I.3Извлечение и структурирование данных

Qwopus3.6-27B-v2 — плотная мультимодальная модель с 27 млрд параметров, созданная Jackrong путём дообучения Qwen3.6-27B. Модель принимает текст и изображения и формирует текстовые ответы; карточка заявляет поддержку диалога, вызова инструментов и длинного контекста. Модель дообучена методом SFT в три этапа на наборах Trace Inversion с реконструированными цепочками рассуждений, включая примеры логики и математики. Она предназначена для сложных рассуждений, диалоговых и агентных сценариев, а также для задач с изображениями и инструментами. В карточке описаны структурированные рассуждения и согласованный формат тегов <think>; также приведены результаты на наборе из 350 вопросов MMLU-подобного типа и данные об эффективности генерации, но они не заменяют независимую оценку. Модель распространяется по лицензии Apache-2.0. Автор обозначает выпуск как экспериментальный и сообщает, что он не прошёл полную оценку безопасности и стандартное бенчмаркинг-тестирование.

Rombo-Org_Rombo-LLM-V3.0-Qwen-72b-GGUF — это набор GGUF-квантизаций языковой модели Rombo-LLM-V3.0-Qwen-72b, разработанной Rombo-Org и подготовленной bartowski. Модель предназначена для генерации текста и локального запуска в LM Studio, llama.cpp и других проектах на базе llama.cpp. В качестве исходной модели указана Rombo-Org/Rombo-LLM-V3.0-Qwen-72b; в метаданных также отмечены датасеты Rombo-Org/Optimized_Reasoning и NovaSky-AI/Sky-T1_data_17k. Размер исходной модели составляет 72 миллиарда параметров. Архитектура, поддерживаемые языки, модальности и размер контекста в README не указаны. Доступны варианты квантизации от Q2 до Q8, преимущественно размером примерно от 32 до 77 ГБ. Более высокие варианты сохраняют лучшее качество, но требуют больше памяти; Q4_K_M, Q4_K_L, Q5_K_M, Q5_K_S и Q6_K отмечены как рекомендуемые, а низкоразрядные варианты предназначены для экономии оперативной памяти с возможным снижением качества. К сильным сторонам относятся широкий выбор уровней квантизации, поддержка локального запуска и использование imatrix-квантизации на базе llama.cpp. Ограничениями являются значительные требования к памяти даже у компактных вариантов, а также отсутствие в README подробных данных о результатах тестирования, языках и контекстном окне. Для использования указана лицензия Apache-2.0.

RoSEtta-base-ja — японская модель эмбеддингов текста от Chihiro Yano, Mocho Go, Hideyuki Tachibana, Hiroto Takegawa и Yotaro Watanabe. Она предназначена для поиска по смыслу и оценки семантического сходства предложений и фрагментов текста. Модель построена на архитектуре RoFormer с RoPE и имеет около 189,7 млн параметров. Для подготовки использовались предварительное обучение с MLM, слабый надзор, дистилляция от крупных моделей эмбеддингов и многоэтапное контрастивное обучение. Контекст — до 1024 токенов, размерность вектора — 768; для сравнения применяется косинусное сходство. На входе при инференсе требуется префикс «query: » или «passage: » в зависимости от роли текста. Модель поддерживает японский язык, работает через Sentence Transformers и может запускаться на CPU. Модель подходит для семантического поиска и подбора похожих предложений. В README приведены оценки на MIRACL-ja, JQaRA, JaCWIR, MLDR-ja и JMTEB. Лицензия — Apache-2.0.

Модель s-nlp/rubert-base-cased-conversational-paraphrase-v1 разработана для оценки семантического сходства предложений на русском языке. Это дообученная ruBERT-conversational с архитектурой BERT и классификационной головой для последовательностей; она обучена на смеси наборов ru_paraphraser, RuPAWS и данных краудсорсинговой оценки сохранения содержания при детоксикации русского текста. В репозитории около 205,1 млн параметров, веса доступны в форматах PyTorch и Safetensors, максимальная длина контекста — 512 токенов. Модель подходит для обнаружения перефразирований и сравнения смысла двух русских фраз. На тестах разработчика ROC AUC составил 0,762–0,848 в зависимости от набора данных. Это модель-классификатор для пар текстов, поэтому её оценки не следует трактовать как универсальную метрику сходства; автор отмечает, что SkolkovoInstitute/ruRoberta-large-paraphrase-v1 показывает лучшие результаты на этой задаче. Лицензия в предоставленных источниках не указана.

