I.3Извлечение и структурирование данных

Карточка модели anas89ji/Ming-flash-omni-Preview на Hugging Face совпадает с карточкой inclusionAI/Ming-flash-omni-Preview, поэтому описание составлено по ней. Ming-flash-omni Preview — предварительная мультимодальная модель компании inclusionAI, дообученная на основе Ling-flash-2.0. Это разреженная MoE-модель с 100 млрд параметров, из которых активны 6 млрд на токен; архитектура указана как BailingMM2NativeForConditionalGeneration. Модель принимает текст, изображения, аудио и видео и может выдавать текст, изображения и аудио. Модель предназначена для мультимодального диалога: понимания изображений и видео, распознавания речи с учётом контекста и китайских диалектов, синтеза речи, генерации и редактирования изображений. Среди заявленных возможностей — генеративная сегментация, улучшенное сохранение сцены и идентичности при редактировании, а также отрисовка текста внутри изображений. Разработчик сообщает о сильных результатах на мультимодальных тестах, включая контекстное распознавание речи и распознавание 15 китайских диалектов. Модель опубликована под лицензией MIT. Это Preview-версия; карточка не приводит длину контекста и подробные требования к оборудованию. Для практического применения следует учитывать большой общий размер модели и проверять качество на целевых задачах.

MiniCOIL v1 — разреженная нейронная модель эмбеддингов для текстового поиска, опубликованная Qdrant на основе jinaai/jina-embeddings-v2-small-en. Модель предназначена для задач sentence similarity и retrieval, включая семантический поиск и гибридный поиск по текстовым коллекциям. Для каждого стема слова модель формирует 4-мерное смысловое представление, объединяет такие представления в разреженную модель мешка слов и взвешивает слова по формуле BM25. Для слов, отсутствующих в словаре miniCOIL, используется вес, основанный только на BM25. Модель поддерживает английский язык; сведения о размере параметров, длине контекста и других модальностях не указаны. К сильным сторонам относятся разреженное представление, учет как лексического совпадения, так и смысла слов, а также различение контекстов многозначных терминов. Модель рассчитана на использование с библиотекой FastEmbed и особенностями Qdrant: для корректного применения необходимо настроить Modifier.IDF либо самостоятельно учитывать и масштабировать IDF-компонент BM25. Ограничения включают англоязычную специализацию и зависимость от настройки разреженных векторов в Qdrant. Модель распространяется по лицензии Apache-2.0.

MiniMax-M2.1-REAP-30-i1-GGUF — это GGUF-квантизированная версия модели MiniMax-M2.1-162B, подготовленная mradermacher на основе модели 0xSero. Модель предназначена для генерации текста и запуска в совместимых локальных инструментах, поддерживающих формат GGUF. В метаданных она обозначена как MoE-модель с pruning/REAP; точные параметры архитектуры и активный размер модели не указаны. Доступны варианты квантизации от i1-IQ1_S размером 33,2 ГБ до i1-Q6_K размером 133,1 ГБ. README отмечает компромисс между размером, скоростью и качеством: i1-Q4_K_S обозначен как оптимальный по этим параметрам, а i1-Q4_K_M — как быстрый и рекомендуемый вариант. Для некоторых низкобитных IQ-вариантов заявлено преимущество по качеству над сопоставимыми стандартными квантизациями. Заявленный язык — английский. Поддерживается текстовая модальность; сведения о контекстном окне, мультимодальности, специализированных возможностях и результатах бенчмарков отсутствуют. Основные ограничения связаны с большими требованиями к дисковому пространству и ресурсам, особенно для вариантов с более высоким качеством, а низкобитные версии могут заметно терять качество. Модель распространяется по лицензии Apache-2.0.

