I.3Извлечение и структурирование данных

Whisper Small Hi — модель распознавания речи, созданная Sanchit Gandhi дообучением openai/whisper-small на наборе Common Voice 11.0. Она предназначена для преобразования аудиозаписей на хинди в текст; архитектура — Whisper с примерно 153,1 млн параметров. В метаданных указаны реализации PyTorch, TensorFlow и формат safetensors, а лицензия — Apache-2.0. На тестовой выборке модели указаны loss 0,4519 и WER 32,0113. Эти результаты относятся к оценке на Common Voice 11.0 и не гарантируют такое же качество на других источниках аудио. Карточка не приводит сведения о длине контекста и подробных ограничениях применения.

Это дообученная Yuriyvnv модель OpenAI Whisper-Tiny для автоматической транскрибации нидерландской речи. Она основана на архитектуре Whisper и содержит 29,4 млн параметров; принимает аудио и выдаёт текст. Обучение проведено на нидерландской части Common Voice 17.0 и на полном наборе из 34 898 синтетических аудиозаписей без фильтрации качества, созданных с помощью OpenAI TTS-1. Модель предназначена для распознавания нидерландской речи, в том числе аудиозаписей, близких по характеру к Common Voice. На тестовом наборе Common Voice указана WER 24,93%, а на MLS — 43,12%. Использование всех синтетических примеров дало лучший результат на тесте Common Voice среди описанных конфигураций, но увеличило вычислительные затраты и внесло в обучение записи с возможными дефектами синтеза. Модель может уступать на технической речи и региональных вариантах нидерландского языка. Распространяется по лицензии Apache-2.0.

wrice/whisper-tiny-grpo — модель распознавания речи, созданная дообучением openai/whisper-tiny методом GRPO (Group Relative Policy Optimization). Во время обучения кандидаты транскрипции оценивались по ошибке слов (WER), а обновления модели ограничивались KL-регуляризацией относительно исходной модели. Модель использует архитектуру Whisper и библиотеку Transformers; веса доступны в формате safetensors. Базовая модель компактная и многоязычная. Модель предназначена для преобразования аудиозаписей в текст на разных языках, включая сценарии с языками и локалями Common Voice. На тестовой выборке Common Voice 26.0 авторы сообщают о снижении общей WER с 0,9718 до 0,6226 относительно исходной Whisper tiny и улучшении в 69 из 81 локалей. В то же время в 11 локалях качество ухудшилось; среди указанных примеров — корейский, малайский и арабский. Для японского, тайского и китайского авторы считают CER более показательным, чем WER. Оценка охватывает около 59 аудиоклипов на локаль, поэтому результаты отдельных малоресурсных языков могут быть нестабильными. Модель сравнивали с исходной Whisper tiny, но не с supervised fine-tuning на тех же данных; лучший из трёх чекпойнтов выбирался по тестовым результатам. Лицензия — MIT.

IbrahimDayax/xls-r-1b-somali-stt-asr — модель распознавания сомалийской речи в текст, разработанная IbrahimDayax как дообучение facebook/wav2vec2-xls-r-1b. Она использует архитектуру Wav2Vec2 XLS-R с CTC-головой и содержит около 1,3 млрд параметров по метаданным. Модель принимает аудио и выдаёт текст; она предназначена для автоматического распознавания сомалийской речи, а не для синтеза речи. В README для нормализованного текста на проверенной выборке из 781 примера указаны WER 6,83% и CER 1,42%. Авторы сообщают о сравнении с другими публичными сомалийскими ASR-моделями, отмечая, что обучающие данные включали обучающую часть источника, из которого взята тестовая выборка. Модель выпущена под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

Модель patrickvonplaten/xls-r-300-sv-cv7 — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания шведской речи. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель обучена на шведской части набора Mozilla Common Voice 7.0 и принимает аудио, выдавая распознанный текст. На тестовой выборке Common Voice 7.0 для конфигурации sv-SE указана WER 0,2334 и loss 0,2604. Модель подходит для транскрибации шведской речи в сценариях, близких к этому набору данных; результаты на других акцентах, условиях записи и типах речи могут отличаться. Лицензия — Apache-2.0.

