I.3Извлечение и структурирование данных

Это квантизированная модель для генерации текста brunopio/Qwen3.5-14B-A3B-Claude-4.6-Opus-Reasoning-Distilled-reap-Q4_K_M-GGUF, созданная на основе tvall43/Qwen3.5-14B-A3B-Claude-4.6-Opus-Reasoning-Distilled-reap. Модель преобразована в формат GGUF с помощью llama.cpp и проекта GGUF-my-repo. В названии и тегах указаны архитектура Qwen3.5 MoE с 14 млрд параметров и 3 млрд активных параметров, а также специализация на reasoning-задачах и дистилляции рассуждений. Разработчик базовой модели и автор исходной дистрибуции — tvall43; текущую конверсию опубликовал brunopio. Модель предназначена для текстовой генерации и запуска через llama.cpp, включая локальный CLI-интерфейс и серверный режим. Она может использоваться для диалогов, решения задач, требующих рассуждений, и других сценариев генерации текста. В карточке заявлены языки китайский, английский и корейский. Также указана подготовка на наборах данных nohurry/Opus-4.6-Reasoning-3000x-filtered и Jackrong/Qwen3.5-reasoning-700x. Ключевое преимущество модели — компактный GGUF-представитель с квантизацией Q4_K_M, удобный для локального инференса средствами llama.cpp. Ограничения заключаются в отсутствии в карточке подробных результатов тестирования, точного максимального размера контекста и характеристик производительности. В примере запуска используется контекст 2048 токенов, но это не подтверждает максимальный размер контекста модели. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-397B-A17B-MLX-6bit — это 6-битная квантованная версия модели Qwen3.5-397B-A17B, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx-vlm, при этом модель оптимизирована для запуска на устройствах с Apple Silicon. Модель относится к классу image-text-to-text и предназначена для задач генерации текста на основе текстовых и, вероятно, визуальных входных данных. В доступной карточке не указаны точные сведения об архитектуре, числе активных параметров, поддерживаемых языках, размере контекста, форматах изображений и результатах оценки качества. Ключевое преимущество версии — сниженные требования к памяти по сравнению с полноразмерной моделью и адаптация к экосистеме Apple Silicon; ограничением является зависимость от совместимого MLX-окружения и потенциальная потеря точности из-за 6-битного квантования. Модель распространяется по лицензии Apache-2.0. Исходная модель создана Qwen, а данная MLX-квантизация предоставлена LM Studio; LM Studio отдельно указывает, что не является создателем исходной модели и не гарантирует точность, безопасность или пригодность генерируемого содержимого.

Moemajor3/Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-NEO-MAX-MTP-GGUF — это модель на базе Qwen3.6-27B, разработанная в рамках совместной работы авторов DavidAU, Nightmedia, TeichAI, armand0e и trohrbaugh. Она представляет собой многоэтапную fine-tune и merge-модель, подготовленную для запуска на потребительском оборудовании в форматах GGUF, включая обычные и MTP-варианты. В обучении и слиянии использовались датасеты DavidAU/Polar-STRICT-Datasets и DavidAU/F451-STRICT-Datasets, а также дополнительные наборы и трассы, упомянутые в README. Модель предназначена для широкого спектра задач: следования инструкциям, решения задач, рассуждений, программирования, творческого письма, сторителлинга и ролевых сценариев. Заявлена поддержка английского и китайского языков. В карточке также указана мультимодальная специализация image-text-to-text и наличие vision, однако подробности о поддерживаемых форматах изображений и контекстном окне не приведены. Архитектурные характеристики ограничиваются размером базовой модели — 27B параметров. К заявленным сильным сторонам относятся улучшенное следование инструкциям, рассуждение и общее решение задач, а также высокая эффективность квантованных версий. По утверждению авторов, модель превосходит базовую Qwen3.6-27B в шести из семи внутренних бенчмарков и сопоставима с ней в седьмом; эти результаты не подтверждены независимыми данными в README. Модель позиционируется как uncensored и heretic, поэтому её ответы могут требовать дополнительной фильтрации и проверки. Для MTP-квантов рекомендуется температура не выше 1 и repetition penalty, равный 1; при низком уровне token acceptance следует использовать обычные кванты. Лицензия — Apache-2.0.

