I.3Извлечение и структурирование данных

ChatGLM3-6B-Base 是智谱 AI（zai-org）发布的 ChatGLM 系列基础语言模型， построенный на плотной архитектуре ChatGLM и содержащий 7,5 млрд параметров. Модель рассчитана на продолжение текста и служит базой для дальнейшей адаптации; README указывает, что она не проходила выравнивание с человеческими намерениями и не предназначена для многошагового диалога без дополнительной настройки. Контекст составляет до 32 768 токенов. Карточка сообщает о сильных результатах среди предварительно обученных моделей менее 10 млрд параметров в оценках семантики, математики, рассуждений, кода и знаний. Поддерживаются китайский и английский языки. Веса открыты для академических исследований; бесплатное коммерческое использование разрешено после регистрации через анкету.license

Chinese-CLIP ViT-H/14 — модель сопоставления изображений и текста, разработанная OFA-Sys. Она использует ViT-H/14 как визуальный энкодер и RoBERTa-wwm-large как текстовый энкодер; модель обучена на крупном наборе примерно из 200 млн китайских пар «изображение—текст». Она предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, вычисления эмбеддингов изображений и текста, оценки их сходства и поиска изображений по текстовому запросу. Модель подходит для китайскоязычного поиска по изображениям и классификации с произвольными текстовыми метками. В карточке также приведены результаты для задач поиска по тексту на MUGE, Flickr30K-CN и COCO-CN. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

DeltaP2S-Qwen2.5-14B-SameFormula-Code-S13-QV — объединённый чекпойнт Qwen2.5, созданный экспериментальным пакетом Delta-P2S с учётом архитектуры Qwen. Базовая модель — Qwen/Qwen2.5-14B; архитектура — плотная авторегрессионная Qwen2ForCausalLM на 14 млрд параметров. Модель работает через Transformers, распространяется в формате safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста в диалоговом режиме. В названии и каталоге обучения есть указание на код, но README не описывает конкретные возможности программирования или результаты обучения, поэтому специализацию на коде нельзя подтвердить. Лицензия в предоставленных данных не указана.

ERNIE-4.5-VL-28B-A3B-PT — мультимодальная MoE-модель Baidu для диалогового взаимодействия с текстом и изображениями. Это вариант с весами PyTorch в формате Transformers; модель прошла постобучение с использованием SFT и методов оптимизации предпочтений. Архитектура относится к семейству ERNIE 4.5 MoE VLM: всего 28 млрд параметров, из которых для каждого токена активируется около 3 млрд. Контекст — до 131 072 токенов. Модель предназначена для понимания изображений и текста, ответов на вопросы о визуальном содержимом, мультимодальных рассуждений и генерации текста в чате. Поддерживает английский и китайский языки. В карточке указана совместимость с Transformers; для запуска приведён пример с vLLM и параметром доверия к удалённому коду. Модель распространяется по лицензии Apache-2.0. Карточка не приводит конкретных оценок качества или подробного списка ограничений, поэтому результаты для целевых сценариев следует проверять отдельно.

Это модель EVA02-CLIP от команды timm, опубликованная в формате OpenCLIP. Она сопоставляет изображения и текст: принимает изображение и текстовые описания категорий, кодирует их и позволяет оценить соответствие изображения каждому описанию для классификации без обучения на конкретном наборе меток. Визуальная часть основана на Vision Transformer с патчами 16×16; модель рассчитана на изображения 224×224. В названии и карточке указано обучение на объединённом наборе данных объёмом 2 млрд примеров. Модель предназначена для нулевой классификации изображений и сопоставления изображения с текстовыми запросами. Она выдаёт оценки сходства, поэтому пригодна для задач поиска и отбора по свободно заданным категориям. Весовые файлы доступны в форматах PyTorch и Safetensors и используются через OpenCLIP. Лицензия — MIT. Карточка не сообщает целевой естественный язык; качество зависит от формулировок текстовых меток и соответствия изображений обучающим данным.