YamshadowStrangemerges_32_YamT3qm7xp — объединённая модель семейства Mistral, созданная на основе automerger/YamshadowStrangemerges_32-7B и automerger/YamT3qm7xp-7B. Она предназначена для генерации текста и имеет 7,1 млрд параметров и контекстное окно до 32 768 токенов. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка не описывает специализацию по языкам или предметным областям.

Agnes-3.0-Flash-abliterated — независимая модификация модели Agnes AI, выпущенная 0xKitkat под лицензией Apache-2.0. Это плотная мультимодальная модель примерно на 33,1 млрд параметров с архитектурой AgnesForConditionalGeneration; сохранены исходные веса зрительной башни и все 72 блока декодера. Модель принимает текст и изображения и предназначена для диалога, генерации текста, анализа изображений и работы с инструментами через интерфейс tool calling. Автор изменил текстовые эмбеддинги и выходные матрицы остаточных связей, применив проекцию контрастного направления, выбранного на разделённых наборах вредных и безвредных запросов. Изменение направлено на снижение отказов в ответах; проверки автора показывают, что эвристика по префиксу отказа не обнаруживает все отказы, а функциональные проверки невелики и не заменяют комплексную оценку. Для нативных весов указана рекомендация использовать GPU с 80 ГБ памяти или больше; доступны варианты GGUF для более скромного оборудования. Видео, длинный контекст, режим рассуждений и вызов инструментов не оценивались исчерпывающе.

AFM-4.5B-GGUF — это квантизированная версия языковой модели AFM-4.5B, разработанной arcee-ai и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и локального инференса через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. Доступны варианты с разными уровнями квантизации — от BF16 и Q8_0 до Q2_K_L и IQ3_XXS, что позволяет выбирать между качеством ответов, размером файла и требованиями к оперативной памяти. Модель поддерживает английский, испанский, французский, немецкий, итальянский, португальский, русский, арабский, хинди, корейский и китайский языки. В README не указаны архитектурные особенности, длина контекста, поддержка мультимодальности и подробные сведения о качестве на конкретных задачах. К сильным сторонам относятся широкий набор языков, возможность локального запуска и наличие вариантов, оптимизированных под разные аппаратные ограничения. Более агрессивная квантизация уменьшает потребление памяти, но может снижать качество; низкобитные варианты прямо обозначены как менее качественные или нерекомендуемые. Для генерации рекомендуется температура 0,5, top_k 50, top_p 0,95, repeat_penalty 1,1 и min_p 0,05; модель склонна к избыточно длинным ответам при более высокой температуре. Распространение указано на условиях лицензии Apache-2.0. Квантизация выполнена с использованием llama.cpp версии b6014 и метода imatrix на калибровочном наборе данных combined_all_medium.

Jebadiah/Aria-7b-128k-v2 — объединённая автором модель генерации текста, созданная с помощью mergekit методом линейного слияния. В слиянии участвовали Nitral-AI/Echidna-7b-128k и Jebadiah/Llama-3-8B-source-lewd-context-function-calling; веса сохранены в формате safetensors. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и рассчитана на работу с текстом. Модель предназначена для генерации текста и диалоговых сценариев; одна из объединённых моделей также ориентирована на работу с контекстом и вызов функций. Метаданные указывают нативную длину контекста 32 768 токенов. В карточке не приведены результаты оценки качества или условия лицензии, поэтому их нельзя установить по доступным сведениям.

BeaverAI_MN-2407-DSK-QwQify-v0.1-12B-GGUF — это GGUF-квантизированная версия языковой модели MN-2407-DSK-QwQify-v0.1-12B, разработанной BeaverAI. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска через LM Studio, llama.cpp и другие совместимые проекты на базе llama.cpp. Модель имеет 12 миллиардов параметров и поддерживает текстовую генерацию; сведения о мультимодальности, языках и размере контекста в README не указаны. Доступны варианты от BF16 до низкобитных квантизаций, включая Q8_0, Q6_K, Q5_K_M, Q4_K_M и другие. В README особенно рекомендуются Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M и Q4_K_S; Q4_K_M обозначен как оптимальный вариант для большинства сценариев по соотношению качества и размера. Сильной стороной модели является широкий выбор квантизаций для устройств с разным объёмом памяти, а применение imatrix ориентировано на сохранение качества при уменьшении размера. Ограничения включают отсутствие опубликованных результатов тестирования и подробных характеристик исходной архитектуры, языковой поддержки и контекстного окна. Указанная лицензия — Apache-2.0.

