения с текстовыми подсказками и оценивает, какие из них лучше соответствуют содержимому. Реализация работает с TensorFlow, PyTorch и JAX. Модель основана на google/siglip2-so400m-patch14-224. SigLIP 2 использует мультиязычный словарь Gemma на 256 тысяч токенов; предварительное обучение включает обучение по подписям, самодистилляцию и предсказание маскированных областей для улучшения семантических и плотных визуальных признаков. Для загрузки рекомендован соответствующий Processor, чтобы согласовать размер изображений и токенизатор. Модель подходит для классификации изображений по заданным текстовым меткам и сопоставления изображений с текстовыми описаниями. В репозитории указана лицензия Apache 2.0. Конкретные показатели качества и контекстные ограничения в предоставленных данных не приведены.

zeromodels представляет конверсию Google SigLIP Base Patch16-224 для библиотеки Keras 3. Это мультимодальный двойной энкодер изображений и текста, обученный с попарной сигмоидной функцией потерь; модель принимает изображения и текстовые подсказки и сопоставляет их для классификации изображений без обучения на целевых классах. Реализация работает с TensorFlow, PyTorch и JAX. Модель подходит для классификации изображений по текстовым описаниям и выбора наиболее подходящей подписи или категории из заданного пользователем списка. Размер изображения — 224 × 224 пикселя, патчи — 16 × 16. Лицензия — Apache 2.0. Английский текст указан в описании базовой модели; поддержка других языков в предоставленных данных не подтверждена.

GrayLine-Qwen3-14B-GGUF — квантизированная версия текстовой генеративной модели GrayLine-Qwen3-14B, разработанной soob3123 и подготовленной в формате GGUF пользователем bartowski. Квантизация выполнена с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, прямых ответов, информационного поиска и задач, связанных с общими знаниями. В метаданных она обозначена как unfiltered и uncensored, однако конкретные поведенческие характеристики и результаты тестирования не приведены. Модель относится к семейству Qwen3 и имеет размер 14 млрд параметров. Она работает с текстом и заявлена для английского языка. Доступны варианты от исходных BF16-весов размером 29,54 ГБ до низкоразрядных квантов, включая рекомендуемый Q4_K_M размером 9 ГБ, а также более качественные Q5 и Q6. Квантизированные файлы можно запускать через LM Studio, llama.cpp и другие совместимые проекты; для взаимодействия используется формат шаблона чата с ролями system, user и assistant. Сильной стороной модели является широкий выбор уровней квантизации, позволяющий выбирать между качеством ответов, требованиями к памяти и скоростью работы. Ограничения связаны с тем, что это текстовая модель только для английского языка, а квантизация может снижать качество по сравнению с исходной версией, особенно в компактных вариантах. Лицензия — Apache-2.0.

Squirtle — компактная модель эмбеддингов на архитектуре BERT, созданная Mihaiii дистилляцией bge-base-en-v1.5. Она предназначена прежде всего для семантического автодополнения, а также может использоваться для сравнения сходства предложений и извлечения признаков текста. Модель содержит 16,4 млн параметров, работает с текстом и поддерживает контекст до 512 токенов. Для получения эмбеддингов в сценарии semantic-autocomplete README рекомендует использовать CLS-пулинг и нормализацию; модель также доступна в форматах Safetensors и ONNX. Лицензия — MIT. README не приводит оценок качества или подробностей о поддерживаемых языках; название базовой модели указывает на англоязычное назначение.

Swallow 13B Instruct — языковая модель, разработанная tokyotech-llm и представленная в данном репозитории в формате GGUF с квантизацией TheBloke. Это инструкционная версия модели Swallow 13B, предназначенная для генерации текста и выполнения задач по текстовым инструкциям, включая диалоговые и прикладные сценарии локального запуска. Модель основана на архитектуре Llama, содержит около 13 млрд параметров и поддерживает английский и японский языки. В README не указаны модальности, размер контекста и результаты оценивания. Формат GGUFv2 ориентирован на инференс через llama.cpp и совместимые интерфейсы, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python; доступны варианты квантизации от 2 до 8 бит для CPU- и GPU-инференса. К сильным сторонам относятся инструкционная настройка, поддержка японского и английского языков и возможность локального запуска с различными уровнями квантизации. К ограничениям относятся возможная потеря качества при сильной квантизации, а также отсутствие в README подробных данных о качестве, безопасности, оптимальном оборудовании и максимальной длине контекста. Указана лицензия Llama 2.