OpenASR/sensevoice-small — компактная модель автоматического распознавания речи, созданная командой FunAudioLLM компании Alibaba и перепакованная проектом OpenASR в формат .oasr для нативного выполнения. Модель предназначена для преобразования речи в текст, включая полностью локальную и офлайн-транскрипцию на CPU и GPU без Python во время инференса. SenseVoice Small использует быструю неавторегрессионную архитектуру и обучена более чем на 400 000 часах аудио. Она автоматически определяет язык и ориентирована на мандаринский китайский, кантонский, английский, японский и корейский языки. В исходной модели также заявлены распознавание эмоций и аудиособытий, однако в пакетах OpenASR сейчас доступна только обычная транскрипция речи. Для модели предлагаются варианты fp16 размером около 470 МБ, q8_0 — 252 МБ и q4_k — 136 МБ; квантованные версии подходят для устройств с ограниченной памятью. По данным разработчиков, инференс значительно быстрее Whisper-Large, а модель особенно сильна в китайской и кантонской речи, однако приведённые показатели точности относятся к исходной модели и отдельным открытым бенчмаркам. Пакеты распространяются по лицензии FunASR Model License v1.1, унаследованной от исходной модели. Лицензия разрешает коммерческое использование при сохранении требуемой атрибуции и уведомлений об авторских правах.

Карточка модели Veritone/siglip2-base-patch32-256 на Hugging Face совпадает с карточкой google/siglip2-base-patch32-256, поэтому описание составлено по ней. SigLIP 2 Base — модель компьютерного зрения от Google, предназначенная для сопоставления изображений с текстовыми описаниями. Она использует архитектуру SigLIP и обучена на наборе WebLI. Вариант patch32-256 принимает изображения и текстовые метки-кандидаты для классификации без дообучения; модель также подходит для поиска изображений по тексту и как визуальный энкодер для мультимодальных моделей. Модель рассчитана на задачи семантического понимания изображений, локализации и получения плотных визуальных признаков. Для её использования доступны веса в формате safetensors и библиотека Transformers. Лицензия Apache-2.0 разрешает свободное использование и распространение при соблюдении её условий.

Это версия SigLIP SoViT-400m, подготовленная zeromodels в формате Keras 3 на основе google/siglip-so400m-patch14-224. Модель использует двойной визуально-текстовый энкодер: принимает изображения и текстовые запросы, чтобы классифицировать изображения по произвольным текстовым меткам без отдельного обучения на этих метках. Поддерживает разрешение 224 × 224; реализация Keras может работать с TensorFlow, PyTorch или JAX. Модель подходит для поиска изображений по описанию и классификации изображений по пользовательским категориям. В README отмечено, что обучение SigLIP использует попарную сигмоидальную функцию потерь вместо контрастивного softmax-подхода CLIP. Репозиторий распространяется по лицензии Apache 2.0. Это преобразованная версия базовой модели, поэтому её возможности и ограничения в основном наследуются от SigLIP; качество зависит от формулировки текстовых запросов и соответствия изображений обучающим данным.

uukuguy представил дообученную на инструктивных данных модель для генерации кода на основе StarCoder2-15B. Для настройки использовано 986 тысяч примеров из OpenHermes-2.5, наборов инструкций по Python, Spider и Evol-instruction; модель принимает запросы в формате Alpaca и рассчитана на задачи рассуждения, планирования и написания кода. Базовая архитектура — декодерный Transformer StarCoder2 с Grouped Query Attention и скользящим вниманием; контекст составляет 16 384 токена. В метаданных указано 21,7 млрд параметров и формат safetensors. Модель подходит для генерации и дополнения кода по инструкциям и контексту. Исходная StarCoder2 обучалась на коде более чем на 600 языках программирования, однако основной язык исходных данных — английский; README отмечает, что сгенерированный код может содержать ошибки, уязвимости или быть неэффективным. Обучение включало данные с permissive-лицензиями и код без лицензии, но результаты могут воспроизводить фрагменты исходного кода, поэтому следует проверять требования к атрибуции. Лицензия репозитория — BigCode OpenRAIL-M.