MiniMax-M2-MLX-8bit — это 8-битная квантованная версия языковой модели MiniMax-M2, разработанной компанией MiniMaxAI. Данная версия подготовлена командой LM Studio на базе MLX и предназначена для локального запуска на компьютерах Apple Silicon, в том числе через LM Studio. Модель относится к классу text-generation и рассчитана на задачи генерации текста и диалогового взаимодействия. Она использует архитектуру и возможности исходной MiniMax-M2, однако в предоставленных данных не указаны точные размер модели, архитектурные параметры, поддерживаемые языки, объём контекстного окна и сведения о мультимодальности. Ключевая особенность версии — 8-битное квантование и оптимизация с помощью MLX для устройств Apple Silicon, что делает её более подходящей для локального использования при ограниченных ресурсах по сравнению с полноразмерной версией. Ограничения включают возможное снижение точности из-за квантования, зависимость от совместимого оборудования и отсутствие подробных данных о качестве, производительности и области применения. Модель распространяется по лицензии MIT.

miquliz-120b-v2.0 — крупная языковая модель на архитектуре Llama, созданная wolfram как линейное слияние слоёв miqu-1-70b-sf и lzlv_70b_fp16_hf с помощью mergekit. В README указано 120 млрд параметров, 140 слоёв и контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов; в карточке приведён шаблон запросов Mistral [INST]...[/INST]. Модель рассчитана на английский, немецкий, французский, испанский и итальянский языки. Репозиторий содержит веса Safetensors; для модели также опубликованы сторонние квантизованные сборки GGUF и EXL2. README сообщает о высоких результатах во внутренних сравнениях автора, но не приводит методику или независимые оценки. Лицензия в метаданных обозначена как other; автор также упоминает происхождение части весов из утёкшей модели, поэтому правовой статус и условия использования требуют отдельной проверки.

Mistral-v0.3-6B — плотная авторегрессионная языковая модель семейства Mistral, дообученная pszemraj на базе pszemraj/Mistral-7B-v0.3-prune6. Разработчик описывает обучение как краткое продолжение предобучения с контекстом 4096 токенов для восстановления после прореживания слоёв; в метаданных указаны 5,8 млрд параметров и нативный контекст 32 768 токенов. Модель предназначена для генерации текста и задач общего языкового моделирования. В карточке приведены результаты оценивания на наборах ARC Easy, BoolQ и Open LLM Leaderboard; они дают ориентир по отдельным тестам, но не гарантируют качество в конкретном сценарии. Репозиторий содержит веса safetensors, а лицензия — Apache-2.0. Карточка не описывает специальные прикладные области или дополнительные модальности.

MixtureofMerges-MoE-v2 — языковая модель с архитектурой Mixtral MoE, созданная автором jsfs11 с помощью LazyMergekit. Она объединяет четыре модели на основе 7B-чекпойнтов: NeuralBeagle14-7B, TurdusTrixBeagle-DARETIES-7B, WestSeverus-7B-DPO-v2 и Wernicke-7B-v7. Модель предназначена для генерации текста, диалогов, следования инструкциям, рассуждений и творческих ответов. Веса опубликованы в формате safetensors; размер составляет 7,1 млрд параметров, контекст — до 32 768 токенов. В README приведены результаты оценки на Open LLM Leaderboard, включая среднее значение 74,82, AI2 Reasoning Challenge — 72,44 и HellaSwag — 88,41. Модель распространяется по лицензии Apache-2.0. Карточка не уточняет поддерживаемые языки и не приводит подробностей о качестве в прикладных сценариях.

MN-LooseCannon-12B-v1 — языковая модель для генерации текста и диалогов, созданная GalrionSoftworks с помощью LazyMergekit. Это слияние моделей aetherwiing/MN-12B-Starcannon-v3 и Sao10K/MN-12B-Lyra-v1 методом TIES с нормализацией весов. Модель имеет плотную архитектуру MistralForCausalLM и 12,1 млрд параметров; веса опубликованы в формате safetensors. В метаданных заявлена длина контекста 1 024 000 токенов. Модель предназначена для генерации ответов в чатах и других текстовых сценариях. В карточке приведены результаты Open LLM Leaderboard, включая IFEval и BBH. Сведений о специализации по языкам и условиях лицензии в предоставленных данных нет.

johnnyboycurtis/ModernBERT-small — англоязычная модель эмбеддингов Sentence Transformers, разработанная Johnny Boy Curtis. Это компактный ModernBERT с 47,7 млн параметров, mean pooling, выходными векторами размерности 384 и максимальной длиной последовательности 1024 токена. Модель обучена с нуля, затем прошла контрастивное обучение на наборах all-nli, trivia-qa-triplet и MS MARCO, дистилляцию по BAAI/bge-base-en-v1.5 и дообучение на STSB для оценки семантического сходства; используется косинусное сходство. Модель подходит для поиска семантически близких предложений, сравнения текстов и построения векторного поиска на английском языке. В README приведены результаты на STS-dev и STS-test, но автор предупреждает, что это ранний эксперимент с неудачным масштабированием архитектуры и не рекомендует его для production; предлагается перейти на ModernBERT-small-v2. Веса доступны в формате safetensors, лицензия MIT.