Qwen3.8-27B-ASCII-Condensed — текстовая GGUF-модель, созданная bsaleh03 на основе Qwen/Qwen3.8-27B и квантованной сборки unsloth/Qwen3.8-27B-GGUF. Это не дообучение, дистилляция или повторное квантование: из квантованной модели удалены строки словаря для не-ASCII-токенов, а токенизатор адаптирован к сокращённому словарю. Модель предназначена для генерации текста и работы с длинным контекстом через llama.cpp, прежде всего на одной видеокарте с 16 ГБ памяти. Словарь уменьшен с 248 320 до 129 006 строк, при этом остальные 864 из 866 тензоров побитово идентичны базовой квантованной модели. На RTX 5070 Ti с 16 ГБ заявлена поддержка до 135 168 токенов контекста при использовании q4_0 для KV-кэша; максимальная длина зависит от типов KV-кэша и доступной видеопамяти. Модель сохраняет MTP-голову для спекулятивного декодирования, а на ASCII-тексте токенизация совпадает с базовой моделью. Основное преимущество — экономия видеопамяти и увеличение доступного контекста без изменения большинства весов. Ограничение — ASCII-ориентированный словарь: английский язык, код и ASCII-пунктуация обрабатываются без дополнительных затрат, но символы с диакритикой, кириллица, CJK и другие не-ASCII-тексты требуют больше токенов; для работы преимущественно на неанглийских языках сборка не рекомендуется. Модель поддерживает только текстовый режим, файл mmproj отсутствует, а смешанные типы KV-кэша требуют пропатченной версии llama.cpp. Распространяется по лицензии Apache 2.0, унаследованной от базовой модели.

igorvibes/Qwen3.8-27B-UD-Q4_K_XL-AWQ-MTP-mlx — это квантованная версия базовой модели Qwen/Qwen3.8-27B, подготовленная для запуска через MLX на компьютерах Apple Silicon. Модель предназначена для генерации текста и локального инференса, включая сценарии, где важны уменьшенный размер файлов и возможность использования Apple GPU. Архитектура относится к семейству Qwen 3.5; указаны 27,78 млрд параметров, 64 слоя, скрытый размер 5120 и промежуточный размер 17408. Из 64 слоёв 48 используют GatedDeltaNet; остальные относятся к стандартным механизмам внимания, однако полное описание архитектуры в README отсутствует. Модель использует смешанную affine-квантизацию MLX с базовым классом 4-bit и размером группы 64, но её фактическая средняя точность составляет 6,02 бита на вес. Размер на диске — 20,89 ГБ без учёта дополнительной памяти под KV-cache. Применено AWQ activation-aware pre-scaling с calibration imatrix, а 15 тензоров MTP сохранены внутри основных shards в формате BF16 без квантизации. MTP-компонент предназначен для multi-token prediction, но отдельной директории или sidecar-файла drafter нет. К сильным сторонам относятся сохранение более высокой точности для чувствительных компонентов за счёт смешанной разрядности, AWQ-калибровка и адаптация к MLX. Ограничения включают значительный объём оперативной памяти, необходимость учитывать запас под KV-cache и несовместимость формата с vLLM и autoawq: это стандартный формат affine-квантизации MLX, а не AutoAWQ или GPTQ. Языки, длина контекста и лицензия в предоставленном README не указаны.

