I.3Извлечение и структурирование данных

shamwowzer/prototype-128x02 — объединённая языковая модель, созданная с помощью mergekit. В README указано, что в слиянии Multi-SLERP участвовали /workspace/modeler/Behemoth и /workspace/mistral-text-only с весами 0,5; базовой моделью при сборке выбрана /workspace/modeler/Behemoth. Метаданные относят архитектуру к семейству Mistral и классу MistralForCausalLM; модель содержит 123,4 млрд параметров и принимает контекст до 262 144 токенов. Модель предназначена для генерации текста и диалогового общения. Репозиторий содержит веса safetensors; для работы используется библиотека Transformers. Лицензия в предоставленных данных не указана.

quantum-v0.01-Mistral-7B-Instruct-v0.1 — чат-модель для генерации текста, созданная слиянием Mistral-7B-Instruct-v0.1 от Mistral AI и quantumaikr/quantum-v0.01. Для объединения применён метод SLERP; веса представлены в формате safetensors. Модель предназначена для ответов на инструкции и диалоговые запросы. Она построена на плотной архитектуре Mistral с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указан английский язык, лицензия — Apache-2.0. Карточка не приводит отдельных результатов оценки качества или более подробных ограничений; возможности модели могут зависеть от запроса и используемого программного окружения.

lucaswychan/Qwen2.5-1.5B-Reasoning-Embedding — мультиязычная модель эмбеддингов на базе плотной архитектуры Qwen2.5 с 1,5 млрд параметров, разработанная Lucas Wun Yu CHAN. Она дообучена контрастивным обучением для получения семантических представлений текста и оценки сходства предложений; поддерживает работу с длинным контекстом до 131 072 токенов. Модель предназначена для поиска семантически близких текстов, ранжирования кандидатов по сходству и использования в системах поиска и retrieval-augmented generation. В README описана работа о влиянии reasoning-обучения RLVR на качество эмбеддингов: в оценках MTEB и BRIGHT устойчивого преимущества над базовыми моделями не обнаружено. Для использования указаны библиотеки Sentence Transformers и Transformers; требуется включить trust_remote_code. Модель распространяется по лицензии Apache-2.0.

bunnycore/Qwen2.5-3B-RP-Mix — объединённая языковая модель, созданная автором репозитория методом passthrough с помощью mergekit на основе Qwen/Qwen2.5-3B-Instruct и bunnycore/Qwen-2.5-3b-Rp-lora_model. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, предназначенная для диалогов и генерации текста; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, а размер её контекста составляет 32 768 токенов. Модель подходит для генерации ответов в чате, следования инструкциям и создания текста в сценариях, где полезна компактная Qwen-модель. В README приведены результаты Open LLM Leaderboard: среднее значение 23,15, IFEval — 57,21 и BBH — 28,31; эти оценки сами по себе не определяют качество в конкретном приложении. Веса представлены в формате safetensors, тип данных при слиянии — bfloat16. Лицензия в предоставленных данных не указана.

Qwen2.5-3B-RuoZhiBa-Instruct — чат-модель, созданная дообучением Qwen/Qwen2.5-3B-Instruct на наборе hfl/ruozhiba_gpt4 с помощью LLaMA-Factory. Она построена на архитектуре Qwen2 с 3,1 млрд параметров и предназначена для генерации текста и диалогов по инструкциям; в метаданных также заявлен интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. Её контекст составляет 32 768 токенов. Базовая модель поддерживает более 29 языков, включая английский, китайский и русский, однако карточка этой версии отмечает английский и китайский. Модель распространяется в формате Safetensors; лицензия указана как other, без уточнения условий в доступных данных.