robro612/modernbert_xtr_contrastive_k256 — модель PyLate семейства ColBERT, дообученная автором на базе answerdotai/ModernBERT-base на наборе msmarco-10m-triplets из 10 млн примеров. Она предназначена для поиска и ранжирования текстов: кодирует запросы и документы в последовательности 128-мерных векторов и оценивает их сходство оператором MaxSim. Архитектура включает ModernBERT и линейный слой, преобразующий размерность с 768 до 128; размер модели — 149 млн параметров. Для документов предусмотрено до 512 токенов, для запросов — до 32; метаданные указывают нативный контекст 8192 токена. Модель можно применять для семантического поиска по коллекции документов с индексом FastPLAID, а также для переранжирования результатов первичного поиска. В README приведены результаты оценки на наборах NanoBEIR и тематических задачах поиска. Обучающий набор и базовая модель англоязычные, поэтому основное применение — поиск по английским текстам. Модель принимает текст и выдаёт векторные представления и оценки релевантности. Лицензия в предоставленных данных не указана.

cross-encoder/monoelectra-base — англоязычный кросс-энкодер для ранжирования текстов, перенесённый из webis/monoelectra-base в библиотеки Sentence Transformers и Transformers. Модель основана на ELECTRA и содержит 136,7 млн параметров; максимальная длина контекста — 512 токенов. Модель предназначена для второго этапа retrieve-rerank: она оценивает пары «запрос — найденный фрагмент» и переупорядочивает результаты, полученные поисковым движком, например BM25 или моделью эмбеддингов. Также метаданные указывают поддержку классификации текста. Доступны форматы safetensors, ONNX и OpenVINO. Лицензия — Apache-2.0. README описывает перенос модели в другой интерфейс, а метаданные указывают дообучение от google/electra-base-discriminator. Модель ориентирована на английский язык; её контекст ограничен 512 токенами, поэтому длинные пары текстов требуют усечения или разбиения.

RedHatAI/Muse-Glimmer-30B-NVFP4 — мультимодальная генеративная модель, разработанная RedHatAI на основе meta-models/Muse-Glimmer-30B. Она принимает текстовые и графические входные данные и генерирует текст, поэтому предназначена для задач image-text-to-text, мультимодального диалога и инференса с визуальным контекстом. Архитектура указана как MuseGlimmerForConditionalGeneration; точное число параметров базовой модели в README не приведено, но идентификатор указывает на 30B. Модель оптимизирована для инференса с vLLM и использует NVFP4-квантизацию весов и активаций. Квантизуются линейные операторы внутри transformer-блоков, а vision-компоненты, lm_head и embed_tokens исключаются. Переход с 16 на 4 бита уменьшает размер на диске и требования к памяти GPU примерно на 75%, что является ключевым преимуществом для развертывания. README не указывает поддерживаемые языки, размер контекста и количественные показатели качества; приведённый пример калибровки использует последовательности длиной до 2048 токенов, но это не заявленный максимальный контекст модели. Для обслуживания рекомендуется vLLM с поддержкой мультимодального инференса, автоматического выбора инструментов и специализированных reasoning- и tool-call-парсеров. Квантизация может снижать точность по сравнению с исходной моделью, однако конкретное влияние в README не измерено. Модель распространяется по лицензии Apache-2.0.

NaturalLM-7B-Instruct-GGUF — это набор GGUF-квантизаций инструкционной языковой модели NaturalLM-7B-Instruct, разработанной qingy2024. Квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалогового взаимодействия; запуск возможен, в частности, через LM Studio и совместимые инструменты llama.cpp. В набор входят варианты от исходных весов F16 размером 14,5 ГБ до квантизаций Q3 и Q4 размером примерно 3,2–4,5 ГБ, а также Q5, Q6 и Q8 с более высоким качеством и большим потреблением памяти. Для общения используется формат сообщений с ролями system, user и assistant. README не указывает архитектуру исходной модели, поддерживаемые языки, размер контекста, мультимодальность или точные показатели качества, поэтому эти характеристики нельзя определить по имеющимся данным. Основное преимущество набора — выбор между качеством, размером файлов и требованиями к памяти; варианты Q5 и Q6 отмечены как высококачественные, а Q4_K_M описан как подходящий для большинства сценариев. Более сильное сжатие уменьшает требования к памяти, но снижает качество. Для некоторых вариантов существуют специальные ограничения по аппаратуре: отдельные сборки оптимизированы для ARM или AVX, требуют поддержки конкретных инструкций и не рекомендуются для Mac или GPU. Лицензия в README не указана.