Replete-LLM-Qwen2-7b-GGUF — набор GGUF-квантизаций модели Replete-LLM-Qwen2-7b, опубликованный и подготовленный квантизатором bartowski. Базовая модель разработана Replete-AI; в README указано, что квантизация выполнена с помощью llama.cpp release b3509 и метода imatrix. Модель предназначена для генерации текста и использования в локальных средах, включая LM Studio, с применением указанного шаблона prompt format. Это текстовая авторегрессионная модель семейства Qwen2 с заявленным размером 7 млрд параметров и поддержкой английского языка. Доступны варианты от F32 размером 30,47 ГБ до сильно сжатых IQ2_M размером 2,78 ГБ, включая форматы Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ. Более высокие уровни квантизации обычно сохраняют лучшее качество, тогда как компактные варианты рассчитаны на системы с ограниченным объёмом оперативной памяти. Для некоторых вариантов embeddings и output weights сохранены в Q8_0, что может повышать качество, но эффект зависит от сценария. Сильные стороны набора — широкий выбор размера файлов и компромисса между качеством и требованиями к памяти, а также совместимость с llama.cpp и LM Studio. Ограничения включают потенциальное снижение качества в низкобитных вариантах и отсутствие в README подробных данных о контекстном окне, точной архитектуре, мультимодальности и результатах бенчмарков. Лицензия — Apache-2.0; в метаданных также указано, что модель связана с датасетом Replete-AI/Everything_Instruct_8k_context_filtered.

sergeyzh/rubert-tiny-retriever — компактная модель на основе BERT, разработанная Sergey Zh. Это дообученный энкодер для получения эмбеддингов и текстового поиска: он кодирует запросы и документы в векторы, пригодные для поиска по семантическому сходству и ранжирования результатов. Модель создана дистилляцией эмбеддингов русских и английских текстов BAAI/bge-m3 в sergeyzh/rubert-tiny-turbo. Модель содержит 29 млн параметров; в README указаны 3 слоя, размер эмбеддинга 312 и контекст 512 токенов. Метаданные каталога указывают нативный контекст в 2048 токенов. Поддерживаются русский и английский языки, специальные префиксы для запросов и документов не требуются. В README приведены результаты на наборах для поиска на обоих языках: модель превосходит rubert-tiny-turbo в указанных сравнениях, но уступает более крупной bge-m3. Лицензия — MIT.

Sakalti/SakalFusion-7B-Alpha — текстовая языковая модель, созданная методом Model Stock из предварительно обученных моделей с помощью mergekit. В объединение вошли AIDC-AI/marco-o1 и rombodawg/Rombos-LLM-V2.5-Qwen-7b, а базой служила Qwen/Qwen2.5-7B. Модель имеет плотную архитектуру Qwen2, 7,1 млрд параметров и работает через библиотеку Transformers; веса представлены в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. Заявленная длина контекста — до 131 072 токенов. Метаданные карточки перечисляют поддержку английского, китайского, русского и других языков, включая французский, немецкий, испанский и японский. Указана возможность интерфейса вызова инструментов, но специальных гарантий его совместимости или качества карточка не приводит. Лицензия в предоставленных данных не указана, поэтому условия использования определить нельзя. Как результат слияния нескольких моделей, качество может различаться между задачами и языками; отдельные оценки или результаты тестирования для этой версии в карточке не приведены.

JetLM/SDAR-8B-Chat — разговорная языковая модель семейства SDAR, разработанная авторами проекта SDAR. Она объединяет авторегрессионное обучение с дискретным диффузионным моделированием: авторегрессионная составляющая поддерживает эффективное обучение, а диффузионная позволяет выполнять параллельный вывод. Модель предназначена для диалогов и генерации текста; в метаданных также отмечен интерфейс вызова инструментов. Модель имеет плотную архитектуру SDARForCausalLM с 7,6 млрд параметров и контекстом до 32 768 токенов. Карточка сообщает о сопоставимой с сильными авторегрессионными моделями общей производительности и о преимуществах на сложных задачах научного рассуждения для SDAR в целом; эти утверждения не следует считать отдельной оценкой именно версии 8B-Chat. Репозиторий содержит веса Safetensors. Лицензия — Apache-2.0.

