I.3Извлечение и структурирование данных

AtomicChat/Qwen3.5-4B-DFlash-GGUF — GGUF-квантизированная версия модели z-lab/Qwen3.5-4B-DFlash, подготовленная и самостоятельно квантизированная командой Atomic Chat. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный и полностью офлайн-запуск через llama.cpp, Ollama, LM Studio, Jan или приложение Atomic Chat. В карточке указано, что модель имеет 0,6 млрд параметров, 6 слоёв и архитектуру плотного декодера DFlashDraftModel с гибридным вниманием: скользящее окно 4096 токенов сочетается с глобальным вниманием. Заявлена длина контекста до 262 144 токенов, словарь из 248 320 токенов и текстовая модальность. Репозиторий содержит квантизацию Q8_0 размером около 0,7 ГБ; она описывается как практически без потерь и рассчитанная на сохранение качества исходной модели. Квантизация выполнена с использованием матрицы важности для каждого тензора. Сильными сторонами являются небольшой размер, возможность локальной работы, длинный контекст и применение importance matrix при квантизации. Ограничения — отсутствие в карточке сведений о поддерживаемых языках, результатах тестирования, рекомендуемых параметрах sampling и фактическом качестве на задачах. Для корректного диалогового формата необходимо использовать шаблон Qwen3.5 через параметр --jinja; без него возможна генерация некорректных реплик. Исходная модель выпущена под лицензией Apache 2.0; квантизированная версия подготовлена Atomic Chat.

MuXodious создал Qwen3.5-4B-SOMPOA-heresy-v2 — дообученную версию мультимодальной модели Qwen3.5-4B, обработанную методом abliteration с использованием Self-Organizing Maps и Magnitude-Preserving Orthogonal Ablation. Модель предназначена для диалогов, анализа изображений, рассуждений и работы с инструментами; README сообщает о снижении частоты отказов после обработки. Это плотная модель на 4 млрд параметров с языковой частью и визуальным энкодером, построенная на гибридной архитектуре с Gated Delta Networks и gated attention. Базовая модель поддерживает 201 язык и диалект, а длина контекста составляет 262 144 токена с возможностью расширения до 1 010 000 токенов. Репозиторий содержит веса в формате Safetensors для использования с Transformers и совместимыми движками инференса. Модель может подходить для мультимодальных диалогов, вопросов по изображениям, рассуждений и сценариев с вызовом инструментов. Указанный в README результат UGI и метрики снижения отказов относятся к заявлениям автора; независимая оценка качества здесь не приведена. Лицензия — Apache-2.0.

techwithsergiu подготовил текстовую производную Qwen/Qwen3.5-2B: из исходной мультимодальной модели удалена визуальная часть, а текстовые веса сохранены без изменений в формате bf16. Это плотная авторегрессионная модель семейства Qwen3.5 с 1,7 млрд параметров и контекстом до 262 144 токенов; она принимает и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Модель предназначена прежде всего как промежуточный артефакт для конвертации в GGUF или слияния слияния после обучения LoRA на CPU. Для прямого дообучения автор рекомендует отдельную версию techwithsergiu/Qwen3.5-text-2B-bnb-4bit. Удаление визуальной части сокращает размер файлов, но исключает работу с изображениями и видео. Лицензия — Apache-2.0.