TheTop-5x7B-Instruct-T-v0.1 — языковая модель MaziyarPanahi, полученная слиянием пяти моделей примерно по 7 млрд параметров методом TIES. Она предназначена для генерации текста и инструкционного диалога. Модель построена на архитектуре Mistral, распространяется в формате Safetensors и поддерживает контекст до 32 768 токенов. В карточке приведены результаты Open LLM Leaderboard, включая оценки на тестах AI2 Reasoning Challenge и HellaSwag. Модель можно применять для ответов на запросы, составления и преобразования текста, а также задач рассуждения в диалоге. Лицензия Apache-2.0 разрешает использование на её условиях. README не уточняет языковой охват и конкретный состав моделей, вошедших в слияние.

tifilBERT-Base — турецкий энкодер предложений и экстрактор признаков, разработанный Şuayp Talha Kocabay в AI-клубе TÜBİTAK Science High School (TFLai). Это дообученная версия jhu-clsp/mmBERT-small на архитектуре ModernBERT с 140,5 млн параметров; модель предназначена прежде всего для получения семантических представлений предложений и оценки их сходства. Карточка сообщает о языковой адаптации и контрастивном выравнивании, а метаданные указывают контекст до 8192 токенов. Для обучения и оценки использовались, в частности, турецкие данные NLI и набор OPUS-100; автор приводит результаты на задачах классификации, NLI и QA. Модель рассчитана главным образом на короткие и средние турецкие тексты и может служить основой для дообучения под классификацию, распознавание сущностей и другие NLP-задачи. Контрастивное обучение усиливает семантическое сходство, но может ухудшать оценку грамматической приемлемости. README указывает практический предел около 512 токенов и предупреждает о возможных предвзятостях данных из Википедии, новостей и интернета; это расходится с контекстом 8192 токена в метаданных. Лицензия модели — MIT.

UltronTactIQ-Mistral-2-7b — диалоговая языковая модель с архитектурой MistralForCausalLM и 7,1 млрд параметров, созданная CapiJack дообучением NousResearch/Nous-Hermes-2-Mistral-7B-DPO. Модель предназначена для генерации текста и общения по инструкциям; в метаданных отмечена поддержка чата. README сообщает о дообучении на наборе данных, название которого не приведено, и указывает значение loss 0,5036 на оценочном наборе. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В карточке нет сведений о целевых языках и специализированных областях применения. Распространяется по лицензии Apache-2.0.

ARTPARK-IISc разработала Vaani-LID_v0 — модель классификации устной речи по языку для 42 языков Индии и соседних регионов. Она принимает аудио и определяет, на каком из поддерживаемых языков или вариантов языка говорят. Модель построена на энкодере whisper-large-v3-turbo с модулем pooled attention и линейным классификатором. Она дообучена целиком на наборе ARTPARK-IISc/Vaani. В оценке на тестовых выборках точность составила 0,71 на FLEURS, 0,63 на Kathbath и 0,77 на Vaani. Модель подходит для определения языка в аудиозаписях, например перед выбором последующей системы распознавания речи. Она выдаёт метку языка, а не текстовую расшифровку речи. Лицензия — MIT.

Модель Harveenchadha/vakyansh-wav2vec2-hindi-him-4200 — модель распознавания речи на базе Wav2Vec2ForCTC, разработанная командой Vakyansh при Ekstep. Она дообучена на многоязычной предварительно обученной модели CLSRIL-23 и предназначена для преобразования речи на хинди в текст. Обучение проводилось на 4200 часах размеченных аудиоданных на хинди. Модель содержит около 113,3 млн параметров и принимает аудио с частотой дискретизации 16 кГц. Она выдаёт распознанный текст на хинди; языковая модель для декодирования не используется. В тесте на данных Common Voice для хинди указано значение 33,17%, но README не уточняет метрику, поэтому этот результат следует интерпретировать осторожно. Размеченные обучающие данные не опубликованы. Лицензия модели — MIT.