FRED-T5-large — русскоязычная предварительно обученная текстовая модель семейства T5, разработанная командой SberDevices. Она предназначена для задач преобразования текста, включая генерацию и переформулирование; обучение проводилось на корпусе русского языка объёмом 300 ГБ с использованием смеси семи denoising-целей, основанной на подходе UL2. Архитектура включает 24 слоя и скрытое представление размером 1024; в метаданных указано 403,9 млн параметров и класс T5ForConditionalGeneration. Модель использует токенизатор BBPE и поддерживает русский язык. Веса опубликованы в формате PyTorch по лицензии Apache-2.0. Модель подходит как русскоязычная основа для генеративной обработки текста и дообучения под прикладные сценарии. Длина контекста в предоставленных сведениях не указана.

FsfairX-Zephyr-Chat-v0.1 — чат-модель, разработанная авторами репозитория sfairXC. Это плотная авторегрессионная модель семейства Mistral на 7,1 млрд параметров с контекстом до 32 768 токенов. Она создана методом итеративного обучения с подкреплением по обратной связи (GSHF): три итерации применены к HuggingFaceH4/mistral-7b-sft-beta с оценками reward model и примерно 60 тысячами промптов, сгенерированных ChatGPT; внешние ответы в обучении не использовались. Модель предназначена для диалогов и генерации ответов в формате чат-шаблона базовой модели. В README сообщаются результаты оценки на Alpaca Eval v2 и MT-bench, но они не гарантируют качество в иных сценариях. Язык карточки и метаданные не подтверждают конкретные языки обучения или поддержки. Модель распространяется по лицензии CC BY-SA 4.0.

Functionary-small-v3.2-GGUF — это набор GGUF-квантизированных версий языковой модели functionary-small-v3.2, разработанной meetkai и преобразованной в GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена для генерации текста и запуска локально через совместимые среды, включая LM Studio. В README также указан специальный формат промптов с ролями system, user и assistant, что позволяет использовать модель в диалоговых сценариях и задачах, требующих структурированного взаимодействия с функциями. Доступны варианты с разными уровнями квантизации: от F32 размером 32,13 ГБ до IQ2_M размером 2,95 ГБ. Наиболее качественными названы Q6_K_L и Q6_K, а Q4_K_M описан как вариант по умолчанию для случаев, где важен баланс размера и качества. Более компактные варианты подходят для систем с ограниченной оперативной памятью, но обеспечивают более низкое качество. Архитектура, число параметров, поддерживаемые языки, модальности и размер контекста в предоставленных данных не указаны. Модель распространяется по лицензии MIT. Ключевое преимущество этой версии — широкий выбор квантизаций для локального запуска с различными требованиями к памяти; ограничениями являются снижение качества у малых вариантов и отсутствие подробных сведений о базовой архитектуре и функциональных возможностях. Для корректной работы следует использовать указанный формат промптов и совместимый рантайм, например llama.cpp или LM Studio.

Gemma 3 1B IT — компактная instruction-tuned модель семейства Gemma 3, разработанная Google. Данная версия опубликована сообществом LM Studio в формате GGUF на основе оригинальной модели google/gemma-3-1b-it; GGUF-квантизация предоставлена Google. Модель предназначена для генерации текста, включая ответы на вопросы, суммаризацию и задачи, требующие рассуждений. Она оптимизирована с помощью Quantization Aware Training для повышения качества работы в 4-битном режиме, что делает её подходящей для локального запуска при ограниченных вычислительных ресурсах. Поддерживается контекст до 32 000 токенов и максимальная длина вывода до 8 192 токенов. Ключевое ограничение — небольшой размер в 1 млрд параметров, из-за которого модель может уступать более крупным системам в сложных рассуждениях, точности и широте знаний. В README не указаны дополнительные языковые возможности и модальности, поэтому модель следует рассматривать прежде всего как текстовую. Доступ и использование регулируются лицензией Google Gemma; на Hugging Face требуется принять условия этой лицензии.