Qwen3.6-27B-Uncensored-MagicQuant-MTP-GGUF — GGUF-квантизированная языковая модель на базе llmfan46/Qwen3.6-27B-uncensored-heretic-v2-Native-MTP-Preserved. Релиз подготовлен magiccodingman с использованием конфигураций MagicQuant, а базовые форматы квантования и инструменты предоставлены llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, включая задачи, где требуется менее ограниченное поведение модели. Доступно несколько вариантов квантования MagicQuant и llama.cpp с размерами примерно от 8,92 до 27,70 ГБ. Наиболее крупный вариант MQ-Q6_K_1 имеет размер 27,70 ГБ и заявленное значение KLD 0,003838; также представлены варианты Q5, Q4, Q3 и Q2. В модели сохранена поддержка MTP, однако MTP-тензоры квантовались в Q8_0 из-за неполной поддержки imatrix и MTP в llama.cpp на момент подготовки релиза. Указаны архитектура Qwen3.6 и размер 27B параметров, но сведения о языках, максимальном контексте и точном наборе модальностей отсутствуют; по описанию это текстовая модель. Сильной стороной релиза является подбор и локальная проверка конфигураций квантования MagicQuant, направленный на сохранение качества при уменьшении размера. При этом репозиторий является клоном финальных конфигураций из другого выпуска, а не результатом полного собственного поискового конвейера MagicQuant; заявленные метрики относятся к пересобранным вариантам. Качество и требования к памяти зависят от выбранного кванта, а низкобитные варианты могут заметнее терять качество. Модель распространяется по лицензии Apache-2.0.

Qwen3.6-35B-A3B-Brainwaves-Nex-Uncensored — мультимодальная модель семейства Qwen, созданная объединением нескольких моделей, включая Qwen3.6-35B-A3B-Brainwaves и Nex-N2.5-mini-Uncensored. Она предназначена для диалогов и следования инструкциям; метаданные также указывают поддержку обработки изображений вместе с текстом. В README приведены результаты оценок компонентов на нескольких тестах, но полный рецепт объединения и конкретные параметры этих тестов не раскрыты. Модель построена на архитектуре Qwen3.5 MoE и распространяется в формате safetensors через Transformers. В карточке указаны английский, китайский, японский и испанский языки; длина контекста и число параметров для этой версии не приведены. Лицензия — Apache-2.0. Название Uncensored указывает на ориентацию на менее ограниченные ответы, однако README не уточняет границы этой настройки.

Qwen3.6-35B-A3B-MXFP4-GGUF — квантизированная GGUF-версия модели Qwen3.6-35B-A3B, опубликованная пользователем giocom на Hugging Face. Модель основана на разработке семейства Qwen и предназначена для диалогового взаимодействия и задач image-text-to-text, то есть обработки запросов с текстом и изображениями. В карточке также указаны поддержка MTP и формата MXFP4 с эффективностью квантования 5.00 BPW. Модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0. В метаданных и README она помечена как abliterated и uncensored, поэтому её поведение и защитные ограничения могут отличаться от исходной модели Qwen3.6-35B-A3B. Ключевые ограничения — возможная потеря качества из-за квантования, а также отсутствие в доступных материалах подробных сведений о поддерживаемых языках, размере контекста и конкретных характеристиках мультимодального ввода.