Это англоязычный разреженный кодировщик SPLADE, разработанный авторами модели на основе Luyu/co-condenser-marco и дообученный для поиска по текстам. Он преобразует запросы и документы в разреженные векторы размерностью 30 522; их сходство вычисляется скалярным произведением. Модель построена на BERT с головой masked language modeling и max-пулингом SPLADE. Модель предназначена для семантического поиска и разреженного извлечения документов, в том числе для поиска по запросам и абзацам. Максимальная длина последовательности — 512 токенов. В README приведены оценки на небольших наборах NanoMSMARCO, NanoNFCorpus, NanoNQ и NanoBEIR; они не гарантируют аналогичного качества на других данных. Модель распространяется по лицензии Apache-2.0.

Hypnos-i1-8B-GGUF — квантизированная версия модели Hypnos-i1-8B, разработанной squ11z1 и опубликованной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и диалогового использования, включая задачи рассуждения, математики, логики и физики, а также ролевые и conversational-сценарии. В качестве обучающих данных указаны OpenThoughts-114k, Reasoning-Base-20K, OpenMathReasoning, QwQ-LongCoT-130K и GSM8K. Заявлен английский язык; поддержка других языков не указана. Модель относится к семейству Llama 3 согласно метаданным и имеет размер 8B параметров. Доступны варианты от BF16 до низкобитных квантов GGUF, включая Q8_0, Q6_K, Q5_K, Q4_K и Q3_K, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Квантизация выполнена с использованием imatrix в llama.cpp; модель можно запускать через llama.cpp, LM Studio и другие совместимые проекты. Рекомендуется использовать соответствующий формат ChatML из README. Контекстное окно и точные архитектурные характеристики не указаны. Более агрессивная квантизация экономит память, но может снижать качество, особенно в задачах рассуждения. Распространение заявлено по лицензии Apache-2.0.

Swallow-MS-7b-v0.1 — языковая модель TokyoTech-LLM на основе Mistral-7B-v0.1, дообученная на продолжение предобучения с добавлением преимущественно японских данных. Это плотная авторегрессионная модель семейства Mistral с 7,2 млрд параметров и контекстом до 4096 токенов. Расширенный японский словарь токенизатора позволяет компактнее представлять японский текст и ускорять инференс. Модель предназначена для генерации текста на японском и английском языках и может применяться для вопросов и ответов, чтения и понимания текста, суммаризации, перевода, математических рассуждений и генерации кода. README приводит результаты оценки на японских и английских бенчмарках, включая задачи перевода между японским и английским. Разработчики отмечают, что модель находится на раннем этапе исследований и разработки и не настроена для надёжного следования человеческим намерениям или требованиям безопасности. Модель распространяется по лицензии Apache-2.0.

Swift-Qwen3.8-27B-NVFP4-GGUF — это GGUF-версия модели Swift-Qwen3.8-27B-NVFP4, подготовленная для запуска в llama.cpp. Модель разработана UkisAI на основе Qwen3.8-27B от команды Qwen; Swift-Qwen3.8-27B представляет собой дообученную модель с эффективным рассуждением. Данный файл переносит калиброванные веса NVFP4 в формат GGUF без повторного квантования весов NVFP4. Модель предназначена для генерации текста и работы с изображениями при использовании отдельного мультимодального проектора. Она поддерживает контекст до 262 144 токенов, включает голову MTP для speculative decoding и рассчитана прежде всего на NVIDIA Blackwell, где NVFP4 выполняется нативно. Архитектура сочетает NVFP4-квантованные MLP-слои и часть attention-слоёв с компонентами Q8_0 и F32; размер опубликованного файла составляет 19,72 ГБ. Доступны режимы reasoning_effort xhigh, medium и low. Сильная сторона модели — сохранение исходных NVFP4-весов и возможность эффективного запуска через llama.cpp с поддержкой MTP. Для других GPU требуется сборка llama.cpp с fallback-поддержкой NVFP4, а для vision-сценариев необходим отдельный mmproj-файл. Качество именно этого GGUF-файла ещё не измерялось; заявленные результаты относятся к исходному NVFP4-чекпойнту. Модель распространяется по лицензии Swift Open License v1.0: коммерческое использование разрешено физическим и юридическим лицам с годовой регулярной выручкой до 1 млн долларов США; при превышении лимита требуется Swift Enterprise License от UkisAI.