Карточка модели mcwei/gemma-4-31B-it-bf16-sft-300 на Hugging Face совпадает с карточкой mcwei/gemma-4-31B-it-bf16-sft-novel-prefill-150, поэтому описание составлено по ней. mcwei/gemma-4-31B-it-bf16-sft-novel-prefill-150 — дообученная модель mcwei на базе unsloth/gemma-4-31B-it, созданная с использованием Unsloth и библиотеки Hugging Face TRL. Это мультимодальная плотная модель Gemma 4 с 31 млрд параметров для диалогов и анализа изображений; также базовая модель поддерживает программирование и вызов инструментов. Модель принимает текст и изображения и генерирует текст. В карточке указана лицензия Apache-2.0.

frankenmerger/gemma-4b-instruct-v0.2 — языковая модель семейства Gemma, разработанная на основе gemma-2b-it. По README, веса расширены до 4 млрд параметров, после чего модель дообучена на 50 тысячах примеров из Locutusque/hyperion-v2.0. Модель предназначена для генерации текста и диалогового общения; она принимает текст и выдаёт текст. Контекст составляет 8192 токена, формат весов — Safetensors. Модель может использоваться для ответов в чате, написания и продолжения текста, а также для прототипирования текстовых приложений. В метаданных указан английский язык. Лицензия — Apache-2.0. Карточка не приводит оценок качества или подробностей обучения, поэтому пригодность для конкретных задач следует проверять отдельно.

GLM-5.3-Flash-Uncensored-EXL3 — квантизированная версия uncensored (abliterated) модели GLM-5.3-Flash. Модель подготовлена neko-legends на основе FP8-версии orcarouter/GLM-5.3-Flash-Uncensored, происходящей от zai-org/GLM-5.3-Flash; калибровочные материалы связаны с проектом ShapleyMcg Brandon M. Music. Репозиторий классифицирует модель как multimodal и image-text-to-text, однако подробные сведения о поддерживаемых модальностях и языках в карточке не приведены. Модель предназначена для локального развёртывания, авторизованного red-team и purple-team тестирования, аудита и защиты собственных систем, анализа вредоносного содержимого, а также исследовательских и персональных сценариев. Это MoE-модель с 288 экспертами в 42 слоях; маршрутизируемые эксперты закодированы в EXL3/K4 с эффективной разрядностью 4 bpp, а остальные компоненты хранятся преимущественно в BF16. Заявлены контекст до 1 млн токенов, объём около 176 ГБ и скорость примерно 97 токенов в секунду в однопоточном режиме на конфигурации 4× DGX Spark TP4 с DFlash2 speculative decoding. К сильным сторонам относятся большой контекст, высокая скорость локального инференса и сохранение uncensored-поведения после квантизации. Ограничения включают значительные требования к памяти и оборудованию, отсутствие встроенного отказоустойчивого alignment, а также отсутствие в карточке независимых оценок возможностей, безопасности и смещений сверх указанных benchmark-материалов. Лицензирование смешанное: цепочка весов заявлена под MIT, а калибровочные артефакты и trellis-коды — под ShapleyMcg License v1.0 с обязательной атрибуцией и специальными условиями; перед использованием необходимо учитывать обе лицензии.

GLM-ASR-Nano-2512 — компактная модель распознавания речи от zai-org с 1,5 млрд параметров, построенная на архитектуре GLM-ASR и распространяемая в формате safetensors. Она принимает аудио и преобразует речь в текст; карточка заявляет поддержку китайского и английского, включая кантонский диалект, и устойчивость к тихой речи и сложной акустике. Модель предназначена для транскрибации разговоров и совещаний, в том числе при фоновом шуме и низкой громкости. В README заявлено, что модель превосходит Whisper V3 на ряде бенчмарков и показывает средний показатель ошибки 4,10; это заявления разработчика, а не независимая оценка. Для интеграции указана библиотека Transformers, а лицензия — MIT.