Qwen3.6-35B-A3B-uncensored-heretic-Native-MTP-Preserved-NVFP4-Experts-Only — это модифицированная и квантизованная версия Qwen3.6-35B-A3B, опубликованная независимым разработчиком llmfan46. Модель предназначена для генерации и обработки текста; в метаданных Hugging Face также указана задача image-text-to-text, однако подробности о поддерживаемых визуальных возможностях в README не приведены. Версия создана с использованием Heretic v1.3.0 и варианта метода Magnitude-Preserving Orthogonal Ablation (MPOA) для снижения числа отказов модели отвечать на запросы. Модель имеет архитектуру MoE и содержит 35 млрд параметров, из которых около 3 млрд активируются на один запрос согласно идентификатору базовой модели. Сохранены все 19 MTP-компонентов. Экспертные тензоры квантизованы в NVFP4, а неэкспертные и чувствительные тензоры сохранены в более высокой точности; в файлах указаны типы BF16, F32, U8 и F8_E4M3. Языки, размер контекста и точные требования к оборудованию в README не указаны. По данным автора, модель демонстрирует 10 отказов из 100 против 83 из 100 у исходной версии, при этом заявленное расхождение KL составляет 0,0015. Это делает её ориентированной на сценарии, где требуется меньше встроенных ограничений, при сохранении близости к исходной модели. Ограничения включают отсутствие подробных сведений о качестве на стандартных тестах, языках, контекстном окне и совместимости с конкретными средствами запуска. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-abliterated-MTP-GGUF — это GGUF-квантизация модели hotdogs/Qwen3.8-27B-abliterated, созданной на основе Qwen/Qwen3.8-27B. Разработчик описывает исходную модель как training-free abliterated-сборку с удалёнными отказами. Модель предназначена для генерации текста и локального запуска через llama.cpp; сохранённая MTP-голова позволяет использовать self-speculative decoding с параметром --spec-type draft-mtp. Модель содержит около 27 млрд параметров и доступна в вариантах от BF16 до квантизаций Q6_K-mixed, Q4_K_M-mixed и IQ4_NL-mixed. В смешанных вариантах эмбеддинги и выходные тензоры имеют тип q8_0, а остальные слои используют базовую точность; эти сборки откалиброваны с imatrix и рассчитаны на компромисс между размером и качеством. Заявлены языки English, Chinese и Thai. Поддержка контекстной длины и фактическая мультимодальность в предоставленных данных не указаны, хотя в метаданных присутствует тег image-text-to-text. Сильные стороны модели — несколько вариантов размера, близость наиболее качественных квантизаций к эталону f16 и поддержка MTP в основных mixed-сборках. Ограничения включают статус testing/development, отсутствие калибровки imatrix у ранней версии Q4_K_M, возможное ухудшение качества на низких разрядностях и отсутствие MTP у custom IQ2_M/IQ3_M-сборок. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Finnish-Titan-Uncensored-GGUF — мультимодальная текстогенерационная модель, разработанная Kataguru на основе 27-миллиардной базовой модели DavidAU/Qwen3.8-27B-TWIN-TURBO-Fable-Cold-Fusion-709-ULTRA-HERETIC-Uncensored. Модель адаптирована с помощью LoRA и последующего слияния весов для улучшения работы с финским языком, включая сложную грамматику, словообразование, падежные формы и специализированную лексику. Также заявлена поддержка английского языка и неограниченного по тематике стиля генерации. Модель предназначена для диалогов, генерации и анализа текстов, технических и научных задач, программирования, творческого письма, философских и общественных тем. Репозиторий содержит варианты GGUF с разными уровнями квантования, что позволяет запускать модель через llama.cpp и LM Studio на системах с примерно 16 ГБ и более видеопамяти или оперативной памяти. Доступны дополнительные файлы mmproj для анализа изображений и MTP-модель для спекулятивного декодирования, однако точные параметры контекстного окна в README не указаны. К сильным сторонам относятся специализация на финском языке, широкий заявленный спектр задач, поддержка мультимодального анализа и несколько вариантов квантования с разными компромиссами между качеством, размером и требованиями к памяти. Ограничения связаны с крупным размером модели, высокими аппаратными требованиями и возможной потерей качества при использовании компактных квантов; конкретные результаты тестирования и бенчмарки не приведены. Модель распространяется по лицензии Apache-2.0.

litert-community/Qwen3-8B — это версия языковой модели Qwen3-8B, подготовленная сообществом LiteRT для запуска на устройствах с использованием LiteRT-LM. Исходную модель разработала команда Qwen. Модель предназначена для генерации текста и интеграции в локальные и периферийные приложения, где важны автономная работа и снижение требований к памяти. Доступны варианты с поканальным INT8-квантованием весов и float32 KV-кэшем, а также смешанный вариант TorchAO INT4 размером около 4,66 ГиБ. В смешанном варианте линейные проекции используют блочное INT4-квантование с размером группы 32, эмбеддинги — weight-only INT8, а нормализационные пути и KV-кэш остаются в формате с плавающей точкой. Для этого варианта заявлен контекст 2048 токенов. В метаданных указан английский язык и задача text-generation; другие языки и модальности не заявлены. Сильные стороны модели — оптимизация для локального запуска, уменьшенный размер благодаря квантованию и поддержка LiteRT-LM StableHLO-операций для выполнения внимания и работы с кэшем. В тесте на AMD Radeon AI PRO R9700 через WebGPU показаны 860,57 токена/с на этапе prefilling, 67,23 токена/с при декодировании и время до первого токена 0,31 с, однако результаты зависят от оборудования и настроек. Бенчмарк для телефонов не приводится, а заявленные характеристики относятся к конкретным артефактам и среде выполнения. Модель распространяется на условиях лицензии Apache-2.0.