T3qm7xNeuralsirkrishna_ShadowYamshadow — объединённая модель семейства Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/ShadowYamshadow-7B. Она предназначена для генерации текста и диалогов. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст. Веса опубликованы в формате Safetensors по лицензии Apache 2.0. README не уточняет специализацию слияния или отдельные языки, поэтому модель можно описать как универсальную текстовую генеративную модель; её фактические качества зависят от задач и данных, использованных для создания исходных моделей.

Tess-10.7B-v1.5 — универсальная большая языковая модель семейства Tess, разработанная Miquiztli. Она основана на SOLAR-10.7B и предназначена для генерации текста в диалоговом формате с ролями SYSTEM, USER и ASSISTANT. Модель подходит для ответов на вопросы, ведения диалога и других общих задач генерации текста. Модель использует плотную архитектуру LlamaForCausalLM, содержит 10,6 млрд параметров и имеет контекст длиной 4096 токенов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. В README указано, что для версии Tess-10.7B-v1.5b опубликованы оптимизации гиперпараметров.

TEST-L3.2-ReWish-3B — объединённая текстовая модель, созданная djuna-test-lab с помощью mergekit на основе unsloth/Llama-3.2-3B и с участием SicariusSicariiStuff/Impish_LLAMA_3B и djuna/ReWiz-Llama-3.2-3B-fix-config. Для слияния применён метод DARE linear с нормализацией и int8-маской; архитектура — плотная LlamaForCausalLM, размер — 3,2 млрд параметров. Модель предназначена для генерации текста и диалогов. Метаданные указывают контекст до 131 072 токенов и интерфейс tool calling. В README приведены результаты Open LLM Leaderboard, включая IFEval 63,68 и BBH 22,07, однако эти показатели сами по себе не гарантируют качество в прикладных сценариях. Модель опубликована в формате safetensors и использует библиотеку Transformers. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

Youlln/TRIOMPHANT-ECE-2.3-72B — текстовая генеративная модель, созданная командой студентов инженерной школы ECE под руководством преподавателей и при поддержке лаборатории iLab. Это слияние SLERP моделей Sakalti/ultiima-72B и MaziyarPanahi/calme-3.2-instruct-78b для диалогов и генерации текста общего назначения. Карточка ориентирует модель на рассуждения, в том числе математические, понимание контекста и выполнение инструкций. Модель основана на плотной архитектуре Qwen2 с причинным языковым моделированием, содержит 71,5 млрд параметров и поддерживает контекст до 32 768 токенов. Доступны веса safetensors для Transformers; лицензия — Apache-2.0. В карточке заявлены задачи NLP общего назначения, однако подробные результаты оценки и подтверждённые языки не приведены.

Tulu V2.5 DPO 13B HH-RLHF — англоязычная диалоговая модель-помощник от Allen Institute for AI (AI2), основанная на Tulu 2 и дообученная методом DPO на наборе предпочтений HH-RLHF. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров; она принимает текст и генерирует текст, поддерживает диалоги и имеет контекст до 4096 токенов. Модель предназначена для ответов на инструкции и ведения диалога с помощником. В README описаны предварительное обучение на смеси инструкций и диалогов Tulu V2, затем выравнивание на HH-RLHF с помощью DPO. Для неё указана лицензия Apache 2.0. Модель не проходила этап RLHF с целью обеспечить безопасные ответы и не использует фильтрацию ответов во время работы; поэтому может выдавать проблемный контент, особенно при соответствующих запросах. Для лучшего качества следует использовать предусмотренный шаблон чата, включая перенос строки после маркера пользователя.