Nemotron 3.5 ASR — разработанная NVIDIA многоязычная модель автоматического распознавания речи на 600 млн параметров. Она предназначена для потоковой транскрибации с низкой задержкой и пакетной обработки аудио; доступна через NeMo и Transformers, а веса представлены в формате safetensors. Архитектура Cache-Aware FastConformer-RNNT использует кэш контекста, чтобы обрабатывать новые аудиофрагменты без повторных вычислений. Размер фрагментов можно настраивать от 80 до 1120 мс; модель расставляет пунктуацию и заглавные буквы, а при режиме auto может определять язык речи и добавлять языковую метку к транскрипту. Модель поддерживает 40 языковых локалей: для 32 заявлена транскрибация без дополнительной адаптации, а для восьми требуется дообучение на данных целевого домена. Среди языков есть русский, английский, испанский, французский, немецкий, арабский, китайский, японский и другие. Карточка указывает готовность к коммерческому использованию, однако метаданные обозначают лицензию как other, поэтому конкретные условия следует сверить с файлами лицензии репозитория. Для английской речи автор рекомендует отдельную англоязычную модель Nemotron ASR Streaming.

NeuralDarewin-7B — объединённая модель на основе Mistral, опубликованная mlabonne. Она предназначена для генерации текста и может использоваться как языковая модель общего назначения. В карточке приведены результаты оценивания на бенчмарках рассуждений и понимания текста. Модель имеет плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Нативная длина контекста — 32 768 токенов. Модель создана слиянием шести моделей, включая Intel/neural-chat-7b-v3-3, openchat/openchat-3.5-0106 и mlabonne/NeuralHermes-2.5-Mistral-7B. Доступна в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает о специализированной предметной области или языковой специализации.

IsValorum/Nex-N2.5-mini-APEX-I-MiniPlus-V1-GGUF — это GGUF-квантизированная версия модели Nex-N2.5-mini, разработанной nex-agi. Сборка подготовлена IsValorum с использованием индивидуальной тензорной схемы квантования APEX-I-MiniPlus V1 и предназначена для запуска через llama.cpp и совместимые инструменты. Модель относится к мультимодальным системам с поддержкой изображений и сценариев агентного взаимодействия с компьютером; заявлен pipeline image-text-to-text. Модель использует архитектуру MoE и рассчитана на работу с текстом и визуальными входными данными. В README заявлена поддержка английского, китайского, испанского, французского, немецкого, португальского, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Для V1 указаны F32 router gates, выходная голова Q6_K, attention gates Q8_0 и основные эксперты IQ3_XXS. Размер модели, точное число параметров и длина контекста для этой версии не указаны. К сильным сторонам относятся компактность по сравнению с полноразмерной моделью, сохранение повышенной точности чувствительных компонентов и возможность использования преимущественно системной RAM. Ограничения связаны с потерями качества, неизбежными при агрессивном квантовании, а также с тем, что приведённые в README подробные результаты некоторых сравнений относятся к другим версиям или моделям семейства и не подтверждают характеристики именно этой сборки. Модель распространяется по лицензии Apache-2.0.

Это 4-битная версия модели Nous-Hermes-2-Mixtral-8x7B-DPO, преобразованная в формат MLX сообществом mlx-community. Она основана на дообученной NousResearch модели Mixtral-8x7B и предназначена для диалоговой генерации текста и выполнения инструкций. Архитектура — разреженная Mixture of Experts (MoE); модель поддерживает контекст до 32 768 токенов и рассчитана на английский язык. Модель подходит для чат-ботов, ответов на вопросы, помощи с письмом и других задач генерации текста по инструкциям. Репозиторий содержит веса в формате safetensors и предназначен для запуска с MLX. Лицензия — Apache-2.0.