Qwen3.8-Flash-Next-heretic-2-GGUF — это квантизированная GGUF-версия модели Qwen3.8-Flash-Next-heretic-2. Модель разработана trohrbaugh на основе Qwen3.8-Flash-Next от команды Qwen с применением модифицированного Heretic для снижения отказов; данный репозиторий spiritfather переупаковывает веса для запуска через llama.cpp. Модель предназначена для генерации текста, диалогов, творческого письма и ролевых сценариев, а также поддерживает обработку изображений через отдельный vision-проектор. Архитектура — qwen4exp, MoE: 177 млрд параметров всего и около 3 млрд активных. Указан нативный контекст до 262 144 токенов, встроенное рассуждение с уровнями reasoning_effort и возможность его отключения. Доступны квантизации Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером примерно от 130,8 до 175,3 GiB; также включена собственная MTP/NextN-голова для speculative decoding. Сильные стороны модели — большой контекст, мультимодальность, низкое авторское число отказов и поддержка ускоренного декодирования через MTP. Ограничения связаны с очень высокими требованиями к памяти, необходимостью актуальной версии llama.cpp, а для MTP — поддержки PR #27836. Представленные показатели CaliperBench характеризуют творческое письмо, ролевое взаимодействие и готовность отвечать, а не общий интеллект модели. Лицензия указана как qwen-community-1.0; применяются условия лицензии Qwen.

Это предварительно квантованная версия Qwen/Qwen3-Omni-30B-A3B-Instruct, подготовленная с помощью NVIDIA ModelOpt и предназначенная для запуска на графических процессорах NVIDIA Blackwell, включая RTX 5090, B100 и B200. Модель семейства Qwen3-Omni с архитектурой MoE принимает текст, изображения, аудио и видео, а выдаёт текст и речь. Размер исходной модели — 30 млрд параметров, из которых около 3 млрд активируются на токен; NVFP4 W4A8 уменьшает размер чекпойнта примерно до 27 ГБ с примерно 60 ГБ у версии BF16. Квантированы веса экспертов и attention в Thinker; lm_head, маршрутизаторы MoE и остальные этапы оставлены без квантования. Для калибровки использовались английские и китайские запросы. Чекпойнт рассчитан на инференс с аппаратной поддержкой FP4 и не подходит для RTX 4090, A100 и H100; для этих ускорителей автор рекомендует вариант FP8. Модель распространяется по лицензии Apache-2.0.

ggml-org/Qwen3-Reranker-0.6B-Q8_0-GGUF — это модель для ранжирования текста, преобразованная в формат GGUF из базовой модели Qwen/Qwen3-Reranker-0.6B. Конвертация выполнена с использованием llama.cpp через сервис GGUF-my-repo от ggml.ai; исходная модель разработана командой Qwen. Модель предназначена для оценки релевантности текстовых пар или результатов поиска и может применяться в системах информационного поиска, семантического поиска и других сценариях, где требуется переупорядочить документы по соответствию запросу. Модель имеет размер 0,6 млрд параметров и поставляется в квантизированном варианте Q8_0 в формате GGUF, что ориентировано на использование с совместимыми инструментами экосистемы llama.cpp. В README не указаны архитектурные детали, поддерживаемые языки, длина контекста, модальности, конкретные показатели качества или ограничения применения, поэтому оценить эти характеристики невозможно. Лицензия — Apache-2.0.