Это версия Qwen2.5-7B-Instruct, подготовленная сообществом mlx-community для использования в формате MLX. Модель основана на плотной авторегрессионной архитектуре Qwen2 с 7,1 млрд параметров и предназначена для генерации текста в диалоговом формате, включая ответы на запросы и работу с интерфейсом вызова инструментов. Длина контекста составляет 32 768 токенов; в метаданных указан английский язык. Модель подходит для диалоговых ассистентов, генерации и продолжения текста, а также сценариев, где приложению требуется передавать вызовы инструментов через поддерживаемый интерфейс. Репозиторий содержит веса safetensors и преобразован в формат MLX с помощью mlx-lm версии 0.18.1. Базовая модель Qwen2.5-7B дообучена в варианте Instruct; для исходной модели указана лицензия Apache-2.0.

lmstudio-community/Qwen3-14B-MLX-8bit — это 8-битная версия модели Qwen3-14B, разработанная сообществом lmstudio-community и преобразованная в формат MLX из исходной модели Qwen/Qwen3-14B с использованием mlx-lm 0.24.0. Модель предназначена для генерации текста и запуска через библиотеку mlx-lm, в том числе в сценариях локального инференса на совместимом оборудовании Apple MLX. В README указаны архитектура Qwen3-14B, размер 14B параметров, формат MLX и 8-битное представление весов. Модель поддерживает диалоговый режим через chat template, если он доступен в токенизаторе. Данные о языках, размере контекста, поддерживаемых модальностях, производительности и конкретных требованиях к оборудованию не приведены. Ограничения также отдельно не описаны; практические характеристики зависят от исходной модели, реализации MLX и используемой системы. Модель распространяется по лицензии Apache-2.0. Для использования требуется библиотека mlx-lm; README приводит пример загрузки модели и генерации текста через Python API.

mlx-community/Qwen3-235B-A22B-8bit — языковая модель для генерации текста, разработанная на основе Qwen/Qwen3-235B-A22B и конвертированная сообществом mlx-community в формат MLX. Модель предназначена для запуска и генерации ответов в экосистеме MLX с использованием библиотеки mlx-lm, включая диалоговые сценарии через chat template. Из README известно, что модель имеет 8-битное представление и относится к семейству Qwen3-235B-A22B. Архитектура, точное число параметров, поддерживаемые языки, модальности и максимальная длина контекста в предоставленных данных не указаны. Для работы требуется библиотека mlx-lm; формат MLX ориентирован на совместимое с этой экосистемой выполнение. Модель распространяется по лицензии Apache-2.0. README не содержит сведений о результатах тестирования, сильных сторонах и ограничениях качества, поэтому их оценка по имеющимся данным невозможна.

Qwen3-235B-A22B-Instruct-2507-4bit — языковая instruction-модель, разработанная командой Qwen и адаптированная сообществом mlx-community для формата MLX. Модель преобразована из Qwen/Qwen3-235B-A22B-Instruct-2507 с использованием mlx-lm 0.26.0 и предназначена для генерации текста по инструкциям в приложениях, работающих на MLX. В названии указаны общий размер 235B параметров, архитектура MoE с 22B активных параметров и 4-битное квантование, однако эти характеристики в представленном README явно не описаны и основаны только на идентификаторе модели. Поддерживается текстовая генерация; сведения о языках, размере контекста, модальностях, сильных сторонах и ограничениях не приведены. Для использования требуется библиотека mlx-lm и совместимое с MLX окружение. Модель распространяется по лицензии Apache-2.0. README не содержит дополнительных сведений о требованиях к оборудованию, производительности или особенностях применения.

Qwen3.5-35B-A3B-Kazakh — мультимодальная модель ISSAI на архитектуре Qwen3.5 MoE для диалогов на казахском и английском языках с поддержкой изображений и видео. Это адаптация Qwen3.5-35B-A3B: базовую модель продолжительно обучали на казахских текстах, расширили словарь на 16 тысяч казахских токенов, затем перенесли инструкционное выравнивание официальной instruct-модели методом chat-vector merge. Ветвь зрения и мультимодальный проектор восстановлены из официальной модели. Модель предназначена для ответов на вопросы, диалогов и анализа визуальных материалов, в том числе на казахском языке. По данным README, она сохраняет большинство возможностей базовой модели, но отвечает более краткими рассуждениями; на сложных задачах рассуждения качество может снижаться. Зрение не дообучалось специально, поэтому на визуальных тестах возможна деградация. Для запуска указаны Transformers и vLLM; максимальная длина контекста в метаданных не приведена. Лицензия — Apache-2.0.