AXERA-TECH представила конвертированную и оптимизированную для NPU AX650 версию bge-m3. Модель использует квантизацию w8a16 и формат ONNX; в репозитории также есть файл axmodel для запуска на поддерживаемых устройствах AX650. Карточка указывает совместимость с Pulsar2 6.0-dirty и время выполнения 188,7 мс на указанной конфигурации AX650. Модель предназначена для получения эмбеддингов и вычисления сходства предложений, например, для семантического поиска и сравнения текстов на устройстве с AX650. README упоминает оптимизацию с LoRA, но не уточняет её назначение или базовый репозиторий; поэтому происхождение классифицировано как неизвестное. Репозиторий распространяется по лицензии MIT. Для запуска требуются совместимая платформа AX650 и соответствующее программное окружение.

Bio-Saul-Dolphin-Beagle-Breadcrumbs — слитая диалоговая языковая модель, созданная с помощью mergekit на основе mlabonne/NeuralBeagle14-7B и моделей BioMistral, Saul-Instruct и Dolphin. Она предназначена для генерации текста в диалоге и может применяться для ответов на вопросы, в том числе по биомедицинским и юридическим темам, а также для общих инструкций. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса сохранены в формате safetensors. Слияние выполнено методом breadcrumbs; в конфигурации указаны точность float16 и плотность 0,9. Модель принимает текст и генерирует текст. Лицензия — MIT. Документация не содержит результатов оценивания качества, поэтому надёжность ответов, особенно в медицинских и юридических сценариях, следует проверять.

OsaurusAI подготовила Bonsai-27b-1bit-JANG — квантованную версию мультимодальной плотной модели Bonsai-27B-unpacked на архитектуре Qwen3.5 с 27 млрд параметров. Модель принимает текст и изображения и предназначена для диалогов и генерации текстовых ответов по визуальному содержимому; в комплект входят обработчики изображений и видео, а шаблон чата поддерживает режим рассуждений и интерфейс вызова инструментов. Текстовые матрицы хранятся в формате JANG affine с 1-битными кодами и размером группы 128. Линейные слои зрения используют 4-битное affine-хранение, а нормы, состояния и некоторые другие тензоры сохраняются в float16. Для запуска требуется сборка vMLX с поддержкой дискретного JANG-affine и смешанной точности для зрения; обычный mlx_lm эти форматы не поддерживает. Проверка README описывает запуск на Apple M5 Max с 128 ГБ объединённой памяти. Лицензия — Apache-2.0.

Chinese-Alpaca-2-1.3B — китайская инструкция-ориентированная языковая модель проекта Chinese LLaMA & Alpaca 2, основанная на архитектуре Llama 2. Это полная версия весов, которую можно загружать для инференса и полно-параметрического обучения. Модель прошла дополнительное предобучение на крупномасштабных китайских данных и дообучение для следования инструкциям; расширенный китайский словарь улучшает понимание китайского языка. Модель предназначена для генерации текста и диалоговых сценариев на китайском и английском языках. Она поддерживает контекст до 4 096 токенов; авторы указывают, что контекст можно расширить более чем до 18 тысяч токенов методом NTK. Архитектура — плотная LlamaForCausalLM, размер — около 1 млрд параметров, формат репозитория — PyTorch. Модель подходит для локального инференса и дальнейшего обучения, а проект поддерживает инструменты экосистемы LLaMA, включая Transformers и llama.cpp. Репозиторий распространяется по лицензии Apache-2.0.