ClaudioItaly/QwenTies-7B — слитая методом TIES языковая модель на архитектуре Qwen2 для генерации текста и диалогов. Она объединяет Qwen/Qwen2.5-7B-Instruct и Qwen/Qwen2.5-7B; в README указана база Qwen2.5-7B-Instruct. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговых сценариев и генерации текстовых ответов; метаданные также указывают интерфейс вызова инструментов. Базовая Qwen2.5-7B-Instruct описана как модель для генерации текста, кода и структурированных ответов, но отдельные преимущества этого слияния не приведены. Лицензия в предоставленных данных не указана.

Qwopus3.6-27B-v2-Abliterated-NVFP4 — мультимодальная модель для диалога и рассуждений, созданная croll83 на основе Jackrong/Qwopus3.6-27B-v2. Это дообученная версия Qwen3.6-27B с текстовой частью, визуальным энкодером и сохранённой головой MTP для ускорения спекулятивного декодирования. Репозиторий содержит веса GGUF в NVFP4 и F16-проектор изображений; модель рассчитана на запуск через upstream llama.cpp на оборудовании NVIDIA Blackwell. Модель отвечает на текстовые запросы, анализирует изображения и генерирует подробные ответы. В карточке описано снятие отказов от ответов через абляцию направления отказа и этапы SFT и DPO; автор сообщает, что при этом сохранены возможности работы с изображениями. Голова MTP также подверглась абляции и эвристическому выравниванию, поэтому качество спекулятивного декодирования может быть ниже, чем у исходной версии. Карточка заявляет поддержку английского и итальянского языков. Лицензия — Apache-2.0.

Qwythos-9B-v2-Heretic-GGUF — набор GGUF-квантизаций модели WaveCut/Qwythos-9B-v2-Heretic, разработанной WaveCut на основе empero-ai/Qwythos-9B-v2. Это текстовая генеративная модель для диалогов и других задач генерации текста, предназначенная для локального запуска через llama.cpp, Ollama, LM Studio, KoboldCpp и совместимые GGUF-рантаймы. Модель использует гибридную архитектуру Qwen3.5 с 32 блоками, сочетающими слои attention и SSM в стиле Mamba. Доступны варианты квантизации от Q4_K_M примерно на 5,6 ГБ до Q8_0 примерно на 9,5 ГБ; они предлагают компромисс между размером, требованиями к памяти и качеством. Указана поддержка английского и русского языков. Контекст модели в README не указан. Вариант описан как uncensored: защитное выравнивание удалено методом Heretic, поэтому ограничения безопасности оригинальной модели могут отсутствовать. Модель распространяется по лицензии Apache-2.0. Это производная квантизированная версия, не связанная с разработчиками исходной empero-ai/Qwythos-9B-v2; использовать её рекомендуется с учётом возможных рисков, связанных с отсутствием защитного выравнивания.

Карточка модели rm8630/RajLlama-3.1-8B на Hugging Face совпадает с карточкой rm8630/RajLlama-3.1-8B-v3, поэтому описание составлено по ней. RajLlama-3.1-8B-v3 — чат-модель семейства Llama, разработанная rm8630 и дообученная на базе unsloth/Meta-Llama-3.1-8B-bnb-4bit. Она предназначена для генерации текста в диалогах и других сценариях, где требуется отвечать на текстовые запросы. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Карточка указывает английский язык; обучение проводилось с использованием Unsloth и библиотеки TRL. Модель распространяется по лицензии Apache-2.0.