trymirai/Qwen3.5-4B-M — это средний по размеру 4-битный вариант модели Qwen3.5-4B, подготовленный Mirai Labs для эффективного локального запуска на компьютерах Apple с Apple silicon. Модель предназначена для генерации текста и унаследовала архитектуру, назначение, языки, модальности и другие базовые свойства оригинальной Qwen3.5-4B, однако в представленном README их подробные характеристики не указаны. Квантизация выполнена с использованием 4-битного асимметричного целочисленного представления, 4-битных zero points, масштабов bfloat16 и размера группы 32. Для уменьшения выбросов активаций и весов применяются блочно-диагональные Random Hadamard Transforms; после посттренировочной квантизации использовалась дистилляция с учётом квантизации. По заявлению разработчиков, чекпойнт находится на компромиссном фронте между размером и KL-дивергенцией, то есть сочетает уменьшенный размер с сохранением качества. Основное преимущество модели — возможность более эффективного локального вывода на Apple silicon при меньших требованиях к памяти по сравнению с исходной моделью. Ограничение состоит в том, что в README заявлена поддержка только Apple silicon; характеристики производительности и качества для других платформ не приведены. Для запуска предлагается пакет mirai для macOS или сборка из исходного кода. Модель распространяется по лицензии Apache-2.0.

FreedomAISVR подготовила GGUF-квантизацию MXFP4 мультимодальной инструктивной модели Qwen3.5-9B для запуска через llama.cpp. В репозитории есть файл текстовой модели размером 5,31 ГБ и отдельный проектор зрения SigLIP в формате F16 размером 922 МБ; для обработки изображений требуются оба файла. Модель поддерживает диалог и следование инструкциям, а режим рассуждений отключён по умолчанию и включается отдельно. Базовая Qwen3.5-9B использует гибридную архитектуру Gated DeltaNet и Gated Attention, принимает текст, изображения и видео, поддерживает 201 язык и имеет контекст 262 тыс. токенов с возможностью расширения до 1 млн. Заявленная лицензия — Apache 2.0. Квантизация уменьшает размер файлов и позволяет запускать модель на разных CPU и GPU, однако README не приводит сравнений качества MXFP4 с исходной точностью; видео и широкий языковой охват указаны для базовой модели.

Cyronius создал Qwen3.6-27B-A2.8B — производную модель Qwen3.6-35B-A3B для диалоговой генерации текста и вызова инструментов на CPU и встроенной графике. Разработчик удалил 10 из 40 слоёв базовой модели, дообучил оставшуюся модель с помощью LoRA для восстановления качества и подготовил сборки GGUF; в репозитории также указаны файлы safetensors. В модели 26,2 млрд параметров, из которых активно 2,83 млрд на токен, и 30 слоёв. В GGUF-сборках сохранена голова MTP для спекулятивного декодирования через llama.cpp. Модель рассчитана на быстрый локальный запуск на оборудовании с общей памятью без дискретной видеокарты. Доступны сбалансированная сборка Q4_K_M и более компактная IQ3_S для экспертов с Q4_K для выходного слоя; последняя быстрее и меньше, но может уступать в точности. В тестах авторов сбалансированная сборка показала хорошие результаты на вызове инструментов, однако точность GSM8K и perplexity уступают базовой модели. Проверка проводилась на небольших внутренних наборах и может не отражать качество на других задачах. Лицензия — Apache-2.0.

jedisct1/Qwen3.6-35B-A3B-q3-mlx — это конвертированная в формат MLX версия модели Qwen3.6-35B-A3B, разработанной командой Qwen. Модель предназначена для генерации текста и запуска локальных сценариев вывода с использованием библиотеки mlx-lm, включая диалоговое взаимодействие через chat template. Модель доступна для использования на платформах и в средах, поддерживающих MLX. В README указано обозначение 35B-A3B, однако подробности об архитектуре, количестве активируемых параметров, модальностях, поддерживаемых языках и размере контекста не приведены. Для загрузки и генерации требуется mlx-lm версии 0.31.2 или совместимая версия; предусмотрена работа с токенизатором и шаблоном чата, если он задан. Сильной стороной модели является адаптация к экосистеме MLX, что упрощает её локальный запуск в соответствующих средах. Ограничения и требования к аппаратному обеспечению, а также результаты тестирования производительности в README не указаны. Лицензия — Apache-2.0.