amgix/static-retrieval-multilingual-69m-v1 — многоязычная модель статических текстовых эмбеддингов от Amgix, полученная дистилляцией ibm-granite/granite-embedding-97m-multilingual-r2 и настроенная для поиска. Она создаёт векторы для документов и запросов, чтобы находить семантически близкие тексты; статические эмбеддинги позволяют вычислять их значительно быстрее на CPU и GPU, чем у исходной модели, что подходит для систем с ограниченными ресурсами и сценариев реального времени. В карточке приведены результаты сравнительных тестов по многоязычному поиску, включая NanoBEIR и RTEB, а также тест скорости на CPU. В испытаниях модель показывает разные результаты в зависимости от языка и набора данных; например, в английском поиске кода она уступила одному из сравниваемых вариантов. Модель доступна в формате safetensors и может загружаться через Model2Vec или Sentence Transformers. Лицензия — Apache-2.0.

sentence-transformers/stsb-bert-base — модель Sentence-Transformers, разработанная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. Архитектура основана на BERT; модель содержит 136,7 млн параметров и принимает текст с контекстом до 512 токенов. Модель предназначена для получения эмбеддингов предложений и сравнения их семантической близости. Доступны реализации в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Карточка предупреждает, что модель устарела и создаёт эмбеддинги низкого качества, поэтому рекомендует выбрать более современные модели. Лицензия — Apache-2.0.

PM-AI/sts_paraphrase_xlm-roberta-base_de-en — модель XLM-RoBERTa для оценки семантического сходства предложений на немецком и английском языках. Разработчик дообучил её на парах предложений из STSb, SICK и Priya22, используя функцию потерь косинусного сходства; модель принимает немецкие, английские и смешанные пары текстов и формирует эмбеддинги для сравнения по cosine similarity. Модель предназначена для семантического поиска, ранжирования результатов по смысловой близости, поиска перефразирований и межъязыкового поиска между немецкими и английскими текстами. README приводит результаты оценки на указанных наборах данных и рекомендует использовать модель через библиотеку Sentence Transformers. Архитектура — XLM-RoBERTa, размер — 305,2 млн параметров, контекст — до 514 токенов. Лицензия — MIT. По описанию обучения, базой для STS-дообучения служит PM-AI/paraphrase-distilroberta-base-v2_de-en, ранее полученная дистилляцией модели paraphrase-distilroberta-base-v1 для поддержки немецкого языка. Оценка проводилась на ограниченных наборах предложений, описанных как преимущественно простые; качество на иных типах текстов и за пределами немецкого и английского языков не подтверждено.

NVIDIA Conformer-Transducer Large (en-US) — модель распознавания речи, разработанная NVIDIA и предназначенная для работы в инструментарии NeMo. Она преобразует монофоническую английскую речь в текст в нижнем регистре; входной формат — аудио WAV с частотой 16 кГц. Модель построена на архитектуре Conformer-Transducer, использует авторегрессионное декодирование и обучена с функцией потерь Transducer. Размер — около 120 млн параметров. Для обучения использован составной набор англоязычных речевых данных, включая LibriSpeech, Fisher, Switchboard, VoxPopuli, Common Voice и People’s Speech. В README приведены результаты WER для нескольких тестовых наборов. Модель подходит для транскрибации аудиозаписей и может использоваться как предварительно обученный чекпойнт для дообучения на других данных. Её ограничения включают возможное ухудшение качества на технической лексике, непривычной разговорной речи и речи с акцентом. Лицензия — CC BY 4.0.

Sybyrla — модель распознавания речи на основе Whisper Large V3, дообученная Inflexion Lab для казахской речи. Она преобразует аудио в текст и рассчитана на транскрибацию казахской речи, в том числе записанной в региональных акустических условиях. Модель обучалась на смеси данных KSC2 и русскоязычного Common Voice: русская речь помогает распознавать заимствования и переключение между казахским и русским языками. Для текстов KSC2 применялась автоматическая обработка с восстановлением заглавных букв и пунктуации. На тестовой части KSC2 заявлен WER около 17,7%. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и опубликована в формате safetensors. Лицензия — Apache 2.0. Показатель WER относится к тесту KSC2; качество на других языках, аудиосредах и типах записей может отличаться.