Это GGUF-конверсия модели Chroma Context-1, опубликованная пользователем ryancook. Исходная модель разработана Chroma и распространяется в формате PyTorch/safetensors; данная версия представляет те же веса в формате GGUF для запуска через llama.cpp и совместимые среды, включая LM Studio, Ollama при подходящем импорте и локальные серверы. Модель относится к семейству gpt-oss MoE и связана с базовой моделью OpenAI gpt-oss-20b. Модель предназначена для генерации текста и локального инференса на совместимом оборудовании. Доступны варианты квантования с разным соотношением качества, размера и требований к памяти, включая Q4_K_M, Q5_K_M, MXFP4_MOE, Q4_0, Q5_0, BF16 и другие пресеты, если они опубликованы в репозитории. Архитектура MoE активирует только часть экспертов для каждого токена, однако фактические требования к RAM и VRAM зависят от выбранного файла, длины контекста и конфигурации запуска. Исходная модель поддерживает очень длинный контекст, но практический предел определяется размером KV-кэша и доступной памятью. В README указан английский язык; сведения о других модальностях и языках отсутствуют. Сильными сторонами являются возможность локального запуска, широкий выбор квантованных вариантов и совместимость с экосистемой llama.cpp. Ограничения включают зависимость от поддержки конкретного GGUF-пресета и аппаратной конфигурации, а также возможное снижение качества у низкобитных и экспериментальных квантований. Это общественная конверсия, не аффилированная с Chroma; для оценки поведения, безопасности и целевого применения следует обращаться к официальной карточке исходной модели. Распространение осуществляется по лицензии Apache 2.0 с требованием сохранять атрибуцию исходной модели chromadb/context-1.

CIM-LLaVA1.5-7B-SFT — мультимодальная модель семейства LLaVA, дообученная авторами с помощью SFT и GRPO с наградой Cross-modal Identity Mapping (CIM), описанной в статье CVPR 2026. Она предназначена для создания точных подробных подписей к изображениям: награды Gallery Representation Consistency и Query-gallery Image Relevance помогают сохранять информацию об изображении при преобразовании в текст без дополнительных аннотаций. Модель принимает изображение и текстовый запрос и генерирует текст; её можно использовать для описания содержимого изображений и ответов на вопросы о них. Это дообучение LLaVA-1.5-7B, архитектура LlavaForConditionalGeneration, плотная модель с контекстом 4096 токенов. Репозиторий использует формат safetensors и лицензию Llama 2.

Модель CLIP ConvNeXt-Large-D разработана Россом Уайтманом с использованием OpenCLIP и обучена на англоязычной подвыборке LAION-2B из LAION-5B. Она предназначена для классификации изображений по текстовым описаниям без специального обучения на заданных классах, а также для поиска изображений по тексту и текстов по изображениям. Визуальная башня основана на timm ConvNeXt-Large и принимает изображения с разрешением 320×320; текстовая башня имеет 16 слоёв и размерность эмбеддинга 768. Вариант soup получен усреднением весов трёх дообученных моделей. В тесте ImageNet zero-shot он показал точность top-1 76,9%. Модель работает с изображениями и английским текстом; обучение и оценка не охватывали другие языки. Карточка не рекомендует развёртывание модели и применение без тщательной проверки на конкретной задаче и фиксированной таксономии классов. Распознавание лиц и наблюдение указаны как недопустимые сценарии. Модель выпущена под лицензией MIT.

CLIP-FlanT5-XXL (VQAScore) — зрительно-языковая генеративная модель, разработанная Чжицю Линем и соавторами на основе дообучения google/flan-t5-xxl. Модель предназначена для задач сопоставления изображений и текста и извлечения релевантных соответствий между ними. Она использует архитектуру T5 и содержит 5,8 млрд параметров. Модель принимает изображение и текст для оценки их соответствия и выдаёт текстовый результат, пригодный для ранжирования или поиска по релевантности. В карточке Hugging Face указана задача text-generation; лицензия — Apache-2.0. Карточка не содержит дополнительных сведений о длине контекста или специальных ограничениях применения.

cybertron-v4-qw7B-MGS-GGUF — это GGUF-квантизированная версия языковой модели cybertron-v4-qw7B-MGS, разработанной fblgit и квантизированной bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp или LM Studio. В README указана поддержка английского языка и текстовая модальность; данные о точной архитектуре, количестве параметров и размере контекста не приведены. Доступны варианты от F16 до Q3_K_XL, включая Q8_0, Q6_K, Q5_K и Q4_K, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Для запуска рекомендуется использовать формат prompt с маркерами ChatML. Среди заявленных результатов оценки: 62,64% строгой точности на IFEval, 37,04% на BBH, 27,72% exact match на MATH уровня 5 и 38,59% на MMLU-PRO. Эти показатели характеризуют способность модели следовать инструкциям, рассуждать и отвечать на академические вопросы, но не заменяют оценку на прикладных данных. Сильной стороной являются разнообразие доступных квантизаций и возможность локального использования при ограниченных ресурсах. Ограничения включают отсутствие сведений о мультимодальности, точных архитектурных характеристиках и контексте, а также заметное снижение качества у более компактных вариантов. Модель распространяется по лицензии other с указанием лицензии Qwen; для юридически корректного использования следует ознакомиться с условиями лицензии Qwen.