LuffyTheFox/Qwen3.6-35B-A3B-Uncensored-Genesis-Final-GGUF — мультимодальная модель в формате GGUF, основанная на HauhauCS/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive. Модель разработана автором LuffyTheFox с применением метода Genesis — посттренировочной числовой коррекции тензоров без дополнительного обучения или тонкой настройки. В README также упоминается исходная разработка Qwen и Tongyi Lab Alibaba Group. Модель предназначена для диалоговых сценариев, генерации текста, задач программирования и работы с изображениями благодаря заявленной поддержке vision и pipeline image-text-to-text. Указана архитектура MoE с 35 млрд параметров и 3 млрд активных параметров, однако размер контекста в README не приведён. Заявлены английский, китайский и мультиязычный режимы работы. Доступны режимы с рассуждением и без него, а также рекомендации по настройкам генерации и запуску на GPU. К заявленным сильным сторонам относятся отсутствие отказов в указанном тесте из 465 запросов, повышенная стабильность, ясность контекста и следование инструкциям после коррекции тензоров. При этом модель позиционируется как uncensored, поэтому может не применять стандартные ограничения безопасности. Фактическое качество, устойчивость, требования к памяти и поддержка конкретных мультимодальных сценариев зависят от выбранной квантизации и среды запуска. Модель распространяется по лицензии Apache-2.0.

Это квантованные варианты MXFP4 модели Qwen3.6-35B-A3B-uncensored-heretic, опубликованные noctrex в формате GGUF для запуска через llama.cpp. Модель относится к семейству Qwen и использует архитектуру MoE; поддерживает диалог и анализ изображений, принимая текст и изображения и выдавая текст. Модель подходит для диалоговых сценариев, вопросов по изображениям и агентного программирования. Веса экспертов MoE представлены в MXFP4; репозиторий также содержит варианты GGUF BF16, F16 и F32. Для обработки изображений автор рекомендует mmproj в F32. README приводит размеры BF16 и F16 вариантов около 20,55 GiB и Q8 — около 18,88 GiB. Это производная от llmfan46/Qwen3.6-35B-A3B-uncensored-heretic модель с ослабленными отказами. Такая настройка может приводить к ответам на запросы, от которых обычные модели отказываются. Данные о лицензии и длине контекста в предоставленных источниках отсутствуют.

williamliao/Qwen3.8-27B-NVFP4-GGUF — экспериментальная GGUF-сборка модели Qwen3.8-27B, подготовленная William Liao для llama.cpp. Репозиторий содержит два варианта квантования: собственную смешанную сборку Qwen3.8-27B-NVFP4-Quality-v2 на основе BF16-модели Qwen/Qwen3.8-27B и производную от unsloth/Qwen3.8-27B-NVFP4 сборку Qwen3.8-27B-Unsloth-NVFP4-Q8. Это текстовая генеративная модель для запуска и инференса через llama.cpp; обе сборки включают нативные MTP-тензоры и не требуют отдельной draft-модели для speculative decoding. Quality-v2 использует NVFP4 для большинства вычислительно затратных матриц, Q4_K_M для отдельных K/V- и MTP-тензоров, Q6_K для эмбеддингов и выходной головы и F32 для нормализаций. Её размер составляет около 16,0 ГБ в десятичном исчислении, или 14,95 GiB, при эффективной плотности около 4,70 BPW. Вариант Unsloth-NVFP4-Q8 сохраняет NVFP4-части через перепаковку, но преобразует исходные FP8-тензоры в Q8_0, поэтому он существенно больше и не является побитной, численно или форматно точной копией исходной модели. Для работы требуется свежая сборка llama.cpp с поддержкой архитектуры Qwen3.5/Qwen3.8, нативных NVFP4-тензоров и Qwen MTP speculative decoding; в протестированной конфигурации использовались CUDA и видеокарты NVIDIA. Сильные стороны модели — уменьшенный размер квантованных файлов, возможность запуска на совместимых GPU и поддержка ускорения через speculative decoding. Ограничения — экспериментальный статус, различия между вариантами квантования и отсутствие гарантии идентичного поведения с исходной моделью в Transformers, compressed-tensors, vLLM или других средах. Лицензия — Apache-2.0.