T3qm7xNeuralsirkrishna_Strangemerges_32Alloyingotneoy — объединённая авторами Automerger модель семейства Mistral для генерации текста и диалогов. Она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст; в карточке указана задача text-generation. Модель объединяет веса automerger/T3qm7xNeuralsirkrishna-7B и automerger/Strangemerges_32Alloyingotneoy-7B. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

T5-11B — языковая модель семейства Text-To-Text Transfer Transformer, разработанная Colin Raffel, Noam Shazeer и коллегами. Она представляет задачи обработки естественного языка в формате преобразования текста в текст: модель получает текстовую инструкцию и входной текст, а затем генерирует текстовый ответ. В README указано 11 миллиардов параметров; метаданные каталога сообщают 385,2 млн параметров, поэтому размер модели в источниках расходится. Архитектура — плотная T5WithLMHeadModel, контекст — 512 токенов. Основная задача в метаданных — перевод. Модель также может служить основой для дообученных сценариев суммаризации, ответов на вопросы, классификации и анализа тональности. Указанные языки — английский, французский, румынский и немецкий; предобучение проводилось на корпусе C4 и смеси задач, включая Wiki-DPR и наборы для классификации, сходства предложений и вопросов-ответов. Для загрузки весов требуется значительный объём памяти: README сообщает, что только веса занимают более 40 ГБ, и рекомендует распределение модели между устройствами либо ZeRO-Offload. Лицензия — Apache 2.0.

T5Gemma — семейство компактных текстовых моделей Google с архитектурой encoder-decoder. Этот вариант — предварительно обученная модель с энкодером на 2 млрд и декодером на 2 млрд параметров, адаптированная с помощью PrefixLM; веса опубликованы в формате safetensors, библиотека для работы — Transformers. Модель принимает текст и генерирует текст на английском языке. Модель предназначена для генерации и преобразования текста, в частности для ответов на вопросы, суммаризации и рассуждений. Её можно использовать для подготовки черновиков, создания текстов и экспериментов в NLP; энкодер также пригоден для задач классификации и понимания текста. Компактный размер облегчает запуск на персональных компьютерах и собственной облачной инфраструктуре. К ограничениям относятся возможные ошибки в фактах, предвзятость обучающих данных и трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами. Модель лицензирована по условиям Gemma License; перед применением следует учитывать ограничения Gemma Prohibited Use Policy.

Tri-21B-Think-Preview — промежуточный чекпойнт языковой модели Trillion Labs, дообученный на базе Trillion Labs Tri-21B для рассуждений по инструкциям и работы с инструментами. Это плотная авторегрессионная модель с архитектурой Transformer Decoder, RoPE, SwiGLU, RMSNorm и GQA; в ней около 20,1 млрд параметров и 40 слоёв. Контекст составляет 32 768 токенов, с YaRN заявлено расширение до 262 144 токенов. Модель предназначена для диалогов, пошагового решения задач и ответов на сложные вопросы, в том числе по математике и естественным наукам. Она рассчитана прежде всего на английский, корейский и японский языки; для других языков качество может снижаться. Это промежуточная версия: авторы указывают, что финальный вариант — Tri-21B-Think. Для запуска с vLLM и SGLang поддержка, согласно карточке, ещё готовится. Лицензия — Apache-2.0.

TriMistral-7B-SLERP — объединённая языковая модель на базе архитектуры Mistral, опубликованная Muhammad2003. Она создана с помощью mergekit и метода SLERP из HuggingFaceH4/zephyr-7b-beta, NousResearch/Hermes-2-Pro-Mistral-7B и instructlab/merlinite-7b-lab. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста, включая диалоговые сценарии; нативный контекст — до 32 768 токенов. Модель подходит для диалоговых ответов, инструкций, рассуждений и генерации текста общего назначения. В README приведены результаты оценки на Open LLM Leaderboard, включая ARC и HellaSwag. Репозиторий содержит веса safetensors для Transformers. Лицензия — Apache-2.0. Карточка не сообщает о целевой языковой специализации или специализированной предметной области. Как и другие языковые модели, она может выдавать неверные или непроверенные ответы; качество зависит от запроса и сценария применения.