DatedGPT-2023-Instruct — диалоговая инструктивная языковая модель семейства DatedGPT, представленная разработчиком под идентификатором datedgpt/datedgpt-2023-instruct. Это дообученная для следования инструкциям версия базовой модели datedgpt/datedgpt-2023-base на архитектуре LlamaForCausalLM с примерно 1,3 млрд параметров и контекстом 2048 токенов. Модель обучена только на данных, доступных до 2023 года, чтобы поддерживать анализ и прогнозирование без утечки сведений из будущего относительно этого временного среза. Модель предназначена для генерации текста в чате и выполнения инструкций на английском языке. Её можно применять для вопросов и ответов, диалогов и анализа, где важно ограничить знания модели временным срезом 2023 года. Репозиторий содержит веса в формате safetensors и шаблон чата в стиле Llama 2. Лицензия в предоставленных данных не указана. Модель не проходила RLHF или настройку безопасности; её знания ограничены данными до 2023 года, а ответы могут быть уверенно ошибочными.

Карточка модели Tony-00316/dinov3-vits16-pretrain-lvd1689m на Hugging Face совпадает с карточкой facebook/dinov3-vits16-pretrain-lvd1689m, поэтому описание составлено по ней. facebook/dinov3-vits16-pretrain-lvd1689m — визуальный энкодер семейства DINOv3, разработанного Meta AI и доступного через библиотеку Transformers. Модель относится к архитектуре Vision Transformer (ViT-S) с патчами 16×16 и обучена на веб-данных LVD-1689M; в карточке указано, что малые модели семейства дистиллированы из ViT-7B. Размер ViT-S — 21 млн параметров, размерность эмбеддингов — 384, используются четыре регистрационных токена и RoPE. Модель принимает изображение и извлекает признаки: токен класса, токены патчей и регистрационные токены. Полученные представления предназначены для классификации изображений, поиска похожих изображений, сегментации, оценки глубины и других задач компьютерного зрения, в том числе с простыми классификаторами поверх замороженных признаков. Модель рассчитана на универсальное визуальное представление и не требует дообучения для многих сценариев; размер изображения должен быть кратен 16, иначе оно обрезается до ближайшего меньшего размера, кратного размеру патча. В карточке отмечено, что качество признаков может различаться между географическими регионами и категориями дохода, а дообучение способно усилить смещения, связанные с метками. Модель распространяется по лицензии DINOv3 License (в метаданных обозначена как other); перед использованием следует проверить её условия.

echo-clip — модель семейства CLIP, опубликованная пользователем mkaichristensen на Hugging Face и предназначенная для классификации изображений без примеров обучения. Она сопоставляет изображение с текстовыми описаниями классов и позволяет выбирать наиболее подходящие метки; репозиторий поддерживает загрузку через OpenCLIP. Конфигурация указывает на визуальный энкодер ConvNeXt-Base и размерность эмбеддингов 512. Модель принимает изображения и текстовые метки или описания, а результатом служат оценки соответствия, пригодные для ранжирования кандидатов. Карточка не сообщает размер модели в параметрах, контекст или список поддерживаемых языков. Репозиторий распространяется по лицензии MIT.

jhu-clsp разработала Ettin-Encoder-150M как часть семейства Ettin — открытого набора согласованно обученных моделей-энкодеров и декодеров для сравнения архитектур и переноса обучения. Это плотный энкодер ModernBERT примерно с 149 млн параметров, обученный задаче masked language modeling; он принимает текст и предсказывает замаскированные токены. В метаданных указан контекст до 7 999 токенов и поддержка английского языка. Модель предназначена для заполнения пропусков в тексте и может служить основой для дообучения под классификацию и получения текстовых эмбеддингов, в том числе для поиска и ранжирования. Карточка Ettin сообщает о результатах семейства на английских задачах классификации и retrieval, но отдельные показатели именно версии 150M не приведены. Модель распространяется по лицензии MIT. Для генерации свободного текста она не предназначена; качество может зависеть от предметной области и последующего дообучения.