mlx-community/Qwen3-8B-4bit — языковая модель для генерации текста, преобразованная сообществом mlx-community из базовой модели Qwen/Qwen3-8B в формат MLX с использованием mlx-lm версии 0.24.0. Модель предназначена для запуска и генерации текста через библиотеку mlx-lm, включая диалоговые сценарии с применением chat template, если он доступен в токенизаторе. Модель имеет 8B параметров; обозначение 4bit указывает на 4-битное представление, ориентированное на более компактное хранение и эффективный запуск. В README не указаны архитектурные детали, поддерживаемые языки, контекстное окно или дополнительные модальности, поэтому эти характеристики нельзя достоверно определить. Сильной стороной является готовая конвертация в формат MLX и возможность использования через стандартный интерфейс mlx-lm; ограничениями могут быть особенности совместимости и качества, связанные с 4-битным представлением, однако конкретные показатели в README не приведены. Модель распространяется по лицензии Apache-2.0. Для использования требуется библиотека mlx-lm; README содержит пример загрузки модели и генерации ответа.

Это модель Sentence Transformers на базе Qwen3-Embedding-0.6B, дообученная для получения плотных текстовых эмбеддингов. Она преобразует предложения и абзацы в векторы размерности 1024; сходство между ними можно оценивать косинусной мерой. Архитектура включает Qwen3Model, пулинг по последнему токену и нормализацию векторов. Модель предназначена для поиска релевантных фрагментов по запросу, семантического поиска и retrieval-сценариев. В README приведены результаты проверки на двух наборах данных для информационного поиска; обучающая выборка описана как набор из 58 примеров с позитивными и негативными парами. Метаданные указывают контекст до 32768 токенов, тогда как README заявляет максимальную длину последовательности 1024 токена; для практического использования следует учитывать ограничение README. Поддерживается текстовый ввод, на выходе — векторы. Сведения о лицензии в предоставленных материалах отсутствуют.

Qwen3-Embedding-0.6B-ONNX — модель для получения векторных представлений текста, разработанная на основе Qwen/Qwen3-Embedding-0.6B и опубликованная сообществом onnx-community для совместимости с Transformers.js. Она предназначена для задач семантического поиска, retrieval и сопоставления запросов с релевантными документами, а также для других сценариев, где требуется сравнивать тексты по их embedding-представлениям. Модель использует ONNX-веса и запускается через pipeline feature-extraction в Transformers.js, в том числе потенциально на WebGPU. Доступны варианты вычислений fp32, fp16 и q8. Для получения представлений рекомендуется pooling last_token и нормализация; поисковые запросы должны сопровождаться однострочной инструкцией, описывающей задачу, тогда как для документов инструкция не требуется. В README не указаны размер контекстного окна, поддерживаемые языки, точная архитектура и размерность embeddings. Сильной стороной модели является возможность использовать embedding-модель Qwen3 в JavaScript- и web-средах через ONNX, включая варианты с пониженной точностью для снижения вычислительных требований. Ограничения и характеристики качества в README не описаны; также не приведены условия лицензирования преобразованных весов. Репозиторий ONNX представлен как временное решение до более широкого распространения WebML.