TriMistral-7B-TIES — объединённая модель для генерации текста и диалогов, созданная Muhammad2003 методом TIES с помощью LazyMergekit. В слиянии использованы NousResearch/Hermes-2-Pro-Mistral-7B и instructlab/merlinite-7b-lab; конфигурация также указывает HuggingFaceH4/zephyr-7b-beta как базовую модель. Модель построена на плотной архитектуре Mistral с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и генерации текста по инструкциям. Карточка приводит результаты бенчмарков AI2 Reasoning Challenge и HellaSwag, но не описывает специализированные сценарии или гарантии качества. Репозиторий содержит веса в формате safetensors; лицензия — Apache 2.0.

Ultra-Instruct-12B-GGUF — набор GGUF-квантизаций базовой модели Dampfinchen/Ultra-Instruct-12B, подготовленный пользователем bartowski с помощью llama.cpp и imatrix-калибровки. Модель предназначена для генерации текста и выполнения инструкций в локальных приложениях, поддерживающих формат GGUF, включая LM Studio. В README не указаны точные сведения об архитектуре, языках, контекстном окне и мультимодальности; по имеющимся данным, это текстовая модель без заявленной поддержки изображений или других модальностей. Доступны варианты от F16 размером 24,50 ГБ до сильно сжатых IQ2_M размером 4,44 ГБ. Рекомендуемые варианты Q4–Q6 обеспечивают высокое или хорошее качество при меньшем потреблении памяти; Q3 и Q2 экономят ресурсы, но заметно уступают по качеству. Некоторые варианты используют Q8_0 для embedding- и output-весов, что потенциально повышает качество, однако автор указывает, что практический эффект зависит от использования. Для работы требуется совместимое ПО, например llama.cpp или LM Studio, и рекомендуется применять указанный в README шаблон чата с маркерами system, user и assistant. Ограничения включают отсутствие опубликованных бенчмарков и подробных характеристик исходной модели, а также неизбежную потерю качества в низкобитных квантизациях. Распространение осуществляется по лицензии CC BY-NC-4.0, запрещающей коммерческое использование.

v1olet_marcoroni-go-bruins-merge-7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на 7,1 млрд параметров, созданная слиянием моделей Mistral-7B-Instruct-v0.2 и v1olet_marcoroni-go-bruins-merge-7B методом SLERP. Она использует плотную архитектуру MistralForCausalLM и предназначена для генерации текста и ответов на инструкции в формате диалога. Контекст модели составляет до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает отдельные специализации или гарантии качества, поэтому её следует рассматривать как модель общего назначения; характеристики унаследованных навыков слияния отдельно не приведены.

Vikhr-Nemo-12B-Instruct-R-21-09-24-GGUF — это GGUF-квантизированная версия инструкционной языковой модели Vikhr-Nemo-12B-Instruct-R-21-09-24, разработанной Vikhrmodels и подготовленной для распространения в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и диалогового взаимодействия, включая выполнение инструкций, ответы на вопросы и работу с русскоязычными и англоязычными текстами. Модель имеет размер 12 млрд параметров; точная архитектура, поддерживаемые варианты квантования, размер контекста и другие технические характеристики в README не указаны. В качестве связанных наборов данных перечислены Vikhrmodels/GrandMaster-PRO-MAX и Vikhrmodels/Grounded-RAG-RU-v2. Основная заявленная модальность — текстовая. Сильной стороной модели является специализация на инструкционном использовании и поддержка русского языка наряду с английским. Ограничения, результаты оценки, сведения о безопасности, смещениях, производительности и рекомендуемых аппаратных требованиях не приведены, поэтому качество в конкретных сценариях требует самостоятельной проверки. Модель распространяется по лицензии Apache-2.0.

nlpguy/Westgate — слитая языковая модель на архитектуре Mistral, созданная с помощью mergekit методом SLERP из jsfs11/TurdusTrixBeagle-DARETIES-7B и senseable/garten2-7b. Модель содержит 7,1 млрд параметров, принимает текст и предназначена для генерации текста; заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов, следования инструкциям и рассуждений, а результаты тестирования в README включают показатели на AI2 Reasoning Challenge и HellaSwag. Карточка не описывает специализацию по языку или предметной области. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