bartowski/Replete-LLM-V2.5-Qwen-7b-GGUF — это набор GGUF-квантизованных версий языковой модели Rombos-LLM-V2.5-Qwen-7b, подготовленный bartowski на основе llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp и совместимые приложения, включая LM Studio; в README также указан формат промптов для диалогового взаимодействия. Модель относится к классу 7B, поддерживает текстовую генерацию и поставляется в вариантах от F16 до низкобитных квантизаций Q2, Q3, Q4, Q5, Q6 и Q8, включая специальные варианты для ARM. Квантизации с imatrix выполнены с использованием llama.cpp b3825. Размер файлов составляет примерно от 3,55 до 15,24 ГБ в зависимости от варианта; Q6_K и Q6_K_L, а также ряд вариантов Q5 и Q4 отмечены как рекомендуемые благодаря сочетанию качества и размера. Сильной стороной набора является широкий выбор квантизаций для систем с разным объёмом оперативной памяти и возможность локального инференса. Более агрессивные варианты уменьшают требования к памяти, но снижают качество; Q4_0 обозначен как устаревший формат, а некоторые варианты требуют специфической поддержки ARM-инструкций. Языки, размер контекста, точная архитектура базовой модели и результаты оценивания в README не указаны. Лицензия — Apache-2.0.

artop79/rubaistt-uz-ft2 — дообученная модель распознавания речи на базе Whisper Medium. Она предназначена для преобразования узбекской речи в текст. В репозитории указаны 455,8 млн параметров и формат safetensors; модель доступна через Transformers. В README приведены результаты оценки на тестовом наборе: loss 0,0188 и WER 2,0305, однако набор данных и условия оценки не описаны. Модель распространяется по лицензии Apache-2.0.

jzju/sbert-sv-lim2 — модель Sentence Transformers на архитектуре BERT, обученная на базе KBLab/bert-base-swedish-cased-new с данными sbx/superlim-2. Она преобразует предложения и абзацы в плотные векторы размерности 256 для поиска по смыслу, кластеризации и сравнения текстов. Модель рассчитана на шведский язык; максимальная длина контекста — 512 токенов, размер — 162,4 млн параметров. Доступна в формате PyTorch и предназначена для получения текстовых эмбеддингов. Лицензия в предоставленных данных не указана. Практическое качество за пределами шведского языка и поведение на текстах длиннее контекста не описаны.

SeaLLMs-Audio-7B — мультимодальная аудиоязыковая модель семейства SeaLLMs, разработанная для языков Юго-Восточной Азии. Она построена на Qwen2-Audio-7B с заменой языковой модели на Qwen2.5-7B-Instruct и полным дообучением на 1,58 млн диалогов с аудио и текстом. В метаданных указана архитектура Qwen2-Audio и формат safetensors. Модель принимает аудио, текст или их сочетание и предназначена для распознавания речи, описания аудио, перевода речи в текст, анализа эмоций, ответов на вопросы по аудио, краткого пересказа и голосового общения. Основные языки — индонезийский, тайский и вьетнамский, также поддерживаются английский и китайский. Разработчики сообщают о результатах на собственном бенчмарке SeaBench-Audio; руководство по эксплуатации включает Transformers и vLLM. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с карточкой модели. README не приводит явных ограничений качества или безопасного применения.

SenseVoiceSmall — компактная мультиязычная модель понимания речи из экосистемы FunASR, разработанная командой FunAudioLLM. Она распознаёт речь, определяет язык и эмоции говорящего, а также обнаруживает звуковые события. Для каталога Hugging Face указана основная задача automatic-speech-recognition; модель принимает аудио и формирует текст с результатами распознавания. Модель использует сквозную неавторегрессионную архитектуру и предназначена для распознавания речи с низкой задержкой, в том числе в потоках и на периферийных устройствах. В README заявлена поддержка более 50 языков; среди языков, названных для версии Small, — китайский, кантонский, английский, японский и корейский. Авторы сообщают о высокой скорости вывода и результатах, превосходящих Whisper в ряде сравнений, особенно для китайского и кантонского. Помимо транскрипции, модель умеет распознавать эмоции и распространённые звуковые события, однако классификация событий уступает специализированным моделям. В карточке Hugging Face указана лицензия other; конкретные условия использования следует сверить с лицензией репозитория. Репозиторий также описывает экспортные и развёртываемые варианты, но опубликованные здесь метаданные указывают формат PyTorch.