zecafonso/Qwen3-Embedding-4B-1024 — текстовая Sentence Transformer модель, дообученная автором репозитория на базе Qwen/Qwen3-Embedding-4B. Она преобразует предложения и абзацы в плотные векторы размерностью 2560 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура включает Qwen3Model, пулинг последнего токена и нормализацию; модель принимает только текст. В README указан максимальный размер последовательности 1024 токена, а метаданные каталога указывают базовый контекст Qwen в 40960 токенов. Основной сценарий — информационный поиск: подбор релевантных фрагментов по запросу, семантический поиск и ранжирование кандидатов через сравнение эмбеддингов. В README приведены оценки на двух наборах для поиска, а также сведения о дообучении на 58 примерах с anchor, positive и negative текстами. Метаданные описывают базовую модель как мультиязычную, но сам README не перечисляет языки, на которых проверена эта версия. Лицензия в предоставленных данных не указана.

mlx-community/Qwen3-Reranker-4B-mxfp8 — конвертированная в формат MLX модель для ранжирования текстов. Репозиторий mlx-community создан на основе Qwen/Qwen3-Reranker-4B; веса представлены в формате mxfp8 и рассчитаны на использование с mlx-embeddings на совместимой платформе Apple. Модель подходит для оценки релевантности текстовых пар и сортировки результатов поиска или документов по запросу. В метаданных указана плотная архитектура Qwen3 с 3,7 млрд параметров, а базовая модель Qwen3-4B-Base поддерживает контекст до 40 960 токенов. Лицензия — Apache-2.0. README подтверждает конвертацию формата из Qwen3-Reranker-4B, а метаданные связывают модель с Qwen3-4B-Base как дообучение; точная цепочка происхождения поэтому не вполне однозначна.

Qwen3-Reranker-4B-seq-cls-vllm-fixed — версия Qwen/Qwen3-Reranker-4B, преобразованная в архитектуру классификации последовательностей и настроенная для совместимости с vLLM. Модель оценивает релевантность пары «запрос — текст» и предназначена для повторной сортировки результатов поиска. Она использует плотную архитектуру Qwen3ForSequenceClassification, содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. По карточке модели, преобразование из CausalLM в SequenceClassification сохраняет результаты исходного реранкера, но значительно сокращает классификационную голову и вычисления при оценке. Модель распространяется по лицензии Apache-2.0. Указанная настройка рассчитана на использование с vLLM.

Qwen1.5-32B-Chat GGUF — набор квантизированных версий диалоговой языковой модели Qwen/Qwen1.5-32B-Chat, разработанный сообществом Featherless AI Quants. Модель предназначена для генерации текста и ведения диалогов; формат GGUF подходит для локального запуска и совместимых инструментов инференса, поддерживающих этот формат. В набор входят варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0. Размеры файлов или наборов файлов составляют примерно от 11,7 до 33,0 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Модель относится к текстовой модальности; сведения о языках, архитектуре, размере контекста, результатах оценки и конкретных сценариях применения в README не указаны. Сильной стороной является наличие нескольких уровней квантизации для адаптации запуска под доступные аппаратные ресурсы. Ограничения включают значительные требования к памяти даже для наиболее компактных вариантов, а также возможные потери качества из-за квантизации. Лицензия в представленном README не указана.

Kaoeiri/Qwenwify2.5-32B-v4.5 — объединённая языковая модель, созданная автором репозитория с помощью mergekit на основе Qwen/QwQ-32B-Preview. В слияние DARE TIES также вошли Kaoeiri/Qwenwify-32B-v3, allura-org/Qwen2.5-32b-RP-Ink, Dans-DiscountModels/Qwen2.5-32B-ChatML, Saxo/Linkbricks-Horizon-AI-Japanese-Base-32B, OpenBuddy/openbuddy-qwq-32b-v24.2-200k и Sao10K/32B-Qwen2.5-Kunou-v1. Это плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 32 млрд параметров. Она предназначена для диалоговой генерации текста; каталог также отмечает интерфейс вызова инструментов. Максимальный контекст — 32 768 токенов. Модель работает с текстом на входе и выдаёт текст. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC-ND 4.0 допускает использование с соблюдением её условий, включая ограничения на коммерческое использование и распространение производных материалов. В карточке не описаны отдельные оценки качества или подробные языковые гарантии; теги указывают на контент не для всех аудиторий.