Это визуальный энкодер timm/vit_so400m_patch16_siglip_384.v2_webli из семейства SigLIP 2 на архитектуре ViT, предназначенный для извлечения признаков изображений. Модель соответствует визуальной части SigLIP 2 и обучена на наборе данных WebLI. Энкодер преобразует изображение в признаки для дальнейшего использования в поиске по изображениям, сопоставлении изображений с текстом и других мультимодальных системах. Репозиторий распространяет веса в форматах PyTorch и safetensors, библиотека для работы — timm. Лицензия Apache-2.0.

jonatasgrosman/wav2vec2-large-xlsr-53-french — модель распознавания французской речи от Jonatas Grosman, дообученная на базе facebook/wav2vec2-large-xlsr-53 на обучающей и валидационной выборках Common Voice 6.1. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель преобразует аудиозаписи французской речи в текст и рассчитана на распознавание речи с частотой дискретизации 16 кГц. В карточке описана прямая расшифровка без языковой модели; также приведены сценарии оценки на тестовой выборке Common Voice 6.0 и наборе speech-recognition-community-v2. Модель распространяется по лицензии Apache-2.0. Точность может зависеть от качества записи и отличий речи от данных Common Voice, на которых модель дообучалась.

burakaydinofficial/whisper-base-24lang — мультиязычная модель распознавания речи, созданная дообучением OpenAI Whisper Base. Она предназначена для транскрибирования аудио на 24 языках; карточка описывает её как контрольный вариант со стандартной архитектурой Whisper, сопоставимый с вариантом, преобразованным из MHA в MLA. Модель содержит 51,7 млн параметров и загружается через Transformers без пользовательского кода. Модель дообучали 15 000 шагов на корпусе Whispered, с замороженным энкодером и режимом чтения речи. В карточке приведены восстановленные оценки для части языков на CommonVoice-17; авторы предупреждают, что они получены вычитанием измеренной стоимости преобразования из результатов связанной MLA-модели, а не отдельным тестированием этого чекпойнта. Лицензия — Apache-2.0.

bofenghuang/whisper-large-v3-french-distil-dec16 — дистиллированная версия Whisper Large V3 French, созданная путём сокращения числа слоёв декодера с 32 до 16 и обучения на крупном наборе данных. Модель предназначена для распознавания французской речи и преобразования аудио в текст. Она содержит около 905,2 млн параметров, построена на архитектуре Whisper и поддерживает аудиовход; карточка описывает использование через Transformers и совместимые реализации Whisper. Сокращённый декодер уменьшает расход памяти и ускоряет вывод при сохранении качества, соответствующего числу оставшихся слоёв. В README также отмечено снижение риска галлюцинаций при длинных транскрипциях и возможность ускорения исходной модели Whisper Large V3 French через speculative decoding. Для длинного аудио можно использовать разбиение на фрагменты, но такой способ может немного уступать последовательному алгоритму по качеству. Модель распространяется по лицензии MIT.

Whisper medium.en — англоязычная модель распознавания речи от OpenAI, представленная в исследовании по устойчивому распознаванию речи на основе масштабного слабого обучения. Это Transformer-энкодер-декодер с архитектурой sequence-to-sequence и 455,8 млн параметров. Модель обучена на 680 тысячах часов размеченной речи и принимает аудио, выдавая текстовую расшифровку на английском языке. Модель подходит для транскрибирования английской речи, в том числе записей с акцентами, фоновым шумом и технической лексикой. Базовая обработка рассчитана на аудиофрагменты до 30 секунд; с чанкингом в Transformers можно обрабатывать записи произвольной длительности и получать временные метки. Чекпойнт использует только английский язык и не предназначен для многоязычного распознавания или перевода речи. Модель демонстрирует хорошую устойчивость, но может добавлять слова, которых нет в аудио, повторять текст и ошибаться; качество зависит от акцента и условий записи. Распространяется по лицензии Apache-2.0.

mlx-community/whisper-small-fp16 — конверсия мультиязычной модели распознавания речи OpenAI Whisper Small в формат MLX, выполненная сообществом mlx-community с помощью mlx-audio-plus версии 0.1.4. Модель принимает аудио и преобразует речь в текст; семейство Whisper также поддерживает перевод речи на английский язык. Модель предназначена для автоматической транскрибации и распознавания речи в приложениях на базе MLX. Репозиторий распространяется под лицензией Apache-2.0. Метаданные указывают формат safetensors и библиотеку mlx-audio-plus.