Sentence-CamemBERT-Large — модель эмбеддингов предложений для французского языка, разработанная La Javaness. Она преобразует предложения векторы, отражающие их смысл, и предназначена для семантического поиска и сравнения текстов по смыслу. Модель основана на CamemBERT Large и дообучена с помощью Siamese BERT-Networks и Augmented SBERT на STS-B; при обучении также использовались стратегии попарной выборки. По метаданным, модель содержит 435,4 млн параметров и поддерживает контекст до 514 токенов. Доступны форматы PyTorch, safetensors, ONNX и OpenVINO. README приводит высокие результаты корреляции на французских наборах STS, включая STS-B и SICK-fr. Модель подходит для поиска семантически близких предложений и документов, сопоставления запросов с текстами и оценки семантического сходства. Она ориентирована на французский язык, поэтому её не следует считать универсальной многоязычной моделью; README оценивает её на наборах семантического сходства, что не гарантирует качество для других задач. Лицензия — Apache-2.0.

SigLIP Large — мультимодальная модель Google для сопоставления изображений и текста, предобученная на англоязычных парах WebLI. Архитектура SigLIP использует sigmoid loss для обучения на парах изображение–текст; эта версия обрабатывает изображения с разрешением 256×256, а текст — последовательности длиной до 64 токенов. Модель предназначена для классификации изображений по текстовым описаниям без дополнительного обучения и для поиска соответствий между изображениями и текстом. Она может быть полезна для поиска изображений по запросу и сортировки изображений по описаниям. Обучение на англоязычных данных ограничивает основания ожидать сопоставимое качество для других языков. Модель распространяется по лицензии Apache 2.0.

SigLIP SoViT-400m — мультимодальная модель Google для сопоставления изображений и текста, предварительно обученная на наборе WebLI. Она использует архитектуру SoViT-400m и функцию потерь Sigmoid Loss, которая обучает модель на парах изображение–текст без нормализации по общей матрице сходства. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Модель подходит для классификации изображений по текстовым описаниям без дополнительного обучения и для поиска изображений по текстовому запросу или текста по изображению. При обработке используются изображения RGB, а текст токенизируется с ограничением 64 токена. В README приведено несоответствие разрешения: описание говорит о предобучении при 224×224, а раздел предобработки — о приведении изображений к 384×384; это следует учитывать при настройке входов. Поддерживаемые языки текстовой части отдельно не перечислены. Лицензия — Apache-2.0.

SPLADE-BERT-Mini-BS256-distil — разреженный текстовый энкодер, дообученный Yosefw на базе yosefw/SPLADE-BERT-Mini-BS256 с использованием Sentence Transformers. Он преобразует предложения и абзацы в разреженные векторы размерности 30 522, пригодные для семантического поиска и разреженного поиска документов; сходство оценивается скалярным произведением. Архитектура сочетает BERT с маскированным языковым моделированием и SPLADE pooling с max-пулингом и ReLU. Модель принимает последовательности длиной до 512 токенов и содержит около 12 млн параметров. Модель подходит для кодирования запросов и документов в поисковых системах и информационно-поисковых приложениях. В README приведены метрики dot_accuracy@1 0,5018, @3 0,8286 и @5 0,9194; также указано обучение на наборе из 1 млн примеров с запросами, релевантными и нерелевантными текстами. Языки обучения или целевые языки в доступных данных явно не названы. Репозиторий содержит веса safetensors и использует библиотеку sentence-transformers; сведения о лицензии отсутствуют.