Guilherme34/Reasoner-Hermes3-70b — языковая модель семейства Llama, представленная в формате safetensors и рассчитанная на генерацию текста в диалоговом режиме. В карточке приведён пример системного промпта, задающего ассистенту имя и стиль ответа; метаданные также указывают интерфейс для вызова инструментов. Модель содержит 69,5 млрд параметров и поддерживает контекст длиной до 131 072 токенов. В метаданных указан датасет Guilherme34/Reasoner-dataset-v2, но сведения о способе обучения и базовой модели отсутствуют, поэтому происхождение модели установить нельзя. README не описывает языки, качество рассуждений или специализированные области применения. Лицензия в предоставленных данных не указана. Для практического применения стоит проверить совместимость формата и доступных ресурсов с выбранной средой запуска.

Reka Flash 3 — плотная языковая модель общего назначения с архитектурой семейства Llama, разработанная Reka и обученная с нуля. В README заявлено 21 млрд параметров, а метаданные Hugging Face указывают 20,3 млрд; модель выпущена в формате safetensors и совместима с инструментами, поддерживающими Llama. Она рассчитана на диалог, рассуждения и приложения с низкой задержкой, в том числе развёртывание на устройстве. Контекст составляет 32 768 токенов. Модель обучалась на синтетических и публичных данных с последующим supervised fine-tuning и оптимизацией RLOO с модельными и основанными на правилах наградами. Основной язык — английский; модель в некоторой степени понимает и использует другие языки. По сведениям README, она уступает в задачах, требующих обширных знаний, и для них рекомендуется подключать веб-поиск. Обучение и выравнивание не были обширными, а рассуждения на английском при запросах на других языках могут ухудшать качество ответа. Лицензия — Apache 2.0.

Rhombus18 Rhododendron Professor 1o — дообученная языковая модель семейства Qwen3, разработанная пользователем rhombus18 на основе unsloth/qwen3-32b-bnb-4bit. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит 29,7 млрд параметров. Карточка указывает обучение с помощью Unsloth и библиотеки TRL от Hugging Face; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Она поддерживает английский язык и контекст длиной до 128 000 токенов. В README не описаны специализированные области применения или результаты оценки качества, поэтому пригодность для конкретных задач следует проверять отдельно. Лицензия — Apache 2.0.

sergeyzh/rubert-large-uncased-query — компактная BERT-модель автора sergeyzh для симметричного сравнения поисковых запросов на русском и английском языках. Она создаёт эмбеддинги размерности 1024 и предназначена для поиска семантически близких запросов, в том числе для кэширования и фильтрации обращений к LLM и сценариев Q2Q RAG. Модель получена дистилляцией эмбеддингов с учётом префикса Qwen/Qwen3-Embedding-8B и дообучена на основе sergeyzh/rubert-large-uncased-sts. В архитектуре BERT 12 слоёв, максимальная длина контекста — 512 токенов; префиксы при использовании не требуются. Вариант uncased не различает верхний и нижний регистр. По оценке на датасете ai-forever/rubq-retrieval сходство с ответами Qwen/Qwen3-Embedding-8B составляет Pearson r 0,850 и Spearman ρ 0,800. Модель принимает текст и выдаёт векторные представления для сравнения семантической близости. Репозиторий содержит веса safetensors; лицензия — MIT. Результаты метрик приведены для русского языка, поэтому качество на иных данных и задачах может отличаться.

arcee-ai/saul-mistral-instruct-v0.1-7b-ties — объединённая модель Arcee AI, созданная методом TIES с помощью mergekit на основе Equall/Saul-Base и Mistral-7B-Instruct-v0.1, с Mistral-7B-v0.1 как базовой моделью слияния. Это плотная авторегрессионная языковая модель MistralForCausalLM на 7,1 млрд параметров, предназначенная для генерации текста по инструкциям. Она подходит для диалогов, ответов на вопросы и других задач генерации текста; максимальная длина контекста составляет 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает её специализированную настройку по областям, языковую поддержку, сравнительные результаты или ограничения качества, поэтому применимость в конкретных сценариях следует проверять отдельно.