Nyxene-11B — разговорная языковая модель на архитектуре Mistral, опубликованная пользователем beberik. Репозиторий содержит веса bf16, а модель создана с помощью mergekit на основе Starling-LM-7B-alpha, NeuralHermes-2.5-Mistral-7B, juanako-7b-UNA и dolphin-2.1-mistral-7b. Она предназначена для генерации текста и ответов на инструкции в диалоговом формате. Модель содержит 10,6 млрд параметров и поддерживает контекст до 32 768 токенов. README предлагает шаблон запроса в формате инструкции и приводит результаты оценки на Open LLM Leaderboard. Указанные оценки дают ориентир по отдельным тестам, но не гарантируют качество на конкретных задачах. Доступна по лицензии CC BY-NC 4.0, ограничивающей коммерческое использование.

OpenChat-3.5-0106_32K-PoSE-GGUF — это GGUF-квантизированная версия текстовой генеративной модели OpenChat-3.5-0106_32K-PoSE. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; исходная модель разработана и опубликована Pretergeek. В качестве данных указано подмножество или источник Yukang/LongAlpaca-12k. Модель предназначена для генерации текста и диалогового взаимодействия, включая работу с системными и пользовательскими запросами через специальный шаблон OpenChat. Заявлено контекстное окно до 32 000 токенов. Модель является текстовой, сведения о поддерживаемых языках, точной архитектуре и количестве параметров в README не приведены. Доступны варианты от F16 до сильно сжатых форматов Q8, Q6, Q5, Q4, Q3 и IQ. Это позволяет выбирать между качеством, размером файла и требованиями к памяти; варианты Q6_K и Q6_K_L отмечены как близкие к исходному качеству, а Q4_K_M — как стандартный компромисс по размеру. Некоторые варианты оптимизированы для ARM и требуют поддержки SVE или i8mm, поэтому совместимость зависит от оборудования и среды запуска. Рекомендуется использование через llama.cpp или LM Studio. Лицензия — Apache-2.0. Ограничения качества зависят от уровня квантизации: более компактные варианты могут заметно уступать полноточной версии, а сведения о результатах тестирования, безопасности и фактической языковой эффективности не предоставлены.

opensearch-project/opensearch-neural-sparse-encoding-doc-v3-gte — модель разреженного кодирования документов для поиска, разработанная участниками проекта OpenSearch. Она преобразует документы в разреженные векторы размерности 30 522, где индексы соответствуют токенам словаря, а веса отражают их значимость. Для запросов предусмотрено формирование векторов с помощью токенизатора и таблицы весов; оценка соответствия вычисляется как скалярное произведение векторов запроса и документа. Модель предназначена для полнотекстового поиска и извлечения релевантных документов, в том числе через разреженный поиск OpenSearch с обратным индексом Lucene. В README описана оценка на подмножестве BEIR. Модель содержит 136,7 млн параметров, использует архитектуру NewForMaskedLM и поддерживает контекст до 8192 токенов. Указанный язык — английский. Лицензия — Apache-2.0. README приводит общие преимущества серии v3 по релевантности, эффективности и скорости относительно серий v1 и v2, но не содержит числовых результатов именно для этой версии. Результаты поиска могут различаться в зависимости от набора данных; перед применением стоит оценить качество на целевом корпусе.

OrionStar-Yi-34B-Chat-Llama — диалоговая языковая модель OrionStarAI на основе Yi-34B, дообученная на корпусе объёмом более 15 миллионов предложений. В этой версии тензоры переименованы в соответствии с форматом LLaMA для автоматической оценки на лидерборде Hugging Face; веса доступны в формате safetensors, архитектура — плотная LlamaForCausalLM с 33,9 млрд параметров. Модель предназначена для интерактивного общения и генерации текста на китайском и английском языках, а также для общих языковых задач. В карточке приведены результаты оценки на наборах C-Eval, MMLU и CMMLU с настройкой 5-shot. Контекст составляет 4096 токенов. Указанная в метаданных лицензия — Apache-2.0, а README также просит соблюдать соглашение и лицензию Yi.

nectec/Pathumma-whisper-th-large-v3 — модель распознавания речи команды Pathumma Audio Team. Она основана на Whisper large-v3 от OpenAI и дообучена для распознавания тайского языка; карточка также указывает английский среди языков модели. Модель содержит около 905,2 млн параметров и доступна в формате safetensors для библиотеки Transformers. Модель предназначена для преобразования аудиозаписей в текст. Её можно использовать для транскрибации тайской и английской речи. README содержит пример запуска через класс pipeline в Transformers, но не приводит подробностей о данных дообучения или результатах оценки качества. Лицензия — Apache-2.0.