WestOrcaNeural-V2-DARETIES-7B — языковая модель для генерации текста, созданная объединением моделей с помощью mergekit. В основе лежит Mistral-7B-v0.1; в слияние также вошли kellemar-DPO-Orca-Distilled-7B-SLERP, WestLake-7B-v2 и NeuralBeagle14-7B. Использован метод DARE-TIES, итоговые веса имеют точность float16. Модель содержит 7,1 млрд параметров, построена на плотной архитектуре Mistral и поддерживает контекст длиной до 32 768 токенов. Карточка приводит результаты оценок на задачах рассуждения и понимания текста, включая AI2 Reasoning Challenge и HellaSwag. Лицензия — Apache-2.0.

Cafet/whisper-meduim-mongolian — дообученная Cafet версия мультиязычной модели OpenAI Whisper Medium для распознавания речи на монгольском языке. Модель принимает аудио и преобразует речь в текст; она основана на архитектуре Whisper и содержит 455,8 млн параметров. На оценочном наборе указаны loss 0,3098 и WER 26,8664. Модель распространяется в формате Safetensors через Transformers по лицензии Apache-2.0.

Это мультиязычная модель распознавания речи Whisper Small, разработанная OpenAI и упакованная loom-ai-org в формат GGUF для запуска через loom.cpp. Веса не изменены относительно openai/whisper-small; репозиторий содержит экспорт модели, а не новое дообучение. Модель принимает аудио и преобразует речь в текст. Она поддерживает распознавание на множестве языков, включая русский, английский, китайский, немецкий, испанский, французский и японский; список языков включает также другие языки. Для запуска предлагается библиотека loom-py-rt, которая обрабатывает необходимые для модели разбиение аудио и сборку результата. Файлы предоставлены в формате GGUF и рассчитаны на выполнение в loom.cpp. Репозиторий распространяется по лицензии Apache-2.0. Характеристики точности и ограничения применения в карточке не приведены.

Whisper tiny.en — компактная модель распознавания речи на английском языке, разработанная OpenAI. Это предварительно обученный Transformer encoder-decoder с архитектурой sequence-to-sequence и примерно 29,4 млн параметров; модель принимает аудио и выдаёт текстовую расшифровку. Она обучена на больших объёмах размеченной речи и предназначена для транскрибации английского аудио, в том числе записей с акцентами, фоновым шумом и специализированной лексикой. Для аудио длиннее примерно 30 секунд можно применять разбиение на фрагменты средствами Transformers. Модель может быть полезна для расшифровки записей, интервью, лекций и голосовых сообщений. Она способна ошибаться и иногда генерировать слова, которых нет в аудио; точность зависит от качества записи, акцента и предметной области. Лицензия — Apache 2.0.

MaziyarPanahi/Yarn-Mistral-7b-64k-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием mistralai/Mistral-7B-Instruct-v0.1 и NousResearch/Yarn-Mistral-7b-64k методом SLERP; конфигурация слияния использует формат bfloat16. Модель предназначена для генерации ответов на инструкции и диалоговые запросы, в том числе с длинным контекстом: в метаданных указан контекст до 32 768 токенов. Модель ориентирована на англоязычные текстовые диалоги. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или дополнительных сведений о поведении модели.

grimjim/zephyr-beta-wizardLM-2-merge-7B — объединённая языковая чат-модель на основе Mistral, созданная автором репозитория с помощью mergekit. Она сочетает модели HuggingFaceH4/zephyr-7b-beta и lucyknada/microsoft_WizardLM-2-7B методом SLERP с параметром смешивания 0,5. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и формат safetensors; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста в диалоге, ответов на вопросы, выполнения инструкций, рассуждений и создания повествовательного текста. Карточка описывает слияние как эксперимент по изучению влияния объединения моделей на рассуждения и генерацию историй. Основное описание базовой модели указывает на англоязычную чат-модель, поэтому английский — единственный язык, подтверждённый имеющимися сведениями. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов сравнительной оценки качества; как у генеративной языковой модели, ответы могут содержать ошибки или вымышленные сведения.