GLM-Edge-V-5B-GGUF — мультимодальная модель класса image-text-to-text, разработанная организацией Z.ai (репозиторий zai-org). Модель представлена в формате GGUF и предназначена для задач, в которых требуется обрабатывать изображения и текст и генерировать текстовые ответы. Заявлены поддерживаемые языки китайский и английский. Из доступных данных известно, что модель относится к семейству GLM-Edge и имеет размер 5B параметров. Архитектура и максимальная длина контекста в карточке не указаны. Для запуска рекомендуется адаптированная версия llama.cpp с поддержкой GLM-Edge; предусмотрено аппаратное ускорение, включая CUDA. Ограничения по качеству, производительности и перечню поддерживаемых мультимодальных сценариев не описаны. Использование весов регулируется лицензией GLM-4; в карточке указано обозначение лицензии other и приведена ссылка на файл LICENSE. Точные условия лицензии следует уточнять в этом файле.

lmstudio-community/gpt-oss-20b-MLX-8bit — 8-битная квантованная версия модели gpt-oss-20b, разработанной OpenAI. Квантование выполнено командой LM Studio с использованием MLX и библиотеки mlx_lm; модель оптимизирована для работы на устройствах Apple Silicon. Модель предназначена для генерации текста и может использоваться в локальных приложениях, чат-сценариях и других задачах text-generation, поддерживаемых исходной моделью. В README не указаны точные архитектурные характеристики, фактический размер в параметрах, языки, модальности и длина контекста, поэтому оценить эти свойства по имеющимся данным нельзя. Ключевое преимущество — 8-битное представление, ориентированное на более эффективный локальный запуск на Apple Silicon. Ограничения включают зависимость от совместимой MLX-среды и отсутствие подробных сведений о качестве, поддерживаемых языках и ограничениях исходной модели. Модель распространяется по лицензии Apache-2.0.

Granite-4.2-3B-FP8 — это FP8-квантизированная версия языковой модели Granite-4.2-3B, разработанная IBM и опубликованная в репозитории ibm-granite/granite-4.2-3b-fp8. Модель предназначена для задач обработки естественного языка; конкретные сценарии применения, поддерживаемые языки, архитектура, размер контекста и модальности в представленном README не описаны. Ключевая известная характеристика модели — использование формата FP8, что может быть ориентировано на более эффективное хранение и выполнение по сравнению с полной точностью, однако подробности о требованиях к оборудованию и фактических преимуществах не приведены. Ограничения и результаты тестирования также не указаны. Модель распространяется по лицензии Apache-2.0; за дополнительными сведениями README направляет к карточке исходной модели Granite-4.2-3B.

mradermacher/grok-oss-Revenant-70B-i1-GGUF — квантизированная GGUF-версия текстовой языковой модели grok-oss-Revenant-70B, разработанной c4tdr0ut и квантизированной mradermacher. Модель ориентирована на генерацию текста и диалоговые сценарии; в её описании указаны методы дообучения QLoRA, ORPO и SFT, а также характеристики unaligned и uncensored. Заявленный язык — английский. Модель имеет размер 70 млрд параметров и поставляется в вариантах i1-квантизации IQ и Q с объёмом файлов примерно от 15,4 до 58 ГБ. Доступны варианты с разным компромиссом между размером, скоростью и качеством: среди рекомендуемых указаны i1-Q4_K_S как сбалансированный вариант и i1-Q4_K_M как быстрый рекомендуемый вариант. Также предоставлен imatrix-файл для создания собственных квантизаций. Архитектура, размер контекстного окна и поддержка мультимодальности в README не указаны; из доступных данных следует, что модель предназначена для работы только с текстом. Сильной стороной является широкий выбор уровней квантизации, позволяющий адаптировать модель к доступной памяти и требованиям к качеству. Ограничения включают возможное снижение качества на низких уровнях квантизации, значительные требования к ресурсам для 70B-модели и отсутствие подтверждённых сведений о поддерживаемых языках помимо английского, контекстном окне и результатах оценки. Лицензия обозначена как other, без дополнительных условий в README.