PrunaAI/WizardLM-2-7B-GGUF-smashed — это сжатая и квантизированная версия WizardLM-2-7B, опубликованная PrunaAI; исходная модель связана с Microsoft. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через llama.cpp, LM Studio, text-generation-webui или библиотеки llama-cpp-python и ctransformers. Модель имеет архитектуру llama и около 7 млрд параметров. Она распространяется в формате GGUF с вариантами квантизации от Q2_K до Q8_0, что позволяет выбирать компромисс между размером, скоростью и качеством. В карточке приведён пример запуска с контекстом 32768 токенов; более длинный контекст требует больше ресурсов. Модель принимает текст и генерирует текст; сведения о поддерживаемых языках и мультимодальности не указаны. К сильным сторонам относятся уменьшенный размер файлов, возможность работы на менее мощном оборудовании и широкий выбор уровней квантизации. Ограничение состоит в том, что качество ответов может отличаться от базовой модели и снижаться при более агрессивном сжатии. Лицензия отдельно не указана: карточка сообщает, что она наследуется от лицензии исходной модели, поэтому перед использованием необходимо проверить условия для WizardLM-2-7B.

Yi-1.5-34B-Chat-GGUF — квантизированная версия чат-модели Yi-1.5-34B-Chat, разработанной 01-ai и преобразованной в формат GGUF компанией Second State Inc. Модель предназначена для генерации текста и диалоговых сценариев, включая использование через LlamaEdge. Для работы применяется шаблон запросов ChatML и контекст длиной до 7168 токенов. Модель имеет размер 34 млрд параметров; в README не указаны поддерживаемые языки и модальности, поэтому её следует рассматривать как текстовую. Доступны варианты с разной степенью квантизации от Q2_K до Q8_0, а также версии f16. Вариант Q4_K_M рекомендован как сбалансированный по размеру и качеству, тогда как Q5_K_M и Q5_K_S обеспечивают меньшее снижение качества при большем потреблении памяти. Более сильная квантизация уменьшает размер файлов и требования к ресурсам, но может заметно ухудшать качество ответов. Модель распространяется по лицензии Apache-2.0. Для запуска с LlamaEdge в README указана версия, которая на момент публикации ещё не была доступна; приведены команды для сервиса и консольного приложения. Размеры файлов зависят от варианта квантизации и составляют примерно от 12,8 до 36,5 ГБ.

Abiray/ZAYA1-8B-GGUF — набор GGUF-квантизаций модели ZAYA1-8B, разработанной Zyphra. Модель предназначена для задач генерации текста, сложного рассуждения и локального развертывания при ограниченных ресурсах. ZAYA1-8B использует разреженную Mixture-of-Experts (MoE) архитектуру zaya с механизмом Compressed Convolutional Attention и MLP-router. Всего модель содержит около 8,4 млрд параметров, из которых примерно 760 млн активируются для каждого токена. Доступны варианты квантизации Q3_K_M, Q4_K_S, Q4_K_M, Q5_K_M, Q6_K и Q8_0; рекомендован Q4_K_M как компромисс между потреблением памяти и качеством рассуждений. Сведения о языках, модальностях и размере контекста в README не указаны. К сильным сторонам относятся высокая плотность интеллекта, небольшое число активных параметров на токен и возможность локального запуска. Ограничения связаны с экспериментальной поддержкой архитектуры: для работы требуется самостоятельно собрать llama.cpp из ветки Draft PR #23112, поскольку стандартные релизы пока не распознают необходимые метаданные zaya. Агрессивная квантизация может ухудшать логические способности, а чувствительные слои cca_conv_grp оставлены в более высокой точности. Модель распространяется по лицензии Apache-2.0.