Карточка модели facebook/PE-Spatial-S16-512 на Hugging Face совпадает с карточкой facebook/PE-Core-L14-336, поэтому описание составлено по ней. Perception Encoder PE-Core-L14-336 — модель Meta для визуального понимания, обученная с помощью контрастивного обучения изображений и текста и дообученная на синтетически согласованных видео. Это вариант размера L: визуальный энкодер с архитектурой ViT-L/14 содержит 0,32 млрд параметров и обрабатывает изображения с разрешением 336 пикселей. Для извлечения глобальных признаков используются attention pooling и class token. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения, поиска изображений и видео по тексту, а также извлечения визуальных признаков для последующих задач. В README указаны результаты на наборах ImageNet, ObjectNet и Kinetics-400; версия L/14 показывает сильные результаты, в том числе на сложных наборах ObjectNet и ImageNet-A. Репозиторий содержит веса PyTorch и код загрузки через библиотеку perception-encoder. Лицензия — Apache-2.0. README описывает семейство PE Core как включающее визуальную и текстовую башни, но таблица именно для L/14 приводит характеристики только визуальной башни; отдельные размер и длина контекста текстовой части этого чекпойнта не установлены приведёнными данными. Для работы с видео требуется декодирование в тензоры PyTorch.

PKU-DS-LAB_FairyR1-32B-GGUF — это набор квантованных версий языковой модели FairyR1-32B, разработанной командой PKU-DS-LAB и подготовленной пользователем bartowski в формате GGUF с использованием llama.cpp и imatrix-квантизации. Модель предназначена для генерации текста и локального запуска в LM Studio, llama.cpp и других проектах на базе llama.cpp. Модель имеет 32 миллиарда параметров, относится к текстовым моделям и, согласно карточке, поддерживает английский язык. Доступны варианты от BF16 до низкобитных Q2/Q3 и IQ-квантизаций; размер файлов составляет примерно от 12,84 до 65,54 ГБ. Более высокие уровни квантования обеспечивают лучшее сохранение качества, тогда как младшие варианты требуют меньше оперативной памяти, но заметно уступают по качеству. Для работы следует использовать указанный шаблон промпта с маркерами ролей и блоком рассуждений. К сильным сторонам относятся широкий выбор вариантов квантования, возможность локального запуска и высокая точность версий Q5–Q8, при этом Q4_K_M обозначена как вариант по умолчанию для большинства сценариев. Ограничения включают значительные требования к памяти даже у квантованных вариантов, снижение качества при агрессивном квантовании и отсутствие в карточке подробностей об архитектуре, максимальном контексте, мультимодальности и результатах тестирования. Распространение указано по лицензии Apache-2.0.

Platypus-Nebula-v2-7B — объединённая модель на базе Mistral 7B, созданная Weyaxi путём слияния bhenrym14/mistral-7b-platypus-fp16 и PulsarAI/Nebula-v2-7B-Lora. Она предназначена для генерации текста и может использоваться для диалога, ответов на вопросы и решения текстовых задач на английском языке. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В репозитории размещены веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Phantomcloak19/qwen2.5-3b-dpo — плотная авторегрессионная языковая модель семейства Qwen2, дообученная разработчиком на базе Qwen/Qwen2.5-3B-Instruct на этапе DPO в последовательном конвейере обучения LLMPR. Модель предназначена для диалогов и генерации текста по инструкциям; карточка указывает, что это результат DPO-фазы, после которой в конвейере предусмотрен этап Safety-GRPO. Модель содержит 3,1 млрд параметров, использует библиотеку Transformers и формат Safetensors, поддерживает контекст до 32 768 токенов. Базовая модель многоязычная, однако конкретный список языков для этого чекпойнта в предоставленных данных не указан. Лицензия и отдельные оценки качества не приведены.