EVA-CLIP-18B — модель контрастивного сопоставления изображений и текста, разработанная BAAI при участии авторов из THU. Она содержит около 18,1 млрд параметров и обучена на парах изображение–текст из наборов LAION-2B и COYO-700M, а также на дополнительных данных для финального этапа обучения. Модель предназначена для извлечения согласованных признаков изображений и текстов, классификации изображений без дополнительного обучения и поиска по тексту или изображению. В README сообщается о средней точности zero-shot классификации 80,7% на 27 наборах изображений; также приведены результаты классификации видео по одному кадру и поиска по изображениям и текстам. Репозиторий содержит веса PyTorch, а карточка указывает лицензию Apache-2.0. Для работы с моделью требуется значительная память: веса опубликованной версии занимают десятки гигабайт; авторы упоминают DeepSpeed ZeRO-3 как способ загрузки при ограниченной оперативной памяти. Английский язык явно представлен в названии обучающего набора LAION-2B-en, однако README не подтверждает поддержку других языков.

EXAONE-3.5-2.4B-Instruct-GGUF — набор GGUF-квантизованных вариантов инструкционной модели семейства EXAONE, опубликованный ThomasBaruzier. В README указано, что квантизации созданы на основе LGAI-EXAONE/EXAONE-3.5-7.8B-Instruct с использованием llama.cpp и метода imatrix; при этом в идентификаторе и именах файлов указано обозначение 2.4B. Такое расхождение следует учитывать при выборе модели. Разработчиком базовой модели выступает LGAI, а данный репозиторий содержит её производные квантизованные файлы. Модель предназначена для генерации текста и выполнения инструкций в локальных сценариях, где важны сниженные требования к памяти. Доступны варианты квантизации от IQ1_S до Q5 и других форматов, размером примерно от 693 МБ до 1,9 ГБ; более компактные варианты экономят память, но сильнее теряют качество. В README приведены сравнительные показатели perplexity и accuracy для разных вариантов, причём более высокие уровни квантизации обычно обеспечивают лучшую точность. Заявлены языки английский и корейский, модальность — текстовая. Архитектура, максимальная длина контекста и подробные характеристики исходной модели в предоставленных данных не указаны. Основные преимущества — широкий выбор компромиссов между размером и качеством, возможность использования через экосистему llama.cpp и наличие результатов сравнительного тестирования. Ограничения связаны с потерями от квантизации, различиями между вариантами и неопределённостью относительно фактического размера базовой модели из-за расхождения в обозначениях. Лицензия указана как other с названием exaone; подробные условия приведены в файле LICENSE.

unsloth/gemma-3-270m — текстовая дообученная версия Gemma 3 от Unsloth на базе google/gemma-3-270m. Это плотная авторегрессионная модель класса Gemma3ForCausalLM с 257 млн параметров, предназначенная для генерации текста, диалогов, суммаризации и ответов на вопросы. Репозиторий использует библиотеку Transformers и формат safetensors; длина контекста — 32 768 токенов. Модель подходит для экспериментов и приложений с ограниченными ресурсами, где нужны генерация текста и компактный разговорный интерфейс. В README описаны возможности семейства Gemma 3, включая мультиязычность и работу с изображениями, но этот вариант обозначен в метаданных как текстовая модель; поэтому визуальные возможности для него не заявляются. Возможны фактические ошибки, пробелы в знаниях и трудности с неоднозначными формулировками. Лицензия — Gemma.