Hathor_Stable-L3-8B-v0.5-GGUF — это набор квантизированных сборок языковой модели Hathor_Stable-L3-8B-v0.5, разработанной Nitral-AI. Файлы подготовлены пользователем bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска локально через совместимое программное обеспечение, включая llama.cpp. В README явно указан английский язык и тип задачи text-generation. Модель относится к классу 8B, однако точная базовая архитектура и размер контекстного окна в предоставленных данных не указаны. Доступно множество вариантов квантования от Q8_0 и Q8_0_L до Q2_K и IQ2_M, что позволяет выбирать между качеством генерации, размером файла и требованиями к оперативной памяти. Наиболее качественными и рекомендуемыми названы варианты Q6_K, Q6_K_L, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS; варианты с более низкой битностью требуют меньше памяти, но могут заметно уступать по качеству. Для работы следует использовать указанный шаблон диалога с токенами системного, пользовательского и ассистентского сообщений. Сильными сторонами модели являются широкий выбор квантизаций, возможность локального запуска и хорошее соотношение качества и требований к ресурсам в рекомендуемых вариантах. Ограничения включают отсутствие сведений о мультимодальности, дополнительных языках, результатах оценивания и точных характеристиках архитектуры; опубликованные сборки предназначены для текстовых задач. В метаданных указана лицензия «other», но её конкретные условия в README не раскрыты.

Huihui-gpt-oss-20b-BF16-abliterated-GGUF — это набор квантованных версий текстовой генеративной модели Huihui-gpt-oss-20b-BF16-abliterated, разработанной huihui-ai. Репозиторий подготовлен bartowski в формате GGUF с использованием llama.cpp и imatrix-квантования. Модель предназначена для генерации текста и локального запуска в LM Studio, llama.cpp и совместимых приложениях. В набор входят исходные веса BF16 и варианты квантования Q8_0, MXFP4_MOE, Q6, Q5, Q4, Q3 и Q2, размером примерно от 11,5 до 41,9 ГБ. Версии различаются балансом между качеством, требованиями к памяти и скоростью работы; наиболее качественными и рекомендуемыми в README названы Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS. Некоторые варианты ориентированы на ограниченный объём оперативной памяти или особенности ARM и Apple Silicon. README не содержит сведений об архитектуре модели, поддерживаемых языках, размере контекста, модальностях, точной методике создания исходной модели или лицензии. Формат prompt также не указан, поэтому перед использованием следует обратиться к странице исходной модели.

Huihui-gpt-oss-20b-mxfp4-abliterated-v2 — текстовая генеративная модель, разработанная huihui-ai. Она представляет собой версию модели Huihui-gpt-oss-20b-BF16-abliterated-v2, преобразованную в формат mxfp4 с использованием quantization-aware training (QAT) для более компактного хранения и развёртывания. Модель предназначена для генерации текста и может использоваться через библиотеку Hugging Face Transformers, Ollama и llama.cpp в формате GGUF. Указан размер класса 20B, однако точная архитектура, максимальная длина контекста, поддерживаемые языки и набор модальностей в README не раскрыты. Формат mxfp4 потенциально снижает требования к памяти по сравнению с BF16, но фактические скорость и качество зависят от оборудования и используемого средства запуска. Модель помечена как abliterated и uncensored, поэтому её поведение и ограничения безопасности могут отличаться от исходной модели. README не содержит результатов бенчмарков, подробной оценки качества или гарантий надёжности. Распространяется по лицензии Apache-2.0.