Qwen2.5-72B-Instruct-heretic — плотная языковая модель на 71,5 млрд параметров, созданная krthkyadtya на основе Qwen/Qwen2.5-72B-Instruct. Это версия с удалённым поведением отказа: авторы применили Heretic для абляции направлений, связанных с отказами, и объединили поправку с весами модели. Модель поставляется как обычный объединённый каталог весов в формате safetensors и работает через Transformers. Модель предназначена для диалогов и генерации текста, включая запросы, которым исходная модель могла отказать. Контекст — до 32 768 токенов. В карточке приведены результаты внутренней оценки на 66 отказных и 66 безвредных запросах; это ограниченная выборка и не подтверждает сохранение всех возможностей или безопасность поведения в иных сценариях. Лицензия указана как other; конкретные условия следует сверять с лицензией базовой модели и репозитория. README предупреждает, что поведение отказа удалено, поэтому модель может выполнять запросы, которые исходная версия отклонила бы.

Qwen2-57B-A14B-Instruct-GGUF — это GGUF-квантизированная версия модели Qwen/Qwen2-57B-A14B-Instruct, разработанной командой Qwen и подготовленной пользователем legraphista с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, включая работу в формате чата, и может запускаться в совместимых средах, поддерживающих формат GGUF, в том числе llama.cpp. В README явно указан английский язык; сведения о поддержке других языков отсутствуют. Доступны варианты от BF16 и FP16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K, включая несколько подтипов квантизации. Размер файлов варьируется примерно от 21,06 до 114,84 ГБ; часть наиболее крупных вариантов поставляется в виде разделённых файлов. Ключевое преимущество сборки — возможность выбрать баланс между качеством и требованиями к памяти, однако низкобитная квантизация может снижать точность, а запуск модели требует значительных аппаратных ресурсов. Размер контекста, точные архитектурные характеристики и мультимодальные возможности в README не указаны. Модель распространяется по лицензии Apache-2.0.

fedric95/Qwen2-7B-GGUF — набор GGUF-квантизаций базовой языковой модели Qwen2-7B, опубликованный пользователем fedric95. Модель предназначена для генерации текста и диалоговых сценариев, а также для локального запуска через llama.cpp. В метаданных указаны английский язык и задача text-generation. Модель содержит около 7 млрд параметров и представлена в вариантах BF16, Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, Q3_K_L, Q3_K_M, Q3_K_S и Q2_K. Размер файлов варьируется от 3,02 до 15,2 ГБ. Более сильная квантизация обычно требует меньше памяти, но может снижать качество: например, значение perplexity на wikitext-2-raw-v1.test составляет 7,3817 для Q8_0, 7,4796 для Q4_K_M и 10,5122 для Q2_K. Для отдельных вариантов приведены результаты WinoGrande, HellaSwag и MMLU в режиме zero-shot. Сильные стороны модели — широкий выбор уровней квантизации и возможность подбора компромисса между размером, требованиями к памяти и качеством. Ограничения включают отсутствие данных о длине контекста, мультимодальности, дополнительных языках и конкретных требованиях к аппаратному обеспечению; приведённые результаты не описывают все реальные сценарии применения. Лицензия — Apache-2.0.

DavidAU выпустил эту диалоговую модель на основе Huihui-Qwen3-30B-A3B-Thinking-2507-abliterated, дообучив её с помощью Unsloth на наборе TeichAI/claude-4.5-opus-high-reasoning-250x. Это генеративная языковая модель семейства Qwen3 MoE: всего около 30 млрд параметров, из которых активны примерно 3 млрд; метаданные каталога указывают 2,6 млрд параметров. Архитектура использует 128 экспертов, обычно активируя 8 за раз. Модель предназначена для диалогов, следования инструкциям и генерации ответов с рассуждениями. Автор отмечает, что блоки рассуждений обычно короче, чем у исходной Qwen, и что модель стремится реже отказывать, в том числе при запросах на взрослый или откровенный контент. Для таких ответов может потребоваться явно задать желаемый стиль и лексику. Заявленные автором результаты на бенчмарках не сопровождаются полными данными в карточке, поэтому их нельзя считать независимой оценкой качества. Модель принимает и генерирует текст, рассчитана прежде всего на английский язык и поддерживает контекст до 262 144 токенов. Файлы репозитория представлены в формате safetensors; указана лицензия Apache-2.0.