Zenith-7B-dpo — чат-модель Xenon1, созданная дообучением Mistral-7B-v0.1 на датасете Ultrafeedback с применением техник из работы Self-Rewarding Language Models. Она предназначена для диалогов и выполнения инструкций в формате text-generation. Архитектура — плотный трансформер Mistral с Grouped-Query Attention и Sliding-Window Attention; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Для общения используйте шаблон Mistral с маркерами [INST] и [/INST]; доступен chat template через apply_chat_template(). Модель принимает и генерирует текст, а в метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

AfriqueQwen3.5-9B-50Langs-i1-GGUF — это GGUF-квантизированная версия мультиязычной модели AfriqueQwen3.5-9B-50Langs, разработанной McGill-NLP и подготовленной квантизатором mradermacher. Модель предназначена для работы с африканскими и другими языками в задачах генерации и обработки текста, а также поддерживает сценарии image-text-to-text, то есть работу с изображениями и текстом. Модель содержит около 9 миллиардов параметров и ориентирована примерно на 50 языков, включая английский, французский, арабский, португальский и широкий набор африканских языков, среди которых суахили, хауса, йоруба, игбо, амхарский, зулу, коса, тсвана, тигринья и другие. README не указывает размер контекстного окна и подробности архитектуры. Доступны варианты квантования i1-IQ и i1-Q с размером файлов примерно от 2,8 до 6,6 ГБ; вариант i1-Q4_K_M отмечен как рекомендуемый по сочетанию скорости и качества. Сильной стороной модели является специализация на многоязычной обработке африканских языков и возможность локального запуска в формате GGUF. Качество, скорость и требования к памяти зависят от выбранного уровня квантования: наиболее компактные варианты могут заметно уступать в качестве, тогда как более крупные требуют больше ресурсов. Для поддержки визуального ввода могут потребоваться дополнительные mmproj-файлы из статического репозитория. Модель распространяется по лицензии CC BY 4.0.

Это демонстрационная объединённая модель на базе архитектуры BERT, созданная функцией SentenceTransformer.merge из моделей sentence-transformers/all-MiniLM-L6-v2 и sentence-transformers/multi-qa-MiniLM-L6-cos-v1. В процессе слияния применён метод dare_ties: из изменений каждой задачи случайно удалено 30% весов с последующим масштабированием и согласованием знаков. Модель содержит 25,9 млн параметров, принимает текст и формирует семантические векторы для сравнения предложений и поиска по смыслу. Контекст составляет до 512 токенов; карточка указывает поддержку sentence-transformers и форматы Safetensors, TensorFlow и OpenVINO. Модель подходит для прототипирования семантического поиска и сравнения текстов. Это демонстрация слияния, поэтому качество объединённой модели для конкретных задач не подтверждено в карточке; перед применением следует оценить её на целевых данных. Лицензия в предоставленных данных не указана.

AREX-Turbo — компактная модель-агент для глубокого исследования, разработанная Beijing Academy of Artificial Intelligence (BAAI). Это плотная модель на 4 млрд параметров, дообученная на Qwen/Qwen3.5-4B; она поддерживает контекст до 262 144 токенов и предназначена для многоэтапного поиска информации с использованием инструментов. Модель собирает и сопоставляет сведения из источников, формирует предварительный ответ, проверяет его по заданным ограничениям и при необходимости уточняет или начинает исследование заново. Она также обновляет контекст исследования, сохраняя проверенные выводы, источники, отвергнутые варианты и нерешённые вопросы. AREX-Turbo рассчитана на сценарии, где важны стоимость обслуживания и скорость итераций; метаданные указывают поддержку диалога и интерфейса вызова инструментов. Модель основана на Qwen3.5-4B и выпущена в формате safetensors для Transformers. В карточке заявлены сценарии поиска, просмотра источников, интеграции свидетельств и построения ответов; оценки приведены для длинных исследовательских задач с инструментами. Лицензия — Apache-2.0. README не описывает отдельные ограничения качества или безопасности.