Карточка модели tencent/Hunyuan-7B-Pretrain-0124 на Hugging Face совпадает с карточкой tencent/Hunyuan-7B-Instruct-0124, поэтому описание составлено по ней. Hunyuan-7B-Instruct-0124 — диалоговая языковая модель Tencent с плотной авторегрессионной архитектурой Hunyuan v1 и 7,5 млрд параметров. Она предназначена для генерации текста и общения на естественном языке; в карточке приведены результаты тестирования на ряде бенчмарков, включая CEval, ARC-C и BBH. Модель использует Grouped Query Attention и заявленную в README поддержку контекста до 256 тысяч токенов. Метаданные Hugging Face указывают нативный контекст 32 768 токенов; фактический предел зависит от конфигурации и используемого окружения. Доступны веса PyTorch и Safetensors, а для инференса описана поддержка vLLM. Модель совместима с форматом Hugging Face и может дообучаться. Модель ориентирована прежде всего на китайский язык, а метаданные также отмечают английский. Лицензия указана как other, поэтому условия использования следует сверить с файлами лицензии репозитория. Показатели бенчмарков из README относятся к описанным там настройкам оценки и не гарантируют аналогичное качество во всех сценариях.

Модель представляет собой дообученную версию Whisper, разработанную на основе parthiv11/indic_whisper_hi_multi_gpu. Она предназначена для автоматического распознавания речи и транскрибирования аудио; название модели указывает на работу с хинглишем и смешанными письменностями. Модель содержит 455,8 млн параметров и распространяется в формате safetensors для библиотеки Transformers. На оценочном наборе указаны loss 0,4475 и глобальный WER 28,015. Лицензия — MIT. Данные обучения, подробности об оценочном наборе и более точное описание поддерживаемых языков в карточке не раскрыты.

BuzzASR/japanese — монолингвальная модель автоматического распознавания японской речи, разработанная в рамках набора BuzzASR. Она создана полным дообучением openai/whisper-large-v3 с заменой токенизатора на японский и текстовым мультитасковым дообучением. Модель содержит около 907,3 млн параметров, использует архитектуру Whisper и библиотеку Transformers. Модель предназначена для транскрибации японской речи в текст. В README приведены результаты на тестовых наборах FLEURS и Common Voice 25.0: нормализованный CER составляет 14,49% и 26,58% соответственно; на объединённом наборе CER — 21,08%. По заявлению авторов, на объединённом тесте это примерно на 1,1 раза ниже CER, чем у Whisper-large-v3 в режиме zero-shot. Языковая и задачная подсказка задана в конфигурации генерации. Модель рассчитана только на японский язык; качество на других предметных областях, диалектах и условиях записи может отличаться. Она лицензирована по MIT.

Модель reazon-research/japanese-hubert-base-k2-rs35kh — акустическая модель для автоматического распознавания японской речи. Её разработала команда Reazon Research: HuBERT Base дообучена на корпусе ReazonSpeech v2.0 с использованием фреймворка k2. Модель содержит около 117,3 млн параметров, реализована как HubertForCTC и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для преобразования японской речи в текст, включая длинные записи. В тестах авторов она показала CER 11,23% в среднем по указанным наборам и 27,05% на JSUT-BOOK; результаты зависят от данных и условий распознавания. Модель принимает аудио и выдаёт текст. Лицензия Apache-2.0.

Japanese Stable CLIP ViT-L/16 — модель Stability AI, которая сопоставляет японские тексты и изображения в общем пространстве эмбеддингов. Она подходит для классификации изображений без специального обучения и поиска изображений по текстовому запросу, а также может быть компонентом систем генерации изображений и описаний. В модели используется визуальный энкодер ViT-L/16 и 12-слойный текстовый энкодер BERT с японским токенизатором на основе rinna/japanese-roberta-base. Для обучения применялась функция потерь SigLIP; среди обучающих данных — CC12M с переводами описаний на японский и MS-COCO со STAIR Captions. Модель рассчитана на японский язык и задачи сопоставления текста с изображением. Модель распространяется по STABILITY AI COMMUNITY LICENSE; по вопросам коммерческого использования Stability AI предлагает обращаться отдельно. Обучающие данные могли содержать неприемлемые материалы, несмотря на фильтрацию, поэтому результаты требуют осторожной проверки при использовании в производственных системах.