state-0-GGUF — это набор квантованных файлов модели state-0, базовая версия которой разработана Exthalpy. Квантование выполнил mradermacher; модель распространяется в формате GGUF и предназначена для запуска совместимыми инструментами локального вывода и генерации текста. В метаданных указаны библиотека Transformers, английский язык и обучающий датасет diverse. Модель относится к causal language models и поддерживает генерацию текста, включая сценарии со структурированными ответами; среди заявленных тегов также указан chain-of-thought. Точные архитектура, количество параметров, размер контекста и перечень поддерживаемых модальностей в README не приведены, поэтому подтвердить мультимодальность нельзя. Доступно множество вариантов квантования размером примерно от 3,3 до 16,2 ГБ: более компактные варианты экономят память, а f16 обеспечивает максимальное сохранение качества среди представленных файлов. README рекомендует варианты Q4_K_S и Q4_K_M как быстрые, а Q8_0 отмечает как вариант с лучшим качеством. Ограничения модели и результаты оценивания не указаны; качество зависит от выбранного уровня квантования. Лицензия базовой модели — MIT. README также ссылается на взвешенные варианты квантования, доступные в отдельном репозитории.

stella_en_1.5B_v5_bf16 — англоязычная модель представлений текста, опубликованная под идентификатором it-just-works/stella_en_1.5B_v5_bf16. По названию и карточке можно установить размер около 1,5 млрд параметров и формат чисел bfloat16 (bf16). Сведения о конкретном разработчике, базовой архитектуре и методе обучения в представленном README не указаны. Модель предназначена для задач анализа и сопоставления англоязычных текстов, включая классификацию, семантический поиск и ранжирование. В карточке приведены результаты на наборах MTEB: например, accuracy составляет 97,16 на AmazonPolarityClassification, 92,87 на AmazonCounterfactualClassification и 59,36 на AmazonReviewsClassification; для ArguAna указан основной показатель 65,27. Эти результаты показывают применимость модели к оценке тональности, классификации отзывов и поиску релевантных аргументов. Ограничения также существенны: поддержка заявлена или предполагается только для английского языка, а сведения о контекстном окне, входных и выходных модальностях, точном назначении эмбеддингов и требованиях к оборудованию отсутствуют. Лицензия и условия коммерческого или иного использования в предоставленных данных не указаны, поэтому их необходимо уточнить в полном репозитории модели.

StrangeMerges_50-7B-slerp — текстовая генеративная модель, созданная Gille путём слияния liminerity/M7-7b и Gille/StrangeMerges_49-7B-dare_ties с помощью LazyMergekit. Для объединения использован метод SLERP с настройками, меняющими вклад моделей по слоям и компонентам self-attention и MLP. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров. Она предназначена для генерации текста и диалога, принимает текст и выдаёт текст. Заявленная длина контекста — 32 768 токенов. В README приведены результаты на тестах AI2 Reasoning Challenge и HellaSwag. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не уточняет поддерживаемые естественные языки и конкретные сценарии применения; результаты тестов сами по себе не гарантируют качество на других задачах.

Suppe-v1-7B — языковая модель на архитектуре Mistral, созданная автором nbeerbower путём объединения предварительно обученных моделей методом Model Stock с помощью mergekit. В качестве базовой использована yam-peleg/Experiment26-7B; в объединение также вошли automerger/YamshadowExperiment28-7B, chihoonlee10/T3Q-Mistral-Orca-Math-DPO, mlabonne/AlphaMonarch-7B и mlabonne/Zebrafish-7B. Модель предназначена для генерации текста и может применяться в диалогах, следовании инструкциям и решении задач на рассуждение и математику — эти возможности отражены в описании одной из объединённых моделей. Она содержит 7,1 млрд параметров, имеет контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка не сообщает о собственных оценках качества Suppe-v1-7B или о явно заявленных языках. Практические результаты могут зависеть от запроса и сценария; характеристики отдельных моделей, вошедших в объединение, не гарантируют такие же результаты у итоговой модели.