mlx-community/gemma-4-26B-A4B-it-OptiQ-4bit-REAP-14B — квантованная и подвергнутая прореживанию версия Gemma-4, разработанная сообществом mlx-community на базе mlx-community/gemma-4-26B-A4B-it-OptiQ-4bit. Модель предназначена для локальной генерации текста и запуска LLM на устройствах Apple Silicon через MLX. Она может использоваться для диалогов, следования инструкциям, решения математических задач, генерации кода и вызова функций, однако точный набор языков и размер контекстного окна в README не указан. Модель использует MoE-архитектуру с 128 экспертами на слой, из которых сохранены 64; для каждого токена по-прежнему активируются 8 экспертов. После прореживания объём параметров уменьшен с 25,8 млрд до 14,3 млрд, размер на диске — с 17,5 до 10,4 ГБ, а пиковое потребление памяти — с 16,4 до 9,4 ГБ. Активное число параметров на токен не изменилось, поэтому заявлено отсутствие снижения скорости из-за маршрутизации. Применено 4-битное квантование OptiQ и метод REAP; сохранённые эксперты не деквантизировались, не переквантизировались и не переобучались. Главное преимущество модели — заметное сокращение требований к диску и памяти при сохранении высокой производительности в отдельных сценариях: показатели GSM8K, IFEval и BFCL-V3 составляют соответственно 89,1, 80,8 и 90,0. Ограничение — существенная потеря качества относительно родительской модели: итоговый Capability Score снижен с 75,75 до 68,13, MMLU — с 65,0 до 38,9, а HumanEval — с 90,2 до 72,0. Поэтому модель может быть менее подходящей для широких академических задач и генерации кода. Лицензия — Apache 2.0.

Это квантизированная конверсия Gemma 4 26B A4B IT, разработанной Google, для Apple MLX. Модель основана на google/gemma-4-26B-A4B-it и использует рецепт Unsloth, адаптированный для MLX с помощью mlx-node. Она предназначена прежде всего для генерации текста и запуска мультимодальных сценариев, поскольку в составе сохранены токенизатор, шаблон диалога, процессор и vision tower; при этом для данной публикации проверялась только генерация текста. Модель содержит 25 805 936 206 исходных параметров. Веса хранятся в смешанном формате: проекции dense- и expert-MLP используют MXFP4, 4-битные группы размера 32, проекции внимания q/k/v/o — MXFP8, 8-битные группы размера 32, а маршрутизаторы, эмбеддинги, выходная голова, нормализации, vision tower и остальные тензоры — в BF16. Активации имеют 16-битную точность. Конкретные языки и размер контекстного окна в README не указаны. К сильным сторонам относятся существенное уменьшение объёма хранения по сравнению с полноразмерными весами, сохранение мультимодальных компонентов и специальная оптимизация для MLX. Ограничения включают отсутствие заявленной числовой эквивалентности с upstream-исполнением W4A4 или W8A8, глобальными шкалами активаций и FP8 KV cache; мультимодальная работоспособность отдельно не подтверждена. Для использования требуется версия mlx-node с поддержкой данного рецепта, более новая, чем стандартное поведение опубликованной v0.0.8. Модель распространяется по лицензии Apache-2.0.

Это конвертированная в формат MLX модель GigaAM v3 RNNT для распознавания русской речи на устройствах Apple Silicon. Она основана на чекпойнте ai-sage/GigaAM-v3, ревизии RNNT; архитектура включает 16-слойный Conformer-энкодер с размерностью 768 и 16 головами внимания. Веса представлены в fp16 и занимают около 423 МБ. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт посимвольную транскрипцию русского текста. RNNT-выход состоит из строчных букв русского алфавита без пунктуации; автор сообщает о меньшем WER по сравнению с CTC и приводит результаты оценки на 200 аудиофрагментах. Для пунктуации или нормализации текста потребуется дополнительная обработка. Репозиторий предназначен для запуска на Apple Silicon с MLX; README также описывает совпадение транскрипций с исходной реализацией PyTorch на проверенной выборке. Лицензия — MIT.

GLM-4.7-Flash-Derestricted — производная от GLM-4.7-Flash модель для генерации текста и диалогов. Разработчик применил к ней метод Norm-Preserving Biprojected Abliteration, чтобы ослабить встроенные ограничения на ответы. Модель использует архитектуру GLM4 MoE Lite и представлена в формате safetensors; в метаданных указаны 4,1 млрд параметров и контекст до 202 752 токенов. Модель предназначена для диалогов, рассуждений и генерации текста. В карточке приведён результат на подмножестве MMLU-Pro: 0,755 против 0,715 у исходной GLM-4.7-Flash; оценка сделана на 200 случайно выбранных примерах, поэтому она не гарантирует аналогичный прирост в других задачах. Поддерживаемые языки по метаданным — английский и китайский. Лицензия — MIT.