Josiefied-Qwen3-14B-abliterated-v3-bf16 — 14-миллиардная плотная языковая модель семейства Qwen3, подготовленная mlx-community в формате MLX из Goekdeniz-Guelmez/Josiefied-Qwen3-14B-abliterated-v3. Она предназначена для диалогов, следования инструкциям и генерации текста; карточка указывает поддержку чата и контекст до 40 960 токенов. Вариант описан как abliterated — с ослабленной фильтрацией ответов. Модель принимает текст и генерирует текст. Для запуска в экосистеме Apple MLX в README указана библиотека mlx-lm версии 0.25.0. Языки модели в предоставленных данных не установлены. Лицензия не приведена, поэтому условия использования по карточке определить нельзя.

Sakalti/Kani-3B — чат-модель для генерации текста, разработанная Sakalti на основе дообучения unsloth/Qwen2.5-3B-Instruct. Она предназначена для диалогов и ответов на запросы; в метаданных также заявлен интерфейс вызова инструментов. Модель использует плотную архитектуру Qwen2 и содержит 3,1 млрд параметров. Указанная длина контекста — 131 072 токена. В карточке заявлены английский и японский языки, обучение выполнено на наборе HachiML/Hachi-Alpaca с использованием Unsloth и TRL. Модель опубликована в формате safetensors и распространяется по лицензии qwen-research. Карточка не приводит результатов оценки качества или подробностей об ограничениях дообучения; характеристики базовой модели не следует автоматически считать подтверждёнными для этой версии.

Kaori-34B-v4 — языковая модель семейства Llama, дообученная Kaeri и Jenti методом SFT с использованием LoRA. В основе обучения лежали данные Open-Platypus, а также части наборов Dolphin и OpenOrca; авторы сообщают, что исключали примеры, похожие на ряд оценочных задач, включая GSM8k, ARC и HellaSwag. Модель предназначена для генерации текста и ответов на запросы. Она содержит 33,9 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст длиной до 4096 токенов. В репозитории указаны веса Safetensors и лицензия Llama 2. Язык модели в карточке не уточнён. Карточка не описывает отдельные ограничения качества или области применения.

KnowLM-13B-Base-v1.0 — базовая языковая модель организации ZJUNLP, построенная на архитектуре LLaMA и дополнительно обученная на китайских и английских двуязычных данных. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает контекст длиной до 2048 токенов. Модель предназначена для генерации текста и понимания китайского и английского языков; дополнительный этап предобучения усиливает понимание китайского. Её можно использовать как основу для текстовых приложений и последующего дообучения. Модель распространяется по лицензии Apache-2.0.

KONI-Llama3.1-8B-R-20250831-i1-GGUF — это квантизированная версия языковой модели KONI-Llama3.1-8B-R-20250831, преобразованная в формат GGUF пользователем mradermacher. Базовая модель разработана организацией KISTI в рамках семейства KONI. Модель предназначена для генерации текста и работы с текстовыми запросами, включая сценарии локального запуска через совместимое с GGUF программное обеспечение. Модель построена на архитектуре Llama 3.1 и содержит около 8 миллиардов параметров. В заявленных языках указаны корейский и английский. Поддерживаются различные варианты квантизации, включая IQ- и Q-семейства с размером файлов примерно от 2,1 до 6,7 ГБ; варианты различаются балансом между скоростью, требованиями к памяти и качеством. В README не указаны длина контекста, дополнительные модальности, результаты тестирования или специальные прикладные возможности. К преимуществам относятся широкий выбор квантизированных вариантов и возможность подобрать размер модели под доступные ресурсы; для баланса скорости, размера и качества рекомендован вариант i1-Q4_K_M. Низкобитные варианты требуют меньше памяти, но могут заметно уступать по качеству, тогда как более крупные варианты обычно сохраняют качество ближе к исходной модели. Лицензия указана как llama3.1; перед использованием следует учитывать условия этой лицензии.